Etude Sur Eviews

REMFO N°10 mars 2020 ISSN 2489-205X
Revue D’Etudes en Management et Finance D’Organisation

N°10 mars 2020
LES FACTEURS DE RISQUE DETERMINANTS LES RENDEMENTS

DES ACTIONS DES SOCIETES COTEES A LA BOURSE DES
VALEURS DE CASABLANCA: ESSAI DE MODELISATION
THE RISK FACTORS DETERMINING THE RETURNS OF
COMPANIES' SHARES LISTED ON THE CASABLANCA STOCK
EXCHANGE: MODELING TEST
Mustapha BENGRICH
Enseignant Chercheur
Laboratoire de recherche LEREG
FSJES Université Ibn Zohr, Agadir Maroc
E-mail : m.bengrich@uiz.ac.ma
Mohamed EL GHADOUIA
Doctorant
Laboratoire de recherche LEREG
FSJES Université Ibn Zohr, Agadir Maroc
E-mail : melghadouia@gmail.com
Résumé
L’objet de ce papier consiste à analyser la relation linéaire et la force d’association entre le rendement
des actions et ses variables présumées exogènes (Bêta, Size, Std_Dev, Dividend_Yield, B_M_ratio et
total rik). L’échantillon est constitué d’observations annuelles de soixante-sept sociétés cotées à la
bourse des valeurs de Casablanca, observées sur la période qui s’étale de 2013 jusqu’à l’an 2017. Les
résultats obtenus, au moyen d’une analyse corrélationnelle et d’une régression linéaire multiple, font
ressortir l’existence des relations positives et faibles entre le rendement et ses variables explicatives.
Nous concluons que seulement les variables Bêta, Size et Std_Dev sont statistiquement significatives
pour expliquer la variation longitudinale du rendement d’une action cotée sur le marché boursier
marocain.
Mots-clés : Rendement, Bêta, taille, écart type,Ratio cours/bénéfice, Dividende, Ratio valeur/cours,
Risque total.
Abstract
The purpose of this paper is to analyze the linear relationship and the association’s power between the
stock return and its presumed exogenous variables (Beta, Size, Std_Dev, Dividend_Yield, B_M_ratio
and total rik). The sample consists of annual observations of sixty-seven companies’ shares listed on the
Casablanca Stock Exchange, observed over the period from 2013 to 2017. The results obtained, by
means of a correlational analysis and multiple linear regression, highlight the existence of positive and
weak correlation between stock return and its explanatory variables. As a result also, only the variables
Beta, Size and Std_Dev are statistically significant to explain the return longitudinal variation in the
Moroccan stock market.
Keywords: Return, Bêta, Size, Std_Dev, Dividend_Yield,PER, B_M_ratio, Total rik.
REMFO http://revues.imist.ma/?journal=REMFO&page=about
INTRODUCTION
2
Sur la base des travaux de Markowitz [25], [37], Lintner [24] et Mossin [30] ont développé le
Modèle d’Equilibre des Actifs Financiers (MEDAF). Ce modèle a abouti, sous certaines
hypothèses, à la relation d’équilibre entre la rentabilité espérée d’un actif financier quelconque
et son risque. Encore une dizaine d’années plus tard, à la fin des années 70, Ross [37] développa
un modèle multifactoriel alternatif au MEDAF nommé modèle d’évaluation par arbitrage
(MEA) ou Arbitrage Pricing Theory (APT). Ainsi, le modèle de Markowitz, le MEDAF et
l’APT constituent le noyau dur de la théorie classique du portefeuille1.Toutefois, Faris [18] a
indiqué que depuis longtemps, les marchés financiers sont devenus de plus en plus volatils.
Ainsi, plusieurs entreprises ont connu des pertes financières importantes ou des faillites
spectaculaires à cause d’une mauvaise maîtrise des risques. Il a précisé également que parmi
les risques auxquels les entreprises sont confrontées, on trouve le risque sur action ou d’un
portefeuille d’actions.
Lorsqu’un investisseur veut acheter un titre financier, il s’attend à recevoir un rendement
espéré. Mais, il y a toujours le risque qui règne sur ce rendement attendu. En fait, tout
investisseur court deux types de risques, le risque spécifique qui est propre au titre et est
diversifiable, et le risque systématique ou non diversifiable qui provient du marché affectant
l’ensemble des titres contrairement au risque spécifique [11]. Le premier type est relatif aux
influences spécifiques à l’entreprise tels que les coûts d’exploitation, la mauvaise gestion,
l’invention technologique qui rend obsolète la principale gamme de produits, etc. Il est baptisé
également le risque unique à un actif quelconque ou à une propriété donnée. Ces facteurs
spécifiques n’affectent que l’actif en question appartenant à une entreprise donnée sans affecter
sensiblement les autres entreprises [1]. Tandis que, le deuxième type est dû aux conditions
économiques générales, telles que la fiscalité, le taux d’inflation, le taux d’intérêt, le taux de
change, etc. il est connu également sous le nom du risque du marché qui ne pourra pas être
éliminé par la diversification [29].
Le MEDAF a fait l'objet de nombreuses recherches et essais. Pourtant, les chercheurs n’ont
obtenu que des résultats mitigés [40] [24] , [17], [37] et [39].
Par ailleurs, des efforts importants ont été déployés pour identifier les autres facteurs qui
capturent le risque. Ces facteurs ont été identifiés à la fois sur la base des études empiriques et
des théories existantes, telles que le bêta du modèle d'évaluation des actifs financiers, les
indicateurs financiers et les indicateurs boursiers.
Le présent article présentera ces facteurs et testera la validité de leur relation linéaire avec le
rendement. Pour ce faire, nous analysons d’abord, à travers une revue de littérature, les
fondements théoriques du MEDAF, ses extensions, ses tests et les critiques y adressées qui font
apparaitre d’autres facteurs déterminants du rendement. Nous exposerons ensuite la
méthodologie de recherche adoptée pour mener à bien cette étude basée sur une approche en
panel. Elle couvre une période de cinq ans (2013-2017). Les données utilisées sont d’une
1
Grâce aux travaux de Sharpe et de Fama, dans les années soixante, la littérature relative à la gestion des portefeuilles a connu
des extraordinaires développements qui ont donné naissance à de nombreux concepts théoriques à savoir l’optimisation de
portefeuille, le coefficient bêta, the Dividend Discount Model, les stratégies de gestion de portefeuille etc.(Broquet, Cobbaut,
Gillet &Van Den Berg, 2009).
fréquence annuelle et sont relatives aux entreprises cotées à la bourse des valeurs de Casablanca.
3
Enfin, La dernière partie sera réservée à l’interprétation des résultats.
1. CADRE THEORIQUE
L’objectif de cette section est de positionner cette recherche dans le cadre théorique de la
gestion de portefeuille des actifs financiers. Il s’agit de se focaliser sur une revue de littérature
du modèle d’évaluation des actifs financiers ainsi que ses extensions, ses tests empiriques et les
critiques y adressées qui font apparaitre d’autres facteurs déterminants du rendement en plus du
bêta.
1.1. MEDAF : définition et expression mathématique
Le modèle d’évaluation des actifs financiers a été développé par Sharpe [38], Lintner [24] et
Mossin [30] à partir des travaux de Markowitz. En effet, le modèle prédit la relation entre le
risque et les rendements attendus des actifs. Il relie également le taux de rendement requis pour
un titre à son risque [9].
Bien que certaines hypothèses soient communes entre ces deux modèles, Sharpe [38] et Lintner
[24] ont ajouté deux autres hypothèses clés au modèle de Markowitz afin d’élaborer la théorie
de l’équilibre financier [16]. La première hypothèse indique que tous les investisseurs ont les
mêmes anticipations sur les rendements et la deuxième révèle qu'il existe des emprunts et des
prêts à un taux sans risque identique pour tous les investisseurs sans contrainte quantitative.
Par conséquent, le MEDAF est considéré comme un modèle à un seul facteur, qui permet
d’établir une relation entre le rendement espéré d’un actif et son risque systématique exprimé
par le bêta.
En effet, la formulation de base du MEDAF est la suivante [38] , [16]:
E(Rit) = Rft + βi (E(Rmt) – Rft)
Avec :
Rit : la rentabilité du titre i pendant la période t ;

Rmt : la rentabilité du marché pendant la période t ;
Rft : le taux sans risque sur la période t ;
βi : le risque systématique du titre i, est la covariance de son rendement avec le rendement du
marché divisé par la variance du rendement du marché soit :
𝐂𝐨𝐯( 𝐑𝐢, 𝐑𝐦)
𝛃𝐢 =
𝐕𝐚𝐫 (𝐑𝐦)
En suivant le principe du MEDAF, un portefeuille efficient doit être composé des actifs risqués
et d’actif sans risque. En plus, ce modèle explique le compromis entre les rendements des actifs
et leurs risques. Chaque actif comporte deux types de risque: un risque diversifiable ou unique
et un risque non diversifiable ou de marché.
Rossi [35] a précisé que la principale attraction de ce modèle est le fait qu’il permet aux
4
gestionnaires financiers de l'utiliser comme moyen pour compléter d'autres techniques et leur
propre jugement en essayant de développer des calculs réalistes et utiles du coût des capitaux
propres. Malgré que son application ne cesse de susciter des débats, les problèmes de finance
d'entreprise profitent également de l'utilisation de ses techniques. Les problèmes empiriques du
MEDAF peuvent refléter des échecs théoriques, résultat de nombreuses hypothèses
simplificatrices. Cependant, ils peuvent également être causés par des difficultés lors de la mise
en œuvre de tests valides du modèle. Malgré sa simplicité, de nombreuses critiques ont été
formulées à l'encontre du MEDAF [4].
1.2. Extensions et tests du MEDAF
Chacune des hypothèses du MEDAF présentent un certain degré d’irréalisme et peut en
conséquence être nuancée, voire modifiée [11] . Cependant, Black [7] a supposé qu’il n’existait
pas d’actif sans risque et qu’aucun emprunt ou prêt sans risque n’est autorisé. Il a ensuite montré
que le rendement attendu de tout actif risqué est une fonction linéaire de son bêta [14].
On aura en effet, la formule simple suivante :
E(Rit) = αi + βi(E(Rmt))
Brenan [10] a précisé, dans le même contexte, que tout investisseur est soumis à des taux
d’impôt sur les dividendes, comme il a traité également l’effet de la politique de dividende sur
la valeur de la société dans le cadre de la condition d’équilibre du marché.
Par ailleurs, Lévy [23] a indiqué que la prise en considération du coût de transaction, du coût
de l’accès à l’information ou même du coût du suivi du nouveau développement financier de
tous les titres est susceptible de contredire le résultat théorique affirmant que chaque
investisseur détient dans son portefeuille tous les titres disponibles sur le marché, car de
nombreux investisseurs détiennent les actions d'une seule société.
De même, en présence d’inflation, la mesure habituelle du bêta peut être une sous-estimation
du risque pour les actifs à faible bêta et une surestimation du risque pour les autres actifs, ce
qui contribue à expliquer au moins une partie de la non-linéarité observée dans la relation entre
le rendement et le risque non diversifiable [19] . En effet, différentes études et tests ont été
effectués au cours des années 70 dans l'objectif d'analyser la validation empirique du MEDAF.
Ainsi, il existe différents modèles économétriques qui ont été utilisés en ce sens, tels que le
modèle de Black [7], le modèle de Blume et Friend [8] et le modèle de Fama et MacBeth [17].
Ces études ont abouti à des résultats qui ont validé le modèle. Tandis que, la plupart des études
empiriques ultérieures telles que Roll [35], Basu [3], Banz [2], Bhandari [6] et Fama [15] ont
rejeté l'existence de la droite de marché pour l’évaluation des titres individuels ou Security
Market Line (SML) [4].
1.3. Critiques adressées au MEDAF : apparition d’autres facteurs de risque
Rossi [35] a précisé que les principales limites du MEDAF résultent d’hypothèses irréalistes.
Tout d’abord, il est très difficile de trouver un titre sans risque. Un titre gouvernemental très
liquide à court terme est considéré comme sans risque. Ensuite, l’hypothèse de l’égalité entre
taux débiteurs et taux créditeurs, qui sont différents en pratique, est un autre inconvénient
important. En pratique, ces taux diffèrent. La dernière limite est que le bêta ne reste pas stable
5
dans le temps, car les investisseurs ne disposent pas des données supplémentaires nécessaires
pour estimer la version bêta. Ils l’estiment uniquement à partir de données historiques.
Cependant, la plupart des études ont montré que les bêtas historiques sont de mauvais
indicateurs du risque futur des titres.
D’après une panoplie de travaux menés sur plusieurs portefeuilles d’actifs cotés à la bourse de
NYSE, Fama et MacBeth [17] ont confirmé la validité du MEDAF. Ils ont estimé le bêta en
utilisant des études longitudinales sur des données mensuelles pour une longue période de 1935
à 1968. Les résultats auxquels ils ont parvenu montrent que le bêta est statistiquement
significatif, mais il est faible sur plusieurs sous-périodes. Une étude similaire à celle de Fama
et MacBeth menée par Tinic et West [41] en utilisant les mêmes données de la NYSE sur la
période 1935-1982. En fait, ils ont constaté que le MEDAF ne pourrait pas tenir. En sus, Roll
[31] a soulevé également de sérieux doutes quant à l’applicabilité du MEDAF.
Plusieurs études telles que Basu [3], Banz [2], Shiller [40] et Rosenberg & al. [34] ont représenté
le socle pour montrer qu'une relation linéaire du MEDAF à un seul facteur ne tient pas et que
la bêta seule ne peut expliquer la relation risque-rendement. A cet effet, d’autres facteurs non
liés au marché contribuent également aux relations risque-rendement des actifs.
Parmi ces facteurs, on trouve le PER (Price Earning Ratio)2. Basu [3] a constaté que lorsque les
titres sont triés selon les ratios PER, Ceux dont le ratio PER est élevé, ils auront des rendements
futurs supérieurs à ceux prévus par le MEDAF.
D’autres études ont soulevées que les rendements moyens des actions américaines sont
positivement corrélés aux ratios book-to-market (B/M)3. Ils ont montré que les actions ayant un
ratio (B/M) élevé, ils ont des rendements moyens élevés qui ne sont pas capturés par leurs bêtas
Rosenberg & al. [34]. En plus, Chan et al. [12] ont confirmé également une association positive
entre ces ratios et les rendements des actions sur le marché japonais. En effet, ces travaux
corroborent ceux de [15] qui ont conclu que les ratios (B/M) sont supérieurs aux autres facteurs
de risque pour expliquer la représentation transversale du rendement des actions.
Plusieurs documents ont été publiés au cours des dernières années, traitant à la fois l’impact
théorique et empirique des rendements de dividendes sur les rendements des titres. La relation
entre les rendements en dividendes et les rendements des actions ordinaires aux États-Unis a
également fait l’objet de nombreuses critiques dans la littérature. Bien que les preuves
empiriques qui sont peu mitigées, vont généralement vers une relation positive entre les
dividendes et les rendements Rosenberg and al. [34]. Ainsi, au Japon par exemple, les
institutions financières cotées en bourse comptent sur les dividendes comme une source
importante de liquidités pour faire face à leurs autres engagements [21].
En effet, Lakonishok et Shapiro [22] ont précisé que seule la taille semble plus explicative de
la variation transversale des rendements que le bêta et la variance, à des niveaux standards de
signification statistique. En outre, plusieurs travaux de recherche, à titre d’exemple ceux de
2
C’est un indicateur boursier correspondant au rapport entre le cours d’une action et son bénéfice (Shiller, 2005).
3
C’est le rapport entre la valeur comptable d'une action et sa valeur de marché. C’est un indicateur boursier qui permet
d’apprécier le niveau de valorisation d’un titre.
Fama [15] et Banz [2] ont indiqué que la taille de l’entreprise et le ratio (B/M) étaient les
6
déterminants les plus importants du rendement moyen des actions. Chan et al. [13] ont
également constaté que les rendements espérés des entreprises à petite capitalisation sont plus
exposés aux risques de production et aux variations de la prime de risque que celles des
entreprises à grande capitalisation. Alors que, Berk [5] a signalé que la taille est négativement
corrélée au rendement espéré.
Selon Lévy [23], Mayshar [26], Mayshar [27], et Mayshar [28], il existe des obstacles au niveau
du marché, tels que les coûts de transaction, l’inflation, les taxes et autres obstacles qui limitent
la diversification. Ainsi, le MEDAF qui présume une diversification complète, est mal spécifié
et une mesure de risque inappropriée est donc utilisée pour calculer les rendements espérés. En
particulier, ces auteurs ont vérifiés l'hypothèse selon laquelle les actions de petites entreprises,
qui ne sont pas largement détenues, sont davantage influencées par leurs propres variances que
les actions détenues à grande échelle des entreprises de taille importante4. Ils ont constaté que
les mesures alternatives du risque (variance ou écart type résiduel) peuvent expliquer, à des
niveaux faibles de signification statistique, le rendement espéré [22]. Levy [23] a mentionné
que la variance d’un titre joue un rôle central dans la relation risque-rendement et sa prise en
compte est justifiée par le fait que lorsque les avoirs d'un actif sont concentrés dans un nombre
relativement restreint de portefeuilles non diversifiés, la variance de l'actif lui-même (écart
type) affectera considérablement les rendements requis à l'équilibre.
De ce qui précède, il est possible de présumer que chaque facteur de risque parmi ceux
susmentionnés peut influencer, à son tour, et à un niveau donné de signification statistique le
rendement d’une action. A cet égard, nous allons tester dans cette étude l’existence d’une
relation linéaire entre le rendement d’une action, le bêta, le PER, book-to-Market ratio, la taille,
le rendement du dividende et le risque total. Il s'agira de se prononcer sur les déterminants qui
expliquent ou prédisent mieux le rendement d’un titre.
2. CADRE MÉTHODOLOGIQUE
Ce développement, consacré à la méthodologie déployée, présentera successivement
l’échantillon ainsi que les données de l’étude, les variables observées dans le cadre de cette
recherche et leurs mesures, et enfin les analyses et tests statistiques effectuées.
2.1. L’échantillon et les données de l’étude
L’échantillon de base comprend soixante-quinze (75) actions de différentes sociétés reparties
dans vingt et un (21) secteurs d'activité différents à la bourse des valeurs de Casablanca. Après
l’ajustement de cet échantillon, suite à la pérennité et la continuité de cotation des sociétés sur
la période de notre analyse, soixante-sept (67) actions ont été effectivement retenues. Les
données ont été collectées sur une période d’étude qui s’étale sur cinq années (2013-2017). De
plus, ces données se composent d’un certain nombre de séries de rentabilité mensuelles et
annuelles des actions choisies qui sont cotées sur les différents marchés de la bourse de
Casablanca. D’ailleurs, contrairement aux sources primaires qui sont des informations de
4
Même si la compensation par unité de variance est identique pour les grandes et les petites entreprises, le fait que les petites
entreprises ont tendance à avoir des variances plus élevées pourrait également expliquer une partie de l'écart de rendement
(Lakonishok et shapiro, 1985).
première main, les sources secondaires proviennent de documents publiés. Enfin, et dans le but
7
d'enrichir la revue de littérature et l’étude empirique, les informations fournies dans cette
présente recherche sont recueillies auprès de sources secondaires.
2.2. Définition et mesures des variables
Toutes les variables ont été mesurées à partir des données quantitatives disponibles sur le site
de la bourse de Casablanca. Aussi, pour simplifier l’analyse, nous avons tenté de mesurer la
variable dépendante (rendement) et les variables indépendantes (le bêta, le PER, book-to-
Market ratio, la taille, le rendement du dividende et le risque total.
2.2.1. Mesure de la variable endogène

La rentabilité des actions dans cette étude est calculée en utilisant la formule suivante Broquet
& al.[11]:
𝐑𝐢, 𝐭 = 𝐂𝐭 − 𝐂𝐨 + 𝐃𝐭
𝐂𝐨
Avec ;
Rit : la rentabilité entre les dates 0 et t ;
Ct : le cours à l’instant t ;
Co : le cours à l’instant 0 ;
Dt : le dividende payé entre les dates 0 et t.
2.2.2. Mesure des variables exogènes
Le tableau ci-dessous présente les variables explicatives et leurs mesures.
Tableau N°1 : Mesures des variables explicatives

Variables Mesures Références
Bêta (le risque la covariance du rendement d’un titre avec le Sharpe (1964) et Fama& French
systématique) rendement du marché divisé par la variance du (2004)
rendement du marché.
Size Logarithme naturel de la capitalisation Mohanty (2002) et Banz (1981)
boursière5.
Book –to- Rapport de la valeur comptable d’un titre6 et Stattman (1980) et Rosenberg,
Market Ratio le cours d’un titre à la fin de l’année t. Reid et Lanstein (1985)
Price Earnings Rapport du cours de clôture d’un titre à la fin Shiller (2005)
Ratio (PER) de l’année t et le bénéfice par titre réalisé à
l’année t.7
Dividend Dividende par action à la fin de l’exercice Rao, Aggarwal et Hiraki (1992)
Yield
Total risk Ecart type du rendement d’un titre. Lakonishok et shapiro (1986)
Source : Elaboré par les auteurs
5
La capitalisation boursière a été calculée en multipliant le cours de clôture des actions de l’année t par le nombre d’actions en
circulation à la fin de l’année t.
6
Lors du calcul de la valeur comptable par action, les réserves de réévaluation ont été ignorées.
7
Pour les sociétés dont le bénéfice par action est négatif ou nul, ce ratio a été fixé à zéro car il est non significatif.
2.3. Méthode d’analyse et Tests statistiques et économétriques

8
Cette recherche adopte une méthode longitudinale quantitative. Dans un premier temps, le
traitement des données est effectué à l'aide du logiciel Excel pour trier et traiter les données et
aussi par l’utilisation du logiciel Eviews 8. Ensuite, nous avons eu recours à des tests statistiques
univariés, bivariés et multivariés. Ainsi, les méthodes statistiques univariées sont liées à une
seule variable et regroupent des tests paramétriques et non paramétriques [20]. En effet, cette
méthode comprend une analyse descriptive des variables avec la présentation de quelques
indicateurs de tendance centrale. Ensuite, les tests bivariés sont relatifs au test de corrélation
qui a été mis en évidence pour vérifier les rôles présupposés des variables exogènes sur la
variable rendement et pour faire ressortir le sens et la force de la relation. Pour donner plus de
signification à l’analyse, le test de Hausman vise à spécifier le modèle approprié qui devra
faciliter par la suite la détermination du niveau de contribution significative des facteurs de
risques dans l'explication du rendement.
Enfin, on effectuera une analyse de régression linéaire multiple car il s'agit d'étudier la relation
entre les variables. Comme variable dépendante, il y a le rendement et comme variables
indépendantes, il y a le bêta, le PER, book-to-Market ratio, la taille, le rendement du dividende
et le risque total. Cette analyse multivariée cherche d’une part à quantifier l’association entre la
variable rendement et ses variables explicatives. D’autre part, elle introduit dans l'analyse
uniquement les variables qui ont une contribution statistiquement significative dans
l'explication du phénomène étudié « rendement ».
3. RESULTATS ET DISCUSSIONS
Cette section traite d’abord les statistiques descriptives. Ensuite, nous présentons les différents
tests des données collectées dans lesquels nous vérifions l’existence ou non de la relation entre
le rendement et les facteurs de risques. Enfin, une analyse explicative pour
quantifier l’association entre la variable rendement et ses variables explicatives.
3.1. Les résultats de l’étude statistique descriptive

Le tableau n°2 fournit des statistiques descriptives basées sur 335 observations annuelles de
toutes les variables utilisées dans cette analyse.
Tableau N°2 : Statistiques descriptives

9
STD_DEV SIZE RETURN PER DIVIDEND_YIELD BETA B_M_RATIO
Mean 0.071328 20.8957 0.006778 4.371385 31.97872 0.552344 1.181983
Median 0.063246 21.08561 0.008494 0 10.3 0.471 1.030769
Maximum 0.264575 25.55023 0.099607 278.25 922 4.343 9.4
Minimum 0 16.94836 -0.181815 1.11 0 -3.619 0.100461
Std. Dev. 0.04359 2.026545 0.029618 17.52832 65.59323 1.042842 0.977358
Skewness 1.327632 0.066919 -1.293082 12.20079 8.144646 0.030108 4.977681
Kurtosis 5.836151 2.272626 9.966975 182.061 103.4874 5.573557 35.2444
Jarque-Bera 210.6895 7.635014 770.8767 455855.1 144651.1 92.49938 15895.89
Probability 0 0.021983 0 0 0 0 0
Observations 335 335 335 335 335 335 335

Source : Elaboré par les auteurs.
Parmi les soixante-sept, quarante-cinq actions, soit 67.16% affichent des rendements positifs et
parfois négatifs sur la période de l’étude. Tandis que, 32.84% montrent des rendements positifs.
D’après les données collectées, il semble que presque 97% des actions réalisent des rendements
supérieurs à la moyenne qui est de (0.67%). Ce tableau fait apparaitre également les variations
parfois sensibles de l’écart-type comme par exemple une volatilité excessive qui est au
maximum de 0.264.
Ensuite, on constate que les actions des sociétés Afriquia Gaz, Atlanta, Auto Hall,
Lafargeholcim Mar, Sonasid, Wafa Assurance, Nexans Maroc, Stroc Industrie, Samir, Delta
Holding, Itissalat Al-Maghrib, Managem, Minière Touissit, Alliances, DoujaPromAddoha,
Snep et Fenie Brossette, présentent des risques systématiques importants supérieurs à l’unité
(βi > 1). Elles ont donc des sensibilités importantes par rapport au rendement du marché.8 Alors
que, les bêtas des actions des sociétés Cosumar, Maroc Leasing, Balima, Timar et Rebab
Compagny ont des valeurs négatives. Ces titres évoluent dans le sens opposé de celui du
marché. Par conséquent, toutes les autres actions ayant des risques systématiques inférieurs à
l’unité (βi < 1), elles suivent la tendance de leur marché et amortissent les variations. Ces titres
sont des titres défensifs.
8
On remarque à titre d’exemple que quand le rendement du marché varie en haut ou en bas de 1%, la rentabilité de l’action
de la société Sonasid augmente ou diminue de 4.26%, et celle de l’action de la société Alliances varie de 3.15%.
Concernant le price earnings ratio, on observe qu’il a comme valeur minimum de 1.11 et comme
10
valeur maximum de 278.259. Ce qui signifie que les investisseurs en actions de la société
Cosumar sont prêts à débourser 1.11dhs pour chaque dirham de bénéfice généré par la société.
En sus, les sociétés Afric Industrie, Alliances, Atlanta, AttijariWafa Bank, Auto Hall, Ciments
du Maroc, Lesieur Cristal et Maghreb Oxygène ont des PER supérieurs10 à leurs PER sectoriels
moyens. Cela signifie que les actions de ces sociétés sont surévaluées. D’où, l’apparition du
risque de baisse du cours est probable. Par contre, les sociétés Centrale Danone, Colorado,
Cosumar, Delta Holding et Lafargeholcim Mar ont des PER inférieurs11à leurs PER sectoriels
moyens. Cette situation signifie que les actions de ces sociétés sont sous-évaluées, ce qui les
rendent intéressant à l’achat.
3.2. Résultats de l’étude économétrique
Nous avons procédé à l’analyse économétrique de la relation entre le rendement et ses facteurs
explicatifs. Les résultats des tests ci-dessous ont été obtenus en appliquant le logiciel Eviews 8
sur les variables mesurées sur la période de l’étude pour chaque action.
3.2.1. Test de corrélation entre le rendement et les facteurs de risque
D’après le tableau n°3, il existe une relation positive et faible (r = 0.190) entre le rendement et
le bêta. Cela suggère que plus le risque systématique d’une action est élevé, plus l’action réalise
un rendement important. On observe également un lien positif et faible (r = 0.109) entre le
rendement et le size. Cela signifie que plus l’effet de taille d’une société est importante, plus
elle réalise un rendement important.
Tableau N° 3 : corrélation entre le rendement et les facteurs de risque

DIVIDEND
RETURN STD_DEV SIZE PER _YIELD BETA B_M_RATIO
RETURN 1.000000 0.065404 0.109972 0.019678 0.060473 0.190952 0.085135

STD_DEV 0.065404 1.000000 -0.206105 -0.047292 -0.066867 0.230242 -0.047048
SIZE 0.109972 -0.206105 1.000000 0.028324 0.177514 0.187087 -0.114286
PER 0.019678 -0.047292 0.028324 1.000000 -0.009323 -0.015893 -0.073315
DIVIDEN_
YIELD 0.060473 -0.066867 0.177514 -0.009323 1.000000 -0.028491 0.030919
BETA 0.190952 0.230242 0.187087 -0.015893 -0.028491 1.000000 0.046754
9 Cela signifie que les investisseurs en actions de la société Unimer sont prêts à débourser 278.25dhs pour chaque dirham de
bénéfice généré par la société.
10
Ces sociétés ont également des B_M_ratio supérieurs à l’unité.
11
Ces sociétés ont également des B_M_ratio inférieurs à l’unité.
B_M_RATI 11
O 0.085135 -0.047048 -0.114286 -0.073315 0.030919 0.046754 1.000000
De même, il existe des relations positives et très faible entre le rendement et les autres variables
qui se situent entre (r=0.01) et (r = 0.08).
3.2.2. Test d’homogénéité

Dans le tableau n°4, et selon la méthode levene, on voit que le test d’homogénéité des variances
est non significatif (prob>0.05).Nous devons donc accepter l’hypothèse nulle selon laquelle les
variances sont significativement égales. Ainsi, la prémisse d’égalité des variances est respectée
et il y a une homogénéité totale.
Tableau N°4 : Test d’homogénéité
Test for Equality of Variances of R

Sample: 2013 2017
Included observations: 335
Method df Value Probability
Bartlett 2 4.560252 0.1023
Levene (2, 332) 2.406607 0.0917
Brown-Forsythe (2, 332) 1.354630 0.2595
Category Statistics
Mean Abs. Mean Abs.
R Count Std. Dev. MeanDiff. MedianDiff.
[-0.2, -0.1) 3 0.038602 0.028010 0.025304
[-0.1, 0) 107 0.019472 0.014342 0.013604
[0, 0.1) 225 0.017819 0.013060 0.012745
All 335 0.029618 0.013603 0.013132
3.2.3. Test Hausman
Pour mesurer le niveau d’explication du rendement par les facteurs de risque, on doit modéliser
les données de panel et faire une analyse économétrique. Pour cette raison, on a fait référence
au test Hausman qui va nous aider à choisir la spécification adéquate en modèle à effets
aléatoires et modèle à effets fixes.
Tableau N°5: Hausman Test
Correlated Random Effects - Hausman Test
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Cross-section random 97.290781 6 0.0000
Cross-section random effects test comparisons:
Variable Fixed Random Var(Diff.) Prob. 12

BETA 0.004771 0.004486 0.000001 0.7583
SIZE 0.046219 0.001360 0.000063 0.0000
B_M_RATIO 0.004123 0.002779 0.000016 0.7335
PER 0.000023 0.000050 0.000000 0.5750
STD_DEV 0.169047 0.038894 0.001382 0.0005
DIVIDEND_YIELD -0.000015 0.000022 0.000000 0.1466
On voit que la probabilité de ce test est inférieure à p=0.000 < 5%, on rejette donc l’hypothèse
nulle qui stipule que le modèle à effets aléatoires est privilégié et approprié. Ainsi, on opte pour
le modèle à effet fixe.
3.3. Analyse de la régression multiple et validation du modèle
Avant l’estimation du modèle de régression, il convient d’abord de vérifier quelques prémisses.
Tableau N°6: Fixed-effects model

Dependent Variable: RETURN
Method: Panel Least Squares
Total panel (balanced) observations: 335
Variable Coefficient Std. Error t-Statistic Prob.
C -0.978186 0.170663 -5.731685 0.0000
BETA 0.004771 0.001760 2.710227 0.0072
SIZE 0.046219 0.007967 5.800919 0.0000
B_M_RATIO 0.004123 0.004232 0.974207 0.3309
PER 2.32E-05 9.63E-05 0.241064 0.8097
STD_DEV 0.169047 0.051715 3.268830 0.0012
DIVIDEND_YIELD -1.48E-05 3.43E-05 -0.431016 0.6668
Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.359882 Mean dependent var 0.006778
Adjusted R-squared 0.183972 S.D. dependent var 0.029618
F-statistic 2.045831 Durbin-Watson stat 2.527063
Prob(F-statistic) 0.000023
La lecture du tableau n°6 fait apparaitre des relations significatives et non significatives entre
le rendement et les facteurs de risque. A cet égard, les variables indépendantes (Bêta, Size et
Std_Dev) sont individuellement significatives pour expliquer la variable dépendante sauf
B_M_ Ratio, PER et Dividend_Yield ayant des probabilités de t-statistic de Student supérieures
13
à 5%. En plus, puisque la prob=0.0000< 5% pour F-statistic (F=2.045), les variables
indépendantes sont conjointement significatives pour expliquer la variable dépendante.
Toutefois, on ne constate que 35.98 % du rendement d’une action qui est expliquée par ces
variables exogènes choisis (R²= 0.359). Donc, le modèle est adéquat aux données observées
mais non pas fortement. D’où, la régression est de qualité moyenne puisque 50% des
coefficients de pondération sont significatifs.
3.3.1. Test de multicolinéarité entre les variables explicatives
L’absence de multicolinéarité entre les variables explicatives est une condition fondamentale
pour mener à bien une régression linéaire. Pour faire ce test, nous avons calculé les coefficients
de corrélations entre ces variables, ainsi que les VIF «Variance Inflation Factor ».
Le tableau n°7 montre que tous les coefficients de corrélations sont inférieurs à 0,9 qui
correspond à la limite à partir de laquelle on commence généralement à avoir des problèmes
sérieux de multicolinéarité.
Tableau N° 7: Matrice de Corrélation entre les variables indépendantes

Covariance Analysis: Ordinary
DIVIDEND
Correlation B_M_RATIO BETA _YIELD PER SIZE STD_DEV
B_M_RATIO 1.000000
BETA 0.046754 1.000000
DIVIDEND
_YIELD 0.030919 -0.028491 1.000000
PER -0.073315 -0.015893 -0.009323 1.000000
SIZE -0.114286 0.187087 0.177514 0.028324 1.000000
STD_DEV -0.047048 0.230242 -0.066867 -0.047292 -0.206105 1.000000
Source: Elaboré par les auteurs
De plus, d’après le tableau n°8, nous pouvons remarquer que toutes les variables explicatives
ont une valeur du VIF « Variance Inflation Factor » qui est inférieure à dix, limite suggérée par
Gujarati (1995) et Kennedy (1998). Ces résultats nous permettent de conclure que nous n’avons
pas un problème sérieux de multicolinéarité entre les variables exogènes.
Tableau N° 8: Gujarati and Kennedy test

14
Variance Inflation Factors

Sample: 1 335
Coefficient Uncentered Centered
Variable Variance VIF VIF
STD_DEV 0.001523 4.223584 1.145947

SIZE 7.23E-07 126.5250 1.175501
PER 8.29E-09 1.071176 1.008278
DIVIDEND_YIELD 6.11E-10 1.288419 1.040392
BETA 2.64E-06 1.459075 1.138682
B_M_RATIO 2.74E-06 2.556710 1.036387
C 0.000354 140.5061 NA
3.3.2. La distribution des résidus
On voit sur la figure n°1 que Jarque-Berastatistic = 666.68 avec une probabilité de p=0.00<05%.
On rejette donc l’hypothèse nulle selon laquelle les résidus suivent une loi normale ce qui n’est
pas favorable pour cette régression.
Figure N° 1: Residuals’ normality test

80
Series: Standardized Residuals
70 Sample 2013 2017
Observations 335
60
Mean 1.01e-17
50
Median 0.002651
Maximum 0.087463
40
Minimum -0.176398
30 Std. Dev. 0.028784
Skewness -1.297719
20 Kurtosis 9.405158
10 Jarque-Bera 666.6828
Probability 0.000000
0
-0.15 -0.10 -0.05 0.00 0.05
3.3.3. L’auto-corrélation des résidus
Sur le tableau n°9, on voit que la prob=0.0000<0.05, donc on opte pour l’hypothèse alternative
et on rejette l’hypothèse nulle selon laquelle les résidus sont non auto-corrélés. En effet, les
résidus ont un problème d’auto-corrélation, ce qui est non désirable.
15
Tableau N° 9: Breusch-Godfrey test
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 7.325825 Prob. F(2,326) 0.0008
Obs*R-squared 14.40857 Prob. Chi-Square(2) 0.0007
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Sample: 1 335
Presample missing value lagged residuals set to zero.
STD_DEV -0.031602 0.039236 -0.805418 0.4212
SIZE -0.000252 0.000837 -0.300564 0.7639
PER -7.73E-06 8.94E-05 -0.086471 0.9311
DIVIDEND_YIELD 7.91E-06 2.43E-05 0.324820 0.7455
BETA 0.000397 0.001628 0.243852 0.8075
B_M_RATIO 0.000320 0.001637 0.195538 0.8451
C 0.006702 0.018550 0.361278 0.7181
RESID(-1) -0.181483 0.055968 -3.242601 0.0013
RESID(-2) -0.143851 0.057116 -2.518581 0.0123
R-squared 0.043011 Meandependent var 1.41E-18
S.E. of regression 0.028501 Akaike info criterion -4.251226
Sumsquaredresid 0.264820 Schwarz criterion -4.148757
Log likelihood 721.0804 Hannan-Quinn criter. -4.210375
Source:: Elaboré par les auteurs
3.3.4. Homoscédasticité des variances des résidus
On utilise le test de Breusch-Pagan-Godfrey, on obtient une prob=0.0006 inférieure à 5%. En

effet, le test est significatif, on rejette l’hypothèse nulle selon laquelle les variances des résidus
sont homoscédastiques. Ainsi, les variances des résidus ne sont pas homoscédastiques, ce qui
est non désirable.
Tableau N° 10: Heteroskedasticity test

Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic 20.09568 Prob. F(6,328) 0.0000
Obs*R-squared 90.04604 Prob. Chi-Square(6) 0.0000
Scaledexplained SS 362.7760 Prob. Chi-Square(6) 0.0000
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Sample: 1 335

16
C -0.003458 0.001340 -2.579714 0.0103
STD_DEV 0.028854 0.002781 10.37548 0.0000
SIZE 0.000123 6.06E-05 2.022688 0.0439
PER 2.25E-07 6.49E-06 0.034611 0.9724
DIVIDEND_YIELD -2.66E-06 1.76E-06 -1.507868 0.1326
BETA -0.000657 0.000116 -5.667681 0.0000
B_M_RATIO 9.44E-05 0.000118 0.800184 0.4242
R-squared 0.268794 Meandependent var 0.000826
S.E. of regression 0.002070 Akaike info criterion -9.502290
Sumsquaredresid 0.001405 Schwarz criterion -9.422592
Log likelihood 1598.634 Hannan-Quinn criter. -9.470517
3.3.5. Estimation des coefficients de pondération du modèle linéaire
Malgré le faible coefficient de détermination, autrement dit, l’explication moyenne de la

variable dépendante à partir des variables exogènes, il en résulte que, les résultats obtenus
permettent maintenant de dresser l’équation de régression suivante :
Figure N° 2: Estimation Equation

Estimation Equation:
=========================
RETURN = C(0) +C(1)*STD_DEV + C(2)*SIZE + C(3)*PER + C(4)*DIVIDEND_YIELD
+ C(5)*BETA
+ C(6)*B_M_RATIO +
Substituted Coefficients:
=========================
RETURN = - 0.97818625271+ 0.1690*STD_DEV + 0.0462*SIZE + 2.3214e-05*PER -
1.4782e-05*DIVIDEND_YIELD + 0.0047*BETA + 0.0041*B_M_RATIO
Nous constatons donc que la variabilité expliquée par les variables Size, Bêta et Std_Dev est
plus importante que celle expliquée par les autres variables explicatives non significatives.
3.4. Discussion des résultats
Ce travail a soulevé un modèle à trois facteurs qui vise à capturer le risque sur plusieurs
dimensions en complétant le bêta du MEDAF par deux facteurs de risque supplémentaires : le
size et le ratio standard (total risk) déviation. Il est généralement présenté comme une alternative
au modèle MEDAF pour répondre à la faible puissance de la version bêta du MEDAF pour
expliquer la section transversale des rendements des actions cotées sur le marché financier
17
casablancais. Il est souvent avancé que le size et le total risk prennent en compte une dimension
de risque différente à savoir le risque de détresse financière. Par conséquent, l'association entre
le size et le rendement devrait être positive, c'est-à-dire que les grandes sociétés sont plus
risquées et qu'elles devraient donc générer des rendements plus élevés. Tandis que l'association
entre total risk et le rendement devrait être positive, c'est-à-dire que les entreprises ayant un
risque total élevé sont plus susceptibles d'être en difficulté et devraient donc générer des
rendements plus élevés.
Particulièrement au niveau du marché financier marocain, on constate que les capitalisations

boursières les plus lourdes des sociétés de la place à savoir Attijariwafa Bank, BCP, BMCI,
Cosumar, Ittissalat Al Maghrib et Lafargeholcim MR, qui affichent des taux de rendements
importants. En effet, ces sociétés ont réalisé des évolutions importantes en hausse de
capitalisation qui sont respectivement de 36 milliards, 20 milliards, 797 millions, 10 milliards,
33 milliards et 23 milliards dhs, soient des augmentations entre 2013 et 2017 qui sont
approximativement et respectivement 58%, 59%, 7.60%, 127%, 40% et 101%. Ces
accroissements importants de capitalisation ont entrainé des augmentations importantes du
rendement qui sont respectivement de 200%, 160%, 134%, 282%, 118% et 100%. Ce qui veut
dire que la variation de la capitalisation donne lieu à une variation du rendement dans le même
sens. En ce qui concerne le risque total, on à titre d’exemple la société Alliances et la société
Involys ayant des évolutions du taux de risque entre 2013 et 2017 qui sont respectivement
+202% et -70%, ce qui a entrainé une amélioration du rendement de +17.36% pour la société
Alliances et une diminution du rendement de -118% pour la société Involys. Cela reflète que si
le risque total varie, le rendement varie dans le même sens.
Ainsi, ces deux nouvelles variables size et Total risk influencent également le rendement, en
plus du bêta du MEDAF. Mais, compte tenu de l'origine empirique de ces facteurs de risque, il
est particulièrement important de déterminer s'ils sont également applicables dans différents
contextes de gouvernement d'entreprise, ce qui devrait permettre de savoir s'ils peuvent être
considérés comme des approximations universelles du risque ou si leur validité est limitée à
certains paramètres.
CONCLUSION
18
L’objectif de ce travail de recherche consiste à analyser la relation linéaire statistiquement
significative et force d’association entre le rendement et ses variables déterminants. On s’est
efforcé également de vérifier les niveaux de signification de chaque variable exogène.
Dans un premier temps, nous avons mesuré les variables dépendantes et indépendantes de
soixante-sept actions des sociétés cotées en utilisant les données collectées auprès de la Bourse
des valeurs de Casablanca. Ensuite, on a fait une analyse descriptive pour mettre l’accent sur
quelques indicateurs de tendance centrale, une analyse corrélationnelle en vue de déterminer
les sens et les niveaux de liens entre la variable dépendante et les variables indépendantes et
une analyse relationnelle pour l’objectif de montrer la force d’association entre la variable
endogène et les variables exogènes et de déterminer également les niveaux de participation de
ces variables à la détermination du rendement. En effet, les résultats dégagés indiquent tout
d’abord l’existence d’actions agressives telles que Afriquia Gaz, Atlanta, Auto Hall,
Lafargeholcim Mar, la Sonasid, Wafa Assurance, Nexans Maroc, Stroc Industrie, Samir, Delta
Holding, Itissalat Al-Maghrib, Managem, Minière Touissit, Alliances, Douja Prom Addoha,
Snep et Fenie Brossette. Ces actifs financiers ont des rentabilités qui évoluent plus que
l’évolution de la rentabilité du marché. Ensuite, nous avons précisé que d’autres actions varient
inversement à la variation du marché à savoir Cosumar, Maroc Leasing, Balima, Timar et
Rebab Compagny. Enfin, les autres titres restant dans l’échantillon sont défensifs qui ne font
que suivre la tendance de la rentabilité de leur portefeuille de référence (MASI).
Dans un deuxième temps, nous avons soulevé qu’il existe des relations positives et faibles entre
le rendement et le bêta et la taille qui sont successivement de (r = 0.190) et (r = 0.109). Cela
suggère que plus la taille ou le risque systématique d’une action est élevé, plus l’action réalise
un rendement important. De même, il existe des relations positives et très faible entre le
rendement et les autres variables qui se situent entre (r=0.01) et (r = 0.08).
Enfin, les résultats empiriques dégagés de la régression multiple nous permettent de se

prononcer sur le niveau de la relation entre les variables explicatives et la variable à expliquer.
En effet, les variables indépendantes (Bêta, Size et Std_Dev) sont individuellement
significatives pour expliquer la variable dépendante sauf B_M_ Ratio, PER et Dividend_Yield
ayant des probabilités de t-statistic de Student supérieures à 5%. Toutefois, on ne constate que
35.98 % du rendement d’une action qui est expliquée par ces variables exogènes choisis (R²=
0.359). Ainsi, la régression est de qualité moyenne puisque 50% des coefficients de pondération
sont significatifs.
En effet, nos résultats corroborent ceux obtenus par plusieurs chercheurs à travers différentes
19
études menées sur différents échantillons dans le contexte des marchés financiers, à savoir
l’étude de Novak et Petr [36] qui ont précisé que le B_M_ratio n’est pas statistiquement
significatif pour expliquer le rendement d’une action. D’autres études à savoir Sharpe [38],
Rosenberg & al. [34] et Chan & al.[12] ont soulevé que les rendements moyens des actions
américaines sont positivement corrélés aux ratios book-to-market (B/M). En plus, les résultats
confirment également ceux obtenus par Rao [36] qui indiquent une relation positive entre les
rendements en dividendes et les rendements des actions ordinaires aux États-Unis.
Les résultats obtenus ne sont pas en adéquation également avec ceux de plusieurs auteurs tels
que Novak et Petr [32] qui ont précisé que le Bêta et la taille ne sont pas statistiquement
significatifs pour expliquer le rendement d’une action. En plus, l’étude de Mohanty [31] qui a
indiqué que la taille et le Price Earnings Ratio sont fortement corrélés avec le rendement et que
seulement la taille est statistiquement significative pour expliquer le rendement. Ils sont aussi
en contradiction avec le travail de Basu [3] qui a constaté que lorsque les titres sont triés selon
les ratios PER, ceux dont le ratio P/E est élevé, ils auront des rendements futurs supérieurs à
ceux prévus par le MEDAF.
Cependant, nous signalons, en outre, que nos résultats présentent des limites dans la mesure où
la taille de l’échantillon est insuffisante. Il est composé uniquement des sociétés actives sur le
marché et choisies suite à leur pérennité et à leur continuité de cotation sur la période de l’étude.
Enfin, notre recherche suggère une poursuite des travaux qui pourraient s’orienter sur l’examen
des effets des autres indicateurs financiers et boursiers tels que Momentum, ROE et ROA sur
la rentabilité des actions.
REFERENCES BIBLIOGRAPHIQUES
[1] Abonongo, J. et Ackora-Prah, J. et Kwasi, B. (2016), Measuring the Systematic Risk of
Stocks Using the Capital Asset Pricing Model. Journal of Investment and Management,
(06), 13-21.
[2] Banz, R. (1981). The Relationship Between Return and Market Values of Common Stock,
Journal of Financial Economics, (09), 3-18.
[3] Basu, S. (1977). Investment Performance of Common Stocks in Relation to Their Price-
Earnings Ratios: A Test of the Efficient Market Hypothesis, Journal of Finance, 32(03),
663-682.
[4] Basu, D. et Chawla, D. (2010). An Empirical Test of CAPM-The Case of Indian Stock
Market. Global Business Review, 209-220.
[5] Berk, J-B. (1995). A Critique of Size-Related Anomalies, The Review of Financial Studies,
Summer, 08(02), 275-286. 20
[6] Bhandari, L-C. (1988). Debt/Equity Ratio and Expected Common Stock Returns:
Empirical Evidence, Journal of Finance, 43(02), 507-528.
[7] Black, F-S. (1972). Capital Market Equilibrium with Restricted Borrowing, Journal of
Business, 45, 444-454.
[8] Blume, M-E. & Friend, I. (1973). A New Look at the Capital Asset Pricing Model, Journal
of Finance, 28(01), 19-33.
[9] Bodie, Z. et Kane, A. et Marcus A-J. (2013). Essentials of Investment. Edition McGraw-
Hill. [10] Brenan, J. (1970). taxes, market valuation and corporate financial policy.
National Tax Journal, 23(04), 417-427.
[11] Broquet, C. et Cobbaut, R. et Gillet, R. et Van Den Berg A. (2009). Gestion de
portefeuille, Edition De Boeck.
[12] Chan, KC. et Hamao, Y. et Lakonishok, J. (1991). Fundamentals and stock returns in
Japan», Journal of Finance, 45(05), 1739–1789.
[13] Chan, KC. et Chen, N-F. et Hsieh, DA. (1985), An Exploratory Investigation of the Firm
Size Effect. Journal of Financial Economics 14(3), 451–471.
[14] El bouhadi, A. (2011). Le modèle d’équilibre des actifs financiers : une approche
intertemporelle du bêta : Cas de la bourse de Casablanca. Revue de critique économique,
(27), 97-117.
[15] Fama, E.F. et French, K.R (1992), The Cross-Section of Expected Stock Returns, Journal
of Finance,47(02), 427–465.
[16] Fama, E.F. et French, K-R. (2004).The Capital Asset Pricing Model: Theory and
Evidence. Journal of Economic Perspectives, 18(03), 25–46.
[17] Fama, E.F. & MacBeth, J-D. (1973). Risk, Return, and Equilibrium: Empirical Tests,
Journal of Political Economy, 607–636.
[18] Faris, H. (2008). Gestion de portefeuille. Top Press Rabat.
[19] Friend, I. & Landskroner, Y. & Losq, E. (1976). The Demand For Risky Assets Under
Uncertain Inflation, The Journal of Finance, 29(05), 1287-1297.
[20] Glele Kakaï, R-L. & Lykke, A-M. (2016), Aperçu sur les méthodes statistiques
univariées utilisées dans les études de végétation, Annales des Sciences Agronomiques
20, spécial Projet Undesert-UE, 113-138.
[21] Hodder, J-E. et Tschoegl, A-E. (1985), Some aspects of Japanese corporate finance,
Journal of Financial and Quantitative Analysis 20(2), 173-192.
[22] Lakonishok, J. et Shapiro, A-C. (1986), Systematic Risk, Total Risk and Size as
Determinants of Stock Market Returns, Journal of Banking & Finance 10(1), 115–132.
[23] Lévy, H. (1978), Equilibrium in an Imperfect Market: A Constraint on the Number of
Securities in the Portfolio, The American Economic Review, 68(04), 643-658.
[24] Lintner, J. (1965), Security Prices, Risk, and Maximal Gains From Diversification, The
Journal of Finance, 20(04), 587-615.
[25] Markowitz, H. (1952), Portfolio selection, The Journal of Finance, 77–91.
[26] Mayshar, J., (1979), Transaction costs in a model of capital market equilibrium,
Journal of Political Economy, 673-700. 21
[27] Mayshar, J. (1981), Transaction costs and the pricing of assets, Journal of Finance, 583-
597.
[28] Mayshar, J. (1983), On divergence of opinion and imperfections in capital markets,
American Economic Review, 114-128.
[29] Mehrara, M. et Falahati, Z. et Zahiri N-H. (2014), The Relationship between systematic
risk and stock returns in Tehran Stock Exchange using the capital asset pricing model
(CAPM), International Letters of Social and Humanistic Sciences, (21), 26-35.
[30] Mossin, J. (1966), Equilibrium in a Capital Asset Market. Econometrica, 34(04), 768-783.
[31] Mohanty, P. (2002), Evidence of size effect on stock returns in India. Vikalpa, 27(03), 27-
37.
[32] Novak, J. et Petr, D. (2010), CAPM Beta, size, book9to- market and momentum in
realized stock returns. Journal of economics and finance, 60(5), 447-460.
[33] Roll, R. (1977), A Critique of the Asset Pricing Theory’s Tests, Journal of Financial
Economics, (04), 129-176.
[34] Rosenberg, B. et Reid, K. et Lanstein R. (1985), Persuasive Evidence of Market
Inefficiency, Journal of Portfolio Management, (11), 9-17.
[35] Rossi, M. (2016), The capital asset pricing model: a critical literature Review, Global
Business and Economics Review, 18 (05).
[36] Rao, RP. & Aggarwal, R. & Hiraki, T. (1992), Dividend yields and stock returns :
Evidence from the Tokyo stock exchange, Journal of Economic and Business, (44), 187-
200.
[37] Ross, SA. (1976), The arbitrage theory of capital asset pricing, Journal of Economic
theory, (13), 341-360.
[38] Sharpe, W. (1964), Capital Asset Prices: A Theory of Market Equilibrium under
Conditions of Risk, Journal of Finance, (19), 425-442.
[39] Stattman, D. (1980), Book Values and Stock Returns, The Chicago MBA, Journal of
Selected papers, (04), 25-45.
[40] Shiller, R. (2005), Irrational Exuberance, Princeton University Press.
[41] Tinic, SM et West, RR. (1986), Risk, Return, and Equilibrium: a revisit, Journal of
political economy, (94), 126-146.

Etude Sur Eviews

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Etude Sur Eviews

Transféré par

Droits d'auteur :

Formats disponibles

REMFO N°10 mars 2020 ISSN 2489-205X

Revue D’Etudes en Management et Finance D’Organisation

LES FACTEURS DE RISQUE DETERMINANTS LES RENDEMENTS

Rit : la rentabilité du titre i pendant la période t ;

2.2.1. Mesure de la variable endogène

2.2.2. Mesure des variables exogènes

Le tableau ci-dessous présente les variables explicatives et leurs mesures.

Tableau N°1 : Mesures des variables explicatives

2.3. Méthode d’analyse et Tests statistiques et économétriques

3.1. Les résultats de l’étude statistique descriptive

Tableau N°2 : Statistiques descriptives

Mean 0.071328 20.8957 0.006778 4.371385 31.97872 0.552344 1.181983

Median 0.063246 21.08561 0.008494 0 10.3 0.471 1.030769

Maximum 0.264575 25.55023 0.099607 278.25 922 4.343 9.4

Minimum 0 16.94836 -0.181815 1.11 0 -3.619 0.100461

Std. Dev. 0.04359 2.026545 0.029618 17.52832 65.59323 1.042842 0.977358

Skewness 1.327632 0.066919 -1.293082 12.20079 8.144646 0.030108 4.977681

Kurtosis 5.836151 2.272626 9.966975 182.061 103.4874 5.573557 35.2444

Jarque-Bera 210.6895 7.635014 770.8767 455855.1 144651.1 92.49938 15895.89

Observations 335 335 335 335 335 335 335

3.2. Résultats de l’étude économétrique

3.2.1. Test de corrélation entre le rendement et les facteurs de risque

Tableau N° 3 : corrélation entre le rendement et les facteurs de risque

RETURN 1.000000 0.065404 0.109972 0.019678 0.060473 0.190952 0.085135

3.2.2. Test d’homogénéité

Tableau N°4 : Test d’homogénéité

Test for Equality of Variances of R

3.2.3. Test Hausman

Variable Fixed Random Var(Diff.) Prob. 12

3.3. Analyse de la régression multiple et validation du modèle

Avant l’estimation du modèle de régression, il convient d’abord de vérifier quelques prémisses.

Tableau N°6: Fixed-effects model

3.3.1. Test de multicolinéarité entre les variables explicatives

Tableau N° 7: Matrice de Corrélation entre les variables indépendantes

Tableau N° 8: Gujarati and Kennedy test

Variance Inflation Factors

STD_DEV 0.001523 4.223584 1.145947

3.3.2. La distribution des résidus

Figure N° 1: Residuals’ normality test

Source: Elaboré par les auteurs

3.3.3. L’auto-corrélation des résidus

3.3.4. Homoscédasticité des variances des résidus

On utilise le test de Breusch-Pagan-Godfrey, on obtient une prob=0.0006 inférieure à 5%. En

Tableau N° 10: Heteroskedasticity test

Included observations: 335

3.3.5. Estimation des coefficients de pondération du modèle linéaire

Malgré le faible coefficient de détermination, autrement dit, l’explication moyenne de la

Figure N° 2: Estimation Equation

3.4. Discussion des résultats

Particulièrement au niveau du marché financier marocain, on constate que les capitalisations

Enfin, les résultats empiriques dégagés de la régression multiple nous permettent de se

Vous aimerez peut-être aussi