Vous êtes sur la page 1sur 257

UNIVERSITÉ MONTPELLIER I

Faculté d’économie
Ecole Doctorale Economie et Gestion
Laboratoire d’accueil : LAMETA

Analyse du risque de marché boursier marocain


en période de crise des subprimes :
Cas de l’indice MASI
Thèse présentée pour l’obtention du grade de

DOCTEUR DE L ’UNIVERSITE MONTPELLIER I &


DE L’UNIVERSITE MOHAMMED-V AGDAL-RABAT
Groupe des disciplines Sciences Economiques du CNU
Section 05
Soutenue publiquement le 15/01/2014
Par

Mounir El Bakkouchi

JURY

Walter BRIEC, Professeur, Président du jury


Université de Perpignan

Michel TERRAZA, Professeur, Directeur de thèse


Université Montpellier 1

Mohamed BOUSSETTA, Professeur, Codirecteur de thèse


Université Mohammed-V Agdal. Rabat

Régis BOURBONNAIS, Maître de conférences HDR, Rapporteur


Université Paris-Dauphine

Mohammed EZZNATI, Professeur, Rapporteur


Université Ibn-Tofail. Kénitra

Abderrassoul LEHADIRI, Professeur, Examinateur


Université Mohammed-V Agdal. Rabat

Jules SADEFO-KAMDEM, Maître de conférences HDR, Examinateur


Université Montpellier 1
La faculté n’entend donner aucune approbation ni improbation aux
opinions émises dans cette thèse. Ces opinions doivent être considérées
comme propres à leur auteur.

© Mounir EL BAKKOUCHI

1
A mes parents
Mes Sœurs
Mon frère

2
REMERCIEMENTS

Je tiens tout d’abord à adresser mes remerciements les plus sincères à


mon directeur de thèse, Monsieur le Professeur Michel TERRAZA pour
son soutien indéfectible durant toutes ces années de thèse. Je lui suis
profondément reconnaissant pour sa confiance, sa disponibilité et ses
encouragements. Ses idées originales et stimulantes et ses critiques
constructives m’ont aidé considérablement dans l’élaboration de ce
travail de recherche.

Je remercie également mon co-directeur de thèse, Monsieur le Professeur


Mohamed BOUSSETTA d’avoir accepté de s’associer à la direction de
cette thèse. Je lui suis reconnaissant pour sa disponibilité, ses
encouragements et ses précieux conseils.

Je voudrais également remercier Messieurs les Professeurs Walter


BRIEC, Régies BOURBONNAIS, Mohammed EZZNATI, Abderrassoul
LEHADIRI et Jules SADEFO-KAMDEM de m’avoir fait l’honneur de
faire partie de mon jury de thèse.

Je tiens à exprimer ma reconnaissance au Laboratoire Montpelliérain


d’Economie Théorique et Appliquée pour son accueil d’une durée de 18
mois dans le cadre du programme Averroès.

3
SOMMAIRE

Introduction générale………………………………………………………………. 5

CHAPITRE I : Le marché boursier marocain : les différentes étapes de


son évolution……………………………………………………......................................... 12

Introduction................................................................................................................... 13
Section I : Présentation du marché boursier marocain…………………………….... 16
Section II : Effet de la crise des subprimes sur la place Casablancaise………….. 52
Conclusion……………………………………………………………………………. 96

CHAPITRE II : L’impact de la crise des subprimes sur les rendements


de l’indice MASI : Etude d’événement à CT et à LT………………………….. 98

Introduction…………………………………………………………………………… 99
Section I : Etude événementielle à court terme de la crise des subprimes………. 100
Section II : Etude événementielle à long terme de la crise des subprimes……..... 135
Conclusion……………………………………………………………………............... 157

CHAPITRE III : La gestion du risque du marché boursier marocain :


un essai avec les modèles « Markowitz & VaR ».............................................. 159

Introduction…………………………………………………………………………… 160
Section I : Construction d’un portefeuille efficient en période de crise selon
l’approche de Markowitz…………………………………………………………………….. 162
Section II : Estimation et backtesting de la VaR des rendements de l’indice
MASI en période de crise…………………………………………………………………….. 184
Conclusion…………………………………………………………………………… 222

Conclusion générale………………………………………………………………. 223

Bibliographie………………………………………………………………………... 227
Annexes……………………………………………………………………………….. 239
Table des matières………………………………………………………………….. 254

4
Introduction Générale

Avant la réforme boursière de 1993, la bourse des valeurs de Casablanca


se caractérisait à la fois par l’étroitesse et par le manque de liquidité. Cette
situation d’atonie structurelle s’explique, notamment par la conjugaison de trois
facteurs principaux. Tout d’abord, l’intermédiation financière boursière était
confiée, en quasi exclusivité, aux banques commerciales qui n’avaient pas intérêt
à encourager la cotation des entreprises et le placement de l’épargne en bourse.
Ensuite, les épargnants n’étaient pas attirés par l’investissement en bourse du fait
de l’insuffisance des rendements qui ne permettaient pas de compenser les pertes
des valeurs occasionnées par l’érosion monétaire. Enfin, la majorité écrasante des
entreprises familiales, s’opposaient à la divulgation des secrets de leurs affaires et
à la publication de leurs résultats financiers comme c’est d’ailleurs toujours le cas.
Du fait de l’absence d’étanchéité entre les biens sociaux de l’entreprise et les
patrimoines personnels des propriétaires du capital, la publication des résultats
revient à dévoiler la fortune familiale.

Le marché financier marocain a connu un mouvement de modernisation


important, dans le but de faire passer le Maroc d’une économie d’endettement à
une économie des marchés financiers et atteindre par conséquent une situation
d’allocation optimale des ressources. Dans cette optique, les autorités marocaines
ont entrepris plusieurs reformes passant par trois stades.

La première réforme mise en œuvre en 1993 s’inscrit dans une perspective


générale de modernisation du financement de l’économie marocaine, trois textes
de lois relatives à la Bourses des Valeurs, aux Organismes de Placements
Collectifs des Valeurs Mobilières (OPCVM) et enfin la loi portant sur la création
du Conseil Déontologique des Valeurs Mobilières (CDVM).

La seconde reforme a été introduite en 1997. Elle s’appuie sur de nouveaux textes
de lois notamment celui modifiant le dahir relatif à la bourse des valeurs de 1993

5
et cherchant une dynamisation accrue du marché boursier avec un renforcement
de sa supervision. En phase actuelle, on assiste à la poursuite de la modernisation
du marché financier, au renforcement de la sécurité et à la transparence du
marché.

Dans le contexte de la libéralisation et de la globalisation financière, les


indicateurs boursiers servent de repères pour le choix des actifs et la composition
du portefeuille des investisseurs. Ces indicateurs permettent d’une part,
d’apprécier le dynamisme de la place boursière et, d’autre part, de se faire une
idée sur le degré de son émergence. Cette dernière est conditionnée par la
poursuite des réformes engagées.

Malgré les efforts de libéralisation déployés par le Maroc, qui visent à instaurer un
régime d’économie de marché, le recours au marché boursier reste encore limité,
si nous le comparons à la part de crédit bancaire dans le financement de
l’économie. Cette persistance de l’économie d’endettement s’explique, en partie
par la mentalité des entreprises marocaines qui préfèrent recourir au système
bancaire. Les avantages que peut procurer l’entreprise via le crédit bancaire
(déduction fiscale des charges financières et pratiques de l’effet de levier), et bien
évidemment, le recours à ce type de financement peut concerner même des
entreprises fragiles car, au Maroc, les banques octroient des crédits sur la base des
garanties personnelles. « Les exigences bancaires sont toujours les mêmes, les
banques ne prennent pas en compte les fondamentaux » regrette aussi M. Adnane
Debbagh, président de la fédération des PME-PMI à la confédération générale des
entrepreneurs marocains (CGEM)1. De ce fait, même les sous-capitalisées peuvent
accéder à ce genre de fonds, ce qui n’est pas le cas à la bourse où la levée des
fonds est subordonnée à certaines conditions de solidité financière. L’absence
d’une véritable réglementation prudentielle tolère une politique laxiste dans
l’octroi de crédit et n’oblige pas les banques à exiger le renforcement des fonds
propres de la part des entreprises qu’elles financent.

L’endettement des entreprises marocaines auprès des banques à été renforcé ces
dernières années par le contexte baissier des taux d’intérêt, ce qui offre des
moyens de financement avantageux et moins risqués.

1
Conjoncture mars 2001, p 814

6
On relève des modes de financement alternatifs qui empêchent le recours massif
des entreprises marocaines à la bourse en tant que moyen de financement. On cite
le crédit interentreprises (face à face) institué par Bank Al Maghreb, suite aux
mesures de libéralisation entamée par le Maroc depuis la moitié des années
quatre-vingt. De même, le financement informel qui fonctionne bien en raison des
connaissances qui entourent les chefs d’entreprises ; sans oublier la souplesse
accordée par le leasing ou le crédit-bail comme mode de financement attractif
(modalités de payement, fiscalité). Au total, autant de facteurs qui ont bloqué
l’offre de titre sur la bourse de Casablanca.

L’émergence de la bourse en tant que nouvel acteur de financement de l’économie


a créé une vive concurrence avec le secteur bancaire qui craint de perdre une
partie de sa clientèle et voir sa marge diminuer. Pourtant, cette tendance à la
désintermédiation n’a pas joué en faveur du marché boursier. Au Maroc, même
l’activité boursière est dominée par les banques. Les textes et les lois font que
l’activité de l’intermédiation et de conseils, ainsi que les nouveaux produits
offerts, sont l’apanage des banques. Par exemple, sur 17 sociétés de bourse
opérationnelle, 12 appartiennent au secteur bancaire. De même, la plupart des
analystes financiers sont issus du milieu bancaire. Le marché casablancais reste
largement réglementé et dominé par les banques, qui, dans le cadre de leur
nouveau métier, à savoir le pôle de banques d’affaires, ont monopolisé
l’intermédiation en bourse. Dans ce cadre, l’introduction en bourse est supervisée
par des opérateurs banquiers. Souvent, les cours d’introduction des sociétés
marocaines sont faibles. Les banquiers introducteurs veillent à ce que le prix à
l’introduction soit élevé, afin de fidéliser leurs clients soucieux de réaliser des
plus-values. Cette tendance empêche les entreprises à s’introduire, dès qu’elles
jugent être sous-évaluées par rapport à leur potentiel économique. D’ailleurs, le
rôle qu’occupent les banques dans la vie boursière constitue un facteur de blocage
de la place casablancaise.

Malgré la prédominance des banques dans l’activité de la bourse, la convention


d’un nouveau marché est perçue négativement, d’autant qu’elle contrecarre leur
activité traditionnelle. C’est la raison pour laquelle, aux yeux de beaucoup de
commentateurs, les banques n’ont pas apporté de véritables preuves de
développement du marché. L’éventail de services accordés aux entreprises (crédit

6
à des taux préférentiels, création des activités annexes para-bancaires comme le
leasing, l’assurance …) témoigne de leur désintérêt vis à vis du nouveau marché.

Il va sans dire qu’un tel processus de libéralisation, dans le contexte d’une


mondialisation intensifiée, risque de bouleverser non seulement l’économie
marocaine, mais aussi l’économie mondiale comme ce fut le cas pour d’autres
pays émergents qui ont précédemment tenté l’expérience. Ainsi, compte-tenu de
l’évolution du marché boursier marocain et de ses caractéristiques, il est plus que
jamais dans l’intérêt des gestionnaires de portefeuilles et des investisseurs en
général de comprendre et de gérer convenablement les risques du marché. En
effet, les turbulences des marchés, les crises et les krachs exposent l’investisseur à
de grands risques dont la compréhension précise devient essentielle.

La bourse des valeurs de Casablanca a connu durant les années 1990 une chute
des indices à cause des réformes. En 2005, le marché a progressé de 30%, 70% en
2006 et un peu plus de 30% durant les quatre premiers mois de 2007, après une
chute durant cette même année de 20%, puis l’indice général de la bourse n’a pas
cessé de baisser. Certains analystes y voient une simple correction technique,
d’autres un minikrach boursier : Krach ou correction1 ?.

Le marché tremble et les investisseurs potentiels sont désarçonnés, c’est la


première fois en effet que la place Casablancaise plonge dans la baisse, après plus
de deux ans de hausse.

Youssef Benkiran, directeur général de BMCE Capital Bourse et vice-président de


l’association des sociétés de bourse (APSB) montre qu’après cette période
euphorique durant laquelle les cours ont explosé, il est normal qu’un stade de
baisse soit au rendez-vous. D’autres analystes estiment que si le marché boursier a
baissé, c’est parce que les introductions en bourse ont diminué en 2007.
Pratiquement aucune société n’a été introduite en bourse à cause du début du
déclenchement de la crise américaine.

1
Une correction boursière est une forte baisse d'une Bourse, place financière ou marché financier.
La correction boursière fait chuter les indices boursiers ainsi que les actions des sociétés cotées.
On trouve des corrections boursières pour le CAC 40,Dow Jones, Nasdaq ou Nikkei et Footsi.

7
La bourse des valeurs a connu en Mars 2008, « période de la crise des
subprimes », une volatilité de 70 milliards de dirhams, l’indice MASI a perdu 953
points, soit prés de 8% en deux jours. Comment expliquer des mouvements d’une
telle ampleur ?. Cet événement, heureusement rare, a des conséquences
financières très importantes. Comment évaluer l’intensité de ce risque extrême ?
Peut-on le prédire ? A-t-il une dynamique particulière ?

Cette volatilité accrue est la plus extrême et la plus importante dans l’histoire du
marché boursier marocain. Elle a combiné avec des cas spectaculaires de faillites
dans le monde de la finance, a donné un regain d’intérêt évident à cet aspect
important de la gestion des entreprises. La place casablancaise utilise des
méthodes traditionnelles de gestion du risque du marché, c’est la raison pour
laquelle il est devenu primordial de chercher une nouvelle technique de gestion
des risques plus efficace et plus convenable à la taille de cette bourse. Elle s’avère
nécessaire face à une volatilité des marchés financiers de plus en plus forte et à
une complexité et un volume de plus en plus croissant des produits financiers
négociés. De nos jours la bourse marocaine ne donne pas une grande importance à
la gestion des risques auxquels elle s’expose quotidiennement. Elle doit se
préparer aux plus graves scénarios pour pouvoir y faire face efficacement ou pour
pouvoir ajuster ses positions en fonctions du risque du marché.

Selon de nombreux observateurs financiers, la place Casablancaise est encore


faible, petite et quelque fois déconnectée des réalités de l’économie marocaine.
Bakir (2002) a conclu que le marché boursier marocain n'a pas encore atteint le
stade de maturité des marchés financiers des pays développés. Il a trouvé des
résultats empiriques remarquables qui résident dans l’inefficience de ce marché où
les rentabilités boursières ne sont pas normalement distribuées, sont stationnaires
et par conséquent prévisibles. De plus, il existe une dépendance linéaire dans les
rentabilités quotidiennes aussi bien pour l'indice général MASI que pour la plupart
des titres individuels.

Nous sommes aussi confrontés à des optimistes qui partent du principe que
l’économie marocaine bouge et se développe avec le temps, où les chantiers sont
ouverts, avec une industrie qui se modernise et une agriculture qui devient de plus
en plus performante avec le Plan Maroc Vert, et des pessimistes qui affirment que

8
la baisse du marché boursier risque de se prolonger et que le sinistre scénario des
années (2007-2009) pendant lesquelles la bourse a connu une chute du cours de
l’indice MASI pourrait se reproduire. Pour participer aux déclarations
contradictoires entre ces protagonistes, nous proposons dans cette thèse une
analyse empirique détaillée des rendements de l’indice MASI, en mettant plus
particulièrement l’accent sur la crise des subprimes pour mieux comprendre le
fonctionnement du marché.

Notre objectif principal, c’est d’analyser empiriquement les rentabilités du marché


boursier marocain surtout en période de crise des subprimes (2007-2009), afin de
mieux appréhender son fonctionnement en période de ladite crise. Nous rejetons
l’optique de Bakir (2002) concernant la tendance des cours boursiers à revenir
vers une valeur fondamentale et aussi que celle des rendements des actions de
l’indice MASI qui obéissent à une loi normale. Pour cela nous recourons à la
modélisation économétrique des rendements qui a connu récemment des études
académiques plus avancées.

Pour estimer cet événement inattendu de la volatilité de l’indice MASI, nous


utilisons une modélisation des événements extrêmes 1 (cas de la crise des
subprimes) afin de mesurer le risque de marché2 et qui pourra être utilisé ensuite
dans la détermination du capital minimum de couverture. En effet, dans le cadre
de la réglementation prudentielle, le comité de Bâle laisse la liberté aux
institutions financières de choisir leur méthode de gestion interne, d’où l’intérêt
de pouvoir modéliser et prévoir le risque. La gestion du risque est une gestion des
événements rares et inattendus, or avec l’utilisation de la distribution normale, ces
événements ont un caractère prévisible et rien ne sert pour cela d’étudier leur
fréquence, Bakir (2002).

Depuis le milieu du siècle dernier, plusieurs méthodes de mesures de risque ont


été développées par les chercheurs en gestion de portefeuille depuis la théorie de
la diversification de portefeuille de Markowitz jusqu’à la méthode de la Value at
Risk développée par la banque américaine JP Morgan en 1993-1994. Les

1
Un mouvement extrême de prix d’un actif financier ou d’un indice de marché est défini comme
la rentabilité la plus basse (ou minimale) et la rentabilité la plus haute (ou maximale) observée sur
une période donnée.
2
La variation de la valeur d’un portefeuille d’actifs due aux mouvements de marché (variation de
cours, taux d’intérêt, taux de change…)

9
méthodes de la VaR permettent ainsi de mesurer les risques de baisse de la valeur
des actifs avec une probabilité donnée. De plus en plus, les institutions financières
ont besoin de quantifier le risque que leur portefeuille pourrait subir au cours
d’une période donnée. Grâce à la VaR, ces institutions peuvent juger de la
possibilité et de la magnitude d’une potentielle perte dans leur portefeuille.

La VaR a gagné la confiance des institutions bancaires. Elle est désormais comme
un benchmark dans la gestion des risques, d’autant plus que cette méthode de
mesure de risque de marché est celle qui préférée et recommandée par les agences
réglementaires. Cependant, il n’existe pas une mesure unique de la VaR, mais
plusieurs à l’instar de diverses techniques qui permettent de l’estimer (Méthodes
paramétriques, méthodes non-paramétriques, méthodes semi-paramétrique).

Afin de circonscrire notre objectif d’explication de la volatilité du marché boursier


marocain représenté par l’indice MASI, nous faisons appel aux performances des
VaR calculées, selon trois modèles (la VaR normale, la VaR Student et la VaR
Riskmetrics). Ces modèles, les plus utilisés dans la pratique sont comparés par les
méthodes de backtesting et la sélection opérée et recommandée aux institutions
qui font appel à la question de la performance boursière.

Nous développons notre recherche selon trois chapitres. Dans le premier


chapitre nous posons le cadre de notre analyse. Nous traitons l’organisation du
marché boursier marocain et nous présentons ses différents blocs. Nous traitons
aussi le contexte de l’évolution de la place casablancaise avant et après la crise
des subprimes et son impact sur l’environnement économique et financière
marocain et aussi sur les différentes grandes places boursières mondiales.

Dans le deuxième chapitre, nous procédons à une étude d’événement liée à la


crise des subprimes, appliquée sur les rendements des indices sectoriels qui
composent l’indice du marché boursier marocain le MASI. Afin de justifier les
décisions des investisseurs sur le marché marocain, dans le but d’analyse
l’impact de cette crise immobilière sur la réaction à court terme du marché au
travers des fluctuations du cours des actifs sectoriels.
Nous étudions par la suite les performances à long terme des indices qui
complètent les études à court terme. Ces méthodes permettent de détecter les

10
gains ou les pertes de valeur qui sont enregistrés par le marché boursier
marocain pendant la période post-événement.

Dans le troisième chapitre, nous présentons les caractéristiques statistiques en


termes de normalité et de stationnarité des séries boursières d’un échantillon de
neuf actifs sectoriels pendant la période du 01 janvier 2007 au 31 décembre 2008
(période de la crise). Elles nous permettent de construire des portefeuilles
efficients en se basant sur les principes de sélection de portefeuille optimal
développés par Markowitz. Nous cherchons par la suite le modèle VaR qui capte
mieux la volatilité des rendements de l’indice MASI, dans des conditions aussi
bien calme qu’extrême.

11
CHAPITRE I
Le marché boursier marocain :
les différentes étapes de son
évolution

12
Introduction

Depuis 1983, l’économie marocaine vit de profondes mutations : libéralisation


de plusieurs secteurs, libéralisation des prix, déréglementation et dérégulation
bancaire, décloisonnement bancaire, privatisation des entreprises, convertibilité
partielle du dirham etc. Le Maroc cherche à accéder aux marchés financiers
globalisés et à intégrer une dynamique croissance qui caractérise les dragons
asiatiques et les pays de l’Amérique latine. Pour ce faire, il a entrepris, sous la
houlette du fonds monétaire internationale (FMI), la mise en œuvre du
programme d’ajustement structurel (PAS) en vue de redresser l’économie du
pays et ce depuis le début des années 80.

En effet, la situation socio-économique était alors devenue particulièrement


critique. L’existence de contraintes externes (augmentation des taux d’intérêt
internationaux, augmentation des prix de l’énergie, la baisse des prix des
phosphates, augmentation des taux de change…) et de contraintes internes
(cycle de sécheresse 1981-1983, investissements civils et militaires dans les
provinces sahariennes, prolifération des entreprises publiques…) a fait que les
réserves de changes ont connu une chute sans précédent et permettaient à peine
de couvrir quelques jours d’importation.
Le Maroc ne pouvait plus honorer ses engagements vis-à-vis de ses créanciers.
Il fallait reconsidérer le paramétrage de l’économie pour sortir de cette
situation de quasi insolvabilité. Dans ce contexte de crise et sur
recommandation du FMI, des réformes ont été introduites pour assurer le
passage de l’économie administrée à une économie de plus en plus libérale.
De ce fait, quatre séries de moyens sont mises en œuvre : la libéralisation de
l’économie (les programmes de privatisations, la réforme du système
financier), la libéralisation du commerce extérieur (la suppression des
interdictions d’importation, la réduction des droits de douanes), la baisse des
dépenses publiques et l’incitation à l’investissement national et étranger. Sur le
plan sectoriel, le PAS prévoyait, notamment le désengagement de l’Etat des
entreprises publiques en faveur d’un mode de gestion privée. A ce niveau, la

13
privatisation a été retenue comme l’une des modalités de ce désengagement.
Parallèlement à cette réforme d’envergure stratégique, le PAS prévoyait,
également la réforme de la bourse des valeurs de Casablanca (BVC) pour
qu’elle soit mise à contribution dans l’effort de transfert des entreprises
privatisables au secteur privé.

Le lancement d’une économie libérale par le gouvernement marocain basée sur


des opérations de privatisations, nécessite préalablement la mise en place d’un
ensemble de réformes dans le sens de la modernisation et de la dynamisation
du marché boursier marocain.
Les reformes sont initiées par les textes de la loi de 1993 et complétées en
1997. Avant 1993, le marché boursier ne jouait qu’un rôle marginal dans le
financement de l’économie. En effet, le volume annuel des transactions
financières n’a jamais dépassé le chiffre de 200 millions de dollars, ce qui
représente l’équivalent d’une journée de transactions à la bourse de Taiwan.
La capitalisation boursière ne dépasserait pas, quant à elle, 2 milliards de
dollar, et le rapport de la capitalisation boursière sur le PIB représente moins de
7%. Ces chiffres expliquent d’ailleurs pourquoi les banques et les organismes
spécialisés monopolisaient l’activité de financement des entreprises. Cette
situation a conduit à :
- un accroissement de la dépendance financière des entreprises à
l’égard des intermédiaires financiers bancaires ;
- L’élargissement des marges d’intermédiation, dans le cadre
d’absence de la concurrence entre les différents marchés de capitaux.
Pour permettre à la bourse des valeurs de Casablanca, de jouer pleinement son
rôle dans le but d’enclencher le cycle vertueux de croissance : recapitalisation
des entreprises et développement de l’investissement, création d’emploi et
accroissement de l’épargne, il était impératif de procéder à une réforme en
profondeur de cette institution financière.

La place Casablancaise est reconnue au niveau international comme l’un des


marchés émergents les plus modernes du continent africain. Cette
modernisation a été obtenue grâce à une étroite collaboration de l’ensemble des
acteurs. Afin de comprendre les différentes étapes de cette modernisation, nous

14
présentons dans la première section les principaux indicateurs de l’évolution
de la bourse de Casablanca, l’analyse du fonctionnement et de l’organisation
du marché boursier marocain et la présentation des différents compartiments du
marché.

Dans la deuxième section nous nous intéresserons à l’origine de la crise des


subprimes et son impact sur l’environnement économique et financière
marocain, surtout sur l’évolution de l’indice MASI et qu’ils sont les
préventions adoptées par Bank Al-Maghrib. Après nous traiterons l’évolution
des marchés boursiers internationaux et la bourse des valeurs de Casablanca
entre les années 2006-2008 c’est-à-dire avant et après la crise américaine.

15
Section I
Présentation du marché boursier marocain

Au début des années 1980, dans un environnement international marqué par la


tendance à la déréglementation et la libéralisation des économies, la réforme du
marché financier est devenue une condition primordiale pour le développement
des économies des pays en développement. Cette réforme n’a pas eu lieu en
même temps que les programmes d’ajustements structurels préconisés par le
Fonds Monétaire International puisque ces économies étaient encore
caractérisées par des faiblesses et des équilibres économiques et financiers.
C’est à partir du début des années 1990 que la plupart des pays en
développement ont entrepris des réformes structurelles portant sur la
modernisation de leurs systèmes financiers.

Dans cette optique, les pouvoirs publics marocains ont adopté plusieurs
reformes concernant le marché des capitaux en général et le marché boursier en
particulier. Une loi a été promulguée le 21 septembre 1993, prévoyant
l’adoption d’une organisation et d’une gestion nouvelle de la bourse sous
l’appellation de la Société de la Bourse des Valeurs de Casablanca (SBVC), la
création d’un organe de contrôle des rouages de l’institution notamment la
protection des épargnants : le Conseil Déontologique des Valeurs Mobilières
(CDVM), l’institution des sociétés de bourse et enfin la création d’organismes
d’animation et d’aides aux opérateurs : les Organismes de Placement Collectifs
de Valeurs Mobilières (OPCVM).

Pour gagner en transparence et pour renforces sa crédibilité, la bourse de


Casablanca a adopté en mars 1997, un système de cotation électronique
semblable à celui de la bourse de Paris. De même qu’au cours de cette même
année, un nouvel organisme appelé « Dépositaire Central » a été créé pour la
dématérialisation des titres et leur inscription en compte auprès dudit

16
organisme. D’autres reformes ont vu le jour à la bourse de Casablanca
notamment la mise en place d’un marché de blocs en remplacement des
cessions directes et la création d’un second et d’un troisième compartiment
dont les conditions d’accès sont plus souples que celles du premier
compartiment.

Les objectifs escomptés par ces réformes ont été relativement atteints. Les
performances du marché boursier marocain ne cessant de s’améliorer depuis
1993. A titre d’exemple, la capitalisation boursière est passée de 26 milliards
de dirhams en 1993 à 516 milliards de dirhams en décembre 2011. Par ailleurs,
elle a atteint un niveau historique de 145 milliards de dirhams en 1998. Quant
au volume des transactions, il a connu une hausse spectaculaire allant de 5 à
103 milliards de dirhams entre 1993 et 2011. De ce fait, le volume quotidien
moyen des transactions boursières est passé de 20 à 410 millions de dirhams
entre 1993 et 2011. Aujourd’hui, la bourse de Casablanca est reconnue au
niveau international comme l’un des marchés émergents les plus modernes du
continent africain. Cette modernisation a été obtenue grâce à une étroite
collaboration de l’ensemble des acteurs : pouvoirs publics, banques, sociétés de
bourse et d’autres institutions de la place.

I. Aperçu général sur la bourse des valeurs de


Casablanca

L’évolution historique du marché boursier marocain a été marquée


successivement par les structures suivantes : L’office de compensation des
valeurs mobilières, l’office de cotation des valeurs mobilières et enfin de la
Bourse des valeurs de Casablanca.
La Bourse des Valeurs de Casablanca a vu le jour en 1929 sur l’initiative des
principales banques privées exerçant leur activité au Maroc, sous le nom
d’Office de compensation des valeurs mobilières.

17
Un arrêté du 13 juillet 1948 changera la dénomination ancienne en « Office de
Cotation des Valeurs Mobilières de Casablanca ». Cet arrêté est venu ancrer
officiellement l’existence de cet organisme.
Après l’indépendance et des événements qui l’ont précédé, le marché boursier
connaissait une chute sans précédent, due à la fois à la fuite de capitaux et à
l’exode des étrangers qui constituaient à l’époque l’essentiel de la clientèle
boursière.
Quelques années après, l’apparition d’une épargne nationale disposée à
s’investir en valeurs mobilières présuppose la mise en place d’une bourse
structurée. Une nouvelle réforme s’imposait. Ce fut l’œuvre de la loi du 14
Novembre 1967 qui traduisait ainsi la volonté des pouvoirs publics de doter le
marché financier marocain d’une bourse juridiquement et techniquement
organisée. Ce marché prend désormais la dénomination de « Bourse des
Valeurs de Casablanca ».
Depuis 1993, la Bourse de Casablanca vit une seconde jeunesse suite à la
promulgation d’un ensemble de textes de lois, portant réforme du marché
financier et création des cadres réglementaires et techniques indispensables à
son émergence, ainsi la Bourse de Casablanca a connu différentes étapes de
modernisation qui se récapitulent comme suit :

SEPTEMBRE 1993

Promulgation de trois textes de loi sur le marché financier :

- Dahir portant loi n°1-93-211 relatif à la Bourse des Valeurs.

- Dahir portant loi n°1-93-212 relatif au Conseil Déontologique


des Valeurs Mobilières et aux informations exigées des personnes
morales faisant appel public à l’épargne.

- Dahir portant loi n°1-93-213 relatif aux Organismes de


Placement Collectif en Valeurs Mobilières.

JUILLET 1994

- Création du Conseil Déontologique des valeurs Mobilières


« CDVM ».

18
OCTOBRE 1994

- Agrément des douze premières sociétés de bourse.

FEVRIER 1995

- Création de l’Association Professionnelle des Sociétés de


Bourse « APSB ».

AOUT 1995

- Création de la Société de la Bourse des Valeurs de Casablanca


« SBVC ». (Signature du cahier de charge).

NOVEMBRE 1995

- Création des Organismes de Placement Collectif en Valeurs


Mobilières « OPCVM ».

MAI 1996

- Signature d’un protocole de coopération entre les professionnels


de la Bourse de Casablanca et la Bourse de Paris.

SEPTEMBRE 1996

- Intégration de la Bourse de Casablanca dans l’indice des pays


émergents de la Société Financière Internationale « SFI », avec une
pondération de 0,75%.

DECEMBRE 1996

- La loi de 1993 est amendée et complétée par la loi n° 35-96


instituant le dépositaire central Maroclear.

JANVIER 1997

- Promulgation de la loi n° 34-96 modifiant et complétant le dahir


portant loi n° 1-93-211 relatif à la Bourse de Casablanca.

- Promulgation de la loi n° 35-96 relative à la création d’un


dépositaire central et à l’institution d’un régime général de l’inscription
en compte de certaines valeurs.

MARS 1997

- Démarrage du Système de Cotation Electronique.

- Inauguration du nouveau siège de la Bourse.

19
JUIN 1997

- Institution de la taxe parafiscale sur les transactions boursières


au profit du CDVM (0,04% pour les titres de capital et 0,02% pour les
titres de créances).

NOVEMBRE 1997

- Caravane de la Bourse

- Intégration de la Bourse de Casablanca dans l’indice


« Investable » des pays émergents de la Société Financière Industrielle,
avec une pondération de 0.91%.

MARS 1998

- Baisse de 40% du taux de commission (de 0,39% à 0,24% pour


les actions).

JUIN 1998

- Généralisation de la cotation électronique à toutes les valeurs du


compartiment actions.

AOUT 1998

- Publication du règlement général de Maroclear dans le Bulletin


Officiel.

- Publication du règlement général de la SBVC dans le Bulletin


Officiel. Basculement des obligations dans le système de cotation
électronique.

OCTOBRE 1998

- Démarrage de l’activité du dépositaire central Maroclear.


(Dématérialisation des titres cotés en bourse).

NOVEMBRE 1998

- Mise en place du Marché Central et du Marché de Blocs en


remplacement du Marché Officiel et du Marché des Cessions Directes.

DECEMBRE 1998

- Baisse du taux de commission des transactions (0,24% à 0,14%


pour les actions, et instauration, pour les obligations, d’une commission
forfaitaire de 0 à 350 dirhams).

20
SEPTEMBRE 1999

- Démarrage du site internet de la Bourse de Casablanca :


www.casablanca-bourse.com

DECEMBRE 2000

- Adoption par la Bourse de Casablanca de la structure de Société


Anonyme à Conseil de Surveillance et Directoire, conformément à la
nouvelle loi sur la S.A, aux statuts de la Bourse de Casablanca et à son
cahier des charges.

JANVIER 2001

- Délocalisation de la négociation électronique dans les locaux des


sociétés de bourse.

MAI 2001

- Réduction du délai de dénouement théorique des opérations


réalisées en bourse de J+5 à J+3.

- Intégration de 12 valeurs de la cote casablancaise dans l’indice


Emerging Markets de Morgan Stanley.

DECEMBRE 2001

- Lancement des nouveaux indices de la Bourse de Casablanca :


MASI®, MADEX®, indices sectoriels, indices de rentabilité et indices
en devise (en dollar et en euro).

JANVIER 2002

- Lancement des nouveaux indices de la Bourse de Casablanca :


MASI®, MADEX®, indices sectoriels, indices de rentabilité et indices
en devises.

MARS 2002

- Démarrage du système de garantie de bonne fin des opérations


boursières.

- Suppression de la cote de la Bourse de Casablanca du Marché


des Pièces d’Or.

21
AVRIL 2004

- Aménagement des textes de loi régissant la Bourse des Valeurs,


avec la loi 52-01 amendant le dahir n° 1-93-211 du 21 septembre 1993
relatif à la Bourse des Valeurs.

DECEMBRE 2004

- Adoption de la capitalisation boursière flottante dans le calcul


des indices.

- Amendement du Règlement General.

JANVIER 2005

- Mise en place de nouvelles conditions d’admission pour le


Marché Obligataire.

- Instauration de critères de séjour à la cote pour le Marché des


Actions.

JANVIER 2006

- Application de nouveaux critères de séjour à la cote.

MAI 2007

- Promulgation des nouvelles lois relatives au dahir portant loi n°


1-93-211 relative à la Bourse des Valeurs, la loi n° 1-93-212 relative au
Conseil Déontologique des Valeurs Mobilières et aux informations
exigées des personnes morales faisant appel public à l’épargne et la loi
26-03 relative aux offres publiques.

JUIN 2007

- Promulgation de l’arrêté du ministre de l’Economie et des


Finances n° 1137-07 ayant modifié l’article 3.7.8 du règlement général
de la Bourse de Valeurs.

MARS 2008

- Mise en place de la Version 900 du nouveau système de


cotation.

AOUT 2008

- Publication de l’arrêté du Ministre de l’Economie et des


Finances n° 1268-08 ayant approuvé le règlement général de la Bourse
de Casablanca.

22
DECEMBRE 2008

- Création d'un comité de suivi de la Bourse de Casablanca


émanant du Conseil de Surveillance pour la refonte des statuts de
l'entreprise et le passage d'un modèle de gouvernance duale avec
Directoire et Conseil de Surveillance vers un modèle avec conseil
d'Administration et Direction Générale.

AVRIL 2009
- Passage effectif de la Bourse de Casablanca au mode
gouvernance avec Conseil d'Administration et Direction Générale.

OCTOBRE 2010
- La Bourse de Casablanca adhère à la World Federation of
Exchanges (WFE) et devient ainsi, son 52ème membre, la 4ème bourse
arabe et la 4ème bourse africaine à en faire partie.

JANVIER 2011
- La Bourse de Casablanca met en place, en
partenariat avec FTSE Group, une nouvelle série d’indices qui se
compose de deux indices : le FTSE CSE Morocco 15 Index et FTSE
CSE Morocco All-Liquid Index.

AVRIL 2011
- La Bourse de Casablanca participe à la création de l’Association
des Bourses Francophone d’Afrique (ABFA) avec pour objectif
principal de favoriser une meilleure intégration des marchés boursiers
de l’Afrique francophone. La présidence de l'association a été confiée à
M. Karim Hajji.

JUILLET 2011
- La Bourse de Casablanca met en place une offre financière au
profit des PME pour les inciter à s’inscrire à la cote. Cette offre, valable
du 1er juillet au 31 décembre 2012, consiste à octroyer un chèque de
500 000 MAD aux entreprises qui remplissent des critères définies. Ce

23
même mois, la Bourse de Casablanca est certifiée ISO 9001- Version
2008 pour une période allant de 2011 à 2014.

OCTOBRE 2011
- Publication dans le Bulletin officiel n° 5984 du 06 octobre 2011
de l’amendement du Dahir portant loi n°1-93-211 relatif à la Bourse des
Valeurs. Cet amendement a visé l’actionnariat de la société gestionnaire
de la Bourse des Valeurs de Casablanca. Ainsi, Ses statuts doivent
mentionner les dénominations des sociétés actionnaires et le
pourcentage du capital social détenu par chacune d’elles qui ne doit pas
excéder un seuil fixé par arrêté du ministre chargé des finances. Tout
changement dans l’actionnariat de la société gestionnaire, est soumis à
l’approbation préalable du ministre chargé des finances et que ses
actions ne sont souscrites ou rachetées qu’à un prix fixé par le CDVM.

1. La réforme du marché boursier et ses objectifs

Le lancement des programmes de libéralisation par les autorités publiques,


notamment les opérations de privatisations, nécessite la mise en place d’un
arsenal de réformes dans le sens de la modernisation et de la dynamisation du
marché boursier marocain.
La réforme du marché boursier s’est déroulée en trois principales étapes :
1er étape : Il a touché l’organisation et la gestion de la bourse. En effet le statut
juridique de la bourse a changé. Elle n’est plus un établissement public, mais
une société anonyme de droits privés dont le capital est détenu totalement par
les sociétés de bourses intermédiaires.
2éme étape : Il concerne la création du conseil déontologique des valeurs
mobilières pour le contrôle de la bourse.
3éme étape : Il intéresse les organismes de placement collectifs en valeurs
mobilières (OPCVM).

24
21 Mars 1997 : Dernière séance de criée à la bourse de Casablanca Sise à
Mohamed V.
25 Mars 1997 : L’informatisation de la Bourse.
2001 : la délocalisation de la négociation électronique dans les locaux des
sociétés de bourse.
2002 : le lancement des nouveaux indices Masi® et Madex®, les indices
sectoriels, les indices de rentabilité et les indices en devises.
Les réformes boursière de 1993 a fait l’objet de trois textes de lois :
- La loi relative à la bourse des valeurs et aux intermédiaires.
- La loi relative aux organismes de placement collectif en valeurs
mobilières (OPCVM).
- La loi portant sur la création du conseil déontologique des
valeurs mobilières (CDVM).
Ces lois ont été mises en place par les autorités publiques pour les objectifs
suivants :
- La dynamisation du marché financier afin de lui permettre une
large participation au financement de l’économie.
- La protection des épargnants et l’amélioration de l’information
des investisseurs et du public.
- La mise en place des moyens permettant de rendre le marché
boursier plus liquide et plus transparent.
- L’institution de nouveaux produits financiers.
- L’instauration d’un régime fiscal favorisant le placement en
valeurs mobilières.

Les réformes boursières de 1997 ont vu le jour pour compléter les textes de la
loi de 1993, le nouveau premier texte de loi a modifié le Dahir du 21
septembre 1993 relatif à la bourse de valeurs, créé le dépositaire central
(MAROCLEAR) et institué un régime de dématérialisation des titres pour
améliorer les procédures de dénouement des transactions. Le Second texte a
institué un régime général de l’inscription en compte courant pour les valeurs
mobilières inscrites à la côte casablancaise, les titres de créances négociables
(TCN), les titres des OPCVM et les bons du Trésor émis en adjudication et

25
crée un dépositaire central chargé d’un côté, d’assurer la conservation des titres
admis au régime du compte courant et de l’autre, faciliter leur circulation.

Dans cette optique, nous concluons que la première reforme mise en œuvre en
1993 s’inscrit dans une perspective générale de modernisation du financement
de l’économie marocaine, mais la seconde reforme de 1997 s’appuie
essentiellement sur de nouveaux textes de lois notamment celle modifiant le
dahir relatif à la bourse des valeurs de 1993, cherche une dynamisation accrue
du marché boursier, un renforcement de sa supervision. En phase actuelle, on
assiste à la modernisation du marché financier et au renforcement de la sécurité
et de la transparence du marché.

2. Le fonctionnement du marché boursier de Casablanca

Il existe deux grands types d’organisation de marché en matière de modes de


cotation sur le plan international : les marchés de contrepartie dirigés par les
prix, et les marchés d’agence dirigés par les ordres. La différence entre les
marchés porte notamment sur le rôle des intermédiaires, sur le mode de
cotation des prix, sur le mode de transmission et d’exécution des ordres et les
informations dont disposent les agents au cours de la séance des échanges.
Dans un marché dirigé par les prix, le market – maker spécialiste de la valeur,
les teneurs de marché sont en concurrence, qui énoncent une fourchette de prix
et une double quantité représentant ses limites d’engagements. La fourchette
comprend deux prix : prix immédiatement prêt à acheter bid price et prix prêt à
vendre ask price. La décentralisation du marché permet à des propositions de
conditions de prix d’achat et de vente par chaque teneur de marché en
rémunérant la fourchette proposée. Les prix proposés via ce système par les
teneurs de marché qui éveillent l’introduction des ordres de la clientèle et
engendrent les échanges des titres. Les bourses anglo-saxonnes, surtout la
bourse de Londres utilise ce type d’organisation, qui diffuse les cotations des
différents teneurs du marché par le système SEAQ.
Dans un marché dirigé par les ordres, les actifs s’échangent sur le marché par
les ordres introduits qui déterminent bien évidemment les prix. Les sociétés de
26
bourse prennent en charge les ordres des clients dans le but d’organiser les
échanges d’actifs, quel que soit leur volume la concentration permet un
traitement égalitaire des ordres. La bourse de Casablanca a adopté le système
d’un marché dirigé par les ordres. Pour comprendre son fonctionnement, il est
important d’analyser sa structure, l’organisation de son système de cotation, le
degré d’automatisation de ses procédures d’échanges, l’exécution des ordres, la
détermination des prix des actifs, le dénouement des opérations et les différents
coûts de transaction.

Structure du marché boursier marocain

La bourse de Casablanca est caractérisée par l’existence d’une fragmentation


de son marché boursier : le marché central et le marché de blocs. Le premier
est conçu pour la confrontation de l’ensemble des ordres d’achat et de vente
pour les valeurs mobilières admises à la cote officielle de la bourse. Le second
est caractérisé par la négociation directe des valeurs mobilières inscrites à la
cote de la bourse mais qui portent sur des volumes d’échanges importants.

· Le marché central

Le marché central est l’endroit où se confrontent les ordres d’achat et de vente


des titres provenant de la clientèle. Ces ordres sont transmis au marché par
l’intermédiaire des sociétés de bourses. Dans ce marché, les cours sont
déterminés en fonction de la liquidité des valeurs mobilières c’est-à-dire que
les titres les moins liquides sont cotés au fixing, alors que les titres les plus
liquides sont cotés en continu. Toute transaction sur une valeur mobilière cotée
à la bourse de Casablanca, ne dépassant pas le volume requis pour être
exécutés sur le marché des blocs, doit passer par le marché central. Ce privilège
confère au marché central de la place Casablancaise un rôle pilote dans
l’évaluation de la valeur des entreprises cotées.

· Le marché de blocs

27
Le marché de blocs est entré en activité au mois de novembre 1998, en
remplacement du marché gré à gré des cessions directes. Ce marché est institué
pour les transactions portant sur des volumes d’échanges importants,
principalement certains ordres d’investisseurs institutionnels, qui en raison de
l’absence de contrepartie suffisante sur la feuille de marché au moment où ils
se présentent, ne peuvent être exécutés totalement sur le marché central.
L’avantage majeur de ce marché est la faiblesse des frais de transactions en
comparaison avec ceux des transactions qui passent par le marché central.

Les méthodes de cotation

Les valeurs inscrites à la cote officielle de la bourse de Casablanca sont


négociées au comptant. Les transactions ne comportent aucun terme.
Cependant, l’ambition des professionnels de la place de Casablanca de créer un
marché à terme est de plus en plus réelle. Malheureusement, l’étroitesse et la
complexité de type de marché risquent d’entrainer une vague de spéculation, ce
qui impliquera des effets néfastes sur le marché financier de Casablanca.
La modernisation de la Société de Bourse des Valeurs de Casablanca a entrainé
le démarrage de son systéme de cotation électronique en mars 1997. Ce dernier
est le résultat d’une coopération poussée entre la Société des Bourses
Françaises (SBF) et la SBVC. Le passage de la cotation à la criée à la cotation
électronique a eu lieu entre le 4 mars 1997 et le 15 juin 1998. Aujourd’hui
toutes les valeurs mobilières cotées à la bourse de Casablanca sont négociées
sur le systéme de cotation électronique à partir des stations de négociation
mises à la disposition des sociétés de bourse par la SBVC.

Les ordres de bourse

L’informatisation de la cotation de la bourse de Casablanca qui est devenu en


continue pour les valeurs les plus liquides de la SBVC, a entrainé la
simplification des ordres de bourse et une utilisation principalement de deux
types : les ordres au prix de marché et les ordres à cours limité.
L’ordre de bourse peut être transmis par tout moyen à la convenance du
donneur d’ordre (lettre, télex, télégramme, télécopie, téléphone ou par serveur

28
internet lorsqu’il ne s’agit pas d’un client nouveau). Pour veiller la régularité
des transactions, la loi exige l’horodatage des ordres, dés leur réception par les
sociétés de bourse. Il faut que l’heure d’arrivée d’un ordre dans le carnet d’une
société de bourse puisse être connue, ainsi que le moment ou la société de
bourse le transmet sur le marché.
Avant l’introduction des ordres dans le système de cotation, les sociétés de
bourse doivent effectuer des contrôles de prix et de volume, pour chaque
valeur, afin de détecter les ordres dont la taille est disproportionnée par rapport
à la capacité d’absorption du marché, ainsi que les ordres caractérisés par des
prix très éloignés des cours du marché. Ces contrôles ont pour objectif
principal de surveiller le bon fonctionnement du marché et à assurer l’intégrité
du marché.

Les coûts de transaction sur titres

Les transactions réalisées sur le marché boursier nécessitent le paiement de


coûts de transaction qui sont constitués principalement de commissions et de
taxes. Les commissions représentent les frais d’intermédiation prélevés par les
intermédiaires de bourse pour exécuter les ordres provenant de leur clientèle.
Par ailleurs, les taxes constituent l’ensemble des droits perçus par les pouvoirs
publics.

Les taux maximums des commissions1 de courtage qui peuvent être perçus par
les sociétés de bourse et la société gestionnaire sont réglementés par le ministre
des finances. Les commissions que les sociétés de bourse peuvent percevoir
sont différentes selon qu’il s’agit de titres de créances (obligations) ou des
titres de capital (actions). Pour les premiers, le taux maximum est de 0.3% du
montant de l’opération, alors que pour les seconds il est de 0.6%. Quant aux
commissions de la société gestionnaire, elles sont comprises entre 0 et 350
dirhams pour les obligations et de 0.10% du montant de la transaction
concernant les titres de capital. Ces commissions s’ajoutent à celles des
établissements bancaires qui exercent quelques opérations comme la garde de

1
Le taux de TVA appliqué aux différentes commissions est actuellement de 7%.

29
titres, le paiement des coupons et le transfert des titres dans un autre
établissement.

Le niveau des commissions boursières connaît une baisse très significative ces
dernières années. A titre d’exemple, le taux de commission pratiqué par la
société gestionnaire de la bourse de Casablanca a connu entre janvier 1996 et
janvier 2000 une baisse de 80% passant de 0.50% à 0.10%. Cependant, si le
Maroc veut développer davantage son marché boursier, les différents acteurs de
la bourse (les autorités gouvernementales, les sociétés de bourse, la SBVC et
les banques) doivent impérativement réviser à la baisse les coûts des opérations
sur titres d’autant que la majorité des pays émergents les baissent afin de
rendre attractifs leur marché tant pour les investisseurs étrangers que locaux.

3. La culture boursière marocaine

Si on examine la relation des investisseurs marocains avec la bourse, on


constate qu’ils ne sont pas encore familiers avec les automatismes financiers.
On relève l’absence d’une culture financière. La plupart des intervenants ne
connaissent pas les mécanismes financiers, en raison de l’essor récent de la
finance de marché au Maroc. En outre, il n’y a pas une véritable politique de
vulgarisation de cette culture de la part des autorités boursières à destination
des intervenants, surtout envers les petits actionnaires. La prise en compte des
fondamentaux et une analyse au moins transversale de la bourse, en relation
avec son environnement économique, n’a pas fait l’objet d’une véritable
stratégie de communication à l’égard des intervenants. Les seules compagnies
de sensibilisation se limitent à attirer la demande des investisseurs dans l’espoir
de dynamiser la bourse sans se préoccuper d’une formation de type financier.

Si pour les professionnels qui sont censés avoir un bagage en la matière, le


raisonnement économique de la bourse n’est pas primordial dans le processus
de décision, comme le laisse croire l’ensemble des théories qui confirment les
difficultés d’application de « la rationalité fondamentaliste ». Alors qu’en est-il
pour le petit épargnant ? Pour les petits porteurs, ils se limitent à l’écoute de

30
marché et le recours aux conseils des analystes financiers, publiés
quotidiennement dans la presse nationale à travers « La vie économique » « La
nouvelle tribune » et « L’économiste », et communiquent aussi informellement.
Les anticipations s’apparentent à de simple jeu de loterie en raison de la
crédibilité des sources en question, puisque les recommandations des experts
sont, dans la plupart des cas biaisées, du moment qu’elles sont menées dans
l’optimisme des affaires, et parfois manipulées.
Les ménages marocains sont loin de faire des études sur les entreprises sur
lesquelles ils misent puisque le minimum d’informations n’est pas encore
garanti. Les entreprises nationales se limitent à donner uniquement les
informations légales sur leurs résultats (comptes consolidés) sans donner des
informations précises sur leurs projets d’avenir, base sur laquelle s’orientent les
anticipations sur les revenus futurs. De même, les informations fournies sont
très tardives1. Ainsi, l’investisseur marocain se limite à observer des courbes
graphiques dans les annuaires boursiers et dans les journaux publiés
quotidiennement dans les flashs bourse, cela pour faire des opérations
mécaniques d’achat-vente sans connaître leur philosophie 2 . D’ailleurs, faute
d’informations et par manque de transparence qui pourraient, au moins,
améliorer la visibilité des investisseurs, le marché est exposé aux bruiteurs et
aux opérations parasitaires. Ce qui nous amène à constater que la demande
d’actifs manifestée sur notre place est à la frontière de l’irrationalité.

4. Exemple d’un marché émergent

D’habitude, l’appellation marché émergent concerne certains pays qui


répondent à des critères économiques et financiers bien précis, notamment les
nouveaux pays industrialisés tels que Taiwan, Hong Kong, Singapour, Corée
du sud … ces pays connaissent une progression spectaculaire de leur économie,
reflétée aussi par des performances financières remarquables. Par la suite,

1
Le manque de culture financière dans les entreprises nationales, les rend réticentes vis-à-vis
d’une politique laxiste de diffusion de l’information, ce qui se répercute sur la décision des
investisseurs qui y participent.
2
Il n’est pas étonnant, lors de notre enquête auprès des sociétés de bourse de voir, des
analystes d’examiner l’évolution de la courbe de l’indice à partir des journaux. Alors qu’en est-
il pour l’homme de la rue ou le petit actionnaire ?

31
d’autres pays ont été qualifiés d’émergents du point de vue de l’essor de leurs
marchés financiers sur la scène internationale ainsi que par rapport à la
progression de leurs indices comme indicateurs de solidité économique
(Thaïlande, Malaisie, Indonésie… etc).

Sur le plan national, depuis 1996, et uniquement sur la base des indicateurs
financiers, la bourse de Casablanca s’est intégrée dans l’indice des pays
émergents de la société financière internationale (SFI), cela en raison des
bonnes performances successives qui ont donné au marché l’image d’une place
financière en progression par rapport à ce que recèle le potentiel économique
du pays et sa dynamique. Cette vision est corroborée par le contexte de
libéralisation du système financier dans le cadre du programme d’ajustement
structurel. Ensuite, douze valeurs de la côte ont été intégrées dans l’indice
emerging market de Morgan Stanley au cours de l’année 2001, Il s’agit de la
BCM, BMCE, Wafabank, ONA, SNI, SBM, CIMAR, SONASID,
MANAGEM, SMI, CIOR et SAMIR. En mai 2005, le Maroc fait partie du
l’indice Morgan Stanley capital international (MSCI), un indice qui mesure la
performance des pays émergents.

Même si chaque marché financier émergent évolue à son propre rythme, les
ressemblances qui découlent de ces évolutions permettent néanmoins de
distinguer quatre phases par lesquelles, selon Azour(1997), ils semblent tous
passer avant d’atteindre la phase de maturité et de stabilité.

Azour (1997) distingue 4 phases par lesquelles les pays émergents semblent
tous passer avant d’atteindre la phase de stabilité et de maturité, même si
chaque marché financier émergent évolue à son propre rythme.

Les stades de développement des marchés boursiers des pays émergents

· 1er niveau (cas de la Pologne, Maroc, Hongrie, …)


o Cadres réglementaires et institutionnels élémentaires.
o Volatilité assez élevée
o Nombre limité des sociétés cotées
o Faible capitalisation boursière
o Grande concentration du marché

32
· 2éme niveau (cas du Chine, Brésil, Chili…)

o Taille des marchés réduite par rapport à l’économie locale.


o Grande variété des sociétés cotées
o Niveau de liquidité convenable
o Présence d’investisseurs internationaux

· 3éme niveau (cas de la Thaïlande, Malaisie, , Indonésie…)


o Volatilité plus faible
o Rentabilités stables
o Mécanismes de transfert de risques et de couverture adéquats.
o Capitalisation boursière en forte expansion

· 4éme niveau (cas de Singapour, Hongkong, Corée du Sud, …)


o Activité assez forte
o Marchés matures avec liquidité suffisante
o Marché d’actions bon baromètre de l’économie locale.
o Prime de risque convergent vers les niveaux internationaux

La première phase représente le marché boursier comme l’un des moyens de


financement de l’activité et de la croissance économiques du pays. Ce dernier
atteint un certain degré de stabilité politique et économique à cause de
l’apparition des marchés des valeurs mobilières, où les investisseurs qui
deviennent confiants dans le rôle de celles-ci. Le choix de ce mécanisme
d’investissement reste assez limité à cause du faible volume de transaction
réalisé sur ces marchés par rapport au choix pertinent des dépôts bancaires
rationnels et des obligations à court terme. La deuxième phase est active et
volatile à cause de la libéralisation du système financier, le marché boursier
améliore sa réglementation avec une modernisation de son organisation afin de
faire face à l’augmentation massive du volume des titres traités et d’attirer les
investisseurs potentiels. Mais dans cette phase, il existe des facteurs comme la
persistance des contraintes réglementaires inadaptées et l’étroitesse du marché
qui limitent l’intérêt des investisseurs. La troisième phase c’est un niveau
d’expansion où le marché boursier offre des rentabilités moins volatiles et
stables. Certains marchés connaissent un transfert des risques, ce qui favorise
bien évidemment la création d’instruments de couverture des risques en change
et en capital, tels que les actifs conditionnels et les contrats à terme. La dernière

33
phase c’est un stade de maturité où les marchés fonctionnent selon un cadre
institutionnel et réglementaire satisfaisant et dans les mêmes conditions que les
marchés des pays développés. A ce niveau de développement, la capitalisation
boursière des marchés émergents excède parfois celle des pays développés, et
cela grâce à une liquidité très satisfaisante, une activité assez élevée, et un très
grand nombre de sociétés cotées.

La deuxième phase est caractérisée par une libéralisation du système financier


et par une certaine crédibilité vis-à-vis de ces marchés. Lors de cette phase
active et volatile, le marché des valeurs mobilières améliore sa réglementation
et modernise son organisation afin d’attirer les investisseurs potentiels, et de
faire face à l’augmentation du volume des titres traités. Dans cette phase, il
existe toujours des facteurs qui limitent l’intérêt des investisseurs tels que
l’étroitesse du marché et la persistance de contraintes réglementaires
inadaptées.

La troisième phase est celle de l’expansion c'est-à-dire la phase où le marché


offre des rentabilités stables et surtout moins volatiles. Lors de cette phase,
certains marchés voient l’apparition de mécanismes de transfert des risques,
favorisant ainsi la création d’instruments de couverture des risques en capital et
en change, tels que les contrats à terme et les actifs conditionnels.

La dernière phase est celle où les marchés deviennent matures, fonctionnant


dans les mêmes conditions que les marchés des pays développés avec un cadre
réglementaire et institutionnel satisfaisant. A ce stade de développement, la
capitalisation boursière des marchés émergents dépasse parfois celle des pays
riches, et cela grâce à un très grand nombre de sociétés cotées, une activité
assez élevée et une liquidité très satisfaisante.

Depuis le début des années 90, les marchés émergents des pays d’Asie et
d’Amérique Latine ont suscité une littérature abondante, destinée à comprendre
leurs fonctionnements, leurs organisations, et leurs perspectives futures.
Néanmoins, il ya peu d’études qui ont été consacrées au marché boursier
marocain. C’est la raison pour laquelle, dans cette section nous analysons les

34
différents facteurs qui ont contribué au développement du marché financier
marocain qui est considéré depuis 1996, par la plupart des institutions
financières internationales1 comme une place financière émergente.

5. Spécificités du marché boursier marocain

Pour ce qui concerne l’Afrique, peu de marchés entrent dans le classement et le


calcul des indices émergents (Indices de Morgan Stanley Capital International
« MSCI » ou de International Finance Corporation / Standard and Poors
« IFC/S&P »). Ce qui privilège est parfois donné à ceux de l’Afrique du sud,
du Maroc, de l’Egypte. Le marché boursier marocain est en transition, en
d’autres termes, qui grandit en taille, en activité et en niveau de sophistication.
Le marché émergent marocain serait différents des marchés développés en
terme de microstructure et d’évaluation des actifs. Cette différence se
répercute, par conséquent sur le comportement des cours et des rendements
boursiers.

Par exemple, les distributions de rendements boursiers dans les marchés


émergents exhibent un degré significatif de Skewness et parfois de Kurtosis.
Les marchés émergents sont aussi caractérisés par des rendements et une
volatilité élevés. Ce qui fait que la prime de risque est jugée significativement
plus élevée dans les marchés émergents relativement aux marchés développés.
En termes d’évaluation des actifs, l’invalidité du MEDAF dans les marchés
émergents semble être une analyse partagée par la plus grande partie des
chercheurs. Ainsi, des modèles alternatifs ont été élaborés pour tenir compte de
la spécificité des marchés émergents, surtout en termes de volatilité des
rendements (DCAPM, LPM-CAPM, ARM). De même, toujours dans le cadre
de l’évaluation des actifs, il est judicieux de se demander si certains effets bien
connus dans les marchés développés (effet taille, effet book-to-market ratio…),
sont aussi constatés dans les marchés émergents.

1
Le 3 novembre 1996, la SFI intègre le Maroc dans son indice IFCI composite. Le choix du
Maroc est le résultat d’une sélection basée sur des critères rigoureux de performance et de
stabilité.

35
Nous résumons dans le tableau 1 suivant, les spécificités structurelles notoires
des marchés émergents par rapport aux marchés développés.

36
Tableau 1 : Comparaison de la structure des marchés émergents et des marchés développés
Facteurs structurels Marchés émergents Marchés développés
Rôle mitigé dans la détermination des
Place non négligeable
rendements
Facteurs macroéconomiques
[Kortas et alii. (2005), Hooker [Chen et alii. (1986)]
(2004)]
Facteurs fondamentaux de l’entreprise Même comportement Même comportement
(taille, book-to-market, value [Van Der Hart et alii. (2005), Kortas [Hart et alii. (2005), De Groot et
stocks…) et alii. (2005), Hooker (2004)] Verschor (2002)]
Faible Elevée
Transparence (disponibilité et qualité
[Van Der Hart et alii. (2005), De [Van Der Hart et alii. (2005), De
de l’information)
Groot et Verschor (2002)] Groot et Verschor (2002)]
Elevée
Volatilité (prime de risque, rendement Moins Elevée
[Salomons et Grootveld (2003),
boursier) [Salomons et Grootveld (2003)]
Bekaert et alii. (1998)]
Asymétrie, aplatissement (skewness Elevés Moins Elevés
négative et kurtosis élevée) [Adcock et Shutes (2005)] [Defusco et alii. (1996)]
Rendements plus prédictibles Rendements moins prédictibles
Prévisibilité des rendements [Bekaert et Harvey (2002), Harvey [Bekaert et Harvey (2002), Harvey
(2005)] (2005)]
Non pertinent
Non pertinent
Modèles alternatifs : (ARM, D-
Modèles alternatifs : modèle FF3,
MEDAF (CAPM en anglais) CAPM)
modèle de Campbell (1996).
[Hwang et Pedersen (2004), Estrada
[Hodrick et Zhang (2001)]
(2002b)]
Source : Les marchés boursiers émergents. Benjamin Ndong, 2011.

37
6. Comportement des cours boursiers du marché marocain

A l’instar de la plupart des pays en développement, le Maroc n’a pas échappée


à ces transformations radicales concernant l’organisation et le fonctionnement
des marchés boursiers. Les réformes adoptées depuis 1993 ont été
déterminantes dans le développement du marché boursier marocain.

Certes, le Maroc est doté une bourse des valeurs fonctionnant selon des
standards reconnus par la communauté financière internationale. Cependant,
les règles de fonctionnement et d’organisation ne sont pas les seuls facteurs
déterminants dans l’attrait d’investissement locaux et étrangers. La recherche,
l’analyse et l’exploitation de l’information disponible remplissent aussi le rôle
primordial dans la décision de placement des investisseurs. Ces derniers
s’intéressent à la pertinence de l’information publique révélée sur le marché, à
l’information privée qu’ils détiennent, à l’anticipation des informations privées
détenues par les autres agents économiques et aussi à la détermination du degré
de rapidité avec lequel le marché intègre dans les cours des titres chaque
catégorie d’information.

Dans un marché financier efficient d’un point de vue informationnel,


l’ensemble des informations disponibles sur le marché est instantanément
reflété dans le cours des actifs financiers concernés. Aucun actif n’est alors
sous-évalué ou surévalué et la recherche d’informations devient inutile puisque
l’ensemble de l’information est déjà contenu dans le cours des titres concernés.

Le jeu d’actions et de réactions des traders fait que toute opportunité de profit
prédite par les uns entraine une action qui produit une variation de prix qui, à
son tour, remet en cause les opportunités de profit des autres. Aucun
intervenant du marché ne peut faire un profit par anticipation ou par prévision,
car les variations des cours, c’est-à-dire les rendements, sont imprévisibles
parce que les cours suivent une marche aléatoire, les rendements sont ainsi
identiquement et indépendamment distribués (iid).

38
II. Les principaux indicateurs du marché boursier
marocain

La bourse des valeurs de Casablanca adopté le système d’un marché dirigé par
les ordres. Pour comprendre son fonctionnement, nous analysons brièvement sa
structure, son système de cotation, son degré d’automatisation et ses
procédures d’échanges.
Les séries de réformes et la modernisation de la bourse de Casablanca ont
entrainé le démarrage le système de cotation électronique en mars 1997. Les
valeurs de la criée ont passées vers le système électronique progressivement du
18 mai au 28 juin 1998.
Le système électronique est un réseau permettant la connexion entre des
stations de négociation installées dans les sociétés de bourse ou dans tout autre
lieu agrée par la société gestionnaire par l’autorité de marché, et la saisie des
ordres ne peut être remplie que pour des négociateurs agissant pour le compte
de la société de bourse. Cette modernité de la BVC permet aujourd’hui à toutes
les valeurs mobilières cotées à la place boursière d’êtres négocier sur le
système de cotation électronique.

La bourse casablancaise est caractérisée par l’existence d’une division de son


marché boursier : le marché central et le marché des blocs. Le premier est géré
par la bourse de Casablanca et permet la confrontation électronique de l’offre
et la demande des valeurs mobilières admises à la cote officielle. Les sociétés
de bourse introduisent les ordres d’achat et de vente à travers leur station de
négociation et c’est le système électronique qui détermine le cours d’équilibre.
La séance de cotation sur le marché centrale dure de 10h à 15H35. Le seuil de
variation du cours d’une action ne peut pas dépasser 6% à la baisse ou à la
hausse au cours d’une même séance de bourse. Le second permet la
négociation immédiate de tels ordres à un cours issu du marché. Une opération
de bloc est une transaction qui n’a pas lieu sur le marché central. Le marché
des blocs est un marché de gré à gré.

39
La société de bourse connait à l’avance un acheteur et un vendeur d’une même
action au même cours et procède à l’enregistrement de la transaction auprès de
la bourse des valeurs de Casablanca. La bourse n’intervient que pour
l’enregistrement des opérations traitées sur ce marché. Il existe une taille
minimum du bloc qui est fixée par la bourse. Et généralement c’est un marché
qui est réservé aux grandes transactions.

Les actions admises à la cote officielle de la bourse des valeurs de Casablanca


sont déterminées en fonction de leur liquidité. Le mécanisme de fixing consiste
à confronter tous les ordres d’achats et de ventes aux débuts de chaque journée
boursière, de manière à obtenir un prix unique pour toutes les transactions
concernant la même valeur. Cette première modalité est adaptée aux valeurs
qui sont peu liquides. Alors que celle des valeurs les plus liquides sont
déterminées par une cotation en continu. Cette dernière qui est adaptée aux
gros ordres et aux valeurs liquides, les ordres d'achats et de ventes sont émis
tout au long de la journée boursière et sont exécuté instantanément à des cours
évolutifs.

Aujourd’hui, le Maroc est doté d’une bourse des valeurs mobilières


fonctionnent selon les normes reconnus par la communauté financière
internationale. Cependant, les règles de l’organisation et de fonctionnement ne
sont pas les seuls facteurs déterminants dans l’attrait d’investissement étrangers
et locaux. La libre circulation de l’information joue un rôle primordial dans la
décision de placement des investisseurs, car ils s’intéressent à la pertinence de
l’information publique révélée sur le marché, à l’information privée qu’ils
détiennent. En effet, le manque d’information et l’absence d’une culture
boursière sont les faits marquants de la vie boursière marocaine. Ce contexte
suscite un climat d’opacité qui favorise le mimétisme et le suivisme.

Notre étude montre que, depuis sa relance avec les réformes de 1993, le
marché marocain ne suit pas les fluctuations irrégulières et spontanées de
l’économie.

40
1. Identification des indices boursiers

La performance du marché se mesure par son indice global ou par une série
d’indices représentant l’évolution de la capitalisation des sociétés
sélectionnées, sur la base des critères bien déterminés. Notre étude porte
essentiellement sur l’indice général de la bourse (MASI) et qui sera testé et
modélisé économétriquement durant la formalisation des autres chapitres de ce
modeste travail.
- Le MASI (Moroccan All Shares Index) est l’indice général du marché
boursier marocain, il mesure l’évolution générale du marché sur la base d’un
volume de transactions, réalisé sur l’ensemble des sociétés cotées. C’est un
indice large, dans le sens où il intègre toutes les valeurs cotées à la bourse de
Casablanca.

- Le MADEX (Moroccan Most Active Shares Index) est un indice représentant


un échantillon de valeurs, il est composé des valeurs les plus actives en termes
de liquidité. Cet indice constitue un moyen utile à la gestion de portefeuille
puisqu’il reflète l’évolution d’une sélection de titres les plus liquides du
marché (ONA, BCM, BMCE, Lafarge Ciments, Holcim Maroc, SNI, BCP,
SAMIR, SONASID, MANAGEM, Wafa Assurances, CIH). Il a pour base
1000 au 31/12/1991.

La bourse de Casablanca a mis en place ces deux nouveaux indices boursiers


dans le cadre de son processus de modernisation pour mesurer nouvellement
l’évolution et les performances du marché, en remplaçant l’ancien indice
général de la bourse (IGB), ce dernier a connu beaucoup d’obsolète égard
notamment aux changements majeurs qu’a connus la place.

Ce changement radical dans la vie du marché boursier marocain ne procède


cependant pas du hasard. Elle découle d’abord de la volonté de satisfaire aux
besoins des professionnelles qui ont maintes fois décrié les imperfections et les
carences de l’IGB, et longtemps réclamé un indice qui permette une lecture
plus pertinente et plus pointue du marché. Aussi une nécessité accrue d’être en
phase avec les standards internationaux, cette réforme répond non seulement au
besoin d’instaurer une approche dynamique de la gestion collective, mais

41
également de mettre en place les bases adéquates à un futur lancement de
produits dérivés sur le marché boursier marocain.

A la différence de l’ancien indice général de marché (IGB), techniquement, la


détermination de la tendance générale du marché a connu des changements
conformes aux méthodes de calcul adoptées par les bourses internationales.
D’ailleurs, au début de l’année 2002, les deux indices MASI et MADEX ont vu
le jour. Le lancement des nouveaux indices s’appuie sur la méthodologie
retenue par les grands indices mondiaux. Cette modification vise à permettre
une meilleure représentativité de marché par des indices pertinents, et
d’exprimer la réalité boursière des sociétés cotées dans les indices en question.
En tant qu’indicateur de performance, l’indice du marché mesure en général le
niveau du marché. Son évolution indique de façon dynamique les performances
enregistrées par les sociétés au cours d’une période donnée. En effet,
l’évaluation du marché marocain (ou plutôt les entreprises nationales
composant le marché), commence d’abord par un traitement descriptif des
résultats enregistrés à travers la variation moyenne des cours, et l’ampleur de
cette variation dans le temps.

2. Calcul des indices boursiers

Une nouvelle méthodologie de calcul de différents indices a adopté en 1er


décembre 2004 par Bourse de Casablanca, basée sur le principe du flottant. Ce
mode de calcul, vise à apporter une plus grande cohérence entre la traduction
de cette réalité dans les indices et la réalité boursière des sociétés cotées, qui a
retenu par les principales bourses internationales. L’aboutissement à une
meilleure adéquation entre le poids du titre dans l’indice et son poids dans le
marché pousse à un changement de pondération des valeurs dans l’indice
boursier.

Le principe du flottant

Le flottant est la part de titres détenus par le public ou la part du capital d’une
société cotée susceptible de faire l’objet de transaction sur le marché.

42
Auparavant la méthodologie appliquée aux indices boursiers de Casablanca
conduira à évaluer les pondérations des titres composant chaque indice sur la
base du capital total mais maintenant sur la base de cette détenue par le public.

La définition du flottant

La définition de flottant retenue pour le calcul des indices prend en compte la


totalité des actions des entreprises cotées à l’exception des éléments suivants :

· L’autocontrôle
Représente les actions de la société cotée détenues par les sociétés contrôlées
par la société cotée, au sens de l’article 144 de la loi sur la S.A. Les actions
détenues en propre par la société cotée ne font pas partie de cette catégorie
d’actions. A noter qu’il s’agit de l’autocontrôle au sens strict du terme et pas
des actions détenues temporairement par l’entreprise suite à des rachats
d’actions.

· Les participations détenues par l’Etat

Représentent des participations directes via des sociétés et des établissements


publics qui ont contrôlé par l’Etat.

· Les participations comme stables

Des participations stables depuis au moins trois ans, d’au moins 5% : c’est-à-
dire qui n’ont pas évolués assez significative à la baisse depuis trois ans. Il y’a
des participations incluses d’aucune importance d’actionnaires qui
conjointement ou parallèlement au lien capitalistique avec des accords
stratégiques ou industriels ou avec les sociétés cotées.

· Les actions détenues par les fondateurs

Les fondateurs qui exercent une influence sur le contrôle et la gestion de la


société, détiennent directement ou indirectement les actions de la dernière.

43
Ø La mise en application du flottant et le principe du
facteur de plafonnement

Le flottant prend en considération la totalité des actions des sociétés cotées à


l'exception : des actions émises par une société cotée et détenues par des
sociétés contrôlées par la société émettrice, des actions détenues directement
ou indirectement par l'Etat, des actions détenues par les fondateurs de la société
et qui peuvent exercer une influence sur sa gestion, des actions détenues par
des personnes morales (hors fondateurs et l’Etat) exerçant un contrôle sur la
société au sens de l'article 144 de loi sur la société anonyme, des actions
détenues par des personnes (hors fondateurs et l’Etat) agissant de concert au
sens de l’article 10 de la loi n° 26-03 relative aux offres publiques sur le
marché boursier, des participations d'au moins 5% stables depuis au moins 3
ans.

Une révision annuelle des flottants est effectuée le dernier jour de bourse
précédent le 16 juillet et prend effet le premier jour de bourse du mois de
septembre. Les résultats sont publiés au bulletin de la cote. Des révisions
exceptionnelles peuvent avoir lieu si un événement sur les titres (offre
publique, augmentation de capital…) viendrait à impacter le flottant d’au
moins 5%. Ces révisions exceptionnelles sont publiées au bulletin de la cote et
prennent effet 5 jours de bourse après ladite publication.

La pondération maximum d’une société dans le MASI et dans le MADEX est


plafonnée à 20% de la capitalisation flottante de l’indice. L’application de ce
facteur de plafonnement permet d’éviter la surpondération d’une valeur et à
assurer une bonne représentativité de l’échantillon.

Suite à cette réforme, les deux indices boursiers de la place casablancaise ont
changé de noms pour devenir : MASI flottant et MADEX flottant. Jusqu’à la
clôture de l’année 2010, MASI retrace l’évolution de capitalisation boursière
de soixante-treize sociétés, alors que MADEX n’en retient que soixante
sociétés.

44
La formule de calcul des deux indices

La nouvelle formule de calcul des indices s’écrit comme suit :

å fit.Fit.Qit.Cit
I = 1000 i =1

Bo.Kt

t : instant de calcul
N : nombre des valeurs de l’échantillon
fit : facteur flottant
Fit : facteur de plafonnement
Qit : nombre de titres total de la valeur i en t
Cit : cours de la valeur i en t
Bo : capitalisation de base au 31/12/1991
Kt : coefficient d’ajustement en t de la capitalisation de base

Le flottant (fit) est calculé une fois par an sur la base des informations
collectées auprès des émetteurs. D’autres sources d’information publiques
pourront également être sollicitées. Il est révisé annuellement ou
exceptionnellement si des opérations (augmentation de capital, etc.) viennent
impacter ce flottant d'au moins 5%.

Le facteur de plafonnement de chaque valeur i (Fit) est calculé en prenant en


considération la capitalisation flottante de l'entreprise et le poids de cette
dernière. Ceci ne devrait pas dépasser 20% de la capitalisation flottante totale
de l'indice. Le calcul d’un coefficient de justement permet de neutraliser les
événements hors marché qui viennent engendrer des ruptures dans le calcul de
l’indice MASI et MADEX. Une fois l'événement se produit, la capitalisation de
base ajustée est calculée le jour même avant la pré-ouverture.

La méthode de calcul du coefficient d'ajustement dépend de la nature de


l'événement ou opération capitalistique produite (admission d'une valeur à la
cote, changement de secteur retrait d'une valeur, réduction de capital,
augmentation de capital, division ou regroupement de titre, fusion, absorption
et assimilation). Cette refonte de la méthodologie du calcul des indices
boursiers répond à un besoin d’établir une conformité entre la bourse de
Casablanca et les bourses internationales.

45
3. La composition de l’indice MASI

L’indice MASI ‘Moroccan All Shares Index’ : représente l’indice générale de


la place Casablancaise, il mesure l’évolution globale de la bourse en période
bien déterminée sur la base de volume d’affaires. A chaque séance de cotation
on peut calculer la valeur de l’indice MASI. C’est un indice très large qui
permet de suivre d’une manière optimale le développement de l’ensemble de
valeurs des sociétés cotées en bourse.

Cet indice boursier n’est pas seulement un instrument qui mesure l’évolution
d’un marché ou d’un compartiment boursier, mais bien évidemment un
indicateur de performance de la place boursière. L’indice MASI est parmi
d’une gamme homogène d’indices de capitalisation qui ont été développé par
la BVC, il donne une vision plus fine sur l’évolution de différentes
capitalisations inscrites sur la bourse, et bien évidemment sur la contribution à
l’activité boursière. L’indice de rentabilité sous-jacent au MASI, les indices
sectoriels et sous-sectoriels sont diffusés et calculés lors de la clôture de la
séance. Pour bien interpréter l’évolution de ces différents indices il faut mettre
en place une batterie d’indicateurs qu’est émise en continu.

Dans le souci de fournir des instruments adaptés à l’évolution de la côte et du


tissu économique marocain, la bourse des valeurs de Casablanca a révisé sa
nomenclature économique via l’introduction une nouvelle classification des
activités sectorielles. La nouvelle gamme d’indices de la BVC s’appuie sur la
même méthodologie que les grands concepteurs d’indices dans le monde. Ces
indices sectoriels permettent aux investisseurs une référence fiable qui pourra
les servir comme un support à des produits dérivés. La gestion des indices
repose sur une méthodologie conforme aux normes internationales,
garantissant la compétence, la transparence, la fiabilité et la représentativité. Le
comité qui assure le calcul, la diffusion, et la révision périodiques des indices
se réunit une fois par an pour procéder à la mise à jour des indices sectoriels, et
à chaque semestre pour procéder à la modification des échantillons retenus.
Généralement, l’indice MASI est un indice nu de type transversal, un outil de

46
référence et de mesure à long terme de la performance et englobe (53 valeurs)
et leurs lignes secondaires.

4. Lancement de nouveaux indices

Le nouvel indice «FTSE CSE Morocco» a été officiellement lancé par la


Bourse de Casablanca le 21 décembre 2010. Fruit d’une collaboration entre la
société gestionnaire de la Bourse et FTSE Group, l’un des leaders mondiaux
dans la création et la gestion d’indices, ce nouveau baromètre répond à
plusieurs objectifs visés par la place casablancaise, dont une meilleure visibilité
à l’international, à un moment où les marchés émergents suscitent de plus en
plus l’intérêt des grands investisseurs, et la possibilité aux opérateurs nationaux
de développer une gestion indicielle performante et des nouveaux produits
innovants.
En réalité, c’est une nouvelle série d’indices qui a été conçue et non pas un seul
indice. En effet, pour l’instant, la série se compose de deux baromètres : FTSE
CSE Morocco 15 Index et FTSE CSE Morocco All-Liquid Index. Le premier
est composé des 15 principales valeurs de la Bourse de Casablanca, classées
selon la capitalisation boursière, et le second retrace la performance de toutes
les valeurs liquides de la place. Ils sont calculés toutes les 15 secondes, et
affichent au 21 décembre des performances respectives de 37,4% et 19,84%.

Graphique 1 : Evolution des indices FTSE CSE Morocco

Source : FTSE Group, Données au 30 Novembre 2010

47
FTSE CSE Morocco 15 Index – Temps réel, investissable : L’indice est
composé des 15 principales valeurs sur la Bourse de Casablanca, classées en
fonction de la capitalisation boursière.
FTSE CSE Morocco All-Liquid – Temps réel, indice de référence : L’indice
capture la performance de toutes les valeurs liquides de la Bourse de
Casablanca.

L’ARBRE GÉNÉALOGIQUE DE LA SÉRIE FTSE CSE MOROCCO

La série d'indices FTSE CSE Morocco est calculée en Dirham marocain


(MAD). Une version Cours et une version Rendement total seront calculées
pour chaque Indice. Les Indices de cours seront calculés en temps réel et
publiés toutes les 15 secondes. Les Indices de rendement total sont calculés en
fin de journée. Les Indices de rendement total se fondent sur les ajustements
d'ex-dividende.

La série d'indices FTSE CSE Morocco sera également disponible en dollar


américain et en euro en fin de journée.
La série d'indices FTSE CSE Morocco a été conçue sur la base des meilleures
pratiques professionnelles et bénéficie de toute l'expérience de FTSE en
construction d'indices attractifs à l'attention d'un large éventail d'investisseurs
et d'intermédiaires cherchant à développer des produits structurés en fonction
d'indices. À ce titre, cette série d'indices offre aux investisseurs une norme en
toute transparence pour évaluer, mesurer, et accéder au marché boursier
marocain.

48
5. Evolution historique des indices

Depuis les reformes intervenues en 1993, le marché boursier marocain a connu


une croissance, qui a duré presque six ans, avant de plonger par la suite dans
une récession qui a duré environ quatre ans, suivie d’une reprise. Le tableau
suivant montre la performance du marché depuis l’année 2002, l’année de
lancement des nouveaux indices boursiers.

Avant 1999, le marché connaît une certaine euphorie du point du vue de


résultats enregistrés. La croissance est en moyenne de presque 31 % et atteint
son sommet pendant l’année 1997, lorsqu’elle arrive au seuil de 50 %.
Cependant, après cette période, le marché se régresse en enregistrant des
contre-performances de l’ordre de 13 % en moyenne. Au-delà de
l’interprétation des données, nous retenons l’idée générale, à savoir que le
marché connaît une croissance durable mais insoutenable, manifestée par des
périodes de vaches grasses puis de vaches maigres. Cette évolution montre le
comportement cyclique du marché pendant une période durant laquelle, il
connaît une bonne conjoncture, puis le retournement de cette conjoncture. Le
cycle continue par une nouvelle phase de reprise où l’indice croit jusqu’à
2007. Cette tendance se confirme aussi à travers l’analyse des données
descriptives de l’indice MADEX, représentant quelques valeurs les plus
liquides du marché.

49
Tableau 3 : Evolution de l’indice MASI

Année 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

Indice MASI 1504,7 2118 2223,3 2914 4340,3 5163 4865,1 3995,3 3569 2980 3943,5 4522 5539,1 9479,45 12694,97 10984,29 10444 12655

-
Performance 28,80% 40,70% 4,90% 31% 48,90% 18,90% -5,70% -17,80% -10,6% -16,40% 26,34% 10,96% 23,75% 71,14% 33,92% -13,48% 21,17%
4,92%

Source : La Bourse de Casablanca


*La performance est calculée par référence à la variation de l’indice à la date de clôture de chaque année31/12/N

Tableau 4 : Evolution de l’indice MADEX

Année 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Indice
1185,9 1513 1666 2377 3543 4295 4300 3693 3323 2513 3175 3522 4359 7743,81 10464,34 9061,02 8464,47 10335,3
MADEX
Performance 11,86 27,60% 10,10% 42,60% 49,00% 21,20% 0,10% -14,10% -10% -24,40% 26,3% 10,9% 23,7% 77,66% 35,13% -13,41% -6,58% 21,10%

Source : La Bourse de Casablanca

50
A la lumière du tableau, il s’avère qu’à l’instar du MASI, l’indice MADEX
reflète aussi le caractère cyclique des valeurs phares composant le marché.
D’une manière générale, on peut postuler, sur la base des données descriptives,
que le marché marocain connaît un effet de résistance durant son évolution au
moment où la croissance résiste pendant un laps du temps ainsi que pendant la
récession durant laquelle la baisse résiste aussi (effet de persistance) . En effet, si
on découpe la période de marché en deux sous-périodes : avant 1999 (qui
enregistre la phase de son expansion) et après 1999 (qui marque la période de
crise du marché marocain), on peut observer cette résistance tantôt à la hausse
(période de progression de marché) tantôt à la baisse (période de la crise). Il n’y
a pas de phases alternées ; c’est-à-dire une année de bonne performance suivie
d’une année de mauvais résultats (signe + puis - ) mais une trajectoire de
continuité et de résistance (+, +, + puis -, -, - ). En effet, la bourse de Casablanca
connaît dans son évolution un comportement cyclique marqué par l’euphorie et
la crise. Puis, à partir de 2003 jusqu’au 2007, le marché connaissait une phase de
reprise reflétant le début d’un nouveau cycle marqué par de bonnes
performances. Après nous constatons un mauvais résultat successivement à
l’année 2008 et 2009, puis une reprise de bonne performance à l’année 2010.

51
Section II

Effet de la crise des subprimes sur la place


Casablancaise

Les forces sous-jacentes de la phase initiale de la crise des subprimes résident


dans une mauvaise maîtrise des innovations financières sur le marché des prêts
hypothécaires à risque (subprimes) et dans l’éclatement d’une bulle du prix des
maisons sur le marché du logement des particuliers. Par la suite, cette crise a
évolué en une crise de liquidité généralisée marquée par la dépréciation des
actifs financiers, la chute des bourses et l’effondrement de l’actif net des
institutions financiers. La panique qui s’est emparée des marchés a culminé en
septembre-octobre 2008 et elle a affecté autant l’Europe que les Etats-Unis. Le
gel des marchés de la liquidité a entraîné une contraction du crédit, la plus
importante jamais observée, elle a profondément affecté l’activité économique
aux Etats-Unis et dans les pays industrialisés.

Le krach financier de l’automne 2008 a conduit les banques centrales, et en


premier lieu la réserve fédérale, à aller encore plus loin dans la prise en charge
directe du financement de l’économie. Face à l’extension massive de la crise au
secteur réel de l’économie (illustrée au Etats-Unis par les menaces de faillite de
General Motors, Chrysler et Ford) et aux risques de déflation, les banques
centrales ont procédé à partir d’octobre 2008 à une réduction accélérée de leurs
taux d’intérêt. Aux Etats-Unis, la Fed brisait le plancher historique de 1% et
portait en décembre son taux directeur entre 0% et 0.25%. Au Royaume-Uni, la
banque d’Angleterre ramenait en quelques semaines son taux d’intérêt de 5% à
0.5%. La banque centrale européenne à son tour, baissait par étapes son taux
directeur de 4% à 1%. Des baisses d’une ampleur certes exceptionnelle, mais qui
ne sortaient pas du registre des interventions classiques.

Le système financier marocain n’a pas pâti de la crise financière pour deux
raisons essentielles. La première a trait au cadre réglementaire et marqué par le

52
strict respect des règles prudentielles de Bâle II. La deuxième est liée à sa faible
intégration dans la finance mondiale. La part des actifs étrangers dans le total des
actifs des banques marocaines représente moins de 4% et la part des non
résidents dans la capitalisation boursière, hors participations stratégiques, était
inférieure à 1,8% à fin 2007. La sphère réelle, quant à elle, a ressentie l’impact
de la récession que connaissent les principaux partenaires économiques du
Maroc, notamment la France et l’Espagne. Quatre principaux domaines ont été
directement impactés par la crise: les échanges commerciaux, l’activité
touristique, les transferts des MRE et les flux de capitaux dont les
investissements directs étrangers.

La crise des subprimes 2007 – 2009

Vers la fin de l’année 2007, une crise financière de grande ampleur a été
déclenchée partout dans le monde à cause de la multiplication de défaillances
surtout les emprunteurs les moins aisés qui appartiennent à la catégorie la plus
risquée. Une subprime est un crédit à risque qui a octroyé par les banques
américaines, ces prêts hypothécaires au logement ont ébranlé l’ensemble des
marchés financiers et conduit à une crise financière depuis la grande dépression
des années 1930. Puis on a constaté une crise systémique et la mise en difficulté
de plusieurs économies mondiales. Cette crise des subprimes a provoqué une
chute des cours des marchés boursiers, et un ralentissement de l’activité
économique à partir de l’année 2008, voire même des récessions économiques
surtout des pays européens.

I. L'origine de la crise des subprimes


1. Les raisons conjoncturelles

La crise des subprimes de l’année 2007 tient son origine d’innovations financières
mal maitrisées et de la politique monétaire trop indulgente de la Fed au cours des

53
années 2000 sous le mandat d’Alan Greenspan. Les responsables politiques qui
ont favorisé les conditions de cette crise d’une manière directe par des mesures
économiques et sociales, on peut citer : Gordon Brown, George W. Bush, le
Guardian cite Bill Clinton, et parmi les financiers, Bank of England, Northern
Rock, Bear Stearns, Royal Bank of Scotland, Bradford & Bingley, Lehman
Brothers, Halifax-Bank of Scotland, Merrill Lynch, Royal Bank of Scotland, des
banques Goldman Sachs, les PDG anciens et actuels de la compagnie d'assurance
American International Group Inc., et des personnalités telles que le président
d’un fonds d’investissement US John Paulson, le milliardaire Warren Buffet et le
financier George Soros. Lors de l’éclatement de la bulle internet en 2000-2001 et
de la récession, la réserve fédérale américaine a abaissé son taux directeur à 1% ce
qui a provoqué une création monétaire très forte et un gonflement de bulles
spéculatives sur les matières premières et sur les marchés immobiliers (l’Etat
américain a connu une bulle immobilière aux années 2000). En plus le
gouvernement américain a encouragé les banques à octroyer des prêts à des
ménages non solvables via la mise en place d’une politique d’accession à la
propriété. Les organismes semi-publics Fannie Mae et Freddie Mac ont été incités
à faire baisser leurs critères de sélections à l’octroi des prêts hypothécaires.

Au cours de l’année 2006, la réserve fédérale a augmenté son taux directeur de


1% à 5% sous le mandat de Ben Bernanke, afin d’amortir les pressions
inflationnistes grandissantes. Cette hausse de ce taux directeur a entrainé un
renchérissement des mensualités de remboursement des prêts immobiliers qui ont
été octroyé avec des taux variables, et a provoqué bien évidemment un
dégonflement de la bulle immobilière américaine des années 2000. Le non
paiement des mensualités de crédits par les ménages qui ont quitté leur bien
immobilier, mis en vente par les établissements bancaires et de crédit après le
saisi, ce qui a poussé l’offre sur le marché immobilier avec des bas prix.
A cause de la baisse des prix, ces établissements ne récupèrent que partiellement
les sommes prêtées, et n’ont pas conservé les créances immobilières dans leurs
bilans, mais les ont mis dans des véhicules de placement comme des fonds
hypothécaires, afin de les revendre à des grandes banques américaines et entre
autres à des fonds de pension. Tous ces éléments ont provoqué une perte de

54
confiance généralisée entre établissements financiers et un effet de contagion, ce
qui a épongé le marché interbancaire (crise de liquidité).

2. Les raisons structurelles

Elles sont de plusieurs ordres : Les innovations financières ont débouché sur un
marché de 680 000 milliards de dollars dans les années avant la crise des
subprimes (shadow market). Ces innovations financières qui ont pris la forme de
produits dérivés pour réduire les risques mais il y’a deux types ont été au cœur de
ladite crise : les produits liés à des crédits immobiliers et les produits destinés à
assurer contre leur risque de défaut les Crédit default swaps.

Par ailleurs, la baisse du poids des salaires et la montée des profits ont provoqué
un désajustement entre l'offre et la demande. Aux États-Unis notamment les prêts
"subprimes" ont permis à une partie de la population une consommation que ses
revenus ne lui permettaient plus de supporter. Les inégalités de revenus sont
devenues très fortes : l'écart de rémunération entre un PDG et un salarié aux États-
Unis de 1 à 40 en 1980, est passé de 1 à 411 en 2005, création de la richesse ayant
été captée pour l'essentiel par une petite partie de la population ce qui n'est pas
efficace économiquement.

La pertinence de l'outil mathématique utilisé dans le monde de la finance. Dans un


livre intitulé la crise financière et mathématiques, les auteurs Christian Walter et
Michel de Pracontal et à la question de savoir s'ils peuvent être assimilés à situer
le début du problème au mouvement brownien c'est-à-dire s'il est possible de
trouver des règles à la finance comme Brown a trouvé les lois des déplacements
de particules de pollen. Ce serait le cas si on était en présence de ce que les
universitaires appellent « hasard sage », c'est-à-dire sans aspérité. Par contre en
cas de « hasard sauvage » qui comme son nom l'indique est beaucoup plus
insaisissable, on ne peut pas recourir à la technique issue des mouvements
browniens. Le problème est donc de savoir si les marchés financiers peuvent être
qualifiés de browniens c'est-à-dire suivant un « hasard sage » ou non.
Pour l'essentiel des financiers la réponse est oui, d'où l'application d'un certain
type de mathématiques appliqués à la finance et l'adoption à partir de l’année 1993
55
à l'initiative de la banque JP Morgan de la Value at Risk pour mesurer les risques
financiers qui repose sur des probabilités respectant la loi gaussienne. Quoi qu'il
en soit cet instrument a favorisé l'innovation et a permis aux banques d'échapper
le plus possible à toute forme de régulation contraignante et de pouvoir profiter à
plein de la période d'euphorie financières des quinze dernières années.

Pour d'autres, la réponse est non. Dés l’année 1953, partant d'une hypothèse de
« hasard dur », Benoît Mandelbrot a développé la théorie des fractales qui pour
l'heure a été mal acceptée par les praticiens des marchés financiers. Pourtant, de
nos jours la théorie du « hasard sage » en finance est de plus en plus remise en
question. D'une part, à plusieurs reprises on s'est aperçu que les séries
financières ne suivaient pas forcément des lois normales. C'est ainsi que David
Viniar à l'époque directeur financier de Goldman Sachs a vu au moment de la
crise financière de 2007-2009 des choses qui étaient à 25 écart types, pendant
plusieurs jours ce qui a la même probabilité que de gagner 20 fois de suite au
Loto.

Certains se posent de manière encore plus radicale, pour d'autres se pose le


problème de l'utilisation des mathématiques en économie. Par exemple, pour Jon
Danielsson de la London School of Economics, la finance n'est pas la physique,
elle est plus complexe et les financiers jouent avec les modèles ce que la nature
ne fait.

3. Les facteurs de la crise des subprimes

Aux États-Unis, le marché hypothécaire a très bien marché courant les deux
derniers siècles, car toutes personnes peuvent réaliser son rêve d’accession à la
propriété. On a constaté que le taux d’accession à la propriété a passé de 69,2% en
2004 à 68,2% en 2007, puis un effondrement du marché hypothécaire subprime à
l’été 2007. Donc les prix de l’immobilier ont baissé, l’effondrement des normes
de crédit par les prêteurs et la hausse des saisies entraînent par cause à effet un
ralentissement de la croissance économique des USA avec une possibilité d’une
récession. Quels sont alors les facteurs qui ont déclenché cette crise
hypothécaire ?
56
3.1. La titrisation

La titrisation1 est une technique de transformation des actifs peu liquides en


valeurs mobilières facilement négociables. Concernant une banque, elle
transforme le crédit à un actif financier et le revendre aux investisseurs c’est-à-
dire elle cède leurs prêts à une banque d’investissement (SPV, Special Purpose
Vehicule) qui forme un pool de crédit structurés (ABS, Asset backed Securities2),
homogènes ou hétérogènes (MBS, Mortgage-Backed Securities, CDO,
Collateralized Debt Obligation3). Selon le niveau de risque, les titres sont
hiérarchisés par tranche. A partir d’un pool de Mortgage –Backed Securities noté
BBB par exemple, parmi les tranches de titres proposés aux investisseurs selon
des niveaux de rendement et de risque différentes : tranches (super senior, notées
AAA), (senior, notées AA et A), (mezzanine, notées BBB et BB), puis les
tranches non notées (equity). L’essentiel du risque attaché au portefeuille des
actifs titrisés a été absorbé par la tranche equity. Les détenteurs de cette tranche
sont les premiers qui assument les pertes éventuelles dans le cas de réalisation
d’un événement de crédit (rupture au risque intermédiaire, pertes en principal).
Une exposition au risque intermédiaire renvoie à la tranche de mezzanine, puis
la dette senior qui est en dernier étage présente une très faible exposition au
risque de crédit. L’agence de notation donne une appréciation aux dettes seniors
et mezzanines. Un investisseur choisira parmi les tranches citées selon des
contraintes réglementaires et leur aversion au risque.

3.1.1. La titrisation des crédits subprimes

Les prêts aux emprunteurs primes dominent l’émission des titres adossés à des
crédits subprimes conformément aux standards de souscription établie par le

1
L’autorité des marchés financiers (AMF) distingue deux types de titrisation : titrisation du hors-
bilan et du bilan). On prend en considération seulement la titrisation hors-bilan qui est la question
emblématique de la crise des subprimes américaines.

2 Les Mortgage-Backed Securities se subdivisent entre (les Commercial Mortgage-Backed


Securities et les Residential Mortgage- Backed Securities).

3 Les actifs concernés par une opération de Collateralized Debt Obligation sont des titres
obligataires (on parle de Collateralised Bonds Obligations), des prêts (on parle alors de
Collateralised Loans Obligations), ou plus récemment des dérivés de crédit sur un risque
d'entreprise ou corporate.

57
(GSE) Gouvernement Sponsored Agencies. En plus il existe des crédits dits non
agency qui ne sont pas conformes aux standards, qui échappent de normes des
agences gouvernementales (les classes d’actifs subprimes et jumbo). La classe
d’actifs subprimes contient des emprunteurs qui ont un mauvais historique de
crédit. La classe d’actifs jumbos contient des crédits à des emprunteurs qui ont
un premier solde initial supérieur aux soldes standards dictés et imposés par le
congrès sur les agences de notation. Cette classe d’actifs englobe des prêts
destinés à des emprunteurs qui ont un bon historique de crédit. En effet, la forte
émission et d’augmentation des originations dans toutes les classes d’actifs a été
articulé par la réduction à long terme des taux d’intérêt jusqu’à la fin de l’année
2003, les marchés de crédits conformes ont surplombé en même année.
L’activité des marchés de crédits conformes a été éclipsée à cause de la
prolifération des marchés de crédits non-agency en 2005.

En 2006, les émissions agency qui représentait 905 milliards de dollars ont été
moins petites que les émissions de non-agency de 1,033 billions de dollar et la
production de crédits non-agency de 1,480 billions de dollars étaient 45% plus
grande que la production des crédits agency. L'augmentation de l'origination et
des subprimes se sont associés à une importante augmentation du ratio
émission/origination : 87 % pour les prêts primes et 75 % pour les subprimes.

3.1.2. La crise des crédits de subprimes et rôle de la titrisation

La titrisation est un moyen de transfert du risque à cause d’une plus faible


transparence, les banques n’ont pas prêté une grande attention à la solvabilité de
leurs clients ce qui a favorisé le risque de contrepartie. Les crédits des subprimes
ont été vendus et achetés par des investisseurs internationaux et nationaux sans
qu’ils connaissent la réalité et la qualité des titres possédés. Puis la diminution
de la valeur des titres empoisonnés a été provoquée par la crise des subprimes
qui a entraîné à son tour une crise de confiance et de solvabilité. En effet, la
crise immobilière a révélé trois faiblesses essentielles et majeures dans ce
processus de crise : le lien entre les ‘CDO’ Collateralized Debt Obligation, les
Asset backed Securities, et leurs sous-jacents est devenu plus complexe où il est
tellement difficile de simuler l’impact sur une tranche de CDO d’un scénario

58
affectant les sous-jacents. La qualité des crédits sous-jacents a joué un rôle très
important sur l’environnement économique, éventuellement la chute des prix de
l’immobilier a impact sur le raisonnement des agences de notation qui n’ont pas
su intégrer convenablement cette dimension de crise. Ce qui explique les erreurs
majeurs dans la notation des rehausseurs de crédits, les entreprises penchent sur
une spécialité d’assurer les produits titrisés afin d’améliorer leur notation, ce qui
a provoqué un retournement conjoncturel que les agences de notation n’ont pas
pris en compte, voir loin de leurs méthodes standards et habituelles de
valorisation. La crise a éclaté à cause la mauvaise valorisation des ABS et des
CDO et des autres produits similaires, plus le marché très peu liquide au départ
pour les produits sophistiqués qui ont simplement disparu. Ces produits toxiques
plus personne n’en voulait même avec des bas prix ce qu’il y ait nécessairement
une dégradation simplement anticipée ou présumée. Aussi les agences de
notation n’ont pas assez précisé qu’elles notaient la capacité des sous- jacents à
être remboursés, voir même estimer les risques macroéconomiques qui peuvent
affecter ces sous-jacents. Les banques d’affaires ont vu la possibilité de bien
gagner leur vie via une politique de développement et de structuration de ces
produits, sans avoir à les porter sur leurs bilans pour éviter les contraintes de
fonds propres et d’effet de levier.

Pourquoi la crise de la titrisation a des effets assez dévastateurs ?

Parce que depuis des années, les banques cherchent à s’emprunter auprès du
marché les ressources qu’elles prêtent et les dépôts de leurs clients restent
toujours insuffisants. C’est la raison pour laquelle ces banques ont eu largement
recours à la titrisation de leurs actifs afin d’emprunter des volumes énormes dont
elles ont besoin pour prêter aux investisseurs sous forme de paquets titrisés de
crédit hypothécaire. Le fonctionnement global de la liquidité des banques a basé
sur la titrisation pour avoir une capacité à accéder aux ressources dont elles ont
besoin afin de jouer le rôle et le métier de prêteur. Les banques américaines ont
pris tous les risques de marché même lorsque les sous-jacents sont de bons
vieux crédits une fois la titrisation réputée toxique, elles ont couru aussi le risque
de ne pas trouver la liquidité demandée, c’est ce qui a condamné la Northern
Rock, dont le modèle économique reposait spécialement et massivement sur la
technique de titrisation. Les plans de sauvetages adoptés par les autorités

59
financières ont tous compris un volet ‘liquidité’, et les produits titrisés détenus
par les banques à leur bilan ont vu leur valeur baisser et s’effondrer en créant un
trou dans leur bilan, ce qu’elles obligent à se recapitaliser.

Le volet ‘fonds propres’ des plans gouvernementaux connait un recours débridé


et mal maîtrisé aux techniques de titrisation a été un élément majeur dans la
crise. En effet ces produits toxiques ont un impact macro financier à cause
d’erreurs fondamentales dans l’appréciation des risques courus, et de la
fermeture presque ou complète du marché mondial de la liquidité bancaire qui
dépendait bien évidemment de la titrisation.

3.2. Le rôle méfiant des agences de notation

Les marchés financiers se basent essentiellement sur l’indépendance et la


transparence des organismes qui produisent de l’information. Les analystes
financiers et des cabinets comptables ont connu des problèmes à cause des
précédentes crises financières, de l’affaire Enron et de la bulle internet. Mais la
crise des subprimes a été déclenchée à cause des agences de notation critiques.
Ce qui pose aujourd’hui une question pertinente avec acuité particulière, d’une
part parce que les agences de notation jouent un rôle majeur dans le dispositif de
contrôle prudentiel des banques, et d’autre part parce qu’elles ont un rôle
essentiel dans la mécanique des crédits titrisés. La qualité de la signature 1 et
l’évaluation du risque de la solvabilité de l’emprunteur, précisément le risque de
non remboursement des dettes par les agences de notation2 ne constitue qu’une
partie de l’activité de notation financière. En effet, il existe des équipes de
notation financière au sein des établissements financiers et bancaires afin
d’évaluer le risque de leurs débiteurs et conseiller leurs clients sur l’activité du
marché des obligations. Les agences de notation jouent deux rôles très
importants : traiter et certifier l’information. Le traitement de l’information
concerne le marché financier, la certification est rendue nécessaire par la

1
La capacité de l’emprunteur à faire face aux échéances de remboursement des dettes qu’ils ont
contractées. Les emprunteurs peuvent autant être des firmes publiques ou privées, des
collectivités locales ou des Etats.
2
Michel Aglietta – Colloque ‘’Agences de notation’’ Paris 12 décembre 2007.

60
réglementation prudentielle. Les investisseurs sur le marché prennent des
décisions sur la base d’informations pertinentes des agences de notation. A ce
jour, il existe trois acteurs dominent le marché financier mondial de la notation
externe :
- Fitch Investors Service, dit Fitch (IBCA), filiale à 97% du groupe français
Fimalac, leader dans la notation des établissements bancaires.
- Moody's Investors Service, principale filiale de Moody's Corporation, société
indépendante depuis 2000 (Etats-Unis), bien positionnée dans la notation des
opérations de titrisation.
- Standard and Poor's, filiale du groupe McGraw and Hill depuis 1966 (Etats-
Unis), spécialisé dans la notation des sociétés industrielles.

Certaines agences sont très spécialisées, telle AM Best Company qui note la
capacité d'une société d'assurances à faire face à ses engagements (claims-paying
ability). Depuis peu, Duff & Phelps Credit Rating Company se développe
fortement, devenant un quatrième acteur à ne pas négliger.

3.2.1. Méthodologies des notations

Les agences de notation possèdent une certaine diversification de systèmes de


notation, attribuent une notre lors du lancement d’une émission qui se fonde sur
des informations officielles (relatives à l’entreprise, le contexte et l’émission), et
qui pourra être modifiée jusqu’au remboursement. Mais ces informations sont
plus confidentielles sur les projets et les performances de l’émetteur. Les notes
s’établissent schématiquement de A à D avec des échelons intermédiaires dans le
but d’indiquer le niveau du risque de défaillance d’une émission obligataire.

3.2.2. La crise des subprimes et les agences de notation

La relation particulière qui existe entre les clients (émetteurs) et les agences de
notation reste la principale critique à faire, qui pousse bien évidemment à des
conflits d’intérêt. L’agence de notation est rémunérée souvent par l’entreprise
émettrice, ce qui nous explique une indépendance de son jugement douteux. En
effet, ces dernières années les agences sont payées par ceux qu’elles notent, ces

61
opérations appelées notations de produits structurés qui représentent jusqu’à
50% de leur chiffre d’affaires. En outre, les agences de notation sont retrouvées
en situation de dépendance par rapport à leurs clients à cause du nombre limité
de clients. De plus, l’agence joue un rôle primordial au niveau d’évaluation des
entreprises mais elle intervient aussi comme conseillère pour des opérations en
cours de montage (l’agence fait partie du processus de montage du produit). Elle
mélange l’activité de notation et de conseil.
La question qui peut se poser, c’est comment les agences de notation ont pu
donner des bonnes et meilleurs notes à des paquets de crédits contenant des
crédits subprimes ?.

Les agences de notation ne sont pas finalement des experts en la matière c’est-à-
dire au niveau d’évaluation du risque de liquidité et du risque de crédit, qui ont
normalement dû être au cœur de leur analyse financier. Traditionnellement, elles
évaluent le risque des Etats et des sociétés par l’attribution d’une notation
explicable de la situation financière, et les risques de liquidité, de crédit et
l’environnement économique et financier ont évalué par les banques.

Les agences de notation jouent un rôle très important dans ce processus : les
investisseurs se basent sur leurs notations qui aident à la prise des décisions
d’investissement, elles aident aussi les entreprises émettrices de CDO à
structurer leurs engagements et notent ensuite les produits. Le rehaussement du
crédit déterminé par le processus de notation des produits structurés, qui
correspond au montant des pertes1 sur les garanties sous-jacentes.

La crise des prêts subprimes laisse à penser que la qualité du travail et de


prestation des agences de notation a été sous contrôle et sous optimale, ce qui
nous permet de réfléchir sur des agences de notation performantes selon Barry
Eichengreen (2008) qui mettre en œuvre de notes accessibles au public, leurs
informations spécialisées à la disposition des investisseurs qui cherchent à
valoriser faiblement les titres. Plus elles ont accordé des notes AAA trop

1
Calomoris (2008) a montré que les agences de notation ont formulé des hypothèses
excessivement basses concernant les pertes attendues sur les titres adossés à des créances
hypothécaires subprimes avant la crise surviennent.

62
facilement même elles n’ont pas dégradé les titres de créances hypothécaires
lorsque le marché de l’immobilier en chute, donc la valeur des obligations
hypothécaires sous-jacentes s’est détérioré. Ensuite le marché s’est effondré à
cause de l’aggravation de la crise des subprimes.

3.2. Le dilemme des paradis fiscaux

La crise financière qui a été déclenché des Etats-Unis résulte tout à la fois
l’absence d’une régulation efficace de la finance internationale, un manque de
transparence dans les produits financiers mis sur le marché, et de l’existence de
masses financières énormes qui entrent la classe d’instruments financiers
complexes. Au sens strict, les paradis judiciaires ou bancaires et les zones
offshore se différencient d’un paradis fiscal. Cette dernière appellation désigne
tous les territoires non coopératifs sur les plans prudentiels, fiscaux ou du
blanchiment. Les paradis fiscaux sont des dépendances autonomes d’autres pays
(îles Caïman, Jersey…) et des Etats souverains offrant un abri à des non-
résidents souhaitant échapper à l’impôt. Ces pays ou bien territoires de petite
taille imposent très faiblement de nombreuses grosses fortunes, et tirent des
ressources très élevées. Ces paradis fiscaux sont distingués des zones offshores,
qui hébergent des gestionnaires de fonds, des compagnies d’assurance et des
banques, mais ne disposent pas d’une véritable régulation. Ce territoire
opportuniste du régime administratif relance l’activité économique. La société
qui veut bénéficier de cette exonération fiscale, elle suffit de disposer d’une
adresse sur le territoire cible. Les zones offshores dont les centres financiers sont
la plupart du temps aussi des paradis fiscaux mais la réciproque n’est pas vraie.
Malgré qu’il existe des regroupements, on ne peut pas confondre les deux
centres. Les pays caractérisés par un fort secret bancaire sont appelés des paradis
financiers et bancaires qui attirent les investisseurs. Malgré leur hétérogénéité,
les territoires non coopératifs, les paradis bancaires et financiers doivent
répondre à des caractéristiques définies par l’organisation de coopération et de
développement économiques OCDE : le secret bancaire y est strictement
appliqué les bénéfices, les taxes sur les revenus ou les patrimoines sont faibles
ou nulles, spécialement il y a des conditions d’installation de sociétés et
d’ouverture de comptes pour les non-résidents, sont peu contraignantes la
63
coopération fiscale et judiciaire avec les autres pays est inexistante ou bien
faible.

Les investisseurs cherchent une stabilité politique et économique, malgré que le


secteur financier a connu un surdéveloppement par rapport à la taille du pays et à
la dimension de son économie. La moitié de l’Europe réponde à ces critères,
presque une cinquantaine de territoires. Les paradis judiciaires et fiscaux ont
joué un rôle déterminant dans l’extension des incertitudes et des doutes des
acteurs financiers et bancaires et de nombre de détenteurs de capitaux ou des
investisseurs. Mais leur législation commerciale permet la création des
entreprises dont les donneurs d’ordre restent véritablement comme des
bénéficiaires dissimulés (fiducies, trustes…). Presque 80% de fonds
d’investissement spéculatifs sont localisés dans les paradis fiscaux et juridiques,
dont un grand nombre aux îles Caïmans, souvent acheteurs des titres émis par les
établissements de crédits hypothécaires américains. L’opacité du système
financier des paradis fiscaux rend le secret bancaire plus au moins absolue en
rendant très difficile, voire même impossible une enquête judicaire, se qui
rajoute aussi une opacité dans les transactions, faisant appel à des contractants
localisés aux paradis fiscaux.

En outre, la réglementation laxiste et non contraignante ont permis une


attractivité des paradis fiscaux à l’égard des capitaux mobiles. L’existence de ce
gens de territoires (sans lois) vient submerger et peser sur l’ensemble des règles
et des réglementations qui pourraient être prises par les autres pays. Les banques
sont soumises à une réglementation prudentielle tracée par les accords de Bâle
(Ratio Cooke 1996, Ratio Mc Donough 2004, puis Bâle 3 – 2013) dont le but de
conserver un volume minimal de capitaux propres égal à 8% du total de leurs
actifs risqués (encours de crédits et portefeuilles de titres). La primauté de
liberté totale de circulation des capitaux dans le monde, les paradis fiscaux et
juridiques provoquent une concurrence à la baisse entre les différents systèmes
de réglementation et de régulation nationaux. Les Etats sont amenés à réduire ou
bien alléger certaines de leurs réglementations prudentielles pour attirer sur leurs
territoires une partie des capitaux propres. Certains gouvernements qui arguent
l’existence des territoires qui échappent à toute réglementation prudentielle afin

64
de mettre en place une dérégulation de certains secteurs porteurs. La
prolifération des paradis fiscaux depuis une trentaine d’années, de tels territoires
sans lois, provoque un accroissement énorme des inégalités constaté à l’intérieur
des Etats, au Sud comme au Nord et entre les pays. Avec l’existence des PFJ, la
fraude fiscale est plus facile avec de grande ampleur, les particuliers riches et les
multinationales vont pouvoir échapper à tout ou partie des impôts établis par les
gouvernements. Ces paradis facilitent le développement de la fraude fiscale de
haut niveau, la corruption de haut vol et restent vraiment un outil qui favorise la
concentration des masses financières énormes, l’accentuation des inégalités de
toutes origines (très souvent illégales et criminelles et parfois légales).

Les profits accumulés par une petite minorité de la population, qui rendent un
partage inégalitaire des richesses, devient un véritable machine à fabriquer des
bulles à cause de l’existence de masses financières énormes, des capitaux sans
lois peuvent prendre plus de risques financiers : les disponibilités financières ne
s’orientent pas vers les investissements directement productifs mais peuvent
aller vers des marchés très divers (activités d’internet, œuvres d’art,
immobilier…). L’opacité dans les relations financières se caractérise par l’offre
des réglementations à minima aux capitaux, en concourant à une baisse générale
des réglementations et des législations, tout ceci participe à la création et à la
concentration des masses financières de toutes origines. Cet environnement
propice oriente ces capitaux vers la spéculation, les PFJ sont certainement le
cœur de ce qu’on voit aujourd’hui de l’instabilité économique et financière
actuelle.

4. Analyse comparative entre la crise de 1929 et celle de 2007

Peut-on comparer la crise de 1929 et la crise de 2008 ?


Il existe quelques points de comparaison entre les deux crises. D'abord leur
dimension mondiale; la crise de 1929 a commencé aux Etats-Unis et s'est
propagée à toutes les grandes économies de la planète. Aujourd'hui le
phénomène est encore plus mondialisé en raison d'une tradition de plus d'un
demi-siècle d'ouverture des échanges, du commerce et de progrès des
communications sous toutes leurs formes.
65
Ainsi, la crise de 1929 commence par une crise financière qui s'étend dans
l'économie toute entière avec des conséquences sociales et politiques très graves.
Comme beaucoup de monde a l’air de s’intéresser à la comparaison de notre
crise avec celle de 1929, voici un graphique qui retrace à travers le temps où
nous en sommes par rapport à la plus grave crise du capitalisme. On se rend
compte qu’il nous reste d’une part, une baisse à prévoir mais surtout nous ne
sommes qu’au milieu de la crise.

Ainsi, la différence majeure entre les deux crises concerne la pensée politique et
économique. En 1929, comme le dit Serge Berstein, "la pensée économique de
l'Europe était strictement fondée sur le libéralisme, c'est-à-dire que la crise a eu
lieu car on n'a pas respecté la loi de l'offre et de la demande, et qu'il y a eu des
excès, que l'on n'a pas respecté l'équilibre budgétaire, ou que l'on n'a pas respecté
l'orthodoxie monétaire. La dévaluation était considérée comme une sorte de vol."
L'idée de relance telle qu'elle existe aujourd'hui a été théorisée par Keynes et
mise en œuvre aux Etats-Unis avec un succès mitigé avant-guerre (New Deal) et
reprise largement après la guerre.

66
On voit bien aujourd'hui que les erreurs de base commises en 1929 n'ont pas été
reproduites (pas d'assèchement du crédit, interruption de la purge de la bulle
financière par des interventions étatiques massives, sous forme de
nationalisations ou de garanties). Les Etats-Unis, où la tradition libérale fait
office de dogme chez beaucoup de politique, ont compris que seule une
intervention de l'Etat pouvait enrayer la situation.

En effet, 577 millions d'actions sont échangées à la Bourse de New York en


1927. L’année suivante, 920 millions d'actions circulent à Wall Street. Les
volumes échangés sont nettement plus importants aujourd’hui (plus de 2
milliards de titres s’échangent quotidiennement sur le seul marché du Nasdaq).
Mais la variation des volumes entre 2007 et 2008 est sensiblement la même
qu’entre 1927 et 1928. En juin dernier, le nombre de titres échangés par jour sur
le marché du NASDAQ avait augmenté de 49% par rapport à juin 2007.
Dans les années 1920, la prospérité de l’économie rend plus facile la possibilité
de contracter des crédits. La spéculation boursière attire beaucoup de citoyens.
Surtout qu’il est possible de payer seulement 10% d’une action et de prendre une
créance pour les 90% de la valeur restante. Ces 90% restants faisaient l’objet
d’une spéculation boursière. Lorsque la machine boursière s’est grippée en
octobre 1929, les courtiers ont réclamé leur dû à ces petits actionnaires qui se
sont ruinés à essayer de rembourser leurs dettes.

La situation est curieusement similaire aujourd’hui. Les crédits douteux ne


portent pas sur les titres boursiers, mais sur les prêts immobiliers. Ce sont les
fameuses subprimes : des prêts à taux variables accordés en grand nombre, et sur
lesquels les marchés financiers ont spéculé. « Les mécanismes sont les mêmes »,
explique Jacques Attali sur le site lemonde.fr le 17 septembre2007. « On a laissé
les gens s'endetter en donnant comme actifs des valeurs fictives de biens qui
n'étaient qu'artificielles. En 1929 c'étaient les titres boursiers, aujourd'hui c'est
l'immobilier. »
A cet égard, la question qui se pose : est-ce que les leçons de 1929 ont été
tirées?. C’est là où la comparaison est la plus intéressante.
Oui, si l’on regarde l’activisme actuel des banques centrales et des
gouvernements : autant le plan Paulson aux Etats-Unis que ceux annoncés le 13

67
octobre 2008 par les gouvernements du Royaume-Uni, de France et de
l’Allemagne proposent d’injecter des milliards pour soutenir les banques et
encourager la liquidité sur les marchés des crédits. Depuis un an, la Fed veille à
garantir une certaine liquidité du marché financier en assurant des taux d’intérêt
peu élevés. Une attitude suivie par l’ensemble des banques centrales
européennes et asiatiques, qui ont abaissé, début octobre, leurs taux directeurs.
Or en 1929, une seule tentative de sauvetage a été opérée par la Banque de
réserve fédérale de New York, peu après le krach boursier d’octobre. Cela a
permis aux marchés financiers de rebondir momentanément. Mais la morosité
boursière a duré trois ans et l’argent s’est au contraire raréfié : les taux directeurs
des banques centrales sont restés élevés, et les possibilités de crédit se sont
restreintes, asséchant l’économie. C’est bien ce qui a été reproché au président
Herbert Hoover, et permis l’élection de Franklin Delano Roosevelt en 1932. Ben
Bernanke note, dans son Essai sur la Grande Dépression (paru en 2000), que ce
sont les pays qui ont abandonné les premiers l'étalon or et relancé l'offre de
monnaie qui se sont relevés le plus vite : ils ont réussi à casser la spirale
déflationniste et à faire remonter les prix.

Une autre différence qui apparaît : l’économie mondialisée actuelle est beaucoup
plus ouverte que dans les années 1930. Les gouvernements avaient alors favorisé
une politique protectionniste, en pensant relancer l’économie de l’intérieur. Les
échanges commerciaux mondiaux avaient chuté. Un problème qui semble être
évité aujourd’hui, notamment grâce au boom industriel et consumériste des pays
émergents comme la Chine, l’Inde et le Brésil.
La comparaison entre 1929 et 2008 s’arrête là. La récession américaine s’est
surtout manifestée à partir de 1930 jusqu’en 1935, avec un chômage massif. Il
est donc trop tôt pour savoir si les pays industriels vont échapper à la « grande
dépression ». Il faut seulement espérer que le plus grand spécialiste de la crise de
1929, qui n’est autre que Ben Bernanke, actuel président de la Fed, prendra les
bonnes décisions…

68
5. L'impact de la crise sur le Maroc et les préventions adoptées
5.1. L'impact de la crise financière 2008 sur le Maroc

Le gouverneur de Bank Al-Maghrib M. Jouahri, lors d’une communication faite


au sujet de l’impact de la crise financières sur le Maroc, a avancé que l’ampleur
de cette crise a été mesurée dés son déclenchement. Mais quel est l’impact de
cette crise Américaine sur le Maroc ? C’est la question à laquelle nous allons
essayer de répondre dans ce point.
Le Maroc est tout à fait différent des autres pays maghrébins, car c’est le pays le
moins touché économiquement et financièrement par la crise financière. Il a
enregistré un taux de croissance de PIB de 6,3% en 2008 contre 5,1% en 2007 et
4,2% en 2006. Ce qui montre que le Maroc a connu une production croissante
de puis 2006 et son économie résiste bien aux conditions de la crise mondiale.
Plus on a constaté une diminution du taux d’inflation de 4,6% en 2007 à 2,9% en
2008 et par un taux de chômage stable durant les mêmes années.

Les facteurs à l’origine de la crise des subprimes ne se présentent pas au cas


Marocain, dû fait à l’encours des crédits de logement ne dépasse pas 10% du
PIB, contre environ 87% aux Etats-Unis. Les crédits de logement au Maroc sont
strictement réglementés par : Le montant du crédit ne peut dépasser 80% du prix
du logement. La durée du crédit octroyé, peut atteindre 25 ans en vue d’alléger la
charge du crédit. L’application d’un taux d’intérêt fixe si la durée de
remboursement du crédit dépasse 15 ans, afin d’éviter les retombés négatives de
la hausse des taux d’intérêt sur le taux du marché monétaire. Plus les banques
sont tenues d’informer la clientèle des risques encourus lorsqu’elle adopte un
crédit avec taux d’intérêt variable. Les taux d’intérêts appliqués aux crédits de
logement obtenus auprès de la banque centrale sont limités à 6,75% actuellement
selon la formule épargne – logement. En outre, la titrisation au marché financier
marocain demeure limitée. Les opérations de titrisation au Maroc ne peuvent
toucher que les crédits sains et ne peuvent aucun cas concerner les crédits
classés. Pour cela les autorités financières n’enregistrent que deux opérations
avec un montant global de 100 millions de dirhams. Concernant le marché
boursier, les principaux indicateurs du marché marocain sont : Indice MASI,

69
indice MADEX, capitalisation boursière/PIB, OPCVM, participation étrangère
et volumes des échanges.
L’impact de la crise financière mondiale de l’année 2008 sur la bourse des
valeurs de Casablanca est variable : une chute importante de l’indice MASI
comparée aux places boursières dans le monde qui a été catastrophique. Le
MASI n’a pas conservé une bonne performance depuis le début de l’année 2008.

Si on compare la situation du Maroc avec les autres pays avancés, on trouve que
les banques européennes et américaines reconnaissent des pertes énormes dans
leurs secteurs bancaires et assurantiels suite à la crise des subprimes, où leurs
pertes sont de 127,8 milliard de dollars pour les banques européennes et 352,5
milliard de dollars pour les banques américaines. Aussi les banques asiatiques
ont connu aussi des pertes non négligeables mais de moindre importance par
rapport aux pertes précédentes, à hauteur de 24 milliard de dollars. Par contre le
secteur bancaire marocain est loin d’être affecté par la crise financière mondiale,
grâce à un système différent des autres pays émergents et avancés, avec un
soutien considérable de la Bank Al-Maghrib. On peut conclure que l’ampleur de
cette crise sur les différentes zones étudiées n’a pas le même effet sur la situation
économique et financière. Les bourses de l’Europe, de l’Amérique et des pays
asiatiques ont été gravement affectées par la crise des subprimes, à cause de
celle-ci on a constaté des situations de mini-krach. Alors que le Maroc est
caractérisé par un marché boursier qui n’est pas ouvert totalement aux autres
marchés boursiers mondiaux, présentant ainsi une forte résistance contre les
effets de la crise. In fine, nous pouvons dire que le Maroc a connu un mini-
krach à cause de l’effet psychologique de cette crise, malgré la mise en place des
dispositions nécessaires qui ont été prises par les autorités gouvernementales
afin de prévenir sa propagation dans ce pays. Plus la non maîtrise des différents
canaux de transmission donne lieu à s’inquiéter pour la place boursière
marocaine.

5.2. Les préventions adoptées au Maroc

Les canaux de transmission possibles de la crise des subprimes à la place


boursière de Casablanca peuvent les dénombrer en trois : les placements des
70
avoirs en devises à l’étranger, et principalement, Bank Al-Maghrib où elle
effectue ces placements. Depuis le déclenchement de la crise vers la fin de
l’année 2007, BAM a adopté des mesures de surveillance visant à assurer la
sécurité de ses placements, notamment :

- Effectuer des dépôts auprès des banques internationales de premier rang.


- Avant la crise la part des placements auprès des banques internationales
est de 75% du total des réserves, ce qu’il faut réduire cette part à 39%.
- L’investissement dans les titres obligataires souverains reste un privilège
car ils représentent le plus haut degré de sécurité.
- Afin de garantir une meilleure réactivité et de préserver un degré élevé de
liquidité, il faut limiter les maturités des placements bancaires à un mois
au maximum.

Concernant les banques marocaines ne sont pas autorisées à placer sur les
marchés internationaux que les avoirs en devise des non-résidents. Faut-il noter
que jusqu’à présent les autorités de surveillance n’ont enregistré aucun incident
de paiement sur ses placements.

En ce qui concerne les investissements étrangers en bourse des valeurs de


Casablanca, leur part représente seulement 25% de la capitalisation boursière, ce
qui risque pas d’affecter d’une manière significative le marché boursier, surtout
que prés de 90% de ladite part sont détenus par des investisseurs de référence.
En effet, le recours au marché financier international reste cher car il faut
souligner une hausse des marges de crédit appliquées aux pays émergents malgré
que ces derniers ne soient pas à l’origine de la crise. Les autorités financières
marocaines ont pris la décision de ne pas recourir aux marchés financiers
internationaux pour la mobilisation des ressources extérieures, afin d’éviter le
coût additionnel lié à l’élargissement des marges de crédit. Le Maroc a pris en
considération le recours aux liquidités disponibles sur le marché domestique,
comme une ligne alternative au lieu de recourir à l’endettement extérieur.

71
II. Evolution des marchés boursiers internationaux :
entre 2006-2008

En 2006 :

Durant l’année 2006, les indices boursiers des places internationales ont terminé
l’année sur des trends haussiers.
Le CAC 40 parisien a progressé de 17,7% avec 5 544,14 points, contre 4 709,56
points en 2005.
Le Dow Jones de la bourse new-yorkaise s’est établi à 12 512,90 points contre
10 538,56 points, soit une progression de 16,5%.
Le Footsie, indice de la bourse londonienne a enregistré une hausse annuelle de
10,7% pour se situer à 6 220,80 points, contre 5 618,80 en 2005.
Enfin, le Nikkei 225, indice phare de la Bourse de Tokyo s’est établi à 17
225,833, contre 16 111,43 points, marquant ainsi une évolution de 6,9% par
rapport à l’année précédente.

Places boursières Indices Performance au


31/12/2006
France CAC 40 17,7%
Etats Unis Dow Jones 16,5%
Royaume Uni FTSE 100 10,7%
Japon Nikkei 225 6,9%

En 2007 :

Les principaux indicateurs boursiers internationaux ont clôturé l’année 2007 sur
un trend haussier.
En effet, le Dow Jones new-yorkais s’est établi à 13 317,25 points contre 12
512,90 en 2006, réalisant ainsi une nette performance de
6,42%.
Le Footsie 100 londonien a enregistré une progression de 3,79%, soit 6 456,90
points contre 6 220,80 réalisée une année auparavant.

72
Le CAC 40 parisien s’est établi à 5 614,08 points contre 5 544,14 en 2006,
marquant une progression de 1,26%.
Seul le Nikkei 225 nippon a clôturé l’année sur une note baissière avec un recul
de 11,13%, soit 15 307,78 points contre 17 225,83 points en 2006.

Places boursières Indices Performance au


31/12/2007
France CAC 40 1,26%
Etats Unis Dow Jones 6,42%
Royaume Uni FTSE 100 3,79%
Japon Nikkei 225 -11,13%

Donc, sur les marchés boursiers internationaux, le Nikkei 225 nippon a


enregistré une baisse tandis que les autres indicateurs clôturaient l’année en
hausse.

En 2008 :

Les marchés internationaux ont connu une année très difficile à la suite de la
crise de l’endettement et des crédits qui a débuté en 2007 aux Etats-Unis et qui
s’est ensuite propagée jusqu’en Europe en 2008, touchant toutes les places
boursières internationales.
La crise financière qui s’est accentuée en 2008 a fortement touché les indices
boursiers internationaux, provoquant des corrections importantes.
Le CAC 40 parisien a enregistré la plus importante baisse en clôturant l’année
sur une baisse de 42,6%, soit 3217,97 points en 2008 contre 5614,08 points
l’année précédente.
Le Nikkei 225, indice de la place nippone a perdu 42,1%, soit 8859.56 points
contre 15 307,78 points en 2007.
Le Dow Jones Newyorkais, a reculé de 34%, soit 8776,39 points contre
13 317,25 points une année auparavant.
Le Footsie 100 de la place londonienne s’est établi à 4434,17 points, contre
6456,90 points, soit une régression de 31,3% par rapport à 2007.

73
Places boursières Indices Performance au
31/12/2008
France CAC 40 -42,6%
Etats Unis Dow Jones -34%
Royaume Uni FTSE 100 -31,3%
Japon Nikkei 225 -42,1%

1. Analyse de l’évolution de la bourse des valeurs de Casablanca


1.1. Analyse avant la crise

L’année 2005 a constitué, à n’en pas douter, un excellent exercice pour la bourse
de Casablanca. Tous les indicateurs sont au vert pour la troisième année
consécutive. Avec un montant de 79,9 millions de dirhams, le chiffre d’affaires a
progressé de 11,3% par rapport à l’exercice précédent. Cette évolution
substantielle reflète une grande capacité à convaincre la communauté financière
du bien-fondé de nos services. De facto, le résultat d’exploitation a bondi à 29,3
millions de dirhams, en progression de 15% par rapport à l’exercice précédent.
Le résultat net, bénéficiant également de la croissance des produits financiers, a
atteint 30,3 millions de dirhams, soit une hausse remarquable de 59% par rapport
à 2004.

Cette capacité à générer du revenu et du bénéfice repose bien entendu, en grande


partie, sur la bonne tenue des marchés et la croissance de l’activité de trading.
L’année 2005 a également été marquée par la reprise volontariste des
introductions en bourse, conformément au plan stratégique 2004 - 2006, qui
préconise un effort accru sur cet aspect. La confiance nouvelle dont jouit le
métier, tant de la part des entreprises que des investisseurs, ne peut que renforcer
cette tendance favorable.
Ils ont poursuivi des efforts visant à mettre à la disposition des professionnels un
outil technologique de qualité, afin d’augmenter la liquidité et de mettre le
marché aux meilleurs standards européens.

74
Parallèlement, la restructuration de l’entreprise de marché s’est poursuivie, avec
le recrutement de nouvelles compétences et la refonte de l’organigramme qui a
été parachevée en fin d’année.
Une coopération exemplaire et fructueuse a également été instaurée avec les
Autorités de Marché et le Régulateur.
Les perspectives paraissent donc tout à fait prometteuses, avec notamment le
projet Marché à Terme, ainsi que la poursuite du programme d’introductions des
grandes entreprises publiques et privées et de PME de qualité.

L’année 2006 devrait accentuer cette tendance. La place de Casablanca confirme


d'avantage sa position en tant que bourse attractive qui répond aux attentes des
sociétés cotées, des investisseurs institutionnels et des particuliers, développant
ainsi un potentiel de création de valeur accrue pour les actionnaires.

A cet égard, la question qui se pose : est-ce que la place boursière de Casablanca
peut poursuivre son développement durant les années suivantes marquées surtout
par le déclenchement de la crise des subprimes, qui continue à toucher différents
secteurs financières, bancaires, et économiques dans les différentes régions ?.

1.2. Analyse dans un contexte de crise

Malgré la crise financière qui a déclenché en 2007 aux Etats-Unis, la bourse de


Casablanca a réalisé des performances exceptionnelles à plus d’un titre.
D’abord, l’évolution des indicateurs financiers. En s’établissant à 141,8 millions
de MAD, le chiffre d’affaires a réalisé une progression de 77,5% par rapport à
l’année précédente. Le résultat d’exploitation a bondi à 79,8 millions de MAD
avec une évolution de 172% et le résultat net a atteint 53,4 millions de MAD,
soit une hausse de 76%, générant ainsi un ROE frôlant les 20%.

Cet exercice est également exceptionnel puisque caractérisé par l’accélération de


la cadence des introductions avec 10 nouvelles recrues à la Cote. Un chiffre qui
traduit bien le retour de confiance des investisseurs et des émetteurs pour le
secteur boursier.
75
Ces performances ne sont pas le fruit du hasard, mais résultent plutôt des efforts
de l’ensemble des opérateurs qui ont fait du marché boursier actuel un levier
économique avantageux et fiable.

De même, La bourse de Casablanca a affiché en 2007 l’une des meilleures


performances de son histoire. Le chiffre d’affaires a progressé de 99,7% par
rapport à l’année précédente, le résultat d’exploitation est en hausse de 158,7%
et le résultat net a évolué de 165,9%. Il en est de même pour le marché boursier.
Le volume des transactions a pulvérisé un record de 359,8 milliards de Dirhams.
Les introductions ont maintenu la cadence de l’année précédente, 10 nouvelles
entreprises ont ainsi rejoint la cote en 2007, portant le nombre des sociétés
cotées au terme de l’année à 53, pour un montant levé de 6,5 milliards de
Dirhams et une capitalisation atteignant les 586,3 milliards de Dirhams.

Ces chiffres témoignent de la confiance des investisseurs et des entreprises


marocaines dans la bourse en tant que collecteur d’épargne, de source
d’investissement rentable et de levée de fonds facile. Ils traduisent aussi une
assise financière solide qui permet à la bourse de Casablanca de confirmer sa
maturité, d’aller de l’avant dans la mise en œuvre de projets structurants et
d’utiliser les meilleurs standards internationaux en usage dans son secteur
d’activité.
Ainsi, Dans un contexte international marqué par une crise financière d’une
ampleur sans précédent depuis près de 80 ans, l’économie nationale a fait
montrer d’une résilience certaine, due autant à la solidité des fondamentaux
macro-économiques qu’à la très faible exposition du système financier aux actifs
toxiques.

Dans cet environnement défavorable, et contrairement aux années précédentes,


la Bourse de Casablanca a enregistré l’une des toutes premières performances
mondiales et la meilleure performance en Afrique et au Moyen-Orient en
n’affichant en 2008 qu’un recul de 13,4% de l’indice MADEX flottant des 50
valeurs les plus liquides alors que les corrections sur les principales places
internationales ont atteint entre -25% et -60%.

76
En concertation avec le Conseil Déontologique des Valeurs Mobilières et
l’Association Professionnelle des Sociétés en Bourse, la Bourse de Casablanca a
mis en place des mesures exceptionnelles visant à permettre la continuité des
séances de cotation malgré les conditions extrêmes du marché. Ces mesures
avaient pour principaux objectifs d’atténuer la baisse des cours et de développer
la liquidité du marché, en limitant les seuils maximaux des ordres introduits à
6% à la hausse ou à la baisse et en permettant la cotation des valeurs réservées
lorsque certaines conditions sont réunies.

Grâce à ces mesures et à l’implication efficace de l’ensemble des opérateurs de


la place, la Bourse de Casablanca a pu assurer la continuité des séances de
cotation et éviter ainsi une correction plus sévère qui aurait pu entamer plus
gravement la confiance des investisseurs.

Dans ce contexte, et malgré la bonne résistance de l’indice phare de la Bourse,


les volumes se sont inscrits en nette baisse, à 244,1 milliards de MAD (- 32%),
traduisant l’inquiétude des investisseurs face aux répercussions possibles de la
crise internationale sur le marché.
Finalement, on peut conclure que la place boursière de Casablanca n'a ressenti la
crise qu'à partir de 2008. C'est ce qu'on va essayer d'analyser par la suite. En
effet :

En 2006 :

Les indicateurs de la BVC ont été comme suit :


Produits d’exploitation : + 53,6%
A fin 2006, les produits d’exploitation de la Bourse de Casablanca ont progressé
de 53,6% avec 142,1 millions de MAD contre 81,9 millions de MAD en 2005.
Ces chiffres sont le fruit de la hausse du volume des transactions.
Charges d’Exploitation : + 18,6%
Avec 62,3 millions de MAD contre 52,5 millions de MAD en 2005, les charges
d’exploitation ont réalisé une évolution de 18,6%.

Résultat d’Exploitation : + 172 %

77
Au 31 décembre 2006, les résultats d’exploitation ont bondi à 79,8 millions de
MAD contre 29,3 millions de MAD en 2005, réalisant ainsi une performance de
172%.

Résultat Net : + 76%


Le résultat net de la Bourse de Casablanca, s’est établi à 53,4 millions de MAD
contre 30,4 millions de MAD une année auparavant, soit une nette progression
de 76%.
Cette évolution résulte de la progression du chiffre d’affaires et de la maîtrise
des charges de l’entreprise.

Fonds Propres : + 23,6%


Les fonds propres de la Bourse de Casablanca ont marqué une hausse de 23,6%
avec 268,1 millions de MAD contre 216,9 millions de MAD en 2005.

Ainsi, durant l’année 2006, la Bourse de Casablanca a enregistré 10 nouvelles


introductions d’entreprises en quête de fonds pour financer leurs projets de
développement :

Quatre entreprises sur le Marché Principal :


- Introduction de la société RISMA, par augmentation de capital, étant
ainsi la première entreprise opérant dans le secteur du tourisme à s’inscrire à la
cote.
- Introduction de la société DOUJA PROMOTION GROUPE ADDOHA,
par cession d’une partie du capital.
- Introduction de la société COLORADO par cession d’une partie du
capital.
- Introduction de la société FENIE BROSSETTE, par augmentation de
capital.
Deux entreprises sur le Marché Développement :
- Introduction de la société DISTRISOFT MAROC, par cession et
augmentation de capital ;
- Introduction de la société HPS, par cession d’une partie du capital.

78
Quatre entreprises sur le Marché Croissance :
- Introduction de la société MEDIACO MAROC par augmentation de
capital
- Introduction de la société CARTIER SAADA par augmentation de
capital.
- Introduction de la société SRM par augmentation de capital.
- Introduction de la société INVOLYS par cession et augmentation de
capital.

Ainsi, les indicateurs de la Bourse de Casablanca ont réalisé une forte


progression.
Le MASI®Flottant et le MADEX®Flottant se sont établis, respectivement, à
9 479,45 points et 7 743,81 points, soit une hausse annuelle de 71,14% et
77,66%.

Source : BVC

De même, au 31 décembre 2006, et grâce aux nombreuses opérations d’appel au


marché, la capitalisation boursière a atteint 417,1 milliards de MAD, soit une
augmentation de 65,30% par rapport à 2005.

79
Source : BVC

Concernant les transactions, le volume global des transactions a connu une


hausse de 10,47%, soit 166,4 milliards de MAD contre 150,6 milliards de MAD
en 2005.

Source : BVC

Pour sa part, le nombre moyen quotidien des transactions sur le Marché Central
et le Marché de Blocs a progressé de 49,53% en 2006.

En 2007 :

Les indicateurs de la BVC ont été comme suit :

80
Produits d'Exploitation : +100%
Au terme de l’année 2007, les produits d’exploitation de la Bourse de
Casablanca se sont établis à 283,4 millions de Dirhams, contre 142,1 millions de
Dirhams en 2006, soit une hausse de 100%.

Charges d’Exploitation : +23%


Les charges d’exploitation ont progressé de 23%, soit 76,8 millions de Dirhams
contre 62,3 millions de Dirhams en 2006.

Fonds Propres : 53%


Les fonds propres de la Bourse de Casablanca ont connu une évolution de 53%
avec 410,2 millions de Dirhams contre 268,1 millions de Dirhams en 2006.

Résultat Net : +166%


Le résultat net de la Bourse de Casablanca, s’est établi à 142 millions de
Dirhams contre 53,4 millions de Dirhams une année auparavant, soit une nette
progression de 166%.
Cette évolution est le fruit de la hausse du chiffre d’affaires et la maîtrise des
charges de l’entreprise.

Résultat d’exploitation : +159%


Les résultats d’exploitation ont atteint 206,5 millions de Dirhams contre 79,8
millions de Dirhams en 2006, réalisant ainsi une hausse de 159%.

Ainsi, en termes de réalisations, l’année 2007 a été pour la Bourse de Casablanca


une année exceptionnelle à plus d’un titre : introduction de nouvelles entreprises,
poursuite du développement technologique du marché, développement de la cote
autant de chantiers qui ont été réalisés avec succès :
En effet, au cours de l’année 2007, la Bourse de Casablanca a accueilli 10
entreprises dans les trois marchés de cotation :

Six entreprises sur le Marché Principal :


- Introduction de la société MATEL PC MARKET par cession et
augmentation du capital en numéraire.

81
- Introduction de la société PROMOPHARM par cession d’une partie de
son capital.
- Introduction de la COMPAGNIE GENERALE IMMOBILIERE (CGI)
par cession et augmentation du capital.
- Introduction de la société ATLANTA par cession d’une partie de son
capital.
- Introduction de la SOCIETE NATIONALE D’ELECTROLYSE ET DE
PETROCHIMIE (SNEP) par cession d’une partie de son capital.
- Introduction de la société SALAFIN par cession et augmentation du
capital.

Trois entreprises sur le Marché Développement :


- Introduction de la société M2M par cession d’une partie de son capital.
- Introduction de la société STOKVIS NORD AFRIQUE par augmentation
du capital.
- Introduction de la société MICRODATA par cession d’une partie de son
capital.

Une entreprise sur le Marché Croissance :


- Introduction de la société TIMAR par augmentation du capital.

On peut citer aussi, d'une part, l'agrément d'une nouvelle société de Bourse :
ALMA Finance Group a été habilitée à exercer le courtage dans le marché
boursier marocain.
A cet effet, la Bourse de Casablanca a organisé des séances de simulation au
bénéfice de la nouvelle société de bourse afin de s’assurer du bon
fonctionnement de sa plateforme de négociation avant le démarrage de son
activité, le 9 avril 2007.

D'autre part, Le développement de la cote s’est traduit par deux projets majeurs à
savoir :
- La refonte des indices : une étude a été élaborée dans le but d’évaluer la
faisabilité de la mise en place de deux nouveaux indices

82
- Une nouvelle nomenclature sectorielle : elle vise à s’aligner sur les
standards internationaux en la matière et par la même à répondre aux exigences
des sociétés cotées.

Ainsi, le MASI®Flottant et le Madex®Flottant sont en nette hausse, prouvant


une nouvelle fois la bonne santé du marché boursier.

Source : BVC

En effet, le MASI®Flottant et le MADEX®Flottant ont enregistré une hausse


annuelle respective de 33,92% et 35,13%, soit 12 694,97 points et 10 464,34
points. La capitalisation boursière s’est établie à 586,3 milliards de Dirhams
contre 417,1 milliards de Dirhams en 2006, soit une progression annuelle de
40,5%.

Source : BVC

83
Pour ce qui est de la représentativité par secteur d’activité, le secteur des
Banques occupe la première place avec 25,8% de la capitalisation globale. Il est
suivi par le secteur des télécommunications avec 21,9% et par le secteur de
l’immobilier avec 15,4%.
Le volume global des transactions a atteint les 359,7 milliards de Dirhams contre
166,4 milliards de Dirhams en 2006, soit une progression de 116,1%.
Le nombre moyen quotidien des transactions sur le Marché Central et Marché de
Blocs a enregistré une hausse de 95,4% en 2007.
En plus, dix nouvelles entreprises se sont introduites, six opérations
d’augmentation du capital ont été réalisées sur le marché action et quatre
nouvelles émissions ont eu lieu sur le marché obligatoire.

En 2008 :

Les indicateurs de la BVC ont été comme suit :

Produits D’exploitation : - 27%


Au terme de l’année 2008, les produits d’exploitation de la Bourse de
Casablanca se sont établis à 208,2 millions de dirhams contre 283,4 millions de
dirhams en 2007 soit une baisse de 27% liée la chute du volume de transactions.

Charges D’exploitation: + 6%
Les charges d’exploitation ont progressé de 6% soit 81,8 millions de dirhams
contre 76,8 millions de dirhams en 2007 du fait du renforcement des effectifs.

Résultat D’exploitation : - 39%%


Le résultat d’exploitation a atteint 126,4 millions de dirhams contre 206,6
millions de dirhams en 2007.

Résultat Net : - 37%


Le résultat net de la Bourse de Casablanca s’est établi à 89,2 millions de dirhams
contre 142 millions de dirhams une année auparavant.

84
Fonds Propres : + 21%
Les fonds propres de la Bourse de Casablanca ont connu une évolution de 21%
avec 498 millions de dirhams contre 410,2 millions de dirhams en 2007.

Ainsi, durant l’année 2008, la Bourse de Casablanca a réalisé de nombreux


chantiers permettant le développement et la promotion du marché boursier, sa
mise en conformité avec les standards internationaux et sa participation dans la
vie sociale du pays.

Dans le contexte d’une crise financière internationale, d’une ampleur sans


précédent depuis prés d’un siècle, la Bourse de Casablanca a relativement mieux
résisté que la plupart des places internationales, affichant la deuxième meilleure
performance mondiale.

La performance du marché Après cinq années consécutives de hausses totalisant


une progression de 326%, l’année boursière 2008 a enregistré une correction de -
13,48% pour le MASI®Flottant et - 13,41% pour le MADEX®Flottant.

Ceci est dû à une correction attendue par les professionnels étant donné que les
cours des valeurs ont atteint des niveaux élevés, d’une part et à l’effet
psychologique de la crise financière internationale, d’autre part.

Source : BVC

85
La capitalisation boursière s’est établie à 531,75 Milliards de MAD contre
586,33 Milliards de MAD, soit une baisse de 9,31%. Cette baisse est due à la
correction des cours des valeurs qui a été atténuée par les introductions en
bourse enregistrées en 2008, totalisant une capitalisation de 15 036 millions de
MAD.

Contrairement à l’année 2007, le secteur des Télécommunication occupe la


première place, devant le secteur bancaire et le secteur immobilier .Ceci
s’explique par le fait que la correction a touché plus le secteur bancaire que le
secteur des Télécommunications. A noter que certaines valeurs du secteur
bancaire ont procédé à des augmentations de capital.

Source : BVC

Concernant les transactions, Le volume global des transactions a connu une


baisse de 32,14%. Ceci s’explique par :
- La baisse de dynamisme sur le marché central et sur le marché de blocs.
- La diminution du nombre des opérations d’introductions en bourse suite au
report par plusieurs sociétés de leurs introductions en bourse.
- Le faible niveau des opérations d’allers retours effectuées en fin d’année
comparativement à 2007. Ces allers retours s’expliquent par l’annonce de la
révision à la hausse de la taxe sur la plus-value de cession de valeurs mobilières
« TPCVM » qui allaient prendre effet à partir du 01/01/2008.

86
Le nombre de transactions enregistré sur le marché central et sur le marché de
blocs est resté quasi inchangé malgré la baisse du volume des échanges en MAD
enregistrés sur ces deux marchés. Cela est imputé en partie à la mise en place du
nouveau type d’ordre ‘ATP’ et aux opérations de Split effectuées par certains
émetteurs.

Source : BVC

En 2008, le nombre moyen quotidien des transactions sur le marché central et


sur le marché de blocs s’est situé à 1919, soit une hausse de 2,72 % par rapport à
2007.
Si on schématise l'évolution du marché boursier marocain, on trouve que les
résultats sont excédentaires durant les années 2006 et 2007, par contre on
constate un déficit au niveau du produit d'exploitation, résultat d'exploitation, et
le résultat net en 2008, l'année marquée par le déclenchement de la crise des
subprimes :
Indicateurs 2006 2007 2008
Produits + 53,6% + 100% - 27%
d’exploitation
Charges + 18,6% + 23% + 6%
d’exploitation
Résultat + 172 % + 53% - 39%
d’exploitation
Résultat net + 76% + 166% - 37%

Fonds Propres + 23,6% + 159% + 21%

87
Graphique 2 : Evolution des indicateurs de la BCV entre 2006-2008

Donc, il est claire que la bourse marocaine est la moins touchée par la crise, vue
sa faible exposition au marché internationale, et la solidité de son secteur
bancaire. On peut dire que sa faiblesse constitue sa source de force dans un
contexte où les plus grandes forces mondiales sont en difficulté financière.

2. L’impact de la crise sur l’évolution de l’indice MASI

La crise boursière ou bien le mini-krach de la place casablancaise à la fin de


l’année 2007 jusqu’au l’année 2010, suite à une longue crise des subprimes aux
Etats Unies. Un excès de crédit conjugué à une mauvaise gouvernance dans
l’industrie bancaire peut générer des défaillances porteuses d’un risque
systémique. Les dernières turbulences intervenues sur les marchés financiers
depuis l’été 2007 trouvent leur origine dans le comportement fortement
spéculatif des banques de second rang, dans un contexte de finance libéralisée.
Partie des Etats Unis, cette crise s’est propagée aux marchés financiers
émergents comme le Maroc et fait redouter une récession économique. En dépit
d’une forte réglementation des marchés financiers, la crise des crédits
hypothécaires à risque a révélé les pratiques abusives de certains établissements
et l’opacité d’opérations d’ingénierie financière qui, par une forte dispersion du
risque et un effet de contagion, continuent d’affecter la sphère financière de
l’économie marocaine.

88
Graphique 3 : Evolution de l’indice MASI

A partir de cette figure, le comportement de l’indice indique l’ampleur de la


progression des cours dont la variation dépasse 28 % en moyenne, notamment
sur la période allant de 1993 à 1998, une progression des cours jusqu’au 2008
puis une chute en 2009 et sa remonte petit à petit en 2010. Cette situation laisse
surgir des questions en matière d’efficacité des cours qui se forment sur la place
marocaine.

Jusqu’à maintenant les commentateurs n’arrivent pas à expliquer la crise du


marché boursier marocain sur la période 1999-2002, ni pourquoi les
performances négatives durent longtemps ? Ce qui n’était pas le cas auparavant
au moment où le marché vivait une phase de surchauffe (1993-1998). Pour nous,
cette persistance de la crise marquant la rupture par rapport à la tendance
euphorique précédente s’explique, par un effet de mémoire, à savoir que le
marché tient compte des évènements passés, au lieu d’anticiper les signaux
futurs de l’économie. Le marché se comporte d’une façon cyclique caractérisée
par des phases de haut, des bas et de reprises répétées.

C’est la raison pour laquelle, le marché marocain connaît par la suite une phase
de redémarrage continue une fois la reprise s’annonce. C’est cette dynamique
mécanique que nous cherchons à développer ultérieurement sur la base des
modélisations économétriques.

89
3. L’impact de la crise sur l’évolution de rentabilité de l’indice
MASI

L’évolution de l’indice MASI a connu une progression en cinq phases


principales : La première est celle de la hausse régulière allant de 1993 (année de
la reforme boursière) jusqu’au milieu de l’année 1998 (date de la fin des
principales reformes concernant le marché boursier marocain). La deuxième
phase est caractérisée par une dépression boursière résultante de l’épuisement du
potentiel qu’offre la réforme de 1993 complétée par celle de 1997. La troisième
phase est connu par une performance spectaculaire allant de 2002 (année de
lancement des nouveaux indices MASI et MADEX) jusqu’au milieu 2007 (date
de la crise financière américaine) après Le MASI se comporte d’une façon
cyclique caractérisée par des phases de haut et bas à cause de la crise des
subprimes. La quatrième phase allant de milieu 2007 jusqu’au le milieu de
l’année 2008 (année de crise financière de l’automne1) est caractérisée par une
chute du MASI où il a perdu plus de 7% en deux jours alors qu’aux Etats-Unis,
le Dow Jones perd 7% en un jour.

Graphique 4 : Evolution et rentabilités journalières de l’indice MASI

16000 0,08
14000 0,06
12000 0,04
10000
0,02
8000
0 MASI
6000
4000 -0,02 Rentabilité
2000 -0,04
0 -0,06

1
La crise financière de l’automne 2008 c’est la seconde étape de la crise financière de 2007-2010,
après la crise des subprimes de l’été 2007. Cette deuxième phase a été constatée par un
accroissement de la crise de liquidité et de la crise de confiance, ce qui a provoqué un
renchérissement supplémentaire du crédit par un haussement du taux interbancaire, touche tous les
pays du monde. Cette crise a répercuté sur les marchés boursiers mondiaux par une chute des
cours.

90
La crise financière a affecté les pays en voie de développement par deux
canaux : une baisse de la demande globale et un assèchement des liquidités. Tout
d’abord, le ralentissement de la croissance dans les pays développés signifie
moins de débouchés pour les exportateurs marocains. La hausse du dollar a été
une mauvaise nouvelle pour la balance commerciale du Maroc, surtout les
principaux clients du Maroc sont européens : France, Espagne, Italie…

Les évolutions monétaires sont difficiles à anticiper, mais il est clair qu’en cas de
baisse du billet vert, le relèvement des taux d’intérêt aux Etats-Unis aurait un
effet dévastateur sur les pays en développement, comme le Maroc. Plus
inquiétant est l’impact sur les ressources qui ont connu la plus forte progression
ces dernières années : les recettes du tourisme, les investissements directs
étrangers (IDE) et les transferts des marocains résidents à l’étranger (MRE). Pour
ne pas avoir des répercussions majeures sur l’économie marocaine, Bank Al-
Maghrib (la banque centrale marocaine) a injecté 11 milliards de dirhams dans
la semaine du 18 au 24 Septembre 2008.

La dernière phase est celle du milieu 2008 jusqu’au la fin de l’année 2010, a
connu un cycle de bas et de haut, en 2009, les pays ont en général opté par de
politiques de relance. On voit qu’à partir de l’année 2010 jusqu’au le début de
l’année 2011, la plupart des pays qui ont été touché par la crise financière
américaine semblent sortir de la récession, malgré le chômage persiste,
d'importants déséquilibres dans les balances des transactions courantes
demeurent, et des risques d'éclatement de nouvelles bulles financières sont à
craindre.

4. Comparaison entre le CAC 40 et MASI

Indices 2006 2007 2008


CAC 40 -42,6% + 1,26% + 17,7%
MASI +71,14% +33,92% -13,48%

Le CAC40 a augmenté de 1,26% en 2007 après une forte baisse de 42,6% en


2006. En 2008 l'augmentation est de 17,7%.

91
Graphique : Evolution de l’indice CAC 40 et MASI entre 2006-2008

Par contre, on peut remarquer clairement une baisse continue de l'indice MASI
FLOTTANT en 2006 et en 2007 même si les résultats ne sont pas déficitaires,
+71,14% et +33,92% respectivement. Mais en 2008 la baisse est de -13,48%.
Les deux courbes présentées dans le graphique ci-dessous montrent le sens
croissant du CAC40, et le sens décroissant du MASI FLOTTANT.

92
Conclusion

Le but de notre diagnostic sur l’évolution du marché depuis 1993 à 2010


est de montrer que l’ensemble des facteurs logiques n’ont pas un véritable poids
dans l’explication de la volatilité des cours, notamment sur la période atypique
allant de 1993 à 2002. Ce qui signifie qu’une quantité importante d’information
n’a pas été prise en compte par le marché. Tout simplement parce que les
anticipations des agents sont marquées par certaine conservatisme et coûtumes
qui empêchent d’intégrer les nouveaux chocs. Cette situation s’explique
essentiellement par certaines spécificités relatives au marché marocain,
notamment par le comportement de ses acteurs. D’une part, les sociétés cotées
sont réticentes vis-à-vis des règles de transparence : Elles refusent de transmettre
l’information nécessaire au marché. D’autre part, les petits porteurs ne savent
rien des mécanismes boursiers, et des professionnels désintéressés au bien-être
du marché. Notons que cette situation est observable dans toutes les places
boursières, mais sur le marché marocain, les conditions de transparence reflètent
un handicap pour son fonctionnement.

En effet, le manque d’information et l’absence d’une culture boursière sont les


faits marquants de la vie boursière marocaine. Ce contexte suscite un climat
d’opacité qui favorise le mimétisme et le suivisme. Notre étude montre que,
depuis sa relance avec les réformes de 1993, le marché marocain ne suit pas les
fluctuations irrégulières et spontanées de l’économie. Mais, il a subi un effet de
mode qui a permis à la bourse de Casablanca de connaître une loi subjective et
artificielle, marquée par une convention haussière (1993-1998), puis baissière
(1999-2002) avant de connaître une reprise (2003 à 2007), suivie par une chute
extrême en 2008 à cause de la crise de subprimes, puis sa remonte jusqu’à la fin
de l’année 2010. C’est une évolution régulière et cyclique qui n’a rien à voir
avec les lois naturelles de l’économie nationale. Il n’est pas normal que la bourse

93
marocaine ait connu, dans sa trajectoire, une euphorie qui a résisté jusqu’en
1998, puis subir une morosité qui a persisté jusqu’en 2002.
Durant la première période, la hausse est exagérée au regard des données
économiques réelles. Il en est de même pendant la deuxième période où la baisse
est injustifiée, de point de vue des nouvelles perspectives qui s’annoncent pour
l’économie nationale. A l’instar de la plupart des pays émergents, le Maroc n’a
pas échappé aux transformations radicales concernant l’organisation,
l’innovation et le fonctionnement des marchés financiers. Les réformes adoptées
par les autorités publiques depuis 1993 ont été déterminantes dans le
développement de son marché boursier mais cela n’a pas entrainé une
amélioration significative de ce marché.

D’ailleurs, dans ce chapitre nous avons fait une première analyse théorique, qui
nous a amené à constater que la bourse de Casablanca est exposée à une
volatilité sans précédente des cours de l’indice MASI et bien évidemment à un
risque du marché qui peut engendrer un krach surtout en période de crise
financière mondiale 2008 via l’effet de contagion.

Afin de comprendre l’impact de ce phénomène financier sur la place


casablancaise, nous effectuons dans un deuxième chapitre, une analyse du
marché boursier marocain à travers une étude d’événement de la crise des
subprimes en premier lieu. Et en deuxième lieu nous tentons de construire un
portefeuille efficient à l’approche de Markowitz parmi quelques portefeuilles
possibles sur la base d’un échantillon de 53 actions cotées à la bourse de
Casablanca.

94
CHAPITRE II
L’impact de la crise des subprimes
sur les rendements de l’indice
MASI : Etude d’événement à CT et
à LT

95
Introduction

La volatilité accrue et de plus en plus importante des marchés financiers


pendant les dernières années combinée avec des cas spectaculaires de faillites
dans le monde de la finance, a donné un regain d’intérêt évident à cet aspect
important de la gestion des entreprises. Il était devenu primordial que de
nouvelles techniques de gestion globale des risques s’avéraient nécessaires face
à une volatilité des marchés financiers de plus en plus forte, à une complexité
et un volume de plus en plus croissant des produits financiers négociés.
Les crises financières actuelles concourent à l’augmentation de la volatilité des
marchés et à la volatilité des titres qui y sont négociés. Certaines valeurs qui
étaient considérées comme étant des valeurs sûres ont vu leurs cours chuter
d’une manière d’autant plus spectaculaire qu’alarmante.

Le terme de la crise financière est appliqué à une large variété de situations


dans lesquelles certaines institutions financières perdent soudainement une
grande partie de leur valeur. Au 19éme siècle et au début de 20éme siècle, de
nombreuses crises financières ont été associés à la panique bancaire. D’autres
situations qui sont souvent appelés crises financières sont des crashs boursiers
et l’éclatement d’autres bulles financières, crises monétaires, ou crises
immobilières causées par l’afflux de logement à la vente qui pourront peut-être
trouvé preneur dans le futur avec la défiscalisation.

Le monde connait en 2007 une crise financière sans précédent, cette crise est
liée aux subprimes (crédits immobiliers américains à risque). Suite aux
attentats du 11 Septembre 2001, le gouvernement Américain a fait baisser des
taux pour relancer l’économie. Le marché immobilier a connu un véritable
engouement, et les banques ont accordé des crédits immobiliers sans se soucier
des garanties.

96
Dans ce chapitre, nous essayons de montrer l’impact de cette crise immobilière
sur le marché boursier marocain, en se référant à une étude d’événement avant la
date du 10 Juillet 2007 (début de la crise des subprimes) et après l’annonce de
l’événement dans le but d’étudier les rendements des entreprises cotées en bourse
à court terme et à long terme.

Section I

Etude événementielle à court terme de la crise des


subprimes

La théorie financière suppose une perfection des marchés, autrement dit il


y’a une anticipation rationnelle des événements susceptibles d’affecter les cours
boursiers par les marchés financiers et ces derniers ne se laissent pas abuser par
des opérations de soutien sans aucun effet réel sur les bénéfices des firmes. Les
marchés sont donc efficients dans le traitement de l’information.
Fisk et Taylor (1991) ont montré que les investisseurs se comportent souvent
comme s’ils donnent confiance à l’information, sans tenir compte de sa source et
sans se soucier de la valeur prédictive de l’information qu’elle soit précise et
complètement fiable ou alternativement démodée ou inexacte.

L’étude d’événement est une méthode qui permet d’analyser les réactions d’un
marché à un événement donné. Pour Rival (2006), les études d’événement à
l’origine, ont été mises en œuvre pour vérifier la théorie de l’efficience 1 des

1
Il est ressorti des travaux de Roberts (1959) et de Fama (1965), l’idée que la marche aléatoire des
cours boursiers découlait du comportement maximisateur et concurrentiel des investisseurs. Cette
idée évoluera plus tard sous l’appellation de théorie des marchés efficients. Cette théorie met en
exergue un marché en état d’équilibre concurrentiel compte tenu d’un certain ensemble
informationnel.

97
marchés financiers, et plus précisément dans sa forme semi-forte1. Ensuite, elles
ont rapidement été utilisées à d’autres fins après, cette méthodologie est
couramment appliquée pour tester l’impact informationnel de différents
événements, notamment les annonces d’alliances ou de fusions acquisitions
Woolridge et Snow (1990), Hubler et Meschi (2000), Gardes (2003), des annonces
de résultats des sociétés Morse (1981), Bamber et Cheon (1995), rachat des
actions Mai et Tchemeni (2000).

Dans cette section, nous allons procéder une étude d’événement2 liée à la crise de
subprime, appliquée sur les rendements de l’indice MASI de la bourse des valeurs
de Casablanca, afin de justifier les décisions des investisseurs sur le marché
financier marocain, dans le but d’analyse l’impact de cette crise immobilière sur la
réaction à court terme du marché au travers des fluctuations du cours des titres.

I. Méthodologie d’études d’événement

La méthodologie des études d’événement consiste, dans un premier temps, à


mettre en évidence une réaction des acteurs de marché, puis dans un second temps
à expliquer cette dernière. En finance, c’est une technique incontournable qui
permet d’analyser le comportement des cours boursiers à l’arrivée d’une
information. Elle est basée sur l’idée selon laquelle les marchés financiers
réagissent immédiatement à de nouvelles informations susceptibles d’affecter la
profitabilité future de la société Hubler et Meschi (2000). L’origine des études
d’événement remonte aux années trente où Dolley (1933) a publié une étude qui
s’est intéressée à l’impact d’une division d’actions sur les prix. A cette époque, les
résultats obtenus par l’application de cette méthodologie n’ont pas permis
d’aboutir à un niveau de sophistication satisfaisant, vu que certaines hypothèses et

1
Cette forme d’efficience suppose que les cours des titres reflètent instantanément l’ensemble des
informations qu’on peut déduire, de leurs historiques, ainsi que de n’importe quel renseignement
public (augmentation du capital, dividende, PER, résultats comptables…). Dans un marché
efficient de forme semi-forte, l’analyse fondamentale fondée sur des informations publiques est
donc sans utilité.
2
La méthodologie des études d’événement permet d’examiner les variations des cours, et par
conséquent des rendements autour d’un événement. L’impact d’un événement sur le prix d’un actif
financier est mesuré par le rendement anormal ou encore l’écart entre le rendement observé et le
rendement théorique.

98
modèles d’estimation ont été fréquemment violés. Vers la fin des années soixante,
Ball et Brown (1968) puis Fama, Fisher, Jensen et Roll (1969) ont apporté de
nouvelles améliorations en y incorporant les derniers développements en matière
d’évaluation des actifs, en particulier le modèle de marché.
Depuis, cette méthodologie s’est largement diffusée. Classiquement, on accorde à
Fama, Fisher, Jensen et Roll (1969) la paternité de la forme actuelle des études
d’événements. L’analyse des rendements autour de la date d’événement est
importante dans la mesure où elle permet de conclure en termes d’efficience de
marché. La majeure partie des études d’événements s’est intéressée à cette
variable pour mesurer l’impact de l’arrivée d’une nouvelle information sur le
marché (Fama, Fisher, Jensen et Roll (1969), Lamoureux et Poon (1987), Franz,
Rao et Tripathy (1995), Dann (1981), Scholes (1972) et Kraus et Stoll (1972)).

Typiquement dans notre thèse, l’étude événementielle consiste à vérifier de façon


empirique l’impact de la crise des subprimes (événement financier) sur le prix des
actions des entreprises cotées en bourse et sur l’indice MASI. Les hypothèses
nulles ( H 0 ) et alternatives ( H1 ) habituellement utilisées sont les suivantes :

( ) ( )
H 0 : E Ri y j - E ( Ri ) = E e i y j = 0 pour tous les y j (2.1)

H : E ( R y ) - E ( R ) = E (e y ) ¹ 0
1 i j i i j pour tous les y j (2.2)

Où Ri désigne le rendement du titre i durant la période événementielle.

E ( Ri ) : L’espérance du rendement du titre i.

y j : L’information qui est susceptible d’influencer le titre i durant la période

événementielle.

(
E Ri y j ): L’espérance du rendement du titre conditionnelle à l’information

contenue dans la période événementielle.


e i : Le rendement anormal du titre i.
L’hypothèse alternative H1 stipule qu’un événement donné ne possède un contenu

informationnel y j que lorsque le rendement anormal du titre i est différent de

zéro.
99
Les études événementielles s’effectuent habituellement selon les étapes
suivantes :
1. L’identification d’une date d’événement.
2. Le calcul du rendement anormal autour de la date de l’événement pour un
titre ou indice boursier.
3. Le calcul du rendement anormal accumulé sur une certaine période autour
de la date d’événement.
4. Le calcul du rendement anormal moyen pour un certain nombre de titres et
les calculs statistiques relatifs à l’évaluation des hypothèses décrites
précédemment.

1. Le diagramme temporel

Figure 2.1 : Diagramme temporel d’une étude événementielle

La période d’estimation L1 est comprise entre les bornes T0 et T1 . Cette période


sert à évaluer les paramètres qui permettront d’estimer les rendements espérés
durant la période événementielle.
La période événementielle L2 se situe entre les bornes T1 et T2 . Cette période
englobe la date de l’événement 0, et permet de saisir les rendements anormaux qui
pourraient se manifester autour de cette date.
La période post-événementielle L3 succède à la fenêtre événementielle et est

délimitée par les bornes T2 et T3 .

100
2. Le calcul des rendements

Les rendements peuvent être obtenus sur la base d’une capitalisation périodique
en temps discret ou sous la forme de capitalisation continue. Les équations (2.3) et
(2.4) montrent les calculs qui doivent être effectués selon les deux méthodes.

Pit + Dit - Pit -1


Rit , D = (2.3)
Pit -1

é ( P + Dit ) ù
Rit ,C = log ê it ú (2.4)
ë Pit -1 û

Avec Rit , D désigne le rendement calculé selon la méthode de capitalisation

périodique en temps discret.


Rit ,C : Le rendement calculé selon la méthode de la capitalisation continue.

Pit : Le prix du titre et Dit : le dividende versé.

De façon empirique, les rendements en capitalisation continue ont tendance à être


normalement distribués et ainsi, se conforment mieux aux exigences usuelles des
techniques statistiques. Par contre, Brown et Warner (1985) et Thompson (1988)
obtiennent des résultats similaires en utilisant ces deux méthodes de calcul des
rendements et concluent qu’il ne s’agit pas d’un point majeur dont les chercheurs
devraient se préoccuper lors d’études événementielles.

3. La périodicité des rendements

Dans la littérature financière, il existe plusieurs périodicités qui peuvent être


utilisé pour calculer les rendements. Les périodicités les plus fréquentes sont
mensuelles, hebdomadaires et journalières. Selon Morse (1984), il est préférable
de choisir une périodicité courte afin de réduire les biais statistiques, d’augmenter
l’efficacité des estimations et ainsi, de mieux détecter les rendements anormaux.
Cette étude a été corroborée par celles de Brown et Warner (1985) et de Dyckman,
Philbrock et Stephan (1984).

101
4. Le calcul des rendements anormaux

Les méthodes les plus fréquemment utilisées pour déterminer l’espérance de


rendements des titres sont : le rendement moyen du titre, le rendement du marché,
le modèle de marché, le MEDAF et le portefeuille-réplique.

4.1. Le rendement moyen du titre (mean ajusted return)

Selon cette méthode, le rendement espéré d’un titre correspond à la moyenne


arithmétique de ses rendements Ri , durant la période d’estimation. Le rendement
anormal prévu durant la période événementielle est calculé de la façon suivante :
eˆit = Rit - Ri (2.5)

4.2. Le rendement du marché boursier (market adjusted return)

Selon cette approche, le rendement espéré de tous les titres est identique. Le
rendement d’un indice boursier est utilisé pour représenter le rendement du
marché Rm . Le calcul des rendements anomaux s’effectue par cette formule :

eˆ*it = Rit - Rmt (2.6)

4.3. Le modèle de marché (market model)

L’utilisation fréquente de cette méthode dans les études événementielles pour


dégager les rendements anormaux. Le modèle de marché attribue le rendement
d’un titre à deux composantes : le risque systématique représenté par la relation
linéaire qui existe entre les rendements du titre et ceux du marché, telle que
mesurée par le coefficient bêta b i , et le risque non systématique ou spécifique à

l’entreprise cotée en bourse représentée par un terme d’erreur e i . Le modèle de


marché prend la forme suivante :
Rit = ai + bi Rmt + e it (2.7)

102
Le système de régression linéaires nécessaire à l’estimation des paramètres a et
b peut être exprimé sous la forme matricielle suivante :
Ri = X iqi + e i (2.8)

Où Ri = éë RiT0 ...RiT1 ùû désigne un vecteur de dimension ( L1 ´1) de rendements

observés durant la période d’estimation.


X i = éëi Rm ] : une matrice de dimension ( L1 ´ 2 ) comprenant un vecteur de uns

dans la première colonne et un vecteur de rendements du marché observé,


Rm = éë RmT0 ...RmT1 ùû dans la deuxième colonne.

qi = éëai bi ] : un vecteur de dimension ( 2 ´1) comprenant les paramétrés du

modèle.

e i = éëe iT ...e iT ùû : un vecteur de dimension ( L1 ´1) d’erreurs résiduelles.


'

0 1

Généralement, lorsque la taille de l’échantillon est élevée on utilise la méthode


des moindres carrés ordinaires (MCO) pour estimer les paramètres du modèle de
marché qui se rapprochent des valeurs réelles. De plus, en posant comme
hypothèse que les rendements des titres suivent une distribution conjointe
multivariée normale et sont indépendants et distribués identiquement à travers le
temps (jointly multivariate normal and independently and identically distributed
through time), les paramètres issus des MCO sont efficients.

Les paramètres du modèle de marché estimés par MCO durant la période


d’estimation L1 sont égaux à :

qˆi = ( X i' X i ) X i' Ri


-1
(2.9)

eˆi'eˆi
sˆ e2i = (2.10)
L1 - 2

eˆi = Ri - X iqˆi (2.11)

VAR éëqˆi ùû = ( X i' X i ) sˆe2i


-1
(2.12)

Où sˆ e2i désigne l’écart-type d’estimation (standard error of the estimate).

103
Les rendements anormaux sont calculés comme suit durant la période
événementielle :

eˆi* = Ri* - aˆii - bˆi Rm* = Ri* - X i*qˆi (2.13)

Où Ri* = éë RiT* 1 ...RiT* 2 ùû désigne un vecteur de dimension ( L2 ´1) de rendements


'

observés durant la période événementielle.

X i* = éëi Rm* ùû : une matrice de dimension ( L2 ´ 2) comprenant un vecteur

composé de uns dans la première colonne et un vecteur de rendements du marché


'
observés, Rm* = éë RmT
*
1
*
...RmT ù dans la deuxième colonne.
2 û

'
qˆi = éaˆi bˆi ùû : un vecteur de dimension ( 2 ´1) comprenant les paramètres estimés.
ë

e i* = éëe iT* ...e iT* ùû : un vecteur de dimension ( L2 ´1) d’erreurs résiduelles.


'

1 2

Les rendements anormaux peuvent aussi être exprimés de la façon suivante :

eˆit* = Rit* - aˆi - bˆi Rmt (2.14)

Les rendements anormaux, conditionnels aux rendements du marché pendant la


période événementielle, suivent conjointement une distribution normale avec une
moyenne conditionnelle nulle et une matrice conditionnelle de covariances Vi :

E éëeˆi* X i* ùû = 0 (2.15)

Vi = Isˆe2i + X i* ( X i' X i ) ( X i* )' sˆe2i


-1
(2.16)

Où I est une matrice d’identité de dimension ( L2 ´ L2 ) .

sˆ e* : L’écart-type prévisionnel (standard error of the forecast) durant la période


it

événementielle se calcule de la façon suivante :

104
1/2
ì é ùü
ï ê R - R 2 úï
sˆ e*
ï 1
= sˆ e i í1 + + ê T1
( mt m ) ú ï
ý
ï L1 ê 2 ú
ê å ( mj m) ú
it
ï (2.17)
R - R
ï
î ë j =T0 ûþï

Où sˆ e i désigne l’écart-type d’estimation du titre i durant la période d’estimation L1

Rmt : le rendement du marché durant la période événementielle.

Rmj : le rendement du marché durant la période d’estimation.

Rm : le rendement moyen du marché durant la période d’estimation.

Le second terme de cette formule représente l’écart-type additionnel qui provient


de l’erreur d’estimation des paramètres a i et b i . Cette erreur d’estimation qui est
commune à toutes les observations durant la période événementielle, amène un
certain niveau d’autocorrélation des rendements anormaux même si les résidus du
modèle sont indépendants à travers le temps. Ce terme aura un effet minime
lorsque la taille du période d’estimation L1 devient grande, car dans ce cas sa
valeur tend à se rapprocher de l’unité.

Sous l’hypothèse nulle H 0 , les rendements anormaux durant la période


événementielle suivent une distribution normale telle que :

eˆit* N ( 0, sˆ e22*it ) (2.18)

Les rendements anormaux sont souvent représentés par l’acronyme AR


(Abnormal Return), donc l’équation (2.18) devient :

ARit (
N 0, sˆ AAR
2
it
) (2.19)

En retranchant la portion du rendement qui est attribuable aux variations du


marché, le modèle de marché génère des variances moins importantes des
rendements anormaux que les méthodes de rendement moyen du titre et de
rendement du marché.

105
4.4. Le modèle d’équilibre des actifs financiers (Capital Asset Pricing
Model – CAPM)

La formation des prix d’équilibre des actifs financiers occupe une place non
négligeable dans la théorie des marchés financiers. La fixation des prix d’actifs a
été ainsi appréhendée au départ à travers des modèles d’équilibre dont le plus
connu est le MEDAF1. Ces modèles d’équilibre, dont le MEDAF, sont censés
décrire des marchés efficients, définis comme des marchés qui utilisent
correctement, rationnellement l’information disponible. Ce modèle s’intéresse
uniquement au risque systématique (bêta). Si les investisseurs sont averse au
risque, les titres les plus risqués auront les taux de rendements espérés les plus
élevés comparativement aux titres les moins risqués. Le MEDAF stipule, en effet,
que les prix des actifs dans un marché financier seront en équilibre lorsque le
rendement espéré d’un titre sera égal à un taux d’intérêt sans risque majoré d’une
prime (de risque), laquelle est proportionnelle au risque systématique (bêta).
Le bêta indique la part du risque non diversifiable. A l'équilibre, tous les
portefeuilles et tous les actifs sont sur la droite du MEDAF » (SML = Security
Market Line).

1
Le modèle d'évaluation des actifs financiers (MEDAF), traduction approximative de l'anglais
Capital Asset Pricing Model (CAPM) a été développé par Sharpe (1963-1964) et Treynor (1961)
et approfondi par Mossin (1966), Lintner (1965a-1969) et Black (1972). Le MEDAF est un
modèle d’évaluation et de mesure de risque.

106
Le bêta d'un portefeuille est égal à la moyenne pondérée des bêtas des titres qui le
composent. Le bêta du portefeuille de marché est égal à 1.
Un portefeuille efficient est composé de titres sans risques et du portefeuille de
marché (théorème de séparation en deux fonds). Le bêta du portefeuille efficient
mesure la fraction investie dans le portefeuille de marché.
A partir du modèle de marché, on peut spécifier un modèle mettant en relation le
rendement du titre (ou du portefeuille) et le risque. Autrement-dit, opérer une mise
en relation entre le rendement et bêta.
Partons du modèle de marché1 qui se présente comme suit :

R jt = a j + b j Rmt + e jt (2.20)

Si E ( R j ) est l’espérance mathématique de R jt alors on a :

E ( R j ) = E (a j ) + E ( Rm ) b j

Selon la théorie des actifs financiers E (a j ) = R f (1 - b j )

Avec R f = rendement sans risque.

Il y’a pas donc égalité entre a et R f (logique du modèle de marché).

D’où E ( R j ) = R f (1 - b j ) + E ( Rm ) b j

E ( R j ) = R f + b j éë E ( Rm ) - R f ùû (2.21)

L’équation (2.21) est la forme ex-ante (en termes d’anticipation) du MEDAF.


Les anticipations n’étant pas mesurables, il est urgent de trouver une forme
testable du modèle. Ceci peut se faire, selon Copeland et Weston (1983), en
supposant que le rendement anticipé de tout actif est égal au rendement réalisé.
Le MEDAF peut alors s’écrire :

R jt = R ft + ( Rmt - R ft ) b j + e jt (2.22)

1
L’origine du modèle de marché remonte à 1952 quand Markowitz (1952) a constaté que tout actif
financier possède deux caractéristiques proportionnelles : une certaine rentabilité et un certain
niveau de risque lié aux fluctuations de ses cours en bourse. C’est sur la base de ce modèle que
Fama, Fisher, Jensen et Roll (1969) se sont appuyés pour apporter quelques améliorations à la
méthodologie des études événementielles.

107
Nous constatons, en revanche d’après l’équation (2.3), que le risque systématique
b est supposé rester constant sur l’intervalle d’estimation. Ce qui fait qu’en
définitive la droite de marché empirique reliée au MEDAF va s’écrire :

R jt = g 0t + g 1t b jt + e jt (2.23)

Pour que le MEDAF soit vérifié, les résultats du test de cette équation (2.23)
devraient revêtir les aspects suivants :
- Le terme constant g 0t ne devrait pas être significativement différent de
zéro.
- La relation entre le rendement et bêta devrait être linéaire.
- Le coefficient de bêta g 1t devrait être égal à Rmt - R ft .

- Bêta devrait être le seul facteur explicatif du rendement de l’actif risqué.


C’est-à-dire que d’autres facteurs comme par exemple les dividendes. Le
PER, la taille de l’entreprise…, ne devraient pas avoir un pouvoir
explicatif.
- Si l’équation (2.23) est estimée sur de très longues périodes, alors Rmt - R ft

devrait être positif c’est-à-dire Rmt > R ft .

108
§ Si le marché est efficient tous les titres sont situés sur la droite de marché.
§ Les déplacements de la droite vont impliquer des mouvements de marché
- Mouvements de la droite
- Mouvements de Pivot de la droite
- Les points hors de la droite induisent une sous ou sur
évaluation
- Points au-dessus : Sous Evalués ó Achat Points au-
dessous : Surévalués ó Vente.

D’une façon générale, le CAPM tient compte des rendements excédentaires au


rendement sans risque R f , qui sont exigés par le marché pour compenser le risque

systématique. Les rendements anormaux sont estimés par l’équation suivante :

ARit = Rit - éë R f + bˆi ( Rmt - R f )ùû (2.24)

4.5. Le portefeuille réplique (control portfolio benchmark)

Cette méthode consiste à regrouper les titres qui font l’objet de l’étude en un
portefeuille p, et à créer un second portefeuille q, qui est composé de titres des
entreprises qui ne sont pas influencés par l’événement considéré et dont la
moyenne pondérée des bêtas est équivalente à celle du portefeuille sous étude.
Les rendements anormaux se calculent ainsi :

ARpt = Rpt - Rqt (2.25)

Vermaelen (1981) a montré que les rendements individuels des titres peuvent
aussi comparés à des portefeuilles répliques qui appartiennent à une catégorie
similaire en terme de risque, tel que mesuré par le bêta.

109
5. L’évaluation du niveau de signification des rendements
anormaux

Dans la littérature financière il existe plusieurs méthodes pour mesurer le degré de


signification des rendements anormaux observés. Les méthodes les plus utilisées
sont : la méthode de l’écart-type en série temporelle (time series standard
deviation method), la méthode de l’écart-type en coupe instantanée (cross-
sectional standard deviation method) et la méthode des rendements anormaux
standardisés (standardized abnormal return method). Ces méthodes sont
présentées en prenant le modèle de marché comme méthode d’estimation des
rendements anormaux.
Sous l’hypothèse nulle, on suppose que les rendements anormaux moyens sont
identiquement et indépendamment distribués selon une loi normale.

5.1. La méthode de l’écart-type en série temporelle (ETST)

La méthode de l’écart-type en série temporelle (ETST) utilisée par Brown (1980)


et Warner (1985), consiste à construire un test statistique en utilisant l’écart-type
des rendements anormaux moyens observés durant la période d’estimation. Cette
procédure tient compte des covariances entre les rendements anormaux des titres
(crude dependence adjustment method). On calcule d’abord le rendement anormal
moyen des dix titres observés à chaque période t de la période événementielle,
AARt (Average Abnormal Return), comme suit :
N

å AR it
AARt = i =1
(2.26)
N

La variance des rendements anormaux moyens se calcule de la façon suivante :

110
T1 2

å ( AAR - AAR )
t =T0
t

VARAAR = (2.27)
L1 - 2

Le terme AAR (Mean Average Abnormal Return) constitue la moyenne des


rendements anormaux moyens durant la période d’estimation et se définit comme
suit :

T1

å AAR
t =T0
t

AAR = (2.28)
L1

En considérant chaque rendement anormal moyen comme une observation plutôt


qu’une moyenne d’échantillon, le test statistique au temps t de la période
événementielle s’obtient de la façon suivante :

AARt
t( L1 -2) (2.29)
(VARAAR )
1/2

Où t( L1 - 2) désigne une distribution de Student avec L1 - 2 degré de liberté.

La prochaine étape consiste à cumuler les rendements anormaux moyens,


CAAR(T1 ,T2 ) (Cumulative Average Abnormal Return), durant la période

événementielle :

T2
CAAR(T1 ,T2 ) = å AARt (2.30)
t =T1

La variance des rendements anormaux moyens cumulatifs s’obtient de la façon


suivante :

VARCAAR(T ,T ) = (T2 - T1 + 1)VARAAR (2.31)


1 2

111
Ici, on suppose que les rendements moyens des titres ne sont pas autocorrélés tout
au long de série temporelle, ce qui permet de ne pas tenir compte des termes de
covariances entre les rendements des titres 1 . Le test pour les rendements
anormaux cumulatifs s’effectue comme suit :

CAAR(T1 ,T2 )
t( L1 - 2) (2.32)
( )
1/ 2
VARCAAR(T ,T )
1 2

Mackinlay (1997) présente deux variantes de la méthode de l’écart-type en série


temporelle. Ces méthodes ne tiennent pas compte des covariances entre les
rendements anormaux des titres (no dependence adjustment methods).
La première variante consiste à calculer la variance des rendements anormaux
moyens VARAAR , à partir de l’écart-type des écarts résiduels estimés (standard
error of estimate). De façon asymptotique, c’est-à-dire au fur et à mesure que la
période d’estimation L1 augmente, la variance des rendements anormaux moyens
tend vers :
N

å sˆe
i =1
2
i

VARAARt 2
(2.33)
N

Ici on suppose qu’il n’y a pas d’intercorrélatios entre les titres, ce qui est
habituellement le cas lorsque les périodes événementielles ne se recoupent pas
(overlapping) et qu’il n’y a pas de regroupements (clustering), ce qui permet de
ne pas tenir compte des termes de covariances entre les rendements des titres.
Le test statistique au temps t de la période événementielle s’obtient de la façon
suivante :

AARt
t( L1 -2) (2.34)
(VARAAR )
1/2

1
En pratique, les rendements moyens des titres ne sont pas totalement indépendants. C’est pour
cette raison que cette méthode est qualifiée de brute (crude).

112
La variance des rendements anormaux moyens cumulatifs s’obtient avec la
formule suivante :

T2 å (T 2 - T1 + 1)sˆ e2i
VARCAAR(T ,T ) = åVARAARt = i =1
(2.35)
1 2
t =T1 N2

Le test pour les rendements anormaux cumulatifs s’effectue comme suit :

CAAR(T1 ,T2 )
t( L1 -2) (2.36)
( )
1/2
VARCAAR(T ,T )
1 2

La deuxième variante consiste à calculer le rendement anormal cumulatif pour


chaque titre, CARI ,(T1 ,T2 ) (Cumulative Abnormal Return), et de calculer par la suite,

la moyenne des rendements anormaux cumulatifs de tous les titres observés,


CAAR(T1 ,T2 ) (Cumulative Average Abnormal Return).

Le rendement anormal cumulatif, CAR (Cumulative Abnormal Return), pour le


titre i pendant la période événementielle et sa variance se définissent comme suit :
T2
CARI ,(T1 ,T2 ) = å ARIt (2.37)
t =T1

T2
CARI ,(T1 ,T2 ) = å ARIt (2.38)
t =T1

La moyenne et la variance des rendements anormaux cumulatifs de tous les titres


observés se calculent comme suit :

å CAR ( I , T1 ,T2 )
CAAR(T1 ,T2 ) = i =1
(2.39)
N

N N

åVARCARI ,(T ,T ) 1 2
å (T 2 - T1 + 1) sˆ e2i
VARCAAR(T ,T ) = i =1
2
= i =1
(2.40)
1 2
N N2

113
Le test pour les rendements anormaux moyens cumulatifs s’effectue comme suit :

CAAR(T1 ,T2 )
t( L1 - 2) (2.41)
(VAR )
1/ 2

CAAR(T
1 ,T2 )

5.2. La méthode de l’écart-type en coupe instantanée (ETCI)

Cette méthode est utilisée par Charest (1978b), consiste à construire un test
statistique à construire un test statistique en utilisant l’écart-type des rendements
anormaux moyens des entreprises observées aux temps t, durant la période
événementielle. Celle-ci tient compte de l’éventuelle augmentation de la variance
durant la période événementielle.
La variance des rendements anormaux moyens des titres observée aux temps t de
la période événementielle s’obtient de la façon suivante :

2
æ N
ö
N ç å AR jt ÷
å ç ARit -
i =1 ç
j =1

N
÷
÷
ç ÷
VARAARt = è ø (2.42)
N -1

On peut calculer le test statistique au temps t de la période événementielle de la


façon suivante :

AARt
t( N - 2) (2.43)
(VAR )
1/ 2
AARt

114
La variance du rendement anormal moyen cumulatif se calcule comme suit :

2
æ N
ö
N ç å CAR j ,T1 ,T2 ÷
å ç CARi ,T ,T -
i =1 ç
1 2
j =1

N
÷
÷
ç ÷
VARCAART ,T = è ø (2.44)
1 2
N -1

Le test statistique du rendement anormal moyen cumulatif est :

CAART1 ,T2
t( N - 2) (2.45)
(VAR )
1/ 2
CAART1 ,T2

5.3. La méthode des rendements anormaux standardisés

Cette méthode d’erreur cumulative de prévision standardisée (Standardized


Cumulative Prediction Error - SCPE) consiste à standardiser les rendements
anormaux de chacun des titres en utilisant leur écart-type individuel avant d’en
faire la sommation arithmétique. L’écart-type des rendements anormaux peut être
calculé en série temporelle ou en en coupe instantanée.

5.3.1. La méthode des rendements anormaux standardisés en série temporelle


(RASST)

Pour calculer le rendement anormal standardisé, Patell (1976) préconise la


standardisation du rendement anormal de chacun des titres pour chaque période
événementielle en utilisation l’écart-type prévisionnel de chacun des titres durant
la période d’estimation.

115
Le rendement anormal standardisé s’obtient comme suit :

ARit
SARit = t( L1 - 2) (2.46)
( )
1/2
VARARit

Sous l’hypothèse nulle, les rendements anormaux standardisés suivent une loi de
Student avec L1i - 2 degrés de liberté.
L’écart-type prévisionnel (standard error of the forecast) se calcule de la façon
suivante:

é ù
ê R - Rm ) ú
ê1 + 1 + ( mt
2

VARARit = VARARi ú (2.47)


ê L1i T1
2 ú
ê å ( Rmt - Rm ) ú
ë t =T0 û

La racine carrée du terme VARARi représente l’écart-type d’estimation (standard

error of the estimate), et se calcule de cette façon :

T1

å AR t
t
=T0
i
2

sˆ e2 = VARAR = (2.48)
i i
L1i - 2

Le terme entre crochets de l’équation (2.47) c’est un facteur d’ajustement qui


permet de tenir compte des variations du marché durant la période événementielle.
Il est à noter que plusieurs études utilisent l’écart-type d’estimation pour
standardiser les rendements anormaux.

Le terme Rm représente la moyenne des rendements du marché durant la période


d’estimation :
T1

åR t
t =T0
m

Rm = (2.49)
L1

116
Le test statistique au temps t de la période événementielle s’effectue de la façon
suivante :

TSARt
t( L1 - 2) (2.50)
(VAR )
1/ 2
TSARt

Donc la somme des rendements anormaux standardisés (Total Standardized


Abnormal Return) et sa variance s’obtiennent de la façon suivante :

N (2.51)
TSARt = å SARit
i =1

N
L1i - 2
VARTSARt = å (2.52)
i =1 L1i - 4

La variance de la somme des rendements anormaux standardisés tend vers N


lorsque les périodes d’estimation des titres sont assez longues.

N
L1i - 2
VARTSARt = å N (2.53)
i =1 L1i - 4

Le test statistique du cumulatif des rendements anormaux standardisés durant la


période événementielle CTSART1,T2 (Cumulative Total Standardized Abnormal

Return) est :

CTSART1 ,T2 (2.54)


t( L1 - 2)
(VAR )
1/ 2
CTSART1 ,T2

Les termes de l’équation (2.54) se définissent comme suit :

T2
CTSART1,T2 = å TSARt (2.55)
t =T1

117
N
L1i - 2 (2.56)
VARCTSART T = (T2 - T1 + 1) å
1, 2
i =1 L1i - 4

Campbell, Lo et Mackinlay (1997) standardisent le rendement anormal cumulatif


SCAR (Standardized Cumulative Abnormal Return), comme suit :

CARi ,(T T )
SCARi ,(T T ) = 1, 2
(2.57)
(VAR )
1, 2 1/2

CARi , T
( 1,T2 )

La variance des rendements anormaux cumulatifs d’un titre pendant la période


événementielle se calcule à partir de l’écart-type des écarts résiduels estimés
comme suit :

VARCAR = (T2 - T1 + 1) sˆe2i (2.58)


(
i , T1,T2 )

Le rendement anormal standardisé moyen cumulatif durant la période


événementielle ASCART1,T2 (Average Standardized Cumulative Abnormal Return),

s’obtient de la façon suivante :

å SCAR ( i , T1,T2 )
ASCART1,T2 = i =1
(2.59)
N

La variance des rendements anormaux standardisés cumulés durant la période


événementielle SCARi ,(T T ) (Standardized Cumulative Abnormal Return) est :
1, 2

L1 - 2
VARSCAR = (2.60)
(
i , T1,T2 ) L1 - 4

Le test statistique du rendement anormal standardisé cumulatif moyen est le


suivant :

118
ASCART1,T2
t( L1 - 2) (2.61)
( )
1/ 2
VARASCART T
1, 2

La variance des rendements anormaux standardisés cumulatifs se calcule conne


suit :

L1 - 2
VARASCART T = (2.62)
1, 2
N ( L1 - 4 )

5.3.2. La méthode des rendements anormaux standardisés en coupe


instantanée (RASCI)

Boehmer, Musumeci et Poulsen (1991) modifient l’approche de Patell (1976) en


utilisant l’écart-type en coupe instantanée (standardized cross sectional method)
durant la période événementielle pour effectuer les tests statistiques.
Contrairement à la méthode de Charest (1978), l’approche RASCI permet de tenir
en compte de l’hétéroscédasticité entre les titres et de mieux contrôler les
augmentations de variance durant la période événementielle.

Donc le test statistique au temps t de la période événementielle s’effectue de la


façon suivante :

TSARt
t( N -2) (2.63)
( )
1/2
N VARSARt

La variance des rendements anormaux standardisés se calcule comme suit :

2
æ N
ö
N ç å SAR jt ÷
å ç SARit -
i =1 ç
j =1

N
÷
÷
ç ÷
VARSARt = è ø (2.64)
N -1
119
Pour calculer la variance des rendements anormaux cumulatifs VARCAR ,
(
i , T1,T2 )

Mikkelson et Partch (1988) apportent une rectification au calcul de la variance des


rendements anormaux amené par Patell (1976) afin de tenir compte de
l’autocorrélation qui existe entre les titres. Cette autocorrélation provient du fait
que tous les rendements anormaux découlent d’un même modèle, par exemple le
modèle de marché.

ì é æ T2 i ö ùü
2

ï ê ç å Rmt -L2i Rm ÷ ú ï
ï ê L2i è t =T1i ø úï
VARCAR = VARARt í L2i ê1 + + T1 úý (2.65)
( ) L1i
ï
å ( mt m ) úú ïï
i , T1,T2 2
ê R - R
ï ê t =T0
î ë ûþ

Durant la période événementielle, le rendement anormal cumulatif standardisé


pour le titre i, se définit comme suit :

CARi ,(T T )
SCARi ,(T T ) = 1, 2
(2.66)
(VAR )
1, 2 1/2

CARi , T
( 1,T2 )

Le test statistique du total des rendements anormaux standardisés cumulatifs,


s’obtient comme suit :

TSCART1,T2
t( N - 2) (2.67)
( )
1/ 2
N VARSCARt

Les termes de l’équation (2.67) se définissent comme suit :

N
TSCAR = å SCARi ,(T T ) (2.68)
1, 2
i =1

120
2
æ N
ö
N ç å SCAR j ,(T T )
1, 2
÷
å ç SCAR
i =1 ç
i ,(T1,T2 )
- j =1

N
÷
÷
ç ÷
VARSCARt = è ø (2.69)
N -1

6. Les tests non paramétriques

Les méthodes présentées précédemment sont dites paramétriques, car elles sont
fondées sur des hypothèses précises quant à la distribution statistique des
rendements anormaux. Pour que les tests paramétriques soient optimaux, les
rendements anormaux doivent suivre une distribution normale. Il existe des tests
non paramétriques qui permettent de mesurer le niveau de signification des
rendements anormaux sans exiger que ceux-ci suivent une distribution statistique
spécifique. On utilise ces tests non paramétriques pour vérifier la robustesse des
résultats découlant des analyses de type paramétrique. Les méthodes les plus
souvent employées sont : le test du signe (sign test) et le test de rang (rank test).

Le test du signe permet de comparer la proportion des rendements anormaux de


signes positifs et négatifs durant la période événementielle avec un ratio
hypothétique de 50% sous l’hypothèse nulle. Selon Brown (1980) et Warner
(1985), cette méthode ne permet pas d’obtenir des résultats justes lorsque la
distribution des rendements anormaux sous l’hypothèse nulle, est symétrique.

Afin de combler la défaillance de cette méthode, Cowan, Nayar et Singh (1990) et


Sanger et Peterson (1991) utilisent une variante du test du signe généralisé. Cette
méthode compare la proportion de rendements anormaux positifs durant la
période événementielle avec une période neutre, la période d’estimation. De cette
façon, ce nouveau test tient compte des possibles symétries des distributions des
rendements anormaux sous l’hypothèse nulle.

121
6.1. Test du signe généralisé (TSG)

Le TSG permet de vérifier si le nombre de titres qui affichent des rendements


anormaux cumulatifs positifs durant la période événementielle est supérieur à ce
qui serait attendu en l’absence de performances anormales. La statistique Z de ce
test se calcule comme suit :

w - Np
ˆ
ZG = (2.70)
ˆ (1 - p
ˆ ) ùû
1/ 2
éë Np

Avec w : désigne le nombre de titres dont le rendement anormal cumulatif durant


la période événementielle est positif.
N : le nombre de titres qui constituent l’échantillon.
p̂ : la proportion de rendements anormaux positifs observée durant la période
d’estimation, laquelle s’obtient de la façon suivante :

T1

N åS it

å
i =1
t =T0

L1i
ˆ =
p (2.71)
N

Où Sit désigne le signe du rendement anormal du titre i au temps t de la période


d’estimation et prend les valeurs suivantes :

ì1 si ARit > 0
Sit = í (2.72)
î0 si ARit £ 0

6.2. Test de rang (TR)

Le TR présenté par Corrado (1989) ne nécessite pas que la distribution des


rendements anormaux soit symétrique, contrairement au test de rang de Wilcoxon
(Wilcoxon Signed Rank Test). Le test qui a été développé par Corrado (1989) est
applicable à une seule observation mais Cowan (1992) a modifié cette approche

122
afin de permettre d’évaluer l’accumulation de rendements anormaux pendant la
période événementielle. La statistique Z du test de rang se définit comme suit :

ì ü
ï ï
ï ï
ï ï
ï ï
ï
1/ 2 ï K - K ï
ï
Z R = (T2 - T1 + 1) í
T1 ,T2
1/ 2 ý
(2.53)
ï é T2 ù ï
2

(
ï ê å Kt - K ú ï )
ï ê t =T0 ú ï
ï (T2 - T1 + 1) ú ï
ê
ïê ú ï
ï
îëê úû ï þ

Où KT1 ,T2 désigne la moyenne des rangs durant la période événementielle et se

calcule comme suit :

T2 åK it

å
t =T1 N
i =1

KT1 ,T2 = (2.74)


T2 - T1 + 1

Où K it désigne le rang du titre i au temps t durant les périodes d’estimation et


événementielles combinées.
K : la moyenne (et la médiane) des rangs des périodes d’estimation et
événementielles combinées, se définit comme suit :

T2 - T0 + 2
K= (2.75)
2

Dans des conditions idéales, le test de rang obtient un pouvoir de rejet plus grand
mais est plus sensible aux augmentations de la durée événementielle, aux
augmentations de variance et aux problèmes reliés aux transactions peu
fréquentes. De façon générale, ces tests semblent précis et le test du signe
généralisé serait une alternative valable.
123
II. Application et résultats empiriques

Nous utilisons 255 jours de rendements de l’indice MASI à partir du 31e jour
avant la date d’annonce1 de la crise des subprimes, comme période d’estimation
des paramètres de nos modèles d’évaluation des rendements attendus. Cette
période d’estimation représente approximativement le nombre de jours où les
marchés financiers sont ouverts durant une année et correspond à ce qui est
généralement utilisé dans les études empiriques.

Nous prenons en considération une période de 30 jours avant la date d’annonce


jusqu’à 30 jours après la date d’annonce pour évaluer les rendements anormaux
générés par l’événement de notre échantillon. Cette période événementielle de 61
jours est largement utilisée dans la littérature scientifique pour, d’une part
minimiser les impacts des rendements anormaux sur la période d’estimation et,
d’autre part pour tenter de capter l’effet total à court terme de l’événement sous
étude.

Le tableau ci-dessous montre les rendements anormaux moyens cumulés calculés


en utilisant le modèle de marché pour évaluer les rendements attendus durant la
période événementielle et les tests statistiques pour différentes périodes autour de
la date d’annonce. Les tests statistiques cumulatifs utilisés sont ceux décrits au
début de la section, à savoir : l’écart-type en série temporelle (ETST), l’écart-type
en coupe instantanée (ETCI), les rendements anormaux standardisés en série
temporelle (RASST), les rendements anormaux standardisés en coupe instantanée
(RASCI) et le test du signe généralisé (TSG).
Les chiffres qui apparaissent entre parenthèses dans la colonne intitulés (jours)
désignent le début et la fin des périodes étudiées. Les signes positifs et négatifs
désignent une position relative à la date d’annonce 0. Ainsi (-10,-10) désigne le
dixième jour avant la date d’annonce, alors que (0, +10) représente une période de
onze jours débutant le jour de l’annonce et se terminant le dixième jour suivant la
date d’annonce.

1
Une observation correspondant à la date 10 juillet 2007 (date d’événement), date de
l’annonce de la crise financière par l’agence de notation Moody’s.

124
Tableau 2.1 : Rendements anormaux du MASI et tests statistiques cumulatifs
Rendements Tests statistiques
anormaux
Périodes CAAR ETST ETCI RASST RASCI TSG
« Jours »
(-10,-10) 1,74% 3,142*** 1,252 1,841* 1,343 1,268

(-10,-9) 0,92% 1,013 0,986 0,859 0,916 0,970

(-10,-8) 1,63% 2,527** 1,147 1,463 1,398 0,748

(-10,-7) 1,71% 3,179*** 1,169 1,215 1,167 0,663

(-6,-6) 1,63% 1,663* 1,841 1,707 1,289 0,531

(-5,-5) 2,12% 4,105*** 2,125* 1,943 2,011* 0,456

(-4,-4) 2,43% 4,674*** 2,243* -0,351 1,974* 0,389

(-3,-3) 1,80% 1,232 1,393 1,127 1,757* 1,274

(-2,-2) -0,57% -1,374 -0,642 -0,446 -0,346 1,071

(-1,-1) 0,26% 0,985 1,145 0,214 0,478 -0,478

(0,0) 0,94% 2,642** 2,486** 3,230*** 2,450** 2,827**

(0,+1) 1,14% 2,800** 2,763** 4,742*** 3,102*** 3,354***

(0,+2) 1,27% 2,912** 1,957* 4,953*** 4,428*** 3,103***

(0,+3) 0,97% 1,545 1,012 3,102*** 2,135* 2,741**

(0,+4) 0,74% 1,379 0,687 2,309** 1,915* 2,536**

(0,+5) 0,56% 1,112 0,624 2,247** 1,524 2,014*

(0,+6) 0,34% 0,953 0,571 1,795* 1,247 1,815*


(0,+7) -0,25% -0,841 -0,209 1,642* 0,952 1,172
(0,+8) -0,07% -0,134 -0,113 1,574 0,847 0,545

(0,+9) -0,05% -0,057 -0,081 1,436 0,755 0,975

(0,+10) -0,02% -0,023 -0,038 1,354 0,623 0,535

CAAR : Rendement anormal moyen cumulé


ETST : Ecart-type en série temporelle
ETCI : Ecart-type en coupe instantanée
RASST : Rendement anormal standardisé en série temporelle
RASCI : Rendement anormal standardisé en coupe instantanée
TSG : Test du signe généralisé
Niveaux de signification des tests :*5%, **10%, ***1%
Calculs effectués sur le logiciel Eventus

125
Le tableau des rendements anormaux de l’indice MASI montre clairement et avec
des niveaux de signification très élevés pour plusieurs tests, que l’ensemble des
entreprises cotées en bourse de Casablanca génèrent des rendements anormaux
positifs significatifs de 0,97% durant la période débutant le jour de l’annonce de la
crise des subprimes jusqu’à trois jours suivant cette date.

Afin de vérifier et concrétiser les résultats obtenus, nous effectuons deux autres
tests, l’une paramétrique (test de Student) et l’autre non paramétrique (test de
Wilcoxon).

1. Test de Student (test paramétrique)

Dans le but d’étudier l’éventuel impact de la crise des subprimes sur les
rendements de l’indice MASI, nous utilisons un test paramétrique : test de
Student. La statistique de ce test est calculée comme suit :

RAM t
qt = où s t est l’écart type des rendements anormaux à la date t de la
st
période de test.
Afin de tenir compte de l’évolution de la volatilité au cours du temps, on introduit
un modèle GARCH (1,1). Cette modélisation permet de calculer pour chaque date
de la fenêtre d’événement une variance qui tient compte de l’impact de
l’information. L’écriture GARCH (1,1) classique est :

s t2 = lˆ0 + lˆ1RAM t2-1 + ws


ˆ t2-1

Avec :
s t2 , s t2-1 : Variance conditionnelle respectivement à la date t et t-1.

l̂0 , l̂1 et ŵ : des paramètres à estimer sur la fenêtre hors événement1.

1
Ces paramètres sont à estimer pour l’ensemble des titres. Il ne s’agit pas d’estimer un modèle
GARCH (1,1) pour chaque titre.

126
RAM : rendement anormal moyen. Comme nous cherchons un résultat global de
tous les titres qui appartiennent à l’indice MASI pour chaque date de la fenêtre
d’événement, le terme d’erreur ici est RAM.

Tableau 2.2 : Rendements anormaux moyens, variance conditionnelle et t-Student


Date RAM t (%) s t2 (%) qt
0 0,19 0,007 1,270***
1 1,15 0,045 2,396**
2 0,29 0,081 0,987**
3 0,70 0,093 1,031*
4 -0,09 0,064 -0,654
5 -0,14 0,053 -0,702
6 -0,58 0,085 -0,913
7 -0,27 0,069 -0,790
8 0,19 0,065 0,201
9 -0,07 0,058 -0,097
10 -0,25 0,097 -0,861
11 0,69 0,086 0,908
12 0,55 0,079 0,802
13 -1,22 0,059 -1,010
14 0,37 0,068 0,784
15 2,13 0,069 1,650***
16 0,75 0,066 0,911
17 -0,09 0,092 -0,613
18 0,28 0,089 0,374
19 -0,08 0,078 -0,589
20 0,77 0,060 0,897
*** Significatif à 0,1% ; ** Significatif à 1% ; * Significatif à 10%

Les résultats obtenus par le test de Student sont groupés dans le tableau ci-dessus.
Au vu de ces résultats, on remarque un impact significatif et positif sur les cours
pendant les quatre premiers jours de l’événement (respectivement +0,19%, 1,15%,
0,29%, 0,70%).

127
L’impact est surtout observé pendant le deuxième jour (t=1) où on enregistre un
rendement élevé après le rendement le plus élevé de 15iéme jour (2,13%). Cela
peut s’expliquer par le fait que le nombre d’informations envoyés pendant ce jour
est plus important que celui du premier jour d’événement, suscitant ainsi une
demande additionnelle de ces titres de la part des investisseurs.

Figure 2.2 : Evolution des rendements anormaux moyens de l’indice MASI

L’examen de l’évolution des rendements anormaux moyens à travers la figure ci-


dessus montre que cette hausse significative des rendements est immédiatement
suivie dés le cinquième jour de l’événement (t=4) par un mouvement correcteur
inverse qui ramène le rendement moyen sur sa tendance stabilisée entre (-0,09% et
+0,77%). Cela laisse penser que l’effet de l’événement n’a pas disparu au delà du
2éme jour. La modélisation GARCH (1,1) met en avant, en parallèle avec
l’augmentation des rendements, une hausse de la volatilité.
Toutefois, on ne peut pas se contenter de ces résultats vu que le test de Student est
un test paramétrique qui exige, entre autres que les rendements aient une
distribution normale, et ce bien qu’on ait utilisé des données logarithmiques pour
se rapprocher de la normalité. Afin d’améliorer et de donner plus de robustesse à

128
nos résultats, nous appliquons un deuxième test, c’est le test de rang signé de
Wilcoxon.

2. Test de Wilcoxon (test non paramétrique)

Afin de lever complètement l’hypothèse de normalité des données, on utilise ce


test non paramétrique dont le modèle ne précise pas les conditions que doivent
remplir les paramètres de l’échantillon, à la différence des tests paramétriques. Le
test de Wilcoxon prend en compte à la fois le signe et l’amplitude de la variation
anormale, le jour j de la fenêtre d’événement le plus affecté par l’événement est
celui qui a la plus grande variation anormale (positive) négative.

Figure 2.3 : Fenêtre d’événement et fenêtre hors événement

Le principe du test de rang de Wilcoxon est le suivant : tout d’abord les variations
positives et négatives des rendements sont rangées par ordre croissant sans tenir
compte de leurs signes. Ensuite nous calculons la somme des rangs des variations
positives comme suit :
n
T + = å Ri ´ di avec :
1

T + : Somme des rangs des variations positives


n : Taille de l’échantillon
Ri : Rang de la variation

di = 0 : Si la variation est négative

di = 1 : Si la variation est positive


Donc la statistique du test de Wilcoxon se calcule par la formule suivante :

129
n ( n + 1)
T+ -
Z rang = 4
n ( n + 1)( 2n + 1)
24
Sous l’hypothèse nulle (absence des rendements anormaux moyens), la statistique
de Wilcoxon suit une loi normale centrale réduite.

Tableau 2.3 : Test de rang de Wilcoxon

Date T+ Z rang

0 3521 1,270*
1 3893 2,572**
2 3147 1,045*
3 3357 0,953*
4 3175 -1,021
5 3612 -0,974
6 2758 -1,013
7 2549 -0,852
8 3647 0,379
9 2947 -0,107
10 2714 -1,161
11 3742 0,824
12 3371 0,911
13 2579 -1,469
14 3042 0,741
15 3985 1,453*
16 3253 0,789
17 2769 -0,247
18 2947 0,546
19 2681 -0,702
20 2984 0,835
** Significatif à 5% ; * Significatif à 10%

Le tableau ci-dessus fait ressortir des résultats similaires à ceux obtenus


précédemment avec le test de Student. La crise des subprimes américaines
affectent les rendements significativement à partir les premiers quatre jours de

130
l’événement. Aussi Campart et Pfister (2002) ont utilisé le test de Wilcoxon pour
évaluer l’impact des litiges dans l’industrie pharmaceutique sur les rendements
boursiers. Ces auteurs ont trouvé des résultats satisfaisants et similaires au test de
Student.
La date (t=1) marque la présence de la plus grande variation anormale des
rendements, et par conséquent c’est la date la plus affectée par l’événement. Cela
peut s’interpréter, comme on l’a mentionné plus haut avec le test de Student, par
l’augmentation des mouvements de transaction sur les titres ciblés par
l’information déclenchée, concernant la crise des subprimes pendant ce jour-là. A
partir du quatrième jour, l’événement génère des rendements anormaux négatifs.

Nos résultats obtenus sur la base du test de Student et test de Wilcoxon révèlent
des rentabilités anormales moyennes positives et significatives pendant les quatre
jours suite à l’annonce de l’événement (crise des subprimes).
L’information sur le déclenchement de la crise des subprimes américaines affecte
le comportement des acteurs financiers qui réagissent favorablement. On peut
affirmer que le marché boursier marocain est efficient dans la mesure où
l’intégration de l’information s’est opérée d’une façon assez rapide.

131
Section II
Etude événementielle à long terme de la crise des
subprimes

Les études à court terme consistent à vérifier de façon empirique l’impact de


l’occurrence de l’événement de la crise des subprimes sur le prix des actions
d’une entreprise autour de la date d’annonce. Le contenu informatif d’un
événement financier devrait amener les investisseurs à réévaluer leurs
anticipations des flux monétaires futurs provenant des entreprises et, par
conséquent, le prix des titres qu’ils possèdent ou convoitent. Toutefois, ces études
à court terme, bien documentées dans la littérature scientifique1 ne capteraient pas
la totalité des plus ou moins-values associées aux événements en général.

Le principe d’efficience des marchés suppose que l’information est intégrée


rapidement et adéquatement dans les prix des titres. Or, il semble que dans bien
des cas, les marchés financiers tardent à reconnaître les effets réels sur la valeur
des entreprises. Cette situation s’expliquerait par trois facteurs. D’abord, certains
événements complexes comme les crises ne seraient pas parfaitement décodés par
les marchés financiers. Les réactions à court terme des marchés ne
représenteraient pas une mesure précise et définitive de l’impact économique de
tels événements. Deuxièmement, plusieurs informations importantes relatives aux
événements ne sont connues que par les membres de la haute direction des
entreprises impliquées, il s’agit d’informations privilégiées.

Depuis le début des années 1990, les chercheurs se sont tournés vers les études de
la performance à long terme afin de pallier les déficiences des études à court
terme. Ces méthodes permettent de détecter les gains ou pertes de valeur qui sont
enregistrés par les marchés boursiers pendant la période post-événement.

1
Les études scientifiques de Campbell, Lo et Mackinlay (1997) et Dumontier et Martinez (2001)

132
Dans cette section, nous passons en revue les méthodes les plus utilisées en
recherche sur la détection des rendements anormaux à long terme, notamment les
études en temps événementiel (event time) et les études en temps calendaire
(calendar time). Selon Barber et Lyon (1997), les résultats obtenus par l’entremise
de ces méthodes sont très sensibles aux modes de calcul de la performance et aux
méthodes d’évaluation des rendements attendus. Nous présentons ces aspects et
faisons ressortir les problèmes statistiques qui peuvent être rencontrés ainsi que
les solutions qui sont préconisées dans la littérature scientifique.

I. Le calcul de la performance financière à long terme

Afin de mesurer la performance boursière à long terme, il existe essentiellement


deux méthodes de calcul des rendements anormaux à long terme de l’indice
MASI: méthode des rendements anormaux cumulés (Cumulative Abnormal
Returns : CAR) et la méthode des rendements composés anormaux (Buy and Hold
Abnormal Returns : BHAR).

1. La méthode des rendements anormaux cumulés (Cumulative


Abnormal Returns)

Cette méthode consiste à additionner les rendements anormaux mensuels sur un


horizon de temps T après l’événement.

T
CARit = å Rit - E ( Rit ) (2.76)
t =1

Le rendement anormal représente l’écart du rendement observé d’un titre i au


temps t, Ri t sur l’espérance de rendement de ce titre, le rendement dit normal,

E ( Ri t ) .

133
On obtient le rendement anormal moyen par période lorsqu’on divise le résultat de
l’équation (2.76) par le nombre de périodes T. Cette méthode permet de vérifier si
le rendement anormal périodique moyen est différent de zéro durant la période
événementielle.

Les études de Barber et Lyon (1997) montrent que la méthode CAR est sujette à
trois types de biais : le biais d’asymétrie (skewness bias), le biais de mesure
(measurement bias) et le biais di survivant (survivor bias ou new listing bias).
Barber et Lyon (1997) montrent que la distribution des rendements CAR souffre
d’asymétrie positive. « Il est habituel d’observer un rendement annuel excédant
100% pour une entreprise en particulier alors que cela est beaucoup moins
fréquent d’observer un tel rendement pour un portefeuille de marché. Étant donné
que les rendements anormaux sont générés par la différence entre les rendements
d’une entreprise en particulier et ceux d’un portefeuille de marché, la distribution
des rendements anormaux souffre d’asymétrie positive » 1 . Lors des tests
statistiques, l’asymétrie positive génère habituellement un biais négatif qui est
causé par la corrélation positive entre la moyenne et l’écart-type des échantillons.
L’asymétrie positive c’est une distribution provenant d’une augmentation de la
moyenne d’un échantillon, accompagnée d’une augmentation de l’écart-type, ce
qui diminue la possibilité d’obtenir un test significatif.

Le biais de mesure tenu en compte que les rendements anormaux cumulés sont
des estimateurs biaisés des rendements composés anormaux à long terme.
Ritter (1991) montre que les entreprises nouvellement cotées en bourse ont
tendance à générer des rendements inférieurs à la moyenne du marché. Le biais du
survivant se produit lorsque le calcul des rendements anormaux est biaisé de façon
positive puisque l’échantillon d’étude ne contient pas de nouvelles entreprises
après l’événement.

1
Barber et Lyon, 1997, p. 347

134
2. La méthode des rendements composés anormaux (Buy and Hold
Abnormal Returns : BHAR)

A l’inverse des rendements anormaux cumulés, basés sur une addition des taux de
rendement, les rendements composés anormaux s’appuient sur une logique de
soustraction les rendements attendus composés des rendements observés
composés d’un échantillon des firmes cotées en bourse, durant la période
événementielle. La formule algébrique s’écrit comme suit :

T T
BHARit = Õ [1 + Rit ] - Õ éë1 + E ( Rit ) ùû (2.77)
t =1 t =1

Avec BHAR : la moyenne des rendements composés anormaux des n entreprises


cotées en bourse composant notre échantillon :

n
BHARit
BHAR = å (2.78)
i =1 n

Barber et Lyon (1997) ont montré que l’avantage de cette méthode réside dans sa
prise en compte de l’expérience de l’investisseur grâce à la technique de
capitalisation. Ce qui la rend plus adaptée pour mesurer la performance dans les
études d’événement réalisées sur des horizons temporels relativement longs. Par
contre, cette approche génère trois types de biais : le biais du survivant, le biais
d’asymétrie, et le biais de recomposition (rebalancing bias). Ce dernier biais
provient lorsque le portefeuille de marché est equipondéré, les fluctuations de prix
des titres permettent de modifier périodiquement la pondération. Pour assurer
l’égalité des valeurs marchandes des firmes cotées en bourse, on vend
périodiquement les titres qui ont obtenu des rendements supérieurs à la moyenne
du portefeuille et on achète ceux qui ont obtenu des rendements inferieurs. Le
retour vers la moyenne s’établit par l’achat des titres qui réussiront bien dans le
futur et la vente des titres qui n’ont pas de bonnes performances. Cette démarche
nous permet de générer une augmentation relative du rendement à long terme du
portefeuille-réplique par rapport à l’échantillon.

135
Jusqu’au aujourd’hui les économistes cherchent d’autres méthodes de calcul de
performance plus robustes, mais Barber et Lyon (1997) et Lyon, Barber et Tsai
(1999) recommandent l’utilisation de la méthode BHAR même si elle est sujette à
plusieurs biais. Kothari et Warner (1997) comparent les deux méthodes et
concluent qu’elles ont des pouvoirs de rejet comparables. Fama (1998) et Mitchell
et Stafford (2000) quant à eux, préconisent la méthode CAR en conjonction avec
l’approche du portefeuille en temps calendaire (calendar time portfolio).

3. L’évaluation des rendements attendus (Benchmarks)

Les principales méthodes d’évaluation des rendements attendus et les tests


statistiques qui sont utilisés pour déterminer la performance anormale à long
terme : les modèles d’évaluation des actifs, le portefeuille de marché, le
portefeuille réplique, le portefeuille en temps calendaire, la simulation par ré-
échantillonnage de la distribution empirique d’un test t ajusté pour l’asymétrie, la
simulation par ré-échantillonnage de la distribution empirique des rendements
anormaux, l’entreprise-contrôle et le modèle à trois facteurs de Fama (1992) et
French (1993).

3.1. Les modèles d’évaluation des actifs (asset pricing models)

La pertinence d’utilisation des modèles d’évaluation des actifs lors des études
évènementielles à court terme se réside dans l’évaluation des rendements attendus
à long terme, Kothari et Warner (1997). Les études et résultats démontrent que le
modèle d’équilibre des actifs financiers MEDAF, le modèle de marché, le modèle
du rendement du marché génèrent des taux de rejet anormalement élevés. En
outre, tous ces modèles engendrent des biais qui s’accroitre par l’augmentation de
la période de calcul. Pour réduire ces biais (biais du survivant et biais
d’asymétrie), les auteurs recommandent l’utilisation d’approches non
paramétriques telles les méthodes de ré-échantillonnage.

136
3.2. Le portefeuille de marché

Un indice de marché tel MASI au Maroc peut être utilisé pour représenter le
rendement attendu à long terme d’un titre. Le calcul du rendement de ce
portefeuille tient compte du poids relatif des titres qui le composent, on assigne un
poids plus élevé aux rendements des entreprises de grande taille. L’utilisation
d’un portefeuille de marché pour évaluer le rendement attendu a tendance de
générer le biais d’asymétrie et le biais du survivant. Selon Loughran et Ritter
(2000), une étude événementielle typique produira des résultats statistiques
pertinents de point de vue d’un gestionnaire, d’un investisseur ou d’un chercheur
qui tente de détecter des rendements anormaux à partir d’événements aléatoires
lorsque toutes les observations sont pondérées également. Cette méthode a
tendance aussi à générer en plus des biais du survivant, d’asymétrie et de
recomposition.

3.3. Le portefeuille – réplique (reference portfolio)

Cette méthode consiste à comparer les rendements de chacun des titres


d’entreprises qui ont procédé à des regroupements à un portefeuille p composé
de titres qui ne sont pas influencés par l’événement considéré et qui sont
similaires à la firme observée en terme de taille et de ratio Valeur Comptable /
Valeur de Marché, tel que préconisé par Fama et French (1992, 1993). Selon
cette approche, les rendements anormaux se calculent de la façon suivante :

ARit = Rit - Rpt

Les études de Lyon, Barber et Tsai (1999) montrent que le portefeuille-réplique


peut éliminer une bonne partie des biais du survivant (les entreprises qui sont
incluses dans des portefeuilles-répliques doivent posséder des données de taille et
de ratio VC/VM antérieurs à la date d’événement) et de recomposition (il faut
utiliser la méthode d’achat-conservation pour le calcul des rendements de
l’échantillon et du portefeuille-réplique) .

137
Lyon, Barber et Tsai (1999) préconisent deux méthodes statistiques qui permettent
de tenir compte du biais d’asymétrie : la simulation par ré-échantillonnage de la
distribution empirique d’un test t ajusté pour l’asymétrie et la simulation par ré-
échantillonnage de la distribution empirique des rendements anormaux.

3.4. La simulation par ré-échantillonnage de la distribution empirique


d’un test t ajusté pour l’asymétrie (Bootstrap)

Johnson (1978) a développé un test t qui tient compte de l’asymétrie de la


distribution des données pour lequel il est employé. Ce test t se calcule de la façon
suivante :
æ 1 1 ö
tsa = n ç S + gˆ S 2 + gˆ ÷ (2.79)
è 3 6n ø
t sa : désigne le test t ajusté pour l’asymétrie.

n : taille de l’échantillon. S et gˆ se définissent comme suit :

ARt
S= (2.80)
s ( ARt )
3

å ( AR t - ARt )
n

i
gˆ = i =1
(2.81)
ns ( ARt )
3

Pour estimer les paramètres de l’équation du test t de Johnson, Sutton (1993) a


utilisé la technique de ré-échantillonnage, même Lyon, Barber et Tsai (1999) ont
utilisé l’approche de Sutton (1993) pour évaluer les rendements anormaux en
présence d’une distribution asymétrique et ont conclu que cette méthode permet
d’éliminer le biais d’asymétrie. Pour chaque ré-échantillonnage, l’équation de ce
test se présente comme suit :

æ 1 1 bö
tsab = nb ç S b + gˆ b S b 2 + gˆ ÷ (2.82)
è 3 6 nb ø

138
t sab : désigne le test t ajusté pour l’asymétrie dont les valeurs critiques sont
évaluées par ré-échantillonnage.
nb : la taille du sous-échantillon représentant une fraction de l’échantillon sous
étude d’événement.
b : la fréquence des ré-échantillonnages.
S b et gˆ b se définissent comme suit :

b
ARt - ARt
S = b
(2.83)
s b ( ARt )

å ( AR )
nb 3
b
b
it - ARt
gˆ b = i =1
(2.84)
nbs b ( ARt )
3

H 0 : la moyenne des rendements anormaux à long terme est de zéro.

L’hypothèse nulle est rejetée lorsque tsa < X I* ou tsa > X U* . Ces valeurs critiques
s’obtiennent en résolvant l’équation suivante :
a
Pr éëtsa
b
£ X I* ùû = Pr éëtsa
b
³ X U* ùû = (2.85)
2

3.5. La simulation par ré-échantillonnage de la distribution empirique des


rendements anormaux

Pour déterminer le niveau de signification statistique des rendements anormaux


observés à long terme, les auteurs comme Brock, Lakonishok et LeBaron (1992) et
Ikenberry, Lakonishok et Vermaelen(1995) ont préconisé une simulation d’une
distribution empirique des rendements anormaux par la méthode de ré-
échantillonnage. La procédure consiste à former un pseudo-portefeuille composé
d’entreprises similaires à l’échantillon (même secteur d’activités) sous étude au
moment de l’événement (crise des subprimes). Les entreprises sont choisies au

139
hasard parmi l’ensemble des entreprises cotées en bourse de Casablanca. Les
rendements anormaux de chacune des entreprises qui sont incluses dans ce
pseudo-portefeuille sont calculés sur une base d’achat-conservation en utilisant un
portefeuille-réplique ayant des caractéristiques similaires en terme de taille et de
ratio Valeur Comptable / Valeur de Marché. On calcule ensuite le rendement
moyen du pseudo-portefeuille. Cette procédure d’échantillonnage est répétée un
grand nombre de fois.

Le test statistique consiste à rejeter H 0 selon laquelle le rendement anormal


moyen de l’échantillon se situe à l’intérieur des valeurs critiques de la distribution

empirique des rendements anormaux moyens soit : ARt < yI* ou ARt > yU* .

Les valeurs critiques y * sont déterminées de la façon suivante :

a
Pr éê ARt £ yI* ùú = Pr éê ARt ³ yU* ùú =
p p
(2.86)
ë û ë û 2
p
ARt : les rendements anormaux moyens des pseudo-portefeuilles.
p : la fréquence des ré-échantillonnages.

Figure 2.4 : Simulation par ré-échantillonnage

140
L’utilisation de la courbe normale pour déterminer les valeurs critiques et qualifier
les rendements observés aurait généré de tous autres résultats. Les bornes n1 et n2
sont les valeurs critiques au-delà desquelles les rendements anormaux seraient
considérés significatifs si l’hypothèse de normalité était retenue.

Lyon, Barber et Tsai (1999) ont montré que cette simulation permet de réduire
considérablement les biais statistiques mentionnés précédemment, mais ne permet
pas d’éliminer les problèmes liés à l’interdépendance entre les rendements des
titres.

3.6. L’entreprise – contrôle (control firm)

Pour chacune des entreprises de l’échantillon, il s’agit de soustraire des


rendements observés, le rendement d’une entreprise similaire. Il est habituel de
choisir les critères de secteur industriel, de taille et de ratio VC / VM comme
critères d’appariement. L’équation s’écrit comme suit :

ARit = Rit - Rct

ARit : Rendement de l’entreprise-contrôle.


Les auteurs comme Barber et Lyon (1997) indiquent que la méthode de
l’entreprise-contrôle permettrait d’éliminer les biais statistiques mentionnés
précédemment. « L’approche de l’entreprise-contrôle élimine le biais du
survivant (puisque les deux entreprises, l’échantillon et le contrôle, doivent être
cotées au moment de l’événement sous étude), le biais de recomposition (puisque
le rendement des deux firmes est calculé sans recomposition), et le biais
d’asymétrie (puisque les deux firmes ont une probabilité égale de générer des
rendements positifs importants). »

4. Approches des portefeuilles en temps calendaire (Calendar Time


Portfolio)

Fama (1998) et Lyon, et al. (1999) affirment que les méthodes des « Calendar

141
Time Portfolio » offrent deux avantages. Le premier est qu’elles éliminent le
problème de dépendance de la coupe en transversale « cross-sectional » entre les
entreprises de l’échantillon, car les rendements sur les sociétés qui constituent
l’échantillon sont agrégés dans un seul portefeuille. Le second est qu’elles rendent
les tests statistiques plus robustes sur des échantillons. Lyon, Barber et Tsai
(1999) préconisent deux approches dans le cadre de cette méthodologie : le
modèle de trois facteurs de Fama et French et la moyenne mensuelle des
rendements.

4.1. Le modèle à trois facteurs de Fama et French (1992,1993)

Fama et French (1992, 1993), propose un modèle à trois facteurs qui corrige les
défaillances du modèle d’évaluation des actifs financiers (MEDAF)1. Le modèle à
trois facteurs inclut le risque du marché (le bêta utilisé dans le MEDAF), et utilise
également le risque relié à la taille et celui attribué au ratio VC / VM pour mieux
expliquer la variabilité des rendements des entreprises2.
Selon ces auteurs, on aurait tendance à observer un risque plus élevé dans le cas
des petites entreprises et des entreprises de valeur (ratio VC / VM élevé)
comparativement aux grandes entreprises et aux entreprises de croissance (ratio
VC / VM faible), ce qui amènerait les marchés financiers à requérir un plus fort
rendement en compensation.
Le modèle à trois facteurs de Fama et French s’écrit comme suit :

Rpt - R f t = ai + bi ( Rmt - R f t ) + si SMBt + hi HMLt (2.87)

Rpt - R f t : Le rendement excédentaire du portefeuille d’entreprises observées R pt

par rapport à celui de l’actif sans risque R f t .

1
Le CAPM ne permettrait pas d’expliquer la totalité de la variabilité des rendements observés sur
les marchés financiers.
2
Certains auteurs comme Jegadeesh et Titman (1993) et Carhart (1997) utilisent un 4iéme facteur
qui s’appelle le momentum. Les marchés financiers accorderaient une prime aux titres dont la
performance passée a été supérieure à la médiane durant la dernière année.

142
Rmt - R f t : représente l’excédent rendement de marché par rapport à celui de

l’actif sans risque. Le premier terme Rmt représente la rentabilité la moyenne des
titres constituant l’indice MASI pondéré par la capitalisation boursière de chaque
titre. Le second terme R f t représente le rendement sur l’actif sans risque.

SMBt (Small Minus Big): la prime requise par les marchés financiers pour les
petites entreprises.
HMLt (High Minus Low) : la prime requise par les marchés financiers pour les
entreprises de valeur qui ne sont pas en croissance.
Les paramètres ai , bi , si et hi de ce modèle sont estimés par régression linéaire.

L’estimation de l’intercepte ai de la régression, nous permet de tester l’hypothèse


nulle selon laquelle, la moyenne mensuelle de l’excès de rendement sur le
portefeuille en temps calendaire est égale à zéro. Les interceptes dans ces
régressions ont une interprétation similaire à l’alpha de Jensen dans le cadre des
travaux sur le MEDAF. Étant donné que le nombre de titres qui constituent le «
Calendar Time Portfolio » varie d’un mois à l’autre, la distribution du terme
d’erreur (et) peut être hétéroscédastique. Pour surmonter ce problème,
conformément à la proposition de Boehme et Sorescu (2002), nous utilisons une
estimation par la méthode des moindres carrés ordinaires pondérés (WLS). Le
facteur de pondération est basé sur la racine carrée du nombre des titres
constituant le portefeuille de chaque mois du calendrier.

4.2. La moyenne mensuelle des rendements en temps calendaire


(Calendar Time Abnormal Returns – CTAR)

Supposons que la période d’intérêt événementiel est de trois ans. Pour chaque
mois du calendrier, nous calculons le rendement anormal ARit pour chaque titre i

en utilisant les rendements sur les portefeuilles de référence R pt sur la même

période :
ARit = Rit - Rpt

143
Pour chaque mois du calendrier t, nous calculons la moyenne des rendements
anormaux MART des sociétés dans le portefeuille sur les 6, 12, 18, 24, 30 et 36
derniers mois, c’est-à-dire, nous devrons recomposer le portefeuille chaque mois :

nt
MART = å xit ARit (2.88)
i =1

nt : représente le nombre d’entreprises dans le portefeuille au mois t.

xit : facteur de pondération des rendements anormaux. Ce facteur prend la valeur

1/ nt , lorsque les rendements anormaux sont equipondérés et MVit / å MVit

lorsque les rendements anormaux sont pondérés selon les valeurs de marché.

Ensuite, nous calculons une moyenne globale sur les moyennes mensuelles des
rendements MMAR de la façon suivante :

å MAR t
MMAR = t =1
(2.89)
T
Où T est le nombre total des mois dans le calendrier.

Afin de tester l’hypothèse nulle selon laquelle la moyenne des rendements


mensuels est égale à zéro, un test statistique t est calculé en utilisant l’écart-type
des séries temporelles des rendements anormaux mensuels normalisés :

MMAR
t ( MMAR ) = t( N -1) (2.90)
s ( MARt )
T

Afin de standardiser les rendements anormaux moyens mensuels, en divisant


ceux-ci par une estimation de leurs écarts-types en série temporelle pour une
période Τ précédant le mois de calendrier. Ceci permet de tenir compte de
l’hétéroscédasticité découlant du fait que le portefeuille est composé de titres
différents d’un mois à l’autre.

144
L’équation du test statistique t est la suivante :

MMARs
t ( MMARs ) = t(T -1´T ) (2.91)
T

Où MMARs représente la moyenne des rendements anormaux moyens


standardisés.

Les travaux de Lyon, Barber et Tsai (1999) ont montré que cette dernière méthode
de la moyenne mensuelle des rendements en temps calendaire génère des taux de
rejet plus conservateur que la première méthode basée sur le modèle à trois
facteurs de Fama et French.

II. Application et résultats empiriques

1. Statistiques descriptives

Premièrement, nous prenons la totalité des sociétés cotées en bourse de


Casablanca (53 firmes) et qui composent la valeur boursière de l’indice MASI.
Notre étude se base le calcul des rendements anormaux cumulés CAR et des
rendements composés anormaux BHAR de tous les secteurs d’activité avant et
après la crise des subprimes (3 ans après l’annonce de l’événement et les
compares avec le rendement anormal de l’indice MASI). Nous mesurons la
performance boursière à long terme des titres de chaque secteur par la
méthodologie des études d’événement sur longue période. Nous observons
l’évolution de la performance de chaque branche d’activité sur deux périodes : la
première période notée (-12,-1) est d’une durée de 12 mois, débutant à la fin du
12éme mois précédent l’annonce de la crise des subprimes. Quant la seconde
période, nous prenons trois fenêtres d’événement : (+1,+12), (+1,+24) et (+1,+36).
Deux approches ont été mises en œuvre pour vérifier la robustesse de nos
résultats : approche en coupe transversale et approche des portefeuilles
calendaires.

145
Cependant, le recours au portefeuille de référence pour calculer les rendements
anormaux selon l’approche en coupe transversale, rend la distribution de ces
derniers asymétrique, ce qui donne lieu à des tests de Student biaisés, Barber et
Lyon (1997). Pour boucler ce problème, nous mettons en œuvre la méthode de
Boostrapped Skewness Adjusted t-statistic proposée par Barber et al (1999).

2. Résultats de l’étude de la performance boursière à long terme de


la BVC

2.1. Résultats de l’approche en coupe transversale

Dans un souci de clarté, nous allons commencer par une présentation des résultats
issus de l’application de l’approche en coupe transversale. Le tableau 2.4 présente
les CAR et les BHAR moyens et médians calculés en utilisant l’entreprise de
contrôle.

Tableau 2.4 : Rendements anormaux cumulés et composés des sociétés cotées en utilisant
l’entreprise-contrôle

CAR BHAR
Fenêtre Moyennea Médianeb Négatif Gain Moyennea Médianeb Négatif Gain
d’événement En % En % (positif)c relatif En % En % (positif)c relatif
(-12,-1) 15,57** 7,68** 65,14 1,43 18,23** 6,52* 58,47 1,35
(+1,+12) -7,87 -8,17 57,56* 0,91 -3,57 -9,83 60,51* 0,98
(+1,+24) -14,36** -20,43*** 63,15*** 0,75 -23,72*** -19,88** 61,87*** 0,79
(+1,+36) -38,55*** -27,13*** 65,53*** 0,65 -41,64*** -28,95*** 65,53*** 0,67
***,**,* : significatif aux seuils de 1%, 5% et 10%
a
l’hypothèse H0 d’une rentabilité anormale moyenne = 0 est testée à l’aide du test de Student.
b
l’hypothèse H0 d’une rentabilité anormale médiane = 0 est testée à l’aide du test de Wilcoxon
sur les rangs.
c
l’hypothèse nulle correspond à une proportion de rentabilités anormales positives (avant la crise
des subprimes) ou négatives (après la crise des subprimes) = 0,5.
Le test mis en œuvre est le test de signes.

· Rendements anormaux durant les 12 mois précédant la crise des subprimes


D’après le tableau ci-dessus nous pouvons remarquer que les gains relatifs avant
la crise des subprimes confirment une tendance haussière de la performance des
entreprises qui composent la valeur de l’indice MASI sur les 12 mois précédant

146
l’annonce de l’événement. En utilisant la méthode des rendements anormaux
cumulés, les écarts des rendements moyens et médians à la fin de l’année
précédant la date de l’annonce de l’événement deviennent statistiquement plus
significatifs. Ils sont chiffrés respectivement à 15,57% et 7,68%, tous les deux
significatifs au seuil de 5%.

· Rendements anormaux durant les 36 mois suivant la crise des subprimes

Les résultats témoignent, la tendance s’inverse durant les mois suivant l’annonce
de la crise des subprimes. La plupart titres dégagent des rendements de plus en
plus négatifs et significatifs au fur et à mesure que nous éloignons de la date
d’annonce d’événement. Ainsi, la sous performance moyenne commence à
devenir significativement négative à partir de la 2iéme année suivant l’annonce de
la crise, mesurée par la méthode BHAR, elle passe de -3,57% (non significatif aux
seuils conventionnels) sur la fenêtre d’événement (+1,+12) à -41,64% (significatif
au seuil de 1%) sur la fenêtre (+1,+36). Les rendements anormaux cumulés
médians sont passés quant à eux de -8,17% à -27,13% entre la fin de la première
année et à la fin de la 3iéme année suivant l’annonce de l’événement.
Les deux graphiques ci-dessous illustrent clairement nos conclusions. Ils mettent
en exergue la bonne performance de grande majorité des entreprises cotées avant
la crise (Cf. graphique 2.1) et la baisse des rentabilités observées après la date de
la crise (Cf. graphique 2.2).

Graphique 2.1: Evolution de la rentabilité anormale moyenne avant l’événement

0,01
0,009
0,008
0,007
0,006
0,005 BHAR
0,004 CAR
0,003
0,002
0,001
0
-0,001 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41

Benchmark : entreprise de contrôle

147
Graphique 2.2: Evolution de la rentabilité anormale moyenne après l’événement

0,005

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41
-0,005
BHAR
CAR
-0,01

-0,015

-0,02

Benchmark : entreprise de contrôle

Afin de confirmer les tendances observées ci-dessus, nous pouvons mesurer la


performance anormale de chaque secteur d’activité des sociétés cotées à la bourse
des valeurs de Casablanca à son portefeuille de référence. Les résultats présentés
dans le tableau 2.6.

Tableau 2.5 : classification sectorielle des entreprises cotées à la BVC

Secteur d’activité Nombre des entreprises Pourcentage

Agroalimentaire/Production 6 6,74
Assurances 4 4,42
Banques 6 31,25
Bâtiment et matériaux de
8 11,2
construction
Immobilier 4 9,48
Télécommunication 1 23,09
Mines 4 4.58
Pétrole et Gaz 2 2,81
Distribution 8 2,09
Autres 30 4,34

MASI 53 100
Source : BVC

Le tableau ci-dessus présente les différents secteurs d’activités qui existent au


Maroc qui sont cotés en bourse. Chaque secteur a une pondération (voir Annexe 1)

148
selon sa capitalisation boursière. On va utiliser cette pondération dans la
détermination d’un portefeuille de référence.

Tableau 2.6 : Rendements anormaux cumulés et composés des sociétés cotées en utilisant
le portefeuille de référence

CAR BHAR
a b a
Fenêtre Moyenne Médiane Négatif Gain Moyenne Médianeb Négatif Gain
d’événement En % En % (positif)c relatif En % En % (positif)c relatif
(-12,-1) 13,41*** 10,05*** 63,14*** 1,15 15,23* 8,22** 59,14* 1,27
(+1,+12) -6,41 -9,30 59,56** 0,92 -2,47 -10,92* 60,85** 0,96
(+1,+24) -20,53*** -17,15** 54,15* 0,83 -18,79*** -25,48*** 64,03*** 0,89
(+1,+36) -36,46*** -23,97*** 63,71** 0,74 -33,72*** -38,87*** 69,39*** 0,77
***,**,* : significatif aux seuils de 1%, 5% et 10%
a
l’hypothèse H0 d’une rentabilité anormale moyenne = 0 est testée à l’aide du Boostrapped
Skewness Adjusted t-statistic.
b
l’hypothèse H0 d’une rentabilité anormale médiane = 0 est testée à l’aide du test de Wilcoxon
sur les rangs.
c
l’hypothèse nulle correspond à une proportion de rentabilités anormales positives (avant la crise
des subprimes) ou négatives (après la crise des subprimes) = 0,5.
Le test mis en œuvre est le test de signes.

· Rendements anormaux durant les 12 mois précédant la crise des subprimes

Le tableau ci-dessus montre que durant l’année précédant la crise des subprimes,
l’entreprise de chaque secteur d’activité surperforme le portefeuille de référence
en moyenne de 15,23% et 13,41% respectivement, en utilisant les BHAR et CAR.
Ces chiffres statistiquement significatifs sont légèrement inférieurs à ceux obtenus
en utilisant l’entreprise de contrôle. Aussi nous pouvons remarquer que les gains
relatifs avant la crise des subprimes confirment une tendance haussière de la
performance des entreprises qui composent la valeur de l’indice MASI sur les 12
mois précédant l’annonce de l’événement.

· Rendements anormaux durant les 36 mois suivant la crise des subprimes

Le BHAR moyen est de -33,72% sur la fenêtre (+1,+36) et significatif au seuil de


1%. Les CAR affichent une moyenne de -36,46% aussi significatif au seuil de 1%
sur la même fenêtre. Les écarts de la performance moyens et médians affichent

149
une allure décroissante. Cette chute de la performance de la plupart des sociétés
cotées à la place Casablancaise après la crise des subprimes est moins sévère en
utilisant le portefeuille de référence qu’en utilisant l’entreprise de contrôle.

Graphique 2.3: Evolution de la rentabilité anormale moyenne avant l’événement

0,01

0,008

0,006
BHAR
0,004
CAR
0,002

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41
-0,002

Benchmark : portefeuille de référence

Graphique 2.4: Evolution de la rentabilité anormale moyenne après l’événement

0,005

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41
-0,005
BHAR
CAR
-0,01

-0,015

-0,02

Benchmark : portefeuille de référence

Les deux graphiques confirment les résultats précédents, donc les deux
benchmarks que nous avons mis en œuvre permettent d’aboutir à la même
conclusion : une performance des entreprises cotées en bourse avant la crise des
subprimes suivie d’une chute graduelle de leurs rentabilité anormale durant les
trois années suivant de l’annonce de la crise des subprimes.

150
2.2. Résultats de l’approche des portefeuilles calendaires

La mise en place de cette méthode sur nos données statistiques donne les résultats
présentés dans le tableau ci-dessous. Dans le panel A, en employant l’entreprise
de contrôle comme benchmark, nous aboutissons à une performance mensuelle
moyenne des entreprises cotées à la place Casablancaise de 1,22% sur une période
de 12 mois avant l’annonce de l’événement. Soit une performance annuelle de
15,66%1. Ce taux est très proche de 15,57% obtenu en précédant par l’approche
en coupe transversale (voir tableau 2.4). La médiane annuelle s’élève à 18,85%,
ce résultat est significatif au seuil de 5% en utilisant le test de Wilcoxon.
Par ailleurs, l’entreprise sectorielle étudiée sous-performe l’entreprise de contrôle
en moyenne de 57 points de base chaque mois après l’annonce de l’événement.
Soit un rendement anormal cumulé moyen de l’ordre de -30,13% sur les trois
années suivant l’annonce de la crise des subprimes, ce pourcentage, bien que
statistiquement significatif, est nettement supérieur à -38,55% obtenu en adoptant
la méthode en coupe transversale.

Tableau 2.7 : Performance des entreprises avec l’approche des portefeuilles calendaires

Avant la crise des subprimes Après la crise des subprimes


Moyennea Médianeb Positif c Moyennea Médianeb Négatif c
En % En % En % En % En % En %
Panel A : benchmark = entreprise de contrôle
Rendement 1,22** 1,45** 57,43 -0,57** -0,65** 54,91
anormal mensuelle
Panel B : benchmark = portefeuille de référence
Rendement 1,09** 1,13** 57,94 -0,59** -0,63*** 60,03**
anormal mensuelle
***,**,* : significatif aux seuils de 1%, 5% et 10%
a
l’hypothèse H0 d’une rentabilité anormale moyenne = 0 est testée à l’aide du test de Student.
b
l’hypothèse H0 d’une rentabilité anormale médiane = 0 est testée à l’aide du test de Wilcoxon
sur les rangs.
c
l’hypothèse nulle correspond à une proportion de rentabilités anormales positives (avant la crise
des subprimes) ou négatives (après la crise des subprimes) = 0,5. Le test mis en œuvre est le test
de signes.

1
Il s’agit du taux annuel équivalent au taux mensuel de 1,22% et qui est calculé comme suit :
(1+1,22%)12-1

151
Le panel B met en exergue une surperforme moyenne mensuelle des entreprises
cotées en bourse de 1,09% par rapport à leurs portefeuilles de référence avant
l’annonce de la crise. Le rendement anormal annuel est chiffré à 15,66% soit un
écart de -78 points de base par rapport au rendement anormal cumulé moyen
obtenu sur la même période en appliquant l’approche en coupe transversale.
Pendant les trois années suivant l’annonce de l’événement, l’entreprise sectorielle
étudiée sous-performe le portefeuille de référence en moyenne de 59 points de
base chaque mois. Soit un rendement anormal cumulé moyen de 13,89% sur la
fenêtre (+1,+36). Enfin, on constate que la performance médiane des entreprises
sectorielles après l’annonce de la crise des subprimes est estimée à -0,63%.
Les résultats issus de l’approche des portefeuilles calendaires sont donc
significatifs (Dans la mesure où le nombre des sociétés cotées en bourse de
Casablanca dans le portefeuille calendaire varie d’un mois à un autre (de 1 à 53
entreprises), nous avons standardisé le rendement anormal de chaque portefeuille
calendaire par son écart-type estimé sur la fenêtre (t-36,t -1), puis appliqué le test
d’échantillon aux rentabilités anormales standardisées. Cet ajustement des
rendements anormaux permet de prendre en considération le problème
d’hétéroscédasticité souligné par Affleck- Graves et Spiess (1999) et Mitchell et
Stafford (2000), dans la vérification de l’hypothèse nulle. Les résultats montrent
que la standardisation des rendements anormaux n’a pas d’incidence majeure sur
le caractère statistiquement significatif de nos conclusions).

3. Corrélation entre la performance à CT et à LT des entreprises cotées


en BVC

Le tableau ci-dessous indique que la plupart des coefficients de corrélation de


rang de Spearman des BHAR ne sont pas significatifs aux seuils conventionnels,
seulement un tiers de coefficients affichent le signe négatif. Cela veut dire que les
entreprises gagnantes avant la date de l’annonce de la crise des subprimes ne sont
pas forcément les perdants dans le futur c’est-à-dire après la date de l’annonce de
l’événement. Cette diminution des cours sera corrigé progressivement par un

152
phénomène de retour à la moyenne sur un horizon temporel de long terme après la
dite crise.

Tableau 2.8 : Corrélation en % entre la performance des firmes avant la crise et


leur performance à long terme après la crise

Entreprise de contrôle Portefeuille de référence


BHAR (-6,-1) BHAR (-12,-6) BHAR (-6,-1) BHAR (-12,-1)
BHAR (+1,+12) 8,87 14,74 13,58 26,41**
BHAR (+1,+24) 12,62 11,57 2,47 14,32
BHAR (+1,+36) -15,95 7,91 -10,53 3,46
***,**,* : significatif aux seuils de 1%, 5% et 10%

Maintenant nous étudions la corrélation entre la performance à court terme des


entreprises cotées en bourse de Casablanca et leurs performances à long terme.

Tableau 2.9 : Corrélation en % entre la performance à court terme des sociétés et


leur performance à long terme.

Entreprise de contrôle Portefeuille de référence


RACannonce BHAR (+1,+6) BHAR (+1,+12) RACannonce BHAR (+1,+6) BHAR (+1,+12)

BHAR (+1,+12) 20,17* 81,03*** 95,78*** 23,93** 68,17*** 100***


BHAR (+1,+24) 25,85** 60,49*** 53,25*** 19,63* 49,35*** 70,15**
BHAR (+1,+36) 21,36** 43,58** 58,64*** 13,71 30,18*** 51,05***
***,**,* : significatif aux seuils de 1%, 5% et 10%
RACannonce : rendement anormal cumulé sur la fenêtre (0,+1), 0 étant le jour d’annonce de la crise
des subprimes et 1 le jour qui le suit. Le rendement anormal est estimé par le modèle de marché :
avec E ( Rit ) : Rentabilité attendue du titre i au jour t.
Rmt : Rentabilité du marché approximée par la rentabilité journalière de l’indice MASI.
aˆ et bˆ : coefficients de régression du modèle de marché estimés par la méthode des moindres
i i
carrées ordinaires sur la fenêtre (+21,+160) avec 0 la date d’émission.

Le tableau ci-dessus met en évidence des corrélations significativement positives


entre la performance à court terme des firmes cotées en bourse et leur
performance à long terme. La magnitude des coefficients de corrélation de rang de
Spearman est positivement corrélé avec l’étendu de la fenêtre retenue pour le
calcul des rendements anormaux à court terme, ce qui peut être interprété comme
un signe de l’intégration positive de l’information publique (l’annonce de la crise
des subprimes) dans les cours des titres boursiers.

153
Conclusion

Ce chapitre s’est intéressé à l’étude de l’impact de la crise des subprimes qui a été
déclenché en 10 juillet 2007 (date d’événement) sur les rendements des
entreprises cotées en bourse et sur le cours de l’indice MASI, tout en tenant
compte de l’évolution de la volatilité au cours de la période étudiée. A cette fin,
nous avons mis en œuvre la méthodologie des études d’événements pour
l’évaluation des rendements anormales et une modélisation GARCH (1,1) pour
calculer une variance propre à chaque jour de la fenêtre d’événement, et par
conséquent au rendement anormal moyen correspondant.

Nous avons examiné aussi la performance boursière à long terme de 53


entreprises cotées en bourse de Casablanca c’est-à-dire au cours d’une année
avant et de trois ans après la date de l’annonce de la crise des subprimes. Les
résultats de notre étude confirment qu’en moyenne les sociétés marocaines
surperforment leurs benchmarks durant l’année précédant l’annonce de la crise.
Cette surperformance s’éclipse et cède sa place à une baisse graduelle des
rendements des entreprises relativement à celui de son benchmark tout au long des
trois années suivant la crise. Les écarts de performance constatés restent
statistiquement et économiquement significatifs malgré la sensibilité de leur
amplitude aux approches méthodologiques appliquées.

Notre recherche a également montré que la sous-performance à long terme de


quelques entreprises marocaines cotées en bourse de Casablanca correspond à un
phénomène de sous-réaction. Ce qui veut dire que ces entreprises n’ont anticipé
que partiellement la dégradation de la performance de l’indice MASI au moment
de l’annonce de la crise des subprimes. Nous incitons à considérer que ladite crise
américaine n’est pas de simple accident conjoncturel mais un révélateur de
dysfonctionnements plus profonds. Il ne semble pas non plus raisonnable de
considérer que le marché financier marocain est efficient, car quelques mois plus
tard le marché marocain est influencé par cette crise immobilière, et les effets
continuent jusqu’aux nos jours, donc on peut constater que ce marché boursier est

154
efficient au sens faible. Ce qu’il s’agit d’expliquer, c’est l’apparente alternance sur
les marchés de périodes d’efficience et d’inefficience. En ce sens, l’hypothèse de
rationalité limitée des comportements en matière de traitement de l’information
nous paraît être une voie pertinente. Elle consiste à considérer que les opérateurs
ne traitent qu’une partie de l’information disponible.

Dans la continuité de tous ce qu’on a trouvé comme résultats, et pour estimer la


volatilité des rendements de nos indices sectoriels qui a causé une chute brutale
des rendements de l’indice MASI, nous tentons de construire un portefeuille
efficient parmi quelques portefeuilles possibles sur la base d’actions des
entreprises cotées en bourse de Casablanca, qui peut bien évidemment résister
plus au moins contre l’événement étudié (la crise des subprimes).
Premièrement, cette étude empirique sera basée sur les principes de sélection de
portefeuille optimal développés par Markowitz. Deuxièment, nous essayons
d’appliquer quelques modèles de Value at Risk dans le but de gérer le risque du
marché boursier marocain, en cherchant un modèle VaR convenable et robuste
pour notre place Casablancaise.

155
CHAPITRE III
La gestion du risque du marché
boursier marocain : un essai avec les
modèles « Markowitz & VaR »

156
Introduction

Le marché boursier marocain a connu une chute brutale sans précédent à


cause de la crise de subprimes américaines qui a été déclenché à l’été 2007,
l’indice MASI a perdu 20% en même année (à court terme), donc nous pouvons
parler sur un krach1 boursier. La bourse des valeurs a connu en Mars 2008 (à long
terme), une volatilité de 70 milliards de dirhams. Ainsi, compte tenu l’évolution
du marché Casablancais et de ses caractéristiques, il est plus que jamais dans
l’intérêt des gestionnaires de portefeuilles et des investisseurs en général de
comprendre et de gérer convenablement les risques de marché. Nous avons vu au
premier chapitre qu’il y a un risque d’investissement dans l’indice MASI, les
rentabilités boursières ne peuvent pas les prévoir à cause de l’indépendance de
celles-ci au cours du temps. La bourse de Casablanca est exposée à une volatilité
extrême des cours et bien évidemment à un risque du marché qui peut engendrer
un krach surtout en période de crise.

En effet, les crises, les krachs et les turbulences marchés financiers exposent
l’investisseur à de grands risques dont la compréhension précise devient
essentielle. Dans le premier chapitre, nous avons constaté que les cours de l’indice
MASI sont fondamentalement volatiles dans la mesure où ils sont fortement
dépendants des aléas économiques, la moindre variation de ces aléas peut
provoquer des changements brusques sur le niveau des prix. De façon assez
répétitive les activités de marché sont donc affectées par des mouvements
relativement violents et auxquels on attribue les qualificatifs de crise ou de krach.
L’outil de mesure des risques de marché communément reconnu, surtout en
finance, est la Value at Risk (VaR).

1
Fethallah Berrada ancien président de la Bourse de Casablanca annonce qu’on ne peut parler de
krach qu’en cas de baisses de 15 ou 20%.

157
La notion de la VaR a été introduite, et des méthodes opérationnelles d’estimation
de celle-ci mises au point, par la banque américaine JP Morgan, au début des
années 1990. Les premiers développements ont concerné les risques de marché
(méthode Riskmetrics), les développements suivants les risques de crédit
(méthode CreditMetrics introduisent la notion de Credit-VaR). Le principe
consiste à résumer le risque affectant un portefeuille ou une position d’actifs-
passifs en une mesure unique et directement interprétable. Plus précisément, la
VaR essaie de quantifier dans un intervalle de confiance pré-spécifié (typiquement
95% ou 99%), la perte potentielle que peut subir une position isolée donnée, un
portefeuille ou la banque dans son ensemble, sur une courte période de temps
(typiquement de un à dix jours ouvrés pour les positions de marché, un an pour les
portefeuilles de crédit) dans des conditions de marché dites normales.

Dans ce dernier chapitre nous cherchons qu’ils sont les portefeuilles optimaux
selon l’approche de Markowitz où l’investisseur rationnel dont l’utilité augmente
avec la rentabilité et diminue avec le risque de sa richesse et qui dispose d’un
certain nombre d’actifs financiers. Dans un 2éme point, nous montrons de quelle
manière la mesure de la VaR est devenue une nécessité dans la pratique de
l’évaluation du risque de marché. Nous présentons les différentes méthodes
d’estimation de la VaR et des méthodes d’évaluation de la qualité de leurs
prévisions (le backtesting). Ensuite nous mettons l’accent sur les difficultés liées à
son implémentation dans la pratique de l’évaluation du risque de marché boursier
marocain. En effet, le rejet de l’hypothèse de normalité des rendements de l’indice
MASI nous donne l’occasion d’aborder les limites de cet indicateur.

158
Section I

Construction d’un portefeuille efficient en période


de crise selon l’approche de Markowitz

Depuis le début de 20éme siècle, la gestion optimale des portefeuilles et les prix
des titres financiers font partie des problèmes économiques les plus étudiés. Des
économistes chercheur américains les plus contemporains comme Black, Fama,
Merton et Scholes, et des chercheurs français comme Bachelier (1990) et
Regnault (1863) en passant par des auteurs les plus célèbres comme Markowitz
(1952,1959), Sharpe (1964) et Ross (1976). La théorie financière a joué un rôle
majeur et permanent au niveau de la résolution des questions de comportements et
de détermination des cours boursiers, leurs fluctuations à cause des faits stylisés et
infine la construction de portefeuilles optimaux.
La théorie moderne de gestion de portefeuille a réussi de traiter et d’expliquer plus
ou moins brillamment toute perspective d’investissement en termes d’un
placement ou d’un capital investis, où la confrontation entre rendement et risque
dans un environnement dominé par des incertitudes et des aléas. Les théories de
construction de portefeuille tracent bien évidemment les objectifs définis en
termes de rentabilité et de la ligne sécuritaire pou obtenir cette rentabilité dans un
environnement financier incertain. Les travaux pionniers de Markowitz ont ouvert
la voie à une approche qualitative des problèmes de gestion de portefeuille,
portant sur la détermination des portefeuilles efficients, qui a fait l’objet de
nombreux tests économétriques qui ont de facto conduit à des résultats plus
concrètes.

Dans cette section, nous essayons de construire un portefeuille efficient parmi


quatre portefeuilles possible sur la base de neuf valeurs sectorielles cotées à la
bourse des valeurs de Casablanca. On prend l’approche moyenne-variance de
Markowitz comme notre première analyse du risque du marché boursier marocain.
La démarche de notre étude sera articulée sur les étapes suivantes :
159
1. Nous allons tester la normalité et la stationnarité de neuf valeurs
retenues dans l’échantillon.
2. Etude théorique sur le choix du portefeuille optimal, au sens d’analyse
moyenne-variance de Markowitz.
3. En relation avec la partie pratique, nous mettons en exergue et nous
énumérons les différentes étapes de la construction de portefeuille
efficient.

Le modèle de Markowitz présenté sert à allouer théoriquement et d’une manière


optimale les actifs financiers, via les mesures de sensibilités des portefeuilles
optimaux aux différents paramètres du marché financier. En effet, l’existence de
diverses méthodes de mesure de risque et de rendement, et d’autres mesures
statistiques constituent les piliers de choix efficace de l’échantillon des entreprises
cotées à la BVC. Le but de cette étude est d’aboutir à une selection d’actifs
financiers permettant de choisir un portefeuille efficient.
Le processus de sélection de portefeuille efficient au sens de Markowitz peut se
résumer dans les cinq étapes suivantes :
1. Constitution d’un échantillon de notre étude par la collecte des
données.
2. L’estimation des coefficients de sensibilité, des rendements et des
risques des actifs d’investissement.
3. La selection des actifs performants en fonction d’un certain nombre de
critères.
4. L’analyse des portefeuilles à travers l’attribution des coefficients de
pondération.
5. L’utilisation de graphe qui représente la frontière efficiente des
portefeuilles pour sélectionner de portefeuille optimale.

Dans notre thèse, le choix de l’échantillon des secteurs composant nos


portefeuilles repose sur les rendements mensuels des actifs financiers, les
covariances entre les actifs (degré d’interdépendance entre les actifs), le taux de
dispersion autour de la moyenne de rendement et le type de secteur dont
s’implante chaque entreprise (étude de la disparité des réalisations des
rendements).

160
Afin de garantir la fiabilité de notre étude empirique, nous allons dans un premier
point, étudier les caractéristiques statistiques en termes de stationnarité et de
normalité des séries boursières d’un échantillon de neuf actifs sectoriels pendant
la période allant de 01 janvier 2007 au 31 décembre 2008 (période de la crise des
subprimes). Dans un deuxième point nous poursuivons notre étude empirique
pour aboutir et conclure à un choix de portefeuilles efficients, en se basant sur les
principes de sélection de portefeuille optimal développés par Markowitz.

I. Analyse empirique d’un échantillon des séries boursières

Au début de notre étude empirique, nous définissons les tests et les coefficients
qui permettent la détection de la normalité des séries, et par la suite nous menons
notre investigation sur la distribution des séries étudiées. Après nous nous
intéressons à l’étude de stationnarité.

1. Etude de la normalité des rentabilités

Pendant longtemps, les séries de rentabilité des titres financières ont été
considérées comme des séries dont le comportement est supposé normal. Mais en
réalité, plusieurs sont les études empiriques qui ont montré que ces séries sont non
normales. Leurs distributions sont au contraire asymétriques et affichent un
leptokurtosis, elles sont souvent plus épaisses aux extrémités et font apparaitre des
queues épaisses.

La normalité des rentabilités est vérifiée à partir des tests économétriques qui se
basent sur la détermination des coefficients d’aplatissement (Kurtosis) et de
symétrie (Skewness) et la statistique de Jarque-Bera qui synthétise les deux tests.

1.1. Présentations des tests

1.1.1. La Skewness

161
La Skewness est le moment centré d’ordre 3. C’est une mesure de l’asymétrie de
la distribution. Pour des fonctions de distributions symétriques, telles que
f ( µ - x ) = f ( µ + x ) , la valeur de Skewness est nulle. Pour la loi normale, la

distribution est symétrique et le coefficient de Skewness est nul. En revanche,


pour des fonctions de distributions asymétriques, la valeur du Skewness est
positive. L’expression du coefficient de Skewness se présente comme suit :
N
1
m å (R i ,t - Ri )3
Sk = 33 Û Ski =
N t =1
(3.1)
s é1 N

3

å(R - Ri ) ú
2

êN i ,t
ë t =1 û

k
1 N
mk = å ( xi - x ) (3.2)
N i =1
Avec :

m3 : Le moment centré d’ordre k et s l’écart type empirique.

N : Le nombre d’observations.
N
1
Ri =
N
åR
t =1
i ,t : La moyenne arithmétique des rentabilités du titre i.

La distribution asymptotique de ce coefficient suit une loi normale :

N
k=
Sk Sk ® N ( 0,1)
6

1.1.2. La Kurtosis

La Kurtosis est le moment centré d’ordre 4. Elle mesure l’aplatissement ou


l’épaisseur des queues de distributions. Sa valeur théorique est égale à 3, son
expression est définie par :

162
1 N
m4 å
N t =1
( Ri ,t - Ri )4
Kui = Û Kui = (3.4)
s4 é1 N 2ù
2

ê N å ( Ri ,t - Ri ) ú
ë t =1 û

On exprime le degré d’excès de la Kurtosis de la façon suivante :

m4
K'= -3
s4
Cette dernière mesure est fondée sur la distribution normale, qui est une
distribution à « Queue Plate », et qui possède un degré d’excès de la Kurtosis égal
à zéro. La distribution asymptotique de ce coefficient suit aussi une loi
gaussienne.

N
u=
Ku ( Ku
K - 3) ® N ( 0,1)
24

L’acceptation de l’hypothèse de normalité des taux de rentabilités des indices


sectoriels de notre portefeuille type cotés sur la place casablancaise consiste à
vérifier si la Skewness et la Kurtosis sont proches respectivement de 0 et 3.
Plusieurs tests peuvent vérifier cela, le plus connu dans la littérature financière
étant celui de Jarque-Bera.

1.1.3. Le test de Jarque-Bera

Ce test peut être construit à partir de deux variables (Sk et K’), qui sont supposées
normales et indépendantes. Elles suivent en conséquence une distribution de Khi-
deux à deux degré de liberté. On peut la formuler de la manière suivante :

N N
( Sk ) + ( K ')
2 2
JB = (3.5)
6 24

Si la statistique de Jarque-Bera est inférieure à la valeur théorique du c 2 ,


l’hypothèse de normalité est acceptée, sinon elle est rejetée.

163
1.2. Résultats empiriques

Nous sommes intéressés aux séries de rendements des indices sectoriels retenues
dans l’échantillon des entreprises cotées en bourse de Casablanca (voir le tableau
2.5 en 2iéme chapitre), définies notamment comme suit :

æ I ö
Rm ,t = ln ç t ÷ (3.6)
è I t -1 ø

Avec :
I t : La valeur de l’indice à la période t ;

I t -1 : La valeur de l’indice à la période t-1.

Tableau 3.1 : Résultats d’application des tests de normalité


Indice sectoriel Skewness Kurtosis t-JB Ecart-type

Agroalimentaire/Production -0.023687 5.210718 151.7788 0.020819

Assurances 0.696808 7.630652 603.1408 0.020195

Banques 0.065119 5.759318 236.8726 0.018507


Bâtiment et matériaux de -0.202077 5.647668 222.6770 0.014990
construction
Immobilier -0.185141 6.450826 353.9064 0.015830

Télécommunication 0.080101 5.142914 126.0259 0.023864

Mines 0.046251 3.900776 25.45272 0.021819

Pétrole et Gaz 0.243062 5.519323 204.3568 0.016696

Distribution -0.349926 7.137551 546.6166 0.018934


Calculs effectués sur Eviews

Les résultats obtenus figurant sur le tableau ci-dessus, montrent que le coefficient
de skewness est négatif pour quatre indices sectoriels, ce qui signifie que la partie
gauche de leurs distributions est épaisse (direction négative). Pour les cinq
secteurs qui restent, la partie épaisse de leurs distributions est à la droite (direction
positive), ce qui montre l’existence d’un comportement asymétrique des séries de
rendements étudiées. Les séries aussi oscillent de manière aléatoire autour d’une
valeur moyenne avec une covariance égale zéro, dans ce cas il n’y a aucune
autocorrélation dans les séries qui ont un comportement non gaussien.

164
2. Etude de stationnarité des rentabilités

Il est indispensable d’effectuer les tests de stationnarité, avant de faire une étude
des séries temporelles, et des séries de rentabilités dans notre cadre d’analyse.

On dit qu’une série {Yt } est strictement stationnaire si la distribution conjointe de

(Yt1 ,........, Ytk ) est identique à celle de (Yt1+t ,........, Ytk +t ) quelque soit t, k est un

entier positif arbitraire et ( t1 ,........, tk ) une liste de k entiers positifs arbitraires.

Elle suppose que la distribution conjointe de (Yt1 ,........, Ytk ) est invariante quand

on fait glisser le temps.

Cette condition est difficile à vérifier et on utilise en général, une version plus
faible de stationnarité. Elle est vérifiée quand la moyenne de Yt et la covariance

entre Yt et Yt -1 sont invariantes par translation du temps.

En cas où l’espérance et la variance se modifient dans le temps, la série est


considérée comme non stationnaire.

Un processus stochastique Yt est stationnaire si :

La moyenne est constante et indépendante du temps : E (Yt ) = E (Yt +m ) = m

"t et "m

La variance est fini et indépendante du temps : Var (Yt ) < ¥ "t

La covariance est indépendante du temps :


Cov (Yt , Yt +k ) = E éë(Yt - m )(Yt +k - m )ùû = Yk

Pour qu’une variable aléatoire soit prévisible, il faut qu’elle soit stationnaire. Dans
notre cas, la stationnarité des séries de rentabilités des indices sectoriels est
étudiée en utilisant le test de racine unitaire proposé par Dickey-Fuller (1979,
1981), le test de Philips-Perron (1988) que nous allons exposer ci-après.

165
2.1. Présentation des tests
2.1.1. Tests de Dickey-Fuller Simples (1979)
Les tests de Dickey-Fuller permettent de mettre en évidence le caractère
stationnaire ou non d’une chronique par la détermination d’une tendance
déterministe ou stochastique.

Le principe de base est le suivant :

Sous l’hypothèse H 0 : f1 = 1 , on dit que l’un des trois modèles autorégressifs


d’ordre 1 est un processus non stationnaire :

xt = f1 xt -1 + e t (3.7)

Modèle autorégressif « AR(1) »avec dérive sans constante ni tendance.

xt = f1 xt -1 + b + e t (3.8)

Modèle autorégressif avec constante et sans tendance déterministe.

xt = f1 xt -1 + bt + c + e t (3.9)

Modèle autorégressif avec constante et tendance déterministe.

Avec e t bruit blanc ( 0, s 2 ) . L’hypothèse nulle ne correspond au cas de marche

aléatoire pure (processus DS, I (1)) et l’hypothèse alternative correspond au cas


d’un modèle AR(1) stationnaire.

Pour mener ce test, on calcule la statistique de Student, mais cette statistique ne


suit plus sous l’hypothèse nulle une loi de Student, puisque sous l’hypothèse
nulle, le processus est non stationnaire de type DS et les propriétés asymptotiques
ne sont plus standards. Ainsi, la différence avec un test standard repose sur les
valeurs critiques à utiliser pour conclure sur le test. Il faut utiliser les valeurs
critiques, qui ont été retabulées par Dickey et Fuller.

Les auteurs ont choisi de tester la valeur (f1 - 1) au lieu de f1 pour des raisons

purement statistiques.

En effet, le modèle autorégressif d’ordre 1 : xt = f1 xt -1 + e t

166
S’écrit aussi xt - xt -1 = f1 xt -1 - xt -1 + e t (3.10)

Dxt = (f1 - 1) xt -1 + e t (3.11)

Il est donc équivalent de tester comme hypothèse H 0 : f1 = 1 ou f1 - 1 = r = 0 .

Le principe général des tests est le suivant :

- On estime par les moindres carrés ordinaires du paramètre f1 - 1 = r pour


les trois modèles (6), (7) et (8).
- L’estimation des coefficients et des écarts types du modèle par les
moindres carrés ordinaires fournit t rˆ qui est analogue à la statistique de

Student. Si trˆ > ttabulé alors on accepte l’hypothèse H 0 , il existe une

racine unité, le processus n’est pas donc stationnaire.


On ajoute le nombre des retards dans la régression afin de prendre en compte
l’autocorrélation et donc de blanchir les résidus. On parle de correction
paramétrique de l’autocorrélation en appelant les tests de Dickey-Fuller augmenté
(ADF).

2.1.2. Tests de Dickey-Fuller Augmentés (1981)

Dans les modèles précédents, utilisés pour les tests de Dickey-Fuller Simples, le
processus e t est par hypothèse, un bruit blanc. Les tests ADF reposent sur
l’hypothèse selon laquelle, il n’existe aucune raison pour que l’erreur soit non
corrélée. Ces tests sont fondés, sous l’hypothèse alternative f1 < 1 , sur

l’estimation par les MCO des trois modèles :

r
Dxt = r xt -1 - å F j Dxt - j +1 + e t (3.12)
j =2

167
r
Dxt = r xt -1 - å F j Dxt - j +1 + c + e t (3.13)
j =2

r
Dxt = r xt -1 - å F j Dxt - j +1 + c + bt + e t (3.14)
j =2

Avec, e t ® i.i.d . ( 0, s e2 )

Pour le choix de la valeur de retard r , on prend en général la valeur 4.

Le processus de détermination de caractère des séries est similaire aux tests


simples de Dickey-Fuller, ce sont les tables statistiques seules qui sont différentes.

2.1.3. Test de Phillips-Perron (1988)

Phillips-Perron (1988) proposent une méthode non paramétrique pour corriger de


la présence d’autocorrélation, sans avoir à ajouter des endogènes retardées comme
dans la méthode de DFA (méthode plus robuste en cas d’erreurs MA notamment).

Les deux auteurs suggèrent de joindre à la statistique du Student un facteur de


correction basé sur des estimateurs convergents des paramètres qui éliminent
l’effet de l’hétéroscédasticité.

Le test de Phillips-Perron se déroule en deux étapes suivantes :

1. Estimation des trois modèles de base de test de Dickey-Fuller par la


méthode des MCO et calcul des statistiques associées.
2. Estimation d’un facteur correctif établi à partir de la structure des
covariances des erreurs des modèles précédemment estimés de telle sorte
que, les transformations réalisées conduisent à des distributions identiques
à celles de Dickey-Fuller.

Calcul de la statistique de PP :

t =
*

(fˆ - 1) n ( k - 1) sˆ
1
+
fˆ1
(3.15)

1
sˆfˆ k
1

168
sˆ 2
Avec k= (qui est égal à 1 de manière asymptotique si et est un bruit blanc)
st2

Ce calcul statistique est à comparer aux valeurs critiques de la table de


MacKinnon.

La statistique de test de Phillips-Perron (PP) est une statistique de Student


corrigée de la présence d’autocorrélation par la prise en compte d’une estimation
de la variance de long terme de e t (calculée par la densité spectrale de e t à la
fréquence zéro), robuste a la présence d’autocorrélation et d’hétéroscédasticité.

2.2. Résultats empiriques

Les résultats d’application des tests de stationnarité sur les rentabilités


boursières des indices sectoriels sont résumés dans le tableau ci-dessous.

Tableau 3.2 : Résultats d’application des tests de stationnarité


Test ADF Test PP
valeurs critiques valeurs critiques
t-stat 1% 5% 10% t-stat 1% 5% 10%

Agroalimentaire/Production -20.43941 -3.97041 -3.41586 -3.13019 -20.16745 -3.97041 -3.41586 -3.13019

Assurances -19.43324 -3.97295 -3.41709 -3.13092 -19.72445 -3.97294 -3.41709 -3.13092

Banques -30.45831 -3.97041 -3.41586 -3.13019 -30.47146 -3.97041 -3.41586 -3.13019

Bâtiment et matériaux de -26.72852 -3.97041 -3.41586 -3.13019 -26.80276 -3.97041 -3.41586 -3.13019
construction
Immobilier -25.16395 -3.97041 -3.41586 -3.13019 -25.08314 -3.97041 -3.41586 -3.13019

Télécommunication -20.64920 -3.97212 -3.41669 -3.13068 -20.65340 -3.97212 -3.41669 -3.13068

Mines -29.75826 -3.97041 -3.41586 -3.13019 -30.16861 -3.97041 -3.41586 -3.13019

Pétrole et Gaz -29.61893 -3.97043 -3.41586 -3.13019 -30.48598 -3.97043 -3.41586 -3.13019

Distribution -23.50377 -3.97043 -3.41586 -3.13019 -31.74813 -3.97041 -3.41586 -3.13019

Tests effectués sur Eviews

Le tableau ci-dessus montre que les rentabilités boursières des indices sectoriels
connaissent une certaine stationnarité. Toutes les valeurs de t-statistique nous
semblent, sans exception supérieures aux valeurs critiques (1%, 5% et 10%).

169
L’hypothèse de stationnarité est donc vérifiée, les tendances sont ainsi supprimées
et les rentabilités se situent sur une droite parallèle à l’axe des abscisses. Les tests
ADF et de Phillips et Perron appliqués convergent donc vers un résultat unique,
après application de la différence première.

On peut aussi s’appuyer sur les représentations graphiques relatives à chaque série
pour confirmer la stationnarité des séries et les corrélogrames. En effet, une forte
valeur au temps t ne pourra influencer la valeur au temps t+1 qui n’aura donc pas
tendance à être également élevée. Autrement-dit, les séries des rentabilités des
indices sectoriels ne semblent garder un souvenir de leur passé.
Nous concluons que les séries en niveau ne sont pas stationnaires. Il était donc
nécessaire de les différencier afin de les stationnariser. Nous travaillons désormais
sur des séries en différence première pour amplifier un comportement régulier des
séries étudiées autour la moyenne.

II. Choix de portefeuille efficient à partir des valeurs


d’indices sectoriels

Avant d’entamer notre étude au niveau de choix de portefeuille efficient, nous


présentons au début le modèle de Markowitz, après nous faisons une investigation
empirique sur la sélection de portefeuille efficient à partir de neuf valeurs de
secteurs d’activité retenus, cotées à la bourse casablancaise.

1. Modèle de Markowitz : approche théorique de gestion de


portefeuille

Le début des années 1950 marque le point de départ de développement de la


théorie moderne de la finance et de la gestion des portefeuilles. Les travaux de
recherche de Harry Markowitz (1952-1959), plus la publication de son premier
article dans le journal of finance, le modèle de Markowitz est supposé un modèle
de référence de construction de portefeuille dit « efficient » qui minimise le risque

170
pour un rendement donné grâce à la diversification et la corrélation entre les
actifs. Ainsi, chaque titre peut être se décrire au moyen seulement deux
paramètres (le gain et le risque), en termes mathématiques, la moyenne et la
variance de la plus-value espérée de l’action au moment de la revente.
En combinant différents actifs qui ne sont pas parfaitement corrélés, le risque peut
être diminué, pouvant même devenir inferieur au moins risqué des titres. Plus la
corrélation est faible, plus le risque du portefeuille peut être réduit.

1.1. Hypothèses de base

Le modèle de Markowitz repose sur un ensemble d’hypothèses, parmi lesquelles


on peut citer :
§ H1 : Horizon de la décision : est le même pour tous les investisseurs, il
s’agit d’une seule période.
§ H2 : Aversion au risque : Markowitz explique la différence de perception
qui existe entre les investisseurs par le degré d’aversion au risque.
§ H3 : Normalité des rentabilités : Markowitz suppose que l’évolution des
cours sur le marché financier soit un phénomène aléatoire décrit par une
loi de probabilité de Laplace-Gauss1.
§ H4 : Covariance des actifs : les rendements des différents actifs ne sont
pas indépendants les uns des autres, c’est-à-dire que les covariances ne
sont pas nulles, Cov( Ri , R j ) ¹ 0

§ H5 : Approche moyenne-variance : Pour la construction de son


portefeuille, l’investisseur cherchera à maximiser la moyenne de son
portefeuille tout en minimisant sa variance.

1.2. Détermination des portefeuilles efficients

Markowitz développe un modèle d’optimisation qui détermine l’ensemble des


portefeuilles moyenne-variance efficients dans un univers de n titres.

1
Il s’agit d’une loi de distribution plus avantageuse parce qu’il suffit d’estimer les deux
paramètres : la moyenne et la variance pour pouvoir la déterminer entièrement. Le premier définit
la tendance centrale de la rentabilité tandis que le second détermine la dispersion de celle-ci par
rapport à sa tendance centrale.

171
La représentation de ces portefeuilles sur l’espace rendement-risque (moyenne,
écart-type) peut être enveloppée par une demi-courbe hyperbolique. C’est la
frontière efficiente, résultat de l’optimisation du couple risque-rendement du
portefeuille.

L’investisseur selon Markowitz, choisira le portefeuille de la frontière efficiente


qui correspond à son degré d’aversion au risque. Ainsi, plus le degré d’aversion au
risque est important, plus le portefeuille choisi, se trouve à gauche de la courbe.

Schéma 3.1 : La frontière de Markowitz

1.3. Choix d’un portefeuille optimal

La frontière efficiente permet à l’investisseur de choisir le portefeuille optimal.


Mais ce choix dépend des préférences des individus, c’est-à-dire qui dépendent de
la moyenne et de la variance de leur richesse. Nous pouvons alors présenter leurs
préférences par des courbes d’indifférences de pente positive vis-à-vis du
rendement et du risque. Si les investisseurs manifestent de l’aversion pour le
risque, ils préfèrent une volatilité très faible (écart-type constitue un bien
indésirable) et un taux de rendement attendu plus élevé.

2. Eléments théoriques et gestion de portefeuille


2.1. Définition d’un portefeuille

172
Un portefeuille c’est la combinaison d’un ensemble de titres possédant des
caractéristiques différentes en matière de valeur et de perception de dividendes.
Cette combinaison se fait en des proportions différentes afin d’avoir un
portefeuille bien diversifié permettant de réaliser un rendement espéré bien
déterminé tout en minimisant le risque que peut courir l’investisseur.
Mathématiquement, un portefeuille P est un vecteur de proportions Xi relatives,
chacune, à la proportion du capital investi dans chaque titre : P = X1...X i ...X n

part de capital investi dans l ' actif i


Avec X i = (3.16)
capital total

2.2. Risque d’un portefeuille

Les taux de rendements successifs d’une action ou d’un portefeuille peuvent avoir
d’importantes fluctuations autour de leur valeur moyenne. Pour mesurer ce risque,
on fait recours à l’écart type par période. Il est donné par la formule suivante :

1 T
s2 = å ( Rit - Ri )
T t =1
(3.17)

Avec Rit : Le taux de rendement de l’actif i au cours de la période t.

Ri : La moyenne arithmétique des taux de rendements de l’actif i.

Pour calculer la covariance on fait recours à la formule suivante :

1 n n
s ij = åå ( Rit - R j )( R jt - R j )
T i =1 j =1
(3.18)

Pour un portefeuille donné qui se compose de N titres, son taux de rendement


dépendra à la fois des taux rendements des différents titres et aussi de leurs
différentes proportions.

173
N
R p = å X i Ri (3.19)
i =1

Le portefeuille d’un portefeuille est donné par :

s p2 = X i2s i2 + X 2j s 2j + 2 X i X j Cov ( ij ) (3.20)

3. Investigation empirique

En matière de construction des portefeuilles efficients, il existe une règle d’or


qu’on peut appliquer, c’est le choix d’un nombre limité de titres ayant des
corrélations faibles. Pour y aboutir, il fallait trouver un compris entre le risque et
le rendement, c’est-à-dire maximiser le rendement pour un risque donné ou
minimiser le risque pour un rendement fixé.
Les distributions sur lesquelles nous travaillons sont de différence premières et
supposées normales. (Voir les tableaux 3.1 et 3.2).
A présent, nous essayerons d’appliquer les principes de base de détermination des
portefeuilles efficients à un échantillon de neuf portefeuilles sectoriels.

3.1. Choix de l’échantillon

Le choix de l’échantillon retenu et qui fera l’objet de notre analyse de construction


de portefeuilles efficients, s’est basé sur des critères à caractère financier et
statistique. L’observation de l’historique des indices sectoriels nous permet de
mener des conclusions sur l’évolution de leurs rendements (par une estimation
des rendements mensuels) ainsi que sur le degré de volatilité des prix de ces
indices. Le tableau suivant présente la liste des secteurs d’activités retenus selon,
le risque (mesuré par l’écart-type), le PER (Price Earning Ratio) et le coefficient
Bêta, le rendement annuel.

174
Tableau 3.3 : Echantillon des actifs sectoriels
Actif sectoriel Rendement Ecart- PER Coefficient
annuel type Bêta
Agroalimentaire/Production -0.0867 1.5471 79.4 0.1824

Assurances 0.1457 2.4742 23 0.9929

Banques -0.1340 2.7512 21.9 0.5635


Bâtiment et matériaux de -0.2150 1.7638 34.6 0.3556
construction
Immobilier -0.3270 1.4436 87 1.1685

Télécommunication 0.0959 0.8349 18.3 1.2961

Mines 0.5546 3.4758 25.7 0.9876

Pétrole et Gaz 0.1627 2.2323 23.8 1.6528

Distribution -0.1629 1.4715 40.05 0.1169

§ Les meilleures performances en matière de rendement relativement au


benchmark (l’indice MASI) : le secteur des Mines vient à la tête des
bonnes réalisations avec une rentabilité annuelle qui dépasse 50%, le
secteur pétrole et gaz avec 16% et le secteur des assurances avec un
rendement de 14%.
§ Les mauvaises performances concernent le secteur de l’immobilier, qui
enregistre un rendement annuel de -32% et le secteur de bâtiment et
matériaux de construction avec 21%.
§ Les PER qui évaluent la cherté d’un actif financier, doivent varier en
moyenne entre 10 et 14, la chose qui n’est pas constaté auprès de 100%
des secteurs d’activité. Les PER de notre échantillon varient au moyen
entre 18 et 34, on peut conclure à ce point que les actifs sectoriels sont
surévalués.
§ Les indices sectoriels suivent la tendance de marché ont un bêta égal ou
proche de 1 (le cas de secteur des assurances et le secteur des mines), les
actifs des secteurs risqués ayant un bêta supérieur à 1 varient plus
fortement que le marché, ils présentent ainsi plus au moins de rendement
(le cas de secteur pétrole et gaz et le secteur de télécommunication). Enfin
les actifs sectoriels moins volatiles par rapport à l’évolution de marché ont
un bêta inférieur à 1 (le cas de secteur Agroalimentaire/Production et le
secteur distribution).

175
3.2. Construction des portefeuilles

Nous allons procéder à une analyse de la composition de chaque portefeuille pris


individuellement et d’une manière globale. Nous calculerons les rentabilités
mensuelles moyennes des actifs dans un 1er temps (distribution de différence
première) et leurs écarts-type. Dans un 2éme temps, nous procéderons au calcul de
rendement et de risque de chaque portefeuille, après avoir déterminé les
coefficients de pondération à travers l’analyse des matrices variances-covariances,
de niveau de rendement de chaque actif sectoriel et de degré de volatilité.

Dans un 3éme temps, nous mettrons l’accent sur l’observation du graphe du couple
rendement-risque, qui nous souscrit la détermination de la frontière efficiente et la
possibilité de visualiser la dominance des portefeuilles.

3.3. Présentation des caractéristiques des portefeuilles

Les recherches menées par les praticiens et les théoriciens en gestion de


portefeuille, ont conclu que la décision de répartition de l’actif représente le
facteur le plus important pour expliquer le rendement et la volatilité d’un
portefeuille dans son ensemble. La répartition de portefeuille consiste tout
simplement à ne pas mettre tous les œufs dans un même panier. C’est la protection
ultime lorsque les choses tournent mal dans une catégorie ou un secteur du marché
financier. Il est toutefois possible de minimiser ou limiter le risque affectant le
portefeuille en procédant à une répartition variée de capital sur différentes classes
d’actifs, selon la théorie moderne de portefeuille. Pour obtenir cette diversification
optimale, les actifs sectoriels composant un portefeuille ne doivent pas se
comporter de la même manière, au même moment. Autrement dit, leurs évolutions
doivent afficher une faible corrélation.
La maximisation de la rentabilité pour un niveau de risque donné c’est notre
stratégie de gestion de portefeuille. Nous présenterons ainsi dans ce point, les
caractéristiques de chaque portefeuille déterminées sur la base de ces principes.

176
Les tableaux ci-dessus montrent la proportion de chaque actif sectoriel dans le
portefeuille, l’écart-type et le rendement de chaque actif sectoriel.

· Présentation de portefeuille 1

Assurances Télécommunication
Coeff.pondération 0.65 0.35
Rendement 0.2763 0.0358
Ecart-type 0.4128 0.6169
La rentabilité de portefeuille est de 17,23%, avec un risque de 40,13%

· Présentation de portefeuille 2

Bâtiment et matériaux Banques


de construction
Coeff.pondération 0.45 0.55
Rendement -0.1870 0.0958
Ecart-type 1.7562 0.3889
La rentabilité de portefeuille est de 5,26%, avec un risque de 21,40%

· Présentation de portefeuille 3

Immobilier Pétrole et Gaz


Coeff.pondération 0.60 0.40
Rendement -0.0627 0.8271
Ecart-type 0.1951 1.0326
La rentabilité de portefeuille est de 16,84%, avec un risque de 53,01%

· Présentation de portefeuille 4

Agroalimentaire/Production Mines
Coeff.pondération 0.65 0.35

Rendement 0.0877 0.1274

Ecart-type 0.4656 1.5413


La rentabilité de portefeuille est de 4,38%, avec un risque de 55,12%

177
3.4. Analyse des portefeuilles et choix de portefeuille efficient

L’individu peut réduire le risque de son portefeuille simplement en détenant des


actifs qui ne soient pas ou peu positivement corrélés, donc en diversifiant ses
placements et non pas concentrés sur un secteur d’activité spécifique. Cela permet
d’obtenir la même espérance de rendement en diminuant la volatilité du
portefeuille.
Chaque couple possible d’actifs peut être représenté dans un graphique
risque/rendement. Pour chaque rendement, il existe un portefeuille qui minimise
le risque. À l’inverse, pour chaque niveau du risque, on peut trouver un
portefeuille maximisant le rendement attendu. L’ensemble de ces portefeuilles est
appelé frontière efficiente ou frontière de Markowitz.
Il est temps de choisir parmi les portefeuilles étudiés celui qui répond à nos
exigences suite aux principes de sélection de portefeuille. L’optimalité d’un
portefeuille ne dépend pas seulement de la volatilité de l’évolution des cours des
actifs qu’ils le composent mais aussi de sa rentabilité maximale.

Graphique 3.1 : Rendements et risques associés à chaque portefeuille

0,6

0,5

0,4
Risque
0,3
Rendement
0,2

0,1

0
1 2 3 4

Risque Rendement
Portefeuille 1 0,4013 0,1723
Portefeuille 2 0,214 0,0526
Portefeuille 3 0,5301 0,1684
Portefeuille 4 0,5512 0,0438

178
En analysant les caractéristiques des portefeuilles à partir du tableau ci-dessus, les
portefeuilles 3, 2 et 4 enregistrent respectivement 16,84%, 5,26% et 4,38%, le
portefeuille 1 enregistre une rentabilité relativement accrue 17,23% avec un risque
de 40,13%. Si nous basons sur ces éléments de caractérisation des portefeuilles
pour le choix de portefeuille optimal, le portefeuille 1 représente la bonne
stratégie de placement.

Maintenant nous examinons la représentation graphique de couple


rendement/risque et voyons la répartition des portefeuilles selon le rendement et
l’écart-type qu’ils présentent.

Graphique 3.2 : Rendements et risques associés à chaque portefeuille

L’ensemble des portefeuilles possibles est représenté par un nuage de points :


· Avec un niveau de risque moins élevé, les autres portefeuilles (1,2 et 3)
présentent des rendements relativement supérieurs par rapport au
portefeuille 4. Ce dernier est donc dominé par tous les autres portefeuilles.
· Pour un niveau du risque donné 40,13%, le portefeuille 1 a l’espérance de
rendement la plus élevée. Autrement-dit, à ce niveau du risque il n’existe
aucun portefeuille ayant une espérance de rendement supérieur : le
portefeuille 1 domine le portefeuille 3.

179
· Les portefeuilles 1 et 3 sont des portefeuilles efficients, dont le choix de
l’un ou l’autre dépend de degré d’aversion au risque.
· Pour un niveau du rendement donné 21,4%, le portefeuille 2 a le risque le
plus petit, à ce niveau du rendement il n’existe aucun portefeuille ayant un
risque plus petit.

Notre objectif à travers cette étude est d’apprécier l’apport de l’approche


théorique de Markowitz à la résolution des problèmes de gestion de portefeuille.
Nous avons ainsi essayé dans cette section de présenter les différents éléments
théoriques, et d’appliquer ces principes de la théorie de la finance de marché à la
sélection de portefeuille réputé efficient, cas de la Bourse des Valeurs de
Casablanca.
Les résultats rencontrés sont attendus. On a pu voir que seuls les rendements et les
risques calculés ne suffisent pas pour aboutir au choix de portefeuille optimal. Le
recours à la représentation graphique des couples rendement/risque nous a permis
d’exprimer leur impact sur les décisions d’investissements en actifs financiers.
L’application empirique portant sur un échantillon représentatif d’un nombre
d’actifs sectoriels nous a permis de retrouver des résultats intéressants. Il semble
donc méritant d’attribuer une importance théorique au modèle de Markowitz dans
la détermination des stratégies de placement à court et moyen terme surtout dans
notre cas d’étude, avant et après de la crise des subprimes (01 janvier 2007 au 31
décembre 2008). En se basant toutefois sur des combinaisons d’actifs risqués (à
travers l’observation des indicateurs statistiques et financiers et des matrices de
corrélation et variance-covariance).
Enfin, d’après notre étude on constate qu’il existe un risque plus intéressant au
niveau d’investissement à la bourse des valeurs de Casablanca, cette dernière
utilise une méthode standard utilisant les pondérations en fonction de la notation
externe des émetteurs. On a constaté aussi, que les actifs sectoriels
(Agroalimentaire/Production, Mines, Bâtiment et matériaux de construction et
Banques) issus de l’indice MASI, sont ceux qui ont été les plus sensibles durant la
période de la crise des subprimes.

Nous concluons que la place Casablancaise a connu un risque du marché (la


volatilité du prix de quelques actifs sectoriels qui composent le MASI). Afin de
180
pallier ce risque, nous étudions une approche de modèle interne plus complexe qui
est la Value at Risk dans la 2éme section. Une méthode particulièrement
intéressante, utilisant la variance, dans la mesure du risque. La VaR largement
popularisé par la banque d’investissement JP Morgan, qui l’a introduite en 1994,
par son modèle de gestion de risque « RiskMetrics ».

Section II
Estimation et backtesting de la VaR des rendements
de l’indice MASI en période de crise

Dans la section précédente, nous avons constaté que la crise a fortement perturbé
l’évolution des cours de grande partie des actifs sectoriels qui composent le
portefeuille global MASI.
Nous avons présenté une théorie moderne du portefeuille selon Markowitz, on a
trouvé quelques portefeuilles efficients qui minimisent le risque pour un
rendement donné grâce à la diversification et la corrélation entre les actifs. Le
problème avec cette théorie est qu’elle se base sur la volatilité comme seule
mesure du risque, alors que nous avons vu précédemment que celle-ci n’était pas
suffisante et que la loi normale n’était pas adaptée aux fluctuations des cours
boursières des portefeuilles étudiés. En effet, les événements extrêmes sont bien
plus nombreux que le voudrait une distribution théorique. Il est intéressant de
constater que Markowitz lui-même avait mentionné « qu’il n’est pas certain
qu’utiliser la courbe en cloche soit la meilleur manière de mesurer le risque
boursier, c’est commode mais fortement exact ».

Pour continuer notre étude on va s’intéresser par le modèle Value at Risk comme
une nouvelle méthode d’estimation de la volatilité boursière. Ce nouveau modèle
du risque de marché est capable d’apporter une réponse à la problématique de
l’hétérogénéité des agents sur les marchés financiers qui consiste en une grande

181
différenciation des acteurs des marchés financiers par rapport à leurs horizons
temporels d’investissement. Afin d’estimer le modèle VaR et tester sa validité
empirique, nous proposons dans cette section une application sur l’indice boursier
Marocain le MASI. Cet indice, composé de 53 entreprises marocaines, représente
les plus grandes capitalisations de la Bourse de Casablanca relevant de secteurs
d’activité très variés : Assurances, la finance, Télécommunication, Transport, le
commerce …etc. L’intérêt de baser les estimations de notre thèse sur des données
du MASI provient du fait que cet indice constitue un véritable indicateur de la
conjoncture macro-économique au Maroc.
Nous nous référons à la modélisation traditionnelle GARCH, afin d’estimer la
Value at Risk du MASI. Mais nous faisons appel à la loi de Student afin de
prendre en compte la leptokurticité et l’asymétrie de cette distribution, au lieu de
recourir à la loi normale pour la distribution de probabilités des rendements. Nous
effectuons l’estimation de nos différents modèles selon deux stratégies
d’échantillonnage différentes mais complémentaires. La première stratégie est
basée sur une technique récursive d’échantillonnage. La VaR a estimé sur la base
d’un échantillon de données de taille croissante qui s’enrichit d’une donnée
supplémentaire à chaque pas de temps.
La validation du modèle s’effectue sur un échantillon de backtesting de 510
données. La deuxième stratégie d’estimation fait appel à une technique
d’échantillonnage basée sur une fenêtre temporelle mobile de 3484 données
(moving window). A chaque pas du temps, l’échantillon s’enrichit d’une nouvelle
donnée, et perd celle située à son début. La validation du modèle se fait sur le
même échantillon de backtesting de 510 données. Pour ne pas alourdir l’exposé
sur la validation de la VaR, nous recourons dans le cadre de notre thèse au test le
plus communément utilisé par la communauté financière : le test de Kupiec
(1995).

I. Propriétés statistiques du MASI

1. Composition du MASI

Les 53 valeurs cotées sur le MASI sont regroupé dans le tableau ci-dessous :

182
Tableau 3.4 : Données relatives au flottant des sociétés composant le MASI
Valeur Nb titres Cours Facteur Capitalisation Poids Capitalisation Poids Facteur Poids
capi.flot
total flottant capi.* Flottante ** plafon.*** retenu
ITISSALAT AL-
MAGHRIB 879 095 340 68,24 0,15 59 989 466 001,60 32,2643 8 998 419 900,24 21,6527 0,904590852 20,0000
ONA 17 462 450 883,00 0,40 15 419 343 350,00 8,2930 6 167 537 340,00 14,8413 1,000000000 15,1544
BCM 19 265 558 901,00 0,25 17 358 267 758,00 9,3358 4 339 566 939,50 10,4422 1,000000000 10,6625
BMCE 15 875 139 515,00 0,40 8 175 696 585,00 4,3972 3 270 278 634,00 7,8692 1,000000000 8,0352
LAFARGE CIMENTS 4 764 305 2 420,00 0,20 11 529 618 100,00 6,2010 2 305 923 620,00 5,5487 1,000000000 5,6657
HOLCIM (Maroc) 4 210 000 1 190,00 0,40 5 009 900 000,00 2,6945 2 003 960 000,00 4,8221 1,000000000 4,9238
SNI 10 900 000 890,00 0,20 9 701 000 000,00 5,2175 1 940 200 000,00 4,6687 1,000000000 4,7671
CIMENTS DU MAROC 7 218 002 1 176,00 0,15 8 488 370 352,00 4,5653 1 253 255 552,80 3,0638 1,000000000 3,1284
SAMIR 11 899 665 352,00 0,30 4 188 682 080,00 2,2528 1 256 604 624,00 3,0237 1,000000000 3,0875
BCP 5 888 051 690,00 0,30 4 062 755 190,00 2,1851 1 218 826 557,00 2,9328 1,000000000 2,9947
BRASSERIES DU
MAROC 2 825 201 1 425,00 0,30 4 025 911 425,00 2,1653 1 207 753 427,50 2,9062 1,000000000 2,9675
SONASID 3 900 000 800,00 0,35 3 120 000 000,00 1,6780 1 092 000 000,00 2,6277 1,000000000 2,6831
COSUMAR 4 191 057 760,00 0,25 3 185 203 320,00 1,7131 796 300 830,00 1,9161 1,000000000 1,9565
BMCI 7 751 534 680,00 0,15 5 271 179 120,00 2,8350 790 676 868,00 1,9026 1,000000000 1,9427
CENTRALE LAITIERE 942 000 4 991,00 0,15 4 701 522 000,00 2,5286 705 228 300,00 1,6970 1,000000000 1,5328
CDM 8 338 176 400,00 0,15 3 335 270 400,00 1,7938 500 290 560,00 1,2038 1,000000000 1,2292
MANAGEM 8 507 721 220,00 0,25 1 871 698 620,00 1,0067 467 924 655,00 1,1260 1,000000000 1,1497
LESIEUR CRISTAL 2 763 151 1 041,00 0,15 2 876 440 191,00 1,5470 431 466 028,65 1,0382 1,000000000 1,0601
WAFA ASSURANCES 3 500 000 480,00 0,25 1 680 000 000,00 0,9036 420 000 000,00 1,0106 1,000000000 1,0320
EQDOM 1 670 250 1 005,00 0,20 1 678 601 250,00 0,9028 335 720 250,00 0,8078 1,000000000 0,8249
AUTO HALL 2 360 000 362,05 0,25 854 438 000,00 0,4595 213 609 500,00 0,5140 1,000000000 0,5248
AGMA LAHLOU-TAZI 200 000 2 800,00 0,35 560 000 000,00 0,3012 196 000 000,00 0,4716 1,000000000 0,4816
SMI 1 645 090 453,00 0,25 778 127 570,00 0,4185 194 531 892,50 0,4681 1,000000000 0,4780
BRANOMA 500 000 1 222,00 0,30 611 000 000,00 0,3286 183 300 000,00 0,4411 1,000000000 0,4504
CIH 33 233 631 26,50 0,20 880 691 221,50 0,4537 176 138 244,30 0,4238 1,000000000 0,4328
OULMES 550 000 1 660,00 0,15 913 000 000,00 0,4910 136 950 000,00 0,3295 1,000000000 0,3365
AFRIQUIA GAZ 1 031 250 345,10 0,25 355 884 375,00 0,1914 88 971 093,75 0,2141 1,000000000 0,2186
ALUMINIUM DU
MAROC 465 954 801,00 0,20 353 229 154,00 0,2007 74 645 830,80 0,1796 1,000000000 0,1834
MAGHREBAIL 1 025 320 360,00 0,20 369 115 200,00 0,1985 53 823 040,00 0,1776 1,000000000 0,1814
AUTO NEJMA 775 200 605,00 0,15 468 996 000,00 0,2522 70 349 400,00 0,1693 1,000000000 0,1729
NEXANS MAROC 2 243 520 136,10 0,20 305 343 072,00 0,1642 61 068 614,40 0,1469 1,000000000 0,1500
CTM 1 225 978 238,00 0,20 291 782 764,00 0,1569 58 356 552,80 0,1404 1,000000000 0,1434
MAROC LEASING 1 594 950 140,00 0,25 223 293 000,00 0,1201 55 823 250,00 0,1343 1,000000000 0,1372
UNIMER 550 000 870,00 0,10 478 500 000,00 0,2574 47 850 000,00 0,1151 1,000000000 0,1176
FERTIMA 1 150 000 400,00 0,10 460 000 000,00 0,2474 46 000 000,00 0,1107 1,000000000 0,1130
MAGHREB OXYGENE 812 500 180,95 0,30 147 021 875,00 0,0791 44 106 562,50 0,1061 1,000000000 0,1084
SOFAC-CREDIT 1 416 664 190,00 0,15 269 166 160,00 0,1448 40 374 924,00 0,0972 1,000000000 0,0992
ACRED 600 000 370,00 0,15 222 000 000,00 0,1194 33 300 000,00 0,0801 1,000000000 0,0818
LA MAROCAINE VIE 1 837 500 170,15 0,10 312 650 625,00 0,1682 31 265 062,50 0,0752 1,000000000 0,0768
BALIMA 174 400 839,00 0,20 146 321 600,00 0,0787 29 264 320,00 0,0704 1,000000000 0,0719
CARNAUD 1 445 850 385,00 0,05 556 652 250,00 0,2994 27 832 612,50 0,0670 1,000000000 0,0684
BERLIET- MAROC 1 250 000 107,00 0,20 133 750 000,00 0,0719 26 750 000,00 0,0644 1,000000000 0,0657
ZELLIDJA S.A 572 849 293,30 0,15 168 016 611,70 0,0904 25 202 491,76 0,0606 1,000000000 0,0619
IB MAROC.COM 417 486 109,00 0,50 45 505 974,00 0,0245 22 752 987,00 0,0547 1,000000000 0,0559
SCE 616 448 141,10 0,25 86 980 812,80 0,0468 21 745 203,20 0,0523 1,000000000 0,0534
TASLIF 409 000 170,00 0,25 69 530 000,00 0,0374 17 382 500,00 0,0418 1,000000000 0,0427
DIAC SALAF 1 053 404 36,00 0,45 37 922 544,00 0,0204 17 065 144,80 0,0411 1,000000000 0,0419
LGMC 549 312 169,50 0,15 93 108 384,00 0,0501 13 966 257,60 0,0336 1,000000000 0,0343
PAPELERA DE
TETUAN 918 750 20,00 0,20 18 375 000,00 0,0099 3 675 000,00 0,0088 1,000000000 0,0090
REBAB COMPANY 160 415 140,00 0,10 22 458 100,00 0,0121 2 245 810,00 0,0054 1,000000000 0,0055
LE CARTON 159 999 30,52 0,20 4 883 169,48 0,0026 976 633,90 0,0024 1,000000000 0,0024
DIAC EQUIPEMENT 203 860 24,34 0,10 4 961 952,40 0,0027 496 195,24 0,0012 1,000000000 0,0012
TOTAL 1 082 117 130 185 931 631 157,48 100,0000 41 557 953 210,23 100,0000 100,0000
* Capitalisation
** Capitalisation
flottante
*** Plafonnement

183
2. Les cotations du MASI

Afin d’appréhender les caractéristiques de l’indice boursier marocain le MASI,


nous faisons appel au graphique des cotations allant du 01/01/1993 (L’année de la
première réforme boursière) jusqu’au 30/12/2010 comme le montre le graphique
suivant.

Figure 3.1 : Cotations MASI (du 01/01/1993 au 30/12/2010)


16,000

14,000

12,000

10,000

8,000

6,000

4,000

2,000

0
94 96 98 00 02 04 06 08 10

Le graphique des cotations du MASI met en évidence une récurrence de phases de


hausses suivies par des phases de baisses. On observe un premier cycle qui a duré
de janvier 1997 jusqu’au mois décembre 2002. On a assisté à une phase de hausse
du 02/01/1997 au 07/10/1998 qui a été suivie par une phase de baisse du
08/10/1998 au 05/12/2002. Quant au deuxième cycle boursier, qui a duré de
décembre 2002 à décembre 2009, il est constitué d’une phase de hausse du
06/12/2002 au 07/08/2008 suivie d’une phase de baisse du 08/08/2008 au
14/12/2009.

Les reformes boursiers de 1993 et de 1997 ont joué un rôle très important dans la
conjoncture du premier cycle boursier. Un nouveau cycle est entamé puisqu’à
partir du début 2010, le MASI enregistre une hausse continue qui survient après la
sévère correction à la baisse subie suite à la crise des subprimes survenue aux
Etats-Unis.

184
Le cours du MASI est donc caractérisé par une alternance de phases de baisses et
de phases de hausses. Par conséquent, il a une évolution non stationnaire. Il est
indispensable de s’interroger sur la nature déterministe ou stochastique de celle-ci.
Cette non stationnarité nous interpelle de construire une modélisation Value at
Risk se base sur l’analyse de la structure sous-jacente des rendements des titres.
En effet, l’origine du non stationnarité de la série des cotations du MASI va
définir la méthode de stationnarisation adéquate. Ainsi, si la non stationnarité de
cette série provient de la présence d’une ou plusieurs racines unitaires dans sa
représentation autorégressive, la stationnarisation consiste à différencier la série
d’origine (Box et Jenkins 1970). Pour stationnariser notre série nous retenons les
différences premières du log des cours qui sont une approximation des rentabilités
financières.

3. Les tests de racine unitaire

3.1. Les tests de Dickey et Fuller (1979-1981)

Les tests de Dickey-Fuller permettent de mettre en évidence le caractère


stationnaire ou non d’une chronique par la détermination d’une tendance
déterministe ou stochastique.

Les statistiques de Dickey-Fuller ont pour objet de tester l’hypothèse nulle de


processus non stationnaire contre l’hypothèse alternative de processus
stationnaire. L’application de ces tests aux séries en logarithmes et aux rentabilités
de l’indice MASI conduit aux résultats présentés dans le tableau 3.5 ci-après.

Tableau 3.5 : Test de Dickey-Fuller Augmenté

valeur
Série Estimation
critique

MASI 3.507 -1.940

Le tableau ci-dessus montre que l’application du test Dickey-Fuller fait ressortir la


présence d’une racine unitaire de la série du MASI en niveau. On a (3.50 > -1.94),

185
la série est donc non stationnaire. Pour la rendre stationnaire, nous faisons appel
au filtre des différences premières, et nous obtenons la série des rentabilités. Le
MASI admet donc une racine unitaire. Mais nous faisons appel au test de Phillips-
Perron (1988) afin de résoudre les problèmes liés au non respect des hypothèses
habituelles faites sur les erreurs.

3.2. Test de Phillips et Perron (1988)

Pour corriger de la présence d’autocorrélation Phillips-Perron (1988) proposent


une méthode non paramétrique, sans avoir à ajouter des endogènes retardées
comme dans la méthode de DFA (méthode plus robuste en cas d’erreurs MA
notamment).
Le test Phillips et Perron consiste en une extension des tests de Dickey et Fuller
par la prise en compte de l’autocorrélation et l’hétéroscédasticité des erreurs. Ceci
est d’une grande importance puisque les séries des rentabilités exhibent des effets
de persistance temporelle et d’agrégation de volatilité. Ainsi, les hypothèses faites
sur les résidus dans les modèles de régression de Dickey-Fuller sont moins
restrictives puisque les erreurs peuvent évidemment présenter une faible
dépendance temporelle et être distribuées de façon hétérogène mais
asymptotiquement indépendante.

Les tests de Phillips et Perrons se basent sur des modèles identiques à ceux utilisés
par Dickey et Fuller, et les deux statistiques ont la même distribution
asymptotique. Ce qui nous permet d’utiliser les mêmes tables de valeurs critiques
que celles des tests de Dickey-Fuller.
Les résultats du test Phillips-Perrons sont présentés par le tableau 3.6 ci-dessous.

Tableau 3.6 : Test de Phillips & Perron

valeur
Série Statistique PP
critique
MASI 3.361 -1.940

L’indice MASI admet donc une racine unitaire selon le test de Phillips et Perron.

186
3.3. Tests de racine unitaire avec rupture structurelle : Perron (1989)

Le fait de faire appel à un tel test ne se justifie pas par l’occurrence de ruptures
structurelles dans la série temporelle de l’indice MASI.
Souvent les observations contiennent des valeurs aberrantes et occasionnent une
rupture dans l’évolution de la distribution. L’approche s’inscrit dans le cadre des
modèles avec intervention proposés par Box et Tiao (1975)1. Le test de Perron
(1989) incorpore une modélisation de tendance déterministe avec rupture de cette
dernière dont la date est fixée a priori. Il s’agit d’un test de racine unitaire avec un
changement structurel connu c'est-à-dire exogène.

Perron a pris une procédure de tester l’hypothèse nulle selon laquelle une série
temporelle X t admet une racine unitaire avec une dérive et qu’une rupture

structurelle exogène se produit à une date Tb avec (1 < Tb < T ) , contre l’hypothèse
alternative selon laquelle la série est stationnaire en tendance avec un changement
structurel de la tendance qui survient à la date Tb .

Soit un choc survenant au période Tb . On formule l’hypothèse que Tb s’accroit au

même rythme que T , (Tb = lT ) .


Le test se fonde sur trois types de modèles :

Ø Modèle A : Changement d’input (exogène) dans le niveau


· Hypothèse nulle H 0 :

X t = m + dD(Tb )t + X t -1 + e t (1)

ͳ‫ ݅ݏ‬t = Tb + 1 
Avec ‫( ܦ‬Tb )t ൌ ቊ
Ͳ‫݊݋݊݅ݏ‬

· Hypothèse alternative H1 :

X t = m1 + b t + (m2 - m1 ) Dm1 + e t (2)

1
Ces modèles sont considérés comme des cas particuliers des modèles de fonction de transfert
dans lesquels les variables explicatives sont des variables binaires.

187
Avec e t BB , Dm1 une variable muette, il ressort que :

ͳ‫ ݅ݏ‬t > Tb 


Dm1 ൌ ቊ 
Ͳ‫݊݋݊݅ݏ‬

Ø Modèle B : Changement exogène dans le taux de croissance


· Hypothèse nulle H 0 :

X t = m1 + X t -1 + (m2 - m1 ) Dm1 + e t (3)

Avec ͳ‫ ݅ݏ‬t > Tb 


Dm1 ൌ ቊ 
Ͳ‫݊݋݊݅ݏ‬

· Hypothèse alternative H1 :

X t = m1 + b1t + (b2 - b1 ) DTt* + e t (4)

DTt * ൌ ቊ t - Tb ‫ ݅ݏ‬t > Tb 


Avec
Ͳ‫݊݋݊݅ݏ‬

Ø Modèle C : Changement de la variable exogène dans la pente et le


niveau de la tendance.
· Hypothèse nulle H 0 :

X t = m1 + X t -1 + (m2 - m1 ) Dm1 + dD(Tb )t + e t (5)

ͳ‫ ݅ݏ‬t = Tb + 1 
Avec ͳ‫ ݅ݏ‬t > Tb  et ‫( ܦ‬Tb )t ൌ ቊ
Dm1 ൌ ቊ  Ͳ‫ ݊݋݊݅ݏ‬
Ͳ‫݊݋݊݅ݏ‬

· Hypothèse alternative H1 :

X t = m1 + b1t + (m2 - m1 ) Dm1 + (b2 - b1 ) DTt + e t (6)

188
Avec ͳ‫ ݅ݏ‬t > Tb  et ͳ‫ ݅ݏ‬t > Tb 
Dm1 ൌ ቊ  DTt ൌ ቊ 
Ͳ‫݊݋݊݅ݏ‬ Ͳ‫݊݋݊݅ݏ‬

Ces trois modèles ont pour but d’étudier les implications d’une évolution dans le
trend sur les tests de Dickey et Fuller.

Soit Xˆ ti avec i = A, B, C , les résidus de la régression X t sur :

§ Une constante, un trend et Dmt , pour i = A


§ Une constante, un trend et DTt * , pour i = B
§ Une constante, un trend et DT , pour i = C

Considérons rˆ i l’estimateur MCO de r̂ dans la régression ci-après :

Xˆ ti = rˆ i Xˆ ti-1 + eˆt (7)

Les valeurs critiques de la statistique t pˆ i sont tabulées au tableau A avec l tel que

Tb = lT .

Hypothèse H 0 : existence d’une racine unitaire

Hypothèse H1 : le processus est stationnaire


La règle de décision du test est la suivante :

§ Si la valeur calculée de t pˆ i < t pi (avec r li la valeur critique lue dans la


l

table de Perron), on rejette H 0 . On conclut que le processus est


stationnaire. C’est l’hypothèse alternative H1 . Il est I (0) .

§ Si la valeur calculée t pˆ i > t pi , l’hypothèse nulle H 0 est acceptée, c'est-à-


l

dire que le processus est non stationnaire.

Toutefois, il faut souligner que la régression (7) n’est opérationnelle que si les
résidus sont indépendants. Compte tenu de cette limite, Perron (1989) a étendu
son test au cas où les aléas sont autocorrélés.

Application du test de Perron (1989) à l’indice MASI

189
D’après la figure 1 de Cotations MASI (du 01/01/1993 au 30/12/2010), la rupture
la plus marquante est faite en 2008. On définit une variable dichotomique et on
applique le modèle B qui correspond au changement de pente.

Ͳܽ‫ͲͲʹݐ݊ܽݒ‬ͺ 
D2008 ൌ ൜ 
ͳܽ‫ݎ݌‬é‫ͲͲʹݏ‬ͺ

Estimation de l’équation : LMASIt = b0 + b1t + b2 D2008 + e t

L’estimation de l’équation suite à l’étude de corrélograme qui donne un retard de


1, nous conduit à estimer cette équation générale :

De t* = re t*-1 + fDe t*-1 + mt

Tableau 3.7 : Estimation de l’équation

Dependent Variable: De t
*

Sample: 1995 2010


Included observations: 16 after adjusting
endpoints
Variable Coefficient Std. Error t-Statistic Prob
e t*-1
De t*-1 -0.386123 0.042153 3.053214 0.0041
0.047491 0.259684 0.430892 0.7946

Tb 15
Le calcul de l donne le résultat suivant : l = = = 0.7894
T 19

La statistique associée à r est de -3.053214 qui est la t-Statistique calculée. En


regardant dans la table de Perron de son modèle B, on retrouve la valeur critique
pour l = 0.78 qui à 5% est égale à -3.85. La statistique calculée est supérieure la
statistique théorique.
Donc l’hypothèse nulle est acceptée, il y a donc présence de racine unitaire et un
changement structurel exogène dans la pente de la série du MASI qui s’est produit

190
à l’année 2008. Cette date qui correspond à la crise financière des Etats-Unis, et
qui a affecté indirectement la situation économique marocaine.

3.4. Tests de racine unitaire efficients : Schmidt-Phillips (1992)

Les tests de racine unitaire précédemment effectués sur l’indice MASI, ont la
spécificité commune de prendre en compte de tendance déterministe lors de la
procédure du test. C’est pour parer à ces insuffisances que Schmidt-Phillips
(1992) recommandent de travailler sur des séries débarrassées de leur tendance
déterministe. Cette approche est susceptible d’augmenter la puissance des tests de
racine unitaire et les rendre plus efficients.

Considérons une série X t' dont on a enlevé le trend déterministe.

X t' = X t - a ' - b 't (1)

X t - X1
Avec b' = (2) et a ' = X1 - b ' (3)
T -1

A la lumière de (1), il ressort que l’équation du test est alors :

DX t = a + h X t'-1 + e t avec h = f -1

Si on ah = 0 , on peut recourir au coefficient de Student et on compare avec la


statistique tabulée par Schmidt-Phillips.

L’application du test de Schmidt-Phillips au MASI donne les résultats suivants :

Tableau 3.8 : Test de Schmidt-Phillips


T (a-1) -0.0217
Za stat -7.1394
Zt stat -1.6723

191
T (a-1) = -0.0217 > -3.02, on accepte donc la présence de racine unitaire.

D’après les tests traditionnels effectués de racine unitaire de Dickey-Fuller,


Phillips-Perron, on conclut que la série du MASI est non stationnaire, elle
contient une racine unitaire. L’application de ces tests à la racine différenciée
confirme l’existence d’une seule racine unitaire.
Puis nous effectuons d’autres tests plus puissants, en l’occurrence le test de
Perron(1989) et celui de Schmidt-Phillips(1992), n’a fait confirmer l’hypothèse
de non stationnarité du l’indice MASI, il s’agit donc d’un processus DS
« Difference Stationnary ».

Nous appliquons un filtre aux différences premières sur ses valeurs


logarithmiques de la série pour la stationnariser. On obtient ainsi la série
temporelle des rendements de l’indice MASI qu’on peut exprimer par la formule
æ P ö
suivante rt = ln ç t ÷ où rt est la rentabilité au temps t , Pt est le cours du MASI
è Pt -1 ø
au temps t , Pt -1 au temps t - 1 .

Nous allons appliquer le modèle Value at Risk qui est le benchmark pour
l’estimation du risque de marché boursier marocain, se base sur la volatilité
conditionnelle de ces rendements, c’est pour cela le recours au calcul de
rendements de l’indice MASI est primordial.

II. Propriétés statistiques des rendements du MASI

1. Evolution des rentabilités du MASI

La figure ci-dessous représente l’évolution des rendements de l’indice MASI


(4480 observations).

192
Figure 3.2 : Rendements de l’indice MASI
.06

.04

.02

.00

-.02

-.04

-.06
94 96 98 00 02 04 06 08 10

Cette figure indique que cette série est fortement volatile. Les fortes variations de
volatilités ont tendance à être suivies par de fortes variations, et les faibles
variations par de faibles variations. Il s’agit d’un regroupement de volatilité
(volatility clustering).Ce qui prouve que la volatilité évolue au cours du temps et
plaide en faveur d’une modélisation dynamique de la volatilité. Les rentabilités de
l’indice MASI ci-dessus montrent que la moyenne de cette série est constante
alors que sa variance change au cours du temps. De plus le processus étant non
gaussien, on suspecte la présence d'un effet ARCH1.
La figure 3.3 représente l’histogramme de la série des rendements du MASI, et
reporte un certain nombre de statistiques descriptives. On constate que le
coefficient de kurtosis est très élevé, et largement supérieur à 3 (valeur du
coefficient de kurtosis de la loi normale).Cet excès de kurtosis témoigne d’une
forte probabilité d’occurrence de valeurs extrêmes. Le coefficient de skewness est
différent de zéro (valeur théorique du coefficient de skewness pour une loi
normale) et est négatif. Ce qui illustre la présence d’asymétrie, ce qui peut être un
indicateur de non linéarité, puisque les modèles linéaires normaux sont

1
Le concept d'hétéroscédasticité conditionnelle autorégressive (ARCH – AutoRegressive
Conditional Heteroskedasticity) proposé en 1982 par le professeur Robert Engle, lors d'une étude
sur la variance de l'inflation pour la Grande-Bretagne, a permis de mieux modéliser la volatilité
saisonnière de nombreuses séries temporelles. L'idée fondamentale de l'ARCH est que la variance
de l'aléa au temps t dépend de l'importance des aléas au carré des périodes précédentes. Le modèle
ARCH est donc une extension du modèle linéaire quand la variance conditionnelle du terme de
l'erreur peut varier dans le temps.

193
nécessairement symétriques. Cette asymétrie se traduit par le fait que la volatilité
est plus faible après une hausse qu’après une baisse des rendements.
Le coefficient de skewness négatif indique en effet que la distribution est étalée
vers la gauche : les rendements réagissent davantage à un choc négatif qu’à un
choc positif.

Figure 3.3 : Statistiques descriptives des rendements du MASI


2,000
Series: RENTABILITE
Sample 1/04/1993 12/31/2010
1,600 Observations 4480

Mean 0.000532
1,200 Median 0.000358
Maximum 0.055637
Minimum -0.050167
800 Std. Dev. 0.006993
Skewness -0.114933
Kurtosis 11.83627
400
Jarque-Bera 14584.72
Probability 0.000000
0
-0.04 -0.02 0.00 0.02 0.04 0.06

2. Test d’autocorrélation des rentabilités de l’indice MASI

D’après le corrélograme ci-dessous, il ne s’agit pas d’une marche au hasard (les


probabilités critiques de la Q-Stat sont toutes très largement inférieures à 5%), le
processus est à mémoire, il existe donc une représentation dans la classe des
processus ARMA.

194
Figure 3.4 : Tests d’autocorrélation des rendements du MASI

Autocorrélations

Series: RMASI
a
Lag Autocorrelation Std. Error Box-Ljung Statistic
b
Value df Sig.

1 ,322 ,015 464,111 1 ,000


2 ,083 ,015 495,000 2 ,000
3 ,007 ,015 495,214 3 ,000
4 ,028 ,015 498,652 4 ,000
5 ,046 ,015 507,994 5 ,000
6 -,007 ,015 508,226 6 ,000
7 ,009 ,015 508,553 7 ,000
8 ,024 ,015 511,224 8 ,000
9 ,021 ,015 513,258 9 ,000
10 ,033 ,015 518,067 10 ,000
11 ,044 ,015 526,653 11 ,000
12 ,004 ,015 526,764 12 ,000
13 ,012 ,015 527,362 13 ,000
14 ,014 ,015 528,277 14 ,000
15 ,048 ,015 538,804 15 ,000
16 ,029 ,015 542,556 16 ,000

a. The underlying process assumed is independence (white noise).


b. Based on the asymptotic chi-square approximation.

195
3. Test d’ homoscédasticité des rendements du MASI

Afin de tester l’homoscédasticité du processus générateur des rendements de


l’indice MASI, on utilise le test ARCH basé sur le principe du multiplicateur de
Lagrange. Ce test qui a été introduit par Engle (1982), consiste en une régression
des carrés des résidus sur une constante et sur p carrés des résidus retardés.
Pour effectuer ce test, nous utilisons la statistique du multiplicateur de langage
TR², ou T est le nombre d’observations et R² est le coefficient de détermination
associé à l’équation :

eˆt2 = a0 + a1 xt -1 + b1 xt2-1 + a2 xt -2 + b2 xt2-2 + ...... + a p xt - p + bp xt2- p + vt

L’hypothése nulle H 0 : a1 = a2 = ......... = a p = 0 (Homoscédasticité ou nullité des

coefficients ARCH).
L’hypothése altenative H1 : au moins l’un des coefficients est non nul.
Sous l’hypothése nulle, la statistique du multiplicateur de Lagrange suit
asymptotiquement une loi c 2 ( p) . Si la statistique TR² dépasse la valeur critique
du test, on rejette H 0 .

Tableau 7 : Test d’homoscédasticité des rendements du MASI

ARCH Test:

F-statistic 649.7008 Probability 0.000000


Obs*R-squared 567.6024 Probability 0.000000

Le tableau ci-dessus montre le résultat de l’application du test ARCH à la série de


rendements du MASI. Puisque nR² = 567.6 > c0.05
2
(1) = 3.84, alors on peut

conclure que sur la série des rendements du MASI sont hétéroscédastiques.

196
4. Test d’indépendance sur la série de rendements du MASI

Le test BDS de Brock, Dechert et Scheinkman (1987) est le plus utilisé pour tester
l’indépendance des séries temporelles, ce test d’indépendance est basé sur
l’intégrale de corrélation. La statistique BDS teste l’hypothèse nulle de série
indépendamment et identiquement distribuée (iid) contre une alternative non
spécifié. L’intérêt de ce test par rapport aux tests précédents est qu’il peut détecter
des dépendances de type non linéaire dans les séries.
Soit une série temporelle { X t }t =1,....,T de longueur T représentant l’état d’un

système régi par une équation de mouvement de loi inconnue. Le principe du test
consiste dans un premier temps à former des vecteurs à m dimensions, appelés m-
historiques, dont les composantes sont les valeurs consécutives de la série
observée :
X tm = ( X t , X t +1 ,..., X t +m-1 )

Les m-historiques permettent la reconstruction de l’attracteur du système étudié


qui traduit son comportement de long terme.
m est la dimension de prolongement (embedding dimension), qui représente la
dimension de l’espace des phases dans lequel l’attracteur est reconstruit.

La statistique BDS est alors définie par :

T éCm (e ) - ( C1 (e ) ) ù
m

Wm ( e ) = ë û
s m (e )

Avec :

1
Cm (e ) = lim 2
[nombre de paires (i,j) dont la distance X im - X mj < e ]
N m ®¥ N
m

Cm (e ) étant l’intégrale de corrélation, ou corrélation spatiale.

Où N m est le nombre de m-historiques qui peuvent être créées à partir d’un


échantillon de N observations : Nm = N - (m - 1)

On peut encore écrire :

197
Nm

å H (e - X )
1
Cm (e ) = lim i
m
- X mj
N m ®¥ T 2 - T
m m i , j =1
i¹ j

Où H est la fonction de Heaviside :

ì
ï1 Û sie - X i - X j > 0
m m

(
H e - X im - X mj = í)
î0 Û sin on
ï

Afin de tester l’hypothèse H 0 , il faut comparer la statistique Wm ( e ) à la loi


normale N (., s m,T ) c’est-à-dire à 1,96 pour 5%. Si la statistique BDS supérieure à
1,96, on rejette l’hypothèse H 0 et donc le processus générateur de la série X est
non linéaire.

Il y a quatre sources possibles du non linéarité :

1. La non stationnarité de la série étudiée.

2. La dépendance issue d’un processus stochastique linéaire ARMA.

3. La dépendance issue d’un processus stochastique non linéaire (ARCH,


GARCH, EGARCH).

4. La dépendance issue d’un processus déterministe non linéaire chaotique


(tent map, équation de Mackey-Glass)

Nous appliquons donc le test BDS sur la série des rendements de l’indice MASI,
on obtient ainsi les résultats suivants :

Tableau 3.9 : Test BDS des rendements du MASI

BDS Test for RMASI


Date: 09/06/13 Time: 02:34
Sample: 1 4481
Included observations: 4481

Dimension BDS Statistic Std. Error z-Statistic Prob.


2 0.050486 0.001653 30.54212 0.0000
3 0.093450 0.002634 35.48331 0.0000
4 0.121317 0.003145 38.56993 0.0000
5 0.137074 0.003289 41.68060 0.0000
6 0.143589 0.003182 45.12646 0.0000

198
Les Z-statistiques sont supérieurs à 1,96, donc l’hypothèse d’indépendance des
rentabilités est rejetée. Ce qui témoigne de la présence d’une structure non linéaire
dans la série des rendements du MASI. Le processus générateur de ladite série est
donc de nature stochastique avec un bruit à variance très élevée. Cela conforte la
pertinence d’une modélisation des rendements du MASI par un modèle
GARCH(1,1).

5. Détection de la mémoire longue

Pour pouvoir détecter la dépendance de long terme Mandelbrot suggère


l'utilisation de la statistique R/S appelée aussi (Rescaled Range) qui a été
développée initialement par Hurst (1951).
Cette dernière possède un inconvénient majeur, c’est qu’elle est très sensible à la
dépendance de court terme et en plus cette statistique n’est pas un test à
proprement parler puisque sa distribution théorique est inconnue.

Comme une solution à ces problèmes, Lo (1991) a développé la statistique R/S


modifiée à partir de laquelle il teste l’hypothèse nulle de mémoire courte contre
l’hypothèse alternative de mémoire longue.

Le comportement de mémoire longue est déterminé par le paramètre (d) qui peut
prendre plusieurs valeurs et selon la valeur prise, nous pouvons savoir si le
processus possède un comportement de longue mémoire ou de courte mémoire :
Si -1/2<d<0, le processus possède une dépendance faible entre les observations,
il s'agit bien d'un processus a mémoire courte.
Si 0<d<1/2 le processus possède une dépendance positive robuste entre les
observations, il s'agit alors d'un processus à mémoire longue. Alors la non nullité
de la valeur du paramètre d implique la dépendance forte entre les observations.
Plusieurs chercheurs ont testé ces processus en estimant le paramètre de mémoire
longue (d), des multitudes de méthodes ont été proposées depuis 1950, celles-ci
peuvent être regroupées en trois grandes classes: les méthodes heuristiques, les
méthodes semi paramétriques et les méthodes du maximum de vraisemblance. Les
deux premières classes permettent d'estimer uniquement le paramètre de mémoire
199
longue (d), ce qui nous oblige de faire l'estimation des différents paramètres en
deux étapes ce qui est coûteux en temps de calcul alors que la dernière classe
permet d'estimer simultanément tous les paramètres.

§ Analyse en terme R/S (Rescaled Range Analysis)

La statistique R/S se définit comme l’étendue R des sommes partielles des écarts
d’une série temporelle à sa moyenne divisée par son écart type St . Ainsi, soit une

série temporelle X t , avec t = 1......T de moyenne X T , la statistique R/S notée Qt


s’écrit :
R
QT =
ST
Avec l’étendue R qui s’écrit comme suit :
k k
R = max å ( X j - X T ) - min å ( X j - X T )
1£ k £T
j =1 j =1

Et l’écart type de la série de type :

1/2
é1 k 2
ù
ST = ê å ( X j - X T ) ú
ëê T j =1 ûú

La statistique R/S possède un inconvénient majeur, c’est qu’elle est très sensible
à la dépendance de court terme et en plus cette statistique n’est pas un test à
proprement parler puisque sa distribution théorique est inconnue.
Comme une solution à ces problèmes, Lo (1991) a développé la statistique R/S
modifiée à partir de laquelle il teste l’hypothèse nulle de mémoire courte contre
l’hypothèse alternative de mémoire longue.

La statistique R/S modifiée, notée QmT s’écrit :

1 é k k ù
QmT =
R
= ê 1£k £T å j
ST ( q ) ST ( q ) ë
max ( X - X T ) - min å ( X j - X T )ú
j =1 j =1 û

200
1 k 2 q é k ù
ST2 ( q ) = å
T j =1
( X j - X T ) + å
T j =1
v j ( q ) ê å ( X j - X T )( X i - j - X T )ú
ëi = j +1 û
j
v j (q) = 1- , q T
q +1

Les poids v j ( q ) ont été suggérés par Newey et West (1987).

La statistique R/S modifiée diffère de la statistique R/S traditionnelle uniquement


par son dénominateur puisqu'il inclut non seulement l'écart type de la série mais
également les autocovariances pondérées.
Q
Lo (1991) a défini la statistique V par V = où Q est la statistique R/S
T
modifiée et T le nombre d’observations.

A partir de cette statistique on peut déterminer les valeurs :


LogQT
· De l’exposant de Hurst défini comme suit par H
LogT

· La valeur de CH définie comme suit CH = 22 H -1 - 1 est une mesure de


corrélation de long terme entre les observations passées et les observations
futures.
Alors selon les valeurs de H et CH on peut établir une classification des séries
temporelles en fonction de leur structure de dépendance.

1. Si H = ½ alors CH = 0 par conséquent le processus ne présente aucune


dépendance de long terme, ce type de processus est nommé mémoire
courte.

2. Si ½ < H < 1, alors CH > 0 les autocorrélations sont positives et


décroissent très rapidement lorsque le retard augmente, ce sont là les
caractéristiques d’un processus à mémoire longue. Nous parlons alors de
phénomène de persistance dans le cas où « si la série a été à la hausse la
période précédente, il y a une forte probabilité pour qu’elle soit également
à la hausse la période suivante».

201
3. Si 0 < H < ½, on parle ici de processus anti-persistant c’est à dire que la
corrélation CH est négative ceci s’explique par des phases de hausse qui
ont tendance à être suivies par des phases de baisse. Il s’agit là d’une
forme particulière de mémoire longue, qui a été nommé « l’anti-
persistance de dépendance de long terme ».

§ Application

Nous pouvons estimer l'exposant de Hurst (H) à partir de l'application des


méthodes R/S et R/S modifiée, et donc nous pouvons déduire l'estimation de (d) à

partir de la relation: dˆ = Hˆ - 1/ 2 .
Le tableau ci-après fournit l'estimation de l'exposant de Hurst et celle de (d) sur
les rentabilités de l’indice MASI au moyen des deux procédures.

Tableau 3.10 : Estimation de l’exposant de Hurst sur les rentabilités de MASI

Série Analyse R/S Analyse R/S modifiée


H D H D V
RMASI 0.6577 0.1577 0.5746 0.0746 1.0843

A partir des résultats du tableau ci-dessus, nous constatons, que d'après la


méthode R/S, toutes les séries présentent un phénomène de persistance témoignant
ainsi de la présence d'une mémoire longue puisque les exposants de Hurst sont

tous supérieurs à 1/2 où encore d̂ >0.Cependant, l'analyse R/S traditionnelle ne


permet pas de déterminer si la valeur estimée de H est significativement différente
ou non de 1/2.
Nous pouvons contourner ce problème par l'application de la méthode R/S
modifiée, qui nous fournit la statistique V que nous la comparons avec les valeurs
critiques données par Lo (1991), qui sont dans le cas d'un test unilatéral 1.620 et
1.747 au seuil respectif de 10% et 5%.

202
Pour notre série des rentabilités de l’indice MASI, la mémoire détectée à partir de
l'analyse R/S traditionnelle semble être qu’une mémoire de court terme, la
statistique R/S est sensible à la présence d'une mémoire de court terme dans les
séries de rentabilités. Il y a eu preuve d'une mémoire courte c'est-à-dire la
présence d'autocorrélation de court terme. En se basant sur l'idée de Fama (1991),
la présence d'autocorrélation de court terme ne remet pas en cause l'hypothèse de
l'efficience, alors nous ne pouvons pas conclure par l'inefficience des places
financières qui ont fait la preuve de mémoire courte.
En outre, la présence d'une mémoire de court terme induit naturellement que les
rentabilités dépendent fortement des rentabilités passées. Il est par conséquent
possible de prévoir leur évolution à court terme, mais non plus à long terme. Donc
nous concluons que qu’il n’existe pas de structures à mémoire longue dans la série
de rendements de l’indice MASI.

6. Modélisation de la série des rendements de l’indice MASI

Les analyses menées précédemment ont révélées la présence de structures


hétéroscédastiques, ce qui va nous permettre de prendre en compte l’importante
variabilité des rendements de l’indice MASI. La série de l’indice MASI est non
stationnaire : elle contient une racine unitaire. Il s’agit donc d’un processus DS.
Nous appliquons un filtre aux différences premières sur les valeurs
logarithmiques de la série pour la stationnariser. On obtient ainsi la série
temporelle des rendements. Nous avons mis en évidence que la distribution des
rendements du MASI ne peut pas être approximée par la loi normale puisqu’elle
est caractérisée par un excès de Kurtosis (leptokurticité) et par un skewness
négatif (asymétrie). Nous modélisons les rendements l’indice boursier marocain
par un processus GARCH(1,1), afin d’estimer la Value at Risk pour l’indice
MASI. Mais nous faisons appel également à la loi de Student afin de prendre en
compte la leptokurticité, et l’asymétrie de la distribution des rendements, au lieu
de recourir exclusivement à la loi normale.

203
Il est primordial d’effectuer un backtesting de ces modèles et comparer ainsi leurs
performances respectives, pour évaluer la validité des différents modèles estimés
de la VaR. Le backtesting se base sur le test le plus communément utilisé par la
communauté financière et par les autorités de régulation : le test de Kupiec (1995),
et consiste à confronter les pertes et les profits effectivement réalisés avec la VaR
estimée. Par exemple les pertes effectives ne devraient dépasser les prévisions de
la VaR que dans 1% des cas pour un niveau de confiance de 99%. Dans le cas
contraire, la validité du modèle VaR est remise en question Lopez (1999).

6.1. Test de Kupiec

Pour comparer plusieurs méthodes de calcul de la VaR, nous allons utiliser la


définition précédente du Backtesting, et construire un intervalle de confiance
bilatérale. On définit également l’échantillon d’estimation utilisé pour estimer le
modèle en question, et prédire la VaR du portefeuille, puis l’échantillon
d’évaluation pour évaluer le modèle obtenu. Nous allons également calculer le
nombre de jours dans l’échantillon d’évaluation où la perte du portefeuille est
supérieure à ce que le laisser prédire la VaR. La division de ce nombre par la
taille de l’échantillon, nous fournira le « failure-rate ».
Par la suite, cette grandeur sera comparée au quantile p à gauche de la
distribution, utilisé pour le calcul de la VaR. Si les grandeurs se rapprochent,
notre prévision de la VaR du portefeuille est précise, dans le cas contraire, le
modèle doit être rejeté.

Kupiec (1995) a développé un test de rapport de vraisemblance afin de pouvoir


rejeter ou de retenir le modèle de la VaR. Ce test évalue tout modèle VaR d’une
façon bilatérale. D’une part si le nombre de violations est trop élevé, le modèle
peut être rejeté, indiquant l’échec du modèle dans l’estimation de la VaR. D’autre
part, un modèle peut être rejeté si le nombre de violations est trop faible voire nul.
Concernant le premier cas, un modèle agressif qui sous-estime le niveau du risque
et incite l’institution financière à prendre des positions trop risquées, alors que
dans le deuxième cas, un modèle conservateur qui entraine une perte
d’opportunités d’investissements et donc de profits.

204
Le test de Kupiec montre que si l’on suppose que la probabilité d’une exception
est constante, alors que le nombre d’exception N suit une distribution binomiale
dans l’échantillon de taille T :

æT ö
f ( x) = ç ÷ p N (1 - p )
T -N

èNø

Un modèle de la Value-at-Risk adéquat doit fournir des estimations VaR, avec


æNö
une couverture inconditionnelle (taux d’échec) pˆ = ç ÷ égal au taux de
èT ø
couverture désiré p correspondant à un niveau de confiance donné (1% pour un
niveau de confiance de 99% et 5% pour 95%).
Donc sous l’hypothèse nulle de l’adéquation du modèle, la statistique du rapport
de vraisemblance se définit comme suite :

(
LRUC = 2 élog pˆ N (1 - pˆ ) ) ( )ùûú
T -N

- log p N (1 - p )
T -N

ëê
Sous l’hypothèse nulle, la statistique LR suit un Khi-deux à un degré de liberté
c 2 (1) . Pour un niveau de confiance (1 - a ) , nous pouvons vous construire un
intervalle de confiance qui indiquera si le modèle doit être rejeté ou pas.
Conformément à la à convention, alpha est égale 5%. Le tableau suivant indique
les régions d’acceptation pour différentes valeurs du quantile et de T .

Régions d’acceptation du test de Kupiec

Le test de Kupiec est capable d’éliminer les modèles VaR les moins performants,
sa couverture inconditionnelle représente son inconvénient majeur. Ce test est

205
incapable de prendre en considération la dynamique temporelle des exceptions, et
peut accepter des modèles VaR quel que soit la distribution des violations durant
l’échantillon.
En effet, les clusters d’exceptions peuvent être un signal d’alarme d’une mauvaise
spécification du modèle de volatilité puis une incapacité à réagir face aux chocs
du marché financier.

6.2. Le modèle RiskMetrics et la VaR normale (NVaR)

Le fondement théorique de la méthodologie de calcul de la volatilité par


Riskmetrics consiste sur l’utilisation d’un modèle de lissage exponentiel simple de
Brown (1962) sur le carré des rendements des titres financiers pour estimer la
variance conditionnelle des rendements est modélisée par un processus IGARCH
(1,1) sans constante où la moyenne conditionnelle des rendements est supposée
être nulle et la covariance n’intervient pas dans le processus de modélisation.
Dans notre thèse, nous apprécions la validité empirique des autres modèles par le
modèle Riskmetrics qui reste comme une référence. Nous modélisons la série des
rendements par un modèle ARMA(1,1)-GARCH(1,1) dont la loi de distribution
des erreurs est supposée normale « NVaR ». Par conséquent, nous effectuons le
backtesting d’une VaR normale à la fois pour le modèle Riskmetrics et NVaR. La
raison pour laquelle nous faisons appel aux deux stratégies d’échantillonnage.

6.2.1. La stratégie récursive

Cette stratégie de backtesting s’articule sur une technique d’augmentation


progressive de la taille de l’échantillon d’estimation au fur et à mesure que la
procédure du backtesting se déroule. Dans notre thèse, l’échantillon d’estimation
de la VaR contient 3484 données journalières de l’indice MASI allant du
04/01/1993 au 30/12/2006, et au long de cette échantillon, les paramètres estimés
du modèle ARMA(1,1)-GARCH(1,1) sont supposés constants.

206
La période du 01/01/2007 jusqu’au 31/12/2008 correspond à 510 données
journalières et sert d’échantillon de prévision le long duquel on effectue le
backtesting de la VaR estimée. Notre choix de cette échantillon de prévision des
modèles Value at Risk est basé l’existence de deux régimes de volatilité : l’année
2008 on a assisté à une augmentation spectaculaire de la volatilité des rendements
de l’indice MASI suite à la crise des subprimes américaines. Alors que durant
l’année 2007 est caractérisée par une volatilité assez faible.

Tableau 3.11 : Statistiques descriptives des rendements de MASI (2007-2008)

Année Moyenne Maximum Minimum std.Dev Skewness Kurtosis

2007 0,1164 1,45276 -1,35478 0,10407 -0,791635 7,210978

2008 -0,0561 4,34635 -1,64862 1,11061 -0,32589 9,566965

Graphique 3.3 : Représentation graphique des statistiques descriptives de MASI

On remarque d’après la figure ci-dessus une augmentation du kurtosis et du rang


(maximum+minimum) durant l’année 2008 par rapport à l’année 2007. Ce qui
plaide en faveur de l’utilisation de ces deux années comme échantillon de
prévision afin de mettre en évidence une alternance de deux régimes de volatilité.
L’estimation des paramètres du modèle ARMA(1,1)-GARCH(1,1) pour
l’échantillon de 3484 données journalières donne les résultats suivants :

207
Tableau 3.12 : Estimation des paramètres du
modèle ARMA(1,1)-GARCH(1,1)

Dependent Variable: RMASI


Method: ML - ARCH (Marquardt) - Normal distribution
Date: 04/30/13 Time: 01:05
Sample (adjusted): 1/05/1993 12/29/2006
Included observations: 3482 after adjustments
Convergence achieved after 19 iterations
MA backcast: 1/04/1993, Variance backcast: ON

Coefficient Std. Error z-Statistic Prob.

AR(1) 0.532709 0.022645 32.35630 0.0000


MA(1) -0.448705 0.030394 -14.76275 0.0000

Variance Equation

C 1.02E-06 7.96E-08 12.76384 0.0000


ARCH(1) 0.280560 0.009764 28.53535 0.0000
GARCH(1) 0.746823 0.006980 106.9895 0.0000

Pour notre échantillon de prévision de taille 510 jours où le backtesting est


comprise entre 2 et 10 pour un degré de confiance de 99%, et entre 17 et 35 pour
un degré de confiance de 95%.
D’après notre étude de backtesting on a trouvé les résultats suivants concernant
les violations qui surviennent respectivement aux deux degrés de confiance 95%
et 99%.

Tableau 3.13 : Backtesting des modèles NVaR et Riskmetrics (SR)

Degré de confiance Modèle de risque


NVaR Riskmetrics
95% 41 41
99% 20 20

On remarque que les deux modèles NVaR et Riskmetrics ont la même


performance en termes de backtesting. Le nombre des violations enregistré se
situe dans la zone de rejection du test de Kupiec, ce qui nous permet de rejeter ces
deux modèles aux degrés de confiance de 95% et 99%.

208
6.2.2. La stratégie mobile

Cette stratégie est tout à fait différente à la stratégie récursive, car nous allons
recourir à une stratégie d’échantillonnage se basant sur la technique de la fenêtre
mobile (rolling window). La taille de cette fenêtre mobile qui constitue
l’échantillon d’estimation de la VaR est de 1498 données journalières allant du
29/12/2000 au 29/12/2006, cette taille de l’échantillon reste constante durant toute
la durée du backtesting.
Nous utilisons le même échantillon de backtesting que celui utilisé par la stratégie
récursive constitué de 510 données journalières allant du 01/01/2007 au
31/12/2008. L’estimation les paramètres du modèle ARMA(1,1)-GARCH(1,1)
donne les résultats suivants :

Tableau 3.14: paramètres du modèle ARMA(1,1)-GARCH(1,1)

Dependent Variable: RMASI


Method: ML - ARCH (Marquardt) - Normal distribution
Date: 04/30/13 Time: 16:09
Sample (adjusted): 1/02/2001 12/29/2006
Included observations: 1496 after adjustments
Convergence achieved after 24 iterations
MA backcast: 12/29/2000, Variance backcast: ON
GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*GARCH(-1)

Coefficient Std. Error z-Statistic Prob.

AR(1) 0.520513 0.062992 8.263166 0.0000


MA(1) -0.209856 0.075989 -2.761663 0.0058

Variance Equation

C 4.51E-06 4.22E-07 10.68830 0.0000


RESID(-1)^2 0.271214 0.021264 12.75468 0.0000
GARCH(-1) 0.690702 0.014842 46.53763 0.0000

209
La stratégie mobile permet de réestimer les paramètres du modèle ARMA(1,1)-
GARCH(1,1), afin de prendre en compte les variations éventuelles de la volatilité
des rendements de l’indice MASI.
Les résultats du backtesting figurent sur le tableau suivant :

Tableau 3.15 : Backtesting des modèles NVaR et Riskmetrics (SM)

Degré de confiance Modèle de risque


NVaR Riskmetrics
95% 38 38
99% 16 16

Nous constatons d’après les résultats obtenus, les modèles NVaR et Riskmetrics
ont la même performance en termes de backtesting aux deux degrés de confiance
de 95% et 99%. Les violations enregistrées s’inscrivent en dehors de l’intervalle
d’acceptation d’un modèle VaR par le test de Kupiec (voir Annexe 2) aux degrés
de confiance de 95% et 99%, donc on peut rejeter ces deux modèles. Mais en
termes de performance, les résultats de la stratégie mobile mettent en évidence
une nette amélioration de la performance des modèles NVaR et Riskmetrics au
niveau de backtesting.

6.3. La loi de Student : StVaR

Le test de normalité ce qu’on a déjà fait précédemment, montre que la distribution


des rendements de l’indice MASI ne suit pas une loi normale.
Nous effectuons le même test, pour les deux échantillons d’estimation des deux
stratégies d’échantillonnage.

210
Figure 3.4 : Statistiques descriptives des rendements du MASI (T=3484)

1600
Series: RMASI
Sample 1/04/1993 12/29/2006
Observations 3484
1200
Mean 0.000601
Median 0.000355
800 Maximum 0.055637
Minimum -0.050167
Std. Dev. 0.006181
Skewness 0.327306
400 Kurtosis 13.33556

Jarque-Bera 15565.00
Probability 0.000000
0
-0.050 -0.025 -0.000 0.025 0.050

Figure 3.5 : Statistiques descriptives des rendements du MASI (T=1498)

600
Series: RMASI
Sample 12/29/2000 12/29
500
/2006
Observations 1498
400
Mean 0.000574
300 Median 0.000557
Maximum 0.055637
Minimum -0.050167
200 Std. Dev. 0.008044
Skewness 0.147894
100 Kurtosis 9.259481

Jarque-Bera 2449.378
0 Probability 0.000000
-0.050 -0.025 -0.000 0.025 0.050

D’après les figures ci-dessus le Kurtosis est supérieur à 3, témoigne de la


leptokurticité de la distribution empirique des rendements du MASI dans les deux
échantillons d’estimation de la VaR. La loi la plus largement utilisée
empiriquement étant la loi de Student. Ce qui plaide en faveur d’une
approximation de cette distribution par une loi de probabilité à queue épaisse.
Cette loi constitue une alternative à la loi normale qui a été développé par
Bollerslev (1987) comme une extension du modèle GARCH où la distribution
inconditionnelle du terme d’erreur ut est supposé non normale et à queue plus

épaisse que la loi normale. Par conséquent ut = vt ht où ht est la variance

conditionnelle, vt t ( 0, St , v ) est une t-distribution de Student à moyenne nulle, à

v degré de liberté et St = ht ( v - 2 ) / v est un paramètre d’échelle.

211
yt = E ( yt y t -1 ) + e t = yt t -1 + e t

e t y t -1 fv (e t y t -1 )

-1
æ v +1 ö æ v ö
( (v - 2)h ) ( )
-1/2 - ( v +1)/2
= Gç ÷Gç ÷ t t -1
´ 1 + e t2 ht-t1-1 (v - 2) -1
è 2 ø è2ø

Où y t -1 designe le champ s generé par toutes les informations disponibles à

travers le temps t - 1 .
f v ( e t y t -1 ) c’est la fonction de densité conditionnelle.

G(...) c’est une fonction Gamma.

La fonction de distribution de probabilité de la t-distribution de Student du terme


d’erreur ut s’exprime donc pas l’équation suivante :

æ v +1 ö
Gç ÷ - ( v +1)/ 2
è 2 ø -1/ 2 -1/ 2 æ ut2 ö
f (ut ) = ( v - 2 ) ht ç1 + ÷
ævö è ht (v - 2) ø
p Gç ÷
è2ø

Les paramètres du modèle de Student sont estimés par le maximum de la fonction


de log-vraisemblance sous la contrainte v > 2 .
La fonction de log-vraisemblance peut alors être exprimée par :

T
æ ut2 T
ö
l (q ) = T log ( D ) - (1/ 2 ) å log ( ht ) - ( (v + 1) / 2 ) å log ç1 + ÷
t =1 t =1 è h1 (v - 2) ø

æ v +1 ö
Gç ÷
Avec D = è
2 ø
( v - 2)
-1/2

ævö
p Gç ÷
è2ø
Donc la Value at Risk s’écrit alors : VaR = W0 Fv-1 ps t

Où F (...) est la fonction de répartition de la loi de t-Student centrée réduite.

212
W0 c’est la richesse initiale du portefeuille.

s t représente l’écart type conditionnel de la série des rentabilités.

6.3.1. La stratégie récursive

L’estimation d’un modèle ARMA(1,1)-GARCH(1,1) dont la loi de distribution


des erreurs est la loi de t-Student donne les résultats suivants :

Tableau 3.16 : Estimation des paramètres du modèle GARCH(1,1)

Dependent Variable: RMASI


Method: ML - ARCH (Marquardt) - Student's t distribution
Date: 05/01/13 Time: 13:39
Sample (adjusted): 1/05/1993 12/29/2006
Included observations: 3482 after adjustments
Convergence achieved after 20 iterations
MA backcast: 1/04/1993, Variance backcast: ON
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)

Coefficient Std. Error z-Statistic Prob.

C 0.000403 9.47E-05 4.255713 0.0000


AR(1) 0.696013 0.032450 21.44866 0.0000
MA(1) -0.452470 0.042192 -10.72400 0.0000

Variance Equation

C 1.55E-06 2.57E-07 6.020047 0.0000


RESID(-1)^2 0.322933 0.039504 8.174599 0.0000
GARCH(-1) 0.711503 0.020238 35.15534 0.0000

T-DIST. DOF 3.792453 0.215937 15.24537 0.0000

R-squared 0.099059 Mean dependent var 0.000601


Adjusted R-squared 0.097504 S.D. dependent var 0.006181
S.E. of regression 0.005872 Akaike info criterion -8.124060
Sum squared resid 0.119833 Schwarz criterion -8.111685
Log likelihood 14150.99 F-statistic 63.67983
Durbin-Watson stat 1.822044 Prob(F-statistic) 0.000000

Inverted AR Roots .70


Inverted MA Roots .45

213
Le degré de liberté estimé correspond à 3, 79 » 4 .
L’estimation des rendements de l’indice MASI par le modèle Value at Risk dont
la loi de distribution de probabilité est la loi de Student comme extension du
modèle GARCH donne les résultats suivants :

Tableau 3.17 : Backtesting du modèle StVaR

Degré de confiance StVaR


95% 34
99% 10

Le modèle StVaR n’a pas rejeté à la fois aux niveaux de confiance de 95% et
99%, car les violations enregistrées s’inscrivent à l’intervalle d’acceptation d’un
modèle VaR par le test de Kupiec aux degrés de confiance de 95% et 99%.
Toutefois, il est évident de faire appel à la loi de Student comme distribution de
probabilité des erreurs améliore la performance du modèle VaR, puisque les
violations sont moins nombreuses par rapport aux modèles Riskmetrics et NVaR.

6.3.2. La stratégie mobile

L’estimation d’un modèle ARMA(1,1)-GARCH(1,1) dont la loi de distribution


des erreurs est la loi de t-Student donne les résultats suivants :

214
Tableau 3.18 : Estimation des paramètres d’un modèle GARCH(1,1)

Dependent Variable: RMASI


Method: ML - ARCH (Marquardt) - Student's t distribution
Date: 05/01/13 Time: 14:58
Sample (adjusted): 1/02/2001 12/29/2006
Included observations: 1496 after adjustments
Convergence achieved after 16 iterations
MA backcast: 12/29/2000, Variance backcast: ON
GARCH = C(4) + C(5)*RESID(-1)^2 + C(6)*GARCH(-1)

Coefficient Std. Error z-Statistic Prob.

C 0.000526 0.000181 2.912812 0.0036


AR(1) 0.449364 0.067662 6.641296 0.0000
MA(1) -0.143003 0.078354 -1.825089 0.0680

Variance Equation

C 5.07E-06 1.17E-06 4.323657 0.0000


RESID(-1)^2 0.408074 0.077416 5.271150 0.0000
GARCH(-1) 0.619046 0.039891 15.51859 0.0000

T-DIST. DOF 5.858062 0.331861 10.11887 0.0000

R-squared 0.101992 Mean dependent var 0.000578


Adjusted R-squared 0.098353 S.D. dependent var 0.008045
S.E. of regression 0.007639 Akaike info criterion -7.415345
Sum squared resid 0.086892 Schwarz criterion -7.390496
Log likelihood 5553.678 F-statistic 28.18558
Durbin-Watson stat 1.945382 Prob(F-statistic) 0.000000

Inverted AR Roots .45


Inverted MA Roots .14

215
Le degré de liberté estimé correspond à 5.85 » 6 . Nous effectuons le backtesting
de notre modèle VaR basé sur la loi de Student StVaR comme distribution des
erreurs. Nous obtenons les résultats suivants :

Tableau 3.19 : Backtesting du modèle StVaR

Degré de confiance StVaR

95% 30

99% 8

Le modèle StVaR a accepté puisque le nombre de d’exceptions ne dépasse pas 35


violations au niveau de confiance de 95%. Il a également accepté à un niveau de
confiance de 99% puisque le nombre de violations ne dépasse pas les 10
violations. Toutefois, les résultats du backtesting mettent en évidence que la prise
en compte de la leptokurticité de la loi de distribution des erreurs grâce à la loi de
Student constitue une nette amélioration de la performance de la VaR
paramétrique comparativement aux modèles Riskmetrics et NVaR.

L’ensemble des résultats du backtesting correspondant aux différents modèles


Value at Risk avec les deux stratégies d’échantillonnage utilisées (récursive et
mobile) sont reportés dans le tableau suivant :

Tableau 3.20 : Backtesting des différents modèles VaR

Stratégie récursive Stratégie mobile


Modèle
95% 99% 95% 99%
Riskmetrics 41 20 38 16
NVaR 41 20 38 16
StVaR 34 10 30 8

216
D’après ces résultats intéressants, nous pouvons mettre en évidence que n’importe
quel modèle VaR utilisé avec quel que soit le degré de confiance choisi (95% et
99%), la stratégie mobile d’échantillonnage est largement supérieure à la stratégie
récursive en termes de performance du backtesting avec la prise en compte d’une
taille d’échantillon suffisamment large qui constitue la fenêtre mobile. Ce qui
nous permet d’effectuer des prévisions de très bonne qualité.
Le recours à la loi de Student qui est tout simplement une extension du modèle
GARCH, améliore la performance en termes de backtesting de la VaR. Donc
l’utilisation du modèle StVaR reste robuste pour la prévision de la volatilité des
rendements de l’indice MASI.

Les figures ci-dessous illustrent graphiquement les performances respectives des


différents modèles Value at Risk.

Figure 3.6 : Backtesting des modèles VaR (fenêtre de 510 données)

.06

.04

.02

.00

-.02

-.04

-.06

-.08
2007M07 2008M01 2008M07

RMASI VaR Normale


VaR Riskmetrics VaR Student

217
Figure 3.7 : Backtesting des modèles VaR (Période de crise des subprimes)
.04

.03

.02

.01

.00

-.01

-.02

-.03

-.04

-.05
2007M07 2007M08 2007M09 2007M10

RMASI VaR Normale


VaR Riskmetrics VaR Student

Selon le test de Kupiec, le modèle StVaR soit celui qui enregistre le minimum de
violations car il se situe à la limite de la zone de non rejection des modèles VaR.
Cela ne saurait nullement constituer une remise en doute de la validité du modèle
mais témoignerait plutôt de la puissance du modèle par rapport aux autres
modèles.
Au niveau de confiance de 99%, on peut conclure que le modèle StVaR est le
meilleur modèle VaR puisqu’il enregistre le score le plus bas de violations c'est-à-
dire qu’il assure la meilleure couverture possible contre les risques baissiers du
marché surtout dans notre cas d’étude : la période de crise des subprimes
américaines quel que soit le niveau de la volatilité atteint par le marché boursier
marocain.

218
Conclusion

Dans ce dernier chapitre nous avons apprécié, l’apport de l’approche théorique de


Markowitz à la résolution des problèmes de gestion de portefeuille en période
calme et extrême au sein de la place Casablancaise. L’application empirique
portant sur un échantillon des secteurs d’activité qui composent l’indice MASI,
nous a permis de sélectionner de portefeuilles efficients surtout en période de crise
des subprimes, avec un meilleur couple Rentabilité/Risque tout en convenant aux
objectifs d’horizon de placement de l’investisseur, surtout que ladite crise a
fortement perturbé l’évolution des cours de l’indice MASI.

Au début de notre étude économétrique, nous avons supposé que la distribution


des erreurs suit la loi normale. Nous avons supposé par la suite que les rendements
de l’indice MASI suivent une loi de Student afin de prendre en considération la
déviation par rapport à la loi normale qui consiste en un excès de kurtosis. Les
modèles basés sur cette hypothèse sont les modèles NVaR et Riskmetrics. Le
modèle StVaR n’est qu’une simple extension du modèle GARCH qui prend en
considération l’évolution dynamique de la volatilité, c’est pour cette raison que
nous avons recouru à la modélisation GARCH(1,1) pour estimer la Value at Risk
des rendements de MASI.

Les déˆérentes séries de rendements composant nos portefeuilles sont volatiles,


leptokurtiques et asymétriques. Elles conduisent à un rejet du test de normalité de
Jarque-Bera. On constate que les séries de rentabilités des actifs sectoriels
(Agroalimentaire/Production, Mines, Bâtiment et matériaux de construction et
Banques) sont celles qui possèdent la plus forte asymétrie et le plus fort
aplatissement et la plus forte volatilité. Nous distinguons clairement la présence
de clusters de volatilité dans les déˆérentes séries retenues. La crise a fortement
perturbé l’évolution des cours du portefeuille global MASI.

219
Conclusion générale

L’objectif de notre thèse est l’étude de l’impact de la crise des subprimes


américaines sur le marché boursier marocain. Ce dernier a connu une chute
brutale sans précédente à cause de cette crise et l’indice MASI a perdu 20% en
même année (à court terme). Enfin la bourse des valeurs a connu en Mars 2008 (à
long terme), une volatilité de 70 milliards de dirhams.

Nous avons constaté, dans une première analyse, que la crise boursière (ou bien le
mini-krach) de la place casablancaise a déclenché à la fin de l’année 2007
jusqu’au l’année 2010, suite à une longue crise des subprimes aux Etats Unies. Un
excès de crédit conjugué à une mauvaise gouvernance dans l’industrie bancaire
peut générer des défaillances porteuses d’un risque systémique. Les dernières
turbulences intervenues sur les marchés financiers depuis l’été 2007 trouvent
leur origine dans le comportement fortement spéculatif des banques de second
rang, dans un contexte de finance libéralisée.
Partie des Etats Unis, cette crise s’est propagée aux marchés financiers
émergents comme le Maroc et fait redouter une récession économique. En dépit
d’une forte réglementation des marchés financiers, la crise des crédits
hypothécaires à risque a révélé les pratiques abusives de certains établissements
et l’opacité d’opérations d’ingénierie financière qui, par une forte dispersion du
risque et un effet de contagion, continuent d’affecter la sphère financière de
l’économie marocaine.

Nous avons par la suite essayé de montrer empiriquement l’impact de cette crise
immobilière américaine sur le marché boursier marocain, en se référant à une
étude d’événement avant la date du 10 Juillet 2007 (début de la crise des
subprimes) et après l’annonce de l’événement dans le but d’étudier les rendements
des entreprises cotées en bourse à court terme et à long terme.

220
Dans une optique de court terme, les résultats obtenus qui révèlent des rentabilités
anormales moyennes positives et significatives pendant les quatre jours suite à
l’annonce de l’événement (crise des subprimes). L’information sur le
déclenchement de la crise des subprimes américaines affecte le comportement des
acteurs financiers qui réagissent favorablement. On peut affirmer que le marché
boursier marocain est efficient dans la mesure où l’intégration de l’information
s’est opérée d’une façon assez rapide.

Dans le cas du long terme, nous avons étudié les performances boursières des 53
entreprises cotées en bourse de Casablanca au cours d’une année avant
l’événement et de trois ans après la date de l’annonce de la crise des subprimes.
Les résultats de notre étude confirment qu’en moyenne les sociétés marocaines
surperforment leurs benchmarks durant l’année précédant l’annonce de la crise.
Ce phénomène s’inverse après la date de l’annonce de la crise car on constate en
effet une sous-performance à long terme de quelques entreprises marocaines
cotées en bourse de Casablanca ce qui correspond à un phénomène de sous-
réaction. Ce qui veut dire que ces entreprises n’ont anticipé que partiellement la
dégradation de la performance de l’indice MASI au moment de l’annonce de la
crise des subprimes.

Pour garantir la fiabilité de nos résultats empiriques, nous avons étudié les
caractéristiques statistiques en termes de normalité et de stationnarité des séries
boursières d’un échantillon de 9 actifs sectoriels pendant la période allant de 01
janvier 2007 au 31 décembre 2008 (période de la crise des subprimes
américaines). Nous avons abouti à un choix de portefeuilles efficients (Secteurs :
Assurances, Télécommunication, L’immobilier et Pétrole et Gaz) en se basant
sur les principes de sélection de portefeuille optimal développés par Markowitz.

Nous avons constaté une volatilité des prix du cours de l’indice MASI surtout en
période de la crise des subprimes, or les traders de la bourse des valeurs de
Casablanca et des sociétés de bourse n’utilisent pas des modèles de gestion des
risques du marché assez pertinente et ce malgré les recommandations du comité
du Bâle auprès des opérateurs financiers de recourir à des modèles internes

221
comme la Value-at-Risk. Nous appliquons le modèle VaR sur la série temporelle
des rentabilités de l’indice boursier marocain le MASI selon deux stratégies.
La première est basée sur une technique récursive d’échantillonnage. La VaR est
estimée sur la base d’un échantillon de données de taille croissante qui s’enrichit
d’une donnée supplémentaire à chaque pas de temps. La validation du modèle
s’effectue sur un échantillon de backtesting de 510 données qui correspond à
l’année 2007 et 2008, c’est-à-dire à une période de la crise des subprimes où la
volatilité est extrêmement élevée. La deuxième stratégie d’estimation fait appel à
une technique d’échantillonnage basée sur une fenêtre temporelle mobile de 3484
données journalières (Moving Window), dont l’objectif est de tester la
performance de nos modèles VaR sur un intervalle de données suffisamment large
où coexistent deux régimes de volatilité : un régime de basse volatilité et un
régime de volatilité extrême (crise).

La stratégie mobile d’échantillonnage est largement supérieure à la stratégie


récursive en termes de performance du backtesting. Quel que soit le degré de
confiance choisi, et quel que soit le modèle VaR utilisé. Le recours à une loi de
Student améliore la performance en termes de backtesting de la VaR. Mais cette
supériorité est renforcée par le fait que la taille de l’échantillon qui constitue la
fenêtre mobile est suffisamment large. La prise en compte de la leptokurticité de
la loi de distribution des erreurs est en mesure de conférer au modèle VaR plus de
robustesse. On peut ainsi conclure que le modèle StVaR est le meilleur modèle
VaR au niveau de confiance de 99% puisqu’il enregistre le score le plus bas de
violations c'est-à-dire qu’il assure la meilleure couverture possible contre les
risques baissiers du marché quel que soit le niveau de la volatilité atteint par le
marché boursier marocain. Nous avons montré en outre que les tests de
backtesting confirment la surperformance du modèle StVaR par rapport aux
modèles RiskMetrics et NVaR en période de crise des subprimes.

En effet, le modèle StVaR préconise une très forte immobilisation de réserves en


capital afin de faire face au risque du marché boursier marocain. Mais, le fait que
le modèle StVaR soit extrêmement conservateur même en régime de basse
volatilité risque de poser un véritable challenge pour le marché boursier marocain
qui souhaiterait l’adopter en tant que modèle de risque de marché en périodes

222
calme et extrême. Toutefois, si cette propriété peut être amplement justifiée
lorsque le marché financier se situe au sein d’un régime de haute volatilité, il n’en
reste pas moins qu’elle perd toute sa pertinence dans un régime de basse volatilité.
Nous recommandons donc aux opérateurs financiers marocains d’utiliser ce
modèle StVaR. Il permet une allocation optimale des capitaux propres dans une
institution bancaire ou financière.

Pour illustrer ce résultat et dans le cadre de gestion du risque du marché boursier


marocain, nous avons appliqué le modèle StVaR sur l’indice boursier marocain le
MASI. Cet indice est composé de 53 sociétés cotées à la bourse de Casablanca, et
il représente le portefeuille de marché. Cependant, concrètement les portefeuilles
d’investissement des grandes institutions financières, sont composés de fonds de
pension, ou encore de fonds constitués d’une grande diversité d’actifs financiers :
les monnaies, produits de taux, les actions, les obligations, les produits dérivés, les
matières premières, etc. L’étude de ces portefeuilles dans les périodes (calme et
crise) constitue une extension naturelle de notre thèse.

223
Bibliographie

Abhyankar, Abhay & Ho, Keng-Yu, “Long-Run Abnormal Performance


Following Convertible Preference Share and Convertible Bond Issues: New
Evidence from the UK”, International Review of Economics and Finance, In
Press, Corrected Proof, Available online 1 June 2004.

Alexandre H. et Ertur K.C. (1994), “Impact de l’intervalle


d’échantillonnage sur les tests d’efficience : application au marché français
des actions”, Finance, Vol. 15, pp 7-27.

Alexander, C. (1998), “Value at Risk,Risk Management and Analysis”.Vol.1:


Measuring and Modeling Financial Risk ,pp.125-171.John Wiley&Sons
Ltd,UK

Amihud, Y. et Mendelson H., 1987, “Trading Mechanisms And Stock


Returns: An Empirical Investigation”, Journal of Finance, v42(3), 533-553.

Amenc N. et Le sourd V. (2002), “Théorie du Portefeuille et Analyse de sa


Performance”, Economica.

Andrews D. (1991), “ Heteroscedasticity and Autocorrelation Consistent


Covariance Matrix Estimation”, Econometrica, Vol. 59, pp. 817-858

Arturs P. et Bourguinat H. (1989), “Théorie économique et crises des


marchés financiers”, Economica.

Atron S. (2002) : « les performances des titres suite aux annonces des
résultats : sous-et/ou Phénomène Hasardeux ? Application des modèles à
facteurs de Fama et French (1993) et Carhart (1997)- Cas du marché
français ». Institut de Recherche en Gestion (IRG).

Azour J.B (1997) : « Marchés boursiers des pays émergents : une grande
diversité dans le développement », Revue Banque, n°582, Juin.

Bachelier L. (1964), Theory of Speculation, in, P. Cootner, The Random


Character of Stock Market Prices, Cambridge, MA,

Baillie R. Bollerslev T. et Mikkelsen, H. (1996), Fractionally Integrated


Generalized Autoregressive Conditional Heteroscedasticity Journal of
Econometrics, pp 3-30.

Bakir K. (2002) : L'efficience des marchés financiers des pays émergents:


l'exemple de la bourse de Casablanca. Thése de doctorat en sciences de
gestion. Université Orléans.

224
Banz, Rolf W., (1981), "The Relationship Between Return And Market Value
Of Common Stocks," Journal of Financial Economics, v9(1), 3-18.

BCBS, (1996) “a. Amendment to the Capital Accord to Incorporate Market


Risks”. Basel Committee Publication No. 24.

BCBS, (1996 b). “Supervisory Framework for the Use of ‘BackTesting’ in


Conjunction with the Internal Models Approach to Market Risk Capital
Requirements”. Basel Committee Publication No. 22.

Barber Brad & Lyon John, “Detecting Long-Run Abnormal Stock Returns :
the Empirical Power and Specification of Test Statistics,” Journal of
Financial Economics 43(3), Mars 1997, 341-372.

Barber Brad, Lyon, John & Tsai, Chih-Ling, “Improved Methods for Tests
of Long-Run Abnormal Stock Returns,” Journal of Finance 54(1), 165-201.

Barberis Nicholas, Shleifer Andrei & Vishny Robert, “A Model of Investor


Sentiment,” Journal of Financial Economics 49(3), Septembre 1998, 307-
343.

Basel Committee on Banking Supervision (BCBS). (1988). “International


Convergence of Capital Measurement and Capital Standards”. Basel
Committee Publication No. 4.

Basle committee on banking supervision (1996a) Amendment to the capital


Accord to incorporate market risks.

Basle committee on banking supervision (1996b) Supervisory Framework


for the Use of Backtesting in Conjuction with the Internal Models Approach
to Market Risk Capital Requirements.

Beder, T. S. (1995), VaR: seductive but dangerous, Financial Analyst


Journal, Sep-Oct,12-24

Benhmad F. (2010) : La WVaR (Wavelet Value at Risk) : une analyse temps-


fréquence de la VaR du CAC40. Thése de doctorat en sciences économiques.
Université Montpellier 1.

Benston, George J. (1999). “Regulating Financial Markets: A Critique and


Some Proposals”. Washington, D.C.: AEI Press.

Bernard, Victor, “Cross-Sectional Dependence and Problems in Inference in


Market-Based Accounting Research,” Journal of Accounting Research 25(1),
Spring 1987, 1-48.

225
Bernard, Victor & Thomas, Jacob, “Post-Earnings–Announcement Drift:
Delayed Price Response or Risk Premium?” Journal of Accounting Research
(Supplement) 27, 1989, 1-36.

Bernard, Victor & Thomas, Jacob, “Evidence that Stock Prices do not Fully
Reflect the Implications of Current Earnings for Future Earnings,” Journal
of Accounting Research 13(4), Décembre 1990, 305-340.

Berrada M.A (2007), “Les techniques de banque de crédit et de commerce


extérieur au Maroc”, Editions SECEA.

Berra,A., Higgis,M.(1993) ARCH Models : “Properties, Estimation and


Testing” .Journal of Economic Survey,Vol.No.4. pp.307-366.

Berkowitz.J.(2001). “Testing Density Forecasts With Applications to Risk


Management” .Journal of Busisness and Economic Statistics,19,465-474.

Bollerslev,T.(1986). “Generalized autoregressive conditional


heteroskedasticity,” Journal of Econometrics, 31,307–327.

Bollerslev, Tim, Ray Y. Chou, and Kenneth F. Kroner. (1992). “ARCH


Modelling in Finance: A Review of the Theory and Empirical Evidence”.
Journal of Econometrics 52 (1/2): 5-59.

Bourbonnais R. (1998), Econométrie, Dunod.

Bourbonnais R. et Terraza M. (2008), Analyse des séries temporelles en


économie. Collection Dunod.

Box, G.E.P. et Pierce, D.A.(1970), “Distribution of Residual Autocorrelation


in ARIMA Time series Models”, Journal of the American Statistical
Association,65,1509-1526.

Box,G.E.P. et Jenkins,G.M.(1970), “Time series analysis, Forecasting and


Control”. San Francisco, Holden Day.

Brav Alon, Geczy Christopher & Gompers Paul, “Is the Abnormal Return
Following Equity Issuances Anomalous,” Journal of Financial Economics
56(2). Mai 2000, 209-249 ;

Bresson G. et Pirotte A. (1995), Econométrie des séries temporelles : Théorie


et application, PUF.

Brock,W.A.,Dechert W.D et Scheinkman J.A(1987), “A Test for


Independence Based on the Correlation Dimension’’, Working
paper,University of Wisconsin.

226
Burlacu Radu, “New Evidence on the Pecking Order Hypothesis : the Case
of French Convertible Bonds,” Journal of Financial Management 10(3-4),
Décembre 2000, 439-459.

Butler, J. and Schachter, B. (1998),“Estimating Value-at-Risk with a


Precision Measure by Combining Kernel Estimation with Historical
Simulation”, Review of Derivatives Research 1: 371–390

Campbell, J. Y., Lo, A. W, and A. C. McKinley. “The Econometrics of


Financial Markets,” manuscript, June (1995).

Campbell,S.(2005), “A Review of Backtesting and Backtesting Procedures


Finance and Economics Discussion Series”, Divisions of Research
&Statistics and Monetary Affairs, Federal Reserve Board,Washington,D.C.

Charest G. (1997), “Rendement, risque et portefeuille”, Encyclopédie des


marchés financiers, Economica.

Christoffersen, Peter F., and Francis X. Diebold. (2000). “How Relevant is


Volatility Forecasting for Financial Risk Management?” The Review of
Economics and Statistics 82 (1): 12-22.

Christoffersen,P., and Pelletier,D. (2004),“Backtesting Value-at-Risk: A


Duration-Based Approach”, Journal of Empirical Finance, 2, 84-10

Claessens S., Dasgupta S., Glen J., (1995), «Return Behavior in Emerging
Stock Markets", The World Bank Economic Review, v9 (1), Janvier

Cobbaut R. (1994), Théorie Financière, 3ème édition, Paris, Economica.

Dalhaus,R.(1997),“Fitting time series models to non stationary processes”.


Ann.Statist.,25,1-37.

Darne O. et Terraza M. (2002), “Les tests de non stationnarité des séries


temporelles non saisonnières : Une revue de la littérature”, Document de
travail du LAMETA, Université de Montpellier I.

De Bondt, Werner & Thaler, Richard, “Does The Stocks Market


Overreact?” Journal of Finance 40(3), Juillet 1985, 793-808.

De Bondt, Werner & Thaler, Richard, “Further Evidence of Investor


Overreaction and Stock Market Seasonality,” Journal of Finance 42(3),
Juillet 1987, 557-581.

DeLong J.B., Schleifer.L. , Summers H. et Waldman R. (1990): « Noise


Trader Risk in Financial Markets », Journal of Political Economy, 98 : 703-
538.

227
Dickey,D.A & Fuller.W.A.(1981),“Likehood Ratio Statistics for
Autoregressive Time Series With a Unit Root”,Econometrica,49,1057-1072.

Dickey, D.A & Fuller,W.A.(1979), “Distribution of the Estimators for


Autoregressive Time series With a Unit Root”, Journal of the American
Statistical Association, 74, 427-431.

Ding,Z.,Granger,C.W.,Engle,R.(1993),“A long memory property of stock


markets returns and a new model”. Journal of Empirical finance1, 83-106.

Down,K(1998). “Beyond Value at Risk :The new science of risk


management”. John Wiley&Sons,Chichester.

Ducassy Isabelle, “Déterminants de la Réaction du Marché Français aux


Emissions de Titres à Caractère d’Action,” Banque et MarchÈs 64, Mai
2003, 46-58.

Eckbo Espen, Masulis Ronald & Norli, Oyvind, “Seasoned Public Offerings
: Resolution of the ‘New Issues Puzzle’,” Journal of Financial Economics
56(2), Mai 2000, 251-291.

El Bouhadi A. (2008): Construction d’un portefeuille efficient : Application


empirique à partir d’un échantillon de valeurs cotées à la Bourse des Valeurs
de Casablanca. Faculté de Droit de Marrakech, Université Cadi Ayyad,
Marrakech.

Engle, R. F. (1982), “Autoregressive conditional heteroskedasticity with


estimates of the variance of UK inflation,” Econometrica, 50, pp. 987–1007.

Engle, R.F et S.Maganelli (2001). “Value at Risk models in Finance”,


European central bank, Working paper n°75.

Fama, E.F., 1965, "The Behavior Of Stock Market Prices", Journal of


Business, v38, 34-105

Fama E.F et Miller M.H. (1972), “The Theory of Finance”, New York, Holt,
Rinehart and Winston.

Fama, E.F. (1991), “Efficient Capital Markets”, Journal of Finance, v46,


1575-1617

Fama E. (1998), « Market efficiency, long-term returns and behavorial


finance », Journal of Financial Economics, 49, 283-306.

Fama E. et French K. (1993), « Common risk factors in the returns of bonds


and stocks », Journal of Financial Economics, 33, 3-56.

228
French K.R., (1980), "Stock Returns And The week-end Effect" Journal Of
Financial Economics V8, March, 55-70.

Giot,P., Laurent,S. (2003), “Value at risk for long and short trading
positions”. Journal of applied econometrics 18, 641-663.

Giot,P.Laurent, S. (2002),“Market risk in commodity markets : a VaR


approach”, Manuscript.

Glosten,L,R, Jagannathan,R,Runkle ,D,E(1993). “On the relation between


the expected value and the volatility of the nominal excess returns on stocks”,
Journal of Finance 48, 1779-1801.

Genotte G., et Leland H.(1990), « Market Liquidity, Hedging, and Crashes »,


American Economic Review, 80(5), 999-1021.

Gençay,R.,Selçuk,F.,et Ulugülyagci,A.(2002), “High volatility,thick tails and


extreme value theory in value at risk estimation”.Manuscript,Department of
Economics, Bilkent University.

Granger.C.W.J., Starica,C(2005), “Non stationarities in stock returns”,The


review of economics and statistics,87

Grayling, S., editor, (1997), VaR: Understanding and Applying Value-at-Risk,


London: Risk.

Hamon J et Jacquillat B, (1992), " Le Marché Français Des Actions : Etudes


Empiriques 1977-1991", PUF Paris.

Hamon Jacques & Jacquillat Bertrand, Recherches en Finance du CEREG,


Paris : Economica, 1994.

Hansen, Robert & Crutchley, Claire, “Corporate Earnings and Financings :


an Empirical Analysis,” Journal of Business 63(3), Juillet 1990, 347-371.

Hendricks, D. and B. Hirtle, (1997), Bank Capital Requirements for Market


Risk: The Internal Models Approach, Federal Reserve Bank of New York
Economic Policy Review 3 (December), 1-12.

Hendricks, Darryl. (1996), “Evaluation of Value-at-Risk Models Using


Historical Data,” Federal Reserve Bank of New York Economic Policy Review.

Hong H. et Stein J.C. (1999), « A unified theory of underreaction, momentum


trading and overreaction in asset markets », Journal of Finance, 54, 2143-
2184.

Hong H., Lim T et Stein J.C (2000), « Bad News Travel Slowly : Size, Analyst
Coverage, and The Profitability of Momentum Strategies », The Journal of
Finance, 55 :265-259.

229
Ikenberry, David, Lakonishok, Josef & Vermaelen, Theo, “Market
Underreaction to Open Market Share Repurchases,” Journal of Financial
Economics 39(2-3), Octobre-Novembre 1995, 181-208.

J.P. Morgan & Co., Inc., Arthur Andersen & Co. SC, and Financial
Engineering Limited, The J.P .Morgan /Arthur Andersen Guide to Corporate
Exposure Management, published by RISK magazine, (1994).

J.P. Morgan. (1995). “RiskMetrics”. Technical Manual

Jacquillat B. et Solnik B. (1996), Marchés financiers : “Gestion de


portefeuille et des risques”, 2ème édition, Dunod.

Jackson, P., D. Maude and W. Perraudin, (1997), Bank Capital and Value-at-
Risk, Journal of Derivatives 4 (spring), 53-90, and 1997, in Grayling, S.,
editor, VaR: Understanding and Applying Value-at-Risk, London: Risk, 153-
185.

Jarque C.M et Bera A.K (1980), “Efficient Test for Normality


Homoscedasticity and Serial Independence of Regression
Residuals”.Economics Letters 6,255-259.

Jegadeesh, Narasimhan & Titman, Sheridan, “Returns to Buying Winners


and Selling Losers: Implications for Stock Market Efficiency,” Journal of
Finance 48(1), Mars 1993, 65-91.

Jegadeesh, Narasimhan & Titman, Sheridan, “Profitability of Momentum


Strategies: an Evaluation of Alternative,” Journal of Finance 56(2), Avril
2001, 699-720.

Jewell, Jeff & Livingston, Miles, “The Long-Run Performance of Firms


Issuing Bonds,” Journal of Fixed Income 7(2), Septembre 1997, 61-66.

Jorion, Philippe. (1995).“Predicting Volatility in the Foreign Exchange


Market,” Journal of Finance, 2, pp.507–528.

Jorion, Philippe. 1995. “Risk 2: Measuring the Risk in Value-at-Risk”.


Financial Analysts Journal 52 (November): 47-56.

Jorion,P (2000), “The Value et Risk Field book: The complete Guide to
Implementing VaR”. McGraw-Hill.

Jorion,P (2001), “Value-at-Risk :The Benchmark for Managing Market


Risk” McGraw-Hill, Chicago.

230
Kadiyala, Padmaja & Raghavendra, Rau, “Investor Reaction to Corporate
Event Announcements: Underreaction or Overreaction?” The Journal of
Business 77(2), Avril 2004, 357-386.

Kahneman D. et Tversky A. (1979) : « Prospect Theory : An Analysis of


Decision under Risk », Econometrica, 47 (2), 263-291.

Kahneman, Daniel & Tversky, Amos, “On the Psychology of Prediction,”


Judgment Under Uncertainty : Heuristics and Biases, in Kahneman,
Daniel, Slovic, Paul & Tversky, Amos, Cambridge : Cambridge University
Press , 1982.

Kang Jun-Koo, Kim, Yong-Cheol & Stulz, Rene, “The Underreaction


Hypothesis and the New Issue Puzzle :Evidence from Japan,” The Review of
Financial Studies 12(3), 1999, 519-534.

Keim D.B., (1983), " Size-related Anomalies And Stock Return Seasonality:
Further Empirical Evidence", Journal of Financial Economics, 25,
November, 75-97.

Knight,F.(1921). “Risk, Uncertainty and Profit”. New York, Shaffner and


Marx

Kuester,K., Mittnik.S., Paolella,M.(2006) “Value at risk predictiosn : A


comparaison of alternatives strategies”. Journal of Financial Econometrics
4, 53-89.

Kupiec, P., (1995), “Techniques for Verifying the Accuracy of Risk


Measurement Models”, Journal of Derivatives 3 (winter), 53-84, 1996, in
Risk Measurement and Systemic Risk.

Kwiatkowski D., Phillips P.C.B., Schmidt P.et Shin Y. (1992), Testing the
Null Hypothesis of Stationarity Against the Alternative of a Unit Root. How
Sure Are We that Economic Time Series Have a Unit Root? , Journal of
Econometrics, 54,159-178.

Kyrtsou.C, Labys.W, Terraza, M (2001), Noisy chaotic Dynamics in


commodities markets, Empirical Economics, vol29,n°3,pp.489-502.

Lardic S. et Mignon V. (2002), Econométrie des séries temporelles


macroéconomiques et financière, Economica, p.121-202.

Latham M. (1986), “Informational Efficiency and Information Subsets”.


Journal of Finance, v41(1),39-52.

Lee, Inmoo & Loughran, Tim, “Performance Following Convertible Bond


Issuance,” Journal of Corporate Finance 4(2), Juin 1998, 185-207.

231
Lewis Craig, Rogalski, Richard & Seward, James, “The Long-Run
Performance of Firms that Issue Convertible Debt : an Empirical Analysis of
Operating Characteristics and Analyst Forecasts,” Journal of Corporate
Finance 7(4), Décembre 2001, 447-474.

Lewis Craig, Rogalski Richard & Seward James, “Industry Conditions,


Growth opportunities and Market Reactions to Convertible Debt Financing
Decisions,” Journal of Banking and Finance 27(1), Janvier 2003, 153-181.

Loughran, Tim & Jay, Ritter, “The New Issues Puzzle,” Journal of Finance
50(1), Mars 1995, 23-51.

Loughran, Tim & Jay, Ritter, “Uniformly Least Powerful Tests of Market
Efficiency,” Journal of Financial Economics 55(3), Mars 2000, 361-389.

Lopez, Jose A. (1999). “Regulatory Evaluation of Value-at-Risk Models”.


The Journal of Risk 1 (2): 37-63.

Lopez, J.A.(1999a) “Regulatory Evaluation of Value-at-Risk Models”,


Journal of Risk,A.37-64.

Lopez, J.A.(1999b). “Methods for Evaluating Value-at-Risk” Models Federal


Reserve Bank of San Francesco Economic Review,2,3-17.

Lima,R., Néri,B.(2007). “Comparing value-at-risk methodologies”


.Brazilian Review of Econometrics 27,1-25.

Lubochinsky,C., Grouard,M.H.,Levy,S.(2003) “ La volatilité boursière des


constats empiriques aux difficultés d’interprétation” . Banque de France

Lumsdaine, R.L (1995). “Finite-Sample properties of the maximum


likelihood estimator in GARCH (1,1) and IGARCH (1,1) Models: A Monte
Carlo Investigation,” Journal of Business and Economic Statistics,1, pp. 1–9.

Mc Neil,A.J.(1999). “Extreme value theory for risk managers”. Internal


Modeling and CAD II,Risk Books,pages 93-113.

Mai H. (1992), « Stratégie de sur-réaction et corrélation des rentabilités sur


le marché français des actions de 1977 à 1990 », Cahier de recherche du
CEREG, Université Paris-Dauphine.

Mai H. (1995), « Sur-réaction sur le marché français des actions au


règlement mensuel », Cahier de recherche du CEREG, Université Paris-
Dauphine.

Mai H.M, Rigobert M.J et Tchemeni E (1996), “Prévisibilité des rentabilités


sur le marché Jamaïcain des actions”.

232
Mandelbrot, B.,(1963), "The Variation Of Certain Speculative Prices,"
Journal of Business, v36(4), 394-419.

Mann, Steven, Moore, William & Ramanlal, Pradipkumar, “Timing of


Convertible Debt Issues,” Journal of Business Research 45(1), Mai 1999,
101-105.

Mayers, David, “Why Firms Issue Convertible Bonds, the Matching of


Financial and Real Options,” Journal of Financial Economics 47(1), Janvier
1998, 83-102.

McLaughlin, Robyn, Safieddine, Assem & Vasudevan, Gopala, “The Long-


Run Performance of Convertible Debt Issuers,” Journal of Financial
Research 21(4), Winter 1998, 353-388.

Mikkelson, Wayne & Partch, Megan, “Valuation Effect of Security Offerings


and the Issuance Process,” Journal of Financial Economics 15(1-2), Janvier-
Février 1986, 31-60.

Mitchell, Mark & Stafford, Erikm, “Managerial Decisions and Long-Term


Stock Price Performance,” Journal of Business 53(3), Juillet 2000, 287-329.

Modigliani, Franco & Miller, Merton, “The Cost of Capital, Corporation


Finance and the Theory of Investment,” The American Economic Review
48(3), Juin 1958, 261-297.

Mourgues, Nathalie, Financement et Co˚t du Capital de líentreprise. Paris :


Economica, 1993.

Markowitz,H.M.(1952) “Portfolio Selection”, Journal of finance 7,pp. 77-91.

Mignon V. (1998), “Marchés financiers et modélisation des rentabilités


boursières”, Economica.

Myers, Stewart & Majluf, Nicholas, “Corporate Financing and Investment


Decisions when Firms Have Information that Investors do not Have,”
Journal of Financial Economics 13(2), Juin 1984, 187-221.

Nivoix S. (2000), “ Rentabilité et risque des actions européennes: Une


analyse au travers du PER et du Book-to-Market”, Gestion 2000, n°5-2000.

Phelps E.E. (1987), “Marchés spéculatifs et anticipations rationnelles”,


Revue Française d’Economie, pp. 10-26.

Press J. (1967), “A Compound Events Model for Security Prices”. Journal of


Business, 40, 317-335.

Peiro A. (2003), “Asymmetries and tails in stock index returns: Are their
distributions really asymetric?”.

233
Perron P. (1989), “The Great Crash, the Oil Price Shock, and the Unit Root
Hypothesis”, Econometrica, 57(6), 1362-1401.

Piget P. (2004), Gestion de Portefeuille, Economica.

Phillips P.C.B et Perron P. (1988), “Testing for a Unit Root in a Time Series
Regression”, Biometrika, 75, 335-346.

Rabemanajara R. et Batt N. (1991), “ Distribution empirique des rendements


des actions et modèles ARCH”, congrés international de l’AFFI, Louvain.

Ritter, Jay, “The Long-Run Performance of Initial Public Offerings,”


Journal of Finance 46(1), Mars 1991, 3-27.

Reinganum, MR., (1983), " A Direct Test Of Roll’s Conjecture On Firm Size
Effect”, The Journal of Finance, 37, March, p.27-35

Roll R., (1981), " A possible Explanation Of Small Firm Effect”, The Journal
of Finance, 36, september, p 879-888.

Roll R., (1983), " On Computing Mean Returns And The Small Firm
Premium”, The Journal of Financial Economics, 36, November, p 371-386.

Rozeff M.S et Kinney JR, (1976), "Capital Market seasonnality: The Case Of
Stock Returns" Journal Of Financial Economics, November, 379-402.

Schmidt P.et Phillips P.C.B (1992), LM Test for a Unit Root in the Presence
of Deterministic Trend, Oxford Bulletin of Economics and Statistics, 54,257-
287.

Sefcik, Stephan & Thompson, Rex, “An Approach to Statistical Inference in


Cross-Sectional Models with Security Abnormal Returns as Dependent
Variable,” Journal of Accounting Research 24(2), Autumn 1986, 316-334.

Smith,R.L.(1987) “Estimating tails of probability distributions”. Annals of


statistics, 15, 1174-1207.

Sharpe W.F. (1963), “A simplified Model for Portfolio Analysis”,


Management Science.

Spiess, Katherine & Affleck-Graves, John, “Underperformance In Long-


Run Stock Returns Following Seasoned Equity Offerings,” Journal of
Financial Economics 38(3), Juillet 1995, 243-267.

Spiess, Katherine & Affleck-Graves, John, “The Long-Run Performance of


Stock Returns Following Debt Offerings,” Journal of Financial Economics
54(1), Octobre 1999, 45-53

234
Stein, Jeremy, “Convertible Bonds as a Backdoor Equity Financing,”
Journal of Financial Economics 32(1), Août 1992, 3-21.

Stoll, H R. et Whaley R.E., (1990), "Stock Market Structure And Volatility,"


Review of Financial Studies, v3 (1), 37-71.

Stulz, Rene, “Managerial Discretion and Optimal Financing Policies,”


Journal of Financial Economics 26(1), Juillet 1990, 3-27.

Terraza,V.(2002) « Modélisation de la Value at Risk :Une évaluation de


l’approche Riskmetrics ». Thèse de Doctorat en sciences économiques de
l’université Panthéon-Assas Paris 2.

Terraza, V.(2002), « Modélisation de la Value at Risk duCAC40.Un essai


d’amélioration de l’approche Riskmetrics par la modélisation
hétéroscédastique saisonnière ». Acte de colloque, Journée d’économétrie de
Paris X, Nanterre, avril 2002.

Wilson,T.(1998), “Value at Risk. Risk Management and Analysis”.Vol.1:


Measuring and Modelling Financial Risk, pp.61-124.John Wiley &Sons
Ltd,UK.

Zangari,P.(1996), “A VaR methodology for Potfolios that include Options”.


Riskmetrics Monitor First Quarter:4-12.

Zarowin P. (1990), « Size, Seasonality, and Stok Market Overreaction »,


Journal of Financial and Quantitative Analysis, 25(1), 1

235
ANNEXES

236
Annexe 1 : Pondération des entreprises cotées en BVC
NOMBRE COURS FACTEUR FACTEUR DE CAPI-
CODE ISIN LIBELLE DE TITRES Moyen FLOTTANT PLAFONNEMENT FLOTTANTE POIDS
ITISSALAT AL-
MA0000011488 MAGHRIB 879095340 99,55 0,2 1 17502788219 0,1838
ATTIJARIWAFA
MA0000011926 BANK 203527226 324 0,25 1 16485705306 0,1531
MA0000011884 BCP 153141923 191 0,25 1 8267526823 0,0868
MA0000011835 BMCE BANK 179463390 200 0,2 1 7178535600 0,0754
DOUJA PROM
MA0000011512 ADDOHA 315000000 44,5 0,45 1 6307875000 0,0662
LAFARGE
MA0000012122 CIMENTS 17469113 970,1 0,25 1 4236696630 0,0445
WAFA
MA0000010928 ASSURANCE 3500000 2950 0,25 1 2581250000 0,0271
HOLCIM (
MA0000010332 Maroc ) 4210000 1449 0,4 1 2440116000 0,0256
MA0000011058 MANAGEM 9158699 1291 0,2 1 2364776082 0,0248
MA0000010811 BMCI 13278843 799 0,2 1 2121959111 0,0223
CIMENTS DU
MA0000010506 MAROC 14436004 610 0,2 1 1761192488 0,0185
MA0000010407 COSUMAR 4191057 1897 0,2 1 1590087026 0,0167
MA0000011819 ALLIANCES 12100000 427 0,3 1 1550010000 0,0163
CENTRALE
MA0000012049 LAITIERE 9420000 1505 0,1 1 1417710000 0,0149
MA0000011694 CGI 18408000 510,5 0,15 1 1409592600 0,0148
MA0000010951 AFRIQUIA GAZ 3437500 1639 0,25 1 1408515625 0,0148
MA0000010068 SMI 1645090 3900 0,2 1 1283170200 0,0135
MA0000011454 CIH 26608085 234,9 0,2 1 1250047833 0,0131
MA0000011801 LABEL VIE 2545277 1498 0,3 1 1143847484 0,012
MA0000012007 CNIA SAADA 4116874 1000 0,25 1 1029218500 0,0108
MA0000010969 AUTO HALL 48119790 67,12 0,3 1 968940091,4 0,0102
MA0000010803 SAMIR 11899665 256 0,3 1 913894272 0,0096
MINIERE
MA0000011793 TOUISSIT 1485000 1485 0,35 1 771828750 0,0081
MA0000010357 EQDOM 1670250 1800 0,25 1 751612500 0,0079
MA0000010381 CDM 9223916 510,1 0,15 1 705767932,7 0,0074
MA0000011710 ATLANTA 60190436 58,1 0,2 1 699412866,3 0,0053
BRASSERIES DU
MA0000010365 MAROC 2825201 2287 0,1 1 646123468,7 0,0068
MA0000010019 SONASID 3900000 545,3 0,3 1 638001000 0,0067
DELTA HOLDING
MA0000011850 S.A 87600000 26 0,25 1 569400000 0,006
MA0000011645 SOTHEMA 1800000 1176 0,2 1 423360000 0,0044
MA0000012023 UNIMER 11413880 185 0,2 1 422313560 0,0044
LESIEUR
MA0000012031 CRISTAL 27631510 100 0,15 1 414472650 0,0044
MA0000011439 LYDEC 8000000 315 0,15 1 378000000 0,004
MA0000011744 SALAFIN 2394497 555 0,25 1 332236458,8 0,0035

237
MA0000011462 RISMA 7882935 207,9 0,2 1 327772437,3 0,0034
MA0000010415 OULMES 1980000 840 0,15 1 249480000 0,0026
MA0000011942 ENNAKL 30000000 37,8 0,2 1 226800000 0,0024
MA0000011215 MAGHREBAIL 1025320 910 0,2 1 186608240 0,002
ALUMINIUM DU
MA0000010936 MAROC 465954 1289 0,3 1 180184411,8 0,0019
MA0000011728 SNEP 2400000 166,3 0,4 1 159648000 0,0017
MA0000011637 DISWAY 1885762 161,5 0,45 1 137047753,4 0,0014
MA0000011934 COLORADO 9000000 48,61 0,3 1 131247000 0,0014
MA0000011009 AUTO NEJMA 1023264 1281 0,1 1 131080118,4 0,0014
MA0000012064 TASLIF 21472500 39,5 0,15 1 127224562,5 0,0013
MA0000011611 HPS 703599 354 0,5 1 124537023 0,0013
AGMA LAHLOU-
MA0000010944 TAZI 200000 2016 0,3 1 120960000 0,0013
MAROC
MA0000010035 LEASING 2776768 398 0,1 1 110515366,4 0,0012
STOKVIS NORD
MA0000011843 AFRIQUE 9195150 37,98 0,25 1 85307949,25 0,0009
JET ALU MAROC
MA0000012080 SA 2400000 167 0,2 1 80160000 0,0008
S.M
MA0000012106 MONETIQUE 800000 197 0,5 1 78800000 0,0008
MA0000010340 CTM 1225978 236,2 0,25 1 72394000,9 0,0008
FENIE
MA0000011587 BROSSETTE 1438984 138,5 0,35 1 69754749,4 0,0007
PROMOPHARM
MA0000011660 S.A. 1000000 681,1 0,1 1 68110000 0,0007
NEXANS
MA0000011140 MAROC 2243520 143 0,2 1 64164672 0,0007
MA0000011421 DARI COUSPATE 298375 542 0,35 1 56601537,5 0,0006
MA0000012163 MICRODATA 1680000 100 0,3 1 50400000 0,0005
MA0000011991 BALIMA 1744000 140 0,2 1 48832000 0,0005
MA0000011678 M2M Group 647777 215,1 0,25 1 34834208,18 0,0004
AFRIC
MA0000012114 INDUSTRIES SA 291500 270 0,4 1 31482000 0,0003
DELATTRE
LEVIVIER
MA0000011777 MAROC 625000 224 0,2 1 28000000 0,0003
MA0000010787 SCE 616448 300 0,15 1 27740160 0,0003
MA0000010464 AXA CREDIT 600000 297 0,15 1 26530000 0,0003
DLM 2L
MA0000012189 J01/01/13 625000 203 0,2 1 25375000 0,0003
STROC
MA0000012056 INDUSTRIE 1248515 76 0,25 1 23721785 0,0002
MA0000011868 CARTIER SAADA 5265000 18 0,25 1 23692500 0,0002
MA0000011132 IB MAROC.COM 417486 120,8 0,45 1 22694538,96 0,0002
MAGHREB
MA0000010985 OXYGENE 812500 135 0,2 1 21937500 0,0002
MA0000011579 INVOLYS 382716 114,5 0,45 1 19719441,9 0,0002
REALIS.
MA0000011595 MECANIQUES 320000 307 0,2 1 19648000 0,0002

238
MA0000011686 TIMAR 243750 362 0,2 1 17647500 0,0002
MA0000010571 ZELLIDJA S.A 572849 302 0,1 1 15300039,8 0,0002
MA0000010639 DIAC SALAF 1053404 26,25 0,45 1 12443334,75 0,0001
MA0000011108 FERTIMA 1150000 140 0,05 1 8050000 0,0001
REBAB
MA0000010993 COMPANY 176456 197,4 0,2 1 6966482,88 0,0001
MA0000011447 MED PAPER 2582555 24,8 0,1 1 6404536,4 0,0001
MEDIACO
MA0000011496 MAROC 428750 28,2 0,25 1 3022687,5 0
ATTIJARIWAFA
MA0000011926 BANK 203527226 329,9 0,25 1 16785907964 0,179
ITISSALAT AL-
MA0000011488 MAGHRIB 879095340 90,2 0,2 1 15858879934 0,1691
MA0000011884 BCP 153141923 191 0,25 1 8267526823 0,0882
MA0000011835 BMCE BANK 179463390 200 0,2 1 7178535600 0,0765
DOUJA PROM
MA0000011512 ADDOHA 315000000 43,6 0,45 1 6180300000 0,0659
LAFARGE
MA0000012122 CIMENTS 17469113 970,1 0,25 1 4236696630 0,0452
WAFA
MA0000010928 ASSURANCE 3500000 2945 0,25 1 2576875000 0,0275
HOLCIM (
MA0000010332 Maroc ) 4210000 1449 0,4 1 2440116000 0,026
MA0000011058 MANAGEM 9158699 1295 0,2 1 2372103041 0,0253
MA0000010811 BMCI 13278843 799 0,2 1 2121959111 0,0226
CIMENTS DU
MA0000010506 MAROC 14436004 600 0,2 1 1532320480 0,0185
MA0000010407 COSUMAR 4191057 1897 0,2 1 1590087026 0,017
MA0000011819 ALLIANCES 12100000 424,5 0,3 1 1540935000 0,0164
MA0000011694 CGI 18408000 515 0,15 1 1422018000 0,0152
CENTRALE
MA0000012049 LAITIERE 9420000 1505 0,1 1 1417710000 0,0151
MA0000010951 AFRIQUIA GAZ 3437500 1639 0,25 1 1408515625 0,015
MA0000010068 SMI 1645090 3900 0,2 1 1283170200 0,0137
MA0000011454 CIH 26608085 234,9 0,2 1 1250047833 0,0133
MA0000011801 LABEL VIE 2545277 1498 0,3 1 1143847484 0,0122
MA0000012007 CNIA SAADA 4116874 1000 0,25 1 1029218500 0,011
MA0000010969 AUTO HALL 48119790 71,14 0,3 1 1026972558 0,011
MA0000010803 SAMIR 11899665 259,95 0,3 1 927995375 0,0099
MINIERE
MA0000011793 TOUISSIT 1485000 1485 0,35 1 771828750 0,0082
MA0000010357 EQDOM 1670250 1800 0,25 1 751612500 0,008
MA0000010381 CDM 9223916 500 0,15 1 691793700 0,0074
BRASSERIES DU
MA0000010365 MAROC 2825201 2400 0,1 1 678048240 0,0072
MA0000011710 ATLANTA 60190436 55,7 0,2 1 670521457 0,0071
MA0000010019 SONASID 3900000 544,5 0,3 1 637065000 0,0068
DELTA HOLDING
MA0000011850 S.A 87600000 25,93 0,25 1 567867000 0,0061
MA0000011645 SOTHEMA 1800000 1176 0,2 1 423360000 0,0045

239
MA0000012023 UNIMER 11413880 185 0,2 1 422313560 0,0045
LESIEUR
MA0000012031 CRISTAL 27631510 100 0,15 1 414472650 0,0044
MA0000011439 LYDEC 8000000 315 0,15 1 378000000 0,004
MA0000011744 SALAFIN 2394497 555 0,25 1 332236458,8 0,0035
MA0000011462 RISMA 7882935 208,9 0,2 1 329349024,3 0,0035
MA0000010415 OULMES 1980000 840 0,15 1 249480000 0,0027
MA0000011942 ENNAKL 30000000 36 0,2 1 216000000 0,0023
MA0000011215 MAGHREBAIL 1025320 910 0,2 1 186608240 0,002
ALUMINIUM DU
MA0000010936 MAROC 465954 1289 0,3 1 180184411,8 0,0019
MA0000011728 SNEP 2400000 157 0,4 1 150720000 0,0016
MA0000011637 DISWAY 1885762 161,5 0,45 1 137047753,4 0,0015
MA0000011009 AUTO NEJMA 1023264 1281 0,1 1 131080118,4 0,0014
MA0000011934 COLORADO 9000000 47,84 0,3 1 129168000 0,0014
MA0000012064 TASLIF 21472500 39,5 0,15 1 127224562,5 0,0014
MA0000011611 HPS 703599 354 0,5 1 124537023 0,0013
AGMA LAHLOU-
MA0000010944 TAZI 200000 2016 0,3 1 120960000 0,0013
MAROC
MA0000010035 LEASING 2776768 410 0,1 1 113847488 0,0012
STOKVIS NORD
MA0000011843 AFRIQUE 9195150 38 0,25 1 85353925 0,0009
S.M
MA0000012106 MONETIQUE 800000 203,5 0,5 1 81400000 0,0009
JET ALU MAROC
MA0000012080 SA 2400000 165,6 0,2 1 79488000 0,0008
MA0000010340 CTM 1225978 236,2 0,25 1 72394000,9 0,0008
FENIE
MA0000011587 BROSSETTE 1438984 138,5 0,35 1 69754749,4 0,0007
PROMOPHARM
MA0000011660 S.A. 1000000 681,1 0,1 1 68110000 0,0007
NEXANS
MA0000011140 MAROC 2243520 143 0,2 1 64164672 0,0007
MA0000011421 DARI COUSPATE 298375 542 0,35 1 56601537,5 0,0006
MA0000012163 MICRODATA 1680000 100 0,3 1 50400000 0,0005
MA0000011991 BALIMA 1744000 140 0,2 1 48832000 0,0005
MA0000011678 M2M Group 647777 214 0,25 1 34656069,5 0,0004
AFRIC
MA0000012114 INDUSTRIES SA 291500 270 0,4 1 31482000 0,0003
DELATTRE
LEVIVIER
MA0000011777 MAROC 625000 224 0,2 1 28000000 0,0003
MA0000010787 SCE 616448 300 0,15 1 27740160 0,0003
MA0000010464 AXA CREDIT 600000 297 0,15 1 26530000 0,0003
MA0000011132 IB MAROC.COM 417486 127,5 0,45 1 23953259,25 0,0003
DLM 2L
MA0000012189 J01/01/13 625000 190,85 0,2 1 23856250 0,0003
STROC
MA0000012056 INDUSTRIE 1248515 76 0,25 1 23721785 0,0003

240
MA0000011868 CARTIER SAADA 5265000 18 0,25 1 23692500 0,0003
MAGHREB
MA0000010985 OXYGENE 812500 135 0,2 1 21937500 0,0002
MA0000011579 INVOLYS 382716 116 0,45 1 19977775,2 0,0002
REALIS.
MA0000011595 MECANIQUES 320000 307 0,2 1 19648000 0,0002
MA0000011686 TIMAR 243750 362 0,2 1 17647500 0,0002
MA0000010571 ZELLIDJA S.A 572849 302 0,1 1 15300039,8 0,0002
MA0000010639 DIAC SALAF 1053404 26,25 0,45 1 12443334,75 0,0001
MA0000011108 FERTIMA 1150000 140 0,05 1 8050000 0,0001
REBAB
MA0000010993 COMPANY 176456 197,4 0,2 1 6966482,88 0,0001
MA0000011447 MED PAPER 2582555 24,8 0,1 1 6404536,4 0,0001
MEDIACO
MA0000011496 MAROC 428750 28,2 0,25 1 3022687,5 0
ATTIJARIWAFA
MA0000011926 BANK 203527226 323,55 0,25 1 16462808493 0,1754
ITISSALAT AL-
MA0000011488 MAGHRIB 879095340 92 0,2 1 16175354256 0,1723
MA0000011884 BCP 153141923 193 0,25 1 8354097785 0,089
MA0000011835 BMCE BANK 179463390 200 0,2 1 7178535600 0,0765
DOUJA PROM
MA0000011512 ADDOHA 315000000 44,4 0,45 1 6293700000 0,0671
LAFARGE
MA0000012122 CIMENTS 17469113 970,1 0,25 1 4236696630 0,0451
WAFA
MA0000010928 ASSURANCE 3500000 2945 0,25 1 2576875000 0,0275
MA0000011058 MANAGEM 9158699 1281 0,2 1 2346458684 0,025
HOLCIM (
MA0000010332 Maroc ) 4210000 1390 0,4 1 2340760000 0,0249
MA0000010811 BMCI 13278843 799 0,2 1 2121959111 0,0226
CIMENTS DU
MA0000010506 MAROC 14436004 600 0,2 1 1532320480 0,0185
MA0000010407 COSUMAR 4191057 1897 0,2 1 1590087026 0,0169
MA0000011819 ALLIANCES 12100000 423,95 0,3 1 1538938500 0,0164
MA0000011694 CGI 18408000 515,2 0,15 1 1422570240 0,0152
CENTRALE
MA0000012049 LAITIERE 9420000 1505 0,1 1 1417710000 0,0151
MA0000010951 AFRIQUIA GAZ 3437500 1639 0,25 1 1408515625 0,015
MA0000010068 SMI 1645090 3898 0,2 1 1282512164 0,0137
MA0000011454 CIH 26608085 234,9 0,2 1 1250047833 0,0133
MA0000011801 LABEL VIE 2545277 1494 0,3 1 1140793151 0,0122
MA0000010969 AUTO HALL 48119790 75 0,3 1 1082695275 0,0115
MA0000012007 CNIA SAADA 4116874 1000 0,25 1 1029218500 0,011
MA0000010803 SAMIR 11899665 255,25 0,3 1 911216847,4 0,0097
MINIERE
MA0000011793 TOUISSIT 1485000 1480 0,35 1 769230000 0,0082
MA0000010357 EQDOM 1670250 1800 0,25 1 751612500 0,008
MA0000010381 CDM 9223916 500 0,15 1 691793700 0,0074
MA0000011710 ATLANTA 60190436 56,9 0,2 1 684967161,7 0,0053

241
BRASSERIES DU
MA0000010365 MAROC 2825201 2400 0,1 1 678048240 0,0072
MA0000010019 SONASID 3900000 541,1 0,3 1 633087000 0,0067
DELTA HOLDING
MA0000011850 S.A 87600000 25,3 0,25 1 554070000 0,0059
MA0000012023 UNIMER 11413880 185 0,2 1 422313560 0,0045
LESIEUR
MA0000012031 CRISTAL 27631510 100 0,15 1 414472650 0,0044
MA0000011645 SOTHEMA 1800000 1107 0,2 1 398520000 0,0042
MA0000011439 LYDEC 8000000 315 0,15 1 378000000 0,004
MA0000011744 SALAFIN 2394497 555 0,25 1 332236458,8 0,0035
MA0000011462 RISMA 7882935 209,8 0,2 1 330767952,6 0,0035
MA0000010415 OULMES 1980000 840 0,15 1 249480000 0,0027
MA0000011942 ENNAKL 30000000 36,6 0,2 1 219600000 0,0023
MA0000011215 MAGHREBAIL 1025320 910 0,2 1 186608240 0,002
ALUMINIUM DU
MA0000010936 MAROC 465954 1220 0,3 1 170539164 0,0018
MA0000011728 SNEP 2400000 164,95 0,4 1 158352000 0,0017
MA0000011637 DISWAY 1885762 161 0,45 1 136623456,9 0,0015
MA0000011009 AUTO NEJMA 1023264 1281 0,1 1 131080118,4 0,0014
MA0000011934 COLORADO 9000000 47,82 0,3 1 129114000 0,0014
MA0000012064 TASLIF 21472500 39,5 0,15 1 127224562,5 0,0014
MA0000011611 HPS 703599 354 0,5 1 124537023 0,0013
AGMA LAHLOU-
MA0000010944 TAZI 200000 2016 0,3 1 120960000 0,0013
MAROC
MA0000010035 LEASING 2776768 410 0,1 1 113847488 0,0012
STOKVIS NORD
MA0000011843 AFRIQUE 9195150 37,8 0,25 1 86894167,5 0,0009
S.M
MA0000012106 MONETIQUE 800000 203,5 0,5 1 81400000 0,0009
JET ALU MAROC
MA0000012080 SA 2400000 161 0,2 1 77280000 0,0008
MA0000010340 CTM 1225978 236,2 0,25 1 72394000,9 0,0008
FENIE
MA0000011587 BROSSETTE 1438984 138,5 0,35 1 69754749,4 0,0007
PROMOPHARM
MA0000011660 S.A. 1000000 681,1 0,1 1 68110000 0,0007
NEXANS
MA0000011140 MAROC 2243520 143 0,2 1 64164672 0,0007
MA0000011421 DARI COUSPATE 298375 542 0,35 1 56601537,5 0,0006
MA0000012163 MICRODATA 1680000 98 0,3 1 49392000 0,0005
MA0000011991 BALIMA 1744000 140 0,2 1 48832000 0,0005
MA0000011678 M2M Group 647777 214 0,25 1 34656069,5 0,0004
AFRIC
MA0000012114 INDUSTRIES SA 291500 265 0,4 1 30899000 0,0003
DELATTRE
LEVIVIER
MA0000011777 MAROC 625000 224 0,2 1 28000000 0,0003
MA0000010787 SCE 616448 300 0,15 1 27740160 0,0003

242
MA0000010464 AXA CREDIT 600000 297 0,15 1 26530000 0,0003
DLM 2L
MA0000012189 J01/01/13 625000 203 0,2 1 25375000 0,0003
STROC
MA0000012056 INDUSTRIE 1248515 76 0,25 1 23721785 0,0003
MA0000011868 CARTIER SAADA 5265000 18 0,25 1 23692500 0,0003
MA0000011132 IB MAROC.COM 417486 120 0,45 1 22544244 0,0002
MAGHREB
MA0000010985 OXYGENE 812500 135 0,2 1 21937500 0,0002
MA0000011579 INVOLYS 382716 116 0,45 1 19977775,2 0,0002
REALIS.
MA0000011595 MECANIQUES 320000 307 0,2 1 19648000 0,0002
MA0000010571 ZELLIDJA S.A 572849 320,1 0,1 1 18336896,49 0,0002
MA0000011686 TIMAR 243750 362 0,2 1 17647500 0,0002
MA0000010639 DIAC SALAF 1053404 26,25 0,45 1 12443334,75 0,0001
MA0000011108 FERTIMA 1150000 140 0,05 1 8050000 0,0001
REBAB
MA0000010993 COMPANY 176456 197,4 0,2 1 6966482,88 0,0001
MA0000011447 MED PAPER 2582555 23,32 0,1 1 6022518,26 0,0001
MEDIACO
MA0000011496 MAROC 428750 29,5 0,25 1 3162031,25 0
ATTIJARIWAFA
MA0000011926 BANK 203527226 328,9 0,25 1 16535026158 0,1775
ITISSALAT AL-
MA0000011488 MAGHRIB 879095340 93,4 0,2 1 16421500951 0,1742
MA0000011884 BCP 153141923 193 0,25 1 8354097785 0,0886
MA0000011835 BMCE BANK 179463390 199,95 0,2 1 7176740966 0,0761
DOUJA PROM
MA0000011512 ADDOHA 315000000 43,65 0,45 1 6185387500 0,0656
LAFARGE
MA0000012122 CIMENTS 17469113 970,1 0,25 1 4236696630 0,0449
WAFA
MA0000010928 ASSURANCE 3500000 2945 0,25 1 2576875000 0,0253
MA0000011058 MANAGEM 9158699 1281 0,2 1 2346458684 0,0249
HOLCIM (
MA0000010332 Maroc ) 4210000 1390 0,4 1 2340760000 0,0248
MA0000010811 BMCI 13278843 799 0,2 1 2121959111 0,0225
CIMENTS DU
MA0000010506 MAROC 14436004 600 0,2 1 1532320480 0,0184
MA0000010407 COSUMAR 4191057 1897 0,2 1 1590087026 0,0169
MA0000011819 ALLIANCES 12100000 423,9 0,3 1 1538757000 0,0163
MA0000011694 CGI 18408000 515,5 0,15 1 1423398600 0,0151
CENTRALE
MA0000012049 LAITIERE 9420000 1505 0,1 1 1417710000 0,015
MA0000010951 AFRIQUIA GAZ 3437500 1630 0,25 1 1400781250 0,0149
MA0000010068 SMI 1645090 3898 0,2 1 1282512164 0,0136
MA0000011454 CIH 26608085 234,9 0,2 1 1250047833 0,0133
MA0000011801 LABEL VIE 2545277 1494 0,3 1 1140793151 0,0121
MA0000010969 AUTO HALL 48119790 75 0,3 1 1082695275 0,0115
MA0000012007 CNIA SAADA 4116874 1040 0,25 1 1070387240 0,0114

243
MA0000010803 SAMIR 11899665 259,9 0,3 1 927816880,1 0,0098
MA0000010357 EQDOM 1670250 1800 0,25 1 751612500 0,008
MINIERE
MA0000011793 TOUISSIT 1485000 1421 0,35 1 538564750 0,0078
MA0000010381 CDM 9223916 500 0,15 1 691793700 0,0053
BRASSERIES DU
MA0000010365 MAROC 2825201 2400 0,1 1 678048240 0,0072
MA0000011710 ATLANTA 60190436 54 0,2 1 650056708,8 0,0069
MA0000010019 SONASID 3900000 542,1 0,3 1 634257000 0,0067
DELTA HOLDING
MA0000011850 S.A 87600000 26 0,25 1 569400000 0,006
MA0000012023 UNIMER 11413880 185 0,2 1 422313560 0,0045
LESIEUR
MA0000012031 CRISTAL 27631510 100,05 0,15 1 414679886,3 0,0044
MA0000011645 SOTHEMA 1800000 1107 0,2 1 398520000 0,0042
MA0000011439 LYDEC 8000000 315 0,15 1 378000000 0,004
MA0000011744 SALAFIN 2394497 555 0,25 1 332236458,8 0,0035
MA0000011462 RISMA 7882935 209,8 0,2 1 330767952,6 0,0035
MA0000010415 OULMES 1980000 840 0,15 1 249480000 0,0026
MA0000011942 ENNAKL 30000000 37,9 0,2 1 227400000 0,0024
MA0000011215 MAGHREBAIL 1025320 910 0,2 1 186608240 0,002
ALUMINIUM DU
MA0000010936 MAROC 465954 1220 0,3 1 170539164 0,0018
MA0000011728 SNEP 2400000 157,6 0,4 1 151296000 0,0016
MA0000011637 DISWAY 1885762 161 0,45 1 136623456,9 0,0014
MA0000011009 AUTO NEJMA 1023264 1281 0,1 1 131080118,4 0,0014
MA0000011934 COLORADO 9000000 47,8 0,3 1 129060000 0,0014
MA0000012064 TASLIF 21472500 39,5 0,15 1 127224562,5 0,0013
MA0000011611 HPS 703599 354 0,5 1 124537023 0,0013
AGMA LAHLOU-
MA0000010944 TAZI 200000 2016 0,3 1 120960000 0,0013
MAROC
MA0000010035 LEASING 2776768 410 0,1 1 113847488 0,0012
STOKVIS NORD
MA0000011843 AFRIQUE 9195150 37,8 0,25 1 86894167,5 0,0009
S.M
MA0000012106 MONETIQUE 800000 203 0,5 1 81200000 0,0009
JET ALU MAROC
MA0000012080 SA 2400000 161 0,2 1 77280000 0,0008
MA0000010340 CTM 1225978 236,2 0,25 1 72394000,9 0,0008
FENIE
MA0000011587 BROSSETTE 1438984 138,5 0,35 1 69754749,4 0,0007
PROMOPHARM
MA0000011660 S.A. 1000000 681,1 0,1 1 68110000 0,0007
NEXANS
MA0000011140 MAROC 2243520 143 0,2 1 64164672 0,0007
MA0000011421 DARI COUSPATE 298375 542 0,35 1 56601537,5 0,0006
MA0000012163 MICRODATA 1680000 99 0,3 1 49896000 0,0005
MA0000011991 BALIMA 1744000 140 0,2 1 48832000 0,0005
MA0000011678 M2M Group 647777 213,25 0,25 1 34534611,31 0,0004

244
AFRIC
MA0000012114 INDUSTRIES SA 291500 264,95 0,4 1 30893170 0,0003
DELATTRE
LEVIVIER
MA0000011777 MAROC 625000 224,5 0,2 1 28062500 0,0003
MA0000010787 SCE 616448 300 0,15 1 27740160 0,0003
MA0000010464 AXA CREDIT 600000 297 0,15 1 26530000 0,0003
DLM 2L
MA0000012189 J01/01/13 625000 203,5 0,2 1 25437500 0,0003
MA0000011868 CARTIER SAADA 5265000 18 0,25 1 23692500 0,0003
MA0000011132 IB MAROC.COM 417486 126 0,45 1 23671456,2 0,0003
STROC
MA0000012056 INDUSTRIE 1248515 72,1 0,25 1 22504482,88 0,0002
MAGHREB
MA0000010985 OXYGENE 812500 135 0,2 1 21937500 0,0002
MA0000011579 INVOLYS 382716 116 0,45 1 19977775,2 0,0002
REALIS.
MA0000011595 MECANIQUES 320000 307 0,2 1 19648000 0,0002
MA0000010571 ZELLIDJA S.A 572849 320,1 0,1 1 18336896,49 0,0002
MA0000011686 TIMAR 243750 362 0,2 1 17647500 0,0002
MA0000010639 DIAC SALAF 1053404 26,25 0,45 1 12443334,75 0,0001
MA0000011108 FERTIMA 1150000 140 0,05 1 8050000 0,0001
REBAB
MA0000010993 COMPANY 176456 197,4 0,2 1 6966482,88 0,0001
MA0000011447 MED PAPER 2582555 23,5 0,1 1 6069004,25 0,0001
MEDIACO
MA0000011496 MAROC 428750 29,5 0,25 1 3162031,25 0
ATTIJARIWAFA
MA0000011926 BANK 203527226 330 0,25 1 16790996145 0,1774
ITISSALAT AL-
MA0000011488 MAGHRIB 879095340 94,2 0,2 1 16562156206 0,175
MA0000011884 BCP 153141923 193,95 0,25 1 8395218991 0,0887
MA0000011835 BMCE BANK 179463390 200 0,2 1 7178535600 0,0758
DOUJA PROM
MA0000011512 ADDOHA 315000000 44,98 0,45 1 6375915000 0,0674
LAFARGE
MA0000012122 CIMENTS 17469113 970,1 0,25 1 4236696630 0,0448
WAFA
MA0000010928 ASSURANCE 3500000 2870 0,25 1 2511250000 0,0265
MA0000011058 MANAGEM 9158699 1281 0,2 1 2346458684 0,0248
HOLCIM (
MA0000010332 Maroc ) 4210000 1390 0,4 1 2340760000 0,0247
MA0000010811 BMCI 13278843 799 0,2 1 2121959111 0,0224
CIMENTS DU
MA0000010506 MAROC 14436004 610 0,2 1 1761192488 0,0186
MA0000010407 COSUMAR 4191057 1897 0,2 1 1590087026 0,0168
MA0000011819 ALLIANCES 12100000 424 0,3 1 1539120000 0,0163
MA0000011694 CGI 18408000 515,5 0,15 1 1423398600 0,015
CENTRALE
MA0000012049 LAITIERE 9420000 1505 0,1 1 1417710000 0,015
MA0000010951 AFRIQUIA GAZ 3437500 1630 0,25 1 1400781250 0,0148

245
MA0000010068 SMI 1645090 3898 0,2 1 1282512164 0,0136
MA0000011454 CIH 26608085 238,9 0,2 1 1271334301 0,0134
MA0000011801 LABEL VIE 2545277 1494 0,3 1 1140793151 0,0121
MA0000010969 AUTO HALL 48119790 75 0,3 1 1082695275 0,0114
MA0000012007 CNIA SAADA 4116874 1000 0,25 1 1029218500 0,0109
MA0000010803 SAMIR 11899665 263 0,3 1 938883568,5 0,0099
MINIERE
MA0000011793 TOUISSIT 1485000 1488 0,35 1 753388000 0,0082
MA0000010357 EQDOM 1670250 1800 0,25 1 751612500 0,0079
MA0000010381 CDM 9223916 500 0,15 1 691793700 0,0053
MA0000011710 ATLANTA 60190436 54,02 0,2 1 650297470,5 0,0069
BRASSERIES DU
MA0000010365 MAROC 2825201 2287 0,1 1 646123468,7 0,0068
MA0000010019 SONASID 3900000 550 0,3 1 643500000 0,0068
DELTA HOLDING
MA0000011850 S.A 87600000 25,98 0,25 1 568962000 0,006
MA0000012023 UNIMER 11413880 185 0,2 1 422313560 0,0045
LESIEUR
MA0000012031 CRISTAL 27631510 100,05 0,15 1 414679886,3 0,0044
MA0000011439 LYDEC 8000000 315 0,15 1 378000000 0,004
MA0000011645 SOTHEMA 1800000 1041 0,2 1 374760000 0,004
MA0000011744 SALAFIN 2394497 555 0,25 1 332236458,8 0,0035
MA0000011462 RISMA 7882935 207 0,2 1 326353509 0,0034
MA0000010415 OULMES 1980000 840 0,15 1 249480000 0,0026
MA0000011942 ENNAKL 30000000 36 0,2 1 216000000 0,0023
MA0000011215 MAGHREBAIL 1025320 910 0,2 1 186608240 0,002
ALUMINIUM DU
MA0000010936 MAROC 465954 1278 0,3 1 178646763,6 0,0019
MA0000011728 SNEP 2400000 158 0,4 1 151680000 0,0016
MA0000011637 DISWAY 1885762 165 0,45 1 140017828,5 0,0015
MA0000011009 AUTO NEJMA 1023264 1281 0,1 1 131080118,4 0,0014
MA0000011934 COLORADO 9000000 47,8 0,3 1 129060000 0,0014
MA0000012064 TASLIF 21472500 39,5 0,15 1 127224562,5 0,0013
MA0000011611 HPS 703599 349,5 0,5 1 122953925,3 0,0013
AGMA LAHLOU-
MA0000010944 TAZI 200000 2016 0,3 1 120960000 0,0013
MAROC
MA0000010035 LEASING 2776768 410 0,1 1 113847488 0,0012
STOKVIS NORD
MA0000011843 AFRIQUE 9195150 37,7 0,25 1 86664288,75 0,0009
JET ALU MAROC
MA0000012080 SA 2400000 170,5 0,2 1 81840000 0,0009
S.M
MA0000012106 MONETIQUE 800000 203 0,5 1 81200000 0,0009
MA0000010340 CTM 1225978 246,5 0,25 1 75550894,25 0,0008
FENIE
MA0000011587 BROSSETTE 1438984 139 0,35 1 70006571,6 0,0007
PROMOPHARM
MA0000011660 S.A. 1000000 681 0,1 1 68100000 0,0007

246
NEXANS
MA0000011140 MAROC 2243520 143 0,2 1 64164672 0,0007
MA0000011421 DARI COUSPATE 298375 542 0,35 1 56601537,5 0,0006
MA0000012163 MICRODATA 1680000 99 0,3 1 49896000 0,0005
MA0000011991 BALIMA 1744000 140 0,2 1 48832000 0,0005
MA0000011678 M2M Group 647777 213,25 0,25 1 34534611,31 0,0004
AFRIC
MA0000012114 INDUSTRIES SA 291500 265 0,4 1 30899000 0,0003
DELATTRE
LEVIVIER
MA0000011777 MAROC 625000 224,5 0,2 1 28062500 0,0003
MA0000010787 SCE 616448 300 0,15 1 27740160 0,0003
MA0000010464 AXA CREDIT 600000 297 0,15 1 26530000 0,0003
DLM 2L
MA0000012189 J01/01/13 625000 203,5 0,2 1 25437500 0,0003
MA0000011132 IB MAROC.COM 417486 133,55 0,45 1 25089864,89 0,0003
MA0000011868 CARTIER SAADA 5265000 18 0,25 1 23692500 0,0003
STROC
MA0000012056 INDUSTRIE 1248515 74,5 0,25 1 23253591,88 0,0002
MAGHREB
MA0000010985 OXYGENE 812500 135 0,2 1 21937500 0,0002
MA0000011579 INVOLYS 382716 120 0,45 1 20666664 0,0002
REALIS.
MA0000011595 MECANIQUES 320000 307 0,2 1 19648000 0,0002
MA0000010571 ZELLIDJA S.A 572849 320,1 0,1 1 18336896,49 0,0002
MA0000011686 TIMAR 243750 362 0,2 1 17647500 0,0002
MA0000010639 DIAC SALAF 1053404 26,25 0,45 1 12443334,75 0,0001
MA0000011108 FERTIMA 1150000 140 0,05 1 8050000 0,0001
REBAB
MA0000010993 COMPANY 176456 197,4 0,2 1 6966482,88 0,0001
MA0000011447 MED PAPER 2582555 23,5 0,1 1 6069004,25 0,0001
MEDIACO
MA0000011496 MAROC 428750 29,5 0,25 1 3162031,25 0

247
Annexe 2 : Détail d’ajustement par lots de série temporelle : RMASI
Effectué par :
Mounir
Date :

248
Type ARCH ARMA GARCH
RiskARMA11(0,00077634;0,00656
8;0,28938;0,040763;-
RiskARCH1(0,00050698;0,000045395;0,00006179;0,0005069 0,0019064;0;RiskTSSync(1;[VaR_m RiskGARCH11(0,00050698;0,000047447;0,000027965;0,000034579;0,0
Fonction 8;RiskTSSync(1;[VaR_masi.xls]Feuil1!$B$2:$B$4481)) asi.xls]Feuil1!$B$2:$B$4481)) 0050698;0;RiskTSSync(1;[VaR_masi.xls]Feuil1!$B$2:$B$4481))
Transformation
des données Manuelle Manuelle Manuelle
Fonction Aucune Aucune Aucune
Décalage 0 0 0
Redresser Aucune Aucune Aucune
Désaisonnaliser Aucune Aucune Aucune
Période
saisonnière N/A N/A N/A
Classement
Akaike (AIC) #7 #4 #8
Ajustement
Akaike (AIC) -31875,647 -32388,9988 -31872,9858
Classement
Bayes (BIC) #7 #4 #8
Ajustement
Bayes (BIC) -31856,4303 -32363,3782 -31847,3652
Paramètres 3 4 4
Paramètre #1 Mu Mu Mu
Valeur 5,07E+10 7,76E+10 5,07E+10
Paramètre #2 Omega Sigma Omega
Valeur 4,74E+09 6,57E+11 4,74E+09
Paramètre #3 A A1 A
Valeur 6,18E+09 0,289380918293043 2,80E+09
Paramètre #4 B1 B
Valeur 4,08E+12 3,46E+09
Paramètre #5
249
Nom RMASI

Plage Feuil1!B2:B4481
Meilleur ajustement (par AIC) RiskMA2(0,00050698;0,0064771;0,34484;0,093721;0;0)
AIC -32396,9695

Graphique

Fonction 0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698
0,00050698

RMASI
Corrélation Transformé

RMASI (Transformé) 1,000

250
Table des matières

Introduction générale………………………………………………………………....................... 5
CHAPITRE I : Le marché boursier marocain : les différentes étapes de son
évolution……………………………………………………………………………………... 12

Introduction…………………………………………………………………………………………. 13
Section I : Présentation du marché boursier marocain……………………………………….............. 16
I. Aperçu général sur la bourse des valeurs de Casablanca………………………………….......... 17
1. La réforme du marché boursier et ses objectifs…………………………………………… 24
2. Le fonctionnement du marché boursier de Casablanca…………………………………… 26
3. La culture boursière marocaine…………………………………………………………… 30
4. Exemple d’un marché émergent…………………………………………………………… 32
5. Spécificités du marché boursier marocain ………………………………………………... 35
6. Comportement des cours boursiers du marché marocain…………………………………. 38
II. Les principaux indicateurs du marché boursier marocain……………………………………… 39
1. Identification des indices boursiers………………………………………………………... 41
2. Calcul des indices boursiers……………………………………………………………….. 42
3. La composition de l’indice MASI…………………………………………………………. 46
4. Lancement de nouveaux indices…………………………………………………………... 47
5. Evolution historique des indices…………………………………………………………... 49
Section II : Effet de la crise des subprimes sur la place Casablancaise………………………............ 52
I. L'origine de la crise des subprimes……………………………………………………………… 54
1. Les raisons conjoncturelles………………………………………………………………... 54
2. Les raisons structurelles…………………………………………………………………… 55
3. Les facteurs de la crise des subprimes…………………………………………………….. 57
3.1. La titrisation…………………………………………………………………………………… 57
3.1.1. La titrisation des crédits des subprimes……………………………………………………… 58
3.1.2. Le rôle de la titrisation dans la crise des crédits de subprimes ……………………………… 59
3.2. Le rôle suspicieux des agences de notation………………………………………………. 62
3.2.1. Méthodologies des notations…………………………………………………………………. 63
3.2.2. Les dérivées des agences de notation dans la crise des subprimes ………………………….. 63
3.3. Le dilemme des paradis fiscaux……………………………………………………………. 65
4. Analyse comparative entre la crise de 1929 et celle de 2007……………………………... 68
5. L'impact de la crise sur le Maroc et les préventions adoptées……………………………. 71
5.1. L'impact de la crise financière 2008 sur le Maroc……………………………………….. 71
5.2. Les préventions adoptées au Maroc………………………………………………………... 73
II. Evolution des marchés boursiers internationaux : entre 2006-2008…………………………….. 75
1. Analyse de l’évolution de la bourse des valeurs de Casablanca………………………….. 77
1.1. Analyse avant la crise………………………………………………………………………... 77
1.2. Analyse dans un contexte de crise………………………………………………………….. 78
2. L’impact de la crise sur l’évolution de l’indice MASI……………………………………. 91
3. L’impact de la crise sur l’évolution de rentabilité de l’indice MASI……………………... 93
4. Comparaison entre le CAC 40 et MASI…………………………………………………... 94
Conclusion…………………………………………………………………………………………… 96
.

251
CHAPITRE II : L’impact de la crise des subprimes sur les rendements de l’indice
MASI : Etude d’événement à CT et à LT………………………………………………… 98

Introduction…………………………………………………………………………………………. 99
Section I : Etude événementielle à court terme de la crise des subprimes…………………………… 100
I. Méthodologie d’études d’événement………………………………………………………. 101
1. Le diagramme temporel…………………………………………………………………… 103
2. Le calcul des rendements………………………………………………………………….. 104
3. La périodicité des rendements……………………………………………………............... 104
4. Le calcul des rendements anormaux………………………………………………………. 105
4.1. Le rendement moyen du titre (mean ajusted return)……………………………….. 105
4.2. Le rendement du marché boursier (market adjusted return)…………………………… 105
4.3. Le modèle de marché (market model)……………………………………………………... 105
4.4. Le modèle d’équilibre des actifs financiers (Capital Asset Pricing Model – CAPM). 109
4.5. Le portefeuille réplique (control portfolio benchmark)…………………………………. 112
5. L’évaluation du niveau de signification des rendements anormaux…………………….. 113
5.1. La méthode de l’écart-type en série temporelle (ETST)………………………………… 113
5.2. La méthode de l’écart-type en coupe instantanée (ETCI)………………………………. 117
5.3. La méthode des rendements anormaux standardisés……………………………………. 118
5.3.1. La méthode des rendements anormaux standardisés en série temporelle (RASST)………….. 118
5.3.2. La méthode des rendements anormaux standardisés en coupe instantanée (RASCI)………... 122
6. Les tests non paramétriques……………………………………………………………….. 124
6.1. Test du signe généralisé (TSG)……………………………………………………………… 125
6.2. Test de rang (TR)……………………………………………………………………………… 125
II. Application et résultats empiriques…………………………………………………………….. 127
1. Test de Student (test paramétrique)……………………………………………………………… 129
2. Test de Wilcoxon (test non paramétrique)………………………………………………... 132
Section II : Etude événementielle à long terme de la crise des subprimes…………………………... 135
I. Le calcul de la performance financière à long terme…………………………………… 136
1. La méthode des rendements anormaux cumulés (Cumulative Abnormal Returns)………… 136
2. La méthode des rendements composés anormaux (Buy and Hold Abnormal Returns :
BHAR)………………………………………………………………………….............................. 138
3. L’évaluation des rendements attendus (Benchmarks)………………………………………….. 139
3.1. Les modèles d’évaluation des actifs (asset pricing models)…………………………….. 139
3.2. Le portefeuille de marché……………………………………………………………………. 140
3.3. Le portefeuille – réplique (reference portfolio)…………………………………………… 140
3.4. La simulation par ré-échantillonnage de la distribution empirique d’un test t ajusté
pour l’asymétrie (Bootstrap)……………………………………………………………….. 141
3.5. La simulation par ré-échantillonnage de la distribution empirique des rendements
anormaux……………………………………………………………………………………… 142
3.6. L’entreprise – contrôle (control firm)……………………………………………………... 144
4. Approches des portefeuilles en temps calendaire (Calendar Time Portfolio)……………… 144
4.1. Le modèle à trois facteurs de Fama et French (1992,1993)……………………………. 145
4.2. La moyenne mensuelle des rendements en temps calendaire (Calendar Time
Abnormal Returns – CTAR)………………………………………………………………… 146
I. Application et résultats empiriques………………………………………………………........... 148
1. Statistiques descriptives…………………………………………………………………… 148
2. Résultats de l’étude de la performance boursière à long terme de la BVC……………….. 149
2.1. Résultats de l’approche en coupe transversale……………………………………… 149
2.2. Résultats de l’approche des portefeuilles calendaires………………………………. 154
3. Corrélation entre la performance à CT et à LT des entreprises cotées en BVC…………... 155
Conclusion…………………………………………………………………………………………… 157

252
CHAPITRE III : La gestion du risque du marché boursier marocain : un essai avec
les modèles « Markowitz & Value at Risk »………………………………………………. 159

Introduction…………………………………………………………………………………………. 160
Section I : Construction d’un portefeuille efficient en période de crise selon l’approche de
Markowitz…………………………………………………………………………………………….. 162
I. Analyse empirique d’un échantillon des séries boursières……………………………................ 164
1. Etude de la normalité des rentabilités……………………………………………………... 164
1.1. Présentations des tests……………………………………………………………………….. 164
1.1.1. La Skewness………………………………………………………………………………………….... 164
1.1.2. La Kurtosis…………………………………………………………………………………………….. 165
1.1.3. Le test de Jarque-Bera……………………………………………………………………………….. 166
1.2. Résultats empiriques………………………………………………………………………….. 166
2. Etude de stationnarité des rentabilités……………………………………………………... 167
2.1. Présentation des tests………………………………………………………………………… 168
2.1.1. Tests de Dickey-Fuller Simples (1979)…………………………………………………………….. 168
2.1.2. Tests de Dickey-Fuller Augmentés (1981)…………………………………………………………. 170
2.1.3. Test de Phillips-Perron (1988)……………………………………………………………………… 171
2.2. Résultats empiriques………………………………………………………………………….. 172
II. Choix de portefeuille efficient à partir des valeurs d’indices sectoriels……………………….. 173
1. Modèle de Markowitz : approche théorique de gestion de portefeuille………………….... 173
1.1. Hypothèses de base…………………………………………………………………………… 174
1.2. Détermination des portefeuilles efficients…………………………………………………. 174
1.3. Choix d’un portefeuille optimal…………………………………………………………….. 175
2. Eléments théoriques et gestion de portefeuille……………………………………………. 175
2.1. Définition d’un portefeuille………………………………………………………………….. 175
2.2. Risque d’un portefeuille……………………………………………………………………… 176
3. Investigation empirique……………………………………………………………………. 177
3.1. Choix de l’échantillon………………………………………………………………………... 177
3.2. Construction des portefeuilles………………………………………………………………. 178
3.3. Présentation des caractéristiques des portefeuilles……………………………………… 179
3.4. Analyse des portefeuilles et choix de portefeuille efficient……………………………… 180
Section II : Estimation et backtesting de la VaR des rendements de l’indice MASI en période de
crise……………………………………………………………………………………... 184
I. Propriétés statistiques du MASI………………………………………………………………… 185
1. Composition du MASI…………………………………………………………….. 185
2. Les cotations du MASI……………………………………………………………………. 187
3. Les tests de racine unitaire………………………………………………………………… 188
3.1. Les tests de Dickey et Fuller (1979-1981)…………………………………………… 188
3.2. Test de Phillips et Perron (1988)…………………………………………………….. 189
3.3. Tests de racine unitaire avec rupture structurelle : Perron (1989)………………….. 190
3.4. Tests de racine unitaire efficients : Schmidt-Phillips (1992)…………………………… 194
II. Propriétés statistiques des rendements du MASI………………………………………………. 196
1.Evolution des rentabilités du MASI………………………………………………………... 196
2. Test d’autocorrélation des rentabilités de l’indice MASI…………………………………. 197
3.Test d’ homoscédasticité des rendements du MASI……………………………………….. 199
4. Test d’indépendance sur la série de rendements du MASI………………………………... 200
5. Détection de la mémoire longue……………………………………………………… 202
6. Modélisation de la série des rendements de l’indice MASI……………………………….. 206

253
6.1. Test de Kupiec…………………………………………………………………………………. 207
6.2. Le modèle RiskMetrics et la VaR normale (NVaR)………………………………………. 209
6.2.1. La stratégie récursive………………………………………………………………………………… 209
6.2.2. La stratégie mobile………………………………………………………........................................ 212
6.3. La loi de Student : StVaR…………………………………………………………………….. 213
6.3.1. La stratégie récursive………………………………………………………………………………… 216
6.3.2. La stratégie mobile……………………………………………………………………………………. 217
Conclusion…………………………………………………………………………………………… 222

Conclusion générale……………………………………………………………………………….. 223

Bibliographie ……………………………………………………………………………………….. 227

Annexes……………………………………………………………………………………………… 239

254
Doctorat de l’université Montpellier I
Doctorat de l’université Mohammed V Agdal-Rabat
Faculté des sciences économiques

Résumé :
Le marché boursier marocain a connu une chute brutale sans précédent à cause de
la crise de subprimes américaines qui a été déclenché à l’été 2007, l’indice MASI a
perdu 20% en même année, donc nous pouvons parler sur un krach boursier. La
bourse des valeurs a connu en Mars 2008 une volatilité de 70 milliards de dirhams.
La baisse du marché boursier risque de se prolonger et que le sinistre scénario des
années (2007-2009) pendant lesquelles la bourse a connu une chute du cours de
l’indice MASI pourrait se reproduire.
L’objet de notre thèse est de proposer une analyse empirique détaillée des
rendements de l’indice MASI, de choisir les portefeuilles efficients, plus la
recherche d’un modèle économétrique robuste qui enregistre le score le plus bas de
violations c'est-à-dire qu’il assure la meilleure couverture possible contre les
risques baissiers du marché quel que soit le niveau de la volatilité atteint par le
marché boursier marocain. Pour atteindre cet objectif nous faisons appel aux
modèles Markowitz et Value at Risk.

Mots clés : BVC, Valeur à Risque, Markowitz, Riskmetrics, Indice MASI, Volatilité,
Crise des subprimes.

Title : Risk analysis of the Moroccan stock market during the subprime crisis:
case of study MASI index

Abstract:
The Moroccan stock market had experienced an unmatched Sharp collapse due to
the subprime crisis that happened in the USA on summer 2007, the index of MASI
lost 20% in the same year, thus we can talk here about a crash of stock. In 2008, the
stock market lost 70 billion MAD. It is possible that it will continue decreasing, and
that the scenario of 2007 - 2009 will happen again.
The purpose of this thesis is to suggest a detailed empirical analysis of the yields of
MASI index and choose the most efficient portfolios, and an econometric model
that can record the lowest score of the violations, in other words, it can guarantee
the best cover against the downside market risk Whatever the level of the volatility
reached by the Moroccan stock market, to achieve this goal we use the Markowitz
model and Value at Risk.

Keywords : SVC, Value at Risk, Markowitz, Riskmetrics, MASI index, volatility,


Subprime Crisis.

Adresse:
Université Montpellier 1, LAMETA, UFR Sciences économiques, Espace Richter,
Avenue de la Mer, BP 9606, 34054 Montpellier Cedex 01. France

255