Vous êtes sur la page 1sur 46

Universit Paris 8

Anne Universitaire 2012-2013


Master 2 Economie des institutions territoriales et financires (MIPP)
Parcours Marchs, institutions, finance (MIF)

Marchs financiers, nergie et matires premires

Enseignant : Julien CHEVALLIER

Objectif : Ce cours vise donner aux tudiants les outils ncessaires la comprhension des
marchs financiers (actions, obligations, taux de change) en lien avec les marchs nergtiques et
les principaux marchs de matires premires (produits agricoles, mtaux). Dans une perspective
empirique, laccent est mis sur lapprentissage des outils conomtriques adquats afin de
modliser le lien entre les marchs financiers, lenvironnement macroconomique, et les marchs
nergtiques et de matires premires. Lapprentissage est facilit par la rsolution de nombreux
cas pratiques dans le cadre de travaux dirigs, et de programmation sous les logiciels
R/Matlab/Eviews.

Dure du cours : 24h

Evaluation : Contrle continu des connaissances (TD) + Examen crit de 2h

Plan dtaill des sances :


I. Marchs financiers
1.1 Rationalit et instabilit
1.1.1 Lefficience en question
1.1.1.1 Formes et tests defficience
1.1.1.2 Dynamique des prix dans les marchs efficients
1.1.1.3 Efficience et valeur fondamentale
1.1.1.4 Les anomalies de march
1.1.1.5 La performance des fonds
1.1.1.6 Paradoxe de GrossmanStiglitz
1.1.2 Une conception largie de la rationalit
1.1.2.1 La liquidit des marchs
1.1.2.2 Diversit des oprateurs
1.1.2.3 Contagion et instabilit des marchs
1.1.2.4 Les bulles financires
1.1.3 Les marchs financiers et lquilibre de lconomie
1.1.3.1 La gestion du risque et les marchs drivs
1.1.3.2 Lessor des marchs drivs
1.1.3.3 La spculation est-elle stabilisante ?
1

1.2 Bote outils pour lanalyse des marchs financiers


1.2.1 Diversification et la thorie du portefeuille Markowitz
1.2.1.1 Composition du portefeuille
1.2.1.2 Optimisation moyenne-variance et frontire efficiente
1.2.2 Modle dvaluation des actifs financiers
1.2.2.1 Rappels
1.2.2.2 Arbitrage risque-rendement
1.2.3 Estimation des volatilits et des corrlations
1.2.3.1 Estimation de la volatilit
1.2.3.2 Le modle GARCH(1,1)
1.2.3.3 Utilisation du modle GARCH(1,1) pour la prvision
1.2.3.4 Estimation des corrlations
1.2.4 Les contrats futures sur matires premires
1.2.4.1 Rendement dopportunit, cots de stockage et de portage
1.2.4.2 Relation entre les prix spot et futures
1.2.4.3 Mesure des primes de risques

II. Marchs nergtiques


2.1 Le march futures du ptrole
2.1.1 Background
2.1.2 Principaux fondamentaux du prix futures du ptrole
2.1.2.1 Stocks
2.1.2.2 Capacits de production
2.1.2.3 Indicateurs macro (inflation, taux dintrts, obligations)
2.1.2.4 Disruptions dans lapprovisionnement physique en ptrole
2.1.3 Rformes institutionnelles des annes 2000
2.1.4 Connexion entre les contrats futures de diffrentes maturits et dveloppement
des traders financiers
2.1.4.1 Le manque de transparence des changes de produits drivs endehors des places de marchs organiss et le contrle des activits
des swaps dealers
2.1.4.2 Le succs grandissant des fonds dinvestissement en matires
premires
2.1.4.3 Les agents non-commerciaux au cur de la hausse du prix du ptrole
2.1.4.4 Une dconnexion entre les flux financiers et la ralit physique du
march du ptrole ?
2.1.5 Lpisode de mars-aot 2008 : bulle spculative, oui ou non ?
2.1.5.1 Les tudes conomtriques rcentes utilisant les donnes de la CFTC
2.1.5.2 Les fondamentaux physiques
2.1.5.3 Les fondamentaux macroconomiques
2.1.5.4 Les fondamentaux financiers
2.1.6 Quels instruments de politique conomiques doivent-ils tre mis en uvre
pour empcher la spculation ?

2.2 Les marchs du carbone


2.2.1 Les systmes de permis dmissions ngociables
2.2.1.1 Les politiques climatiques
2.2.1.2 Principales diffrences dun march de permis vs. Taxe
2.2.1.3 Questions de conception du march de permis (limites spatiales et
temporelles, allocation initiale, safety valve)
2.2.2 Caractristiques du march europen du CO2 EU ETS
2.2.2.1 Couverture du march
2.2.2.2 Procdure dallocation
2.2.2.3 Calendrier
2.2.2.4 Transactions (places de march, caractristiques des contrats spot /
futures / options, dynamique et volume)
2.2.2.5 Pnalits
2.2.2.6 Provisions de stockage et demprunt de quotas (dveloppement du
prix et effet des restrictions sur le banking)
2.2.3 Fondamentaux du prix du CO2
2.2.3.1 Dcisions institutionnelles
2.2.3.2 Prix des nergies (ptrole, charbon, gaz, clean dark spread, clean
spark spread, comportement de fuel-switching)
2.2.3.3 Evnements de temperatures extremes
2.2.3.4 Lien avec lenvironnement macroconomique (marches actions et
obligations, indicateurs de marches de matires premires,
production industrielle)
2.2.4 Le Mcanisme de Dveloppement Propre CDM : une premire tape vers la
construction dun march mondial du carbone ?
2.2.4.1 Contrats et dveloppement du prix du CER
2.2.4.2 Fondamentaux du prix du CER
2.2.4.3 Stratgies darbitrage EUA-CER (variables de microstructure)
2.2.5 Facteurs de risque et stratgies de gestion des risques
2.2.5.1 Risques idiosyncratiques (facteurs de risque spcifiques au march
europen du carbone et aux crdits CDM)
2.2.5.2 Facteurs de risques communs (registres, limites dimportation de
CERs dans le systme EU ETS, incertitudes post-Kyoto)

III. Marchs de matires premires


3.1 Les marchs agricoles
3.1.1 Mesure de limpact des news macroconomiques sur les marchs agricoles
3.1.1.1 Base de donnes de news
3.1.1.2 Modle danalyse des news
3.1.1.3 Rsultats destimation
3.1.1.4 Quelques conclusions
3.1.2 Comportement stylis des marchs agricoles selon le cycle des affaires
3.1.2.1 Le modle markovien changement de rgime Hamilton (1989)
3.1.2.2 Base de donnes
3.1.2.3 Analyse pays par pays
3

3.1.3

3.1.2.4 Relation entre les marchs agricoles et le cycle des affaires


3.1.2.5 Rappel sur le ratio de Sharpe
3.1.2.6 Rsultats destimation
La nature du cycle des affaires des USA
3.1.3.1 Base de donnes
3.1.3.2 Nombre de rgimes
3.1.3.3 Probabilits de transition
3.1.3.4 Score de prvision
3.1.3.5 Performance des marchs agricoles selon les phases du cycle
conomique

3.2 Les mtaux prcieux et industriels


3.2.1 Les liens entre marchs de matires premires
3.2.1.1 Base de donnes de mtaux prcieux et industriels
3.2.1.2 Relations dquilibre
3.2.1.3 Notion de cointgration
3.2.1.4 Rsultats destimation
3.2.2 Relation avec les marchs financiers
3.2.2.1 Actions et obligations
3.2.2.2 Taux de change
3.2.2.3 Rsultats destimation
3.2.3 Valeur fondamentale des mtaux prcieux et industriels
3.2.3.1 Relation avec lenvironnement macroconomique
3.2.3.2 Relation avec linflation
3.2.3.3 Rsultats destimation

Bibliographie :
o

Sur les marchs financiers :


1. JACQUILLAT, B., SOLNIK, B., PERIGNON, C. 2009. Marchs financiers : Gestion de
portefeuille et des risques. 9me dition, Dunod.
2. MARTEAU, D. 2008. Monnaie, banque et marchs financiers. Economica.
3. CUTHBERTSON, K., NITZSCHE, D. 2005. Quantitative Financial Economics: Stocks,
Bond and Foreign Exchange. 2me dition, Wiley.
4. HULL, J. 2007. Options, futures et autres actifs drivs, 6me dition, Pearson
Education.
5. CAMPBELL, JY., LO, AW., MACKINLAY, AC. 1997. The Econometrics of Financial
Markets, 2me edition, Princeton University Press.

Sur les marchs nergie :


6. HANSEN, JP., PERCEBOIS, J. 2011. Energie : Economie et Politiques. 2me dition, De
Boeck.
7. CHEVALIER, JM. (Ed.) 2011. Les nouveaux dfis de lnergie : Climat Economie Gopolitique. Economica.
4

8. CHEVALLIER, J. 2011. Econometric analysis of carbon markets: The European Union


Emissions Trading Scheme and the Clean Development Mechanism. Springer.
9. GALARRAGA, I., GONZALEZ-EGUINO, M., MARKANDYA, A. 2011. Handbook of
Sustainable Energy, Edward Elgar.
o

Sur les marchs de matires premires :


10. GEMAN, H. 2008. Risk Management in Commodity Markets: From Shipping to
Agriculturals and Metals, Wiley Finance.
11. GEMAN, H. 2005. Commodities and Commodity Derivatives: Agriculturals, Metals
and Energy, Wiley Finance.
12. SCHOFIELD, NC. 2007. Commodity derivatives: markets and applications, Wiley
Finance.
13. CLARK, E., LESOURD, JB., THIEBLEMONT, R. 2001. International Commodity
Trading: Physical and Derivative Markets, Wiley Finance.
14. EYDELAND, A. 2003. Energy and Power Risk Management, Wiley Finance.
15. HARRIS, C. 2006. Electricity Markets, Wiley Finance.

Sur lconomtrie financire applique :


16. AGUNG, Ign. 2009. Time Series Data Analysis Using Eviews, Wiley.
17. VOGELVANG, B. 2005. Econometrics: Theory and Applications with Eviews, Pearson
Education.
18. BROOKS, C. 2008. Introductory Econometrics for Finance, Cambridge University
Press.
19. Mills, TC., Markellos, RN. 2010. The Econometric Modelling of Financial Time
Series, 3me edition, Cambridge University Press.

March
es financiers,
energie et mati`
eres premi`
eres
Polycopie dExercices
Universite Paris 8
Master 2 EITF
Parcours Marches, Institutions, Finance (MIF)
Julien Chevallier
Septembre 2012

1. Le marche futures du petrole


2. Cointegration sur le marche futures du petrole
3. Mod`ele autoregressif sur les marches du carbone
4. VAR et Cointegration sur les marches du carbone
5. Mod`ele GARCH sur les marches du carbone
6. Impact de news et gestion de portefeuille sur les marches de mati`eres premi`eres
7. Impact de news et mesure du cycle des affaires sur les marches agricoles
8. Cointegration sur les marches energie et agricole
9. Cointegration sur les marches de metaux precieux et industriels

Universit
e

Paris 8 (LED), 2 rue de la Libert


e 93526 Saint-Denis cedex France. Email: julien.chevallier@dauphine.fr

Exercice I: Le march
e futures du p
etrole
Cet exercice est base sur larticle de Ying Fan et Jin-Hua Xu intitule What has driven oil prices since 2000? A
structural change perspective et publie dans la revue Energy Economics 33 (2011), 1082-1094.
La periode couverte dans cet article est: 7 Janvier 2000 - 11 Septembre 2009.
Considerez le mod`ele de fondamentaux du prix du petrole suivant:
pt = i + oi (L)pt + gi (L)goldt + si (L)bdit + ui (L)usdxt + pi (L)sp500t + t

(1)

avec pt la transformation logarithmique du prix futures du petrole West Texas Intermediate (WTI), goldt la
transformation logarithmique du prix futures de lor Commodity Exchange (COMEX), bdit la transformation
logarithmique du Baltic Dry Index1 , usdxt la transformation logarithmique de lUS Dollar Index2 , sp500t la
transformation logarithmique de lindex US S&P 5003 , t le terme derreur, L loperateur retard et LXt = Xt1 .
Les coefficients oi (L), gi (L), si (L), ui (L), pi (L) sont des polynomes en L.

Question #1
Rappelez bri`evement linteret de la transformation logarithmique des variables dans le mod`ele represente par
lequation (1).

Question #2
Quelle(s) remarque(s) pouvez-vous enoncez avant meme lanalyse econometrique concernant la validite et la
pertinence de ce mod`ele (Eq.(1))?

Considerez `
a present un mod`ele alternatif de fondamentaux du prix du petrole:
pt =i + oi (L)pt + gi (L)goldt + si (L)bdit + ui (L)usdxt + pi (L)sp500t
+ n1i (L)noncomm1t + +n2i (L)noncomm2t + i D01t + i D03t + t

(2)

avec noncomm1t la difference premi`ere de la position (en %) des agents non-commerciaux4 , noncomm2t
la difference premi`ere de la position longue (en %) des agents non-commerciaux, D01t une variable indicatrice (dummy) capturant les attaques terroristes du 11 Septembre, et D03t une variable indicatrice (dummy)
capturant les effets de la Seconde Guerre du Golfe.

Question #3
Quelles sont les principales differences entre les mod`eles de fondamentaux du prix du petrole decrit par les
equations (1) et (2)?
En quoi lEq.(2) repond-t-elle `
a des limitations que vous aviez pu identifier dans votre reponse `a la question
precedente?

1 Le Baltic Dry Index est une mesure des fondamentaux offre-demande sur le march
e du p
etrole. Il sagit dun indicateur de
croissance
economique bas
e sur le taux de remplissage des cargos.
2 LUS Dollar Index repr
esente la valeur du dollar en comparaison avec un panier dautres monnaies
etrang`
eres.
3 Lindex Standard & Poors 500 est une mesure mondiale des march
es daction.
4 La Commodities Futures Trading Commission (CFTC) distingue 2 types dagents intervenant sur le march
e du p
etrole: les
agents commerciaux (producteurs et exportateurs de p
etrole) int
eress
es par la d
elivrance physique du barril de p
etrole, et les agents
non-commerciaux (banques dinvestissement, hedge fund, traders, brokers) int
eress
es par le trading de produits d
eriv
es sans notion
de d
elivrance physique du produit.

Question #4
Considerez les resultats destimation reproduits dans le Tableau 6 Full period results sur la periode compl`ete
allant du 7 Janvier 2000 au 11 Septembre 2009:
Commentez la significativite statistique de chaque variable pour les 2 premi`eres colonnes.
Deduisez-en des interpretations economiques en terme de fondamentaux du prix du petrole.
Quel est linteret davoir estime une nouvelle fois le mod`ele dans la 3`eme colonne?

Question #5
A la lecture du Tableau 7 Relatively calm market period results, vos conclusions demurent-elles inchangees
sur la sous-periode allant du 7 Janvier 2000 au 12 Mars 2004?

Question #6
Le Tableau 8 Bubble accumulation period and Global economic crisis period results couvre 2 autres sousperiodes:
1. du 19 Mars 2004 au 06 Juin 2008: quelles sont les raisons pouvant justifier la formation dune bulle
speculative sur le marche du petrole? quelles sont vos conclusions dapr`es les resultats destimation?
2. du 13 Juin 2008 au 11 Septembre 2009: la crise financi`ere a-t-elle conduit `a un changement de fondamentaux sur le marche du petrole? Justifiez votre reponse en fonction des resultats destimation.

10

Exercice II: Coint


egration sur le march
e futures du p
etrole
In The role of market fundamentals and speculation in recent price changes for crude oil (Energy Policy 39,
105-115), Kaufmann (2011) examines how recent changes in crude oil future prices may be related to market
fundamentals and/or speculative pressures (by noise traders).
There is a consensus among analysts that the crude oil market is unified, which implies that prices for
various grades of crude oil from different parts of the globe should cointegrate. This Law of One Price implies
that arbitrage opportunities will realign prices for different grades of crude oil if their prices diverge by amounts
greater than the spread that is implied by physical measures of quality and arbitrage transaction costs.
To test this hypothesis, the author estimates the cointegrating relationship between the price for WTI and
Dubai-Fateh (DuF a) using dynamic ordinary least squares:
W T It = + DuF at + t

(3)

Market fundamentals dictate that these crude oils have a different price, because they have a different
specific gravity. Specifically, WTI has a higher price because WTI (39.6 ) is lighter than Dubai-Fateh
(32 ).
Nonetheless, the law of one price implies that the price difference between these two crude oils (or any
two crude oils) should be stationary around a constant spread.
Furthermore, large deviations from the price spread should be eliminated fairly quickly because large
deviations enhance arbitrage opportunities.

1) What can you conclude on the stability of the cointegrating relationship (with reference to
the law of one price) from the results shown in Figure 1?
If speculative expectations play an important role in price formation, the cointegrating relationship dictated
by the law of one price could break down for extended periods.
To test for a break down in the long-run cointegrating relationship between the five month contract for WTI
and the spot price for Dubai-Fateh, the author uses a test statistic developed by Andrews and Kim (2006):
R=

TX
+m

TX
+m

t=T +1

s=t

!2

(4)

where (
) is the residual from the cointegrating relationship for the price of the two crude oils, m is the
length of the post break sample period (12 weeks), and T is the end of the pre-break period during which the
prices for the two crude oils cointegrate. The test statistic evaluates the null hypothesis that the cointegrating
relationship does not change in the post break down period relative to the pre break period.
2) What can you conclude on the break down in the cointegrating relationship (with reference
to Andrews and Kims (2006) test statistic) from the results shown in Figure 1?

11

Figure 1: Residual from the cointegrating relationship between the five month forward contract for WTI and
the spot price for Dubai-Fateh
Note: Vertical lines identify a period when the cointegrating relationship breaks down for a 12-week post period.

12

Exercice III: Mod`


ele autoregr
essif sur les march
es du carbone

Figure 2: Series temporelles brutes (panel gauche) et difference logarithmique (panel droit) du prix du carbone
EUA futures

Question #1
Considerez les series temporelles representees dans la Figure 2: quelles sont les principales differences entre les
deux graphiques? Commentez notamment en fonction de la notion de stationnarite au sens faible.

13

Figure 3: Fonctions dautocorrelation simple des series temporelles brutes (panel gauche) et difference logarithmique (panel droit) du prix du carbone EUA futures

Question #2
Donnez une br`eve definition de la fonction dautocorrelation simple. Que pouvez-vous dire des fonctions
dautocorrelation representees dans la Figure 3? Que pouvez-vous en deduire concernant les proprietes autoregressives et/ou moyenne mobile des series?

Question #3
Commentez les resultats des tests de racine unitaire ADF, PP, et KPSS effectues dans les Tableaux 1 et 2: que
concluez-vous? pour quelles series temporelles peut-on rejeter H0 ? pour quelles series temporelles ne peut-on
pas rejeter H0 ?
Detaillez les differentes methodologies existantes pour transformer des series non-stationnaires en series stationnaires, ainsi que les biais qui peuvent etre induits si le processus est TS ou DS.

14

Table 1: Tests de racine unitaire pour la variable EU At


Null Hypothesis: EUA has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=19)

Augmented Dickey-Fuller test statistic


Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-0.9301
-2.5682
-1.9412
-1.6164

0.3135

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: EUA has a unit root


Exogenous: None
Bandwidth: 1 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic


Test critical values:
1% level
5% level
10% level

Adj. t-Stat

Prob.*

-0.9206
-2.5682
-1.9412
-1.6164

0.3174

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: EUA is stationary


Exogenous: Constant
Bandwidth: 22 (Newey-West using Bartlett kernel)

LM-Stat.

Kwiatkowski-Phillips-Schmidt-Shin test statistic


Asymptotic critical values*:
1% level
5% level
10% level

1.5748
0.7390
0.4630
0.3470

*Kwiatkowski-Phillips-Schmidt-Shin (1992)
Note: ADF and PP: le Mod`
ele 1 (sans constante ni tendance) a
et
e choisi. KPSS: le Mod`
ele 2 sans tendance a
et
e choisi.

15

Table 2: Tests de racine unitaire pour la variable D(EU At )


Null Hypothesis: D(EUA) has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=19)

Augmented Dickey-Fuller test statistic


Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-20.4963
-3.4393
-2.8653
-2.5688

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(EUA) has a unit root


Exogenous: Constant
Bandwidth: 2 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic


Test critical values:
1% level
5% level
10% level

Adj. t-Stat

Prob.*

-24.9767
-3.4393
-2.8653
-2.5688

0.0000

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: D(EUA) is stationary


Exogenous: Constant
Bandwidth: 1 (Newey-West using Bartlett kernel)

LM-Stat.

Kwiatkowski-Phillips-Schmidt-Shin test statistic


Asymptotic critical values*:
1% level
5% level
10% level

0.1408
0.7390
0.4630
0.3470

*Kwiatkowski-Phillips-Schmidt-Shin (1992)
Note: ADF and PP: le Mod`
ele 1 (sans constante ni tendance) a
et
e choisi. KPSS: le Mod`
ele 2 sans tendance a
et
e choisi.

16

Table 3: Resultats dEstimation du Mod`ele


Dependent Variable: DIFFEUA
Method: Least Squares
Sample (adjusted): 2/28/2008 12/09/2010
Included observations: 711 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
DIFFEUA(-1)

-0.0082
0.0620

0.0143
0.0374

-0.5742
1.6564

0.5660
0.0981

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.0038
0.0024
0.3836
104.3328
-326.6300
1.9850

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.0087
0.3840
0.9244
0.9372
2.7438
0.0980

Question #4
Considerez les resultats destimation du mod`ele reproduits dans le Tableau 3. Ecrivez lequation du mod`ele
estime. De quel type de processus sagit-il? Commentez en fonction de la significativite statistique des coefficients obtenus.

Table 4: Tests de validation du mod`ele


Diagnostic tests
Box-Pierce test
0.8470
Jarque-Bera test
0.0001
Engle ARCH test
0.0034
Note: Le test Box-Pierce est calcule avec 20 retards. La p-value du test de Jarque-Bera est reportee. Le test
ARCH Engle est calcule avec 1 retard.

Question #5
Commentez les tests de validation du mod`ele reproduits dans le Tableau 4. A chaque fois, rappelez lhypoth`ese
H0 en utilisant le test Box-Pierce, le test de Jarque-Bera, et le test ARCH Engle.

17

Exercice IV: VAR et Coint


egration sur les march
es du carbone

Figure 4: Series temporelles brutes (panel gauche) et transformation logarithmique (panel droit) du prix du
carbone EUA futures et CER futures

Question #6
Considerez les series temporelles representees dans la Figure 4: decrivez bri`evement les variables que vous
observez, ainsi que leur comportement. Quelles sont les differences entre les deux graphiques?

Variable

Moyenne

Table 5: Statistiques Descriptives


Mediane
Max
Min
Std.
Dev.

Serie brute
EU A
20.4038
21.5200
CER
15.8579
16.0687
Transformation logarithmique
EU A
2.9866
3.0689
CER
2.7439
2.7768

Skew.

Kurt.

29.3300
22.8500

8.2000
7.4846

4.4592
2.9864

-0.7659
-0.3514

3.0319
3.1352

3.3786
3.1289

2.1041
2.0128

0.2551
0.2055

-1.3231
-0.9947

4.2758
4.1821

Note: EU A est le prix du carbone EUA Futures, et CER le prix du carbone CER futures. Std.Dev. est
lecart-type, Skew. la Skewness, et Kurt. la Kurtosis. Le nombre dobservations est 529.

Question #7
Considerez les statistiques descriptives reproduites dans le Tableau 5: commentez bri`evement les resultats
obtenus pour chaque variable.
18

Dans ce qui suit, les variables EU A et CER sont exprimees en transformation logarithmique.
Table 6: Test de cointegration de Johansen: Statistique de la Valeur Propre Maximale
Hypothesis
Statistic 10%
5%
1%
r1
1.65
6.50
8.18
11.65
r=0
6.81
12.91
14.90
19.19

Table 7: Test de cointegration de Johansen: Statistique de la Trace


Hypothesis
Statistic 10%
5%
1%
r1
1.65
6.50
8.18
11.65
r=0
8.46
15.66
17.95
23.52

Question #8
Commentez les resultats reproduits dans les Tableaux 6 et 7: detaillez la methode `a suivre pour lire ce type
de tableau. Quel rang r de cointegration pouvez-vous identifier, `a un niveau de significativite de 5%? Prenez
soin de bien preciser en fonction de quel tableau vous enoncez vos conclusions.

Table 8: VECM avec r = 1


Variable
EU A.d
CER.d
Terme de Correction dErreur
ect
-0.0197908
-0.0282009
Constante deterministe
c
0.0106349
0.0154190
Differences retardees
EU A.d(1)
-0.0641515
-0.0504123
CER.d(1)
0.2307197
0.1423340
Note: ect signifie Terme de Correction dErreur. c signifie constante. EU A est le prix du carbone EUA
Futures, et CER le prix du carbone CER futures. .d fait reference `a loperation de difference. Lordre du
retard est indique entre parenth`eses.

Question #9
Commentez les resultats reproduits dans le Tableau 8: en fonction de votre reponse `a la Question #8, interpretez le mod`ele vectoriel `
a correction derreur.

19

Dans ce qui suit, les variables EU A et CER sont exprimees en difference logarithmique.

Figure 5: Difference logarithmique des series temporelles EUA futures et CER futures

Question #10
Considerez les series temporelles representees dans la Figure 5: decrivez bri`evement les variables que vous
observez, ainsi que leur comportement. Quelles sont les differences que vous observez en comparaison avec la
Figure 4?

Variable

Moyenne

Difference logarithmique
EU A
-0.0004
CER
-0.0003

Table 9: Statistiques Descriptives


Mediane
Max
Min
Std.
Dev.

Skew.

Kurt.

0.0001
0.0001

-0.0608
-0.3703

4.8680
5.9619

0.1136
0.1125

-0.0943
-0.1104

0.0268
0.0244

Note: EU A est le prix du carbone EUA Futures, et CER le prix du carbone CER futures. Std.Dev. est
lecart-type, Skew. la Skewness, et Kurt. la Kurtosis. Le nombre dobservations est 529.

Question #11
Considerez les statistiques descriptives reproduites dans le Tableau 9: commentez bri`evement les resultats
obtenus pour chaque variable. Quelles sont les differences que vous observez en comparaison avec le Tableau
5?

20

Table 10: Resultats destimation du mod`ele VAR pour la variable EU A


Variable
Estimate
Variables retard
ees
EU A(1)
-0.06061
CER(1)
0.2454
EU A(2)
-0.1504
CER(2)
0.01805
EU A(3)
-0.1275
CER(3)
0.2056
EU A(4)
0.152601
CER(4)
-0.07958
Composante d
eterministe
const.
0.003480
trend
-0.000015
R-Squared
0.07136
Adj. R2
0.0551
F-Statistic
0.00001

Std. Error

t-stat.

P rob.

0.08233
0.08952
0.08227
0.08981
0.08234
0.08992
0.08203
-0.09050

-0.736
2.741
-1.828
0.201
-1.549
2.287
1.860
-0.879

0.46193
0.00634
0.06806
0.84082
0.12198
0.02261
0.06342
0.37965

0.002344
0.000008

1.484
-1.912

0.13831
0.05646

Note: EU A est le prix du carbone EUA Futures, et CER le prix du carbone CER futures. Lordre du retard est indiqu
e entre
parenth`
eses. Std.Dev. est l
ecart-type, const. la constante d
eterministe, et trend la tendance. La p-value est donn
ee pour la
F-Statistique.

Table 11: Resultats destimation du mod`ele VAR pour la variable CER


Variable
Estimate
Variables retard
ees
EU A(1)
-0.05705
CER(1)
0.1627
EU A(2)
-0.08439
CER(2)
-0.01538
EU A(3)
-0.1937
CER(3)
0.2476
EU A(4)
0.1201
CER(4)
0.001684
Composante d
eterministe
const.
0.002553
trend
-0.00001
R-Squared
0.06089
Adj. R2
0.04445
F-Statistic
0.00016

Std. Error

t-value

P rob.

0.07546
0.08206
0.07541
0.08232
0.07547
0.08242
0.07519
0.08296

-0.756
1.983
-1.119
-0.187
-2.566
3.004
1.597
0.020

0.44995
0.04787
0.26360
0.85188
0.01056
0.00279
0.11079
0.98381

0.002149
0.000007

1.188
-1.517

0.23532
0.12979

Note: EU A est le prix du carbone EUA Futures, et CER le prix du carbone CER futures. Lordre du retard est indiqu
e entre
parenth`
eses. Std.Dev. est l
ecart-type, const. la constante d
eterministe, et trend la tendance. La p-value est donn
ee pour la
F-Statistique.

21

On vous donne les informations suivantes:


Selection du nombre de retards du mod`ele VAR dapr`es les crit`eres dinformation: AIC(n)=4, HQ(n)=1,
SC(n)=1.
p-value du test Portmanteau < 5% pour les residus du mod`ele VAR(1).

Question #12
Commentez les resultats obtenus dans les Tableaux 10 et 11: procedez `a une analyse statique des resultats
du mod`ele VAR estime pour chaque variable, en vous focalisant sur les resultats statistiquement significatifs.

Table 12: Tests


Test
P ortmanteau
ARCH V AR
JB V AR
Kurtosis
Skewness

de validation du mod`ele VAR


Statistic
d.d.l
p-value
57.4878
48
0.16
97.1946
9
0.01
147.6817 4
0.01
143.5005 2
0.01
4.1811
2
0.1236

Note: P ortmanteau est le test Portmanteau avec un nombre de retards egal `a 16, ARCH V AR est le test
ARCH multivarie avec un nombre de retards egal `a 5, JB V AR est le test de Jarque Berra multivarie
applique aux residus du mod`ele VAR. d.d.l est le nombre de degres de liberte.

Question #13
Commentez les tests de validation du mod`ele VAR reproduits dans le Tableau 12: pouvez-vous en conclure
que le mod`ele est bien specifie?

22

Table 13: Tests de causalite au sens de Granger


Test
Statistic
p-value
Cause=CER
Granger
3.2237
0.01215
Cause=EUA
Granger
2.7535
0.02695

Question #14
Rappelez bri`evement le principe du test de causalite au sens de Granger. Commentez les tests de causalite au
sens de Granger reproduits dans le Tableau 13: que pouvez-vous en conclure en lien avec vos commentaires
des Tableaux 10 et 11?

Figure 6: Fonction de reponse impulsionnelle EUA CER

Question #15
Commentez la fonction de reponse impulsionnelle representee dans la Figure 6. Etant donne votre analyse
menee depuis la Question #10, pouvez-vous en deduire la decomposition de Cholesky qui a ete choisie par
leconom`etre pour obtenir ce graphique?

23

Exercice V: Mod`
ele GARCH sur les march
es du carbone
In what follows, the GARCH(p,q) model with a Gaussian conditional probability distribution has been estimated by Quasi-Maximum Likelihood with the BHHH algorithm.
1) Comment on Table 14:
Provide detailed comments for each parameter of the GARCH(p,q) model.
Mean Equation

Variance Equation

Diagnostic Tests
Ljung-Box
ARCH test
Log-Likelihood
AIC
BIC

-0.0002
(0.0006)
0.0002***
(0.0000)
0.1110
(0.1207)
0.3194***
(0.0504)
0.9631
0.9687
1331.7
-2619.3
-2602.8

Table 14: GARCH estimates for the CER-EUA Spread


Note: The values reported in parentheses are the standard errors. *** indicates 1% level significance, ** 5%
level significance, and * 1% level significance. The model estimated is:
spread = + t
2
t2 = + t1
+ 2t1

24

12) Consider the time-series in Figure 7:


What can you conclude with respect to the autocorrelation structure of GARCH estimates?

Figure 7: GARCH(1,1) model autocorrelation of squared logreturns of the CER-EUA Spread

25

13) Consider the time-series in Figure 8:


As a diagnostic check of these estimates, what can you conclude from Figure 8?

Figure 8: GARCH(1,1) model of the CER-EUA Spread innovations (top panel), conditional standard deviations
(middle panel) and standardized innovations (bottom panel)

26

Exercice VI: Impact de news et gestion de portefeuille sur les march


es
de mati`
eres premi`
eres
Question #1
Table 15: Impact of economic news on GSCI sub-indices of commodities according to the NBER
Recessions/Expansion Phases

REC

EXP

Intercept
AR
Non Farm Payroll
ISM
Jobless Claims
US CPI MoM
US Retail Sales
Fed Target Rate
US GDP
ZEW Economic Sent.
IFO Expectations
EMU CPI Flash Estim.
EMU GDP
France Business Conf.
ECB Refinancing Rate
China CPI YoY
China Industrial Prod.
China PMI
Non Farm Payroll
ISM
Jobless Claims
US CPI MoM
US Retail Sales
Fed Target Rate
US GDP
ZEW Economic Sent.
IFO Expectations
EMU CPI Flash Estim.
EMU GDP
France Business Conf.
ECB Refinancing Rate
China CPI YoY
China Industrial Prod.
China PMI

GSCI Agri.
2.99* (1.94)
-0.01 (-0.39)
0.45* (1.88)
0 (0.01)
0.07 (0.43)
0.37** (2.18)
0.15 (1.06)
-0.4** (-2.36)
0.53 (1.08)
-0.7** (-2.96)
-0.73** (-3.35)
-0.8** (-3.55)
0.24 (0.39)
0.4** (2.12)
0.29** (2.14)
-0.16 (-0.43)
-0.37 (-1.4)
-0.22 (-1.46)
0.09 (0.91)
0.11 (1.05)
0.04 (0.4)
0.11 (1.05)
-0.01 (-0.04)
-0.06 (-0.28)
0.1 (0.56)
-0.21 (-1.6)
0.25* (1.65)
-0.2 (-1.51)
0.03 (0.15)
0.1 (0.75)
0.03 (0.19)
-0.07 (-0.65)
0.09 (0.84)
0.36 (0.88)

GSCI Energy
-1.78 (-1.16)
0.04 (1.19)
0.8** (2.03)
-0.22 (-0.65)
-0.58** (-2.3)
0 (0.02)
-0.41* (-1.75)
-0.01 (-0.03)
1.16 (1.45)
-1.23** (-3.19)
-0.88** (-2.46)
-0.73** (-1.96)
0.71 (0.71)
0.81** (2.64)
0.48** (2.2)
-0.08 (-0.13)
-0.64 (-1.48)
0.32 (1.28)
0 (0.01)
0.18 (1.11)
-0.09 (-0.48)
-0.05 (-0.29)
-0.01 (-0.05)
0.18 (0.51)
0.1 (0.34)
0.09 (0.44)
0.36 (1.43)
-0.04 (-0.17)
0.04 (0.12)
-0.1 (-0.47)
-0.03 (-0.12)
0.06 (0.33)
-0.05 (-0.26)
-0.33 (-0.5)

GSCI Ind. Metals


-4.67** (-3.03)
0.02 (1.17)
0.76** (2.75)
-0.02 (-0.09)
-0.42** (-2.39)
0.02 (0.08)
-0.02 (-0.15)
0.1 (0.52)
1.1* (1.95)
-0.85** (-3.16)
-0.82** (-3.28)
-0.14 (-0.54)
-1.05 (-1.5)
0.41* (1.89)
0.54** (3.53)
0.17 (0.4)
-0.04 (-0.14)
0.29* (1.67)
0.09 (0.81)
0.28** (2.38)
-0.16 (-1.25)
-0.1 (-0.8)
0.03 (0.15)
0 (0.01)
0.12 (0.58)
0 (-0.02)
0.09 (0.53)
-0.13 (-0.86)
-0.33 (-1.47)
0.11 (0.68)
0.03 (0.16)
0.05 (0.35)
-0.08 (-0.64)
0.35 (0.75)

GSCI Prec. Metals


1.29 (0.84)
0.04** (2.2)
0.07 (0.33)
-0.41** (-2.19)
-0.01 (-0.04)
-0.22 (-1.41)
-0.1 (-0.78)
0.02 (0.1)
-0.05 (-0.11)
0.12 (0.58)
-0.36* (-1.81)
-0.36* (-1.78)
-0.48 (-0.88)
0.53** (3.11)
-0.05 (-0.4)
-0.28 (-0.84)
0.04 (0.19)
-0.59** (-4.26)
-0.2** (-2.29)
0.07 (0.77)
-0.05 (-0.49)
0.13 (1.37)
-0.09 (-0.61)
0 (0.01)
-0.02 (-0.12)
0.07 (0.6)
0.28** (2.01)
0.03 (0.27)
-0.04 (-0.22)
-0.07 (-0.61)
-0.14 (-0.91)
-0.09 (-0.83)
0.05 (0.48)
0.34 (0.92)

Note: Expansion and Recession periods are taken from the NBER Business Cycle Dating Committee. T-stats are
between brackets. Bold figures indicate statistically significant figures at a 10% risk level.

Commentez le Tableau 15. Degagez les principales conclusions economiques en fonction du type de
sous-indice GSCI et du type de news.

27

Question #2
Table 16: Performance analysis - Balanced Portfolio with commodities
Loadings
Strong exp.
Slowdown
Strong Crisis
Stalling
Medium Expans.

Static
Reg. 1
Reg. 2
Reg. 3
Reg. 4
Reg. 5

Avg. Return
Volatility
Sharpe Ratio

Agri.
-0.10
0.05
-0.28
-0.13
0.02
-0.07

Energy
0.05
0.08
0.04
0.00
0.15
0.04

Ind. Metals
0.19
0.29
-0.08
0.07
0.25
-0.06

Eq.-Bds-Comdty Static
13.71%
10.03%
1.37

Prec. Metals
0.14
0.04
0.03
0.03
0.24
0.09

S&P 500
0.17
0.42
-0.18
-0.38
0.12
0.22

US Bonds
0.98
0.08
1.37
0.51
0.46
0.98

Eq.-Bds-Comdty Dynamic
17.02%
10.46%
1.63

Note: PnL stands for Profits and Losses, Eq.-Bds-Comdty Static for the structural view of investing strategy in
equities/bonds/commodities, and Eq.-Bds-Comdty Dynamic for the regime-switching view of investing strategy in
equities/bonds/commodities.

Figure 9: Equity-Bonds-Commodity Allocation

Commentez le Tableau 16. Rappelez linteret dinvestir dans les marches de mati`eres premi`eres en fonction
du cyle des affaires.
Commentez la Figure 9. Concluez sur les gains obtenus avec un portefeuille diversifie dactions, obligations
et mati`eres premi`eres.

28

Exercice VII: Impact de news et mesure du cycle des affaires sur les
march
es agricoles
Graph analysis
Question #1: Comment the following graphs presenting the evolution of the percentage of market movers for
the GSCI Agricultural sub-index, and its evolution over time in Figure 10 and Figure 11.
Figure 10: Percentage of news with a statistical impact over different sectors of the commodity market

Figure 11: Rolling sensitivity index of news with a statistical impact over different sectors of the commodity
market

29

Measuring the business cycle


Question #2: Comment the following graph that charts the GSCI agricultural sub-index, along with NBER
recession phases and the Feds target rate.
Figure 12: GSCI agricultural sub-indicex evolution over 1983-2011 along with NBER recession periods and the
time series of the Feds target rate

30

Exercice VIII: Coint


egration sur les march
es
energie et agricole
Question #1
Quelle(s) raison(s) economique(s) pouvez-vous enoncer concernant lexistence dun lien entre marches
agricoles (soja) et energie (petrole)?

Question #2
Table 17: Johansen Cointegration Test Results between Soybean and WTI
1993-2011
r1
r=0

Max. Eigen.
4.96
8.71

10%
10.49
16.85

5%
12.25
18.96

1%
16.26
23.65

1993-2000
r1
r=0

Max. Eigen.
3.72
7.88

10%
10.49
16.85

5%
12.25
18.96

1%
16.26
23.65

2000-2011
r1
r=0

Max. Eigen.
5.13
8.74

10%
10.49
16.85

5%
12.25
18.96

1%
16.26
23.65

Commentez le Tableau 17. Que pouvez-vous en conclure concernant lexistence dune relation de cointegration
entre les series de prix du soja et du WTI?

31

Question #3
Table 18: L
utkepohl et al. (2004) Cointegration Test Results with Structural Break for Soybean and WTI
1993-2011
r1
r=0

Max. Eigen.
6.50
23.69

10%
5.42
13.78

5%
6.79
15.83

1%
10.04
19.85

Table 19: VECM Results with Structural Break (1993-2011) for Soybean and WTI
Err. Correction Term
WTI
1
Soybean
-0.609
VECM
ECT
(t.stat)
WTI
(t.stat)
Soybean
(t.stat)

WTI
-0.011
(-4.16)
-0.048
(-2.52)
0.069
(2.59)

Soybean
-0.001
(-0.67)
-0.055
(-3.99)
0.03
(1.55)

Commentez les Tableaux 18 et 19. En quoi vos resultats sont-ils differents de la question precedente?

32

Question #4
Figure 13: Cointegration relationship for the 1993-2011 full period between Soybean and WTI

Commentez la Figure 13. Detaillez la stabilite de la relation de cointegration ainsi que la date du break.

33

Marchs financiers, nergie et matires premires


Master 2 MIF
Universit Paris 8
Julien Chevallier
21 novembre 2013

Examen Partiel
Dure: 2h. Aucun document autoris. Aucune calculatrice autorise.

Master 2 MIF

Matires Premires

Exercice I (5 points)
Dans larticle intitul The role of trader positions in spot and futures prices for
WTI (Energy Economics), Kolodziej et Kaufmann (2013) tudient les fondamentaux du prix du ptrole.
Les sries temporelles sont utilises en frquence quotidienne sur la priode
Janvier 1997-Dcembre 2010. La spcification conomtrique est la suivante:
ft (0 + 1 St + 2 rt + 3 It + 4 T Pt ) = t

(1)

avec ft le prix futures du WTI, St le prix spot, rt le taux dintrt sans


risque (US Treasury Bill), It les stocks de ptrole de lUS Energy Information
Administration (Petroleum Administration Defense District, PADD 2), T Pt la
position des traders daprs le Commitment of Traders (CoT) de la CFTC, et
t un rsidu stationnaire.

Question #1 (2,5 points)


Commentez les rsultats de la Figure 1, dans laquelle a t estim un Cointegrated Vector Autoregressive (CVAR) pour des futures WTI de maturit allant
de un, deux, trois, six douze mois:

Identifier prcisment les variables estimes, leur significativit statistique,


ainsi que leur interprtation conomique.

Question #2 (2,5 points)


Commentez les rsultats de la Figure 2, qui donne la direction de lajustement
vers lquilibre en fonction de la maturit du contrat futures:

Quelle(s) conclusions pouvez-vous formuler concernant lexistence de relations de cointgration entre les prix futurs / spot du ptrole et ses principaux dterminants tels que les stocks de ptrole et les positions des
traders?

Figure 1: Kolodziej et Kaufmann (2013): Rsultats des tests de cointgration du CVAR


Master 2 MIF
Matires Premires

Master 2 MIF

Matires Premires

Figure 2: Kolodziej et Kaufmann (2013): Rsultats de lECM

Master 2 MIF

Matires Premires

Exercice II (5 points)
Dans larticle intitul Nonlinearity in cap-and-trade systems: The EUA price
and its fundamentals (Energy Economics), Lutz et al. (2013) tudient les fondamentaux du prix du CO2 sur la priode Janvier 2008-Janvier 2013.
Le modle propos est le suivant:

EU At =0 + 1 Oilt + 2 Coalt + 3 Gast + 4 DJES50t

(2)

+ 5 CRBIt + 6 Def ault Spreadt + 7 T emperaturet + at


at |It1 N (0, V ar(at |It1 ))

(3)

V ar(at |It1 ) = + a2t1 + V ar(at1 |It2 )

(4)

avec EU At le prix du CO2 , Oilt le prix du ptrole, Coalt le prix du charbon, Gast le prix du gaz, DJES50t le Dow Jones EURO STOXX 50, CRBIt le
Thomson Reuters/Jeffries Commodity Research Bureau Index, Def ault Spreadt
le risque de dfaut entre les obligations Moodys AAA et BAA, T emperaturet
lindex europen de tempratures Tendances Carbone, at le terme derreur, It
lensemble dinformations disponibles en t, et V ar la variance.

Question #3 (2,5 points)


Commentez les rsultats de la Figure 3, dans laquelle se trouvent les principaux
fondamentaux du prix du CO2 .
Identifier prcisment les variables estimes, leur significativit statistique,
ainsi que leur interprtation conomique.

Question #4 (2,5 points)


Commentez les rsultats de la Figure 4, (de haut en bas):
1. Pt : la srie brute du prix du CO2 ;
2. rt : la rentabilit du prix du CO2 ;
3. V ar(at |st = 0, It1 ): la variance conditionnelle du prix du CO2 ;
4. P [st = 0|IT ]: les probabilites lisses issues dun modle markovien
changement de rgimes (2 rgimes, rgime 1 = croissance).
Prciser ce que vous observez dans chaque cadran, ainsi que vos principales
conclusions.

Master 2 MIF

Matires Premires

Figure 3: Lutz et al. (2013): Rsultats destimation des fondamentaux du prix


du CO2

Master 2 MIF

Matires Premires

Figure 4: Lutz et al. (2013): Graphs issus de lestimation du modle MarkovSwitching GARCH

Master 2 MIF

Matires Premires

Exercice III (5 points)


Dans larticle intitul Do FOMC minutes matter to markets? An intraday
analysis of FOMC minutes releases on individual equity volatility and returns
(Review of Financial Economics), Jubinski et Tomljanovich (2013) tudient
limpact des news sur la rentabilit et la volatilit des cours boursiers CRSP
entre 2006 et 2007. Les news tudies concernent le Board of Governors of the
Federal Reserve Open Market Committee (FOMC).
La spcification conomtrique est la suivante:

Rt = +

2
X

(j Rtj ) + 0 REL +

12
X

(i REL Dt ) + t

(5)

t=1

j=1

avec la constante, 1 et 2 des processus AR(1) et AR(2), REL une variable


dummy gale 1 lors de la news et 0 sinon, Dt une variable dummy capturant
12 intervalles de temps encadrant de 30 minutes avant/aprs lannonce de la
news 02:00 PM prcises, et t le terme derreur.

Question #5 (2,5 points)


Commentez les rsultats de la Figure 5, dans laquelle se trouvent les rsultats
destimation pour les 12 intervalles de temps.
Identifier prcisment les variables estimes, leur significativit statistique,
ainsi que leur interprtation conomique.

Question #6 (2,5 points)


Commentez les rsultats de la Figure 6, qui reprsente la significativit des
coefficients estime dans le temps.
Prciser ce que vous observez, ainsi que vos principales conclusions.

Master 2 MIF

Matires Premires

Figure 5: Jubinski et Tomljianovich (2013): Rsultats de limpact des news


FOMC

Master 2 MIF

Matires Premires

Figure 6: Jubinski et Tomljianovich (2013): Graphs des coefficients estims

10

Master 2 MIF

Matires Premires

Exercice IV (5 points)
Dans larticle intitul Is gold the best hedge and a safe haven under changing
stock market volatility (Review of Financial Economics), Hood et Malik (2013)
tudient les proprits des mtaux prcieux (or, argent, platine) en tant que
valeur refuge (compars aux marchs actions) sur la priode Novembre 1995Novembre 2010.
Le modle conomtrique utilis est le suivant:
Rasset,t = a + bt Rstock,t + t

(6)

bt = c0 + c1 D(Rstock q10 + c2 D(Rstock q5 ) + c3 D(Rstock q1 )

(7)

ht = + 2t1 + ht1

(8)

avec Rasset,t la rentabilit des actifs de mtaux prcieux (or, argent, platine)
ou de marchs action (VIX), t le terme derreur, D(. . .) une variable dummy
capturant les forts dclins des marchs boursiers valant 1 au-dessus dun certain
seuil et 0 sinon, q10 [q5 ] {q1 } les 0.10 [0.05] {0.01} quantiles de la distribution
des rendements du march boursier. Lquation (8) reprsente un GARCH(1,1).
Si les coefficients de lquation (7) sont statistiquement significatifs et ngatifs, lactif considr est un refuge de valeur.

Question #7 (2,5 points)


Commentez les rsultats de la Figure 7, dans laquelle se trouvent les rsultats
destimation pour les refuges de valeur.
Identifier prcisment les variables estimes, leur significativit statistique,
ainsi que leur interprtation conomique.

Question #8 (2,5 points)


Commentez les rsultats de la Figure 8, qui reprsente les couples de risque/rendement
en ajoutant soit de lor, soit du VIX dans un portefeuille compos de S&P500.
Prciser ce que vous observez, ainsi que vos principales conclusions.

11

Master 2 MIF

Matires Premires

Figure 7: Hood et Malik (2013): Rsultats de la stratgie destimation des


valeurs refuges

12

Master 2 MIF

Matires Premires

Figure 8: Hood et Malik (2013): Graphs des portefeuilles diversifis

13

Vous aimerez peut-être aussi