Académique Documents
Professionnel Documents
Culture Documents
*-*-*-*-*
HAUT COMMISSARIAT AU PLAN
*-*-*-*-*-*-*-*
INSTITUT NATIONAL
DE STATISTIQUE ET D’ECONOMIE APPLIQUEE
A mes très chers parents, Aucune dédicace ne saurait exprimer mon respect,
mon amour éternel et ma considération pour les sacrifices que vous avez consenti
pour mon instruction et mon bien être. Je vous remercie pour tout le soutien et
l’amour que vous me portez depuis mon enfance et j’espère que votre bénédiction
m’accompagne toujours. Que ce travail soit l’exaucement de vos vœux tant formulés,
le fruit de vos innombrables sacrifices, bien que je ne vous en acquitte jamais assez.
Puisse Dieu, le Très Haut, vous accorder santé, bonheur et longue vie et faire en
sorte que jamais je ne vous déçoive.
A mes frères et mes sœurs qui m’ont toujours soutenus et encouragés, et que leur
présence était pour moi une source de motivation et de réconfort, Je vous souhaite
le succès et le bonheur dans vos vies.
A mes amis proches, en témoignage de l’amitié qui nous unit et les souvenirs de
tous les moments que nous avons passés tous ensemble, je vous dédie ce travail et je
vous souhaite une vie pleine de santé et de bonheur.
À tous les membres des clubs INSEA Charity ma 2ème famille, je dédie ce mo-
deste travail.
Je tiens à exprimer également ma profonde gratitude à mes amis avec qui j’ai
passé des instants inoubliables tout au long de ma formation à l’INSEA.
2
REMERCIEMENTS
3
RÉSUMÉ
4
ABSTRACT
The present document constitutes the synthesis of the work, realized within the
framework of the training course of end of studies project, within the Attijariwafa
Bank. It has for objective " Reporting of financial and economic indicators and yield
curve modeling ".
The daily activity of the pole finance group is often its confrontation with several
figures, data and financial indicators, of the blow to handle them all prove to be a
challenge for the bank. Indeed, many banks still use a classic process to import data
and view them manually, so creating an automatic data import and consolidation
tool will be beneficial for the bank. It is in this context that my final year project
falls. This report highlights the study and the steps taken to deal with this problem
induced by the difficulty of importing and consolidating data, drawn within the
framework of the study of multiple indicators essential to the banking activity. The
web scraping technology is our remedy to this problem by automating the task
of importing financial data from the site of the BAM, HCP and the site of the
Ministry of Economy and Finance. A lot of work has been done after importing the
data, namely filtering and cleaning the databases, extracting the data and finally
visualizing them.
The yield curve modeling part aims at modeling the term structure of interest
rates in Morocco. Two stochastic models have been applied in this sense ; the Vasicek
model and the CIR model in order to make forecasts and a backtesting has been
elaborated at the end to compare the theoretical results with those displayed in the
market.
Keywords : yield curve, vasicek, Cox–Ingersoll–Ross, linear regression,prevision,
5
Liste des abréviations
— CIR : Cox–Ingersoll–Ross
6
Table des matières
DÉDICACE 2
REMERCIEMENTS 3
RÉSUMÉ 4
ABSTRACT 5
INTRODUCTION GÉNÉRALE 14
7
TABLE DES MATIÈRES
Page 8
TABLE DES MATIÈRES
CONCLUSION GÉNÉRALE 98
Page 9
Table des figures
10
TABLE DES FIGURES
4.1 Page d’accueil de la construction de la courbe des taux des taux zéro
coupon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.2 Importation de la base de données . . . . . . . . . . . . . . . . . . . . 70
4.3 Transformation du taux monétaire en taux actuariel . . . . . . . . . . 70
4.4 Interpolation des maturités . . . . . . . . . . . . . . . . . . . . . . . . 71
4.5 Bootstrapping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.6 Évolution du taux interbancaire entre 01-01-2008 et 31-12-2021 . . . . 72
4.7 Test de stationnarité . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.8 Test de cointégration . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.9 Résultat de la RLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.10 Test de normalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.11 Test d’homoscédasticité . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.12 Test d’autocorrélation . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.13 Trajectoire mouvement brownien . . . . . . . . . . . . . . . . . . . . 78
4.14 Les trajectoires possibles du taux moyen pondéré pour chaque jour . 80
4.15 TMP prédit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.16 Taux zéro coupon estimé par Vasicek . . . . . . . . . . . . . . . . . . 82
4.17 Comparaison entre la courbe réelle zéro-coupon et celle estimée par
le modèle de Vasiçek au 2021-01-03 . . . . . . . . . . . . . . . . . . . 84
4.18 Comparaison entre la courbe réelle zéro-coupon et celle estimée par
le modèle de Vasiçek au 2021-01-07 . . . . . . . . . . . . . . . . . . . 85
4.19 Test stationnarité sur la série Yt . . . . . . . . . . . . . . . . . . . . . 86
4.20 Test stationnarité sur la série Xt . . . . . . . . . . . . . . . . . . . . . 87
4.21 Test stationnarité sur la série Zt . . . . . . . . . . . . . . . . . . . . . 87
4.22 Test de cointégration . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.23 Résultat de RLM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.24 Test de normalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.25 Test d’homoscédasticité . . . . . . . . . . . . . . . . . . . . . . . . . 90
Page 11
TABLE DES FIGURES
Page 12
Liste des tableaux
13
INTRODUCTION GÉNÉRALE
L’activité bancaire repose sur les nombreuses opérations quotidiennes que le sec-
teur bancaire effectue dans différentes économies. Ces activités sont souvent basées
sur des indicateurs financiers et économiques dont son utilisation et sa manipula-
tion reste indispensable pour bien gérer la situation financière de l’établissement
financier. En effet récemment, la banque a changé et s’est considérablement adaptée
en raison des changements technologiques. Dans le même temps, le les usages et
les préférences des clients des banques ont beaucoup évolué, ainsi que les marchés
financiers de la banque de détail sont beaucoup grandis par l’avènement d’Internet
et son accès universel sur tous les types d’appareils.
En ce sens, la nouvelle activité de la banque se concentre sur le côté numérique
et le coté digital du coup l’élaboration de nouvelle technologie facilitant la tâche des
gérants de la banque sera en quelque sorte bénéfique. Cette technologie aura l’objectif
de l’importation et la consolidation des données dans un seul fichier intégrant la
totalité des indicateurs financiers. Parmi ces indicateurs financiers traités, il y a
l’indicateur taux d’intérêt qui occupe une place importante dans le marché financier.
En effet, sa modélisation est indispensable pour les gérants de portefeuille afin de
prévoir ses futures variations. Dans ce sens s’inscrit notre projet qui se présente sous
14
LISTE DES TABLEAUX
courbe de taux .
Le troisième chapitre introduit le concept de la collecte et l’analyse de données
ainsi que les outils utilisés pour la réalisation des taches du projet.
Tandis que le dernier chapitre aborde la modélisation de la courbe de taux en
utilisant les modèles stochastiques, et nous présentons les résultats empiriques.
Enfin, une conclusion résumant le travail clôture ce rapport.
Page 15
Chapitre 1
16
CHAPITRE 1. CONTEXTE GÉNÉRALE DU PROJET
Page 17
CHAPITRE 1. CONTEXTE GÉNÉRALE DU PROJET
le but d’offrir une meilleure réactivité et une plus grande proximité à la clientèle :
• Un pôle« Banque de Proximité » réunissant la Banque des Particuliers et
Professionnels et la Banque des Marocains sans Frontières ;
• Un pôle« Banque de Financement et de l’Entreprise »qui distingue les entités
dédiées à la Petite et moyenne entreprise (PME) au sein de la Banque de l’Entreprise,
de celles concernant la « clientèle corporate » regroupée au sein de la Banque de
Financement ;
• Un pôle« Filiales Financières »pour le suivi de l’ensemble des filiales spécialisées
ainsi que des implantations à l’international ;
• Un pôle« Banque des Marchés et d’Investissement » regroupant les activités de
banque d’affaires et d’investissement. Les fonctions stratégiques « Capital Humain
», «Conformité», «Audit Général» et «Risques», sont quant à elles rattachées direc-
tement à la présidence, étant données leur importance et leur transversalité. Enfin,
les fonctions support sont organisées en deux pôles différents : • Un pôle Finance,
Transformation et Opérations, réunissant les fonctions Finances, Stratégie, Système
d’information, Services et Traitements Clientèle ;
• Le pôle Secrétariat Général, regroupant les fonctions Communication, Qualité,
Logistique, Achat, Conseil Juridique ainsi que les Fondations. En plus de l’activité
bancaire, le Groupe opère, à travers des filiales spécialisées, dans tous les métiers
financiers : assurance, crédit immobilier, crédit à la consommation, leasing, gestion
d’actifs, intermédiation boursière, conseil, location longue durée, factoring, etc. À ce
titre, le Groupe compte les filiales suivantes :
Au Maroc :
• Wafa Assurance dans la bancassurance.
• Wafasalaf dans le crédit à la consommation.
• Wafa Immobilier dans le crédit immobilier.
• Wafacash dans le transfert de fonds.
• Wafabail dans le crédit-bail mobilier.
• Wafa LLD dans la location longue durée.
• Attijari Factoring Maroc dans le Factoring.
A l’international :
Page 18
CHAPITRE 1. CONTEXTE GÉNÉRALE DU PROJET
Le Finances Groupe veille sur les opérations financières de la banque, son pilotage
et management ainsi que le conseil et le contrôle. Son objectif est de mettre en place
des outils d’aide à la prise de décisions stratégiques et prévenir ainsi les risques
financiers.
Le projet a été effectué à la direction de la comptabilité et consolidation, plus
précisément dans l’entité du contrôle Product qui constitue un facteur clé pour les
banques, dans l’évaluation de leurs positions, leurs résultats et leurs risques.
Les contrôleurs de produits ont pour mission principales :
• La surveillance des transactions dans les capitales qui assurent la gestion et
jouent le rôle de fonction de contrôle principale ;
• La surveillance des transactions dans les capitales qui assurent la gestion et
jouent le rôle de fonction de contrôle principale ;
• Les contrôleurs de produits sont tenus de veiller à ce que les commerçants
marquent leurs livres au juste prix.
L’organigramme de Finance Groupe :
Page 19
CHAPITRE 1. CONTEXTE GÉNÉRALE DU PROJET
Page 20
CHAPITRE 1. CONTEXTE GÉNÉRALE DU PROJET
rm ×n
365
ra = 1 + 360
n
−1
ra : Le taux actuariel
rm : Le taux monétaire
• n : La durée en jours (maturité correspondante au taux monétaire) Récipro-
quement, le passage du taux actuariel au taux monétaire se fait comme suit :
n
360
rm = n
× (1 + ra ) 365 − 1
La courbe de taux est la représentation des taux de rendement selon les maturités
c’est une illustration de la structure par terme des taux d’intérêt. Généralement, les
titres de courte maturité ont des taux bas par rapport aux titres de longue maturité.
L’utilité de la courbe de taux est que c’est une référence en matière économique et
financière car la forme qu’elle prend sur certaine obligation donne des informations
sur l’anticipation des investisseurs sur les risques de défaut de l’émetteur donc c’est
une courbe qui donnera des informations sur l’économie et la finance du pays en
générale.
Page 21
CHAPITRE 1. CONTEXTE GÉNÉRALE DU PROJET
Page 22
CHAPITRE 1. CONTEXTE GÉNÉRALE DU PROJET
1.3.1 Problématique
Page 23
CHAPITRE 1. CONTEXTE GÉNÉRALE DU PROJET
1.3.4 Durée
Le stage s’est étalé du 7 Mars 2022 au 07 juillet 2022 ; soit une période de 4 mois.
1.3.5 Acteurs
• Encadrement :
Page 24
CHAPITRE 1. CONTEXTE GÉNÉRALE DU PROJET
Conclusion
Ce chapitre a mis le point sur la présentation de l’organisme d’accueil, la problé-
matique et la tâche réalisée du projet, ainsi que, les notions de base et définitions
Au niveau du chapitre qui suit je vais procéder à présenter l’étude théorique et
modélisation.
Page 25
Chapitre 2
Ce chapitre sera consacré à une présentation théorique des méthodes utilisés dans
la modélisation statistique qui sera la base de la modélisation stochastique. De même,
nous présenterons les modèles utilisés pour la modélisation de la courbe des taux.
26
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
yt = a0 + a1 xt + εt ; t = 1, . . . , T
avec :
• yt : Variable dépendante, ou expliquée ou endogène entachée d’une erreur
additive ϵt
• xt : Variable explicative , ou indépendante ou exogène ;
• ϵt : Erreur de spécification de nature aléatoire et inconnue, appelée encore bruit
blanc ;
• T Nombre d’observation.
les hypothèses de la RLS :
• H1 : le modèle est linéaire en xt (ou en n’importe quelle transformation de xt ;
• H2 : les valeurs de xt sont observées sans erreur (xt n aléatoire) ;
• H3 :E(ϵt )=0 , l’espérance mathématique de l’erreur est nulle ; en moyenne le
modèle est bien spécifié et donc l’erreur moyenne est nulle ;
• H4 : E(ϵ2t ) = σϵ2 =cst , la variance de l’erreur est constante (Homoscédasticité).
• H5 : E(ϵt , ϵt′ = 0 si t ̸= t′ les erreurs sont indépendantes ;
• H6 : COV(xt , ϵt ) = 0 : l’erreur est indépendante de la variable explicative ;
• H7 : ϵt ∼ N (0, ϵ2 ), cette hypothèse utilisée pour les inférences.
Estimation des paramètres
L’estimateurs des coefficients a0 et a1 est obtenu en minimisant la distance au
carré entre chaque observation et la droite, d’où le nom d’estimateur des moindres
carrés ordinaires (MCO).
La résolution analytique est la suivante :
Page 27
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
PT PT
Min 2
t=1 εt = Min t=1 (yt − a0 − a1 xt )2
lorsque T tend vers ∞ alors (xt − x̄)2 est assez grand d’où Var (â1 ) = Var (â0 ) =
PT
t=1
avec :
• yt : Variable à expliquer à la date t
• x1t : Variable explicative 1 à la date t ;
• xpt :Variable explicative p à la date t ;
• a0 , a1 , . . . , ap : paramètres du modèle ;
Page 28
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
Page 29
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
PT
âM CO = Argmina 2
t=1 εt = Argmina (ε′ ε) = Argmina ((Y − Xa)′ (Y − Xa))
∂S
∂a
= −2X ′ Y + 2X ′ Xâ = 0
d’où :
â = (X ′ X)−1 X ′ Y
Y = Xa + ε
Y = Xâ + e d’où e = Y − Ŷ
Ŷ = Xâ
(e=résidu)
On montre que :
e′ e
σ̂ε2 = T −(p+1)
d’où Var(â) = σ̂ε (X ′ X)−1 alors lorsque n est assez grand,σ̂ε2 tend vers 0 et par suite
l’estimateur â est convergent.
L’estimateur â est optimal au sens du critère de minimisation de la variance
(Théorème de Gauss-Markov).
Page 30
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
Le coefficient de détermination
avec :
• R² : Le coefficient de détermination évalue la performance du modèle par
rapport au niveau de variation présent dans les données. il mesure la part de la
variance totale expliquée par le modèle, si R² proche de 1, ce qui signifie que les
erreurs auxquelles est soumis le modèle sont beaucoup plus petites que la variance
présente dans les données.
• t (yt − ȳ)2 : La variabilité totale (SCT)
P
R² ajusté (corrigé)
|âp −ap |
sous l’hypothèse nulle, = σ̂|âabp | = |t ∗ âp |
σ̂abp
pα/2
On rejette H0 lorsque t∗âp > tT −p−1 où p-value < α
Page 31
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
L’ensemble des variables explicatives a-t-il une influence globale sur la variable
à expliquer ?
Soit le test d’hypothèse bilatéral :
H : a = a = ... = a = 0
0 1 2 p SCE/p T −p−1 R2
FCalculé = SCR/(T −p−1)
= p 1−R2
H : ∃ au moins a ̸= 0
1 i
Pour estimer les paramètres par la méthode MCO, yt et xt doivent être station-
naire, si les séries ne sont pas stationnaire alors il faut vérifier que les séries sont
cointégrées.
Une série chronologique est donc stationnaire si celle-ci est la réalisation d’un
processus stationnaire, ce qui implique bien qu’elle ne comporte point de tendance
et plus particulièrement aucun facteur évoluant dans le temps.
Dans ce sens ,un test de stationnarité largement utilisé et répandu est le test
de racine unitaire « Unit Root Test » proposé par Dickey et Fuller dans le cas
des modèles AR(1) ou encore le test de Dickey-Fuller Augmenté (ADF) pour le cas
général des modèles AR(p). (Voir annexe)
Page 32
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
xt → I(d) et yt → I(d)
Page 33
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
pour tester la cointégration entre les trois séries, le test de Johansen est largement
utilisé et répandu.
Objectif de test de Johansen :
Déterminer si la matrice Π de dimension (M, M ) permet d’informer relations de
long terme entre les variables Ymt , m = 1, . . . , M et t = 1, . . . , T de Y.
- 1er Cas : Le rang de Π est égal à 0 : il n’existe aucune relation de cointégration
entre les variables.
- 2ème Cas :Le rang de est égal à M : le vecteur Yt est stationnaire et la
Q
Page 34
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
PM
λtrace = 2 (log (Lnc ) − log (Lc )) = −T i=r+1 log 1 − λ
bl
Cette statistique suit une loi de probabilité (similaire à un Khi deux) tabulée à l’aide
de simulations par Johansen et Juselius (1990). Le test fonctionne par exclusion
d’hypothèses alternatives.
H0 : r = 0 vs H1 : r > 0
H0 : r = 1 vs H1 : r > 1
Pour tester la normalité des résidus le test de Jarque Bera doit être effectue .
Soit le test d’hypothèse :
H0 : S = 0 et K = 3 ≡ Normalité des résidus
H : S ̸= 0 ou k ̸= 3 ≡ il n’y a pas normalité des résidus
1
Page 35
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
avec :
1 Pn 3 1 Pn 4
µ i=1 (xi −x̄) µ i=1 (xi −x̄)
S= c3
= n
2 3/2
K= c4
= n
1 Pn 2 2
c3
σ ( 1 n
) c4
σ ( i=1 (xi −x̄))
P
n i=1 (xi −x̄) n
Les tests d’homoscédasticité ont le but de valider l’hypothèse de base des modèles
linéaires selon laquelle Var (εi ) = σε2 . si la Var (εi ) pas constante alors les erreurs sont
hétéroscédastique.
Pour tester l’homoscédasticité des résidus le test de de Breusch-Pagan doit être
effectue .
Soit le test d’hypothèse :
H : homoscédasticité(les résidus ont tous la même variance )
0
H : hétéroscédasticité
1
Pour tester la violation de cette hypothèse nous allons tester si Ebl2 dépend d’une ou
de plusieurs variables explicatives. Si H0 est rejetée alors l’espérance (conditionnelle)
de Ebl2 est une fonction des variables explicatives.
La spécification la plus simple de cette fonction est :
εb2l = δ0 + δ1 X1 + . . . + δp Xp + v où v vérifie toutes les hypothèses des MCO.
L’hypothèse nulle d’homoscédasticité devient :
H0 : δ0 = δ1 = δ2 = . . . = δp = 0
Le test se déroule en trois étapes : • On régresse Y sur l’ensemble des variables
explicatives par MCO ; on sauve les résidus et on calcule Ebl2 ;
• On Ebl2 sur toutes les variables explicatives. on obtient le R2 de cette régression
auxiliaire ;
• On calcule la statistique de Breusch-Pagan : BP = nR2 qui suit X 2 (p − 1) où
p est le nombre de paramètre de la régression auxiliaire.
On rejette H0 lorsque BP > X1−α
2
(p − 1) ou bien p-value < α.
Page 36
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
y = Xa + e ⇔ yt = x′t a + et , t = 1, . . . , T
On suppose aussi par exemple que l’alternative est telle que et ∼ AR(k) :
Page 37
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
Page 38
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
Avec ti < tk < ti+1 - ∆ (ti , tj ) est la période entre ti et tj exprimée en jours. -
r (t0 , tj ) est le taux sur la période de t0 et tj .
la méthode Bootstrapping
Pour les maturités inférieurs ou égale un an , les taux Zéro Coupon sont les
taux actuariels. Quant aux taux ayant une maturité supérieure ou égale à 2 ans,
des versements des coupons annuels interviennent. Dans ce sens, il est impératif de
construire pas à pas les taux zéro-coupon.
La formule de calcul des taux zéro-coupon est exprimée comma suit :
N1
1
ZCN = P −1
N −1 1 1 1
i=1 (1+rN )l
− (1+ZCi )l
+ (1+rN )N
avec :
- ZCN : le taux zéro-coupon pour la maturité N.
- ZCi : le taux zéro-coupon pour la maturité i.
- rN : le taux de rendement actuariel pour la maturité N .
Prévoir la forme courante de la structure des taux, ainsi que ses déformations
au cours du temps, constitue un problème crucial pour bon nombre d’acteurs éco-
nomiques et certainement pour des gérants de fonds d’investissement mutuels. Dans
cet aspect plusieurs mathématiciens financiers ont développés des modèles mathé-
matiques pour modéliser la structure de la courbe des taux. Dans notre ce présent
Page 39
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
rapport nous avons utilisé deux de ces modèles à savoir le modèle de Vasiçek et celui
de Cox-IngersollRoss.
A. Vacisek
Présentation de modèle
En finance, le modèle de Vasiçek est un modèle stochastique décrivant l’évolu-
tion des taux d’intérêt. Il s’agit d’un type de modèle de taux court à un facteur, car
il décrit les mouvements des taux d’intérêt comme étant déterminés par une seule
source de risque de marché. Le modèle peut être utilisé dans l’évaluation des déri-
vés de taux d’intérêt, et a également été adapté aux marchés du crédit, ainsi qu’il
utilise un processus stochastique qui permet de capturer le phénomène de retour à
la moyenne du taux d’intérêt à long terme. Il a été introduit en 1977 par Oldřich
Vasíček.
Sa dynamique est représentée par la différentielle stochastique suivante :
Page 40
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
Ce retour à la moyenne, souligné par Vasíček, trouve bien son origine dans le
marché obligataire, où ce comportement des taux d’intérêt à court terme peut être
justifié par des arguments macroéconomiques. En fait, lorsque les taux d’intérêt sont
plus élevés, les emprunteurs ont une demande de fonds plus faible et l’économie a
tendance à ralentir, ce qui entraîne une baisse des taux d’intérêt. À l’inverse, lorsque
les taux d’intérêt sont bas, il y aura plus d’emprunteurs et l’économie aura tendance
à se redresser en poussant les taux d’intérêt à la hausse.
La solution explicite de l’EDS (Equation Différentielle Stochastique) est donnée
par :
Rt
r(t) = r0 e−at + b (1 − e−at ) + σ 0
e−as dw(s)
σ 2 (1−e−2at )
E (rt ) = r0 e−at + b (1 − e−at ) et Var (rt ) = 2a
On constate que lorsque t tend vers l’infini, l’espérance du taux court tend vers la
σ2
valeur moyenne b et la variance tend vers une constante qui vaut 2α
. Nous observons
donc l’existence d’une « force de rappel ». Lorsque a tend vers l’infini, synonyme
d’une force de rappel très importante, l’espérance conditionnelle tend également vers
la valeur moyenne b alors que la variance conditionnelle tend vers la valeur nulle.
Au contraire, si a tend vers 0, l’espérance conditionnelle tend vers la valeur actuelle
du taux, ce qui s’explique puisque la force de rappel est nulle, alors que sa variance
tend vers tσ 2 Sous l’hypothèse de l’absence d’opportunité d’arbitrage (AOA) et en
prenant une prime de risque q constante, on pose :
W̆t = Wt + qt Et b∗ = b − q σa
On aura :
drt = a (b ∗ −rt ) dt + σ W̆t (2)
Rs
fu (3)
rs = rt e−a(s−t) + b∗ 1 − e−a(s−t) + σe−as t eau dB
Page 41
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
Avec s > t.
Sous la probabilité risque neutre, rt est un processus gaussien qui a pour moyenne
conditionnellement à la filtration Ft (rt − b∗) e−a(s−t) + b∗, et une variance condition-
σ 2 (1−e−2a(t−s) )
nellement à la filtration Ft 2a
La courbe des taux à l’instant t se déduit des prix zéro-coupon à travers la formule
suivante :
−1
R(t, T ) =
ln(P (t, T ))
T −t
Estimation de la courbe des taux par le modèle de Vasiçek
Pour estimer les paramètres du processus d’Ornstein-Uhnlenbeck (équation 1),
a, b et σ nous utiliserons la discrétisation exacte proposée par Gouriéroux, Monfort
et Renault (1993). Il s’agit de la méthode des séries temporelles qui est basée sur la
technique des moindres carrés ordinaires MCO. Cependant, elle n’est pas la seule à
être utilisée pour estimer les paramètres de ce modèle. Parmi d’autres, nous pouvons
citer la méthode du maximum de vraisemblance proposée par James et Weber en
2004.
La discrétisation exacte proposée par Gouriéroux, Monfort et Renault s’écrit :
r
(1 − e−2a )
= b 1 − e−a + e−a − 1 rt−1 + σ ε avec ε ∼ N (0, 1)
rt − rt−1
2a
A présent, munis de la méthode des Moindres Carrées Ordinaires (MCO), estimer
les paramètres du modèle de Vasiçek devient simple à travers l’équation suivante :
rt = A + Brt−1 + εt
Page 42
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
Avec :
✓ A = b 1 − e−a
✓ B = e−a
σ2
−2a
✓ εt ∼ N 0, 1−e
2a
Cette équation indique que les taux courts s’ajustent suivant un processus auto
régressif d’ordre 1.
Pour estimer les paramètres par la méthode MCO, rt doit être stationnaire, si
rt est pas stationnaire il faut vérifier que rt t rt−1 t le même d’ordre d’intégration avant
de tester leur cointégration.
Construction de la courbe des taux zéro-coupon via le modèle de Vasiçek :
Après l’estimation des paramètres a, b et σ ne requière plus que l’estimation de la
prime de risque q pour construction de la courbe des taux zéro-coupon. Cette prime
de risque est le rendement attendu d’un actif par rapport au taux de rendement sans
risque. La prime de risque d’un actif est une forme de rémunération des investisseurs.
Elle représente un paiement aux investisseurs pour tolérer le risque supplémentaire
d’un investissement donné par rapport à celui d’un actif sans risque. L’approche
adoptée pour sa détermination consiste à minimiser la somme des carrés des erreurs
entre les taux zéro-coupon réels du marché et ceux obtenus par le modèle de Vasiçek
en fonctions de q.
Avec : ✓Rm : Taux zéro-coupon déduit des taux de rendement observés sur le
marché
✓Rvasicek : Taux zéro coupon obtenu en appliquant le modèle de Vasiçek.
Page 43
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
» ne sont pas rendues par un modèle de Vasiçek. Enfin, le modèle de Vasiçek est un
modèle dit endogène puisque la courbe de taux zéro coupon est entièrement définie
par le modèle (par l’équation (2)). On ne peut donc pas passer les observations de
marché en entrée du modèle. Le modèle CIR présenté à la section suivante cherche
à répondre au problème de la positivité du taux court.
B.Modèle de Cox-Ingersoll-Ross
Présentation de modèle
Le modèle Cox-Ingersoll-Ross décrit l’évolution des taux d’intérêt. Est un type
de "modèle à un facteur" puisqu’il décrit les mouvements des taux d’intérêt comme
étant déterminés par une seule source de risque de marché. Il introduit un processus
en racine carrée qui évite les valeurs négatives prises par le taux d’intérêt, tout en
conservant la simplicité du processus d’Ornstein-Uhlenbeck.
Le modèle peut être utilisé dans l’évaluation des dérivés de taux d’intérêt. Il a
été introduit en 1985 par John C. Cox, Jonathan E. Ingersoll et Stephen A. Ross
comme une extension du modèle de Vasiçek.
Sa dynamique est représentée par la différentielle stochastique suivante :
√
drt = a (b − rt ) dt + σ rt dWt
√
Avec : ✓ a : la vitesse du retour au moyenne ✓ b : le taux d’équilibre ✓σ rt :
la volatilité stochastique des taux courts ✓Wt : un mouvement brownien sous la
√
probabilité historique ✓ la condition de positivité s’écrit : 2ab > σ La solution
explicite de l’EDS (Equation Différentielle Stochastique)(3.1) est pour un instant
donné t :
t t
√
Z Z
rt = r0 + a ( b − rs ) ds + σ rs dWs
0 0
Comme pour le modèle de Vasiçek, on peut calculer les premiers moments de r :
σ 2 −a(t−s) σ2 2
− e−2a(t−s) + b 1 − e−a(t−s)
Var {rt | Fs } = rs e
a 2a
Dans ce modèle les variables rt n’ont pas une loi normale et sont toujours positives.
√
On définit le processus qt (le prime de risque) par qt = α rt , α ∈ R, et par le théo-
rème de Girsanov le processus W ft = Wt + t α√rs ds sera un mouvement brownien.
R
0
Page 44
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
√ f
drt = a∗ (b∗ − rt ) dt + σ rt dWt
Avec :
✓ a∗ = ασ + a
ab
✓ b∗ =
a∗
Sous le modèle de CIR, le prix du zéro-coupon sera de la forme suivante :
Avec :
✓C(t, T ) = (α + γ) eγ(T −t)−1 + 2γ
✓ A(t, T ) =
C(t, T )
2eγ(T −t)−1
✓B(t, T ) =
C(t, T )
√
✓γ = α2 + 2σ 2
La courbe des taux à l’instant t se déduit des prix zéro-coupon à travers la formule
suivante :
−1
R(t, T ) = ln(P (t, T ))
T −t
Estimation de la courbe des taux par le modèle de CIR
L’estimation des paramètres des modèles en temps continu n’est pas immédiate
car les données disponibles sont discrètes alors Il est indispensable de passer par une
discrétisation du processus.
Les schémas d’Euler et de Milstein sont les procédés de discrétisation les plus
répandus. Le procédé de discrétisation d’Euler consiste, dans le modèle de Cox,
Ingersoll et Roll, en l’approximation du processus continu rt par le processus discret
ret suivant :
p
rg et + a∗ (b∗ − ret ) δ + σ
t+δ = r ret × δ
Page 45
CHAPITRE 2. ÉTUDE THÉORIQUE ET MODÉLISATION
Avec :
- Yt = √
rt
rt−1
- Xt = √
1
rt−1
√
- Zt = rt−1
Pour estimer les paramètres par la méthode M CO, Y t, Xt et Zt doivent etre
stationnaire, si les séries ne sont pas stationnaire alors il faut vérifier que Y t, Xt et
Zt sont cointégrées.
Construction de la courbe des taux zéro-coupon via le modèle de CIR
Après l’estimation des paramètres a, b et σ, ne requière plus que l’estimation de la
prime de risque q pour construction de la courbe des taux zéro-coupon.
L’approche adoptée pour sa détermination consiste à minimiser la somme des
carrés des erreurs entre les taux zéro-coupon réels du marché et ceux obtenus par le
modèle de Vasiçek en fonctions de q.
Avec :
✓Rm : Taux zéro-coupon déduit des taux de rendement observés sur le marché
✓RCIR : Taux zéro coupon obtenu en appliquant le modèle de Vasiçek.
Page 46
Chapitre 3
47
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Python
Python est un langage de programmation interprété créé par Guido van Rossum
en 1991, de haut niveau et polyvalent. La philosophie de conception de Python
met l’accent sur la lisibilité du code avec son utilisation notable d’espaces blancs
importants. Ses constructions de langage et son approche orientée objet visent à
aider les programmeurs à écrire un code clair et logique pour les projets à petite et
grande échelle.
Page 48
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Jupyter notebook
Jupyter Notebook est un outil open source permettant d’écrire du code infor-
matique et de le partager pour collaborer. Grâce à ses nombreux avantages, ce
blocnote de calcul est devenu une référence incontournable pour les Data Scientists.
Découvrez tout ce que vous devez savoir : présentation, fonctionnement, cas d’usage,
avantages. . .
Pycharm
RStudio
Page 49
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Power BI
Pandas
BeautifulSoup
Page 50
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Beautiful Soup est une bibliothèque Python permettant d’extraire des données
de fichiers HTML et XML. Il fonctionne avec votre analyseur préféré pour fournir
des moyens idiomatiques de navigation, de recherche et de modification de l’arbre
d’analyse. Cela permet généralement aux programmeurs d’économiser des heures ou
des jours de travail.
Page 51
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
put du programme donnera les données récupérées dans n’importe quel format de
fichier tel que CSV, XLSX, JSON, etc.
Prenons l’exemple d’importation de la courbe des taux à partir du site de la
BAM qui se base sur le processus décrit en dessus. la page du site de la BAM a la
forme suivante :
Page 52
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Figure 3.2 – Les données de la courbe des taux importées du site de la BAM
Une fois la base est importée, vient l’étape de la préparation des données qui
consiste à interpoler des données pour homogénéiser les maturités et les rendre sous
cette forme :1mois, 2mois,3mois, 6mois, 1an, 2ans,........ 30 ans. La figure ci-dessous
affiche le résultat de l’interpolation des données. On voit que les données se sont
homogénéisées pour donner les maturités voulues.
Page 53
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Page 54
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Une fois les données importées via pandas, et vu que les données sont réelles donc
ils sont mal renseignés et nécessite un filtrage pour enfin dégager juste les données
nécessaires. Après le filtrage et le nettoyage des données, nous finissons par avoir la
table finale sous la forme suivante :
Notons que la colonne “valeur l’année dernière” sera ajoutée à notre table pour
nous servir dans notre visualisation sous power BI.
Page 55
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Pour l’importation de données à partir du site HCP, on se base sur les biblio-
thèques pandas et tabula (Permettre de visualiser les tableaux contenus dans un
fichier PDF).
Prenons le cas de l’importation des données reliés à la rubrique de la contribution
du PIB, elle aura la forme suivante à partir du fichier Excel de :
Figure 3.6 – Importation des données à partir du fichier excel du Tableau des
ressources et des emplois
Source : HCP
Ce qui compte pour nous sont les informations nécessaires pour les contributions
du PIB. ces informations sont affichées dans le tableur l’extrait Excel (tableau des
ressources et des emplois) ci-dessous :
Page 56
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Le mot ”CONSOMMATION FINALE” est écrit une seule fois dans la base de
données, chose qui nous facilitera la tâche, du coup, nous nous baserons sur la ligne
et la colonne pour filtrer la base ou bien pour extraire les contributions et ses valeurs.
On voit que la base importée contient plusieurs valeurs manquantes et données qui
ne seront pas utiles pour nous, du coup, on est censé la filtrer et la nettoyer.
Après filtrage et nettoyage, nous aurons une nouvelle table comme affiché ci-
dessous.
Page 57
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
nous remarquons d’après la sortie python ci-dessus que le PIB et ses contributions
marquent une légère augmentation de 2017 à 2019. Après cette date, les courbes
enregistrent une diminution remarquable qui peut être significativement expliquées
et justifiée par la propagation de la pandémie de la covid 19.
Pour le cas des indicateurs d’importations et d’exportations à partir du site
HCP, on se base sur la bibliothèque tabula qui permet d’extraire les tableaux à
partir rapports publiés par le haut-commissariat du plan chaque année et auront la
forme suivante dans le rapport sous format pdf (figure ci-dessous) :
Page 58
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Notre objectif est d’extraire les produits et ces valeurs correspondantes pour les
années 2015,2016 et 2017.
Après l’importation de ce tableau via python, il sera affiché comme suit :
Comme affiché ci-dessus, la table contient des valeurs qui ne sont pas nécessaires,
du coup il est nécessaire d’effectuer une étape de nettoyage et de filtration des
données.
Page 59
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Le processus d’importation des données n’est pas assez simple comme cela, en
effet, plusieurs problèmes peuvent survenir et qui peuvent impacter le web scraping
comme les problèmes liés à la connexion internet et la connexion entre la biblio-
thèque BeautifulSoup et le web site, gaspillage de la mémoire pour les données ayant
plusieurs itérations et le changement de la structure HTML des sites. Ensuite, les
fichiers Excel changent de structure et les fichiers PDF n’ont pas la même structure
et chaque tableau est situé dans une page.
Grâce à bibliothèque time dans python nous avons résolu le problème lié à la
connexion entre la bibliothèque BeautifulSoup et le web site
Page 60
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
En fait, elle contient le logo de l’organisme, un titre et une barre à droite conte-
nant des checkbox qui offre la possibilité à l’utilisateur de choisir l’indicateur dont il
veut suivre. Elle indique aussi que l’importation des données commence à partir du
jour qui suit la dernière date qui se trouve dans la base de données de l’indicateur
choisi et finit le processus à la date d’aujourd’hui. En effet, comme affiché ci-dessous,
Page 61
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
la dernière date qui se trouve dans la base de données de l’indicateur courbe de taux
est le 13-05-2022.
Une fois l’utilisateur clique sur le bouton OK. Le processus commence du scra-
ping.
Page 62
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
En effet, l’importation des données commence par le jour qui suit la dernière
date détectée dans la base de données, et une fois l’importation du jour est terminée
, il affiche “page switched” et si un jour est férié ou les jours du week-end, il l’affiche
et continue son processus jusqu’à la fin et affiche le temps pris pour l’exécution
de l’importation des données. A la fin du processus, les données importées seront
enregistrées dans un fichier Excel et auront la forme suivante :
Ce fichier excel servira plus tard dans la visualisation de la courbe de taux sous
power BI.
Le processus fait par cet indicateur sera fait de même pour l’extraction des
données des autres indicateurs.
Page 63
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Page 64
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Page 65
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Page 66
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
Page 67
Chapitre 4
68
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Figure 4.1 – Page d’accueil de la construction de la courbe des taux des taux zéro
coupon
Page 69
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Transformation
Une fois importée, la prochaine étape dans la construction de la courbe zéro
coupon est la transformation qui consiste à homogénéiser la base de calcul des taux.
En effet, le taux monétaire devient taux actuariel pour les maturités inférieurs à un
an.
Interpolation
Après l’étape de transformation, il est temps de faire une interpolation linéaire
pour les maturités suivantes : 1 mois, 2 mois, 3 mois , 6 mois , 1 an ,2ans . . ., 30
ans. l’interpolation de la base étudiée donnera la table suivante (figure ci-dessous).
Page 70
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Bootstrapping
Une fois interpolé vient l’étape de la construction du zéro-coupon en appliquant
la méthode du Bootstrapping qui consiste à transformer les taux actuariels pour les
maturités supérieurs à un 1 an via la formule suivante :
N1
1
ZCN = PN −1 −1
1 1 1
l− +
i=1
(1+rN ) (1+ZCi ) l
(1+rN )N
Avec :
• ZCN :Le taux zéro-coupon pour la maturité N.
• ZCi :Le taux zéro-coupon pour la maturité i.
• rN :le taux de rendement actuariel pour la maturité N.
Page 71
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
l’objectif est d’estimer les paramètres a, b, σ du modèle Vasicek, pour ce faire, une
simple régression linéaire s’impose sur une série des taux très courts terme choisie.
cette série est celle du taux moyen pondéré (TMP), taux au jour le jour du marché
monétaire marocain. Nous nous basons alors sur des données d’une période allant
du 01/01/2008 au 31/12/2021, soit une période 13 ans. Ces données se résument au
graphe suivant :
Page 72
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
• La valeur de la médiane indique que 50% des taux de notre base de données
se situent entre 1,5% et 2,537% pour que l’autre moitié se situe entre 2,537% et
3,893% ;
• La valeur du premier quartile indique que 25% des taux de notre base de
données se situent entre 1,5% et 2,257% ;
• La valeur du troisième quartile indique que 25% des taux de notre base de
données se situent entre 3,25% et 3,893%.
Estimation
• a = − ln B
• b = 1−a
A
q
• σ = σε 1−e2a−2a
Avant d’appliquer le MCO, nous devons s’assurer que les séries rt et rt−1 sont station-
naire, pour tester la stationnarité on utilise le test de Dickey-Fuller augmenté qui
nous montre que la série n’est pas stationnaire puisque le coefficient de la tendance
est significatif (p-value<5%).
Page 73
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Page 74
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Paramètres A B σϵ α b σ
Valeurs 0.0001630612 0.9937275900 0.0006937073 0.006292 0.000164 0.0006959
Validation du modèle
Normalité
l’objectif de cette analyse est étudié la normalité des résidus, pour ce faire le test
de Jarque-Bera doit être effectue sous les hypothèses :
H0 : Normalité des résidus
H : il n’y a pas normalité des résidus
1
le résultat du teste nous montre que la condition de la normalité n’est pas remplie
(p-value<5%).
Page 75
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
L’autocorrélation
La présence d’autocorrélation des erreurs correspond à la violation de l’hypothèse
COV (ϵi, ϵj) = 0. pour tester l’autocorrélation nous basons sur le test de Breuch-
Godfrey sous les hypothèses :
H :ρ=0
0
H : ρ ̸= 0
1
Page 76
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
il existe des approches pour corriger l’autocorrélation mais nous aurons plus une
solution pour le modèle vasicek.
Prévision
Mouvement brownien
Le mouvement brownien, ou processus de Wiener, est une description mathéma-
tique du mouvement aléatoire d’une « grosse » particule immergée dans un fluide
et qui n’est soumise à aucune autre interaction que des chocs avec les « petites »
molécules du fluide environnant.
Ws t un processus stochastique :
W0 = 0
Wt − Ws suit N (0, t − s)
Page 77
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
drt = a (b − rt ) dt + σdwt
Avec :
Rt
0
e−as dw(s) : Mouvement brownien
Page 78
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Monte Carlo :
Les méthodes de Monte Carlo, ou expériences de Monte Carlo, sont une large
classe d’algorithmes de calcul qui reposent sur un échantillonnage aléatoire répété
pour obtenir des résultats numériques. Le concept sous-jacent est d’utiliser le ca-
ractère aléatoire pour résoudre des problèmes qui pourraient être déterministes en
principe. Ils sont souvent utilisés dans des problèmes physiques et mathématiques
et sont particulièrement utiles lorsqu’il est difficile ou impossible d’utiliser d’autres
approches. Les méthodes de Monte Carlo sont principalement utilisées dans trois
classes de problèmes : optimisation, intégration numérique et génération de tirages
à partir d’une distribution de probabilité.
En finance :
• Estimation de la sensibilité de la valeur conditionnelle à risque à l’aide d’un
quasi Monte Carlo randomisé
• Système complexe en finance : évaluation Monte Carlo de la fonction de densité
de temps de premier passage
La méthode de monte Carlo consiste à simuler plusieurs trajectoires, c’est-à-dire
plusieurs scénarios économiques possible pour le processus stochastique donné afin
de voir le pire et le meilleur des cas dans notre situation.
Après avoir simuler ces trajectoires, on prend les moyennes de ces scénarios et
on considère que note processus va suivre cette moyenne.
Nous entamerons maintenant cette simulation afin de faire les prévisions. Nous
commencerons tout d’abord par la première étape qui consiste à simuler des ob-
servations du mouvement brownien. Pour ce faire, nous avons opté de simuler les
trajectoires en utilisant 2000 itérations pour un horizon de 15 jours allant du 2022-
01-01 à 2022-01-15.
La figure ci-dessous affiche la simulation évoquée précédemment.
Page 79
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Figure 4.14 – Les trajectoires possibles du taux moyen pondéré pour chaque jour
Page 80
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Une fois les TMP sont prédit, nous nous lancerons maintenant dans la prévision
des taux zéro coupon en utilisant le modèle Vasiçek. On rappelle que les taux zéro-
coupon ont donnés par :
−1
R(t, T ) = T −t
ln(P (t, T ))
tel que :
Page 81
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Exemple 03-01-2022
Page 82
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Page 83
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Table 4.3 – Taux zéro coupon estimé par Vasicek pour la date 03-01-2022
Backtesting
Figure 4.17 – Comparaison entre la courbe réelle zéro-coupon et celle estimée par
le modèle de Vasiçek au 2021-01-03
Page 84
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Figure 4.18 – Comparaison entre la courbe réelle zéro-coupon et celle estimée par
le modèle de Vasiçek au 2021-01-07
Page 85
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
s’écrivent en fonction des taux très courts terme choisie. ces taux sont celles du
taux moyen pondéré (TMP), taux au jour le jour du marché monétaire marocain.
Nous nous basons alors sur des données d’une période allant du 01/01/2008 au
31/12/2021, soit une période de 13 ans.
Estimation
Page 86
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Page 87
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Page 88
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Les paramètres a* b* σ
Les valeurs 0.004435 0.0257368 0.004189663
Validation du modèle
Normalité
l’objectif de cette analyse est étudié la normalité des résidus, pour ce faire le test
de JarqueBera doit être effectue sous les hypothèses :
H0 : Normalité des résidus
H : il n’y a pas normalité des résidus
1
le résultat du teste nous montre que la condition de la normalité n’est pas remplie
puisque la p-value est inférieur à 5%.
Page 89
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Autocorrélation
La présence d’autocorrélation des erreurs correspond à la violation de l’hypothèse
COV (ϵi, ϵj) = 0. pour tester l’autocorrélation nous basons sur le test de Breuch-
Godfrey sous les hypothèses :
H :ρ=0
0
H : ρ ̸= 0
1
nous concluons que les erreurs sont corrélées car la p-value est inférieur à 5%.
il existe des approches pour corriger l’autocorrélation mais nous aurons plus une
solution pour le modèle CIR.
Prévision
Les résultats de l’estimation de ces paramètres : a∗, b∗ et σ vont nous servir dans
le calcul des valeurs A (t, T) et B (t, T)(formule ci-dessous). En fait, ces valeurs sont
importantes dans le calcul du prix P(t,T). Ensuite, nous obtenons les différentes
taux zéro coupon pour les différentes maturités, ces taux ZC estimés nécessitent
d’ajouter la valeur prédite du TMP interbancaire correspondant. D’autre part, pour
enfin comparer et évaluer les résultats.
Page 90
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
√
drt = a (b − rt ) dt + σ rt dWt
Par la discrétisation de l’EDS précédente (ou bien par le schéma d’Euler), on trouve :
√
rt+1 − rt = a (b − rt ) + σ rt (Wt+1 − Wt )
tel que :
Wt+1 − W t : mouvement brownien qui suit la loi Normale centrée réduite.
De la même façon que le modèle de Vasiçek, on utilise la méthode de Monte
Carlo pour générer plusieurs trajectoires.
Figure 4.27 – Les trajectoires possibles du taux moyen pondéré pour chaque jour
Page 91
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
En se basant sur les TMP prédits, nous nous lancerons maintenant dans la pré-
vision des taux zéro coupon en utilisant le nouveau modèle CIR. On rappelle que
les taux zéro-coupon ont donnés par :
−1
R(t, T ) = T −1
ln P (t, T )
tel que :
Page 92
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Le tableau ci-dessous affiche le résultat des ZC établie par le modèle CIR pour
les maturités 1mois, 2mois, 3mois,6mois, 1an. . .. 30 ans qui correspond à la date
07-01-2022.
Page 93
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Page 94
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Table 4.5 – Taux zéro coupon estimé par CIR pour la date 07-01-2022
Backtesting
Figure 4.30 – Comparaison entre la courbe réelle zéro-coupon et celle estimée par
le modèle de CIR au 2021-01-03
Page 95
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Figure 4.31 – Comparaison entre la courbe réelle zéro-coupon et celle estimée par
le modèle de CIR au 2021-01-07
De la même façon que le modèle Vasiçek, le modèle CIR évalue bien les courbes
pour les maturités inférieures à un an et tant que les maturités augmentent, on
remarque que la courbe du modèle établie s’éloigne de la courbe du marché du coup
le modèle ne prédit plus les taux de la même façon que pour les maturités inférieur
a un an. Cette interprétation s’applique pour les deux dates prises en exemple soit
le 2022-01-07 soit le 2022-01-03.
Figure 4.32 – Comparaison entre la courbe réelle zéro-coupon et celle estimée par
le modèle de CIR et Vasiçek au 2021-01-03
Page 96
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Figure 4.33 – Comparaison entre la courbe réelle zéro-coupon et celle estimée par
le modèle de CIR et Vasiçek au 2021-01-13
D’après les figures affichées ci-dessus, on peut conclure que les modèles CIR et
Vasiçek sont assez similaires dans la façon dont ils prédisent la courbe ZC dans les
maturités inférieures à un an. Mais, quand on dépasse les 1 an, ni le modèle CIR ni
le modèle Vasiçek prédit parfaitement la courbe ZC avec un énorme écart entre les
valeurs trouvées par le modèle et les valeurs du marché.
D’autre part, en termes de taux le modèle CIR est plus robuste par rapport au
modèle Vasiçek car il fournit des taux positifs cependant le modèle Vasiçek donne
des taux négatifs, ceci est dû au fait que CIR ajoute de nouvelles restrictions sur la
dynamique des taux à court terme.
VASIÇEK et CIR dont le but d’avoir une visibilité sur la variation future du
taux d’intérêt.
Page 97
CONCLUSION GÉNÉRALE
98
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
Page 99
BIBLIOGRAPHE
[1] Georges Patrick : The Vasicek and CIR Models and the Expectation Hypo-
thesis of the Interest Rate Term Structure, January 2003
100
ANNEXES
101
ANNEXE 2 : Construction de la courbe zéro coupon : Étape 1
102
Code python pour l’interpolation des maturités
103
ANNEXE 5 : Mouvement brownien
104
ANNEXE 7 : Prévision des taux zéro coupon par le modèle Vasicek
Code python pour la prévision des taux zéro coupon par le modèle Vasicek
105
ANNEXE 8 : Prévision du TMP par le modèle CIR
Code python pour la prévision des taux zéro coupon par le modèle CIR
106