Vous êtes sur la page 1sur 68

Relation dynamique entre rendement volatilité et volume de transaction

REPUBLIQUE DU SENEGAL
Un Peuple-Un But- Une Foi

Ecole Nationale de la Statistique et de Faculté des Sciences Economiques et de


l’Analyse Economique Gestion / UCAD

Mémoire de fin d’étude pour l’obtention de diplôme master


2 en Modélisation et Méthodes Quantitatives en Economie
et Finance (MMQEF)

OPTION : FINANCE QUANTITATIVE

THEME :

ESSAI EMPIRIQUE SUR LA RELATION DYNAMIQUE ENTRE


RENDEMENT VOLATILITE ET VOLUME DE TRANSACTION
CAS DE SIX ACTIONS DE LA BRVM

Réalisé par : Encadré par :

Dr PIERRE MENDY,
Economètre à la FASEG,
ALHASSANE GARBA
Abdoulaziz Dr B. SENE, Economiste
à la FASEG/UCAD

Année Académique 2012-2013

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Remerciements
Au bon DIEU le Tout - Puissant, qui m’a donné la force et le courage de tenir jusqu’au bout le
master, ainsi par sa grâce, mon mémoire de recherche de fin d’étude serait à terme.

Je tiens à remercier toute l'équipe du laboratoire de Mathématique Décisionnelle et d’Analyse


Numérique(LMDAN) pour son accueil et sa disponibilité tout au long de mes travaux de
recherche.

Je remercie particulièrement M. Pierre MENDY et M. Babacar SENE, mes maîtres de mémoire,


pour leurs aides précieuses et leurs nombreux conseils qui ont contribué au bon déroulement
de cette expérience et de mon mémoire.

Je souhaite remercier également M. Mamadou KA de m’avoir fournir le présent sujet de


recherche au moment ou je peine à trouver un sujet qui répond à mes attentes.

Sans oublier, de remercie de passage Un Homme qui m’a marqué dans la formation de la
première promotion du Master MMQEF, un homme rigoureux, un homme qui m’a de plus fait
aimé le travail sans relâche, le Directeur de L’ENSAE, M. Bocar TOURE.

Je remercie également l’ensemble des professeurs du master plus particulièrement M. Diaraf


SECK, M. Babacar NDIAYE, M. Latyr MBODJ et M. Mayoro DIOP. Ainsi que les responsables du
master, le Pr Idrissa Ly et le coordonnateur, l’infatigable Dr Mamadou CISSE.

Ici, je ne manquerai jamais de citer mes camarades de classe qui ont su tenir jusqu’à la fin de
cette formation, il s’agit de M. Ismaila SOUARE, TANOR Dieng, O. YANN, Abdati KA et Pierre
NDIAYE. Chapeau à vous et Bonne chance pour le reste.

A notre ambassadeur du Niger au Sénégal M. KOUNOU Hassane en collaboration avec notre


attaché académique auprès de l’ambassade du Niger au Sénégal le Pr ASSAN Moussa, qui
m’ont aidé en se portant garant financièrement avant que mon état d’étudiant non régulier
ne soit rétabli pour faire de moi un ayant droits, merci pour cet aide, merci pour les conseils,
le soutien moral et financier que vous m’avez apporté. Soyez assurés de ma profonde
reconnaissance et de ma gratitude.

Je remercie sincèrement mes parents qui m’ont soutenu moralement et financièrement, des
parents exemplaires en un mot des guides.
Mes camarades colocataires M. Alio DANGANA, M. Biliamine et le Petit Nouridine CHEBI-
GARA.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Mes amis, mes complices, M. Abdourahmane H. KARIMOU et M. Abdoul-Dalibou ABDOU ainsi


que mes jeunes frères de Dakar, Abiboulahi ALI, Mahamadou KEITA, Abdoulakader, Kassoum
DJATAOU, Noura.

A tous les Présidents de notre Amicale ainsi qu’à mon successeur, qui ma succédé tout
récemment, Mlle IILO GAMBO Balkissa.

Enfin, tous ceux qui ne sont pas cités ici trouvent mes sincères remerciements.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Dédicaces
A feu mon frère, parti trop tôt, M. ALHASSANE GARBA Adam. Tu étais major dans toutes tes
promotions, Tu t’es battu pas pour toi, mais pour nous, tu as sacrifié ta vie pour que la famille
ait un lendemain meilleur, mais sois rassuré que ta lutte n’était pas vaine car elle ma donné
beaucoup de courage et m’a incité à n’aimer que le travail. C’est grâce à toi que j’ai connu une
chose : « il n’y a pas de surdoué dans la vie, il suffit de se mettre au travail et le reste arrive de
lui-même », c'est-à-dire seul le travail paie, et sa paye.
Je prie le bon Dieu qu’il te pardonne et qu’il te comble de sa miséricorde et qu’il t’hérite de
son paradis (Ar’Rayyane) eternel, Amin !

Ma mère, l’infatigable ménagère. Tu ma tout donné, tu nous a couvert de ton amour en tous
temps, même jusqu’à ce jour, que tu sois vivement remerciée par ces quelques lignes.
Mon père, un père exemplaire, je te dis tout simplement que tu es formidable.
A mes frères, sœurs neveux et nièces merci vos soutiens moraux et affectifs ont plus de portée
que vous n'imaginez.
Que vous trouviez dans ce travail toute l’affection que je ressens pour vous et toute ma
profonde gratitude.

A ma famille de Sénégal dont je porte son nom, la famille NDOYE, merci pour tout, vous êtes
considérés comme ma deuxième famille à jamais.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Sommaire
LISTE DES FIGURES................................................................................................................................... 7
LISTE DES TABLEAUX ............................................................................................................................... 8
SIGLE ET ABREVIATION .......................................................................................................................... 10
Introduction générale............................................................................................................................ 11
PREMIER PARTIE : Revue théorique et Empirique ................................................................................ 14
Chapitre I : Revue Théorique ............................................................................................................. 15
Pourquoi investir ? ........................................................................................................................ 15
Chapitre II : Revue Empirique ............................................................................................................ 23
A. Les hypothèses de modélisation des rendements, volumes et volatilités. ........................... 23
SECTION 1 : LES MODELES CLASSIQUES STATIONNAIRES ............................................................. 26
1.2. Définition 2 ........................................................................................................................ 26
3.1. Définition 1 ........................................................................................................................ 27
SECTION 2 : Les modèles classiques non stationnaires ................................................................. 28
DEUXIEME PARTIE : PARTIE PRATIQUE ................................................................................................. 33
CHAPITRE 1 : La BRVM et les données financières............................................................................ 34
SECTION1 : Bref aperçu sur le marché boursier et ses actions avant la BRVM............................. 34
SECTION 2 : Les données et la méthodologie................................................................................ 36
Chapitre II: Etudes de cas sur les données .................................................. Erreur ! Signet non défini.
Section 1 : Le comportement des différents cours des six actions ........ Erreur ! Signet non défini.
SECTION 2 : Les résultats empiriques ...................................................... Erreur ! Signet non défini.
CONCLUSION et RECOMMANDATION................................................................................................... 50
PERSPECTIVES ........................................................................................................................................ 51
ANNEXE ................................................................................................................................................. 51
BIBLIOGRAPHIE ...................................................................................................................................... 65
WEBOGRAPHIE ...................................................................................................................................... 67
Article intéressant ................................................................................................................................. 68

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

LISTE DES FIGURES


Figure 1: Présentation de l’indice BRVM10 et BRVM Composite de 1998-2014. ................................. 17
Figure 2: volume des transactions du mois de février. ......................................................................... 20
Figure 4 : Quelques exemples des courbes des données en séries temporelles. ................................ 28
Figure 5 : Répartition des transactions en fonction des pays ............................................................... 36
Figure 6 : Evolution des cours des actions dans un même plan...................... Erreur ! Signet non défini.
Figure 7 : Les cours sans l’action SONATEL ..................................................... Erreur ! Signet non défini.
Figure 8 : L’évolution du cours de l’action SONATEL....................................... Erreur ! Signet non défini.
Figure 9 : L’action ETI Togo.............................................................................. Erreur ! Signet non défini.
Figure 10 : L’évolution du cours de l’action ETI Togo a partir de l’année 2009. ........ Erreur ! Signet non
défini.
Figure 11 : La courbe du rendement ONTBF ................................................... Erreur ! Signet non défini.
Figure 12 : Le volume de transaction de l’action BOAB stationnaire. ............. Erreur ! Signet non défini.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

LISTE DES TABLEAUX


Tableau 1 : La répartition des SGI par pays ........................................................................................... 35
Tableau 2 : Statistique descriptives relatives aux distributions des rendements journaliers ....... Erreur !
Signet non défini.
Tableau 3: Statistique descriptives relatives aux distributions des volumes de transactions journaliers
......................................................................................................................... Erreur ! Signet non défini.
Tableau 4 : Tests de stationnarité ................................................................... Erreur ! Signet non défini.
Tableau 5: Tableau recaputilatif des modeles des séries temporelles adéquates explicatifs de chaque
série de rendement. ........................................................................................ Erreur ! Signet non défini.
Tableau 6: Statistique descriptives relatives aux distributions des volumes journaliers ...Erreur ! Signet
non défini.
Tableau 7 : Tests de stationnarité ................................................................... Erreur ! Signet non défini.
Tableau 8: Tableau recaputilatif des modeles des séries temporelles adéquates explicatifs de chaque
série de rendement. ........................................................................................ Erreur ! Signet non défini.
Tableau 9 : Estimation des specifications choisies pour les deux series ......... Erreur ! Signet non défini.
Tableau 10 : Estimation du modèle 1 de l’équation du rendement de l’action BOAB ......................... 37
Tableau 11: Estimation du modèle 1 de l’équation de la volatilité du rendement de l’action BOAB .. 38
Tableau 12 : Estimation du modèle 2 de l’équation du rendement de l’action BOAN ......................... 39
Tableau 13 : Estimation du modèle de l’équation de la volatilité du rendement de l’action BOAN .... 40
Tableau 14 : Estimation du modèle 3 de l’équation du rendement de l’action ETIT ............................ 41
Tableau 15 : Estimation du modèle 3 de l’équation de la volatilité du rendement de l’action ETIT. ... 42
Tableau 16 : Estimation du modèle 4 de l’équation de la volatilité du rendement de l’action ONTBF.43
Tableau 17: Estimation du modèle 5 de l’équation du rendement de l’action SGBC ........................... 44
Tableau 18 : Estimation du modèle 5 de l’équation de la volatilité du rendement de l’action SGBC .. 45
Tableau 19 : Estimation du modèle 6 de l’équation du rendement de l’action SNTS .......................... 46
Tableau 20 : Estimation du modèle 6 de l’équation de la volatilité du rendement de l’action SNTS. .. 47

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

A partir de données journalières de la Bourse Régionale des Valeurs Mobilières (BRVM) sur
une longue période (2009 à 2014), ce présent mémoire cherche à mesurer l’influence des
variables caractérisant les volume et les volatilités sur les rendements de six actions (BOAB,
BOAN, ETIT, ONTBF, SGBC et SNTS) pour six pays de l’espace UEMOA (respectivement le Benin,
le Niger, le Togo, le Burkina Faso, la Côte d’Ivoire et le Sénégal) et les interactions entre
rendement et volatilité et inversement, ainsi que l’impact des volumes de transactions. La
présence des volumes dans l’équation de rendement a conduit à un rôle significatif de la
volatilité sur le rendement pour certaines actions. Les volumes de transactions ont des effets
marqués, pour l’ensemble des indices de la BRVM, à la fois dans les équations de rendement
et de volatilité. Il y’a eu aussi la présence du phénomène d’arbitrages entre les titres (lorsque
le rendement du titre BOAN gagne 1 point, le BOAB grimperait de 2 points aussi) et des
mécanismes de transmission d’un titre à l’autre. A titre illustratif, on remarque que la volatilité
(choc international) de l’action BOAN a une influence sur la volatilité du titre ONTBF, c'est-à-
dire lorsque l’action BOAN augmente d’un point à la veille, le jour suivant l’action BOAB
augmentera de 2 points toutes choses égales par ailleurs.

Mots clés : Rendement, Volume, Volatilité, ARCH, GARCH.

ABSTRACT

The purpose of this study is to measure the impact of volume and volatility on the efficiency
of six shares (BOAB, BOAN, ETIT, ONTBF, SGBC and NBTS) for the WAEMU (West African
Economic and Monetary Union) countries (respectively Benin, Niger, Togo, Burkina Faso, Cote
d'Ivoire and Senegal) and identify relationships between efficiency, volatility and volume
exchange impact. We used five (5) years (2009-2014) of daily stock data collected from the
regional stock exchange (BRVM). And we found out that the presence of volumes in the
efficiency equation play an important role in some stock markets efficiency’s volatility. We
also realized that exchange volumes have significant effects, for the whole set of BRVM
indices, both in efficiency equations and volatility. Furthermore, this study involves arbitrages
between securities (i.e. when the securities efficiency of BOAN acquires 1 point, at the same
time BOAB rises by 2 points) and the mechanism by which these are transmitted from some
securities to another. Which means that volatility (international shock) in BOAN shares has an
impact on ONTBF’s one.

Keywords: Return, Volume, Volatility, ARCH, GARCH.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

SIGLE ET ABREVIATION

ARCH : Autoregressive Conditionnelement Hétérocedastique.

BOAB : Banque Ouest Africaine de Benin

BOAN : Banque Ouest Africaine du Niger

BRVM : Bourse Regionale des Valeurs Mobiliéres

EGARCH : Autoregressive Conditionnelement Hétérocedastique Exponentielle.

Est. : estimé.

ETIT : Ecobanque Transnational Incorporated de Togo

GARCH : Autoregressive Conditionnelement Hétérocedastique Généralié.

ONTBF : Offfice Nationale des Telecommunications du Burkina Faso

SGBC : Société Générale des Banques de Cote d’Ivoire

SNTS : Societé Nationale des Télécommunications du Sénégal (ou SONATEL).

TARCH : Autoregressive Conditionnelement Hétérocedastique treshol.

Voli : volatilité de l’action i.

Vti : volume de transaction de l’action i.

Rendi : rendement de l’action i.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Introduction générale
Le marché boursier devient de nos jours de plus en plus incontournable dans les échanges par
le biais des titres de créances (actions) et des dettes (obligations, bon de trésors...), tant
nationaux qu'internationaux. Le marché assure ainsi deux rôles permettant la rencontre entre
les acteurs à capacité de financement et les acteurs en besoins de financement. Pour intégrer
le marché ou gérer un portefeuille optimal des actions, avec les marchés, à nos jours qui
enregistrent de plus en plus des fortes variations quotidiennes des séries financières, le
gestionnaire ou l’investisseur, a besoin de capter l’information du marché dans le temps pour
une bonne prise décision. Cette dernière peut être une anticipation sur le marché, or pour
l’investisseur tout comme le gestionnaire, l’anticipation des tels marchés devient une tache
herculéenne, et la gestion du portefeuille optimale est d’autant plus délicate que la sensibilité
aux facteurs de risque est instable dans le temps. C’est ainsi que des chercheurs des pays
développés ont développé des modèles ‘’Autorégressive Conditionnellement
Hétéroscedastique (ARCH)’’pour répondre à ces problèmes que rencontre l’industrie
financière. En effet, grâce à leur interprétation intuitive et à leur polyvalence, les modèles
ARCH se prêtent à un usage répandu en finance. Cependant, face aux marchés en crise, des
extensions plus sophistiquées sont nécessaires, et selon certaines littératures, des marchés
peuvent se contaminer par le biais d’effet de corrélation. Considérant plusieurs études
empiriques qui ont été menées pour examiner la relation entre le rendement, le volume de
transaction et la volatilité pour les pays développés. Mais aussi la minorité des études
empiriques qui a été consacrée aux pays émergents à cause de l’établissement peut être
récent des marchés boursiers dans ces pays et surtout de la faiblesse de l’activité de
transaction dans ces marchés. Nous allons tenter de faire une étude en appliquant les modèles
précités aux réalités de nos marchés.

L’objectif de notre recherche est de proposer un cadre d’analyse homogène pour étudier les
rendements quotidiens des indices boursiers des actions les plus liquides de la BRVM sur une
période de 5 ans sous le thème : « Recherche sur la dynamique de la relation du rendement,
du volume de transaction et de la volatilité des actions à la BRVM ».

Avant les objectifs qu’on s’est fixés pour nous allons annoncer la problématique centrale de
notre présent mémoire :

Quelles stratégies à mettre en place par les intervenants (investisseurs) du marché en vue
d’une gestion optimale de leurs investissements sans oublier les contraintes et les facteurs qui
peuvent entraver la réalisation d’un rendement conséquent ?

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Autrement dit, que cherche-t-on dans l’investissement ? Quels sont les indicateurs
élémentaires qu’un investisseur doit connaitre pour juger les performances d’un marché ?
Quels sont les outils d’analyse de rendements ? Comment modéliser ces rendements ?

Le présent projet de mémoire est scindé en plusieurs objectifs qui sont:

1. Objectif général: c'est de cherche s'il ya une relation dynamique entre les rendements
des actions, les volumes des transactions et les volatilités.
2. Objectif spécifique 1: études des statistiques descriptives des trois séries qui sont le
rendement, le volume de transaction et la volatilité pour chaque action.
3. objectif spécifique 2: spécification des modèles en passant par les études empiriques
des variables, à travers le modèle ARCH et ses dérivés (GARCH, TARCH...) ou la
méthode d’estimation séquentielle.
4. objectif spécifique 3: la recherche de lien dynamique entre les trois séries temporelles
(rendement, volume de transaction et volatilité).

Aujourd’hui, il y a une augmentation de l’intérêt de la théorie de microstructure et surtout de


la relation entre le rendement et le volume de transaction que ce soit au niveau pratique
qu’académique grâce à sa signification économique et statistique. Selon cette théorie, la
causalité entre le rendement et le volume de transaction est influencée par l’arrivée d’une
nouvelle information et le processus qui incorpore cette nouvelle information dans les prix du
marché. Dans les recherches, plusieurs auteurs admettent la théorie de relation
contemporaine entre les trois séries financières à savoir le rendement, la volatilité et le
volume de transaction. C’est ainsi que d’après Anderson (1996), cette théorie est un domaine
de finance qui suggère que les variables telles que le volume de transaction, le nombre de
transaction et le bid-ask spread sont reliés au processus générateur de la volatilité de
rendement. Dans cette perspective, Plusieurs études empiriques ont une longue histoire en
finance.
Les arguments avancés par la littérature comportementale montrent clairement que la
présence d’investisseurs sur-confiants s’accompagne souvent d’une volatilité excessive des
cours, sous forme de volume de transaction élevé et de phénomène de sur- et sous-réaction
aux informations nouvelles (Ko et Huang, 2007).
Par ailleurs, l’idée que la volatilité excessive soit une conséquence directe du volume de
transaction a été portée par une large littérature. Des auteurs comme Gervais et Odean
(2001) et Acker et Duck (2008) montrent que les marchés où exercent des investisseurs sur-
confiants, exhibent souvent un niveau élevé de volume de transaction et une volatilité
excessive des cours. Il apparaît ainsi que la dynamique de volatilité observée sur les marchés
est influencée par l’excès de confiance des investisseurs et leur niveau de transaction. Ensuite,
dans les recherches qui suivent, il ressortait aussi que la volatilité implique le rendement et
inversement (Engle et alii, 1987, ou French et alii, 1987. Schwent, 1990).
S’agissant du volume de transaction, beaucoup de chercheur (Tauch et Pitts , 1983 ou
Karpoff, 1987. Copeland, 1976, ou Epps et Epps, 1976) arrivent à conclure qu’elle a un effet

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

sur le rendement. C’est pourquoi, selon certains auteurs que l’étude des prix des actions sans
être associée au volume des transactions ne peut transmettre que de vagues d’informations
sur l'activité boursière du marché (Mahajan et Singh, 2009). Alors, c’est pour dire que les prix
réagissent à l'arrivée de nouvelles informations et le volume des transactions est considéré
comme l'élément essentiel de l'information, qui signale la direction que doivent prendre les
prix. C’est donc dire aussi, que le volume est un important indicateur pour prédire l’évolution
du marché. C’est ainsi qu’on peut donc en déduire que le volume des transactions joue un rôle
important dans l'information sur le marché.
Ensuite, pour le sens de la corrélation, elle reste positive pour la plupart des recherches
référencées en haut. Et tout récemment, dans leurs recherche à la direction de recherche au
niveau de banque de la France, les auteurs comme SANVI A-D et al. en 1997 sont arrivés à la
même conclusion que le volume a un effet sur le rendement.
Il faut noter aussi que tous ces travaux restent empiriques et les principaux cadres
économétriques dominés dans les diverses recherches sont basés sur la spécification VAR, les
modèles ARCH uni variés (ARCH, GARCH, EGARCH, GJR-GARCH…) et la méthode d’estimation
séquentielle.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

PREMIER PARTIE : Revue théorique


et Empirique

« UN HOMME QUI COMMENCE AVEC DES CERTITUDES FINIRA DANS LE DOUTE.

MAIS S’IL COMMENCE DANS LE DOUTE, IL FINIRA AVEC DES CERTITUDES »

Francis BACON

(1909-1992)

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Chapitre I : Revue Théorique

Pourquoi investir ?

Qu'est ce qui motive les entreprises ou bien les particuliers à investir alors qu'ils pourraient
dépenser cet argent immédiatement? Les réponses instantanées à cette question sont
l'épargne pour toucher des dividendes a la fin de chaque exercice, de réaliser des plus-values
à long terme, le sentiment de sécurité, l'envie de transmettre d'une génération à une autre,
ou bien une autre raison est le désir d'accroître son patrimoine.

Les décisions d'investissement sont donc multiples, chaque personne ou entité a sa propre
motivation. Apres une prise de décision, on se pose finalement la question "quel rendement
puis-je attendre en fonction du risque que je prends?".

1. Définition d’une Bourse ou marché boursier

La bourse des valeurs mobilières est un marché où s'échangent différents produits financiers,
dont les plus connus sont les actions (comme la part du capital dans une entreprise) et les
obligations (emprunt obligataire ou emprunt des Etats). La bourse est donc à la fois un lieu de
financement pour les émetteurs à besoin de capitaux (les Entreprises, les Collectivités, les
États et autres organisations) et un lieu de placement pour les investisseurs à capacité de
financement (épargnants particuliers et institutionnels).

La bourse joue un rôle primordial dans le financement de l'économie :

 les Entreprises, les Collectivités, les Etats et autres organisations y trouvent des
capitaux complémentaires aux moyens de financement traditionnels
(autofinancement, crédits bancaires ...) nécessaires à leur développement ;
 tandis que les particuliers disposent d'un outil leur permettant de fructifier leur
épargne en devenant actionnaires d'entreprises cotées en achetant des actions ou
créanciers de ces entreprises, collectivités, États ou Organisations en achetant des
obligations.

2. Définition et présentation d’un indice

Un indice boursier est une mesure statistique calculée par le regroupement des valeurs des
titres de plusieurs sociétés cotées. C’est un indicateur boursier que l’investisseur utilise pour
comparer les performances d’un marché boursier et pour mesurer l’évolution de celui-ci.

La BRVM a deux indices principaux :

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

o Le BRVM 10 qui regroupe les 10 valeurs les plus actives ; il est révisé trimestriellement ;
o Le BRVM Composite qui regroupe toutes les valeurs cotées, y compris celles du BRVM
10.

La formulation et les critères de sélection du BRVM 10 et du BRVM Composite s’inspirent des


principaux indices boursiers du monde, tout particulièrement de l'indice FCG, de
l’International Financial Corporation, société affiliée à la Banque mondiale. La formule des
indices tient compte de la capitalisation boursière, du volume de transactions par séance et la
fréquence des transactions. En outre, seules les actions ordinaires sont retenues pour le calcul
des indices.

Par ailleurs, la notion de liquidité occupe une place fondamentale dans la sélection des valeurs
composant l’indice BRVM 10. En effet pour chacune d’entre elles :Le montant quotidien
moyen des transactions au cours des trois mois précédant la revue trimestrielle ne doit pas
être inférieur à la médiane des montants quotidiens moyens des transactions de l’ensemble
des titres; La fréquence des transactions doit être toujours supérieure à 50% et le titre doit
transiger au moins une fois sur deux, durant la période d’étude de trois mois.

Les indices sont automatiquement générés par le système de négociation de la BRVM et


diffusés après chaque séance de négociation. Par ailleurs, le BRVM 10 est révisé quatre fois
par année (le premier lundi de janvier, avril, juillet et octobre) et le BRVM COMPOSITE après
chaque nouvelle inscription à la cote, de manière à être adaptés à l’évolution du Marché
Financier Régional.

Exemple :

Quand on informe que l’indice BRVM 10 est passé de 130.95 à 224.85 points ; soit une
progression de 71.71%, cela signifie que la valeur boursière des 10 sociétés les plus actives de
la cote s’est accrue de 71.71 pour 100 FCFA.

L’indice BRVM Composite pour sa part, a gagné 77.05% à 199.45 points contre 112.65
précédemment, veut dire que la valeur boursière de l’ensemble des sociétés cotées à la BRVM
a été en hausse de 77.05 pour 100 FCFA pour s’établir à 199.45 points.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Figure 1: Présentation de l’indice BRVM10 et BRVM Composite de 1998-2014.

300

250

200

150
BRVM10
100
BRVMC
50

0
18/09/1998

18/09/1999

18/09/2000

18/09/2001

18/09/2002

18/09/2003

18/09/2004

18/09/2005

18/09/2006

18/09/2007

18/09/2008

18/09/2009

18/09/2010

18/09/2011

18/09/2012

18/09/2013
Source : Auteur

3. Une action ou titre de propriété

3.1. Définition :

Les actions sont des titres de propriété d'une société, elles représentent une fraction du
capital de l'entreprise. La possession d'une action donne certains droits à son détenteur
sur la société émettrice. A chaque action est attaché un droit de vote qui permet de
s'exprimer sur la gestion de l'entreprise lors des assemblées générales. En tant que
propriétaire d'une part de l'entreprise vous avez également un droit aux bénéfices
proportionnellement à votre participation, c'est le dividende. Enfin si l'entreprise est
liquidée, il vous revient une part de l'actif net.

3.2. Définition du rendement d’une action

Le rendement est une mesure de la croissance d'un capital, cette valeur est exprimée en
pourcentage ceci afin de faciliter les comparaisons. Nous exprimons cette valeur pour une
unité de temps donnée, nous parlerons ainsi d'un rendement de x% sur un an.

Le rendement d'une action sur une période de temps t pourra être exprimé de la façon
suivante :

Vt : est la valeur de l'investissement en début de période ;

Vt 1 : est la valeur de ce placement en fin de période ;

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Dt : sont les dividendes versés au cours de la période ;

Cette formule très simple permet d'évaluer le rendement d'un placement en actions,
cependant ne sont pris en compte que les revenus financiers. Il existe d'autres bénéfices
attachés à la possession de cette action comme le droit de vote aux assemblées générales qui
eux influent directement sur la valeur du titre (V).

On utilise deux types de moyennes pour mesurer la rentabilité d'un investissement. La


moyenne arithmétique et la moyenne géométrique. Un exemple nous aidera à comparer car
les résultats obtenus sont différents :

Exemple
Soit un titre que l'on achète 500 F (Vo), la rentabilité de la première année est de -50%, et de
100% la seconde.

La moyenne arithmétique des rendements est (100-50)/2 = 25 %

La moyenne géométrique est égale à [(1+ (-50))*(1+100)] 1/2 = 0 %

Les résultats sont très différents, dans un cas on gagne de l'argent, pas dans l'autre. Etant
donné les multiples horizons d'investissement, la moyenne géométrique est le meilleur
moyen d'évaluer la croissance du placement. Néanmoins de nombreux modèles statistiques
retiennent la moyenne arithmétique.

4. Les taux d'intérêt


On entend souvent parler de " taux d'intérêts ", qu'ils sont trop hauts ou trop bas que les
autorités monétaires vont les modifier, etc. Cependant on ne cerne pas toujours bien sa
définition précise.

Le taux d'intérêt est la rémunération que vous êtes en droit d'attendre pour la renonciation à
une consommation immédiate.

En clair, cela veut dire que si vous ne dépensez pas instantanément l'argent que vous possédez
mais que vous choisissez de le placer, la renonciation à cette utilisation immédiate se traduit
par un intérêt que l'on vous sert sur votre placement. Suivant la même logique, plus cette
renonciation est longue, plus le taux d'intérêt servi est important.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

5. Capitalisation Boursière

5.1. Définition

La capitalisation boursière est une variable qui mesure la taille boursière d'une société cotée.
Elle est utilisée pour comparer aussi bien les marchés boursiers que les sociétés cotées.

La capitalisation boursière oriente l'opérateur en bourse qui recherche la sécurité de son


investissement à travers l'envergure des sociétés cotées.

5.2. Mode de calcul


Soit N, le nombre d'actions constituant le capital, et C, le cours boursier,

La capitalisation boursière, CB est : CB = N x C.

6. Le taux de rendement du capital investi en action

6.1. Définition
Le taux de rendement est le taux de rémunération du capital investi en action. C’est le rapport
du dividende par action sur le cours du titre avant distribution du dividende. Il permet de
comparer le rendement de l’action concernée avec celui des autres placements (compte
d’épargne, obligations, etc.).

6.2. Mode de calcul


Soit D, le dividende versé par action et C, le cours de l’action au 31 décembre avant
détachement du coupon de dividende. Le taux de rendement, r de l’action est : r = (D/C) x 100

Exemple
Lorsqu’une société qui a distribué 10 000F CFA de dividende par action affiche un cours de 76
500 F CFA au 31/12, son rendement sera de :

(10 000/76 500) x 100 = 13,07%.

Ce résultat est la rémunération à laquelle l’investisseur devra s’attendre en fin d’exercice si le


montant de dividende versé demeure constant.

7. Plus-value ou Moins-value

7.1. Définition
La plus-value est la différence positive entre le prix d’achat d’un titre et son prix de vente. Il
représente le gain que réalise un investisseur sur la vente de son titre. Lorsque le prix d’achat
est supérieur au prix de vente, la différence devient négative, on dit que l’investisseur réalise
une moins-value.

7.2. Mode de calcul


Soit Ca, le prix d’achat d’un titre et Cv son prix de vente, la plus-value, P est :

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

P = Cv – Ca

Exemple
Si un investisseur vend à 7 000 F CFA un titre acquis à 5 985 F CFA, la plus-value enregistrée
par celui-ci sera de 1 015 F CFA.

8. Le volume des transactions

Le volume des transactions représente à tout moment l'activité réelle d'une valeur, d'un
secteur, d'un marché et de la place en général.

Le volume des transactions correspond au nombre de titres échangés sur le marché boursier.
C’est un indicateur qui mesure le nombre de transactions sur un sous-jacent1 donné, pour une
période donnée. Plus le volume est élevé, plus le sous-jacent est tradé2 par les intervenants.
Il est de ce fait un important indicateur de liquidité.

Figure 2: volume des transactions du mois de février.

Source : rapport BRVM 2015

Ainsi, on ne peut parler de volume de transaction que lorsque la valeur a été traitée, c'est à
dire échangée sur le marché.

On distingue le volume des transactions réalisées par :

1
Il représente un actif, qui peut être principalement des devises, des actions, des obligations, des indices
boursiers, des matières premières, etc. Mais ici, C’est l’action.
2
Vendu ou acheté

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Une valeur : C'est le nombre (ou la quantité) de titres échangés sur cette valeur à une date
donnée, multiplié par le cours à cette même date.
Pour rappel, les valeurs cotées au continu peuvent être traitées à plusieurs cours différents
durant une même séance de Bourse.
Les valeurs cotées au multi-fixing peuvent être traitées à trois cours différents au maximum,
durant une même séance de Bourse.
Les valeurs cotées au fixing ne peuvent être traitées qu'à un seul cours par séance de Bourse .

Un secteur : C'est-à-dire la somme des volumes des transactions réalisées sur toutes les
valeurs représentatives d'un secteur donné.

Un marché : Il s'agit du volume des transactions réalisées sur chacun des trois marchés
boursiers, à savoir le marché central, le marché de blocs ou le marché obligataire.

Une place : Dans ce cas, c'est la somme des volumes réalisés sur l'ensemble des valeurs cotées
sur cette place, tous marchés confondus.
Le volume des transactions sert de base au calcul des taxes ou commissions perçues par la
Bourse, les banques et le dépositaire central.
Le volume des transactions permet d'apprécier la liquidité et le niveau d'activité pour chaque
valeur cotée, chaque secteur représenté à la cote, chaque marché et d'une manière générale,
pour toute la place.
De 30 janvier 2015 à 27 février 2015, le volume des transactions réalisées à la Bourse de BRVM
a enregistré une hausse de 137.41%.

9. La volatilité
La volatilité est l'ampleur des variations du cours d'un actif financier. Elle sert de paramètre
de quantification du risque de rendement et de prix d'un actif financier car se définit,
généralement à partir de l’écart type des variations de cours. Lorsque la volatilité est élevée,
la possibilité de gain est plus importante, mais le risque de perte l'est aussi.

On distingue plusieurs types de volatilité dont entre autre :


o Volatilité stochastique ;
o Volatilité implicite3 : elle reflète le « prix du risque » attaché à une option.
Cette volatilité rentre en compte dans la cotation d’un dérivé comme les options. Sa
valeur est « estimée » par le marché. Généralement, sur le marché action, les
mouvements baissiers sont accompagnés d’une volatilité implicite forte (pessimisme)
(inversement faible volatilité implicite pour les mouvements haussiers : optimisme).

3
C’est aussi un risque calculé sur les options à travers le modèle de BLACK & SCHOLS.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

La volatilité implicite représente les anticipations du marché sur les variations futures
du support.
o Volatilité historique : elle correspond au niveau de volatilité atteint dans le passé. Elle
se calcul sur l’historique de l’évolution des cours du sous-jacent.
Exemple (source BN PARIBAS) :
Un investisseur mise sur une hausse d'Air Liquide, action à la volatilité peu élevée. Il achète
un call 160 à 0.47 alors que le titre cote 139. La volatilité implicite est donnée à 26,6%.
L'action progresse de 2% et le warrant cote 0.52 soit +10%
Des rumeurs circulent sur une OPA sur Air Liquide (A.L.), l'action monte de 6%, le warrant cote
alors 0.90
Au même moment, un autre investisseur prend le train en marche. La spéculation se dégonfle
mais le titre ne perd que 2%, le call A.L. chute de 30%.
Il faut se rappeler que pour 2% de hausse le gain était de 10%, mais que pour 2% de baisse
c'est 30%
... Que s'est-il donc passé? Les variations de volatilité liées à la mesure du risque (volatilité
implicite) a été modifiée passant de 26,6% à 33% sur la hausse et revenant à 27% à la baisse.
Le warrant perd mécaniquement de sa valeur.

10. Typologie de cotation

10.1. Le Fixing
Le fixing est un mode de cotation sur les marchés financiers, c'est-à-dire une méthode de
fixation du prix par rencontre de l'offre et de la demande sur les marchés financiers.
Sur un marché de fixing, les titres financiers concernés sont cotés de manière discontinue (une
à deux fois par jour). C'est l'opposé d'une cotation continue où la cote évolue au fur et à
mesure de l'arrivée des ordres d'achat et de vente ; mais il faut nuancer, car même les titres
cotés en continu font l'objet d'un "fixing d'ouverture" et d'un "fixing de clôture".

10.2. La cotation
Un titre est coté à partir du moment où il est admis sur un marché financier. Le cours du titre
est son prix de marché, établi par la rencontre des meilleures offres de vente et d'achat. Pour
une entreprise, l'intérêt de la cotation est d'accéder aux marchés de capitaux, et de
communiquer sur son entreprise. «Source : Lexique AOF».

Partant de cette définition, on distingue aussi plusieurs types de cotations :

 Cotation criée : Méthode de cotation qui consiste à établir le cours d'une valeur par la
confrontation publique et verbale des offres d'achat et des offres de vente, jusqu'à ce
que le meilleur équilibre soit atteint.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

 Cotation au fixing : La cotation au fixing consiste à confronter les offres et les


demandes enregistrées par le marché à un moment donné et à fixer le cours du produit
concerné au prix d'équilibre entre toutes ces offres et ces demandes.
 Réservation de cotation : L'opérateur du marché peut décider de la suspension
momentanée de la cotation d'un titre pour éviter des écarts de cours trop importants,
en fonction des règles du marché. Le titre est alors réservé à la hausse ou à la baisse,
en fonction des dernières tendances. De nouveaux seuils de cotation sont déterminés
pour la reprise, qui intervient normalement à l'issue d'un délai de quelques minutes.
 Cotation électronique : Confrontation permanente des ordres introduits directement
par les sociétés de Bourse dans le cahier de cotation électronique tenu par un
ordinateur central : celui-ci établit un cours d'équilibre, puis sert les ordres " au fil de
l'eau ", c'est-à-dire au fur et à mesure de leur arrivée.
 Cotation en continue : Dans ce cas, la cotation s'établit au fur et à mesure que se
présentent, pendant toute la séance, les offres et les demandes du produit en
question. A chaque nouvelle demande, on ajuste la valeur du titre. On dit que la
cotation se fait au fil de l'eau.

Chapitre II : Revue Empirique


A. Les hypothèses de modélisation des rendements, volumes et volatilités.

I. Calcul de la rentabilité (ou rendement) des actifs financiers

1. La rentabilité des actifs financiers


Taux de rentabilité (actuariel) = taux d’actualisation qui annule la valeur actuelle nette.

 TRA : pour un investissement financier ;


 TRI : pour un investissement industriel.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

1.1. Investissement sur une période


Un titre vaut Vt 1 en début de période et Vt en fin période.

Vt
VAN   Vt 1 ( 1)
1 r
Il faut en tenir compte d’éventuels flux (dividendes) perçus au cours de la période,
éventuellement réinvestis.

1.1.1. Taux de rentabilité simple ou arithmétique


Il est donné par la relation suivante :

Vt  Vt 1
Ra 
Vt 1 (2)
1.1.2. Taux de rentabilité logarithmique
Il est défini par :

V 
Rl  Ln  t 
 Vt 1  (3)

1.1.3. Relation mathématique entre Rl et Ra


V   V V 
Rl  Ln  t   Ln 1  t t 1   Ln 1  Ra   Ra
 Vt 1   Vt 1 
(3)

Mais, comme x  ln 1  x  , Rr  Ra .

1.2. Investissement sur plusieurs périodes


Considérons un cours d’action qui vaut Vt 1 en début de période, V1 en fin de période 1, …. , VT
en fin de période T.

VT  Vt 1
La rentabilité arithmétique sur t  1, T  est : Ra  0, T  
Vt 1 (4)

La rentabilité composée sur la période t  1, T  est :


T
VT  1  RT VT 1  1  RT 1  RT 1 VT 2  ...  Vt 1  1  RT  (5)
t 1

1 Rg t 1,T  V
T
On peut écrire tout simplement que : VT  t 1
(6)

Où, Rg t 1,T  est le taux de rentabilité actuariel de l’action.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

 1T 

1 Rt  
T
Soit, 1  Rg t 1, T     qui est une moyenne géométrique des rentabilités
 t 1 
simples.

Avec la Rentabilité logarithmique on aura :


V  V V V  V  V  V 
Rl t  1, T   ln  T   ln  T T 1 .... T   ln  T   ln  T 1   ....  ln  1 
 Vt 1   VT 1 VT 2 Vt 1   VT 1   VT  2   Vt 1  (7)
T
Finalement, Rl t  1, T    Rl ,t
t 1 (8)

Conclusion : La rentabilité logarithmique sur la période entière est la somme des rentabilités
logarithmiques des sous-périodes, qui sont aussi de la rentabilité arithmétique.

2. Rentabilité en temps continu


Lorsque l’investissement est en temps continu, la rentabilité sera calculée en considérant le
temps continu.

On note dt la durée (infinitésimale) de la période et dV la variation du cours de l’action


pendant ce temps.

Soit R la rentabilité proportionnelle au temps.

dV
On a : Rdt 
V

 V 
Et soit R  ln VT  ln VT 1  ln  T  . (9)
 T 1 

Dans la suite nous allons considérer les rendements comme logarithmiques.

II. Généralités sur les séries chronologiques : cas des rendements et volumes

Définition d’une série chronologique univariée


Un processus aléatoire X indexé par un ensemble T (a priori quelconque) généralement
assimilé au temps est une famille Xt , ou t ∈ T, de vecteurs aléatoires à valeurs dans l’espace
d’états E  k ou E  C k . Si E   ou E  C (i.e. k = 1), le processus est dit unidimensionnel
(ou univarié).

Un processus aléatoire uni-varié Xt indexé par T est du second ordre si X  L2 (, ) pour tout
t dans T (les moyennes E( X t ) et covariances E( X t X s )  E( X t )E( X s ) existent et sont finies
pour tout couple (t, s) de valeurs de T).

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Si de plus T = Z ou T = N, X est une série chronologique (ou temporelle) uni-variée, car les

Eléments de T correspondent implicitement à des instants. Cette définition permet de couvrir


le cas des séries non régulièrement espacées dans le temps.

La définition des séries chronologiques multidimensionnelles ou multi-variées se déduit


facilement; ces séries ne sont considérées dans la suite que de façon exceptionnelle
(processus GARCH multi-variées).

Dans la pratique, une réalisation sur une durée finie d’un tel processus est également appelées
série chronologique par abus de langage ; cette réalisation correspond à l’observation à des
instants discrets d’une quantité variable, réelle ou complexe. Si le processus sous-jacent est
ergodique4 (voir en particulier les processus ARMA), on peut déduire ses caractéristiques de
l’observation d’une réalisation.

SECTION 1 : LES MODELES CLASSIQUES STATIONNAIRES

1. La notion de stationnarité

1.1. Définition 1:
Un processus Xt est dit stationnaire au sens fort si, quelque soit n, t, h, on a l’égalité en loi :

(X t , , X t n )  (X t h , , X t nh ) (10)

1.2. Définition 2 :
Un processus Xt est dit stationnaire au second ordre, ou au sens faible, si la moyenne du
processus est constante, et si les autocovariances ne dépendent que de l’intervalle entre
les observations :

E( X t2 )  

E( X t )   pour tout t
Cov(X ,X )  (h) pour tout h et pour tout t
 t t h

La dernière propriété implique en particulier que la variance de Xt est constante.

L’exemple le plus simple de processus stationnaire au second-ordre est celui du bruit blanc.
Ce processus est particulièrement important car il permet de construire des processus
stationnaires plus complexes.

1.3. Définition 3 : UN BRUIT BLANC


Un processus (ɛt) est appelé bruit blanc, s’il vérifie la relation suivante:

4
Un processus ergodique est un processus stochastique pour lequel les statistiques peuvent
être approchées par l'étude d'une seule réalisation suffisamment longue.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

( t )  0


( ² t )   ²


cov( t ,  t h )  0

2. Les modèles classiques stationnaires


Soit εt un bruit blanc gaussien N (0, σ) au sens fort (i.i.d.).

 Le modèle AR(p) (Auto Régressive):


p
X t    i X t i   t
i 1 (11)

 Le modèle MA(q) (Moving Average):


q
X t   t   i  t i
i 1 (12)

 Le modèle ARMA (p, q):


p q
X t  i X t i   t   i  t i
i 1 i 1 (13)

3. Transformation d’un processus en série stationnaire

3.1. Définition 1 :
Un processus Xt est non-stationnaire de type déterministe s’il peut s’écrire : X t  f (t )   t

E( X t )  f (t )
Où f(t) est une tendance déterministe, dans ce cas, on a :  La moyenne dépend
V ( X t )  
2

de t.

3.2. Définition 2:
Un processus Xt est non-stationnaire de type stochastique lorsqu’il est intégré d’ordre d, c’est-
à-dire que le processus résultant de d différenciations est stationnaire:

d X t est stationnaire

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

t E ( X t )  X 0
X
Marche aléatoire (d=1) : t 1  X   t 1  X  X   i   La variance
V ( X t )   t
t t 0 2
i 1

dépend de t.

Figure 3 : Quelques exemples des courbes des données en séries temporelles.

SECTION 2 : Les modèles classiques non stationnaires


Soit εt un bruit blanc gaussien N(0,σ) au sens fort (i.i.d.).

La marche aléatoire : X t  X t 1   t  X t   t

Le modèle ARIMA (p, d, q) (Auto Régressive Integrated Moving Average):


p q
d X t  i d X t i   t  i t i
i 1 i 1 (14)
A. Modèle à variance (conditionnelle) aléatoire
Les propriétés précédentes illustrent la difficulté de modéliser les séries financières. Les
formulations classiques (de type ARMA) sont inappropriées car centrées sur la structure
d’autocovariances des processus. Or, de ce point de vue, la plupart des séries de rendements
ne diffèrent guère des bruits blancs. Le fait que les grandes valeurs des carrés des rendements
soient généralement précédées de grandes valeurs (indépendamment du signe des
rendements) est difficilement compatible avec une variance conditionnelle constante. Ce
phénomène est connu sous le nom d’hétéroscédasticité conditionnelle.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

1. Hétéroscédasticité conditionnelle
Ces propriétés (classiques en finance) sont due au fait que la variance conditionnelle n'est pas
constante dans le temps (hétéroscédasticité, du grec "hetero" different et "skedastios"
dispersion)

 
V  t X t 1 , X t 2 , X t 3 ,...  Cste
(15)

De même que de nombreux processus stationnaires au second ordre ont une espérance
conditionnelle non constante, l’hétéroscédasticité conditionnelle est parfaitement
compatible avec la stationnarité (au sens strict ou au second ordre). Les processus GARCH
étudiés dans plusieurs livres de finance illustrent abondamment ce point. Les modèles
introduits dans la littérature économétrique afin de prendre en compte les propriétés
particulières des séries financières (variations de prix ou du logarithme des prix, des volumes,
taux d’intérêt etc.) se présentent généralement sous la forme multiplicative

 t  t t (16)

Où (ηt) est un processus i.i.d. centré de variance unité, et (σt) est une suite de variables,

telles que :

i) σt est mesurable par rapport à une tribu, notée Ft 1 engendrée par le passé de 𝜀𝑡 ,
éventuellement, par le présent et le passé d’un processus latent (i.e. inobservable)
noté (𝑣𝑡 ) ;
ii) ηt est indépendant de 𝐹𝑡−1 ;
iii) σt > 0.

La variable aléatoire σt est appelée volatilité de 𝜀𝑡 . Ainsi, le signe de la variation de prix (signe
de 𝜀𝑡 ) est celui de ηt , indépendamment des variations de prix passées.

Remarquons dès maintenant que (sous réserve d’existence)

E(t )  E( t )E(t )  0 et

Cov(𝜀𝑡 , 𝜀𝑡−ℎ ) = E(ηt)E(σt𝜀𝑡−ℎ ) = 0, ∀h > 0


Ce qui fait de (𝜀𝑡 ) un bruit blanc. La série des carrés présente en revanche des autocovariances
non nulles, en général : (𝜀𝑡 ) n’est donc pas un bruit blanc fort. Les différentes classes de
modèles diffèrent par la spécification adoptée pour σt.

On distingue :

les processus conditionnellement hétéroscédastiques ou de type GARCH, pour


lesquels Ft−1 = σ(ɛs; s < t) est la tribu engendrée par le passé de ɛt. La volatilité
est ici fonction déterministe du passé de ɛt. Les processus de cette classe diffèrent par

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

le choix d’une spécification de cette fonction. Les modèles GARCH standard sont
caractérisés par une volatilité fonction affine des valeurs passées de 𝜀𝑡2 .
les processus dits à volatilité stochastique pour lesquels Ft−1 est la tribu engendrée par
{vt, vt−1, . . .}, où (vt) est un bruit blanc fort indépendant de (ηt). Dans ces modèles, la
volatilité est elle-même un processus latent. Le modèle le plus étudié dans cette classe
repose sur l’hypothèse que le processus log σt suit un AR(1) de la forme :

log t     log  t 1  Vt (17)


Où, le bruit (vt) est supposé indépendant de (ηt).

les processus dits à changement de régime stochastique pour lesquels

σt = σ(Δt, Ft−1),
où (Δt) est un processus latent (inobservable) indépendant de (ηt).

L’état de la variable Δt est ici assimilable à un régime et, conditionnellement à cet état, la
volatilité du processus ɛt est spécifiée comme celle d’un processus GARCH.

Le processus (Δt) est généralement modélisé par une chaîne de Markov à espace d’états fini.
On parle alors de modèles à changement de régime markovien.

2. Modèles autorégressifs conditionnellement hétéroscédastiques

Il s'agit des modèles où l'on rejette l'hypothèse classique de la constance de la variance pour
lui substituer une hétérovariance (ou variance changeante) autorégressive conditionnelle qui
se nourrit d'une information antérieure (chocs, qu’erreurs, dans l'équation du rendement et
niveaux antérieurs d 'hétérovariance).
Engle (1982) proposa le premier modèle ARCH en deux équations. La première décrit la
relation qui existe, à une date donnée, entre le rendement Yt et le vecteur des variables qui
l'expliquent Xt,
Soit:

𝒀𝒕 = 𝑿𝒕 𝜽 + 𝜺𝒕 (18)

𝜺𝒕 = 𝒁𝒕 √𝒉𝒕 (19)

Et

𝜀𝑡 𝑒𝑠𝑡 𝑡𝑒𝑙 𝑞𝑢𝑒 𝐼𝑡 ~𝑁(0, ℎ𝑡 )

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Où ɛt est un vecteur de réels, 𝜃et h sont, respectivement, le choc et sa variance


conditionnelle, Zt est un bruit blanc gaussien et It-1 est l'ensemble de l'information disponible
jusqu'à la date t - 1.

La deuxième équation lie, à travers un processus autorégressif, la variance conditionnelle ht


des chocs qui est aux carrés des valeurs passées de ce choc, soit:

𝒒
𝒉𝒕 = 𝜶𝒐 + ∑𝒊=𝟏 𝜶𝒊 𝜺𝟐𝒕−𝒊 (20)

Où ɛt est un réel et q est le nombre de retards choisis pour exprimer h.

Tel que présenté, le modèle ARCH se particularise en introduisant, à une date donnée,
l'information passée contenue dans les séries chronologiques financières dans l'estimation de
la variance conditionnelle des chocs. De plus, les tests de Engle (1982), sur l'évolution du taux
d'inflation de la Grande-Bretagne durant la période 1958-1977souligne la capacité de ce
modèle à capturer deux évidences empiriques importantes de la volatilité: le regroupement
et la persistance (ou longue mémoire). La première, notée par Mandelbrot (1963), implique
que les fluctuations se présentent en grappes:
Les périodes de forte volatilité succèdent à des périodes de faible volatilité et vice-versa.
Cela est dû, notamment, à la survenue en grappes de l'information (Fama, 1965). La seconde
a été révélée, entre autres, par Granger (1966). Elle signifie qu'une période de flux d’informatif
important provoque une forte volatilité qui tend à persister. Elle résulte des anticipations des
acteurs sur le marché et de la sensibilité de ces derniers à l’information (Berger, Chaboud et
Hj almarsson, 2009).
Toutefois, le modèle ARCH présente deux inconvénients majeurs. Le premier, soulevé surtout
par Bollerslev (1986), résulte du nombre élevé des paramètres nécessaires dans la
Modélisation. Par exemple, Engle (1982) a utilisé un modèle ARCH d'ordre 4 dans son étude
empirique. Cela peut conduire à la violation de la contrainte de positivité de la variance
conditionnelle. Le deuxième s'incarne dans l'incapacité du modèle ARCH à tenir compte de
l'asymétrie de la volatilité (Nelson, 1991; Glosten, Jagannathan et Runkle, 1993; Zakoian,
1994; etc.). Pour tenter de résoudre ces imperfections, un volume croissant d'extensions a été
généré. Nous distinguons deux principales familles: les modèles de type ARCH à volatilité
symétrique et les modèles de type ARCH à volatilité asymétrique.

Cependant, nous allons essayer de faire un petit rappel sur les modèles de type ARCH à
volatilité symétrique.
Il s'agit de modèles linéaires où l'ampleur et non pas le signe des chocs influence la variance
conditionnelle. Ainsi, les chocs positifs et négatifs de même amplitude ont le même effet. Pour
nos fins, nous retenons, dans cette famille, trois modèles que nous jugeons les plus

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

innovateurs: le modèle ARCH généralisé (GARCH), le modèle ARCH à moyenne (ARCH-M) et le


modèle GARCH intégré (IGARCH).

GARCH. Il s'agit d’une version généralisée du modèle ARCH, proposée par Bollerslev (1986).
Dans ce modèle, la variance conditionnelle h des chocs c, à une date donnée, est exprimée en
fonction d'une combinaison linéaire de ses valeurs passées et des carrés des chocs passés,
soit:

𝒒 𝒑
𝒉𝒕 = 𝜶𝒐 + ∑𝒊=𝟏 𝜶𝒊 𝜺𝟐𝒕−𝒊 + ∑𝒋=𝟏 𝜷𝒊 𝒉𝒕−𝒋 (21)

Où α et β sont des paramètres positifs. Dans son étude empirique, Bollerslev (1986) a appliqué
son modèle pour mesurer l'incertitude inflationniste aux Etats-Unis durant la période 1948-
1983. Il révèle que le modèle GARCH est plus parcimonieux que le Modèle ARCH. Ainsi, un
modèle GARCH avec très peu de paramètres surperforme un modèle ARCH ayant de
nombreux paramètres à estimer. De plus, le modèle GARCH permet une modélisation plus
efficace de la persistance vu l’existence d'une relation de récurrence entre la variance
conditionnelle des chocs avec ses valeurs passées. Toutefois, le modèle GARCH présente un
inconvénient d’ordre économétrique évoqué, entre autres, par Nelson (1991). Il s'agit de
l'instabilité des estimateurs des paramètres au fil du temps, ce qui altère la capacité du modèle
à répliquer l'évolution du rendement et à reproduire le phénomène de persistance.

ARCH-M. Dans ce modèle, introduit par Engle, Lilien et Robins (1987), la dynamique de la
variance conditionnelle des chocs est identique à la formulation standard du processus ARCH.
Par ailleurs, le processus du rendement inclut la variance conditionnelle h des chocs multipliée
par un coefficient 𝛿 représentant l'aversion relative des investisseurs au risque, soit:

𝒀𝒕 = 𝑿𝒕 𝜽 + 𝜹𝒉𝒕 + 𝜺𝒕 (22)

Où θ et δ sont des paramètres positifs. L'un des avantages de ce modèle est sa capacité à
mettre en évidence l'effet d’une variance changeante sur l'évolution de la prime de risque du
support (McCurdy et Morgan, 1988).

IGARCH. Ce modèle, proposé par Engle et Bollerslev (1986), correspond au cas d’une racine
unitaire dans le processus de la variance conditionnelle des chocs inhérent au modèle GARCH,
c'est à dire:

∑𝒒𝒊=𝟏 𝜶𝒊 + ∑𝒑𝒋=𝟏 𝜷𝒋 = 𝟏 (23)

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Cela signifie une persistance infinie des chocs. En d’autres termes, un choc sur la variance
conditionnelle actuelle se répercute sur toutes les valeurs futures. La spécification du modèle
IGARCH est identique au modèle GARCH à la différence qu’une contrainte sur la somme des
coefficients est imposée: elle doit être égale à 1. Une extension plus fonctionnelle du modèle
IGARCH a été proposée par Baillie, Bollerslev et Mikkelsen (1996) via le modèle GARCH
fractionnement intégré (FIGARCH). Ce modèle est un cas intermédiaire entre les modèles
GARCH et IGARCH. La persistance de la volatilité est mise en évidence dans ce modèle mais
l'effet d’un choc n’est pas infini comme dans le modèle IGARCH. Il décroît à un rythme
hyperbolique.

DEUXIEME PARTIE : PARTIE PRATIQUE


(Partie incomplète, à chercher le complément sur Edition Universitaire
Européenne)

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

« LES HOMMES, ON L’A SOUVENT SI BIEN DIT, AGISSENT COMME

DES TROUPEAUX ; ILS DEVIENNENT FOUS EN TROUPEAUX ALORS

QU’ILS NE RETROUVENT LEUR ESPRIT QUE LENTEMENT ET,

SEULEMENT UN A UN ».

Charles MACKAY

CHAPITRE 1 : La BRVM et les données financières

SECTION1 : Bref aperçu sur le marché boursier et ses actions avant la


BRVM

Avant les années 1998, seulement la Côte d’ivoire qui faisait les activités du marché boursier
et ce marché est dénommé « Bourse des valeurs d’Abidjan (BVA) ».
Voilà qu’encours de 1998, avec l’adhésion de certains pays de l’UEMOA, le marché a pris une
nouvelle dimension, la BRVM. Cette dernière a commencé avec 48 titres dont 35 sociétés et
13 emprunts obligataires. Aujourd’hui, Elle compte 76 titres cotés à savoir 37 sociétés et 39
lignes obligataires. Elle a établi un record historique de 6024,41 Milliards de FCFA de
capitalisation du marché des actions, le 29 janvier 2014. (Source : journal BRVM).

Le nombre de sociétés inscrites à la cote du Marché Boursier Régional a évolué comme suit :

Toujours, en considérant la même année, c'est-à-dire 1998, la BRVM comprend 36 sociétés


cotées dont 35 sociétés ivoiriennes et 1 société sénégalaise (SONATEL). Les 35 sociétés
ivoiriennes qui sont entrées à la BRVM le 16 septembre 1998 lors du démarrage des activités
étaient déjà cotées à l'ex Bourse des Valeurs d'Abidjan (ex-BVA).

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

En 1999, deux (2) sociétés ivoiriennes : PALMCI et SIVOA ont fait leur entrée à la cote. Cela
porte le nombre de sociétés cotées à trente- huit (38).

En 2000, c'est le tour de trois (3) autres sociétés de faire leurs entrées en Bourse et qui sont :
NEI et ABIDJAN CARTERING pour la Côte d'Ivoire ; Bank Of Africa (BOA) pour le Bénin.

En 2001, deux (2) sociétés ivoiriennes SOCIMAT-CI et SICM sortent de la cote tandis que deux
(2) autres, TOTAL-CI et ELF, fusionnent pour donner TOTALFINAELF.

En 2003, une société nigérienne (Bank Of Africa Niger) fait son entrée à la cote. Au 31
décembre 2003, ce sont seulement 39 sociétés qui sont régulièrement inscrites à la cote d'un
marché commun à huit (8) pays.

En 2009 fut l’entrée de l’action de l’Office Nationale des Télécommunications du Burkina Faso
(ONTBF), et est coté à 47900 FCFA avec un volume de 1200 pour 7 transactions en date de 30
avril 2009.

Tableau 1 : La répartition des SGI par pays

PAYS 1998 31 décembre 2014


Côte d'Ivoire 7 10
Bénin 3 4
Burkina Faso 1 2
Mali 1 1
Sénégal 1 2
Togo 1 1
Niger - 1
Source : journal BRVM-2014

Dans ce tableau, il ressort que la Cote d’Ivoire est le pays ou il ya plus de SGI(10) suivi du
Benin, Burkina Faso et Sénégal avec respectivement 4,2 et 2. Alors que les pays comme Niger
ou Mali ne dépassent guère 1 SGI depuis 1998 a nos jours.

1. Les transactions par pays


Le tableau suivant retrace la répartition des transactions par pays en 2012.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Ainsi, la plus grande transaction a lieu en cote d’ivoire car occupe à elle seule une part
importante de 65.64%.

Ensuite, 16.62% des parts de transaction sont effectuées au Sénégal, pour cela, le Sénégal
occupe donc la 2eme place, suivi du Benin avec 12.10% des parts de transaction. Mais les pays
qui enregistrent les faible transactions sont le Mali, le Niger avec des parts respectives de
0.19% et 0.21%.

Figure 4 : Répartition des transactions en fonction des pays

Source : journal BRVM-2012.

SECTION 2 : Les données et la méthodologie.

I. Les données
La base de données qui est utilisée est constituée des actions de grande taille, et ce sont les
plus liquides de chaque pays de l’espace UEMOA et dont certaines sont comptabilisées dans
l’indice BRVM10 de chaque année. Chaque série de ces actions est accompagnée de cinq
modalités à savoir les dates, le volume de transaction, la valeur boursière ou cours et le
nombre de transaction, dont seulement le volume, le cours de l’action et le nombre de
transaction ferons l’objet de notre étude. Notre source de données est la BRVM. De ces séries
des cours, nous calculons les séries de rendement relatives à ces actions. Ces données
couvrent la période allant de 29 avril 2009 au 4 juillet 2014 en fréquence quotidienne (allant
de 917 à 1262 observation) ont été relevées sur le site de la Base de données BRVM (source :
www.finbase.com). Le choix de l’année 2009 comme année base line de l’échantillon permet
de prendre en compte l’action ETI Togo qui a nouvellement fait son entrée sur le marché
boursier la même année.

Cependant, il faut signaler que les différences des fréquences des cours boursiers
quotidiennes entre les actions s’expliquent par le manque de cotation au niveau de ces actions
(certaines actions peuvent rester pendant 4 jours sans être achetées).

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Le choix de notre échantillon est motivé non seulement par la disponibilité des données, mais
aussi la représentativité des différentes variables sérielles qui accompagnent les cours des
actions choisies.

II. La méthodologie

Tableau 2 : Estimation du modèle 1 de l’équation du rendement de l’action BOAB

rend1 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lr1 | -.1350463 .0348008 -3.88 0.000 -.2033582 -.0667345
lr2 | .0223645 .0133121 1.68 0.093 -.0037663 .0484953
lr3 | .0181298 .0117963 1.54 0.125 -.0050256 .0412851
lr4 | -.0004461 .0079041 -0.06 0.955 -.0159614 .0150692
lr5 | .0015917 .0054869 0.29 0.772 -.0091788 .0123621
lr6 | .0087646 .0180655 0.49 0.628 -.0266969 .044226
lvol1 | .2357914 .1093356 2.16 0.031 .0211725 .4504103
vol1 | -.2774763 .1096677 -2.53 0.012 -.4927471 -.0622054
lvol2 | -.0115566 .0312295 -0.37 0.711 -.0728582 .049745
lvol3 | -.0215424 .0305686 -0.70 0.481 -.0815468 .0384619
lvol4 | .005764 .0029597 1.95 0.052 -.0000458 .0115737
lvol5 | .0007566 .0140583 0.05 0.957 -.0268389 .0283521
lvol6 | .0053478 .0123501 0.43 0.665 -.0188947 .0295903
vt1 | -1.49e-06 .0001554 -0.01 0.992 -.0003064 .0003035
vt2 | .0000795 .000154 0.52 0.606 -.0002228 .0003819
vt3 | 9.46e-06 .0001288 0.07 0.941 -.0002433 .0002623

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

vt4 | -.0002512 .0001685 -1.49 0.136 -.0005819 .0000796


vt5 | -.0001127 .0001444 -0.78 0.435 -.0003961 .0001708
vt6 | .0000136 .0001489 0.09 0.927 -.0002787 .0003058
D2 | .000141 .0085148 0.02 0.987 -.0165731 .0168551
D4 | -.0000657 .0085491 -0.01 0.994 -.0168471 .0167157
_cons | .0011292 .0016157 0.70 0.485 -.0020423 .0043006
Source : Auteur

Note : dans ce tableau d’estimation, certaines variables sont nulles et d’autres sont
significativement différentes de zéro. Mais, pour avoir plus de variables significatives, nous
avons considéré un seuil de 10%(*).

Ainsi, le rendement de l’action BOA Benin est influencé par le rendement retardé d’un jour du
titre BOA Niger et de la volatilité domestique. Par contre, pénalisé par son propre rendement
retardé d’un jour.

Equation 24 : Equation du rendement de l’action BOAB

𝑟𝑒𝑛𝑑1𝑡 = −0.14𝑟𝑒𝑛𝑑𝑡−1 + 0.02𝑟𝑒𝑛𝑑2𝑡−1 − 0.28𝑣𝑜𝑙1𝑡 + 0.24𝑣𝑜𝑙1𝑡−1 + 0.01𝑣𝑜𝑙4𝑡−1

(0.00) (0.093) (0.031) (0.012) (0.052)

Tableau 3: Estimation du modèle 1 de l’équation de la volatilité du rendement de l’action


BOAB

vol1 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lvol1 | .5876522 .0284741 20.64 0.000 .5317595 .6435448
lvol2 | -.0092467 .0100626 -0.92 0.358 -.0289991 .0105056
lvol3 | -.0038182 .009854 -0.39 0.699 -.0231609 .0155245
lvol4 | .0004755 .000954 0.50 0.618 -.0013972 .0023482
lvol5 | -.0007853 .0045321 -0.17 0.862 -.0096815 .0081109
lvol6 | -.0044908 .0039783 -1.13 0.259 -.0123 .0033184
lr1 | .0137693 .0112087 1.23 0.220 -.0082327 .0357713
lr2 | .0024502 .0042908 0.57 0.568 -.0059722 .0108727
lr3 | -.0034199 .003801 -0.90 0.369 -.0108811 .0040413
lr4 | .002136 .0025471 0.84 0.402 -.0028637 .0071357
lr5 | -.000045 .0017689 -0.03 0.980 -.0035172 .0034273
lr6 | .0022716 .0058235 0.39 0.697 -.0091595 .0137028
vt1 | -.0000328 .0000501 -0.66 0.512 -.0001311 .0000654
vt2 | .0000708 .0000496 1.43 0.154 -.0000265 .0001682
vt3 | -.000038 .0000415 -0.92 0.360 -.0001194 .0000435

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

vt4 | -.000011 .0000543 -0.20 0.839 -.0001177 .0000956


vt5 | -.0000896 .0000464 -1.93 0.054 -.0001808 1.55e-06
vt6 | .0000917 .0000479 1.91 0.056 -2.33e-06 .0001857
D2 | -.0007538 .0027449 -0.27 0.784 -.0061419 .0046343
D4 | .001081 .0027559 0.39 0.695 -.0043286 .0064906
_cons | .0037504 .0005037 7.45 0.000 .0027617 .0047392
Source : Auteur

Note : la volatilité du titre BOAB est de 0.38% toutes choses égales par ailleurs. Elle augment
de 59% lorsqu’à la veille elle a connu une augmentation de 1%, mais diminue de 0.01% si le
volume de transaction du titre SGBC augmente de 1% toutes choses égales par ailleurs.

Equation 25 : Equation de la volatilité du rendement de l’action BOAB

𝑉𝑜𝑙𝐵𝑂𝐴𝐵,𝑡 = 0.59𝑉𝑜𝑙𝐵𝑂𝐴𝐵,𝑡−1 − 0.0001𝑣𝑡𝑆𝐺𝐵𝐶,𝑡 + 0.0000917𝑣𝑡𝑆𝑁𝑇𝑆,𝑡 +


0.0038
(0.0) (0.054) (0.056) (0.000).

Tableau 4 : Estimation du modèle 2 de l’équation du rendement de l’action BOAN

rend2 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lr1 | .019545 .0901586 0.22 0.828 -.1574306 .1965207
lr2 | -.2215043 .0344877 -6.42 0.000 -.2892015 -.1538071
lr3 | -.041864 .0305606 -1.37 0.171 -.1018526 .0181246
lr4 | -.0065755 .0204772 -0.32 0.748 -.046771 .0336201
lr5 | -.0150964 .0142149 -1.06 0.289 -.0429995 .0128066
lr6 | .0220963 .0468023 0.47 0.637 -.0697736 .1139663
lvol1 | .4435488 .2832559 1.57 0.118 -.1124647 .9995624
vol1 | -.3202679 .2841163 -1.13 0.260 -.8779704 .2374345
lvol2 | .0022087 .0809063 0.03 0.978 -.1566054 .1610227
lvol3 | -.0172524 .0791942 -0.22 0.828 -.1727057 .1382009
lvol4 | .0009437 .0076678 0.12 0.902 -.0141076 .0159951
lvol5 | -.0054183 .0364208 -0.15 0.882 -.07691 .0660733
lvol6 | -.0605002 .0319955 -1.89 0.059 -.1233053 .0023049

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

vt1 | -.0003831 .0004025 -0.95 0.342 -.0011731 .000407


vt2 | .0006707 .0003991 1.68 0.093 -.0001126 .0014541
vt3 | .0000509 .0003336 0.15 0.879 -.000604 .0007058
vt4 | .0002522 .0004366 0.58 0.564 -.0006048 .0011091
vt5 | .0006259 .0003741 1.67 0.095 -.0001084 .0013602
vt6 | .0001965 .0003857 0.51 0.611 -.0005606 .0009536
D2 | -.0002629 .0220594 -0.01 0.990 -.0435641 .0430384
D4 | .0032538 .0221482 0.15 0.883 -.0402219 .0467294
_cons | .0015119 .0041857 0.36 0.718 -.0067044 .0097282
Source : Auteur

Note : le rendement du titre BOAN augmentera respectivement de 0.1% et de 0.1% si son


volume de transaction à la veille a augmenté de 1% ainsi que le volume de transaction de
l’action SGBC de 1%. Mais lorsque la volatilité du rendement de l’action SNTS augmente de
1% alors le rendement du titre BOAN diminuerait 6.1%.

Equation 26 : Equation du rendement de l’action BOAN

𝑟𝑒𝑛𝑑𝐵𝑂𝐴𝑁,𝑡 = −0.22𝑟𝑒𝑛𝑑𝐵𝑂𝐴𝑁,𝑡−1 + 0.001𝑣𝑡𝐵𝑂𝐴𝑁𝑡 − 0.061𝑣𝑜𝑙𝑆𝑁𝑇𝑆,𝑡


+ 0.001𝑣𝑡𝑆𝐺𝐵𝐶,𝑡
(0.00) (0.093) (0.059) (0.095)

Tableau 5 : Estimation du modèle de l’équation de la volatilité du rendement de l’action


BOAN

vol2 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lvol1 | .0060094 .0271361 0.22 0.825 -.047257 .0592758
lvol2 | .9629595 .0095898 100.41 0.000 .9441353 .9817837
lvol3 | -.0134865 .009391 -1.44 0.151 -.0319203 .0049473
lvol4 | -.0005294 .0009092 -0.58 0.561 -.0023141 .0012553
lvol5 | .0023446 .0043191 0.54 0.587 -.0061336 .0108228
lvol6 | .0037406 .0037914 0.99 0.324 -.0037017 .0111829
lr1 | -.0010372 .0106821 -0.10 0.923 -.0220053 .019931
lr2 | -.0035826 .0040891 -0.88 0.381 -.0116093 .0044442
lr3 | .0090317 .0036224 2.49 0.013 .0019211 .0161423
lr4 | -.0020271 .0024274 -0.84 0.404 -.0067918 .0027377
lr5 | -.0012176 .0016858 -0.72 0.470 -.0045267 .0020915
lr6 | .001797 .0055499 0.32 0.746 -.009097 .0126911
vt1 | -.0000289 .0000477 -0.61 0.545 -.0001226 .0000648
vt2 | -.0000967 .0000473 -2.05 0.041 -.0001895 -3.90e-06

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

vt3 | -.00002 .0000395 -0.51 0.612 -.0000977 .0000576


vt4 | -.0000235 .0000518 -0.45 0.650 -.0001251 .0000781
vt5 | -.0000135 .0000443 -0.30 0.761 -.0001003 .0000734
vt6 | .0000235 .0000456 0.52 0.606 -.0000661 .0001131
D2 | -.000669 .002616 -0.26 0.798 -.0058039 .004466
D4 | .0006262 .0026264 0.24 0.812 -.0045292 .0057815
_cons | .0009079 .00048 1.89 0.059 -.0000344 .0018502
Source : Auteur

Note : l’estimation du modèle de l’équation de la volatilité de l’action BOAN suivante nous


retrace que le cours du titre est volatile car avait une constante (volatilité inconditionnelle)
de prêt de 0.1%. Cette volatilité est accentuée par ailleurs par sa propre volatilité décalée
d’une période. Lorsque la volatilité du rendement de cette action augmente à la veille de 1%,
le jour suivant la volatilité grimperait de 96.3% toutes choses égales par ailleurs. Par ailleurs,
le rendement du titre ETIT et le volume de transaction de l’action BOAN agissent
respectivement (positivement et négativement) sur la volatilité en l’augmentant de 1% et de
0.01%, lorsqu’ils croissent de 1%.

Equation 27 : Equation de la volatilité du rendement de l’action BOAN

𝑉𝑜𝑙𝐵𝑂𝐴𝑁,𝑡 = 0.963𝑣𝑜𝑙𝐵𝑂𝐴𝑁,𝑡−1 + 0.00903𝑟𝑒𝑛𝑑𝐸𝑇𝐼𝑇,𝑡−1 − 0.000097𝑣𝑡𝐵𝑂𝐴𝑁,𝑡 +


0.000908
(0.0) (0.013) (0.041) (0.059).

Tableau 6 : Estimation du modèle 3 de l’équation du rendement de l’action ETIT

rend3 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lr1 | .0405082 .1034694 0.39 0.696 -.1625957 .2436122
lr2 | -.0008086 .0395794 -0.02 0.984 -.0785005 .0768833
lr3 | .1275144 .0350725 3.64 0.000 .0586692 .1963596
lr4 | .0051916 .0235004 0.22 0.825 -.0409382 .0513215
lr5 | -.017744 .0163136 -1.09 0.277 -.0497666 .0142786
lr6 | .0474439 .0537121 0.88 0.377 -.0579896 .1528773
lvol1 | .0658267 .3250751 0.20 0.840 -.5722755 .7039288
vol1 | -.1064181 .3260626 -0.33 0.744 -.7464585 .5336224
lvol2 | -.0417478 .0928512 -0.45 0.653 -.2240088 .1405132
lvol3 | .054359 .0908863 0.60 0.550 -.1240451 .232763
lvol4 | -.0163021 .0087998 -1.85 0.064 -.0335756 .0009714
lvol5 | .0740177 .0417978 1.77 0.077 -.0080288 .1560643
lvol6 | -.0150022 .0367192 -0.41 0.683 -.0870798 .0570753
vt1 | -.0002167 .0004619 -0.47 0.639 -.0011233 .00069
vt2 | -.0000922 .000458 -0.20 0.840 -.0009912 .0008068

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

vt3 | -.001413 .0003829 -3.69 0.000 -.0021646 -.0006614


vt4 | .0003865 .000501 0.77 0.441 -.0005969 .00137
vt5 | .0003955 .0004293 0.92 0.357 -.0004472 .0012382
vt6 | .0009972 .0004426 2.25 0.025 .0001284 .0018661
D2 | .005062 .0253162 0.20 0.842 -.0446321 .0547561
D4 | -.0056319 .0254182 -0.22 0.825 -.0555262 .0442623
_cons | -.0021219 .0048037 -0.44 0.659 -.0115512 .0073075
Source : Auteur

Note : ici, l’estimation du modèle du rendement de l’action ETIT nous montre que ce
rendement augmente de13% le même rendement a augmenté de 1% a la veille, toutes choses
étant égale par ailleurs. Il augmente aussi respectivement de 0.1% ou de 7.4% lorsque le
volume de transaction de l’action SONATEL ou la volatilité du rendement de l’action SGBC
augmente chacun de 1%. Mais lorsque son volume de transaction et les volatilités étrangères
(ONTBF) augmentent, le rendement connaitrait une baisse.

Equation 28 : Equation du rendement de l’action ETIT :

𝑟𝑒𝑛𝑑𝐸𝑇𝐼𝑇,𝑡 = 0.13𝑟𝑒𝑛𝑑𝐸𝑇𝐼𝑇,𝑡−1 − 0.016𝑣𝑜𝑙𝑂𝑁𝑇𝐵𝐹,𝑡−1 + 0.074𝑣𝑜𝑙𝑆𝐺𝐵𝐶,𝑡−1


+ 0.001𝑣𝑡𝑆𝑁𝑇𝑆,𝑡 − 0.0014𝑣𝑡𝐸𝑇𝐼𝑇,𝑡
(0.00) (0.064) (0.077) (0.000) (0.025).

Tableau 7 : Estimation du modèle 3 de l’équation de la volatilité du rendement de l’action


ETIT.

vol3 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lvol1 | -.0306388 .0296129 -1.03 0.301 -.0887669 .0274894
lvol2 | -.0135452 .0104651 -1.29 0.196 -.0340875 .0069972
lvol3 | .9454722 .0102481 92.26 0.000 .9253558 .9655885
lvol4 | -.0003289 .0009922 -0.33 0.740 -.0022765 .0016187
lvol5 | -.0070454 .0047134 -1.49 0.135 -.0162974 .0022066
lvol6 | -.0041524 .0041375 -1.00 0.316 -.012274 .0039691
lr1 | .0142769 .011657 1.22 0.221 -.0086051 .0371589
lr2 | -.0002148 .0044624 -0.05 0.962 -.0089742 .0085445
lr3 | .0321698 .0039531 8.14 0.000 .0244102 .0399294
lr4 | .0019266 .0026489 0.73 0.467 -.0032731 .0071262
lr5 | .0019954 .0018397 1.08 0.278 -.0016157 .0056065

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

lr6 | -.0003154 .0060564 -0.05 0.958 -.0122037 .011573


vt1 | -2.90e-06 .0000521 -0.06 0.956 -.0001051 .0000993
vt2 | .0000206 .0000516 0.40 0.690 -.0000807 .0001218
vt3 | .000025 .0000432 0.58 0.563 -.0000597 .0001097
vt4 | .0000377 .0000565 0.67 0.505 -.0000732 .0001486
vt5 | 3.90e-06 .0000483 0.08 0.936 -.0000909 .0000987
vt6 | .0000316 .0000498 0.63 0.526 -.0000662 .0001294
D2 | .0071419 .0028547 2.50 0.013 .0015382 .0127455
D4 | -.0073072 .0028661 -2.55 0.011 -.0129331 -.0016813
_cons | .0022245 .0005239 4.25 0.000 .0011962 .0032528
Source : Auteur

Note : avec cette équation de la volatilité suivante, nous affirmons sans risque de nous
tromper que le rendement passé, la volatilité passée, et le fractionnement de l’action BOAB
accroit positivement la volatilité, tandis que seulement le fractionnement du titre ONTBF
baisserait la volatilité.

Equation 29 : Equation de la volatilité du rendement de l’action ETIT :

𝑉𝑜𝑙𝐸𝑇𝐼𝑇,𝑡 = 0.95𝑉𝑜𝑙𝐸𝑇𝐼𝑇,𝑡−1 + 0.032𝑟𝑒𝑛𝑑𝐸𝑇𝐼𝑇,𝑡−1 + 0.007𝐷2 − 0.0073𝐷4 + 0.0022

(0.0) (0.00) (0.013) (0.011) (0.000) .

Tableau 8 : Estimation du modèle 4 de l’équation de la volatilité du rendement de l’action


ONTBF.

vol4 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lvol1 | 1.185955 .6916657 1.71 0.087 -.1717385 2.543649
lvol2 | .8247449 .2444327 3.37 0.001 .3449397 1.30455
lvol3 | -.2051355 .2393639 -0.86 0.392 -.6749909 .2647199
lvol4 | .2791912 .0231743 12.05 0.000 .2337015 .3246809
lvol5 | .0198321 .1100897 0.18 0.857 -.1962667 .2359308
lvol6 | -.0618029 .0966382 -0.64 0.523 -.2514973 .1278915
lr1 | .5117518 .2722725 1.88 0.061 -.022701 1.046205
lr2 | .0107104 .1042273 0.10 0.918 -.1938809 .2153017
lr3 | .007332 .0923312 0.08 0.937 -.1739081 .1885721
lr4 | -1.885884 .0618709 -30.48 0.000 -2.007332 -1.764435
lr5 | -.0422371 .0429685 -0.98 0.326 -.1265815 .0421073
lr6 | .0458473 .1414594 0.32 0.746 -.2318281 .3235226
vt1 | .0000928 .0012163 0.08 0.939 -.0022947 .0024802

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

vt2 | -.0006671 .0012048 -0.55 0.580 -.0030319 .0016978


vt3 | -.000844 .001008 -0.84 0.403 -.0028226 .0011346
vt4 | .0000176 .0013196 0.01 0.989 -.0025727 .0026078
vt5 | -.0001766 .0011282 -0.16 0.876 -.0023911 .0020379
vt6 | -.0002574 .0011632 -0.22 0.825 -.0025406 .0020259
D2 | .0368075 .0666775 0.55 0.581 -.0940759 .167691
D4 | -.0278902 .0669427 -0.42 0.677 -.1592943 .1035139
_cons | .0057609 .0122357 0.47 0.638 -.0182569 .0297788
Source : Auteur

Note : Ici, seulement la volatilité passée et la volatilité passée étrangère (BOAN) qui
augmentent la volatilité de l’action ONTBF. Mais avec un seuil de 10%, même le rendement et
la volatilité passés de l’action BOAB contribuent à sa hausse.

Equation 30 : Equation de la volatilité du rendement de l’action ONTBF :

𝑉𝑜𝑙𝑂𝑁𝑇𝐵𝐹,𝑡 = 1.19𝑉𝑜𝑙𝐵𝑂𝐴𝐵,𝑡−1 + 0.512𝑟𝑒𝑛𝑑𝐵𝑂𝐴𝐵,𝑡−1 − 1.886𝑟𝑒𝑛𝑑𝑂𝑁𝑇𝐵𝐹,𝑡−1 +

0.83𝑉𝑜𝑙𝐵𝑂𝐴𝑁,𝑡−1 + 0.28𝑉𝑜𝑙𝑂𝑁𝑇𝐵𝐹,𝑡−1

(0.087) (0.061) (0.00) (0.001) (0.000)

Tableau 9: Estimation du modèle 5 de l’équation du rendement de l’action SGBC

rend5 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lr1 | .0422313 .2215474 0.19 0.849 -.3926524 .4771151
lr2 | .0561922 .0847469 0.66 0.507 -.1101607 .222545
lr3 | .0553386 .0750969 0.74 0.461 -.0920719 .2027492
lr4 | -.0597088 .0503188 -1.19 0.236 -.1584816 .0390639
lr5 | -.309863 .0349305 -8.87 0.000 -.3784294 -.2412967
lr6 | .1176786 .1150076 1.02 0.307 -.1080742 .3434315
lvol1 | -.0075126 .6960469 -0.01 0.991 -1.373809 1.358784
vol1 | .5865793 .6981612 0.84 0.401 -.7838675 1.957026
lvol2 | .2181179 .1988118 1.10 0.273 -.1721372 .608373
lvol3 | .1955172 .1946046 1.00 0.315 -.1864794 .5775139
lvol4 | .0017486 .0188421 0.09 0.926 -.0352372 .0387344
lvol5 | .2808898 .089497 3.14 0.002 .1052128 .4565668
lvol6 | -.0497327 .0786228 -0.63 0.527 -.2040642 .1045989
vt1 | 5.62e-06 .000989 0.01 0.995 -.0019357 .001947

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

vt2 | -.0003201 .0009806 -0.33 0.744 -.002245 .0016048


vt3 | .0006953 .0008199 0.85 0.397 -.0009141 .0023046
vt4 | .0020614 .0010728 1.92 0.055 -.0000443 .0041672
vt5 | -.005074 .0009192 -5.52 0.000 -.0068784 -.0032695
vt6 | -.0007758 .0009477 -0.82 0.413 -.0026361 .0010846
D2 | -.0844162 .0542067 -1.56 0.120 -.1908206 .0219882
D4 | .0802888 .0544251 1.48 0.141 -.0265441 .1871218
_cons | -.0202071 .0102856 -1.96 0.050 -.0403971 -.0000171
Source : Auteur

Note : le rendement du titre SGBC est plus influencé par sa propre volatilité passée car
l’augmenterait de 28%. Mais avec un seuil de 10%, même le volume de transaction passé
étrangers à lui seul augmenterait le rendement de l’action de 2.1%. Contrairement au
rendement et au volume de transaction passés qui diminueraient le rendement du titre
lorsqu’ils augmentent.

Equation 31 : Equation du rendement de l’action SGBC:

𝑟𝑒𝑛𝑑𝑆𝐺𝐵𝐶,𝑡 = −0.31𝑟𝑒𝑛𝑑𝑆𝐺𝐵𝐶,𝑡−1 + 0.28𝑣𝑜𝑙𝑆𝐺𝐵𝐶,𝑡−1 + 0.021𝑣𝑡𝑂𝑁𝑇𝐵𝐹,𝑡 − 0.0051𝑣𝑡𝑆𝐺𝐵𝐶,𝑡


− 0.020

(0.00) (0.002) (0.055) (0.000) (0.050).

Tableau 10 : Estimation du modèle 5 de l’équation de la volatilité du rendement de l’action


SGBC

vol5 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lvol1 | -.1546945 .1906204 -0.81 0.417 -.5288698 .2194808
lvol2 | -.1139078 .0673647 -1.69 0.091 -.2461403 .0183247
lvol3 | -.0206303 .0659678 -0.31 0.755 -.1501206 .1088601
lvol4 | -.0011334 .0063868 -0.18 0.859 -.0136702 .0114034
lvol5 | .2154468 .0303403 7.10 0.000 .1558908 .2750028
lvol6 | -.0118619 .0266331 -0.45 0.656 -.064141 .0404172
lr1 | -.000234 .0750373 -0.00 0.998 -.1475272 .1470591
lr2 | -.0051936 .0287246 -0.18 0.857 -.0615781 .051191
lr3 | -.0098125 .0254461 -0.39 0.700 -.0597615 .0401366
lr4 | .0061175 .0170514 0.36 0.720 -.0273532 .0395882
lr5 | .1805377 .011842 15.25 0.000 .1572927 .2037827
lr6 | .0117963 .0389857 0.30 0.762 -.0647299 .0883226

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

vt1 | -.0000828 .0003352 -0.25 0.805 -.0007407 .0005752


vt2 | -.000264 .000332 -0.79 0.427 -.0009157 .0003878
vt3 | .0001629 .0002778 0.59 0.558 -.0003824 .0007082
vt4 | .0007678 .0003637 2.11 0.035 .0000539 .0014816
vt5 | -.0010698 .0003109 -3.44 0.001 -.0016801 -.0004595
vt6 | -.0002473 .0003206 -0.77 0.441 -.0008766 .0003819
D2 | -.0016405 .0183761 -0.09 0.929 -.0377115 .0344305
D4 | .0010584 .0184492 0.06 0.954 -.0351561 .0372728
_cons | .0350842 .0033721 10.40 0.000 .028465 .0417034
Source : Auteur

Note : Le titre de l’action SGBC est trop volatile car augmente à elle seule de 3.5%. Avec
l’équation de volatilité, les estimations montrent la volatilité passée, le rendement passé et le
volume de transaction étrangers augmentent la volatilité respectivement de 22%, 18% et
0.1%.

Equation 32 : Equation de la volatilité du rendement de l’action SGBC:

𝑉𝑜𝑙𝑆𝐺𝐵𝐶,𝑡 = 0.22𝑉𝑜𝑙𝑆𝐺𝐵𝐶,𝑡−1 − 0.11𝑉𝑜𝑙𝐵𝑂𝐴𝑁,𝑡−1 + 0.18𝑟𝑒𝑛𝑑𝑆𝐺𝐵𝐶,𝑡−1 + 0.001𝑣𝑡𝑂𝑁𝑇𝐵𝐹,𝑡 −


0.001𝑣𝑡𝑆𝐺𝐵𝐶,𝑡 + 0.035

(0.00) (0.091) (0.00) (0.035) (0.001) (0.000).

Tableau 11 : Estimation du modèle 6 de l’équation du rendement de l’action SNTS

rend6 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lr1 | .0615598 .0692793 0.89 0.374 -.074431 .1975507
lr2 | -.0078153 .0265009 -0.29 0.768 -.0598349 .0442043
lr3 | .0095568 .0234833 0.41 0.684 -.0365394 .055653
lr4 | .007704 .015735 0.49 0.625 -.0231828 .0385909
lr5 | -.0011445 .010923 -0.10 0.917 -.0225856 .0202966
lr6 | -.2132405 .0359636 -5.93 0.000 -.2838348 -.1426462
lvol1 | -.0774035 .2176583 -0.36 0.722 -.5046531 .349846
vol1 | .1591249 .2183194 0.73 0.466 -.2694225 .5876723
lvol2 | -.0552252 .0621697 -0.89 0.375 -.1772604 .06681
lvol3 | -.0041298 .0608541 -0.07 0.946 -.1235826 .115323
lvol4 | -.003413 .005892 -0.58 0.563 -.0149787 .0081527
lvol5 | -.0060206 .0279863 -0.22 0.830 -.0609559 .0489147
lvol6 | .0845673 .0245858 3.44 0.001 .0363069 .1328278
vt1 | .0001307 .0003093 0.42 0.673 -.0004763 .0007378

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

vt2 | .0000407 .0003067 0.13 0.894 -.0005612 .0006427


vt3 | .0001442 .0002564 0.56 0.574 -.000359 .0006475
vt4 | .000462 .0003355 1.38 0.169 -.0001965 .0011204
vt5 | .0001248 .0002875 0.43 0.664 -.0004394 .0006891
vt6 | -.0005104 .0002964 -1.72 0.085 -.0010922 .0000713
D2 | .0022889 .0169508 0.14 0.893 -.0309844 .0355623
D4 | -.0030376 .0170191 -0.18 0.858 -.036445 .0303697
_cons | -.0007222 .0032164 -0.22 0.822 -.0070357 .0055914
Source : Auteur

Note : en considérant un risque de 5%, l’estimation de l’équation du rendement du SNTS


connaitrait une hausse de 8.5% lorsque la volatilité croit de 1 point, mais reculerait de 21.3%
lorsque le rendement passé augmentait de 1 point toutes choses égales par ailleurs. Avec un
seuil de 10%, le rendement reculerait de 0.1% lorsque le volume de transaction passé avançait
de 1 point si les autres phénomènes ne bougent pas.

Equation 33 : Equation du rendement de l’action SNTS:

𝑟𝑒𝑛𝑑𝑆𝑁𝑇𝑆,𝑡 = −0.213𝑟𝑒𝑛𝑑𝑆𝑁𝑇𝑆,𝑡−1 + 0.085𝑣𝑜𝑙𝑆𝑁𝑇𝑆,𝑡−1 − 0.001𝑣𝑡𝑆𝑁𝑇𝑆,𝑡


(0.00) (0.001) (0.085)

Tableau 12 : Estimation du modèle 6 de l’équation de la volatilité du rendement de l’action


SNTS.

vol6 | Coef. Erreur type. t P>|t| [95% Conf. Interval]


lvol1 | -.185691 .2126738 -0.87 0.383 -.6031556 .2317736
lvol2 | -.0049603 .0751583 -0.07 0.947 -.1524911 .1425705
lvol3 | -.058899 .0735998 -0.80 0.424 -.2033705 .0855724
lvol4 | .0029122 .0071257 0.41 0.683 -.011075 .0168994
lvol5 | -.0099854 .0338504 -0.29 0.768 -.0764316 .0564608
lvol6 | .5869002 .0297144 19.75 0.000 .5285728 .6452275
lr1 | -.0029181 .0837185 -0.03 0.972 -.167252 .1614158
lr2 | .0077441 .0320479 0.24 0.809 -.0551637 .070652
lr3 | .0346944 .0283901 1.22 0.222 -.0210335 .0904222
lr4 | -.0072395 .0190241 -0.38 0.704 -.0445826 .0301035
lr5 | -.0044861 .013212 -0.34 0.734 -.0304204 .0214481
lr6 | -.4316849 .043496 -9.92 0.000 -.5170647 -.3463051
vt1 | -.0000521 .000374 -0.14 0.889 -.0007862 .000682
vt2 | -.0000639 .0003704 -0.17 0.863 -.000791 .0006633

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

vt3 | .000331 .0003099 1.07 0.286 -.0002774 .0009393


vt4 | -.0001247 .0004057 -0.31 0.759 -.0009212 .0006717
vt5 | .0000314 .0003469 0.09 0.928 -.0006495 .0007124
vt6 | -.0006425 .0003577 -1.80 0.073 -.0013445 .0000596
D2 | -.0024626 .020502 -0.12 0.904 -.0427067 .0377815
D4 | -.0002794 .0205836 -0.01 0.989 -.0406837 .0401248
_cons | .0134627 .0037622 3.58 0.000 .0060777 .0208477
Source : Auteur

Note : les estimations des paramètres associés à l’équation de la volatilité suivante sont tous
significatifs sauf pour le volume de transaction passé étrangers (ONTBF) qui est significatif au
seuil de 10%. Sans prendre en compte d’autres phénomènes explicatifs, le titre SNTS est
volatile avec une valeur de 1.35%. Mais avec les variables explicatifs, il ressortait que la
volatilité passé domestique influe positivement sur la volatilité en l’augmentant de 59%
lorsque celle-ci varie de 1%. Tandis que le rendement domestique passé et le volume de
transaction non domestique passé agissent négativement sur la volatilité en la rabaissant.

Equation 34 : Equation de la volatilité du rendement de l’action SNTS :

𝑉𝑜𝑙𝑆𝑁𝑇𝑆,𝑡 = 0.59𝑉𝑜𝑙𝑆𝑁𝑇𝑆,𝑡−1 − 0.43𝑟𝑒𝑛𝑑𝑆𝑁𝑇𝑆,𝑡−1 − 0.00064𝑣𝑡𝑂𝑁𝑇𝐵𝐹,𝑡−1 +


0.0135
(0.00) (0.000) (0.073) (0.000)

1. Les phénomènes d’arbitrages


Il s’agit bien d’arbitrer entre les titres des actions de la BRVM.

C’est ainsi qu’il ressortait que lorsque le rendement de l’action BOA Niger accroit d’un point,
le rendement de l’action BOA Benin grimpera de 0.02 point, toute chose étant égale par
ailleurs. Et ceci, au seuil de 10 pourcent.

2. Les effets de la volatilité sur le rendement


La volatilité domestique (présent et passé) n’a pas d’impact sur certains rendements des
actions. Mais pour d’autres, la volatilité domestique ainsi que les volatilités étrangères ont eu
un impact considérable. C’est ainsi qu’au niveau du rendement de l’action BOA Benin, la
volatilité domestique passé et présent augmenteraient respectivement, positivement ou
négativement le rendement de l’action.

Pour les actions SGBC et SNTS, ce sont les volatilités passées qui ont des impactes positifs sur
leurs rendements, car augmenterait respectivement de 0,28 point et 0,0845 point toute chose
égale par ailleurs. Par contre, en prenant un seuil de 10% pour les titres BOA Niger et ETI Togo,
ce sont les volatilités étrangères passées qui ont un impact sur leurs rendements. Comme par
exemple, pour le rendement du titre BOA Niger, la volatilité passée du rendement de l’action
SONATEL le pénaliserait de 0,061 point si probablement la volatilité du titre SNTS augmente

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

d’une unité. Et pour le rendement du titre ETI, ce sont les volatilités des titres ONTBF (-0,016
point) et SGBC (0,074 point) qui ont un impact significatif sur le rendement.

3. Les effets d’asymétrie


S’agissant de l’asymétrie, toutes les volatilités présentent un effet autorégressif significatif.
Mais demeure stationnaire dans tous les cas.

Les actions les plus volatiles sont les actions SGBC et SNTS car ont respectivement 0,035 et
0,0135 pour les valeurs des constantes dans les équations des deux volatilités.

Dans l’ensemble, certains rendements passés ont un impact positif sur leurs volatilités comme
par exemple le cas des titres ETIT et SGBC qui ont respectivement augmenté leurs volatilités
de 0,032 point et 0,18 point. Par contre, d’autres rendements passés ont impactés
négativement sur leurs propre volatilité. C’est le cas de l’action ONTBF et SNTS qui ont
respectivement 1,89 point et 0,43 point.

4. Transmission de volatilité d’un titre à l’autre


Le mécanisme de transmission de volatilité d’un titre à l’autre nous conduit à plusieurs
résultats. C’est ainsi qu’on remarque que lorsque la volatilité de l’action BOA Benin augment
d’un point, la volatilité de l’action ONTBF augmenterait de 1,19 point, mais diminuerait de
0,11 la volatilité de l’action SGBC. Ensuite, l’augmentation d’un point sur la volatilité de SGBC
augmenterait le rendement d’ETIT Togo de 0,074 point, si tous les autres phénomènes ne
bougent pas.

5. L’effet volume de transaction


L’introduction du volume de transaction dans les deux équations a eu un impact significatif
pour certains titres, mais lorsqu’on considère un seuil de 10%, le coefficient du volume devient
significatif dans tous les modèles des quatre titres (BOAN, ETIT, SGBC et SNTS). Cependant, il
ya certains qui exercent un effet significatif positif. Et d’autres, un effet significatif négatif.
C’est ainsi que les volumes des actions BOAN, ETIT, SGBC et SNTS exercent des effets
significatifs (0,00067 ; -0,0014 ; -0,0051 et -0,00051) sur leurs rendements respectifs. Et de
même sur leurs volatilités respectifs (-0,000097 ; -0,0011 et -0,00064), sauf le cas de l’ETIT qui
est absent car son coefficient est nul.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

CONCLUSION et RECOMMANDATION
Au terme de notre travail, il ressortait quelques points sur la situation des actions de fortes
moyennes et faibles capitalisations boursières. Et nous avons constaté par simple
comparaison aux autres marchés boursiers, qu’il reste beaucoup à faire car l’environnement
financier de l’espace UEMOA évolue non seulement lentement mais aussi à un rythme difficile
à cerner.

Il faut aussi signaler l’absence d’une variable (taux de rendement obligataire) annoncée dans
la littérature mais n’ayant pas figurée dans le modèle, et ceci par manque de données
disponible concernant la variable taux de rendement obligataire.

Néanmoins, avec la non disponibilité de l’ensemble des variables choisies au départ, nous
avons pu adapter les concepts théoriques ainsi que les outils techniques pour modéliser les
cours des six actions choisies.

En effet, dans notre travail de recherche, nous avons présenté les principaux outils et
méthodes d’estimation de notre modèle en nous basant sur une large littérature. Les modèles
que nous avons mentionnés, ont permis d’étudier plusieurs types d’interdépendances à savoir
les relations entre le rendement et la volatilité d’un même titre, mais aussi l’interaction entre
le rendement et le volume de transaction du même titre. Il ya eu aussi le mécanisme de

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

transmission entre les actions, à la fois au niveau du rendement et de la volatilité ; l’influence


des volumes de transactions sur le dynamique du rendement.

Il est à noter aussi que, les rendements de tous les titres subissent des effets de contagion
entre eux, que sa soit par la volatilité ou bien par le volume de transaction.

A la lumière de ce travail, nous allons recommander ceux-ci :

Faire en sorte qu’une base de données journalières sur les emprunts obligataires soit
disponible au Niveau de la BRVM et de la BCEAO ;

Faire une mise à jour des données de la BCEAO plus précisément avoir une base de données
qui regroupe les taux d’intérêt moyen journalier de chaque pays de l’espace UEMOA.

Doter la base de données de la BRVM des séries de taux de référence et une courbe des taux,
qui doit favoriser la disponibilité d’une information financière exploitable par tous les
investisseurs nationaux et internationaux.

PERSPECTIVES
Cette étude, loin d’être rangée sans jamais progresser, ouvre des perspectives à d’éventuels
travaux de recherche. En effet, un autre axe de recherche serait aussi de chercher les ‘’Effets
volume, Volatilité et Transmissions Internationales sur les Marches Boursiers africains’’.

ANNEXE

1. Les étapes de stationnarité du rendement de l’action BOAB et la recherche du modèle suivi


par le processus

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

. corrgram rend, lags(20)

-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]

1 -0.1257 -0.1258 14.51 0.0001


2 -0.0450 -0.0618 16.371 0.0003
3 0.0319 0.0185 17.308 0.0006
4 -0.0647 -0.0621 21.17 0.0003
5 -0.0021 -0.0162 21.174 0.0008
6 0.0082 -0.0013 21.237 0.0017
7 0.0015 0.0042 21.239 0.0034
8 -0.0533 -0.0572 23.873 0.0024
9 -0.0150 -0.0314 24.082 0.0042
10 0.0491 0.0385 26.319 0.0033
11 -0.0280 -0.0171 27.048 0.0045
12 -0.0454 -0.0548 28.965 0.0040
13 -0.0139 -0.0360 29.145 0.0062
14 -0.0194 -0.0254 29.495 0.0090
15 -0.0621 -0.0746 33.095 0.0046
16 0.0575 0.0288 36.182 0.0027
17 -0.0011 -0.0024 36.183 0.0043
18 -0.0093 -0.0051 36.263 0.0065
19 0.0246 0.0115 36.831 0.0083
20 -0.0054 -0.0085 36.858 0.0122
0.05

0.05
Partial autocorrelations of rend

0.00

Autocorrelations of rend

0.00
-0.05

-0.05
-0.10

-0.10
-0.15

-0.15

0 10 20 30 40 0 10 20 30 40
Lag Lag
95% Confidence bands [se = 1/sqrt(n)] Bartlett's formula for MA(q) 95% confidence bands

Tableau : test ADF


. *Test de Racine unitaire
. dfuller rend, lags(4)/*Test de racine unitaire de dickey Fuller*/

Augmented Dickey-Fuller test for unit root Number of obs = 911

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -14.848 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

. pperron rend /*test de phillips perron*/

Phillips-Perron test for unit root Number of obs = 915


Newey-West lags = 6

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(rho) -970.637 -20.700 -14.100 -11.300


Z(t) -34.658 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

ARIMA regression

Sample: 2 - 917 Number of obs = 916


Wald chi2(2) = 120.27
Log likelihood = 3034.008 Prob > chi2 = 0.0000

OPG
rend Coef. Std. Err. z P>|z| [95% Conf. Interval]

rend
_cons .000345 .0002619 1.32 0.188 -.0001683 .0008584

ARMA
ar
L1. -.1328078 .013564 -9.79 0.000 -.1593928 -.1062228

ma
L2. -.0678454 .0179651 -3.78 0.000 -.1030563 -.0326344

/sigma .008816 .0000391 225.27 0.000 .0087392 .0088927

Note: The test of the variance against zero is one sided, and the two-sided confidence interval is truncat

. sktest e

Skewness/Kurtosis tests for Normality


joint
Variable Obs Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi2

e 916 0.0000 0.0000 . 0.0000


.1
.05
residual, one-step

0
-.05
-.1

-.04 -.02 0 .02 .04


Inverse Normal

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

ARCH family regression -- ARMA disturbances

Sample: 2 - 917 Number of obs = 916


Distribution: Gaussian Wald chi2(2) = 37.42
Log likelihood = 3122.878 Prob > chi2 = 0.0000

OPG
rend Coef. Std. Err. z P>|z| [95% Conf. Interval]

rend
_cons .0003076 .0001926 1.60 0.110 -.0000699 .0006852

ARMA
ar
L1. .1989378 .1715302 1.16 0.246 -.1372552 .5351307

ma
L1. -.463686 .1316934 -3.52 0.000 -.7218003 -.2055718

ARCH
arch
L1. .2534399 .0343095 7.39 0.000 .1861945 .3206853

garch
L1. .2888774 .0639371 4.52 0.000 .1635631 .4141918

_cons .0000382 3.56e-06 10.72 0.000 .0000312 .0000452

ARCH family regression -- ARMA disturbances

Sample: 2 - 917 Number of obs = 916


Distribution: Gaussian Wald chi2(2) = 32.27
Log likelihood = 3131.281 Prob > chi2 = 0.0000

OPG
rend Coef. Std. Err. z P>|z| [95% Conf. Interval]

rend
_cons .0001382 .0001229 1.12 0.261 -.0001026 .000379

ARMA
ar
L1. .1762457 .1580928 1.11 0.265 -.1336104 .4861018

ma
L1. -.4681417 .1462211 -3.20 0.001 -.7547298 -.1815536

ARCH
earch
L1. .0007848 .023087 0.03 0.973 -.0444649 .0460345

earch_a
L1. .3843858 .0271344 14.17 0.000 .3312034 .4375683

egarch
L1. .6810604 .0346135 19.68 0.000 .6132193 .7489016

_cons -2.904249 .3268842 -8.88 0.000 -3.544931 -2.263568

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

. estat ic

Model Obs ll(null) ll(model) df AIC BIC

. 916 . 3131.281 7 -6248.561 -6214.821

. corrgram rend2, lags(20)

-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]

1 -0.2177 -0.2177 39.115 0.0000


2 -0.0168 -0.0674 39.348 0.0000
3 0.0093 -0.0098 39.42 0.0000
4 -0.0260 -0.0287 39.981 0.0000
5 -0.0418 -0.0568 41.433 0.0000
6 0.0416 0.0180 42.869 0.0000
7 -0.0446 -0.0371 44.521 0.0000
8 -0.0092 -0.0275 44.591 0.0000
9 -0.0098 -0.0258 44.671 0.0000
10 -0.0173 -0.0292 44.921 0.0000
11 0.0419 0.0317 46.385 0.0000
12 -0.0121 -0.0033 46.507 0.0000
13 -0.0611 -0.0665 49.635 0.0000
14 -0.0015 -0.0369 49.637 0.0000
15 0.0676 0.0573 53.472 0.0000
16 -0.0027 0.0275 53.478 0.0000
17 -0.0307 -0.0317 54.271 0.0000
18 -0.0139 -0.0342 54.433 0.0000
19 -0.0547 -0.0670 56.954 0.0000
20 0.0434 0.0184 58.545 0.0000

Augmented Dickey-Fuller test for unit root Number of obs = 817

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -14.707 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

. pperron rend2

Phillips-Perron test for unit root Number of obs = 821


Newey-West lags = 6

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(rho) -934.516 -20.700 -14.100 -11.300


Z(t) -36.563 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

0.10

0.10
Autocorrelations of rend2
0.00

0.00
-0.10

-0.10
-0.20

-0.20
0 10 20 30 40 0 10 20 30 40
Lag Lag
95% Confidence bands [se = 1/sqrt(n)] Bartlett's formula for MA(q) 95% confidence bands
.2
.1
residual, one-step

0
-.1
-.2

-.1 -.05 0 .05 .1


Inverse Normal

2. Les étapes de stationnarité du rendement de l’action BOAN et la recherche du modèle suivi


par le processus

ARCH family regression -- ARMA disturbances

Sample: 2 - 823 Number of obs = 822


Distribution: Gaussian Wald chi2(2) = 4795.07
Log likelihood = 2076.626 Prob > chi2 = 0.0000

OPG
rend2 Coef. Std. Err. z P>|z| [95% Conf. Interval]

rend2
_cons .0003228 .0001511 2.14 0.033 .0000267 .0006188

ARMA
ar
L1. .7207146 .0639877 11.26 0.000 .5953011 .8461281

ma
L1. -.8834519 .0318402 -27.75 0.000 -.9458576 -.8210462

ARCH
arch
L1. .0901427 .0110837 8.13 0.000 .0684192 .1118663

garch
L1. .9021782 .0083204 108.43 0.000 .8858705 .918486

_cons .0000102 1.03e-06 9.94 0.000 8.22e-06 .0000123

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

. estat ic

Model Obs ll(null) ll(model) df AIC BIC

. 822 . 2076.626 6 -4141.252 -4112.982

. summarize ETITC ETITVE ETITNT

Variable Obs Mean Std. Dev. Min Max

ETITC 1243 45.54143 6.88686 33 75


ETITVE 1243 150837.6 439814.4 50 6951752
ETITNT 1243 12.4103 7.23255 1 53

. estat archlm, lag(1)


LM test for autoregressive conditional heteroskedasticity (ARCH)

lags(p) chi2 df Prob > chi2

1 314.482 1 0.0000

H0: no ARCH effects vs. H1: ARCH(p) disturbance

. pperron rend3

Phillips-Perron test for unit root Number of obs = 1241


Newey-West lags = 7

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(rho) -1136.668 -20.700 -14.100 -11.300


Z(t) -32.718 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

. dfuller rend3, lags(4)/*Test de racine unitaire de dickey Fuller*/

Augmented Dickey-Fuller test for unit root Number of obs = 1237

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -15.435 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

0.10

0.10
0.05

0.05
Autocorrelations of rend3
0.00

0.00
-0.05

-0.05
-0.10

-0.10
0 10 20 30 40 0 10 20 30 40
Lag Lag
95% Confidence bands [se = 1/sqrt(n)] Bartlett's formula for MA(q) 95% confidence bands

3. Les étapes de stationnarité du rendement de l’action ETIT et la recherche du modèle suivi


par le processus

ARCH family regression -- ARMA disturbances

Sample: 2 - 1243 Number of obs = 1242


Distribution: Gaussian Wald chi2(2) = 43.85
Log likelihood = 2935.497 Prob > chi2 = 0.0000

OPG
rend3 Coef. Std. Err. z P>|z| [95% Conf. Interval]

rend3
_cons -.0003982 .0004874 -0.82 0.414 -.0013535 .000557

ARMA
ar
L1. .2820237 .1782435 1.58 0.114 -.0673271 .6313746

ma
L1. -.4332796 .1647908 -2.63 0.009 -.7562635 -.1102956

ARCH
arch
L1. .1294375 .0135652 9.54 0.000 .1028502 .1560247

garch
L1. .7977659 .0209783 38.03 0.000 .7566492 .8388825

_cons .0000433 7.50e-06 5.77 0.000 .0000286 .000058

. estat ic

Model Obs ll(null) ll(model) df AIC BIC

. 1242 . 2935.497 6 -5858.994 -5828.247

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

. dfuller rend4, lags(4)/*Test de racine unitaire de dickey Fuller*/

Augmented Dickey-Fuller test for unit root Number of obs = 860

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -13.049 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

. pperron rend4

Phillips-Perron test for unit root Number of obs = 864


Newey-West lags = 6

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(rho) -807.688 -20.700 -14.100 -11.300


Z(t) -28.091 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000 0.10


0.10

0.05
0.05

Autocorrelations of rend4

0.00
0.00

-0.05
-0.05

-0.10
-0.10

0 10 20 30 40 0 10 20 30 40
Lag Lag
95% Confidence bands [se = 1/sqrt(n)] Bartlett's formula for MA(q) 95% confidence bands

ARIMA regression

Sample: 2 - 866 Number of obs = 865


Wald chi2(2) = 2.48
Log likelihood = 1623.332 Prob > chi2 = 0.2901

OPG
rend4 Coef. Std. Err. z P>|z| [95% Conf. Interval]

rend4
_cons -.0003548 .0022285 -0.16 0.874 -.0047226 .0040131

ARMA
ar
L1. .0450808 .0407107 1.11 0.268 -.0347107 .1248723

ma
L2. -.039886 .0324457 -1.23 0.219 -.1034783 .0237064

/sigma .0370453 .0001162 318.69 0.000 .0368174 .0372731

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

0
residual, one-step

-.5
-1

-.1 -.05 0 .05 .1


Inverse Normal

4. Les étapes de stationnarité du rendement de l’action ONTBF et la recherche du modèle


suivi par le processus

. estat ic

Model Obs ll(null) ll(model) df AIC BIC

. 865 . 1623 4 -3238 -3218.949

ARCH family regression -- ARMA disturbances

Sample: 2 - 866 Number of obs = 865


Distribution: Gaussian Wald chi2(2) = 1985.78
Log likelihood = 2055.36 Prob > chi2 = 0.0000

OPG
rend4 Coef. Std. Err. z P>|z| [95% Conf. Interval]

rend4
_cons .0014347 .0001972 7.28 0.000 .0010482 .0018212

ARMA
ar
L1. -.1976916 .029699 -6.66 0.000 -.2559006 -.1394827

ma
L1. .4530067 .0249826 18.13 0.000 .4040418 .5019716

ARCH
arch
L1. 7.988436 .2054965 38.87 0.000 7.585671 8.391202

garch
L1. -.0103263 .0019889 -5.19 0.000 -.0142244 -.0064282

_cons .000105 3.34e-06 31.41 0.000 .0000984 .0001115

. estat ic

Model Obs ll(null) ll(model) df AIC BIC

. 865 . 2055.36 6 -4098.719 -4070.143

Note: N=Obs used in calculating BIC; see [R] BIC note

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

5. Les étapes de stationnarité du rendement de l’action SGBC et la recherche du modèle suivi


par le processus

. corrgram rend5, lags(20)

-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]

1 -0.2770 -0.2771 73.829 0.0000


2 -0.0108 -0.0948 73.94 0.0000
3 -0.0094 -0.0426 74.026 0.0000
4 -0.0184 -0.0375 74.352 0.0000
5 0.0071 -0.0118 74.401 0.0000
6 -0.0229 -0.0297 74.909 0.0000
7 -0.0230 -0.0432 75.42 0.0000
8 -0.0136 -0.0406 75.6 0.0000
9 0.0247 0.0038 76.191 0.0000
10 -0.0114 -0.0095 76.318 0.0000
11 -0.0291 -0.0402 77.141 0.0000
12 -0.0364 -0.0665 78.43 0.0000
13 0.0150 -0.0246 78.649 0.0000
14 0.0004 -0.0147 78.649 0.0000
15 0.0061 -0.0040 78.686 0.0000
16 0.0258 0.0245 79.336 0.0000
17 0.0252 0.0410 79.955 0.0000
18 -0.0120 0.0050 80.096 0.0000
19 -0.0137 -0.0170 80.28 0.0000
20 -0.0305 -0.0428 81.193 0.0000

. *Test de Racine unitaire


.
end of do-file

. do "C:\Users\acer\AppData\Local\Temp\STD01000000.tmp"

. dfuller rend5, lags(4)/*Test de racine unitaire de dickey Fuller*/

Augmented Dickey-Fuller test for unit root Number of obs = 954

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -15.935 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

. pperron rend5

Phillips-Perron test for unit root Number of obs = 958


Newey-West lags = 6

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(rho) -1117.963 -20.700 -14.100 -11.300


Z(t) -43.025 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

0.10
0.10

Partial autocorrelations of rend5

0.00
0.00
Autocorrelations of rend5

-0.10
-0.10

-0.20
-0.20

-0.30
-0.30

0 10 20 30 40 0 10 20 30 40
Lag Lag
Bartlett's formula for MA(q) 95% confidence bands 95% Confidence bands [se = 1/sqrt(n)]

ARCH family regression -- ARMA disturbances

Sample: 2 - 960 Number of obs = 959


Distribution: Gaussian Wald chi2(2) = 93.70
Log likelihood = 1776.965 Prob > chi2 = 0.0000

OPG
rend5 Coef. Std. Err. z P>|z| [95% Conf. Interval]

rend5
_cons .0021333 .0011944 1.79 0.074 -.0002077 .0044743

ARMA
ar
L1. .8548978 .1402511 6.10 0.000 .5800106 1.129785

ma
L1. -.8931006 .1231886 -7.25 0.000 -1.134546 -.6516553

ARCH
arch
L1. .2496959 .0286536 8.71 0.000 .193536 .3058559

garch
L1. -.0022218 .0224714 -0.10 0.921 -.046265 .0418214

_cons .0012527 .0000303 41.39 0.000 .0011934 .001312

. estat ic

Model Obs ll(null) ll(model) df AIC BIC

. 959 . 1776.965 6 -3541.931 -3512.735

Note: N=Obs used in calculating BIC; see [R] BIC note

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

ARCH family regression -- ARMA disturbances

Sample: 2 - 960 Number of obs = 959


Distribution: Gaussian Wald chi2(2) = 94.10
Log likelihood = 1776.856 Prob > chi2 = 0.0000

OPG
rend5 Coef. Std. Err. z P>|z| [95% Conf. Interval]

rend5
_cons .0021148 .0011822 1.79 0.074 -.0002022 .0044318

ARMA
ar
L1. .8423198 .1407065 5.99 0.000 .5665401 1.1181

ma
L1. -.8848332 .1232552 -7.18 0.000 -1.126409 -.6432575

ARCH
arch
L1. .2489674 .028641 8.69 0.000 .1928322 .3051027

. estat_cons
ic .001249 .0000145 85.95 0.000 .0012205 .0012775

Model Obs ll(null) ll(model) df AIC BIC

. 959 . 1776.856 5 -3543.712 -3519.383

. Note: N=Obs pperron


used in rend6
calculating BIC; see [R] BIC note

Phillips-Perron test for unit root Number of obs = 1260


Newey-West lags = 7

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(rho) -1251.859 -20.700 -14.100 -11.300


Z(t) -36.669 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

Augmented Dickey-Fuller test for unit root Number of obs = 1256

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -16.141 -3.430 -2.860 -2.570

MacKinnon approximate p-value for Z(t) = 0.0000

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

.5
residual, one-step

0
-.5
-1

-.1 -.05 0 .05 .1


Inverse Normal

6. Les étapes de stationnarité du rendement de l’action SNTS et la recherche du modèle suivi


par le processus

Model Obs ll(null) ll(model) df AIC BIC

. 1261 . 2622.11 4 -5236.22 -5215.661

ARCH family regression -- ARMA disturbances

Sample: 2 - 1262 Number of obs = 1261


Distribution: Gaussian Wald chi2(2) = 154148.03
Log likelihood = 3150.34 Prob > chi2 = 0.0000

OPG
rend6 Coef. Std. Err. z P>|z| [95% Conf. Interval]

rend6
_cons .0005647 .0000241 23.42 0.000 .0005174 .0006119

ARMA
ar
L1. .4502212 .0164455 27.38 0.000 .4179886 .4824539

ma
L1. -.892024 .0034054 -261.95 0.000 -.8986984 -.8853496

ARCH
arch
L1. 2.811171 .1275899 22.03 0.000 2.561099 3.061242

garch
L1. .0127394 .011668 1.09 0.275 -.0101294 .0356083

_cons .0001073 3.11e-06 34.52 0.000 .0001012 .0001134

Model Obs ll(null) ll(model) df AIC BIC

. 1261 . 3150.34 6 -6288.68 -6257.842

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

BIBLIOGRAPHIE
Bessembinder, H., & Seguin, P. (1993). Volatility, trading volume and market depth;
Evidence from the futures markets. Journal of Financial and Quantitative Analysis, 29, 21-39.

Christian Tanor Dieng, (2014). EVALUATION DU RISQUE D’UN PORTEFEUILLE OBLIGATAIRE.


Mémoire de master de recherche en finance quantitative (MMQEF), ENSAE-Sénégal.

Copeland, T. (1976). A Model of Asset Trading Under the Assumption of Sequential


Information Arrival. Journal of Finance, 31. 1149-1168.

D. Acker, N.W. Duck. (2005). Cross-cultural overconfidence and biased self-attribution.


The Journal of Socio-Economics, 37. 1815–1824.
Elizabeth Howard, (2008). La volatilité selon les modèles Garch : Focus sur l’asymétrie et la
corrélation dynamique. Article de l’université Paris Dauphine. 34-38.

Epps, T. & Epps, M. (1976). The stochastic dependence of stochastic price changes and
transaction volume: Implications for the mixture of distribution hypothesis, Econometrica, 44,
305-321.

Jean Baptist Desquilbet, (2009). Théorie financière : Rentabilité des actifs financiers.
Université d’Artois

Jean Paul Tsasa V. Kimbambu, (2012). Initiation à la modélisation GARCH.


Laboratoire d’analyse – recherche en économie quantitative.

Jonatahn M. Karpoff, (1987). The Relation between Price Changes and Trading Volume: A
Survey , Journal of Finance and Quantitative Analysis, 22. 109-124.

K.J Ko, Z. Huang, (2007). Arrogance can be a virtue: Overconfidence, information acquisition,
and market efficiency. Journal of Financial Economics, 84. 529–560.
Kamel Naoui et Mohamed Khaled, (2010). Apport de la Finance Comportementale à
l’explication de la Volatilite Excessive des Prix des Actifs Financiers. Revue Libanaise de Gestion
et d’Economie, 4. 66-99.

Michel Prenat, (2010). Séries Chronologiques : ‘’Cours et Exercices’’. Université Paris-Sud.

Mohamed Ben Bader, (2012). Trois Essais sur la Volatilité Boursière et ses Variations
Asymétriques. Thèse présentée en exigence partielle du doctorat en administration.
Paris Dauphine, (2012). Econometrie de la Volatilite et de la VAR, Modelisation ARCH-GARCH

S. Gervais, T. Odean, (2001). Learning to be overconfident. Review of Financial Studies, 14. 1–


27.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Sanvi Avouyi-Dovi, Eric jondeau et Charles Lai Tong, (1997). Effets volume, Volatilité et
Transmissions Internationales sur les Marches Boursiers dans le G5.

Sarika MAHAJAN, (2009). The Empirical Investigation of Relationship between Return,


Volume and Volatility Dynamics in Indian Stock Market. Journal of Business and Economics,
2(4).113-137.

Torben G. Anderson, (1996). Return Volatility and Trading Volume: An Information Flow
Interpretation of Stochastic Volatility. Journal of Finance, 51. 169-204. universite paris1
pantheon-sorbonne, (2012-2013). TD sur les Série Temporelles no 1, manipulation et
simulation d'une serie temporelle, master1, maef,

Yves Aragnon, (2011). Séries Temporelles, Etude de Cas avec R. Edition Springer-Verlag
France.

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

WEBOGRAPHIE
www.wikipedia.org

http://www.trading-school.eu/glossaire-bourse/fiche-Volatilite-historique-et-implicite-110

http://www.trader-forex.fr/glossaire-forex/fiche-Marche-volatile-169

www.financialafrica.com

www.finbase.com

http://www.boursereflex.com

http://zoonek2.free.fr/UNIX/48_R/all.html (programmation R).

www.stata.com

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE


Relation dynamique entre rendement volatilité et volume de transaction

Article intéressant

ALHASSANE GARBA. A MASTER 2 MODELISATION EN FINANCE QUANTITATIVE