THEME 

: TRANSMISSION DE VOLATILITE ENTRE LES MARCHES DES

MATIERES ET LES MARCHES FINANCIERS DES PAYS PRODUCTEURS EN
AFRIQUE SUBSAHARIENNE.

I. REVUE DE LA LITTERATURE
I.1. Revue théorique.
I.1.1. La transmission de volatilité entre les marchés financiers.

L’intégration financières mondiale et la forte croissance des transactions financières ont

entrainé une grande instabilité des marchés caractérisé par l’augmentation des volatilités des
cours sur ces marchés. En effet le développement de nouveau instrument financiers, la
suppression des contrôles des capitaux, ou encore la réduction des couts de transaction ont
facilité le positionnement spéculatif. Ce positionnement spéculatif entraine des marchés de
plus en plus dépendant et de plus en plus volatiles.

La question de transmission de volatilité entre les marchés est largement abordée dans la
littérature. Les premiers auteurs qui ont procédé à une analyse de transmission de la volatilité
sont Engel, Ito et Lie (1990). Ceux-ci ont utilisé un modèle GARCH pour étudier les effets de
transmission de la volatilité quotidienne du taux de change entre les marchés japonais et
américains. Aussi ces auteurs ont réfléchi sur la relation entre les marchés des actions
américains et japonais à l’aide d’un modèle GARCH. Ils ont abouti à la conclusion que les
rendements et les volatilités de jour d’un marché sont corrélés avec les rendements et les
volatilités de nuit de l’autre marché. En utilisant un modèle ARCH, Hamao et al (1990) ont
exploré les relations entre les marchés de New York, de Tokyo et de Londres. Ils aboutissent
aux résultats qu’il existe un transfert de volatilité des prix des actions de New York vers ceux
de Tokyo mais pas de Tokyo vers ceux de Londres ni de New York.

I.1.2. Transmission de volatilité entre marché des matières premières et marchés

financiers

Les marchés des produits de base partagent plusieurs caractéristiques avec ceux des marchés
boursiers. Effet les matières premières entre dans de nombreux portefeuille d’investissement
au même titre que les actions comme le souligne Silvennoine et Thorp (2010). La littérature
traitant la relation entre les marchés des produits de base et les marchés financiers se base sur
le pétrole en examinant les comouvement entre les marché boursiers et pétroliers.
Pour ce qui est de l’analyse des volatilités, l’analyse la plus récente se concentre sur les
retombées de la volatilité entre le pétrole, les matières premières industrielles et les marchés
boursiers.

 Malik et Ewing (2009), en s’appuyant sur des modèles GARCH bivariés pour estimer la
transmission de la volatilité entre les prix hebdomadaires du pétrole WITI et les rendements
du secteur des actions du 1er janvier 1992 au 30 avril 2008 et trouve des preuves de
mécanisme de débordement.

En utilisant un modèles VAR-GARCH, appliqué sur les données quotidiennes du 3 janvier

2000 au 31 décembre 2011, des prix au comptant du Brent, WITI, blé, de l’or, et des boissons
ainsi que les rendements des indices boursiers, Mensi et autre (2013) ont montré une
corrélation et transmission de la volatilité significative entre les marchés des matières
premières et des actions.

Diallo et autres (2012), utilise les ondelettes pour montrer que les liaisons causales entre le
marché boursier et celui des commodités sont sensibles à la nature des opérations considérées.
Pour des agents présentant des fréquences de trading à court terme, les cours des matières
premières dictent la direction de l’activité du marché boursier, alors que pour les traders à
moyen et long terme les effets de rétroactions dominent et conduisent ces acteurs à ajuster
leurs comportements simultanément aux variations de prix des cours boursiers et des matières
premières.

Creti et autre (2012), en utilisant une approche DCC-GARCH sur un échantillon de 25

produits de base couvrant divers secteurs sur la période allant du 3 janvier 2001 au 28
novembre 2011, ils montrent que les corrélations entre les marchés des matières premières et
les marchés boursiers sont variables dans le temps et très volatiles. L’impact des crises
financières de 2007-2008 est perceptible, soulignant les liens entre les marchés des matières
premières et les marchés boursiers et mettant en évidence la financiarisation des matières
premières. Les auteurs montrent également que les matières premières bien que partageant
certaines caractéristiques communes, les matières premières ne peuvent être considérées
comme des classes d’actif homogène. Un phénomène de spéculation est par exemple mis en
évidences pour le pétrole, le café et le cacao tandis que le rôle de refuge de l’or est mis en
évidence.

En utilisant un modèle GARCH tri varié avec paramètre BEKK, Lajili (2013) montre que les
le marché financier américain affecte le marché du pétrole et les marchés des pays
producteurs (Venezuela, Indonésie, Russie et le Koweït). Il trouve aussi une transmission de
volatilité du marché du pétrole vers tous les marchés financiers des pays producteurs.
L’auteur montre également l’existence d’une relation étroite entre les marchés physiques et
les marchés financiers. Ce qui peut se révéler selon lui assez utile dans la construction de
modèle de pricing des actifs financiers dans les pays producteurs de pétrole et dans et dans la
prédiction du prix et de la volatilité de l’or noir.

En utilisant une transformation en ondelette et un modèle en espace de l’espace des états sur
les données de la bourse de Shanghai, les rendements totaux du S&P GSCI et un indice
composite de matière première de premier plan du 31 aout 2006 au 19 septembre 2016, Wen
et al (2019) montrent que l’influence de la bourse chinoise sur le marché international des
matières premières n’est pas aussi grande qu’on le croit et le bénéfice de la diversification
existe toujours pour la construction du portefeuille.

I.2. Les modèles GARCH : une revue théorique.

I.2.1. Les modèles GARCH et leur contexte général

Les séries financières sont caractérisées par le clustering de volatilité, c’est-à-dire les périodes
forte volatilité alterne les périodes de faible volatilité. Ce phénomène est appelé
l’hétéroscédasticité conditionnelle. Il est particulièrement fréquent dans les données
boursières, les taux de change et d’autres prix financier. Pour ce type de série, les modèles
linéaires comme la modélisation classique par les MCO (moindre carré ordinaire) suppose
que l’espérance au carré des résidus est constante cette hypothèse est appelée
homoscédasticité des résidus et le processus autorégressif moyenne mobile (ARMA) sont
limitatifs. En effet ils ne tiennent pas compte des phénomènes de variabilité de la volatilité en
fonction du temps et des mécanismes d’asymétrie. Dans le souci de palier au problème que
rencontrent les modèles linéaires, Engle (1982) propose une nouvelle classe de modèle
autorégressif à hétéroscédasticité conditionnelle (ARCH) apte à capter les comportements de
volatilité dans le temps.

I.2.2. Les différents modèles GARCH

Nous présenterons dans les points qui suivront les différentes formes du modèle GARCH.

 Les modèles linéaires ARCH(q)

Selon Engel (1982), on considère un processus stochastique ε t tel que :

ε t=z t σ t Avec : z t →iid et E ( z t ) =0 ; Var ( z t )=1

On a : σ t une fonction positive mesurable qui dépend du temps t. initialement, ε t est considéré
comme un processus univarié et dépendra de l’innovation et d’autre processus stochastique y t .
Ainsi :

y t =g(x t−1 , b)+ ε t

Où g( x t −1 , b) est une fonction de x t−1. Selon Engle (1982) le modèle ARCH(q) s’écrit :

q
σ =w+ ∑ α i ε 2t −i=w ( L)ε 2t Avec w une constante et (L) l’opérateur de retard,
2

i=1

Il est important en pratique d’ajouter un grand nombre de retard dans l’équation du modèle
ARCH (q) compte tenu de la persistance de la volatilité qui caractérise les séries financières.
Ce nombre important de paramètres peut conduire à la violation de la contrainte de non-
négativité de la variance. Pour lever cet obstacle, Bollerslev (1986) propose une extension du
modèle ARCH, le modèle autorégressif conditionnel hétéroscédasticité généralisé (GARCH).
Cette approche exige très peu de paramètres que le modèle ARCH(q), le modèle s’écrit :

q p
σ 2=w+ ∑ α i ε 2t −1+ ∑ βi σ 2t −1=w+ α ( L)ε 2t + β (L) σ 2t .
i=1 i=1

Les modèles GARCH ont été enrichis par d’autres types de modèle tels que le modèles
GARCH exponentiel ou EGARCH(p,q) proposé par Nelson (1990). Le modèle EGARCH
permet de rendre compte de l’asymétrie dans la réponse de la variance conditionnelle à une
innovation. Il présente l’avantage par rapport au modèle GARCH standard, de ne nécessiter
aucune restriction de non négativité sur les paramètres afin de garantir la positivité de la
variance conditionnelle.

On trouve aussi le modèle GARCH en moyenne ou GARCH-M. Le modèle GARCH-M

(General Autoregressive Conditional Heteroskedasticity mean) a été introduit par Engle-
Lilien-Robbins (1987). C’est un modèle ARCH qui permet de mesurer l’influence des
rendements des titres sur la volatilité conditionnelle. Tout comme les modèles ARCH linéaire,
les GARCH-M sont basés sur une spécification quadratique de la variance conditionnelle des
perturbations.

Il existe également le modèle IGARCH (Integrated General Autoregrssive Conditional

Heteroskedasticity) ou GARCH intégré introduit par Engle et Bollerslev (1989). Ce modèle
correspond au cas d’une racine unitaire dans la variance conditionnelle. C’est un modèle
ARCH non linéaire caractérisé par un effet de persistance dans la variance. C’est-à-dire un
choc sur la variance conditionnelle actuelle se répercute sur toutes les valeurs futures prévues.

 Les modèles ARCH multivariés

Les modèles ARCH que nous avons vus jusque-là sont des modèles univariés. Ils permettent
de décrire et de prévoir le comportement de volatilité d’une série monétaire ou d’une série
financière de grande fréquence. Toute fois l’analyse du risque lié à un portefeuille composé de
plusieurs actifs doit se faire dans une optique de risque multiple, notamment l’interaction
entre les titres qui compose le portefeuille doit être prise en compte. Or les modèles univariés
ne tiennent pas compte de la corrélation entre les titres. Il s’avère primordiale de passer à un
modèle multivarié afin de capter le lien dynamique entre les actifs.

Ainsi ε t désignera maintenant un processus stochastique vectoriel, ε t=(ε 1 , t , … , ε n ,t ) ' . On

obtient le modèles ARCH de la forme suivante :

ε t=ηt H 1/t 2 Avec E( ηt )=0 et Var (ηt )=I

H t est une matrice de dimension N × N , definie positive mesurable par raport à l’ensemble
des informations disponibles à la date t-1. Cette définition générale du processus multivarié
permet une grande variété de représentation possible. Dans le cadre de notre travail, nous
nous limiterons qu’à la présentation de deux modèles les plus utilisés à savoir les modèles
GARCH vectoriel et les modèles BEKK.

 Le modèles GARCH vectoriels

Le modèle VEC-GARCH a été introduit par Bollerslev, Engle et Wooldridge (1988). Il est
une généralisation du modèle GARCH. En effet cette représentation présente une expression
de H t similaire à l’expression de la volatilité dans le modèle GARCH univarié. On a :

q p
ht =C 0 +∑ A i et +∑ B j ht − j Où e t =(e ⃗ ' ⃗
t e t ) et ht =( H t ).
i=1 i=1
 ⃗ un opérateur qui consiste à mettre les colonnes de la matrice triangulaire inferieure
Avec (.)

en un vecteur de taille : ( N ( N2+ 1) , 1) , C est un vecteur de dimension ( N ( N2+1) ,1) et A et

0 i

N ( N +1 ) N ( N +1 )
B j sont des matrices de dimension ( , ).
2 2

Le modèle vectoriel est un modèle très flexible (chaque variance conditionnelle et covariance
dépend du carré passé des résidus et de la valeur passée des variances conditionnelles et de
covariance). On peut donc remarquer l’existence d’un grand nombre de paramètre à estimer :

N (N +1) 2 N ( N + 1)
(
( p+q ) N
2 )+N
2
,Qui est assez large. Avec p=q=1,il est égale à 78. Cela

rend l’estimation assez lourde. Il existe aussi des conditions restrictives pour garantir que H t
soit définie positive.

Pour illustrer le modèle vectoriel, en considérant le modèle GARCH (1,1) avec deux équation
( N =2) et en utilisant l’opérateur vech(.) tel que ht =vech(H t ). On a :

h11 ,t C 1 a 11 a12 a13 ε 21 ,t−1 b11 b 12 b13 h1 , t−1

( )( )(
h22 ,t C 3 a31 a32 a33 )( 2
ε 2 ,t−1 )( )( )
ht = h21 ,t = C 2 + a21 a22 a23 ε 1 , t−1 ε 2 ,t −1 + b21 b 22 b23 h12 ,t−1
b31 b 32 b33 h22 ,t−1

 Modèle GARCH-VEC diagonal

Dans certaines séries financières, on peut supposer que la volatilité et la covariance ne

dépende que des résidus carrés et leur passé dans les modèles précédents. Dans ce modèle les
matrices Ai et B j sont des matrices diagonales, ce qui réduit le nombre de paramètres à :

( N +1)
(
( p+q +1) N
2 )
Exemple (pour p=q=1 et N=2, il est égal à 18) dans le cas de l’exemple

précédent on obtient :

h11 ,t C 1 a11 0 0 ε 21 ,t −1 b 11 0 0 h1 , t−1

( )( )(
h22 ,t C3 0 0 a33 )( )(
0 )( )
ht = h21 ,t = C 2 + 0 a22 0 ε 1 ,t −1 ε 2 , t−1 + 0 b 22 0 h12 ,t −1
ε 22 ,t −1 0 b33 h22 ,t −1
Une telle représentation, il est facile d’obtenir la condition pour que H t soit définit positive
quelque soit t. Il est à noter que l’estimation de ce modèle est moins difficile que le modèle ⃗¿
complet. Aussi ce modèle ⃗¿semble être assez restrictif car aucune interaction n’existe entre
les variances et les covariances conditionnelles.

 Le modèle BEKK

Le modèle BEKK pour (Baba-Engle-Kraft-Kroner) est défini par Engel et Kroner (1995) est
une version contrainte du modèle ⃗¿ dans laquelle la matrice des covariances conditionnelles
H t est definie positive par construction. Le modèle peut donc s’écrire sous la forme suivante :

K q K P
H t =C' C+ ∑ ∑ A 'ik ε t −i ε 't−i A ik + ∑ ∑ B ' H t− j B jk
k=1 i =1 k=1 j=1

Avec Aij et BJk tq kϵ { 1, … K } des matrices de dimension N × N et C une matrice constante de

dimension N × N .

Dans le cas d’un modèle BEKK-GARCH (1,1) avec K=1, l’expression du modèle est la
suivante :

H t =C' C+ A' ε t −1 ε 't−1 A+ B ' H t−1 B

Dans le cas où N=2, la relation précédente devient :

2
a 11 a12 ' ε 1 , t−1 ε 1 ,t −1 ε 2 , t−1 a11 a 12 b11 b12 '
h11, t−1 h 12, t−1 b11 b 12
H t =C' C+
( )(
a21 a22 ε 2 , t−1 ε 22 ,t −1 )( )(
+
a21 a 22 b 21 b22 )( )(
h21, t−1 h 22, t−1 b21 b 22 )
C11 0
Avec C= ( C21 C 22 )
Dans le cas où N= 3 on a la relation précédente devient :

a 11 a12 a13 '

ε 21 , t−1 ε 1 ,t −1 ε 2, t−1 ε 1 ,t −1 ε 3 ,t−1 a 11 a12 a13 b11 b12 b 13 ' h11 ,t −1 h12 ,t
'

(
H t =C C+ a21 a22 a23
a31 a32 a33 )( ε 2 ,t −1 ε 1 ,t−1 ε 22 , t−1
ε 3 ,t −1 ε 1 ,t−1 ε 3 ,t −1 ε 2 ,t−1 )( )( )(
ε 2 ,t −1 ε 3 ,t−1 a21 a22 a23 + b 21 b22 b 23 h21 ,t −1 h22 ,t
ε 23 , t−1 a31 a32 a33 b 31 b32 b 33 h31 ,t −1 h32 ,t

C11 0 0

(
Avec : C= C21 C 22 0
C31 C 32 C33 )
En développant on obtient :
h11 ,t =a211 ε 21 ,t−1 +2 a11 a12 ε 1 ,t −1 ε 2 ,t −1 +2 a11 a 31 ε 1 , t−1 ε 3 ,t −1+ a221 ε 22, t−1 +2 a21 a31 ε 2, t−1 ε 3 ,t −1+ a231 ε 23 ,t −1 +b 211 h11, t−1 +2 b1

h22 ,t =a 212 ε 21 , t−1 +2 a12 a 22 ε 1 , t−1 ε 2 ,t −1 +2 a12 a32 ε 1 ,t−1 ε 3 , t−1 +a222 ε 22 ,t −1+2 a 22 a32 ε 2 ,t −1 ε 3 ,t−1 +a32
2 2
ε 3 , t−1+ b212 h11,t −1+ 2b

h33 , t=a213 ε 21, t−1 +2 a13 a23 ε 1 ,t−1 ε 2 , t−1+ 2 a13 a 33 ε 1 , t−1 ε 3 ,t −1+ a223 ε 22 ,t −1 +2 a23 a33 ε 2 ,t −1 ε 3 , t−1 +a33
2 2
ε 3 , t−1 +b213 h11, t−1 +2 b

Les équations (5), (6) et (7) démontrent comment les chocs sont transmis entre les marchés au
cours du temps.

Pour ces modèles on maximise la fonction suivante en supposant que les erreurs suivent une
loi normale tel que :

T
L (θ )=−Tln ( 2 π )−1/ 2 ∑ ( ln| H t|+ ε 't H −1
t εt ¿) ¿
t=1

Où θ est la valeur du paramètre estimé et T le nombre des observations. Le nombre des

2 N (N +1)
paramètres reste assez élevé ( p+q ) K N + ainsi pour p=q =1, N=3 et K=1 il est de
2
24.