Académique Documents
Professionnel Documents
Culture Documents
Faculté d’économie
Ecole Doctorale Economie et Gestion
Laboratoire d’accueil : LAMETA
Mounir El Bakkouchi
JURY
© Mounir EL BAKKOUCHI
1
A mes parents
Mes Sœurs
Mon frère
2
REMERCIEMENTS
3
SOMMAIRE
Introduction générale………………………………………………………………. 5
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
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
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
Bibliographie………………………………………………………………………... 227
Annexes……………………………………………………………………………….. 239
Table des matières………………………………………………………………….. 254
4
Introduction Générale
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.
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.
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.
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 ?.
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.
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.
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).
10
gains ou les pertes de valeur qui sont enregistrés par le marché boursier
marocain pendant la période post-événement.
11
CHAPITRE I
Le marché boursier marocain :
les différentes étapes de son
évolution
12
Introduction
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.
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.
15
Section I
Présentation du marché boursier marocain
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).
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.
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
JUILLET 1994
18
OCTOBRE 1994
FEVRIER 1995
AOUT 1995
NOVEMBRE 1995
MAI 1996
SEPTEMBRE 1996
DECEMBRE 1996
JANVIER 1997
MARS 1997
19
JUIN 1997
NOVEMBRE 1997
- Caravane de la Bourse
MARS 1998
JUIN 1998
AOUT 1998
OCTOBRE 1998
NOVEMBRE 1998
DECEMBRE 1998
20
SEPTEMBRE 1999
DECEMBRE 2000
JANVIER 2001
MAI 2001
DECEMBRE 2001
JANVIER 2002
MARS 2002
21
AVRIL 2004
DECEMBRE 2004
JANVIER 2005
JANVIER 2006
MAI 2007
JUIN 2007
MARS 2008
AOUT 2008
22
DECEMBRE 2008
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.
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.
· Le marché central
· 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.
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 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.
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.
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.
32
· 2éme niveau (cas du Chine, Brésil, Chili…)
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.
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.
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
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.
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.
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.
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.
41
également de mettre en place les bases adéquates à un futur lancement de
produits dérivés sur le marché boursier marocain.
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
· 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.
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.
43
Ø La mise en application du flottant et le principe du
facteur de plafonnement
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.
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
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%.
45
3. La composition de l’indice MASI
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.
46
référence et de mesure à long terme de la performance et englobe (53 valeurs)
et leurs lignes secondaires.
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.
48
5. Evolution historique des indices
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%
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%
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
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.
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.
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.
54
confiance généralisée entre établissements financiers et un effet de contagion, ce
qui a épongé le marché interbancaire (crise de liquidité).
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.
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.
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
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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
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.
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.
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.
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.
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%
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.
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.
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 ?.
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.
En 2006 :
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%.
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.
Source : BVC
79
Source : BVC
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 :
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%.
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.
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.
Source : BVC
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 :
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.
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.
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.
Source : BVC
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
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.
88
Graphique 3 : Evolution de l’indice MASI
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
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.
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
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.
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
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
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.
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)).
( ) ( )
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)
événementielle.
(
E Ri y j ): L’espérance du rendement du titre conditionnelle à l’information
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
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.
é ( P + Dit ) ù
Rit ,C = log ê it ú (2.4)
ë Pit -1 û
101
4. Le calcul des rendements anormaux
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 :
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)
modèle.
0 1
eˆi'eˆi
sˆ e2i = (2.10)
L1 - 2
103
Les rendements anormaux sont calculés comme suit durant la période
événementielle :
'
qˆi = éaˆi bˆi ùû : un vecteur de dimension ( 2 ´1) comprenant les paramètres estimés.
ë
1 2
E éëeˆi* X i* ùû = 0 (2.15)
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
ARit (
N 0, sˆ AAR
2
it
) (2.19)
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)
E ( R j ) = E (a j ) + E ( Rm ) b j
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)
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 .
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.
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 :
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
å AR it
AARt = i =1
(2.26)
N
110
T1 2
å ( AAR - AAR )
t =T0
t
VARAAR = (2.27)
L1 - 2
T1
å AAR
t =T0
t
AAR = (2.28)
L1
AARt
t( L1 -2) (2.29)
(VARAAR )
1/2
événementielle :
T2
CAAR(T1 ,T2 ) = å AARt (2.30)
t =T1
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
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
CAAR(T1 ,T2 )
t( L1 -2) (2.36)
( )
1/2
VARCAAR(T ,T )
1 2
T2
CARI ,(T1 ,T2 ) = å ARIt (2.38)
t =T1
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 )
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
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
CAART1 ,T2
t( N - 2) (2.45)
(VAR )
1/ 2
CAART1 ,T2
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
T1
å AR t
t
=T0
i
2
sˆ e2 = VARAR = (2.48)
i i
L1i - 2
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
N (2.51)
TSARt = å SARit
i =1
N
L1i - 2
VARTSARt = å (2.52)
i =1 L1i - 4
N
L1i - 2
VARTSARt = å N (2.53)
i =1 L1i - 4
Return) est :
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
CARi ,(T T )
SCARi ,(T T ) = 1, 2
(2.57)
(VAR )
1, 2 1/2
CARi , T
( 1,T2 )
å SCAR ( i , T1,T2 )
ASCART1,T2 = i =1
(2.59)
N
L1 - 2
VARSCAR = (2.60)
(
i , T1,T2 ) L1 - 4
118
ASCART1,T2
t( L1 - 2) (2.61)
( )
1/ 2
VARASCART T
1, 2
L1 - 2
VARASCART T = (2.62)
1, 2
N ( L1 - 4 )
TSARt
t( N -2) (2.63)
( )
1/2
N VARSARt
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 )
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
CARi ,(T T )
SCARi ,(T T ) = 1, 2
(2.66)
(VAR )
1, 2 1/2
CARi , T
( 1,T2 )
TSCART1,T2
t( N - 2) (2.67)
( )
1/ 2
N VARSCARt
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
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).
121
6.1. Test du signe généralisé (TSG)
w - Np
ˆ
ZG = (2.70)
ˆ (1 - p
ˆ ) ùû
1/ 2
éë Np
T1
N åS it
å
i =1
t =T0
L1i
ˆ =
p (2.71)
N
ì1 si ARit > 0
Sit = í (2.72)
î0 si ARit £ 0
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
T2 åK it
å
t =T1 N
i =1
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.
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
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).
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 :
Avec :
s t2 , s t2-1 : Variance conditionnelle respectivement à la date t et t-1.
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.
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.
128
nos résultats, nous appliquons un deuxième test, c’est le test de rang signé de
Wilcoxon.
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
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.
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%
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
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.
T
CARit = å Rit - E ( Rit ) (2.76)
t =1
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
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).
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.
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.
ARt
S= (2.80)
s ( ARt )
3
å ( AR t - ARt )
n
i
gˆ = i =1
(2.81)
ns ( ARt )
3
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
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
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.
empirique des rendements anormaux moyens soit : ARt < yI* ou ARt > yU* .
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.
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.
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.
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 :
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.
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
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
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.
MMAR
t ( MMAR ) = t( N -1) (2.90)
s ( MARt )
T
144
L’équation du test statistique t est la suivante :
MMARs
t ( MMARs ) = t(T -1´T ) (2.91)
T
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.
1. Statistiques descriptives
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).
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.
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%.
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).
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
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
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
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.
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.
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.
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
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
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
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).
152
phénomène de retour à la moyenne sur un horizon temporel de long terme après la
dite crise.
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.
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.
155
CHAPITRE III
La gestion du risque du marché
boursier marocain : un essai avec les
modèles « Markowitz & VaR »
156
Introduction
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
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.
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.
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.
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.
1.1.1. 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
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 :
N : Le nombre d’observations.
N
1
Ri =
N
åR
t =1
i ,t : La moyenne arithmétique des rentabilités du titre i.
N
k=
Sk Sk ® N ( 0,1)
6
1.1.2. La Kurtosis
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
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
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
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 ;
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.
(Yt1 ,........, Ytk ) est identique à celle de (Yt1+t ,........, Ytk +t ) quelque soit t, k est un
Elle suppose que la distribution conjointe de (Yt1 ,........, Ytk ) est invariante quand
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
"t et "m
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.
xt = f1 xt -1 + e t (3.7)
xt = f1 xt -1 + b + e t (3.8)
xt = f1 xt -1 + bt + c + e t (3.9)
Les auteurs ont choisi de tester la valeur (f1 - 1) au lieu de f1 pour des raisons
purement statistiques.
166
S’écrit aussi xt - xt -1 = f1 xt -1 - xt -1 + e t (3.10)
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
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 )
Calcul de la statistique de PP :
t =
*
k´
(fˆ - 1) n ( k - 1) sˆ
1
+
fˆ1
(3.15)
fˆ
1
sˆfˆ k
1
168
sˆ 2
Avec k= (qui est égal à 1 de manière asymptotique si et est un bruit blanc)
st2
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
Pétrole et Gaz -29.61893 -3.97043 -3.41586 -3.13019 -30.48598 -3.97043 -3.41586 -3.13019
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.
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
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.
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
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)
1 n n
s ij = åå ( Rit - R j )( R jt - R j )
T i =1 j =1
(3.18)
173
N
R p = å X i Ri (3.19)
i =1
3. Investigation empirique
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
175
3.2. Construction des portefeuilles
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.
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
· Présentation de portefeuille 3
· Présentation de portefeuille 4
Agroalimentaire/Production Mines
Coeff.pondération 0.65 0.35
177
3.4. Analyse des portefeuilles et choix de portefeuille efficient
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.
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.
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).
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
14,000
12,000
10,000
8,000
6,000
4,000
2,000
0
94 96 98 00 02 04 06 08 10
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.
valeur
Série Estimation
critique
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.
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.
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 .
X t = m + dD(Tb )t + X t -1 + e t (1)
ͳ ݅ݏt = Tb + 1
Avec ( ܦTb )t ൌ ቊ
Ͳ݊݊݅ݏ
· Hypothèse alternative H1 :
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 :
· Hypothèse alternative H1 :
ͳ ݅ݏt = Tb + 1
Avec ͳ ݅ݏt > Tb et ( ܦTb )t ൌ ቊ
Dm1 ൌ ቊ Ͳ ݊݊݅ݏ
Ͳ݊݊݅ݏ
· Hypothèse alternative H1 :
188
Avec ͳ ݅ݏt > Tb et ͳ ݅ݏt > Tb
Dm1 ൌ ቊ DTt ൌ ቊ
Ͳ݊݊݅ݏ Ͳ݊݊݅ݏ
Ces trois modèles ont pour but d’étudier les implications d’une évolution dans le
trend sur les tests de Dickey et Fuller.
Les valeurs critiques de la statistique t pˆ i sont tabulées au tableau A avec l tel que
Tb = lT .
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.
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
ͳܽݎéͲͲʹݏͺ
Dependent Variable: De t
*
Tb 15
Le calcul de l donne le résultat suivant : l = = = 0.7894
T 19
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.
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.
X t - X1
Avec b' = (2) et a ' = X1 - b ' (3)
T -1
DX t = a + h X t'-1 + e t avec h = f -1
191
T (a-1) = -0.0217 > -3.02, on accepte donc la présence de racine unitaire.
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.
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.
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
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.
195
3. Test d’ homoscédasticité des rendements du MASI
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 .
ARCH Test:
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 )
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
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
ì
ï1 Û sie - X i - X j > 0
m m
(
H e - X im - X mj = í)
î0 Û sin on
ï
Nous appliquons donc le test BDS sur la série des rendements de l’indice MASI,
on obtient ainsi les résultats suivants :
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).
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.
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
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.
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
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
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.
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.
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).
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
(
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 .
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.
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.
207
Tableau 3.12 : Estimation des paramètres du
modèle ARMA(1,1)-GARCH(1,1)
Variance Equation
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 :
Variance Equation
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 :
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.
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
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
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
travers le temps t - 1 .
f v ( e t y t -1 ) c’est la fonction de densité conditionnelle.
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
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
212
W0 c’est la richesse initiale du portefeuille.
Variance Equation
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 :
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.
214
Tableau 3.18 : Estimation des paramètres d’un modèle GARCH(1,1)
Variance Equation
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 :
95% 30
99% 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.
.06
.04
.02
.00
-.02
-.04
-.06
-.08
2007M07 2008M01 2008M07
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
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
219
Conclusion générale
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).
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.
223
Bibliographie
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.
224
Banz, Rolf W., (1981), "The Relationship Between Return And Market Value
Of Common Stocks," Journal of Financial Economics, v9(1), 3-18.
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.
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.
Brav Alon, Geczy Christopher & Gompers Paul, “Is the Abnormal Return
Following Equity Issuances Anomalous,” Journal of Financial Economics
56(2). Mai 2000, 209-249 ;
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.
Claessens S., Dasgupta S., Glen J., (1995), «Return Behavior in Emerging
Stock Markets", The World Bank Economic Review, v9 (1), Janvier
227
Dickey,D.A & Fuller.W.A.(1981),“Likehood Ratio Statistics for
Autoregressive Time Series With a Unit Root”,Econometrica,49,1057-1072.
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.
Fama E.F et Miller M.H. (1972), “The Theory of Finance”, New York, Holt,
Rinehart and Winston.
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.
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).
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.
Jorion,P (2000), “The Value et Risk Field book: The complete Guide to
Implementing VaR”. McGraw-Hill.
230
Kadiyala, Padmaja & Raghavendra, Rau, “Investor Reaction to Corporate
Event Announcements: Underreaction or Overreaction?” The Journal of
Business 77(2), Avril 2004, 357-386.
Keim D.B., (1983), " Size-related Anomalies And Stock Return Seasonality:
Further Empirical Evidence", Journal of Financial Economics, 25,
November, 75-97.
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.
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.
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.
232
Mandelbrot, B.,(1963), "The Variation Of Certain Speculative Prices,"
Journal of Business, v36(4), 394-419.
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.
Phillips P.C.B et Perron P. (1988), “Testing for a Unit Root in a Time Series
Regression”, Biometrika, 75, 335-346.
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.
234
Stein, Jeremy, “Convertible Bonds as a Backdoor Equity Financing,”
Journal of Financial Economics 32(1), Août 1992, 3-21.
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
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
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.
Adresse:
Université Montpellier 1, LAMETA, UFR Sciences économiques, Espace Richter,
Avenue de la Mer, BP 9606, 34054 Montpellier Cedex 01. France
255