Aboussabr - Rapport de PFE PDF

ROYAUME DU MAROC
*-*-*-*-*
HAUT COMMISSARIAT AU PLAN
*-*-*-*-*-*-*-*
INSTITUT NATIONAL
DE STATISTIQUE ET D’ECONOMIE APPLIQUEE
Projet de Fin d’Etudes

*****
Reporting des indicateurs financiers et
économiques et modélisation de la courbe des taux
Préparé par : M. ABOUSSABR Tarik
Sous la direction de : M. BENYACOUB Badreddine (INSEA)

M. ALLALI Marouane (Attijariwafa Bank)
Soutenu publiquement comme exigence partielle en vue de l’obtention du
Diplôme d’Ingénieur d’Etat
Filière : Statistique et Démographie
Devant le jury composé de :
▪ M. BENYACOUB Badreddine (INSEA)

▪ M. KHALIL Said ( INSEA)
▪ M. ALLALI Marouane (Attijariwafa Bank)
Juillet 2022 / PFE N° 122

DÉDICACE
Je tiens à dédier ce modeste travail :
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
Au terme de ce travail, il est agréable d’acquitter une dette de reconnaissance

auprès de toute personne, dont l’intervention au cours de ce projet, a favorisé son
aboutissement. De prime à bord, mes très chers remerciements vont à M. EL AL-
LALI Marouane, qui ne m’a pas manqué de me préparer les conditions favorables
au sein de l’entité finance groupe par ses orientations fructueuses, et pour son ex-
trême disponibilité et ses conseils qui m’ont prodigué pour la réussite de ce travail.
Mes remerciements les plus sincères vont aussi à mon encadrant interne professeur
M.BENYACOUB Badreddine qui a veillé sur le bon déroulement de notre projet
et auprès de qui j’ai trouvé aide, soutien.
Je conserve un remerciement spécial à notre professeur M. KHALIL Said de

m’avoir honoré avec grande sympathie de siéger parmi mon jury de soutenance.
Veuillez trouver ici l’expression de mon grand respect et ma profonde gratitude.
Je tiens également à exprimer une forte gratitude à l’ensemble du corps ensei-

gnant et personnels de l’INSEA, pour avoir accordé le plus clair de leur temps, leur
attention et leur énergie et ce dans un cadre agréable et convivial.
3
RÉSUMÉ
Le présent document constitue la synthèse du travail, réalisé dans le cadre du

stage de projet de fin d’études, au sein de la banque Attijariwafa Bank. Il a pour
objectif « Reporting des indicateurs financiers et économiques et modélisation de
la courbe des taux». L’activité quotidienne du pôle finance groupe est souvent sa
confrontation à plusieurs chiffres, données et indicateurs financiers, du coup les ma-
nipuler tous s’avèrent un défi pour la banque. En effet, les banques sont encore très
nombreuses à utiliser un processus classique visant à importer les données et les vi-
sualiser manuellement du coup créer un outil d’importation et de consolidation des
données automatique sera bénéfique pour la banque. C’est dans ce cadre que s’ins-
crit mon projet de fin d’études. Ce rapport met en évidence l’étude et les démarches
suivies pour traiter cette problématique qu’induit la difficulté d’importation et de
consolidation des données, tirées dans le cadre de l’étude des indicateurs multiples
indispensables à l’activité bancaire. La technologie du web scraping est notre re-
mède à ce problème en automatisant la tâche d’importation des données financières
à partir du site de la BAM, HCP et du site du ministère d’économie et de la finance.
Un tas de travail a été fait après l’importation des données à savoir le filtrage et le
nettoyage des base de données, extraction des données et enfin leurs visualisations.
La partie de la modélisation de la courbe de taux vise à modéliser la structure par
terme des taux d’intérêt au Maroc. Deux modèles stochastiques ont été appliqués
dans ce sens ; le modèle Vasicek et le modèle CIR afin de faire les prévisions et un
backtesting a été élaboré à la fin pour comparer les résultats théoriques avec ceux
affichés dans le marché.
Mots clés : courbe des taux, vasicek, Cox–Ingersoll–Ross, régression linéaire,
prévision, web scraping, visualisation
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,
web scraping, visualization
5
Liste des abréviations
— ADF :Augmenté de Dickey-Fuller
— BAM : Bank Al-Maghreb
— CIR : Cox–Ingersoll–Ross
— EDS : Equation Différentielle Stochastique
— HCP : Haut commissariat au plan
— MEF : Ministère d’économie et de la finance
— MCO : Moindre carré ordinaire
— RLM : Régression linéaire multiple
— RLS : Régression linéaire simple
— TMP : Taux moyen pondéré
6
Table des matières
DÉDICACE 2
REMERCIEMENTS 3
RÉSUMÉ 4
ABSTRACT 5
Liste des abréviations 6
INTRODUCTION GÉNÉRALE 14
1 Contexte générale du projet 16

1.1 Présentation de l’organisme d’Attijariwafa Bank . . . . . . . . . . . . 17
1.1.1 Présentation générale . . . . . . . . . . . . . . . . . . . . . . 17
1.1.2 L’entité : Finances Groupe . . . . . . . . . . . . . . . . . . . . 19
1.2 Notions et définitions . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.1 Taux d’intérêt . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.2 Taux court/long . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.3 Taux de rendement actuariel . . . . . . . . . . . . . . . . . . . 21
1.2.4 Taux monétaire . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.5 la courbe de taux . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.6 Taux zéro coupon . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3 Présentation du projet . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.1 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3.2 Tâche réalisée . . . . . . . . . . . . . . . . . . . . . . . . . . 24
7
TABLE DES MATIÈRES
1.3.3 Phases du projet . . . . . . . . . . . . . . . . . . . . . . . . . 24

1.3.4 Durée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3.5 Acteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2 Étude théorique et modélisation 26

2.1 Modèle statistique pour la modélisation . . . . . . . . . . . . . . . . . 27
2.1.1 Régression linéaire simple . . . . . . . . . . . . . . . . . . . . 27
2.1.2 régression linéaire multiple . . . . . . . . . . . . . . . . . . . . 28
2.1.3 la qualité d’un ajustement . . . . . . . . . . . . . . . . . . . . 31
2.1.4 Test de conformité à une valeur nulle (test de Student) . . . . 31
2.1.5 Signification globale du modèle de la régression (test de Fisher) 32
2.1.6 régression linéaire des séries temporelles . . . . . . . . . . . . 32
2.1.7 Validation du modèle . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Modélisation de la courbe des taux . . . . . . . . . . . . . . . . . . . 38
2.2.1 Construction de la courbe zéro-coupon. . . . . . . . . . . . . . 38
2.2.2 Modèle de prévision pour la courbe des taux . . . . . . . . . . 39
3 Collecte et visualisation des données 47

3.1 les technologies utilisées . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.1 Langages utilisés . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.1.2 Outils utilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.1.3 Bibliothèques utilisées . . . . . . . . . . . . . . . . . . . . . . 50
3.2 Collecte des données . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3 Mise en place d’une application web pour l’importation des données . 61
3.4 Mise en place d’un Dashboard des indicateurs économiques et finan-
cières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4 Prévisions de la courbe des taux 68

4.1 Construction du taux zéro-coupon . . . . . . . . . . . . . . . . . . . . 69
4.2 Prévisions pour la courbe des taux . . . . . . . . . . . . . . . . . . . 72
4.2.1 Le modèle Vasiçek . . . . . . . . . . . . . . . . . . . . . . . . 72
4.2.2 Le modèle CIR . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Page 8
TABLE DES MATIÈRES
4.2.3 Comparaison entre CIR, Vasiçek et courbe zéro coupon de

marché . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
CONCLUSION GÉNÉRALE 98
Page 9
Table des figures
1.1 Logo d’Attijariwafa Bank . . . . . . . . . . . . . . . . . . . . . . . . . 17

1.2 Organigramme de Finance Groupe . . . . . . . . . . . . . . . . . . . 20
1.3 Différentes formes de la courbe des taux . . . . . . . . . . . . . . . . 22
3.1 Onglet courbe des taux dans le site de la BAM . . . . . . . . . . . . . 52

3.2 Les données de la courbe des taux importées du site de la BAM . . . 53
3.3 la base de données après l’interpolation . . . . . . . . . . . . . . . . . 54
3.4 Importation des données à partir du site de la MEF . . . . . . . . . . 55
3.5 La base des données après nettoyage . . . . . . . . . . . . . . . . . . 55
3.6 Importation des données à partir du fichier excel du Tableau des
ressources et des emplois . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.7 Extrait du fichier excel du PIB et ses contributions . . . . . . . . . . 57
3.8 Extrait de la table après filtrage et nettoyage . . . . . . . . . . . . . . 57
3.9 La courbe du PIB et ses contributions . . . . . . . . . . . . . . . . . 58
3.10 Extrait du rapport de l’exportation pour l’année 2017 . . . . . . . . . 59
3.11 Importation du tableau . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.12 Le tableau après nettoyage et filtration . . . . . . . . . . . . . . . . . 60
3.13 Page d’accueil de l’application web . . . . . . . . . . . . . . . . . . . 61
3.14 Fichier excel importé . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.15 Lancement du processus du scraping . . . . . . . . . . . . . . . . . . 62
3.16 Processus du scraping . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.17 Format du fichier excel sorti . . . . . . . . . . . . . . . . . . . . . . . 63
3.18 Page d’accueil du dashboard . . . . . . . . . . . . . . . . . . . . . . . 64
3.19 Page dédiée à la courbe des taux . . . . . . . . . . . . . . . . . . . . 65
10
TABLE DES FIGURES
3.20 Page dédiée aux finances publiques . . . . . . . . . . . . . . . . . . . 66

3.21 Page dédiée à la contribution du PIB . . . . . . . . . . . . . . . . . . 67
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
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
4.26 Test d’autocorrélation . . . . . . . . . . . . . . . . . . . . . . . . . . 90

4.27 Les trajectoires possibles du taux moyen pondéré pour chaque jour . 91
4.28 TMP prédit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.29 Taux zéro coupon estimé par le modèle CIR . . . . . . . . . . . . . . 93
le modèle de CIR au 2021-01-03 . . . . . . . . . . . . . . . . . . . . . 95
le modèle de CIR au 2021-01-07 . . . . . . . . . . . . . . . . . . . . . 96
le modèle de CIR et Vasiçek au 2021-01-03 . . . . . . . . . . . . . . . 96
le modèle de CIR et Vasiçek au 2021-01-13 . . . . . . . . . . . . . . . 97
Page 12
Liste des tableaux
4.1 Statistique descriptive du taux moyen pondéré jj . . . . . . . . . . . . 72

4.2 Estimation des paramètres du modèle de Vasicek . . . . . . . . . . . 75
4.3 Taux zéro coupon estimé par Vasicek pour la date 03-01-2022 . . . . 84
4.4 Estimation des paramètres a*, b* et σ . . . . . . . . . . . . . . . . . 89
4.5 Taux zéro coupon estimé par CIR pour la date 07-01-2022 . . . . . . 95
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
forme de quatre chapitres bien structurés.

Le premier chapitre définit le contexte général du projet en présentant l’orga-
nisme d’accueil ATTIJARIWAFA Bank, la méthodologie et la démarche suivie pour
sa conduite.
Le deuxième chapitre est consacré à une étude théorique portant sur les mé-
thodes statistiques utilisés pour la modélisation ainsi que pour la modélisation de la
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
Contexte générale du projet
Dans ce chapitre, nous allons présenter notre organisme d’accueil, la probléma-

tique du projet, les taches à réaliser ainsi que quelques notions et défintions relatives
aux projets
16
CHAPITRE 1. CONTEXTE GÉNÉRALE DU PROJET
1.1 Présentation de l’organisme d’Attijariwafa Bank
1.1.1 Présentation générale
Acteur majeur du secteur bancaire marocain, Attijariwafa Bank bénéficie

d’une assise financière solide, d’un capital de savoir-faire diversifié et d’outils d’ex-
pertise modernes.
La Banque se fixe un double objectif : situer ses performances aux meilleurs
standards internationaux et inscrire son développement en Afrique et dans le pour-
tour méditerranéen. Attijariwafa Bank est basée au Maroc et opère dans 21 pays :
en Afrique (Tunisie, Sénégal, Burkina-Faso, Guinée Bissau, Mali, Mauritanie, Côte
d’Ivoire, Congo, Gabon et Cameroun) et en Europe (Belgique, France, Allemagne,
Pays-Bas, Italie et Espagne) à travers des filiales bancaires contrôlées majoritaire-
ment par la banque. À Dubaï, Riyad, Londres, Shanghai et Tripoli à travers des
bureaux de représentation. Elle compte parmi ses actionnaires des références in-
ternationales, avec lesquelles elle développe des synergies multiples, notamment en
termes d’expertise et de création de valeur.
Figure 1.1 – Logo d’Attijariwafa Bank
Pour conduire son projet de développement, Attijariwafa Bank a mis en place

des modes de fonctionnement renforçant le pilotage stratégique et la surveillance
du groupe et privilégiant un management opérationnel à même de suivre avec plus
d’efficacité les évolutions du marché et l’élargissement du périmètre d’action. Ainsi,
les différentes entités commerciales ont été réorganisées autour de quatre pôles, dans
Page 17
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
• CBAO Groupe Attijariwafa bank au Sénégal.

• Crédit du Sénégal au Sénégal.
• SIB en Côte d’Ivoire.
• BIM au Mali.
• UGB au Gabon.
• Crédit du Congo au Congo.
• SCB au Cameroun.
• Attijariwafa Bank en Tunisie.
• Attijariwafa Bank en Mauritanie.
• Attijariwafa Bank Europe en France, Belgique, Espagne, Allemagne, Pays-Bas
et Italie.
1.1.2 L’entité : Finances Groupe
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
Figure 1.2 – Organigramme de Finance Groupe
1.2 Notions et définitions
1.2.1 Taux d’intérêt
Les taux d’intérêt dénient ce que l’emprunteur promet de payer au prêteur.

Celuici dépend de la devise, de la qualité de l’emprunteur (risque de crédit), de la
maturité du prêt et de la structure de remboursement.
1.2.2 Taux court/long
Le taux d’intérêt dépend de la durée de remboursement accordée à l’emprunteur.

En principe, plus la durée du prêt est longue, plus le taux d’intérêt est élevé. En
conséquence, emprunter sur dix ans coûte plus cher qu’emprunter sur un an, car les
créanciers prennent plus de risques.
• Taux court-terme : les taux appliqués aux opérations sur des périodes allant
jusqu’à 2 ans ;
• Taux moyen-terme : les taux appliqués aux opérations de 2 à 5 ans ;
• Taux long-terme : les taux appliqués aux opérations au-delà de 5 ans.
Page 20
1.2.3 Taux de rendement actuariel
Le rendement actuariel correspond à la rentabilité obtenue en conservant un actif

financier jusqu’à son échéance (durée de vie restant à courir) et en réinvestissant les
intérêts au même taux actuariel.
1.2.4 Taux monétaire
Le taux monétaire diffère du taux de rendement actuariel en termes de durée.

Le taux monétaire est le taux d’intérêt appliqué aux produits dont la durée de vie
est inférieure à un an. Il est calculé sur la base d’une année commerciale qui est
équivalent à 365 jours. Tandis que les taux actuariels correspondent à une durée
supérieure à un an. Ils sont calculés en base nombre de jours exacts. Le passage du
taux monétaire au taux actuariel se fait de la manière suivante :
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
1.2.5 la courbe de taux
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
Les différentes formes de la courbe des taux :

La courbe des taux peut être représenté sous quatre formes :
Figure 1.3 – Différentes formes de la courbe des taux
1. Normal ou conventionnel dans lequel les rendements sont à des niveaux «

moyens » et la courbe s’incline légèrement vers le haut à mesure que la maturité
augmente, jusqu’à la maturité la plus longue ;
2. En pente ascendante ou positive ou en hausse dans laquelle les rendements
sont à des niveaux historiquement bas, avec des taux longs nettement supérieurs
aux taux courts ;
3. En pente descendante ou inversée ou négative dans laquelle les niveaux de
rendement sont très élevés par rapport aux normes historiques, mais les rendements
à long terme sont nettement inférieurs aux taux courts ;
4. En bosse là où les rendements sont élevés, la courbe atteignant un sommet
dans la zone des échéances à moyen terme, puis descendant vers les échéances plus
longues.
Page 22
1.2.6 Taux zéro coupon
C’est le taux actuariel des instruments zéro-coupon. Un instrument financier

« zéro coupon » est un instrument qui ne donne lieu à aucun flux intermédiaire
d’intérêts. On dit qu’il n’y a pas de détachement de coupon intermédiaire. Ce type
d’instrument génère donc 2 flux :
• Un flux initial.
• Un flux final de remboursement.
1.3 Présentation du projet
1.3.1 Problématique
L’existence d’une multiplicité des indicateurs est un fait patent de la réalité

économique et financière, taux du marché monétaire, interbancaire, taux de change,
taux débiteurs, des centaines des indicateurs révèlent les relations complexes liant
prêteurs et emprunteurs de capitaux. Face à ce foisonnement du réel, l’importation
de ces données à partir des sites et la consolidation de tous ces indicateurs dans
un seul outil d’aide à la décision significatif s’avère un défi pour la banque, En
effet, le processus classique est assez lourd qui consistait à importer les données
d’une manière manuelle, les consolider dans un seul fichier Excel et ensuite essayer
de les visualiser sur Excel chose qui coûtera chère pour la banque soit en termes
de temps, soit en termes d’efficacité et soit en terme de risque opérationnelle ça
d’une part, d’autre part, Le taux d’intérêt est un élément incontournable lors de
l’évaluation des actifs financiers. Il sert à montrer comment le rendement attendu
d’un actif financier évolue en fonction de l’horizon d’investissement. Néanmoins, le
fait d’anticiper les variations du taux d’intérêt est d’une importance majeure pour
le groupe Attijariwafa Bank car il permet d’avoir une visibilité sur l’évolution future
de la gamme des taux.
Page 23
1.3.2 Tâche réalisée
Nous chercherons tout au long de ce projet à :

• Améliorer le processus d’importation des données et leur consolidation dans un
seul outil. L’amélioration du processus global s’établira sur deux axes bien précis :
• Automatisation du processus d’import des données via le Web Scraping des
indicateurs financiers et économiques à partir du site de la BAM , le ministère de la
finance et le haut commissariat au plan ;
• Création d’un Dashboard de pilotage sur Power bi visualisant ces indicateurs
d’une manière très significative offrant la possibilité aux gérants de la banque de
choisir n’importe quel indicateur de voir son historique, son évolution sans la peine
de se rendre aux sites web et de refaire les tâches d’une manière manuelle ;
• Construire et modéliser la courbe des taux marocaine via des modèles stochas-
tiques impliqué dans la modélisation de la dynamique du taux d’intérêt instantané
mis en évidence par le modèle VASIÇEK et le modèle Cox Ingersoll-Ross (CIR)
1.3.3 Phases du projet
phase 1 : cadrage du projet.

phase 2 : documentation sur le contexte du projet et les outils à utiliser.
phase 3 : identification de la problématique.
phase 4 : Application et interprétation des résultats :
• Importation des données ;
• Mis en place du Dashboard ;
• Construction et modélisation de la courbe des taux marocaine.
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
Mr EL ALLALI Marouane : Responsable digitalisation RPA et Data analytics

Mr BENYACOUB Badreddine : Encadrant interne
• Exécution :
ABOUSSABR Tarik
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
Étude théorique et modélisation
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
2.1 Modèle statistique pour la modélisation
2.1.1 Régression linéaire simple
L’objectif de la régression linéaire simple est de modéliser la variable aléatoire Y

(quantitatif) par une fonction linéaire de X (quantitatif), f(X), qui soit le meilleur
possible au sens de l’erreur quadratique moyenne.
le modèle de régression linéaire simple des séries temporelles se présente comme
suit :
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
PT PT
Min 2
t=1 εt = Min t=1 (yt − a0 − a1 xt )2
Après avoir résolu le problème de minimisation en dérivant la fonction et en

effectuant les calculs nécessaires ,on trouve :
 PT
 â1 = Pt=1 xt yt −nxy
T 2 2
t=1 xt −nX
 â0 = y − â1 x
Propriétés des paramètres

• les estimateurs sont sans biais :

 E (â ) = a
1 1
 E (â ) = a
0 0
• les estimateurs sont convergents :

On montre que :
 2
 Var (â1 ) = PT σ(xε −x̄)2
t=1 t
 Var (â ) = σ 2 1 + P x̄2
0 ε T T
(x −x̄)2 t=1 t
lorsque T tend vers ∞ alors (xt − x̄)2 est assez grand d’où Var (â1 ) = Var (â0 ) =
PT
t=1
2.1.2 régression linéaire multiple
Le modèle de régression multiple est une généralisation du modèle de régression

simple. C’est un outil statistique mis en œuvre pour l’étude de données multidimen-
sionnelles.
L’équation de régression s’écrit pour l’année t :
yt = a0 + a1 x1t + a2 x2t + . . . + ap xpt + εt pour t = 1, . . . , T
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
• ϵt : Erreur de spécification de nature aléatoire et inconnue, appelée encore bruit

blanc ;
• T Nombre d’observation.
Forme matricielle
On note Y = (y1 , y2 , . . . , yT )′ , On définit de même les vecteurs x1 , . . . , xp et
X la matrice des variables explicatives à laquelle on adjoint le vecteur constant
e = (1, . . . , 1)′ est donc une matrice de dimension T × (p + 1). Enfin, le vecteur
résiduel ε = (ε1 , . . . , εT )′ .
On peut écrire ce modèle sous une écriture matricielle :
     
y 1 x1,1 · · · xp,1   ε
 1    1 
 ..   .. .. ..   a0   .. 

 .   . . . .   . 
    a   
 1  
= . xp,t   .   εt  Y = Xa + ε
+
   
 yt   1 x1,t
  ..  
 ..   .. .. .. ..    .. 
   
 .   . . . .    . 
    ap  
yT 1 x1,T · xp,T εT
Y ∈ M(T,1) , X ∈ M(T,p+1) , a ∈ M(p+1,1) , ε ∈ M(T,1)
les hypothèses de la RLM
Hypothèses stochastiques (de nature probabiliste, liées à l’erreur) :

- H1 : les valeurs de xt sont observées sans erreur ( xt non aléatoire) ;
- H2 : 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 ;
- H3 : E (ε2t ) = σε 2 = cst, la variance de l’erreur est constante pour tout t
(Homoscédasticité des erreurs).
- H4 : E (εt εt′ ) = 0 si t ̸= t′ les erreurs sont indépendantes ;
- H5 : COV (xt , εt ) = 0 : l’erreur est indépendante des variables explicatives ;
Hypothèses structurelles :
- H6 : Absence de colinéarité entre les variables explicatives. Aucune variable
explicative n’est linéairement dépendante des autres, (X′ X est inversible ou régulière
ou non singulière (det (X ′ X) ̸= 0)) ;
- H7 : (X ′ X) /n tend vers une matrice finie non singulière ; H8 : T > p + 1 le
nombre d’observations est supérieur au nombre des séries explicatives.
Page 29
Estimation des paramètres
On définit l’estimateur des moindres carrées ordinaires comme :
PT
âM CO = Argmina 2
t=1 εt = Argmina (ε′ ε) = Argmina ((Y − Xa)′ (Y − Xa))
l’estimateur MCO minimise S = (Y − Xa)′ (Y − Xa) alors pour minimiser cette

fonction par rapport à a, nous différencions S par rapport à a :
∂S
∂a
= −2X ′ Y + 2X ′ Xâ = 0
d’où :
â = (X ′ X)−1 X ′ Y
Propriétés des paramètres :



 Y = Xa + ε

Y = Xâ + e d’où e = Y − Ŷ



 Ŷ = Xâ
(e=résidu)
- â est sans biais puisque E(â)=a

- L’estimateur â est convergent.
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
2.1.3 la qualité d’un ajustement
Le coefficient de détermination
pour les deux modèles de régression (simple et multiple) on montre que

(ŷ−ȳ)2 2
P P
t et
R2 = Pt 2 =1− P 2
t t −ȳ)
(y (y
t t −ȳ)
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
• t (ŷ − ȳ)2 : La variabilité expliquée (SCE)

P
• t e2t : la variabilité des résidus (SCR)

P
R² ajusté (corrigé)
Le R² a tendance à surestimer la qualité de la régression linéaire. Sa valeur

augmente toujours parce que le nombre d’effets est inclus dans le modèle. La mesure
du R² ajusté tente de corriger cette surestimation, par conséquent sa valeur peut
diminuer si un effet spécifique n’améliore pas le modèle.
2
R2 ajusté = R = 1 − T −1
T −(p+1)
(1 − R2 )
2.1.4 Test de conformité à une valeur nulle (test de Student)
Comparaison d’une valeur ap une valeur nulle.
Soit le test d’hypothèse bilatéral :


 H :a =0
0 p
 H : a ̸= 0
1 p
|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
2.1.5 Signification globale du modèle de la régression (test

de Fisher)
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
On rejette H0 lorsque FCalculé > F(p,T

α
−p−1) où p-value < α
Si on accepte H0 donc il n’existe aucune relation linéaire significative entre la

variable à expliquer et les variables explicatives.
2.1.6 régression linéaire des séries temporelles
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.
Étude de la stationnarité de la série
Un processus stochastique Xt est dit stationnaire si sa moyenne, sa variance et

sa covariance sont indépendantes du temps et si sa variance est finie c-à-d :



 E (Xt ) = E (Xt+m ) = µ ∀m, t

Var (Xt ) = σ 2 < ∞ ∀t


∀m, t

 Cov (X , X ) = γ
t t+m m
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
La logique de ces tests repose sur les trois modèles suivants :
• Modèle 1 : modèle autorégressif avec tendance et constante

Xt = φXt−1 + bt + c + εt avec b = 0 sous H0
• Modèle 2 : modèle avec constante Xt = φXt−1 + c + εt avec c = 0 sous H0
• Modèle 3 : modèle sans tendance ni constante Xt = φXt−1 + εt avec φ = 1 sous
H0 (Présence de racine unitaire)
Étude de la cointégration entre deux variables(pour régression linéaire

simple)
• Étape 1 : tester l’ordre d’intégration des variables Une condition nécessaire de

cointégration est que les séries doivent être intégrées de même ordre. Si les séries ne
sont pas intégrées de même ordre, elles ne peuvent pas être cointégrées.
Il convient donc ( tests e Dickey-Fuller et Dickey-Fuller Augmenté) de déterminer
très soigneusement le type de tendance déterministe ou stochastique de chacune des
variables, puis l’ordre d’intégration d des chroniques étudiées. Si les séries statistiques
étudiées ne sont pas intégrées de même ordre, la procédure est arrêtée, il n’y a pas
de risque de cointégration. Soit :
xt → I(d) et yt → I(d)
• Étape 2 : estimation de la relation de long terme Si la condition nécessaire est

vérifiée, on estime par les MCO la relation de long terme entre les variables : yt =
a1 x t + a0 + ε t
Pour que la relation de cointégration soit acceptée, le résidu et issu de cette
régression doit être stationnaire : et = yt − â1 xt − â0
La stationnarité du résidu est testée à l’aide des tests DF ou DFA. Dans ce cas,
nous ne pouvons plus utiliser les tables de Dickey et Fuller. En effet, le test porte sur
les résidus estimés à partir de la relation statique et non pas sur les « vrais » résidus
de la relation de cointégration. MacKinnon (1991) a donc simulé des tables qui
dépendent du nombre d’observations et du nombre de variables explicatives figurant
dans la relation statistique. Si le résidu est stationnaire nous pouvons alors estimer
le modèle à correction d’erreur.
Page 33
Dans ce sens, un test de cointégration largement utilisé et répandu est le test

de Engle-Granger(EG), Pour mettre en œuvre les tests Engle-Granger originaux, il
faut d’abord ajuster la régression linéaire yt = µ + βXt + et où β est le vecteur
des coefficients et et est un terme d’erreur. Avec le modèle ajusté, les résidus sont
obtenus, c’est-à-dire zt = yt − ybt et un test de Dickey-Fuller augmenté est utilisé
pour examiner si la séquence de résidus zt est un bruit blanc. L’hypothèse nulle de
ce test est noncointégration des séries.
Étude de la cointégration entre trois variables (pour régression linéaire

multiple)
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
matrice est de rang plein.

- 3ème Cas :Le rang de Π( noté R) est compris entre 1 et M-1 : il existe des
matrices α et β de dimensions (M,R) telles que Π = αβ ′
Il existe donc R relations ou vecteurs de cointégration contenus dans β, appelé
espace de cointégration. β contient ainsi les paramètres des vecteurs de cointégration
tandis que α contient les poids associés à ces vecteurs, désigne ainsi le poids de la
relation de cointégration i dans l’équation j, avec i = 1, ...,R, j = 1, ...,M.
Le rang de la matrice Π détermine donc le nombre de relations de cointégration.
Johansen (1988,1989) propose deux tests fondés sur les valeurs propres les plus
élevées de la matrice Π (Tests de ratio de vraisemblance ou LR). A partir des valeurs
propres de la matrice Π , on calcule la statistique suivante pour tester l’hypothèse
nulle selon laquelle il existe au plus r vecteurs cointégrants (soit M- r racines unité) :
Test de la trace
Page 34
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.
Rang de égal à 0(r = 0)

Q
H0 : r = 0 vs H1 : r > 0
si ytrace > à la valeur critique tabulée, on rejette H0 t on passe au test suivant
Rang de égal à 1(r = 1)

Q
H0 : r = 1 vs H1 : r > 1
si ytrace > à la valeur critique tabulée, on rejette H0 et on passe au test suivant

• Si, après avoir refusé les différentes hypothèses nulles à la fin de la procédure
on teste H0 : r = M − 1 vs H1 : r = M
si ytrace > à la valeur critique tabulée, on rejette H0 le rang de la matrice est
r=M ; il n’existe pas de relation de cointégration car les variables sont toutes I(0).
2.1.7 Validation du modèle
dans cette partie nous aborderons le problème de la validation des hypothèses

suivantes :
• les erreurs suivent une loi normale ;
• la variance des résidus est constante ;
• les résidus non corrélés .
la normalité des résidus
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
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
La variable de Jarque-Bera s’écrit :

h i
s2 (k−3)2
JB = T 6
− 4
On rejette H0 lorsque JB > X1−α

2
(2) ou bien p-value < α
L’homoscédasticité des résidus
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
L’autocorrélation des résidus
La présence d’autocorrélation des erreurs correspond à la violation de l’hypothèse

erreurs et ρ un paramètre compris entre −1 et 1 .
e test de Breusch-Godfrey est applicable dans cette partie, en effet, le test de
Breusch Godfrey est un test statistique qui teste l’autocorrélation de n’importe quel
ordre. Il s’agit d’un test asymptotique qui teste directement la significativité du
coefficient ρ. On suppose donc que le modèle de base est donné par :
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) :
et = ρ1 et−1 + ρ2 et−2 + · · · + ρk et−k + εt , ∀t = 1, . . . , T.
On a aussi toutes les hypothèses sur les et et sur les ϵt .

On cherche à tester l’hypothèse nulle H0 : (ρ1 = ρ2 = · · · ρk = 0) contre l’alter-
native Hl : (ρ1 , ρ2 , . . . , ρk ) ̸= (0, 0, . . . , 0)
La statistique de ce test s’obtient comme suit :
•on estime par MCO le modèle y = Xβ + e ;
•on déduit le vecteur des résidus ê = (ê1 , . . . , êT ) ;
•on déduit le vecteur des résidus ê = (ê1 , . . . , êT ) ;
•on estime le nouveau modèle y = Xβ + Eρ + η, avec E = (êt−1 , . . . , êt−k ) et
ρ′ = (ρ1 , . . . , ρk )
•ce modèle s’écrit aussi :
yt = x′t β + ρ1 êt−1 + · · · + ρk êt−k + ηt
• tester H0 : (ρ1 = ρ2 = · · · ρk = 0) contre l’alternative H1 : (ρ1 , ρ2 , . . . , ρk ) ̸=

(0, 0, . . . , 0) revient à la tester dans ce nouveau modèle
• la statistique du test BG est donnée par (T − k)R2 , car on perd p observations
avec les retards ;
• R2 est relatif au modèle (étendu) ci-dessus, T est le nombre total d’observa-
a
tions ; sous • H0 , la statistique du test : BG = (T − k)R2 → χ2k ;
Page 37
• la valeur de k est laissée ouverte au chercheur. On rejette H0 lorsque BG >

2
X1−α (k) ou bien p-value < α
2.2 Modélisation de la courbe des taux
2.2.1 Construction de la courbe zéro-coupon.
Avant de procéder à la modélisation de la dynamique des taux d’intérêt, on

s’intéresse aux différentes techniques qui permettent de construire une courbe des
taux à partir des données de marché.
Afin de modéliser la courbe des taux, il faut d’abord construire cette courbe. Or
les obligations à zéro-coupon sont moins liquides sur le marché que les obligations
à coupons. Nous faisons ainsi appel à plusieurs méthodes de reconstitution de la
structure par terme de la courbe zéro-coupon.
Plusieurs méthodes existent pour cette fin, y compris la méthode du Boots-
trapping. Cette dernière est une procédure qui permet de reconstituer une courbe
zéro-coupon segment par segment de maturité. En pratique cela revient à calcu-
ler le taux équivalent aux maturités pleines et non pas aux maturités résiduelles
correspondantes aux dates d’échéance.
les étapes de construire la courbe zéro-coupon s’appliquent sur la courbe de
référence quotidiennement publiée par Bank Al-Maghreb :
• Transformer les taux monétaires en taux actuariels ;
• Interpolation linéaire pour avoir les taux pour les maturités pleines ;
• Méthode Bootstrapping
Transformation
La transformation consiste à homogénéiser la base de calcul des taux ; Le taux
moyen pondéré pour les maturités supérieure à un an est un taux de rendement
actuariel et pour les maturités inférieures à un an ce taux est considéré comme un
taux monétaire quand doit convertir à un taux de rendement actuariel en utilisant
la formule 1.
Interpolation linéaire pour avoir les taux pour les maturités pleines.
Page 38
Il s’avère être nécessaire de recourir à une interpolation linéaire de deux valeurs

de taux avoisinantes, pour calculer les taux correspondant aux maturités pleines, on
se base sur la formule suivante :
(r (t0 , ti+1 ) − r (t0 , ti )) × ∆ (ti , tk )

rk = r (t0 , tk ) = r (t0 , ti ) +
∆ (ti , ti+1 )
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 .
2.2.2 Modèle de prévision pour la courbe des taux
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
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 :
drt = a (b − rt ) dt + σdwt (1)
Avec : a, b et σ sont des constantes positives.

•r t : taux court en t (assimilable au taux JJ)
•a : la vitesse d’ajustement du taux court actuel vers sa moyenne de long terme
b.
•b : moyenne sur long terme du taux court.
•σ : volatilité du taux court r t
•wt : mouvement brownien standard, il suit un processus de Wienner.
Ce processus est caractérisé par l’effet de retour à la moyenne constatée sur les
taux d’intérêts.
• Si le taux r(t) passe au-dessus du niveau b alors l’espérance de la variation
instantanée de r(t) qui est égale à a(b-r(t)) serait négative et r(t) diminue dans le
temps pour se rapprocher de b.
• Si le taux r(t) passe au-dessous de b. Dans ce cas, le taux court a tendance à
augmenter, se rapprochant de la moyenne sur le long terme d’autant plus intensé-
ment qu’il s’en est écarté et que le paramètre a est grand.
Page 40
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)
L’espérance et la variance des variables aléatoires r(t) sont données par :
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)
La solution explicite de l’EDS (Equation Différentielle Stochastique) est donnée

par :
Rs
fu (3)
rs = rt e−a(s−t) + b∗ 1 − e−a(s−t) + σe−as t eau dB

Page 41
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 moyenne et la variance, conditionnellement à Ft et par rapport à la probabilité

RT
risque neutre, de t rs ds ont pour formules :
 R
T −a(T −t)
 E t rs ds/Ft = (rt − b∗ ) 1−e a + b∗ (T − t)
R
 Var T r ds/F = − σ2 1 − e−a(T −t) 2 + σ2 T − t − 1−e−a(T −t)
t s t 2a3 a2 a
Ensuite, le prix zéro-coupon sous la probabilité risque neutre se calcule en utilisant

R
T
la formule : P(t, T) = E t rs ds/Ft Soit P(t, T) = A(t, T)e−B(t,T )rt Avec :

−a(T −t)

 B(t, T ) = 1−e a
2

(B(t,T )−T +t) a2 b∗− σ2 σ 2 B(t,T )2
 A(t, T ) = exp

a2
− 4a
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
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.
q = argmin ∥Rm − Rvasicek ∥2
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.
Limites et inconvénients du modèle de Vasiçek Le premier inconvénient

du modèle de Vasiçek est du justement au caractère gaussien (équation (3)) qui ne
garantit pas la positivité du taux court r(t) En outre, la courbe des taux zéro-coupon
obtenue à partir de l’équation (3) n’est pas assez souple pour reproduire toutes les
formes de courbes observées sur le marché. En particulier, les formes dites « inversées
Page 43
» 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 :
E {rt | F8 } = rs e−a(t−s) + b 1 − e−k(t−s)

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
Sous un environnement de l’absence d’opportunité d’arbitrage, et sous la probabilité

risque neutre, nous dériverons la dynamique du taux court :
√ 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 :
P (t, T ) = A(t, T )e−B(t,T)rt
Avec :
✓C(t, T ) = (α + γ) eγ(T −t)−1 + 2γ

" (α+γ)(T −t)

# 2ab2
2γ e 2 σ
✓ 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
avec δ représente une petite variation temporelle. Si la variation δ est constante et

égale à une période, l’estimation des paramètres de ce processus peut s’effectuer en
Page 45
recourant à la régression suivante :
Yt = a ∗ ×b ∗ Xt + (1 − a∗)Zt + σεt avec εt ∼ N (0, 1)
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.
q = argmin ∥Rm − RCIR ∥2
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
Collecte et visualisation des données
Nous entamons dans ce chapitre la phase de la collecte et la visualisation des

données. Ce chapitre commencera par une présentation générale sur les technolo-
gies utilisées, la collecte des données. ainsi que, l’affichage de l’application web qui
consiste à l’importation des données et par la suite elle sera suivie par la partie de
l’élaboration du dashboard qui a pour objectif de visualiser les données importées via
l’application Power BI.
47
CHAPITRE 3. COLLECTE ET VISUALISATION DES DONNÉES
3.1 les technologies utilisées
3.1.1 Langages utilisés
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.
R est un langage et un environnement de programmation couramment utilisé en

statistique, en analyse de données et en recherche scientifique. Il s’agit de l’un des
langages les plus populaires utilisés par les statisticiens, les analystes de données,
les chercheurs et les spécialistes du marketing pour récupérer, nettoyer, analyser,
visualiser et présenter des données.
Grâce à sa syntaxe expressive et à son interface facile à utiliser, il a gagné en
popularité ces dernières années.
Page 48
3.1.2 Outils utilisés
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
PyCharm est un environnement de développement intégré dédié aux langages

Python et Django. Ce logiciel existe en deux versions ici disponibles en téléchar-
gement, une version libre et gratuite appelée Community Edition et une version
complète payante Professional Edition. Il propose également la gestion de templates
et de nombreux outils de recherche et de navigation. Vous pourrez aussi utiliser les
différents outils de débogage et de test pour vérifier l’intégrité de vos applications.
Ce logiciel est compatible avec les outils de contrôle de version Subversion, CVS,
Mercurial et Git.
RStudio
Page 49
RStudio est un environnement de développement gratuit, open source et mul-

tiplateforme pour R, un langage de programmation utilisé pour le traitement de
données et l’analyse statistique.
Power BI
Power BI est une solution de Business Intelligence développée par Microsoft

pour permettre aux entreprises d’agréger, d’analyser et de visualiser les données
en provenance de sources multiples. C’est une suite d’outils analytiques Business
Intelligence permettant aux entreprises d’agréger et d’analyser des données, mais
aussi de partager de façon sécurisée les informations (insights) dégagées par le biais
de ces analyses sous la forme de tableaux de bord.
3.1.3 Bibliothèques utilisées
Pandas
Pandas est une bibliothèque écrite pour le langage de programmation Python

permettant la manipulation et l’analyse des données. Elle propose en particulier des
structures de données et des opérations de manipulation de tableaux numériques et
de séries temporelles.
BeautifulSoup
Page 50
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.
3.2 Collecte des données

L’importation et la collecte des données est l’étape la plus primordiale dans ce
projet, en fait, c’est sur la base de ces données que nous effectuerons notre analyse
et notre visualisation sur Power BI. Pour ce faire, nous nous baserons sur trois sites
pour faire l’importation, ces sites sont : le site de la Bank Al Maghrib, le site du
Haut-Commissariat du Plan et le site du ministère de l’Économie et des finances.
Trois types d’indicateurs seront importés. Des indicateurs monétaires à partir du
site de la BAM sur un intervalle journalier de temps allant de 2017 jusqu’en 2021 soit
une période de 5 ans, des indicateurs budgétaires et économiques annuels à partir
du site du ministère de l’Économie et des finances et des indicateurs annuels issues
du site du HCP. Ces sites nous servirons pour l’extraction des données relatives aux
indicateurs suivants :
Taux Interbancaire, Courbe des taux marché secondaire, Total des interventions
BAM dans le secteur bancaire, taux de change, évolution du marché interbancaire
aux débiteurs du secteur bancaire : Taux des crédits et des indicateurs relatifs aux
finances publiques, comptes extérieurs, indicateurs sociaux, marché boursier, les im-
portations, les exportations et les contributions du PIB.
En effet, chaque site parmi les sites évoqués se base sur une technique pour faire
l’importation.
Commençant par le site de la BAM, l’importation se base dans ce site sur le web
scraping de la page HTML. Il commence par l’envoi d’une requête HTTP GET à
l’URL de la page Web du site de la BAM qui répondra avec du contenu HTML.
Ensuite vient l’étape de la récupération à l’aide de BeautifulSoup qui conserve les
données dans une structure de données telle que Dictionnaire ou Liste. Enfin, l’out-
Page 51
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 :
Figure 3.1 – Onglet courbe des taux dans le site de la BAM

Source : Site de la BAM
Le processus du web scraping commence par le choix d’utilisateur qui indique la

date voulue (18-04-2022) pour établir la courbe des taux. Cette date sera ajoutée
comme une colonne dans la nouvelle base de données ainsi que l’ajout de la colonne
contenant la maturité qui est égale à la date d’échéance moins la date de la valeur.
Page 52
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
Figure 3.3 – la base de données après l’interpolation
Pour l’importation à partir du site du ministère d’économie et de la finance,

la bibliothèque Pandas appelle directement le fichier Excel contenant les données
nécessaires.
Prenons le cas de l’importation des données reliés à la rubrique des comptes
extérieurs à partir du site du ministère de la finance. la base de données aura pre-
mièrement la forme suivante :
Page 54
Figure 3.4 – Importation des données à partir du site de la MEF
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 :
Figure 3.5 – La base des données après nettoyage
Notons que la colonne “valeur l’année dernière” sera ajoutée à notre table pour
nous servir dans notre visualisation sous power BI.
Page 55
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
Figure 3.7 – Extrait du fichier excel du PIB et ses contributions
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.
Figure 3.8 – Extrait de la table après filtrage et nettoyage
Page 57
le processus mis en application permet de déterminer la valeur du PIB et ses

contributions entres deux années définies comme entrée . le programme se réexécute
pour être applicable sur les années qui appartiennent à l’intervalle indiqué.
la figure ci-dessous affiche l’application du processus expliqué en avant sur un
intervalle de temps allant de 2017 jusqu’à 2020.
Figure 3.9 – La courbe du PIB et ses contributions
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
Figure 3.10 – Extrait du rapport de l’exportation pour l’année 2017

Source : HCP
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 :
Figure 3.11 – Importation du tableau
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
Figure 3.12 – Le tableau après nettoyage et filtration
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
3.3 Mise en place d’une application web pour l’im-

portation des données
Cette application se base sur la notion du web scraping permettant de faire
l’extraction et l’importation des données à partir des sites de Bank Al Maghrib, du
ministère de la finance et le site du Haut-Commissariat du Plan. Cette application
facilite la tâche d’importation des données et un simple clic sur le bouton suffit pour
faire la tâche.
L’interface présente un avantage c’est qu’avant de faire l’importation des don-
nées, le programme crée une copie de la base de données évitant ainsi n’importe
quel problème qui peut survenir lors du scraping à savoir : coupure d’électricité,
indisponibilité d’une connexion internet et d’autres problèmes.
La page d’accueil de l’application a la forme suivante :
Figure 3.13 – Page d’accueil de l’application web
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
la dernière date qui se trouve dans la base de données de l’indicateur courbe de taux
est le 13-05-2022.
Figure 3.14 – Fichier excel importé
Comme indiqué dans la remarque affichée dans la page d’accueil, l’importation

se fera le jour d’après, dans ce cas l’importation commencera le 14-05-2022 et finira
le processus à la date 18-05-2022 (d’aujourd’hui) comme affiché dans l’interface ci-
dessous.
Figure 3.15 – Lancement du processus du scraping
Une fois l’utilisateur clique sur le bouton OK. Le processus commence du scra-
ping.
Page 62
Figure 3.16 – Processus du scraping
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 :
Figure 3.17 – Format du fichier excel sorti
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
3.4 Mise en place d’un Dashboard des indicateurs

économiques et financières
Le dashboard élaboré présente et contient un ensemble d’indicateurs financiers
et économiques qui permettent un suivi progressif d’activités financières marocaines.
Au sein du dashboard ces indicateurs permettent par exemple de suivre l’évolution
du taux interbancaire sur une tranche d’année et voir son historique.
Page d’accueil :La figure ci-dessous montre la page d’accueil du dashboard.
Figure 3.18 – Page d’accueil du dashboard
La page d’accueil ci-dessus donne à l’utilisateur le choix de choisir n’importe quel

indicateur qui veut renseigner à savoir : la courbe des taux, le total interventions
BAM dans le secteur bancaire, taux interbancaire, taux débiteurs du secteur bancaire
et d’autres indicateurs. Elle est facile à utiliser, il suffit juste de cliquer sur la flèche
qui correspond à chaque indicateur et l’utilisateur sera dirigé directement vers la
page voulue.
Ces trois exemples suffiront à donner une idée de la façon dont les dashboard
visualisent les indicateurs.
- Indicateur courbe des taux :
Page 64
Figure 3.19 – Page dédiée à la courbe des taux
La figure ci-dessus montre la page dédiée à la visualisation de la courbe de

taux. L’interface donne à l’utilisateur la possibilité de choisir l’année, le mois et la
date dont ils veulent se renseigner. La courbe de taux s’étale sur l’axe X pour une
maturité allant d’un mois jusqu’à 30 ans. La courbe affichée ci-dessus revient à la
date 18/05/2022.
La courbe de taux ci-dessus affiche l’évolution de la courbe des taux pour la
choisi et affiche en parallèle son homologue pour le même jour de l’année dernière
et pour le dernier jour du dernier trimestre qui précède le trimestre étudie.
-Indicateurs finances publiques
La page ci-dessous montre les indicateurs relatifs à la finance publique. En effet,
les finances publiques concernent les activités financières de l’État, des collectivités
territoriales et de tous les organismes publics. D’autre part, L’analyse des finances
publiques, dépenses. . . est un terrain privilégié pour appréhender de multiples di-
mensions du politique et du social. La figure ci-dessous montre une visualisation
globale des finances publiques du pays.
Page 65
Figure 3.20 – Page dédiée aux finances publiques
Le page des finances publiques ci-dessus visualise l’évolution de la valeur de

l’indicateur choisi (dépenses ordinaires et financement intérieur brut dans ce cas) et
ses variations durant le temps. Le dashboard affiche aussi l’évolution par rapport au
PIB, les valeurs du TCAM, et un graphique circulaire de financement intérieur et
extérieur brut. ainsi qu’il contient deux possibilités pour permettre à l’utilisateur de
se rediriger directement vers la page de la contribution du PIB et recette et dépense
par rubrique.
-Contribution du PIB La page associée à la contribution PIB (figure ci-
dessous) contient un histogramme affichant des comparaisons entre la consommation
finale, l’exportation, la formation brute de capital fixe (FBCF), l’importation et les
variations des stocks sur une tranche d’année choisie par l’utilisateur. Il présente
aussi la contribution de chaque rubrique dans l’évolution du PIB. Un effet favorable
de l’évolution de la rubrique dans sa contribution au PIB est affiché en bleu et la
variation de cette rubrique est affiché en rouge si elle diminue et en vert dans le cas
inverse.
Page 66
Figure 3.21 – Page dédiée à la contribution du PIB
Le dashboard contient d’autres visualisations des autres indicateurs financiers et

économiques.
Page 67
Chapitre 4
Prévisions de la courbe des taux
Dans ce quatrième chapitre, nous aborderons la partie de la prévision de la courbe

des taux. En effet, nous nous baserons sur le modèle Vasicek et le modèle CIR pour
faire la prévision, ensuite, une application a été mis en place afin de garantir cette
mission. Une comparaison sera faite à la fin entre les résultats théoriques et les
résultats du marché.
68
CHAPITRE 4. PRÉVISIONS DE LA COURBE DES TAUX
4.1 Construction du taux zéro-coupon

l’application élaboré a pour but de construire la courbe zéro-coupon en passant
par 4 étapes bien précis :
• Importation de la base de données
• Transformation
• Interpolation
• Construction du taux zéro coupon.
Elle a la forme affichée ci-dessous, dont l’utilisateur possède un champ pour
importer la base de données et les différentes étapes de la construction du taux zéro
coupon.
Figure 4.1 – Page d’accueil de la construction de la courbe des taux des taux zéro
coupon
La première étape consiste à importer la courbe de référence quotidiennement

publiée par Bank Al-Maghrib comme affiché ci-dessous, la base contient les dates
d’échéance, transaction, taux moyen pondéré, date de la valeur et la maturité.
Page 69
Figure 4.2 – Importation de la base de données
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.
Figure 4.3 – Transformation du taux monétaire en taux actuariel
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
Figure 4.4 – Interpolation des maturités
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.
Figure 4.5 – Bootstrapping
Une fois le processus de la construction du taux zéro coupon termine, la base de

données finale contenant les taux zéro coupon sera enregistré sous format Excel.
Page 71
4.2 Prévisions pour la courbe des taux
4.2.1 Le modèle Vasiçek
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 :
Figure 4.6 – Évolution du taux interbancaire entre 01-01-2008 et 31-12-2021
Statistique descriptif du taux moyen pondéré jj
Nombre Min Max Moyenne Premier Médiane Troisème Ecart

D’observations quartile quartile type
5079 0,015 0,03893 0,026622 0,02257 0,02537 0,0325 0,006122
Table 4.1 – Statistique descriptive du taux moyen pondéré jj
• En moyenne, le taux moyen interbancaire pondéré de notre série s’élève à 2,66%

avec une légère dispersion décrite par un écart-type de 0,6122% ;
Page 72
• 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
MCO permet d’estimer les paramètres A et B et nous pouvons alors retrouver

les paramètres du modèle de Vasiçek à l’aide des relations suivantes :
• 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%).
Figure 4.7 – Test de stationnarité
Page 73
une autre alternative pour applique la MCO est de vérifier la cointégration de

rt et rt−1 d’après le test de cointégration on trouve que la p-value du modèle sans
tendance est bien significative. donc utilisation de la méthode MCO est justifiée.
Figure 4.8 – Test de cointégration
l’application de la régression linéaire simple nous amène à des résultats satis-

faisants. en effet, le R²-adjusté de 98%, alors il est proche de 1, ce qui signifie que
les erreurs auxquelles est soumis le modèle sont beaucoup plus petites que la va-
riance présente dans les données. Ainsi que le test de student nous montre que les
coefficients de notre modèle sont significatifs.
Page 74
Figure 4.9 – Résultat de la RLS
l’estimation des paramètres A, B et la variance des erreurs du modèle de la

régression nous permet de conclure les paramètres du modèle Vasiçek.
Paramètres A B σϵ α b σ
Valeurs 0.0001630612 0.9937275900 0.0006937073 0.006292 0.000164 0.0006959
Table 4.2 – Estimation des paramètres du modèle de Vasicek
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
Figure 4.10 – Test de normalité
Nous pouvons normaliser les résidus en appliquant une transformation box-cox

sur la variable endogène. Mais le problème qui se pose est que l’application de cette
transformation rend l’utilisation du modèle Vasiçek n’est pas correcte.
Homoscédasticité :
en appliquant le test de Breuxh-pagan sous les hypothèses :
• HO :homoscédasticité(les résidus ont tous la même variance)
• H1 :hétéroscédasticité(les résidus n’ont pas tous la même variance)
en appliquant le test de Breuxh-pagan nous concluons que la variance des résidus
est constante car p-value > 5%.
Figure 4.11 – Test d’homoscédasticité
L’autocorrélation
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
nous acceptons l’hypothèse alternative H1 puisque la p-value est inférieur à 5% alors

que les erreurs sont corrélées.
d’après le test de Breuch-Godfrey la p-value < 5% alors que les erreurs sont
corrélées.
Figure 4.12 – Test d’autocorrélation
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)
Wt suit N (0, t) puisque Wt − W0 = Wt
Wt − Ws ⊥ Ws − Wl pour t > s > l
Présentation des trajectoires du mouvement brownien pour un nombre de simu-

lation très grandes.
Page 77
Figure 4.13 – Trajectoire mouvement brownien
Les résultats de l’estimation de ces paramètres : a, b, σont 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.
La dynamique est représentée par la différentielle stochastique suivante :
drt = a (b − rt ) dt + σdwt
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)
Avec :
Rt
0
e−as dw(s) : Mouvement brownien
Ce processus suit une loi normale d’espérance 0 et de variance v, tel que :

R
t −as Rt e2at −1
v = Var 0
e dw(s) = 0
e−2as ds = 2a
Page 78
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
Figure 4.14 – Les trajectoires possibles du taux moyen pondéré pour chaque jour
En effet, la base contient 15 lignes(les jours) qui correspond à l’horizon temporel

choisi et 2000 colonnes (les trajectoires) qui correspond au nombre d’itérations. En-
suite, pour chaque ligne, sera calculé la moyenne des trajectoires pour enfin extraire
taux moyen pondéré comme affiché ci-dessous.
Page 80
Figure 4.15 – TMP prédit
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
P (t, T ) = A(t, T )e−B(t,T)rt : Le prix du zéro-coupon


−a(T −t)

 B(t, T ) = 1−e a
2

(B(t,T )−T +t) a2 b∗− σ2 σ 2 B(t,T )2
 A(t, T ) = exp

a2
− 4a
Le modèle établi donnera les taux ZC suivant :
Figure 4.16 – Taux zéro coupon estimé par Vasicek
Exemple 03-01-2022
Page 82
Date Tranche Maturité Vasiçek

2022-01-03 00 :00 :00 1 mois 0,015073
2022-01-03 00 :00 :00 2 mois 0,015158
2022-01-03 00 :00 :00 3 mois 0,015244
2022-01-03 00 :00 :00 6 mois 0,015499
2022-01-03 00 :00 :00 1 AN 0,01601
2022-01-03 00 :00 :00 2ANS 0,017028
2022-01-03 00 :00 :00 3 ANS 0,018041
2022-01-03 00 :00 :00 4 ANS 0,01905
2022-01-03 00 :00 :00 5 ANS 0,020055
2022-01-03 00 :00 :00 6 ANS 0,021055
2022-01-03 00 :00 :00 7 ANS 0,022051
2022-01-03 00 :00 :00 8 ANS 0,023043
2022-01-03 00 :00 :00 9 ANS 0,02403
2022-01-03 00 :00 :00 10 ANS 0,025013
2022-01-03 00 :00 :00 11 ANS 0,025992
2022-01-03 00 :00 :00 12 ANS 0,026967
2022-01-03 00 :00 :00 13 ANS 0,027937
2022-01-03 00 :00 :00 14 ANS 0,028903
2022-01-03 00 :00 :00 15 ANS 0,029865
2022-01-03 00 :00 :00 16 ANS 0,030823
2022-01-03 00 :00 :00 17 ANS 0,031777
Page 83
Date Tranche Maturité Vasiçek

2022-01-03 00 :00 :00 18 ANS 0,032727
2022-01-03 00 :00 :00 19 ANS 0,033673
2022-01-03 00 :00 :00 20 ANS 0,034614
2022-01-03 00 :00 :00 21 ANS 0,035552
2022-01-03 00 :00 :00 22 ANS 0,036486
2022-01-03 00 :00 :00 23 ANS 0,037415
2022-01-03 00 :00 :00 24 ANS 0,038341
2022-01-03 00 :00 :00 25 ANS 0,039262
2022-01-03 00 :00 :00 26 ANS 0,04018
2022-01-03 00 :00 :00 27 ANS 0,041094
2022-01-03 00 :00 :00 28 ANS 0,042004
2022-01-03 00 :00 :00 29 ANS 0,04291
2022-01-03 00 :00 :00 30 ANS 0,043812
Table 4.3 – Taux zéro coupon estimé par Vasicek pour la date 03-01-2022
Nous aborderons dans la partie suivante le concept du backtesting pour enfin

évaluer la performance du modèle avec celles afficher dans le marché. C’est à partir
de cette étape que nous pourrons trancher dans la validité du modèle établie.
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
le modèle de Vasiçek au 2021-01-07
Les figures affichées fournissent une prédiction cohérente de la courbe de taux. En

effet, modèle Vasiçek évalue bien les courbes pour les courtes maturités, et dès que
les maturités augmentent, on s’aperçoit que dans le cas de 15jours de backtesting,
le modèle ne prédit plus les taux de la même manière. De plus, si les valeurs de
maturité sont très courtes, ça génère des taux avec un énorme écart par rapport à
celui affichés sur le marché. C’est le plus gros inconvénient du modèle Vasiçek, parce
que si on continue de faire des prévisions très long termes, nous obtiendrons des
taux négatifs, ce qui n’est pas logique. On peut dire que le modèle de Vasiçek a un
défaut majeur dans ce sens.
Enfin, Vasiçek a conçu un modèle d’estimation simple qui montre très bien la
courbe. Mais le modèle ne peut pas faire cela en termes de prévision à long terme. Ils
génèrent des taux négatifs, ce qui est totalement imprévisible sur le marché marocain
d’aujourd’hui. Cette erreur peut être corrigée à l’aide du modèle Cox-Ingersoll-Ross
que nous en reparlerons bientôt. En effet, il ajoute de nouvelles restrictions sur la
dynamique des taux à court terme, ce qui va nous donner ainsi des taux d’intérêt
qui éliminent la probabilité non nulle de tomber à des taux négatifs.
Dans la prochaine section, nous aborderons la partie qui traitera la prévision des
taux ZC en utilisant le modèle CIR.
4.2.2 Le modèle CIR
L’objectif est d’estimer les paramètres a, b∗ et σ du modèle CIR. Pour ce faire,

une régression linéaire multiple s’impose sur Yt fonction Xt et Zt , tels que ces séries
Page 85
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
Avant d’appliquer le MCO, nous devons s’assurer que les séries Yt et Xt et Zt

sont stationnaire, 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%).
Figure 4.19 – Test stationnarité sur la série Yt
Page 86
Figure 4.20 – Test stationnarité sur la série Xt
Figure 4.21 – Test stationnarité sur la série Zt
une autre alternative pour applique la MCO est de vérifier la cointégration de Yt ,

Xt et Zt près le test de cointégration de Johansen r=1 alors il existe un seul vecteur
(π, τ, γ) pour (πYt + τ Xt + γZt ) soit stationnaire, donc utilisation de la méthode
MCO est justifiée.
Page 87
Figure 4.22 – Test de cointégration
l’application de la régression multiple nous amène à des résultats satisfaisants.

en effet, le coefficient de détermination R² égale à 99.93%. , nous pouvons donc dire
le modèle permet d’explique 99.93% de la variabilité de la variable endogène (Yt ),
le lecteur des t student et sa probabilité montre que les coefficients sont significatifs
au seuil 5%.
Figure 4.23 – Résultat de RLM
lL’estimation des paramètres et la variance des erreurs du modèle de la régression

nous permet de concluons les paramètres du modèle CIR.
Page 88
Les paramètres a* b* σ
Les valeurs 0.004435 0.0257368 0.004189663
Table 4.4 – Estimation des paramètres a*, b* et σ
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%.
Figure 4.24 – Test de normalité
Nous pouvons normaliser les résidus en appliquant une transformation box-cox

sur la variable endogène. Mais le problème qui se pose est que l’application de cette
transformation rend l’utilisation du modèle CIR n’est pas correcte.
Homoscédasticité
en appliquant le test de Breuxh-pagan sous les hypothèses :
• HO :homoscédasticité(les résidus ont tous la même variance)
• H1 :hétéroscédasticité(les résidus n’ont pas tous la même variance)
nous acceptons l’hypothèse nulle (la variance des résidus est constante) puisque
la p-value est supérieur à 5%.
Page 89
Figure 4.25 – Test d’homoscédasticité
Autocorrélation
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%.
Figure 4.26 – Test d’autocorrélation
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
La dynamique est représentée par la différentielle stochastique suivante :
√
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
Le tableau ci-dessous présente la moyenne des trajectoires pour chaque point

simuler auparavant :
Page 91
Figure 4.28 – TMP prédit
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
P (t, T ) = A(t, T ) exp −B(t, T )rt : Prix zéro Coupon

C(t, T ) = (α + γ)(exp γ(T − t) − 1 + 2γ
(α+γ)(T −t) 2ab2
2γ e σ
A(t, T ) = 2
C(t,T )
γ(T −t)−1
B(t, T ) = 2e C(t,T )
√
γ = α2 + 2σ 2
Le modèle établi donnera les taux ZC ci-dessous :
Figure 4.29 – Taux zéro coupon estimé par le modèle CIR
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
Date Tranche Maturite CIR

2022-01-07 00 :00 :00 1 mois 0,015343
2022-01-07 00 :00 :00 2 mois 0,015384
2022-01-07 00 :00 :00 3 mois 0,015425
2022-01-07 00 :00 :00 6 mois 0,01555
2022-01-07 00 :00 :00 1 AN 0,015804
2022-01-07 00 :00 :00 2 ANS 0,016328
2022-01-07 00 :00 :00 3 ANS 0,016874
2022-01-07 00 :00 :00 4 ANS 0,017445
2022-01-07 00 :00 :00 5 ANS 0,018041
2022-01-07 00 :00 :00 6 ANS 0,018663
2022-01-07 00 :00 :00 7 ANS 0,019312
2022-01-07 00 :00 :00 8 ANS 0,019991
2022-01-07 00 :00 :00 9 ANS 0,0207
2022-01-07 00 :00 :00 10 ANS 0,021441
2022-01-07 00 :00 :00 11 ANS 0,022215
2022-01-07 00 :00 :00 12 ANS 0,023025
2022-01-07 00 :00 :00 13 ANS 0,023871
2022-01-07 00 :00 :00 14 ANS 0,024756
Page 94
Date Tranche Maturite CIR

2022-01-07 00 :00 :00 15 ANS 0,025681
2022-01-07 00 :00 :00 16 ANS 0,026649
2022-01-07 00 :00 :00 17 ANS 0,027662
2022-01-07 00 :00 :00 18 ANS 0,028721
2022-01-07 00 :00 :00 19 ANS 0,029829
2022-01-07 00 :00 :00 20 ANS 0,030989
2022-01-07 00 :00 :00 21 ANS 0,032203
2022-01-07 00 :00 :00 22 ANS 0,033474
2022-01-07 00 :00 :00 23 ANS 0,034804
2022-01-07 00 :00 :00 24 ANS 0,036197
2022-01-07 00 :00 :00 25 ANS 0,037655
2022-01-07 00 :00 :00 26 ANS 0,039182
2022-01-07 00 :00 :00 27 ANS 0,040781
2022-01-07 00 :00 :00 28 ANS 0,042455
2022-01-07 00 :00 :00 29 ANS 0,044209
2022-01-07 00 :00 :00 30 ANS 0,046045
Table 4.5 – Taux zéro coupon estimé par CIR pour la date 07-01-2022
Backtesting
le modèle de CIR au 2021-01-03
Page 95
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.
4.2.3 Comparaison entre CIR, Vasiçek et courbe zéro coupon

de marché
le modèle de CIR et Vasiçek au 2021-01-03
Page 96
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
La digitalisation du processus d’importation des données et indicateurs finan-

ciers et leurs consolidations dans un seul outil constitue un défi majeur de chaque
institution financière face à la multitude de ces indicateurs. C’est dans ce cadre que
s’inscrit ce projet de fin d’études, réalisé au sein qui s’applique d’Attijariwafa Bank.
En premier temps, nous avons pu automatiser le processus d’importation des

données et leur consolidation dans un seul outil. Dans ce sens, nous avons mis en
place une application qui permettra de faire l’importation des indicateurs financiers
à partir des différentes web site évoquées.
En deuxième lieu, les données importées ont été exploités afin de les visualiser
dans un dashboard. La mise en place du dashboard permettra donc de consolider
d’une manière très significative les indicateurs financiers et économiques donnant la
possibilité de choisir n’importe quel indicateur de voir son historique, son évolution
sans la peine de se rendre aux sites web et de refaire les tâches d’une manière
manuelle.
En dernier temps, nous avons focalisé notre étude sur la construction et la modé-
lisation de la courbe des taux zéro coupon. En effet, deux modèles stochastiques ont
été impliqués dans ce ses à savoir le modèle de Vasicek et le modèle CIR, l’applica-
tion de ces modèles nous a permis de conclure que les résultats théoriques élaborés
sur les maturités courtes "inférieurs à un an" sont proches de la réalité par contre,
tant que la maturité augmente les deux modèles ne prédit pas d’une bonne manière
la courbe.
L’expérience au sein d’un cadre professionnel, nous a été bénéfique. Ce stage

nous a permis de nous familiariser à la vie professionnelle, d’exploiter des notions
98
fondamentales dans le métier de la banque ATTIJARIWAFA BANK, et d’approfon-

dir nos connaissances techniques et théoriques acquises à l’INSEA, par la pratique
des méthodes statistiques, et d’autres méthode d’analyse de données, modélisation
financière ce qui nous a permis de bien accomplir les tâches du projet.
Page 99
BIBLIOGRAPHE
[1] Georges Patrick : The Vasicek and CIR Models and the Expectation Hypo-
thesis of the Interest Rate Term Structure, January 2003
[2] Régis Bourbonnais, Économétrie , Cours et exercices corrigés 9ème édition
[3] EL QALLI Yassine , la courbe des taux, 2022
[4] ABDELKHALEK Touhami, Économétrie , 2021
[5] BERROUYNE Mustapha, Régression linéaire, 2021
100
ANNEXES
ANNEXE 1 : Schéma du test ADF
Stratégie du test de stationnarité
101
ANNEXE 2 : Construction de la courbe zéro coupon : Étape 1
Code python pour la transformation taux monétaire en taux actuariels
Code python pour l’interpolation des maturités
102
Code python pour l’interpolation des maturités
Code python pour le bootstrapping
103
ANNEXE 5 : Mouvement brownien
Code python pour le mouvement brownien
ANNEXE 6 : Prévision du TMP par le modèle Vasicek
Code python pour la prévision du TMP par le modèle Vasicek
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 du TMP par le modèle CIR
ANNEXE 9 :Prévision des taux zéro coupon par le modèle CIR
Code python pour la prévision des taux zéro coupon par le modèle CIR
106

Aboussabr - Rapport de PFE PDF

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

Aboussabr - Rapport de PFE PDF

Transféré par

Droits d'auteur :

Formats disponibles

ROYAUME DU MAROC

Projet de Fin d’Etudes

Préparé par : M. ABOUSSABR Tarik

Sous la direction de : M. BENYACOUB Badreddine (INSEA)

Soutenu publiquement comme exigence partielle en vue de l’obtention du

Diplôme d’Ingénieur d’Etat

Filière : Statistique et Démographie

Devant le jury composé de :

▪ M. BENYACOUB Badreddine (INSEA)

Juillet 2022 / PFE N° 122

Je tiens à dédier ce modeste travail :

Au terme de ce travail, il est agréable d’acquitter une dette de reconnaissance

Je conserve un remerciement spécial à notre professeur M. KHALIL Said de

Je tiens également à exprimer une forte gratitude à l’ensemble du corps ensei-

Le présent document constitue la synthèse du travail, réalisé dans le cadre du

prévision, web scraping, visualisation

web scraping, visualization

— ADF :Augmenté de Dickey-Fuller

— BAM : Bank Al-Maghreb

— EDS : Equation Différentielle Stochastique

— HCP : Haut commissariat au plan

— MEF : Ministère d’économie et de la finance

— MCO : Moindre carré ordinaire

— RLM : Régression linéaire multiple

— RLS : Régression linéaire simple

— TMP : Taux moyen pondéré

Liste des abréviations 6

1 Contexte générale du projet 16

1.3.3 Phases du projet . . . . . . . . . . . . . . . . . . . . . . . . . 24

2 Étude théorique et modélisation 26

3 Collecte et visualisation des données 47

4 Prévisions de la courbe des taux 68

4.2.3 Comparaison entre CIR, Vasiçek et courbe zéro coupon de

1.1 Logo d’Attijariwafa Bank . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.1 Onglet courbe des taux dans le site de la BAM . . . . . . . . . . . . . 52

3.20 Page dédiée aux finances publiques . . . . . . . . . . . . . . . . . . . 66

4.26 Test d’autocorrélation . . . . . . . . . . . . . . . . . . . . . . . . . . 90

4.1 Statistique descriptive du taux moyen pondéré jj . . . . . . . . . . . . 72

forme de quatre chapitres bien structurés.

Contexte générale du projet

Dans ce chapitre, nous allons présenter notre organisme d’accueil, la probléma-

1.1 Présentation de l’organisme d’Attijariwafa Bank

1.1.1 Présentation générale

Acteur majeur du secteur bancaire marocain, Attijariwafa Bank bénéficie

Figure 1.1 – Logo d’Attijariwafa Bank

Pour conduire son projet de développement, Attijariwafa Bank a mis en place

• CBAO Groupe Attijariwafa bank au Sénégal.

1.1.2 L’entité : Finances Groupe

Figure 1.2 – Organigramme de Finance Groupe

1.2 Notions et définitions

1.2.1 Taux d’intérêt

Les taux d’intérêt dénient ce que l’emprunteur promet de payer au prêteur.

1.2.2 Taux court/long

Le taux d’intérêt dépend de la durée de remboursement accordée à l’emprunteur.

1.2.3 Taux de rendement actuariel

Le rendement actuariel correspond à la rentabilité obtenue en conservant un actif

1.2.4 Taux monétaire

Le taux monétaire diffère du taux de rendement actuariel en termes de durée.

1.2.5 la courbe de taux

Les différentes formes de la courbe des taux :

Figure 1.3 – Différentes formes de la courbe des taux

1. Normal ou conventionnel dans lequel les rendements sont à des niveaux «

1.2.6 Taux zéro coupon