REMFO N°10 mars 2020 ISSN 2489-205X 1

Revue D’Etudes en Management et Finance

D’Organisation N°10 mars 2020

TESTS DE LA THÉORIE D’ARBITRAGE EN UTILISANT DES

VARIABLES MACROÉCONOMIQUES SUR LA BOURSE DE
CASABLANCA

TESTS OF ARBITRAGE PRICING THEORY USING

MACROECONOMIC VARIABLES ON CASABLANCA STOCK
MARKET
El Mehdi FALLOUL
Enseignant chercheur
Faculté polydisciplinaire de Béni Mellal
Email : mymehdi.falloul@gmail.com

Résumé
Cette étude a pour ambition de tester empiriquement la théorie d’arbitrage sur la bourse de
Casablanca, en utilisant cinq variables macroéconomiques, notamment le taux de change
(EXRT), la valeur ajoutée de la production industrielle (INDQ), l’offre de Monnaie (MS), et le
prix de pétrole Brent (OIL). Plus précisément, cette étude essai d’apporter une réponse à la
problématique suivante : Est-ce que les variables macroéconomiques le taux de change
(EXRT), la valeur ajoutée de la production industrielle (INDQ), l’offre de Monnaie (MS), et le
prix de pétrole Brent (OIL) impactent les rendements des actions sur la bourse de Casablanca ?
La réponse à cette question de recherche serait d’une grande utilité pour le jugement des
investissements en actions dans le contexte du marché marocain des actions.
Mots clés : théorie d’arbitrage, variables macroéconomiques, marché des actions

Abstract
This study aims to test empirically the arbitrage pricing theory on Casablanca stock market,
using five macroeconomic variables, in particular exchange rate, value added of industrial
production, money supply, and oil Brent price. More precisely, this study tries to bring an
answer to the following research question: are the macroeconomic variables exchange rate,
value added of industrial production, money supply, and oil Brent price impacted the yields of
stocks on Casablanca stock market? The answer to this question would be of great utility for
the judgements of investments on stocks in the context of the Moroccan stock market.
Keywords: Arbitrage pricing theory, macroeconomic variables, stock markets

Code JEL : G1, G12

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 2

Introduction
La théorie d’arbitrage est un modèle financier qui est devenu très pertinent dans l’évaluation
des rendements des actions en bourse. Cette théorie postule que l’espérance d’un rendement
d’un actif financier peut être modélisé comme une fonction linéaire de plusieurs facteurs
macroéconomiques, et que la sensibilité de chaque facteur est représentée par un coefficient
bêta spécifique.

La théorie d’arbitrage est initiée par l’économiste américain de renom, Ross (1976) pour
répondre aux problèmes et faiblesses trouvées dans les aspects théoriques et empiriques du
modèle d’évaluation des actifs financiers (MEDAF), surtout que ce dernier postule que
l’espérance d’un rendement d’un actif financier est uniquement fonction d’un seul facteur
(l’indice représentant le marché), alors que plusieurs facteurs tels que le produits national brut,
le taux d’inflation, le taux de change, les prix de pétrole, le taux de la taxe, etc. Peuvent aussi
influencer l’espérance du rendement d’un actif financier.

Plusieurs tests empiriques de la théorie d’arbitrage ont été menés par plusieurs économistes
financiers dans les marchés financiers des pays développées. On peut citer par exemple,
Antoniou et al. (1998) qui ont appliqué ce test sur le marché de Londres, Dhankar et Esq (2005)
l’ont testé aussi sur le marché indien, Berry et al. (1998) l’ont appliqué sur le Standard and
Poors 500, et Chen et al. (1986) l’ont testé sur la bourse de New York, Azeez et Yonezawa
(2003) l’ont appliqué sur la bourse japonaise et Anatolyev (2005) l’a testé sur la bourse russe.
Cependant presque aucune étude n’a été mené précédemment portant sur le test d’arbitrage sur
le marché des actions marocain. Dans ce contexte, cette étude a pour ambition de tester
empiriquement la théorie d’arbitrage sur la bourse de Casablanca, en utilisant quatre variables
macroéconomiques, notamment le taux de change (EXRT), la valeur ajoutée de la production
industrielle (INDQ), l’offre de Monnaie (MS), et le prix de pétrole Brent (OIL). Plus
précisément, cette étude essai d’apporter une réponse à la problématique suivante : Est-ce que
les variables macroéconomiques le taux de change (EXRT), la valeur ajoutée de la production
industrielle (INDQ), l’offre de Monnaie (MS), et le prix de pétrole Brent (OIL) impacte les
rendements des actions sur la bourse de Casablanca ? La réponse à cette question de recherche
serait d’une grande utilité pour le jugement des investissements en actions dans le contexte du
marché marocain des actions.

Ce papier est structuré comme suit, la première section contient l’introduction, la deuxième
section traite d’un bref aperçu de la théorie d’arbitrage et d’une revue de littérature de cette
théorie, la troisième section traite de la méthodologie de l’étude, la quatrième section se focalise
sur l’analyse empirique et les résultats attendus, et la cinquième section contient la conclusion.

1. UN BREF APERÇU DE LA THÉORIE D’ARBITRAGE

Dans la littérature de la finance, la théorie d’arbitrage postule qu’il y a une relation linéaire
causale entre le rendement des actions en bourse et certains facteurs spécifique. Autrement dit,
elle met en relation l’espérance du taux de rendement des titres avec des facteurs de sensibilité,
en suggestant que le facteur est d’une grande importance dans l’évaluation des actifs financiers

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 3

(Gilles et Leroy, 1990). A l’équilibre, d’après la théorie d’arbitrage, l’espérance d’un rendement
d’un titre E(Ri) est donnée par la relation suivante :

E ( Ri ) = RFR + i1 ( F1 − RFR ) + i 2 ( F2 − RFR ) + ... + in ( Fn − RFR )

Où ;
E(Ri) = taux de rendement espéré du titre i
βi1 = sensibilité du titre au facteur économique 1
βi2 = sensibilité du titre au facteur économique 2
F1= Espérance du facteur 1
Fn = Espérance du facteur n
Β= Coefficient bêta
RFR = taux de rendement sans risque (Olowe, 2008 : 233-234)

La théorie d’arbitrage est sujette aux hypothèses suivantes : (i) les investisseurs préfèrent plus
de rendement, (ii) les investisseurs sont averses au risque, (iii) les investisseurs ont des
espérances du risque homogènes, (iv) l’absence des coûts de transactions et des taxes sur le
marché de capitaux.

2. REVUE DE LA LITTÉRATURE DE LA THÉORIE D’ARBITRAGE

Gibbons (1981) a testé empiriquement si le nombre de facteurs affectant le portefeuille des

rendements reste le même au travers trois groupes de portefeuilles différents. Pour déterminer
le nombre de facteurs adéquats pour décrire la structure de gouvernance de 41 portefeuilles
d’actions, et 9 portefeuilles d’obligations, il a utilisé la technique ru ration de vraisemblance
appropriée, et il a conclu que lorsqu’on analyse des portefeuilles d’actions et d’obligations
ensemble, des facteurs additionnels communs aux deux groupes ont une influence sur les
rendements.
Les résultats sont néanmoins non évidents lorsqu’un seul groupe de portefeuille est analysé.
Kryzanozski et To (1982) ont examiné le nombre de facteurs qui détermine les rendements des
titres et la taille de l’échantillon en termes de période temporelle d’une part, et d’autre part les
rendements des titres et la taille des groups mis en facteurs.Ils ont utilisé les analyses factorielles
alpha et Rao pour le premier test pour déterminer dans lequel des six intervalles de temps, le
nombre de facteurs adéquat qui est en liaison avec les rendements des titres. Leurs résultats ont
montré, qu’en moyenne, le nombre de facteurs associés aux rendements reste le même au
travers des échantillons variés de même taille et au travers différentes intervalles de temps.
Diacoganiannis (1984) dans son étude de la théorie d’arbitrage sur la bourse de Londres en
utilisant des données de séries temporelles a trouvé des résultats similaires à ceux trouvés par
Gibbons, Kryzanozski et To. Néanmoins ils ont conclu quand le nombre de facteurs change
lorsque la taille du groupe change cela mis en évidence le fait que la méthodologie utilisée pour
tester la théorie d’arbitrage n’est pas appropriée. La théorie d’arbitrage est peut-être vraie, mais

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 4

la méthodologie statistique existante apporte des résultats ambigus dans le cas de la bourse de
Londres.

Plus récemment, Cagnetti (2010) dans son étude empirique de la bourse d’Italie de Janvier 1990
à Juin 2001 en utilisant l’analyse factorielle a montré que 40 % de la taille d’un échantillon de
30 actions avec l’indice du marché Mitbel, sont normalement distribués et la relation entre le β
et le rendement sur la bourse d’Italie durant la période étudiée est faible et le modèle
d’évaluation des actifs financiers (MEDAF) a un faible pouvoir explicatif.

La théorie d’arbitrage d’autre part, qui permet de prendre en compte multiples sources de
risques systématiques, performe mieux que le MEDAF, dans tous les tests considérés. Les
actions et les portefeuilles sur la bourse d’Italie semble être significativement influencés par un
nombre de facteurs systématiques et leurs comportements peuvent uniquement être elfiques par
divers facteurs et variables macroéconomiques.

Connor et Korajezyk (1992) en citant Roll et Ross (1980) affirme quand ils ont estimé les
facteurs de primes de risques et les restrictions de la théorie d’arbitrage avec un échantillon de
rendements journaliers de 1260 firmes sur une période sui s’étale entre Juillet 1962 et Décembre
1972, en divisant l’échantillon en coupe instantanés en 42 groupes de 30 firmes chacun et en
analysant chaque groupe par une régression en coupe instantanée mettant en liaison les
rendements excédentaire et les bêtas, les résultats ont montrés que quatre facteurs ont eu des
primes de risque significatifs.

Lehman et Modest (1988) ont utilisé des tests basés sur les séries temporelles des restrictions
de la théorie d’arbitrage. Ils ont divisé la période allant de 1963 à 1982 en quatre sous périodes
de cinq ans. L’échantillon est formé des données firmes échangés sur NYSE et AMEX hormis
les valeurs ayant des données manquantes. Plusieurs autres ajustements et au terme de l’analyse,
ils ont conclu que même si la théorie d’arbitrage est rejetée sur la base des régressions
effectuées, son habilité apparente à expliquer les rendements et les effets de variance qui sont
inexpliquée par le MEDAF, rend la théorie d’arbitrage une bonne alternative au MEDAF.

Huberman et Kandel (1987), Fama et French (1993) ont trouvé que le modèle multi facteur
reste nettement meilleur pour expliquer le rendement des actifs que le modèle unificateur.
McElroy et Burmeister (1988) ont postulé les variables macroéconomiques comme des facteurs
observables et ils ont utilisé des régressions sur des séries temporelles non linéaires pour estimer
les paramètres du modèle multifacteur en utilisant les rendements mensuels de 70 actions sur
une période allant de Janvier 1972 à Décembre 1982 et cinq facteurs spécifiques similaires aux
facteurs utilisés par Chen Roll, et Ross (1986). Ils ont conclu que le modèle multifacteur est un
bon cadre empirique pour lier les variables macroéconomiques à l’espérance des rendements
des actifs, (Connor et Korajezyk (1992)).

Burmeister et Wall (1986), Berry (1988), Connor et Uhlanner (1988), Ferson et Harvey (1991),
Wei, Lee, et Chen (1991), et Gragg et Donald (1992), ont tous eu des résultats similaires à ceux
trouvés par Chan, Chen, et Hsieh, (1985).

REMFO http://revues.imist.ma/?journal=REMFO&page=about
 REMFO N°10 mars 2020 ISSN 2489-205X 5

3 . MÉTHODOLOGIE

Deux méthodes sont utilisées dans les analyses établis dans cette étude. L’analyse factorielle
est utilisée pour identifier les facteurs sous-jacents. Cette méthode est utilisée dans plusieurs
études sur la théorie d’arbitrage comme celle de Cagnetti (2010) et Paavola (2006). En général,
l’analyse factorielle est utilisée dans la réduction des données pour identifier un petit nombre
de facteurs qui explique plus la variance observée dans un groupe plus élargi de variables. Cette
méthode est utilisée pour examiner les variables utilisées dans l’analyse subséquente.

Six variables sont sélectionnées pour l’analyse factorielle : le prix de pétrole Brent (OIL),
l’offre de Monnaie (MS), L’indice des prix à la consommation (IPC), le taux de change
(EXRT), le taux d’intérêt (TINT) et la valeur ajoutée de la production industrielle (INDQ). Les
principaux facteurs qui aident à expliquer le comportement des rendements à la bourse de
Casablanca sont élucidés en utilisant cette méthodologie.

Subséquemment à l’analyse factorielle, un modèle empirique est spécifié et estimé pour

déterminer empiriquement les principaux facteurs qui déterminent les prix des actions dans le
contexte de la théorie d’arbitrage. Selon cette théorie, les rendements des actions dépendent des
variables macroéconomiques sélectionnés. Le modèle est spécifié comme suit :

R = f (OIL, MS , IPC , EXRT , TINT , INDQ)

Où :
R : l’indice de tous les actions en bourse (utilisé comme variable proxy des prix des actions)
OIL : les prix du pétrole
MS : l’offre de monnaie
IPC : Indice des prix à la consommation
EXRT : le taux de change du dollar en dirhams marocain
TINT : le taux d’intérêt
INDQ : la valeur ajoutée de la production nationale
Le taux de rendement est calculé comme suit :
 MASI t − MASI t −1 
R=  .100 (1)
 MASI t −1 

L’analyse empirique de cette étude est basée sur l’estimation du modèle autorégressifs à retard
échelonnées ou distribués ARDL qui la particularité de prendre en compte la dynamique
temporelle (délai d’ajustement, anticipations, etc.) dans l’explication d’une variable (série
chronologique)

3.1 Modèle ARDL : AutoRegressive Distributed Lag

La représentation ARDL de la fonction (4) pour nos séries chronologiques sera :

p q q q q q
Rt = a0 +  a1i Rt −i +  a2i OILt −i +  a3i MSt −i +  a4i IPCt −i +  a5i EXRTt −i +  a6i TINTt −i
i =1 i =0 i =0 i =0 i =0 i =0
q
+ a7i INDQt −i + b1.Rt −1 + b2 .OILt −1 + b3 .MSt −1 + b4 .IPCt −1 + b5 .EXRTt −1 + b6 .TINTt −1 + b7 .INDQt −1 +  t
i =0

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 6

Avec :
Rt : Rendement du Masi
 : Opérateur de différence première
a0 : Constante
a1 ….. a7 : Effets à court terme
b1 ….. b7 : Dynamique du long terme du modèle
Le terme  est indépendant et identiquement distribuées : terme d’erreur (bruit blanc)

3.2 Modèle VCEM

Dans l’éventualité d’une présence d’une cointégration entre les variables, d’après la procédure
de persan et al. (2001), on va modéliser le rendement via le modèle a correction d’erreur
vectoriel –VCEM qui aura la forme suivante dans le cadre de notre étude :
p q q q q q
Rt = a0 +  a1i Rt −i +  a2i OILt −i +  a3i MSt −i +  a4i IPCt −i +  a5i EXRTt −i +  a6i TINTt −i
i =1 i =0 i =0 i =0 i =0 i =0
q
+  a7 i INDQt −i + ECM t −1 +  t (7)
i =0

ECM : Coefficient d’ajustement (Rappel à l’équilibre)

Le taux de change EXRT devrait avoir un effet négatif sur les prix des actions puisque c’est les
coûts des fonds nécessaires pour les acquérir. Les fonds deviennent rares avec la dépréciation
du taux de change, ceci contribue à l’augmentation des prix y compris les prix des actions.
Toutes les autres variables devraient avoir un effet positif sur les prix des actions puisque des
mouvements positifs sur eux à tendance à promouvoir l’activité économique et la participation
des investisseurs à la bourse.

Des données trimestrielles couvrant la période de 2007 à 2017 sont utilisées pour l’analyse.

4. ANALYSE DESCRIPTIVE

4.1 Statistiques descriptives

Le tableau 1 présente les statistiques descriptives pour les données trimestriels couvrant la
période allant de 2007 à 2017. Le tableau montre que tous les variables ont une moyenne
positive, les variables les plus dispersées sont MS, INDQ et OIl et les variables les moins
dispersées autour de la moyenne sont IPC, TINT, R et EXRT. Les variables IPC, TINT et MS
ont un coefficient d’asymétrie (skewness) inférieur à 0 donc la distribution de ces variables sont
étalées à gauche, quant aux variables R, OIl et INDQ, ils ont un coefficient d’asymétrie
supérieur à 0, donc leurs distributions sont étalées à droite.

Toutes les variables ont un coefficient d’aplatissement (kurtosis) inférieur à 3 donc leurs
distributions sont platykurtiques

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 7

Tableau 1 : Statistiques descriptives des variables

Les Moyenn Écart Kurtosi

Médiane Max Min Skewness
séries e type s
R 0.0065 -0.0084 0.15988 -0.12 0.06 0.46 2.68
OIL 82.02 80.74 139.83 37.28 26.83 0.052 1.82
MS 762613.7 778429.9 872086.1 598883.2 83385.77 -0.40 1.90
IPC 111.20 111.05 119.7 101.6 4.67 -0.14 2.24
EXRT 8.653 8.393 10.12 7.282800 0.778191 0.42 2.11
TINT 6.16 6.24 6.80 5.08 0.48 -0.59 2.34
INDQ 33617.34 32286.20 43975.58 24235.62 5585.130 0.01 1.82

4.2 Analyse de Corrélation

L'analyse factorielle est une méthode statistique multivariée qui utilise des variables moins
complètes pour décrire une grande quantité de variables observées. La plupart de ces variables
globales ne peuvent pas être observées directement. Parce qu'il y a habituellement une relation
de corrélation entre les variables observées, il est nécessaire de faire une analyse de corrélation
visant les variables originales avant l'analyse factorielle.

Tableau 2 : Matrice de corrélation de Pearson entre les variables

Variables R OIL MS IPC EXRT TINT INDQ

R 1 -0.135 -0.018 -0.027 0.104 -0.179 0.049
OIL -0.1357 1 -0.270 -0.3661 -0.676 0.505 -0.378
MS -0.018 -0.270 1 0.963 0.777 -0.855 0.971
IPC -0.027 -0.366 0.963 1 0.787 -0.859 0.963
EXRT 0.104 -0.676 0.777 0.787 1 -0.867 0.817
TINT -0.179 0.505 -0.855 -0.859 -0.867 1 -0.871
INDQ 0.0493 -0.378 0.971 0.963 0.817 -0.871 1

La matrice de corrélation montre qu’il y a une faible liaison statistique entre la variable
rendement de l’indice MASI et les autres variables macroéconomiques. Nous observons qu’il
a une forte corrélation entre la variable INDQ et la variable MS et entre L’INDQ et l’IPC.

4.3. Analyse factorielle : Test de sphéricité de Bartlett

Le nombre de variables utilisées dans la théorie d’arbitrage est porté à six variables basé le haut
niveau de signification du test de sphéricité de Barlett comme c’est indiqué dans le tableau 3
ci-dessous. Ce test détecte les corrélations partielles des variables examinés. La valeur du Chi
carré du test de sphéricité de Barlett est de 403, 21 qui est significatif à un seuil de 1%. La
conclusion dont on peut tirer de ce résultat c’est que plus de deux variables doivent être utilisées
dans l’analyse.

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 8

Tableau 3 : Les résultats du test de Barlett

Khi-carré approx. 403,218

Test de sphéricité de Bartlett ddl 21
Signification ,000

5. L’ANALYSE EN COMPOSANTES PRINCIPALES -APC (LA MÉTHODE

D’EXTRACTION)
Nous choisissons l'analyse en composantes principales -APC, puisqu'elle permet d'expliquer
une grande partie de la variance avec un minimum de facteurs. Nous analysons le tableau de la
variance totale expliquée. En regardant la deuxième colonne, nous constatons que deux facteurs
(ou composantes) ont une valeur propre plus élevée que 1. Nous les conservons donc pour
l'analyse.
Le premier facteur explique à lui seul 67,98 % de la variance totale des 7 variables de l'analyse.
Mis en communs, les 2 facteurs permettent d'expliquer 84.02 % de la variance. Comme les
facteurs 3 à 7 n'expliquent pas suffisamment de variance, ils ne sont pas retenus. Les résultats
de l’analyse factorielle sont présentés dans le tableau 2 ci-après. L’analyse factorielle nous
donne le nombre de facteurs qui doivent être utilisés dans l’analyse. Ces résultats sont les
résultats de l’analyse factorielle sous SPSS. Néanmoins ce nombre de variables est largement
inférieur aux nombres de variables utilisées dans la théorie de l’arbitrage dues à une insuffisance
de variables.
Tableau 4 : la variance totale expliquée

LES COMPOSANTES TOTAL % De la variance des variables cumul

1 4,759 67,983 67,983
2 1,123 16,044 84,027
3 ,817 11,673 95,700
4 ,148 2,114 97,814
5 ,102 1,456 99,270
6 ,032 ,459 99,729
7 ,019 ,271 100,000

Figure 1 : Valeurs propres Fig4.4. Valeurs propres

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 9

6. ANALYSE EMPIRIQUE

6.1 Test de la stationnarité des séries

D’après Gordon (1995), la plupart des séries temporelles économiques sont non stationnaires
et atteignent la stationnarité en différences premières ou un ordre supérieur. Le test de Dickey
et Fuller augmenté (ADF) est utilisé pour détecter s’il y des racines unitaires dans les différentes
séries des variables. Les résultats sont présentés en niveau et en différences premières dans le
tableau 25 ci-dessous.

Tableau 5 : Les résultats du test ADF

ADF en ADF en ADF en

Les séries niveau Différence Différence Intégration
première secondaire
R -6.379 - - I(0)
OIL -2.057 -5.738 - I(1)
MS -2.61 -7.326 - I(1)
IPC -1.276 -13.848 - I(1)
EXRT -1.368 -6.439 - I(1)
TINT -1.260 -7.202 - I(1)
INDQ -0.124 - -10.550 I(2)

Les séries sont ainsi intégrées à des ordres différents, ce qui rend inefficace le test de
cointégration de Johannsen, et rend opportun le test de cointégration aux bornes (Pesaran,
2001). D’autre part nous avons trouvé que la série INDQ est intégré d’ordre 2, ce qui nous
oblige de l’éliminer de notre étude, vu que le modèle ARDL n’est pas applicable pour des
variables intégrées d’ordre  1 .

6.2 Estimation du modèle ARDL et Test de cointégration de Pesaran et al. (2001)

6.2.1 Estimation du Modèle ARDL

On va passer par le critère (AIC) pour sélectionner le modèle ARDL optimal. Ci-dessous les
résultats d’estimation du modèle ARDL optimal choisi. Selon la critère L’AIC le modèle choisi
est ARDL (3,2,4,3,2,4).

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 10

Figure 2 : Valeurs graphique de l’AIC

Comme on peut le voir, ARDL (3,2,4,3,2,4) est le plus optimal parmi les 19 autres présentés
car, il offre la plus petite valeur de l’AIC.

Tableau 6 : Modèle ARDL (3,2,4,3,2,4) :

Variable Coefficient Std. Error t-Statistic Prob.*

R(-1) -0.588180 0.267369 -2.199880 0.0429

R(-2) -0.532161 0.225476 -2.360165 0.0313
R(-3) -0.264001 0.176454 -1.496150 0.1541
OIL -0.001001 0.001027 -0.975158 0.3440
OIL(-1) -0.002054 0.000937 -2.192023 0.0435
OIL(-2) -0.001431 0.000742 -1.929365 0.0716
MS -6.21E-06 1.73E-06 -3.584788 0.0025
MS(-1) -1.12E-07 2.12E-06 -0.052999 0.9584
MS(-2) -3.95E-07 2.01E-06 -0.196840 0.8464
MS(-3) 3.38E-06 1.99E-06 1.704886 0.1076
MS(-4) 6.78E-06 2.57E-06 2.641650 0.0178

IPC -0.029828 0.012628 -2.362005 0.0312

IPC(-1) 0.022615 0.011692 -1.934182 0.0710
IPC(-2) -0.024010 0.015486 -1.550512 0.1406
IPC(-3) -0.029483 0.013407 -2.199073 0.0429

EXRT -0.069982 0.034187 -2.047019 0.0574

EXRT(-1) -0.077839 0.042347 1.838136 0.0847
EXRT(-2 -0.116474 0.061322 -1.899383 0.0757

TAUINT -0.189494 0.082343 -2.301283 0.0352

TAUINT(-1) 0.042591 0.071774 0.593403 0.5612
TAUINT(-2) -0.274513 0.067049 -4.094191 0.0008
TAUINT(-3) -0.012221 0.077498 -0.157697 0.8767
TAUINT(-4) -0.144639 0.065420 -2.210926 0.0419
C 15.59937 3.353020 4.652333 0.0003

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 11

Relations (coefficients) court termes

Notons que La variable dépendante est D(R)

Tableau 7: Coefficients à court terme de la variable D(R)

Variable Coefficient Std. Error t-Statistic prob

C 15.59937 3.353020 4.652333 0.0003
R(-1) -2.384342 0.490057 -4.865437 0.0002
OIL(-1) -0.004486 0.001006 -4.460393 0.0004
MS(-1) 3.44E-06 9.78E-07 3.517650 0.0029
IPC(-1) -0.105936 0.025145 -4.213078 0.0007
EXRT(-1) -0.264296 0.064509 -4.097058 0.0008
TAUINT(-1) -0.578275 0.139946 -4.132125 0.0008
D(R(-1)) 0.796162 0.344573 2.310576 0.0345
D(R(-2)) 0.264001 0.176454 1.496150 0.1541
D(OIL) -0.001001 0.001027 -0.975158 0.3440
D(OIL(-1)) 0.001431 0.000742 1.929365 0.0716
D(MS) -6.21E-06 1.73E-06 -3.584788 0.0025
D(MS(-1)) -9.77E-06 2.64E-06 -3.699813 0.0019
D(MS(-2)) -1.02E-05 2.98E-06 -3.413555 0.0036
D(MS(-3)) -6.78E-06 2.57E-06 -2.641650 0.0178
D(IPC) -0.029828 0.012628 -2.362005 0.0312
D(IPC(-1)) 0.053493 0.020134 2.656794 0.0172
D(IPC(-2)) 0.029483 0.013407 2.199073 0.0429
D(EXRT) -0.069982 0.034187 -2.047019 0.0574
D(EXRT(-1)) 0.116474 0.061322 1.899383 0.0757
D(TAUINT) -0.189494 0.082343 -2.301283 0.0352
D(TAUINT (1)) 0.431373 0.111980 3.855316 0.0014
D(TAUINT (2)) 0.156860 0.080035 1.959883 0.0677
D(TAUINT (3)) 0.144639 0.065420 2.210926 0.0419

Relations (coefficients) de long terme

Tableau 8 : Coefficients à long terme

Variable Coefficient Stde. Error T-Statistique Probe

OIL -0.00189494 0.000435 -4.325616 0.0005
MS 1.44E-06 4.60E-06 3.139708 0.0063
IPC -0.044430 0.010153 -4.376110 0.0005
EXRT -0.110846 0.019769 -5.607043 0.0000
TAUINT -0.242530 0.032343 -7.498626 0.0000
C 6.542419 1.050330 6.228919 0.0000
R = (-0.0019) *OIL +(1.44. E-06) *MS+(-0.044430) *IPC +(-0.044430) *EXRT +(-
0.242530) TAUINT + 6.542419 + EC

Au regard des tests qui aident à diagnostiquer le modèle ARDL estimé, l’on note l’absence
d’autocorrélation des erreurs, il n’y a pas d’hétéroscédasticité, il y a normalité des erreurs et le
modèle est bien spécifié.

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 12

Tableau 9 : Résultats des tests diagnostiques du modèle ARDL estimé

Hypothèse du test Tests Valeurs (probabilité)

Autocorrélation Breush-Godfrey 3.05 (prob. 0.08)
Hétéroscédaticité Breush-Pagan-Godfrey 20.55.3 (prob.0.60)
Arch-test 0.04 (prob. 0.83)
Normalité Jarque-Bera 1.78 (prob. 0.40)
Spécification Ramsey(Fisher) 3.95 (prob. 0.06)

L’hypothèse nulle est acceptée pour ces tests. Notre modèle est ainsi validé sur le plan
statistique. Le modèle ARDL (3,2,4,3,2,4) estimé est globalement bon et explique à 80 % la
dynamique de MASI de 2007 à 2017.

6.2.2 Test de Causalité

Le tableau 30 présente les résultats du test de causalité de Toda-Yamamoto.

Tableau 10 : Résultats du test de causalité de Toda-Yamamoto

dmax=1 et k=1

Ligne Variable Variables explicatives ou causales (probabilité)

dépendante
R OIL MS IPC EXRT TAUINT
1 R - 3.42 0.38 6.04 4.17 0.09
(0.0644) (0.5345) (0.0140) (0.0410) (0.7628)
2 OIL 0.76 - 0.24 2 3.16 0.02
(0.38) (0.62) (0.15) (0.07) (0.87)
3 MS 6.61 1.97 - 0.004 0.125 1.14
(0.01) (0.16) (0.94) (0.72) (0.16)
4 IPC 0.21 0.15 0.40 - 0.17 0.50
(0.64) (0.69) (0.52) (0.68) (0.47)
5 EXRT 0.22 1.12 0.03 1.16 - 0.46
(0.63) (0.28) (0.85) (0.28) (0.49)
6 TAUINT 0.03 0.02 0.07 0.19 0.017 -
(0.85) (0.87) (0.78) (0.66) (0.89)
(.) : probabilité (p-value) ; * significativité à 5% ; k : retard optimal ; dmax : ordre maximal
d’intégration des variables.

D’après le tableau ci-dessus :

Au niveau de la ligne 1 : Les variables IPC et EXRT causent la variable R car leurs P-value
sont inférieur à 5 % (on rejette l’hypothèse H0) tandis que Les variables OIL, MS, TAUINT ne
causent pas la variable R car leurs P-value sont supérieur à 5 %.

Au niveau de la ligne 3 : Les variables R causent la variable MS

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 13

Le schéma suivant résume les liens de causalité trouvés entre les variables :

IPC R MS

OIL TAUINT

EXRT
T

6.2.3 Test de cointégration aux bornes

Les ordres d’intégration des séries étudiés sont différents d’où l’impossibilité d’application des
tests de cointégration de Engel et Granger (1987), celui de Stock et Watson (1988), ceux de
Johannsen (1988,1991) tandis que le test de cointégration de Pesaran et al. (2001) reste optimum
pour notre cas , ce test nécessite que le modèle ARDL soit estimé au préalable.

Tableau 11 : Résultats du test de cointégration de Pesaran et al. (2000)

Test Statistic Value Seuil Borne Borne

critique inférieur supérieur
F-stat calculée 4.777351 10% 2.08 3
k 5 5% 2.39 3.38
2.5% 2.7 3.73
1% 3.06 4.15

D’après le test de cointégration aux bornes, il existe bien une relation de cointégration entre les
séries puisque la valeur de la statistique de Fisher calculée est supérieure à la borne supérieure
ce qui donne la possibilité d’estimer les effets de long terme, des différents variables
macroéconomiques exogènes sur le rendement de l’indice MASI. L’existence de la
cointégration entre les variables nécessite la modélisation du Masi par le modèle à correction
d’erreur vectoriel –VCEM

6.3 Estimation du modèle a correction d’erreur VCEM

La représentation VECM du modèle estimé de dynamique court terme s’écrit comme suit :
q q q q q q
Rt = a 0 +  a1i Rt −i +  a 2i OILt −i +  a3i MS t −i +  a 4i IPC t −i +  a5i EXRTt −i +  a 6i TINT t −i
i =1 i =0 i =0 i =0 i =0 i =0

+ ECM t −1 +  t

Les retards p=1 et q =1 on a :

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 14

D( R) = −0.94R(−1) + 0.001601OIL (−1) − 9.38E − 07MS (−1) + 0.031IPC (−1) + 0.119EXRT (−1) + 0.25TAUNINT (−1) − 5.46
− 0.123980.D( R(−1)) − 0.000371.D(OIL (−1)) − 3.10E - 06.D( MS (−1)) - 0.001530.D( IPC (−1)) + 0.021319.D( EXRT (−1))
+ (0.171074).D(TAUINT (−1)) + 0.024257

6.3.1 Coefficients de Court Terme

Tableau 12 : Résultats d’estimation des Coefficients Court Terme : CT

Variables Coefficient Stde Error T-Statistique prob

ECM -0.949810 0.231413 -4.104389 0.0001
D(R(-1)) -0.123980 0.149723 -0.828066 0.4086
D(OIL(-1)) -0.000371 0.000757 -0.490272 0.6245
D(MS(-1)) -3.10E-06 1.86E-06 -1.661203 0.0982
D(IPC(-1)) -0.001530 0.008462 -0.180853 0.8567
D(EXRT(-1)) 0.021319 0.036085 0.590809 0.5553
D(TAUTINT(-1)) 0.171074 0.065470 2.613022 0.0096
C 0.024257 0.016572 1.463702 0.1448

Selon le tableau 32, Le coefficient d’ajustement (force d’appel) est négatif − 0.949810 et
− 4.104389  1.96
significatif car cela répond à l’une des caractéristiques des modèles VCEM.

Le coefficient relatif au taux d’intérêt est significatif ainsi que les autres coefficients ne sont
pas significatifs (leurs P-value inférieur à 5% )

6.3.2 Coefficients de Long Terme :

Tableau 13 : Résultats d’estimation des Coefficients Long Terme : LT

Variables coefficient Std Error t-Statistic prob

OIL 0.001601 -0.00043 3.69647 0.01414
MS -9.38E-07 4.0E-07 -2.37090 0.04128
IPC 0.031126 -0.00719 4.33037 0.00749
EXRT 0.119105 -0.02304 5.17059 0.00355
TAUINT 0.251350 -0.03242 7.75201 0.00063

Le tableau 10 ci-dessus montre que :

▪ Tous les coefficients sont significatifs (leurs P-value supérieur à 5 %)

▪ Un accroissement de taux d’intérêt 1% du génère une augmentation 0.25 % du Masi
▪ Le taux d’intérêt et le taux de change ont les coefficients les plus élevé, ils expliquent 37 %
du rendement de Masi.

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 15

Conclusion

En guise de conclusion, Les marchés financiers africains sont très souvent caractérisés par leurs
inefficiences et sont inadéquats pour l’application de certaines thééries financières (Appiah-
Kusi et Mentah, 2003 ; Mlambo et Biekpe, 2007). Cette étude a pour objet d’examiner la
pertinence de la théorie d’arbitrage dans le contexte du marché boursier marocain, en utilisant
six variables macroéconomiques comme déterminants des rendements des actions et leurs
impacts sur l’évaluation des actifs financiers en l’occurrence les actions au Maroc. Pour mieux
présenter une relation holistique dynamique, le modèle VCEM a été adoptée dans cette analyse.

Réferences bibliographiques

Anatolyev, S. (2005). A ten-year retrospection of the behaviour of Russian stock returns,

BOFIT Discussion paper (9) Helsinki: Bank of Finland, Institute for Economies in
Transition.
Antoniou, A., Garrette, I. & Priestley, R. (1998). Macroeconomic variables as common
pervasive risk factors and the empirical content of the Arbitrage pricing Theory: Journal
of Empirical Finance, 5,(3), 221-240.
Appiah-Kusi, J. & Menyah, K. (2003). Return predictability in African stock markets. Review
of Financial Economics, 12: 247-270
Azeez, A. A. & Yonezawa, Y. (2003). Macroeconomic factors and the Empirical content of
the Arbitrage Pricing Theory in the Japanese stock market. Japan and the world Economy,
1-24.
Berry, M. A., Burmeister, E. & McElroy, M. (1988). Sorting out risks using known APT
factors. Financial Analyst Journal, 44, (2), 29-41.
Burmeister, E. & Wall, K. D. (1986). The arbitrage pricing theory and macroeconomic factor
measures, The Financial Review, 21:1-20.
Cagnetti A. (2010). CAPM and APT in the Italian stock market: an empirical study.
Unpublished article.
Chan, K. C., Chen, N. & Hsieh, D. (1985). An exploratory investigation of the firm size Effect,
Journal of Financial Economics, 14, 451-471.
Connor, G. & Korajezyk, R. (1992). The attributes behaviour and performance of U.5. mutual
funds. Review of Quantitative Finance and Accounting 1: 5-26.
Connor, G. & Uhlaner, R. (1988). New cross-sectional regression tests of beta pricing models,
Working paper, (School of Business Administration, University of California, Berkeley,
CA).
Cragg, J. G. & Stephen, G. D. (1992). Testing and determining the arbitrage pricing structure
from regression on macro-variables, Working paper, (University of British Columbia,
Vancouver, BC)
Diacogiannis, G. (1984). “Some Empirical Evidence on the Intertemporal Stationarity of the
Security Returns Distributions for the London Stock Exchange”. Forthcoming in the
Journal of Accounting and Business Research.
Fama, E. F. & French, K. R. (1993). Common risk factors in the returns on stocks and bonds,
Journal of Financial Economics 33, 3-56.

REMFO http://revues.imist.ma/?journal=REMFO&page=about
REMFO N°10 mars 2020 ISSN 2489-205X 16

Gibbons, M. R. (1981). “Empirical Examination of the return Generating Process of the

Arbitrage Pricing Theory”, Working Paper, University of Chicago.
Gilles, R. & Leroy, S. F. (1990). On the Arbitrage pricing Theory, Economic Theory,1,(3),
213-229.
Huberman, G. and Kandel, S. (1987). Mimicking portfolios and exact arbitrage pricing: The
42, (1), 1-9.
Kryzanowski, L. & To, M. C. (1983). “General Factor Models and the Structure of Security
Returns”. Journal of Finance and Quantitative Analysis, 31 - 32.
Lehmann, B. & Modest, D. (1988). The empirical foundations of the Arbitrage pricing Theory
1: The empirical tests, Journal of Financial Economics, 21, (2), 213-254.
McElroy, M. B. & Burmeister, E. (1988). Arbitrage pricing theory as restricted nonlinear
multivariate regression model, Journal of Business & Economics Statistics, 6, 29-42.
Mlambo, C. and Biekpe, N. (2007). “The efficient market hypothesis: Evidence from ten
African stock markets” Investment Analysts Journal – No. 66.
Roll, R. & S. A. Ross. (1980). An Empirical Investigation of the Arbitrage Pricing Theory,
Journal of Finance: 35, (5), 1073-1103.
Ross, S. A. (1976). The arbitrage theory of asset pricing. Journal of Economic Theory, 13, 1,
341–360.
Wei, K. C. J., Lee, C. & Chen, A. H. (1991). Multivariate regression tests of the arbitrage
pricing theory: The instrumental variables approach, Review of Quantitative Finance and
Accounting 1, 191-208.

REMFO http://revues.imist.ma/?journal=REMFO&page=about