Académique Documents
Professionnel Documents
Culture Documents
Université de Sousse
FACULTE DES SCIENCES ECONOMIQUES ET DE GESTION DE SOUSSE
MEMOIRE
En vue de l’obtention du diplôme de mastère de recherche en
Gestion des organisations
parcours: Finance
Encadré par :
Mr. Abderrazek DHAOUI
Mes frères, qui n’ont cessé d’être pour moi des exemples
de persévérances, de courage et de générosité.
Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Les marchés des titres financiers du monde entier, ont élargi l’éventail des stra-
tégies de couverture des investissements contre les risques offertes aux investisseurs.
La stratégie la plus adoptée par les investisseurs afin de réduire les risques des actifs
étant la diversification. Markowitz (1952 ; 1959) montre dans "Portfolio Sélection"
que l’ajout d’un actif dans un portefeuille réduit le risque de ce dernier, lorsque cet
actif est négativement corrélé au portefeuille. Nous avons remarqué qu’une grande
attention a été portée aux variables macroéconomiques et les matières premières
dans les études qui mettent en évidence la couverture des rendements boursiers. La
modélisation de la dynamique des rendements boursiers : la corrélation et la couver-
ture avec les variables macroéconomiques et que les matières premières est un sujet
important à étudier par les chercheurs universitaires, les praticiens et les investis-
seurs puisque les développements récents en matière d’intégration accrue entre les
marchés financiers, les variables macroéconomiques et la financiarisation des marchés
des matières premières offrent aux investisseurs de nouvelles stratégies de diversifi-
cation, de couverture et de gestion du risque de leurs portefeuilles d’investissements
(Erb et Harvey, 2006 ; Domanski et Heath, 2007 ; Dwyer et al., 2011 ; Shahzad et al.,
2017). En outre, nombreuses études (telles que celle de Hood et Malik, 2013 ; Basher
et Sadorsky, 2016 ; Ahmad et al., 2017) sur la nature de relation entre l’indicateur de
volatilité VIX et le rendement boursier plaide en faveur du l’avantage économique de
la diversification et la possibilité de couverture par les bais de coût de l’indicateur.
Plusieurs études sont axés sur le rôle de l’indice de volatilité VIX et le taux d’inté-
rêt spot en matière de couverture et de réduction de risque du portefeuille. Shah-
zad et al.(2017) montrent que les taux d’intérêt spot agissent comme des refuges
pour le portefeuille d’actions. Alors que Ahmad et al. (2017) montrent que VIX est
le meilleur actif pour protéger des actions d’énergie propres suivies par le pétrole
brut et OVX. Moran et Dash (2007) et Szado (2009) montrent que l’utilisation des
contrats à terme VIX semble être comme un outil de couverture des actions. Hood
et Malik (2013) trouvent que l’indice VIX sert de couverture très forte et aussi un
refuge efficace durant les périodes de volatilité extrême.
Dans un autre volet, la financiarisation des matières premières et commodités au
1
INTRODUCTION GÉNÉRALE
cours des deux dernières décennies offre aux investisseurs des nouvelles stratégies
de diversification des portefeuilles grâce à la capacité de couverture de ces matières
(Vivian et Wohar, 2012 ; Tang et Xiong, 2012 ; Silvennoinen et Thorp, 2013 ; Ba-
sher et Sadorsky, 2016). Le marché des matières premières en particulier : l’or et le
pétrole qui sont considérés comme les instruments les plus populaires en terme de
couverture des rendements en raison de leur capacité à protéger les investisseurs lors
des mouvements boursiers extrêmement négatifs (Baur et Lucey, 2010 ; Gürgün et
Ünalmiş, 2010 ; 2014, Lucey et Li, 2015 ; Sadorsky, 2012 ; 2014 ; Basher et Sadorsky,
2016 ; Arouri et al., 2011 ; 2012 ; 2015 ; Raza et al., 2018).
Ciner et al. (2013) montrent une corrélation négative entre l’or et les actions et sug-
gèrent que l’or peut jouer le rôle d’une couverture contre le risque boursier. Mensi
et al. (2017) trouvent des corrélations dynamiques croissantes entre ces marchés au-
tour de la crise de 2008-2009 (crise financière mondiale) et ils démontrent que l’or
offre de meilleurs avantages de diversification du portefeuille et de réduction des
risques que le pétrole. Dans la même veine, plusieurs études ont mis le point sur
le grand rôle du pétrole dans la couverture des rendements boursiers. Chkili et al.
(2014) indiquent que l’investisseur aux marchés américains devrait avoir plus d’ac-
tions de pétrole brut en tant qu’actifs dans le portefeuille dans le but de minimiser
le risque global du portefeuille. Basher et Sadorsky (2016) révèlent que le pétrole
est considéré comme la meilleure couverture pour les cours des actions des marchés
émergents étant donné que l’efficacité de couverture du pétrole est la plus élevées.
Pendant les périodes des crises financières, les matières premières, "en particulier
l’or", sont largement perçu comme une bonne couverture et un refuge efficace sur
les marchés financiers (Creti et al., 2013 ; Anand et Madhogaria, 2012 ; Ghazali et
al., 2013 ; Nagayev et Masih, 2013 ; Arouri et al., 2015 ; Baur et McDermott, 2016 ;
Chkili, 2016 ; 2017 ; Mensi et al., (2017) ; junttila et al., 2018).
Actuellement, la plupart des études sur le sujet de la dynamique des rendements
boursiers, les corrélations et les ratios de couverture ont utilisé des modèles GARCH
multivariés tels que DCC et ADCC. Les modèles GARCH multivariés présentent
plusieurs avantages par rapport aux autres techniques d’estimation surtout dans
la construction des ratios de couverture et aussi permettant de fusionner plus de
variables dans le modèle. Ils sont faciles à estimer, appropriés pour examiner les
corrélations variables dans le temps entre les variables de produit et économiques
(Chang et al., 2011 ; Ciner et al., 2013). Nous allons utiliser dans ce document les mo-
dèles DCC, ADCC et GO-GARCH pour construire les corrélations conditionnelles
dynamiques et les ratios de couverture à l’aide d’une analyse par fenêtre roulante.
Le recours à la diversification des portefeuilles d’investissements constitue la straté-
gie la plus fréquente afin de réduire au maximum le risque. Dans nos jours, l’inclu-
sion des matières premières dans la plupart des portefeuilles sont devenus des actifs
comparables aux actifs classiques, ainsi l’indice volatilité et le taux d’intérêt spot
suggérant des avantages de diversification significatifs et de couverture, les investis-
seurs financiers font comparer la dynamique de corrélation des cours sur le marché
financier et le marché des matières premières, l’indice de volatilité, taux d’intérêt
spot simultanément afin de faire déduire les meilleures stratégies de diversification
significatives des portefeuilles pour le but réduire les risques auxquels ils s’exposent.
Cette nouvelle tendance a attiré l’intérêt de plusieurs chercheurs focalisant leur re-
cherche sur l’investigation de la dynamique des rendements boursiers. L’objet de
cette étude est d’examiner la nature des interdépendances entre le marché financier
et les facteurs d’ordre économique et financier, pour mieux comprendre la perfor-
mance de ces facteurs comme outil de couverture contre le risque sur le marché
S&P500. Les variables incluses dans l’étude comptent les matières premières (pé-
trole et l’or en particulier) ainsi que l’indice de volatilité implicite VIX et taux
d’intérêt spot.
Notre problématique sera alors : comment le pétrole, l’indice VIX , l’or et les taux
d’intérêt spot peuvent être utilisés pour couvrir un investissement contre les risques ?
Afin d’investiguer la couverture des rendements boursiers, nous suivons deux prin-
cipales étapes. Nous étudions les corrélations conditionnelles dynamiques et ensuite
les ratios de couverture en se basant sur l’analyse par fenêtre roulante. Notre échan-
tillon regroupe des matières premières (pétrole et or), l’indice de volatilité et le
taux d’intérêt spot. Par ailleurs, nous utilisons des données quotidiennes des cours
boursier de l’indice S&P500 et prix de pétrole, l’or, l’indice de volatilité et le taux
d’intérêt spot des obligation couvrant la période allant du 12 septembre 2006 au 28
avril 2017.
Nos principales constatations se résument comme suit. Premièrement, en se basant
sur l’étude des corrélations conditionnelles dynamiques, nous avons trouvé que ces
corrélations fluctuent entre des valeurs négatives et positives pour les trois variantes
du modèle GARCH. Les corrélations EM/VIX suggèrent des avantages de diver-
sification significatifs. Les corrélations estimées à partir du modèle GO-GARCH
montrent une tendance différente de celle du DCC ou ADCC. Ces deux derniers
modèles montrent des corrélations très similaires. Deuxièmement, en se basant sur
les ratios de couverture, notre résultat sur l’efficacité de couverture indique que l’or
est considéré comme une bonne couverture pour les cours de S&P500 que EM/OIL,
EM/VIX et EM/BONDS. Finalement, nous avons trouvé que l’efficacité de cou-
verture la plus élevée de EM/GOLD et EM/BONDS est produite par le modèle
GO-GARCH.
Le présent mémoire est composé de trois chapitres, deux chapitres théoriques et un
chapitre empirique. Le premier chapitre est réservé à la présentation d’un cadre gé-
néral : le marché financier dans toutes ses dimensions, l’importance de l’information
sur le marché financier pour les investisseurs et l’analyse du risque des actifs finan-
ciers et l’importance de la diversification afin de réduire le risque des placements.
Quant au deuxième chapitre, il est dédié à présenter une revue des études sur la
relation entre les marchés financiers et les variables macroéconomiques et celle les
matières premières puis la couverture des rendements boursiers.
Ensuite nous procédons à un chapitre empirique. Ce chapitre présente une investi-
gation profonde de la dynamique des corrélations conditionnelles et de la couverture
pour trouver l’actif qui donne l’efficacité de couverture la plus élevée pour les ren-
dements boursiers du marché S&P500.
Introduction
Le marché financier est le lieu où se rencontrent les acteurs de ce marché comme les
émetteurs et les investisseurs de capitaux, ainsi que les intermédiaires et les régula-
teurs du marché. C’est un marché de capitaux à long terme sur lequel s’échangent
des produits financiers tels que les actifs financiers classiques (les titres de propriété
et les placements à moyen et long terme).
L’investisseur intervient au marché de capitaux pour investir dans les actifs finan-
ciers en vue de réaliser des bénéfices sur leur placement. L’ensemble des informations
disponibles sur le marché financier est un élément essentiel pour les investisseurs,
où toute information disponible concernant les actifs financiers permet aux investis-
seurs de déterminer les prix et évaluer correctement ces actifs, ensuite de prendre
des décisions rationnelles d’allocation des ressources pour réaliser des gains sur son
investissement. Nous nous référons ici à la théorie d’efficience des marchés financiers,
cette théorie indique que l’information joue un rôle fondamental dans la détermina-
tion des prix de ces actifs (Fama, 1976), cet auteur indique que lorsque le marché
financier est efficient, alors toutes les informations disponibles sont intégrées immé-
diatement dans le prix de ces actifs.
L’objectif principal de tous les investisseurs est de réaliser une rentabilité sur leurs
capitaux. L’obtention de cette rentabilité soit incertaine à l’avance. Du côté des
investisseurs, l’existence d’une certaine incertitude sur la rentabilité des actifs finan-
ciers peut être définie comme un risque. Les investisseurs adoptent la stratégie de
diversification des portefeuilles en vue de réduire le risque de leur placement pour
atteindre un niveau plus bas que le risque individuel des actions. Lors de la diversi-
fication, les cours de l’ensemble des actions au sein d’un portefeuille caractérisés par
6
CHAPITRE 1. LE MARCHÉ FINANCIER : EFFICIENCE ET RISQUE
des fluctuations indépendantes, ces fluctuations vont avoir une certaine tendance à
se compenser conduit à réduire le risque total.
Ce chapitre sera décomposé en trois sections. La première section permet de bien
comprendre le marché financier dans toutes ses dimensions. Pour arriver à notre
résultat, nous présenterons la notion de marché financier, les actifs financiers qui se
sont échangés sur ce marché et enfin les fonctions et les typologies d’organisation du
marché financier. La deuxième section traitera l’importance de l’information sur le
marché financier pour les investisseurs. Quant à la troisième section elle est réservée
pour l’analyse de risque des actifs financiers.
• Les produits dérivés comme les options, les futures et les swaps.
des actions constitue le capital social de l’entreprise. Le revenu de titre est un revenu
variable qui comprend deux éléments essentiels :
• Plus (moins) value : si nous avons acheté le titre et par suite nous vendons
ce titre à un prix de vente supérieur au prix d’achat, donc il y aura une plus
value, dans le cas inverse, il y aura une moins value.
• Les actions ordinaires : c’est la fraction du capital qui est un capital réalisé à
travers un apport numéraire. Les droits attribués à l’actionnaire qui détient
une action ordinaire sont les suivants :
• Les actions d’apport : les apports par nature (immobilisation, machine, ter-
rain...)
• L’action au porteur : c’est l’action pour laquelle nous avons gardé l’anony-
mat du détenteur, pour les raisons suivantes : échapper le paiement d’intérêt,
l’espionnage...
Les obligations : les obligations sont des titres de créance, des placements à
moyen et long terme correspondant à un prêt effectué par le propriétaire de l’obli-
gation à la collectivité en émettrice. L’institution pendant la durée de vie de l’obli-
gation paie des intérêts fixés par le contrat lors de l’émission. À l’échéance elle
s’engage à rembourser le capital emprunté au détenteur de l’obligation. Dans la plu-
part de temps le propriétaire vend l’obligation avant son échéance. Les obligations
sont émises par des institutions de statut juridique divers, soit par le secteur privé
comme les entreprises ou par les collectivités publiques ou semi-publiques. Le secteur
public émet les bons de trésors.
Les droits qui sont attribués aux obligations :
• Droit à l’information.
Les marchés dérivés : Les marchés dérivés se décomposent en trois catégories des
produits dérivés, le marché à terme, le marché des options et Swaps. Nous parlons
de produits dérivés pour qualifier les options et les contrats à terme, parce que la
valeur de ces options et contrats dérive de la valeur d’un autre actif.
• Les options : ce sont des contrats qui donnent le droit et non l’obligation
d’acheter ou de vendre une certaine quantité d’une marchandise à un certain
prix et à une date future. Nous distinguons entre options de type call et autres
de type put.
• Swaps : les swaps sont des contrats d’échanges des montants de cash flows à
des dates précises.
La fonction principale d’un marché financier est celle de faciliter une allocation des
ressources d’une manière efficace dans le temps et dans l’espace. Au niveau plus
précis, le marché financier assure cinq fonctions essentielles qui sont : le transfert
et la mutualisation des ressources, l’allocation et la gestion des risques, la liquidité
des investissements, le transfert d’informations par les prix et enfin le contrôle et la
discipline des équipes dirigeantes.
Le marché financier est caractérisé par un circuit de financement spécialisé. Il est
composé de deux compartiments différents mais ils sont complémentaires, les deux
compartiments sont le marché primaire où sont émises les deux classes d’actifs
(actions-obligations) pour la première fois et le marché secondaire dans lequel sont
revendus les actifs du marché primaire.
• Les trois premiers flux nets financiers partant des ménages. Ces flux repré-
sentent successivement les capitaux placés dans les institutions financières,
la souscription de valeurs mobilières sur le marché financier et les dépôts à
l’administration des chèques postaux et leurs souscriptions de bons de trésors.
• Les trois seconds flux partant des institutions financières. Ces flux concernent
successivement les crédits accordés aux entreprises, les souscriptions des titres
sur le marché financier comme les actions et les obligations et les souscriptions
des bons de trésor effectuées par les banques et les intermédiaires financiers.
• Les deux derniers flux nets partant du marché financier. Ces deux flux concernent
successivement l’émission des actions et des obligations destinées aux entre-
prises du secteur public et privé (le septième flux est le plus important) et le
financement des administrations par les émissions des obligations sur le marché
financier.
Les marchés financiers se décomposent en deux catégories ; des marchés financiers qui
sont réglementés par l’activité d’intermédiation et dirigés par les ordres et d’autres
marchés de gré à gré dirigés par le prix.
dans le marché financier tunisien nous trouvons le CMF (conseille du marché finan-
cier). Sur le marché financier nous trouvons des intermédiaires entre les acheteurs et
les vendeurs. Ces intermédiaires s’appellent "les agents de la bourse" ou "les intermé-
diaires boursier". Ils jouent le rôle d’un intermédiaire entre l’acheteur et le vendeur.
Les marchés réglementés sont des marchés auxquels nous trouvons les investisseurs
qui transmettent leurs ordres d’achat et de vente aux intermédiaires boursiers qui
collectent des ordres, la saisie et la détermination du prix d’équilibre CTO (cours
théorique d’ouverture).
Le prix d’équilibre doit être choisi à condition de :
Les marchés des actions et des obligations sont généralement des marchés financiers
réglementés. Les options et les contrats futurs se négocient sur des marché organisés.
Marché financier de gré à gré dirigé par le prix : Dans ce marché nous ne
trouvons pas d’autorités et d’intermédiaires boursiers. Il y a une confrontation di-
recte entre l’offreur et le demandeur. il est dirigé par le prix. Les investisseurs doivent
d’abord consulter la fourchette des prix et observer le prix d’achat et ensuite décider
d’acheter ou de vendre à leur choix. Le prix observé n’est pas un cours d’équilibre,
il est déterminé par la loi de la force.
Les forwords sont généralement des marchés financiers de gré à gré.
cette théorie indiquent que l’information est un élément essentiel dans la détermi-
nation des prix des actifs financiers.
La théorie de l’efficience des marchés financiers a été développée au début des an-
nées 60. Fama (1965) montre que le marché financier est efficient si et seulement si
l’ensemble des informations disponibles concernant les actifs financiers cotés sur ce
marché, est intégré immédiatement dans le prix de ces actifs.
Plus tard, Fama (1976) définit le marché financier efficient comme un marché sur
lequel les prix des titres reflètent complètement et instantanément toutes les infor-
mations disponibles. Il ajoute que l’information disponible concernant les actifs joue
un rôle fondamental dans la détermination des prix de ces actifs. L’auteur affirme
que l’information est un élément fondamental dans cette théorie.
Au fil du temps, la définition de l’efficience a évolué depuis les travaux anciens de
Fama.
Jensen (1978) montre qu’un marché financier est efficient conditionnellement à un
ensemble des informations.
Nous constatons que les théoriciens proposent certaines hypothèses à savoir, d’abord
si le marché n’est pas liquide donc il n’aurait pas d’efficience allocationnelle. Ainsi,
si le marché n’assure pas le mouvement des informations ceci signifie que l’infor-
mation ne se circule pas librement sur le marché donc il n’aurait pas d’efficience
informationnelle.
La notion d’efficience suppose qu’un marché soit idéal lorsque le cours des actifs
permet de prendre les bonnes décisions d’allocation des ressources puisque le cours
reflète toutes les informations disponibles qu’elles soient passées, présentes ou fu-
tures. Nous distinguons essentiellement entre deux types d’efficiences qui sont une
informationnelle et l’autre allocationnelle.
D’abord, l’efficience informationnelle se base sur le mouvement ou bien sur la cir-
culation de l’information sur le marché. Selon la définition de Fama (1976 ; 1965),
l’événement ou l’information passée ou anticipée est intégrée dans le prix de l’ac-
tif. L’efficience informationnelle est un type d’efficience qui traite les informations
passées, présentes ou futures qui contribuent à la détermination des prix des actifs
financiers sur le marché.
Tandis que le deuxième type c’est celle allocationnelle. La circulation de l’infor-
mation dans un marché efficient permet aux investisseurs de prendre des décisions
d’allocation des ressources rationnelles.
ou les taxes boursières sont supérieurs ou annulent leur gain potentiel réalisable,
dans ce cas ils n’agirent pas sur le marché. Les investisseurs agissent librement sur
les marchés financiers seulement dans la mesure où le gain potentiel espéré est su-
périeur aux coûts de la transaction et des taxes boursières supportées.
généralement mieux informés, avec celles des agents économiques quelconques. Dans
le cadre de ce travail de recherche, nous présentons quelques tests 1 .
Sur un marché efficient de forme faible, les cours actuels des titres sont dépendants
de l’ensemble des informations déjà publiées. Les cours des titres financiers reflètent
toute les informations déjà connues et contenues dans la série historique des cours.
Dans cette forme nous distinguons que les cours actuels des titres se basent sur les
cours passés. Pour vérifier l’hypothèse de la marche aléatoire (HMA), trois catégo-
ries de tests sont utilisées
• Les tests d’indépendance des variations successives des cours des titres ; ce test
a comme rôle de vérifier que le niveau d’auto-corrélation dans la séquence des
cours est négligeable.
• Les méthodes de l’analyse technique basées sur l’évolution des cours passés, les
types de ces tests se basant sur le diagnostic technique et essaient de vérifier
si les professionnels qui utilisent les stratégies de filtre réussissent à battre le
marché.
• Les tests liée à l’hypothèse d’un chemin malpropre des séries boursières, ce
test est pour vérifier si les cours des titres suivent une chemin chaotique.
La forme faible de l’efficience de marché suppose que les cours ou les rendements
des actifs doivent être indépendants, dans ce cadre le test se basant sur le coefficient
de corrélation et celui de suites sont les tests les plus utilisés.
Lorsque les rendements sont identiquement distribués, ce test devient comme suit :
N V (R1 )
V (RT ) = N V (R1 ) ⇒ =1 (1.3)
V (RT )
Zc = [S − E(B)]/σB (1.4)
avec :
E(B) = (n + 2)/2
V (B) = n(n − 2)/4(n − 1)
Finalement, effectuer le test de suite par comparaison Zc avec Z(α/2) , puis interpréter
les résultats obtenus.
Tous les acteurs dans un marché de forme semi-forte ont des informations publiques,
ces informations peuvent être de type macroéconomique ou de type financier.
Les cours des titres reflètent toute information publique disponible. Ils réagissent
immédiatement sur l’annonce d’information nouvelle publique comme les rapports
annuels, les bilans (. . . ). Il n’y a aucun décalage temporel entre le moment où l’in-
formation est publiée et le moment où cette information est intégrée dans les cours
des titres. Sur un marché efficient de forme semi-forte, le cours de chaque actif coté
correspond à sa valeur réelle, puisque toutes les informations sont intégrées dans les
cours des actifs, donc il n’y a aucun décalage aussi entre la valeur d’un actif et son
cours.
L’efficience de forme semi-forte est testée à partir des études des événements. L’ob-
jet de ces études est de celui vérifier et tester si les cours reflètent rapidement les
différentes informations publiques disponibles sur le marché. Plus particulièrement,
il s’agit de mesurer la vitesse, le sens et l’amplitude du réaction des cours suite à
l’annonce d’un événement spécifique tel que la distribution des dividendes élevées
ou des actions gratuites, l’annonce des bénéfices (. . . ). La date de référence de l’évé-
nement est la date de l’annonce de ces informations. Nous mettons la main sur
plusieurs tests effectués dans le but de vérifier l’hypothèse de l’efficience de forme
semi-forte, parmi ces tests, on peut citer celle Ball et Brown(1968) portant sur les
effets d’annonce des résultats annuels. Fama et al. (1969) portant sur l’effet de la
distribution stock splits : la distribution des actions gratuites.
De nos jours et grâce aux changements considérables dans les domaines de l’éco-
nométrie et la statistique, l’application de cette démarche est basée sur l’analyse
simultanée de plusieurs types d’événement et aussi sur l’analyse de l’impact de l’évé-
nement sur le rythme des transactions.
La démarche de cette étude se répartit en trois étapes successives :
rentabilité anormale d’un actif i au cours de la période est la différence entre le taux
de rendement de l’actif i au cours de la période t(Rit ) et qui aurait dû être observée
en l’absence d’événement spécifique E(Rit /iN ). La relation s’écrit comme suite :
Les théoriciens proposent deux approches pour calculer la rentabilité anormale, qui
sont les suivantes :
• La première est l’approche dichotomique, RAit dans cette approche est estimée
directement à partir du modèle de régression multiple suivant :
d + γ D + ε ;t ∈ I ∪ I
Rit = R (1.6)
it i it it N 0
avec :
Rit est la rentabilité de l’actif i au cours de la période t.
d est la norme de l’actif i à la date, est déterminée à partir d’un processus
R it
• La deuxième approche c’est l’approche résiduelle. Cette approche est pour es-
timer la norme (Rd ). Dans cette approche, nous utilisons le MEDAF (modèle
it
Les autres principaux modèles qui ont été utilisés pour calculer la rentabilité anor-
male d’un actif sont :
∀i = 1, ..., N, R
d=R
it
c =R
t Mt (1.8)
Ce modèle suppose que tous les actifs ont un bêta qui est égal à celui du
marché.
• Le modèle de marché utilisé par Fama et al. (1969) pour la première fois.
Ce modèle suppose que la rentabilité attendue sur un actif est une fonction
linéaire de celle du marché. La relation modèle du marché s’écrit comme suit :
Dans un premier temps, nous estimons le bêta de chaque actif sur l’intervalle
IN et ensuite nous effectuons la régression sur l’intervalle I0 .
ou :
D’abord le choix entre les deux tests dépend des hypothèses à retenir à propos de
l’indépendance (la dépendance) des rentabilités anormales moyennes. Le premier
test est utilisé dans le cas d’indépendance, tandis que l’autre est utilisé en cas de
dépendance sérielle.
Pour effectuer ces deux tests paramétriques, il faut calculer les statistiques : les
écarts-types (variances)et la distribution d’échantillonnage. Dans le cas du l’indé-
pendance des rentabilités anormales pour chaque t ∈ I0 la statistique utilisée est la
suivante :
Rat
T1t = (1.11)
σb(Rat )
avec : n
X
Rat = Rait /n
t=1
v
ut=−c0 −1
(Rat − Ra)2 /T − c0 − 1
u X
σb(Rat ) = t
t=−1
Dans le cas de dépendance des rentabilités anormales, la statistique à utiliser est la
suivante :
Ract
T2t = t ∈ I0 (1.12)
σb(Ract )
avec :
t
X
Raj = Raj
j=1
√
σb(Ract ) = t × σb(Ra)
Pour effectuer le test selon les cas soit d’indépendance soit de dépendance, nous
comparons T1t ou T2t avec la valeur de la table de la loi normale en fonction du seuil
de significativité Zα − 2. si −Zα − 2 6 T1t 6 Zα − 2, donc l’hypothèse nulle reflétant
l’efficience du marché ne sont pas rejetées.
Pour finir avec ces tests de l’efficience de la forme semi-forte, la plupart des études
événementielles montrent que le marché anticipe correctement l’événement étudié
avant la publication de l’information.
L’hypothèse de l’efficience de la forme semi-forte de certains marchés tels que l’Amex,
le Nyse (...) ne peut pas être rejetée. Fama et al. (1969) pour le marché Nyse, Hamon
et Jacquillat (1992) pour le marché français. À ce propos Jensen (1978) écrit :"I
believe thereis no other proposition in economics which has more solid empirical
evidence supporting it than the efficient market hypothesis".
Dans un marché de forme forte d’efficience, toutes les informations privées ou pri-
vilégiées sont reflétées dans les cours des titres, elles sont connues par l’ensemble
des acteurs et donc également incorporées dans les cours des actifs. Afin de tester
l’efficience du marché de forme forte la méthodologie utilisée est basée sur la com-
paraison de la performance réalisée par les investisseurs bien formés et celle réalisée
par les investisseurs informés. Les investisseurs bien formés établissent des stratégies
qui permettent de générer des profits dépassant leurs coûts de transaction. Logique-
ment, la différence au niveau de la performance est expliquée par l’importance de
l’information détenue par les investisseurs bien formés ou bien par la qualité de trai-
tement de l’information et leur interprétation.
Nous trouvons des études effectuées pour tester l’efficience du marché de forme forte.
Niederhoffer et Obserne (1966) trouvent que les spécialistes de NYSE génèrent des
profits anormaux par l’utilisation de leur accès monopolistique au livre des ordres
limites. Jensen (1969) montre que les gestionnaires des fonds communs battre le mar-
ché par son accès à une information spécifique. Fama (1991) conclut que la forme
forte de l’efficience n’existe que dans la théorie.
Dt + Pt + Pt−1
Rt = (1.13)
Pt−1
avec :
Rt est le taux de rentabilité de l’action i pendant la période t.
Dt est le dividende net encaissé pendant la période t.
Pt est le cours de l’action de fin de période t.
Pt−1 est le cours de l’action de fin de période t − 1.
La période t est variable soit d’une semaine, d’un mois, d’une ou de plusieurs années.
L’application de la relation 1.13 suppose que les dividendes sont distribués à la fin
du période.
La rentabilité espérée d’une action E(Rt ) est estimée à partir du taux de rentabilité
moyen réalisé pendant les périodes t. La rentabilité moyenne se détermine par la
relation suivante :
n
1X
R= Rt (1.14)
n t=1
L’espérance mathématique d’un portefeuille d’actions mesure la rentabilité espérée
qui est égale à la moyenne pondérée de la somme des rentabilités espérée des diffé-
rentes actions qui composent le portefeuille.
Vasicek et McQuown (1972) rappellent que "tout investisseur préférera certainement
des opportunités d’investissement qui offrent les perspectives les plus intéressantes,
toutes choses égales par ailleurs. Le taux de rentabilité, pris isolément, ne suffit
pas pour caractériser une opportunité d’investissement. Il est aussi nécessaire de
considérer des déviations possibles des taux de rentabilité par rapport à leur valeur
espérée, ce qui nous ramène au concept d’incertitude ou de risque".
L’objectif principal de tous les investisseurs est de réaliser une rentabilité sur leurs
capitaux, l’obtention de cette rentabilité est incertaine à l’avance. Le risque des actifs
financiers peut être représenté par l’existence d’une certaine incertitude à la valeur
des titres à une date future. La rentabilité moyenne réalisée par l’investisseur sur
ses actions est plus au moins différente de la rentabilité espérée. Pour assimiler le
risque d’un investissement à la variabilité de sa rentabilité à propos de la valeur
anticipée, ils existent des diverses méthodes pour mesurer et calculer la dispersion
ou la variabilité d’une série statistique de cours passés. La méthode de mesurer
la variabilité des actions sur une période bien déterminée, la plus utilisée est la
variance ou l’écart-type (la racine de la variance) de la série des taux de rentabilité
de ces actions sur un certain nombre de sous périodes bien déterminées. c’est Moivre
(1718) qui a découvert le concept de mesure de la dispersion dans son ouvrage The
Doctrine of Chances. Pearson (1893) utilise pour la première fois le terme d’écart
type ou standard deviation et emploie le symbole σ pour représenter l’écart type.
La notion variance est apparue plus tard dans un texte intitulé The Correlation
between Relatives on the Supposition of Mendelian Inheritance de Fisher (1918) .
Du côté statistique, la variance des séries de taux de rentabilité passées des actions
est définie comme la moyenne des écarts carrés entre les taux de rentabilité et le taux
moyen des rentabilités. Pour une seule action, la variance se calcule par la relation
suivante : n
1X
σi2 = (Rit − Ri )2 (1.15)
n t=1
avec :
σi2 est la variance de l’action i.
Rit est la rentabilité de l’action i pendant la période t.
Ri est la moyenne de la rentabilité du même action à la même période.
L’écart-type est égal à la racine de la variance :
q
σi = Vi (1.16)
où :
Vi = σi2 est la variance de l’action i.
La variance est égale à la carrée de l’écart-type.
Tous les investisseurs essaient d’éviter le risque, ils préféreront l’action dont l’écart-
type (ou son carré la variance) le plus faible.
Lors de la diversification, le risque total d’un portefeuille est inférieur à la somme des
risques individuels des actions qui le composent. Les cours de l’ensemble des actions
au sein d’un portefeuille sont caractérisés par des fluctuations indépendantes, ces
fluctuations auront une certaine tendance à se compenser qui conduit à réduire le
risque total. À titre d’exemple très simple, selon le figure ci-dessous 1.3, nous essaie-
rons de faciliter la compréhension comment les variations indépendantes des cours
des deux actions (par exemple) qui composent un portefeuille conduit à la réduction
du risque total. Ces deux figures représentent l’évolution du cours de deux actions
de même portefeuille 2 .
2. Pour approfondir l’analyse nous nous référons ici à l’ouvrage de Jacquillat, B., Solnik, B.,
(2002) Marchés financiers : Gestion de portefeuille et des risques, 4ème édition.
D’abord, les fluctuations des deux cours des deux actions (Figure 1.3.A) sont parfai-
tement et positivement corrélées. Lorsque l’une des deux augmente, de même l’autre
augmente et inversement. La dispersion globale du portefeuille sera la même dans
ce cas. La combinaison entre les deux actions dans ce portefeuille n’apporte rien,
puisque la variabilité reste la même.
Tandis que les fluctuations des deux cours des deux actions (Figure 1.3.B) sont
négativement corrélées, lorsque l’une des deux actions augmente l’autre descend et
inversement, dans ce cas la variabilité du portefeuille ne sera pas la même. Lorsque
nous combinons entre les deux actions dans ce portefeuille, l’écart-type du porte-
feuille est éliminé totalement.
Markowitz (1952 ; 1959) imagine le modèle de marché que Sharpe (1964) développe
plus tard. Ce modèle est le plus utilisé par les investisseurs pour décrire le risque et
la rentabilité de leurs investissements en valeurs mobilières.
Markowitz (1952 ; 1959) indique que l’idée principale qui sous-tend le modèle de
marché est que les variations des cours des actions sont dues à l’effet du marché
d’une part et à des raisons spécifiques à chacune des actions d’une autre part. Ce
modèle divise la fluctuation totale d’une action en :
2
σi2 = βi2 σm 2
+ σεi (1.17)
avec :
σi2 est le risque total de l’action.
βi2 est le coefficient de volatilité de l’action.
2
σm est la variance du marché.
2
σεi est le risque spécifique de l’action.
Le coefficient de volatilité exprime la relation entre les variations de l’action i et les
variations de l’indice du marché. Ce coefficient est égal au rapport entre la covariance
des taux de rentabilité de l’action avec l’indice de marché σim et la variance des taux
2
de rentabilité de celle du marché σm .
σim
βi = 2
(1.18)
σm
avec :
σim est la covariance des taux de rentabilité de l’action selon l’indice du marché.
2
σm est la variance des taux de rentabilité du marché.
Selon le modèle du marché de Markowitz (1952 ; 1959), le risque total d’un porte-
feuille dépend essentiellement de trois facteurs :
où : n
X
1
βp = N
βi La somme des coefficients de volatilité des actions qui composent le
i=1
À partir les analyses du modèle du marché de Markowitz (1952 ; 1959), nous concluons
que lorsque le nombre des actions N du portefeuille P augmente, le risque spéci-
fique de ce portefeuille diminue. L’avantage de la diversification est quand N devient
grand, le risque non systématique tend vers zéro, comme il est indiqué dans la Figure
1.4 :
Cette figure montre que le niveau de risque est maximal lorsque l’investisseur dans
son portefeuille possède une seule action. Le recours à la diversification peut diminuer
ce risque jusqu’à un niveau incompressible qui représente le risque systématique. Ce
risque systématique a un impact sur l’ensemble des titres du marché mais bien sûr
pas de la même façon.
σim
E(Ri ) = Rf + 2
[E(Rm ) − Rf ] (1.20)
σm
où :
Rf est le taux sans risque.
σim
2
σm
est l’équation du coefficient de variation β, comme nous l’avons précisé précé-
demment dans la relation 1.18.
E(Rm ) est la rentabilité espérée du marché.
Les investisseurs qui prennent plus de risque devraient obtenir une rentabilité plus
élevée, mais ils ne seront compensés que pour le risque systémique (Sharpe, 1964 ;
Lintner, 1965 ; Jensen et al., 1972). La réduction du risque spécifique se fait par la
diversification (Markowitz, 1952 ; 1959).
Tous les investisseurs rationnels devraient détenir une combinaison du portefeuille
de marché et de l’actif sans risque, comme l’indique Sharpe (1970) et Vasicek et
McQuown (1972). L’équation qui exprime la rentabilité de cette combinaison est la
suivante :
E(Rm ) − Rf
E(R) = Rf + σ (1.21)
σm
Dans la Figure 1.5 toute droite inclut le taux Rf et un point situé sur ou bien au-
dessous de la frontière efficiente de Markowitz représentant un ensemble d’opportu-
nités d’investissement. Le point M, point de tangente entre la droite de marché et
la frontière efficiente est appelé portefeuille de marché. Ce portefeuille est composé,
dans des proportions non égales, de tous les titres efficients et non efficients transi-
gés sur le marché. Les investisseurs forment leurs portefeuilles sous la forme d’une
composition de ce portefeuille de marché et le titre sans risque Rf en procédant soit
à un prêt ou à un emprunt.
La droite (Rf M ) est tangente à la frontière efficiente des placements risqués, tous les
points situés sur cette droite dominent les différents portefeuilles de même niveau de
E(R )−R
risque. La rémunération du risque est donnée par la pente de cette droite ( σmm f ).
Conclusion
Dans ce chapitre nous avons présenté la notion de marché financier, les actifs fi-
nanciers transigés sur un marché financier et enfin les fonctions et typologies des
organisations du marché financier afin de comprendre ce dernier dans toutes ses di-
mensions. Ensuite nous avons aussi montré que l’information est un élément essentiel
pour les investisseurs, puisqu’elle leurs permet de déterminer les prix et d’évaluer
correctement ces actifs et aussi de prendre des décisions rationnelles d’allocation des
ressources afin de réaliser des bénéfices.
Nous avons focalisé dans ce chapitre sur l’analyse de risques des actifs financiers et
montré également que la diversification des portefeuilles permet de réduire le risque
total, c’est l’avantage de la stratégie de la diversification.
Les études qui incluent l’indice de volatilité fournissent des informations et des
stratégies utiles sur la diversification des portefeuilles d’investissement (Basher et
Sadorsky, 2016 ; Bianconi et al., 2013 ; Moran et Dash, 2007 ; Szado, 2009 ; Hood et
Malik, 2013 ; Ahmad et al., 2017). Ainsi les études sur le lien entre les marchés fi-
nanciers et les variables macroéconomiques et celle des matières premières montrent
que l’ajoute des variables macroéconomiques ou les matières premières permettent
de minimiser et de couvrir le risque (Mensi et al., 2015 ; Hammoudeh et al., 2014 ;
Mensi et al., 2017 ; Baur et Lucey 2010 ; Gürgün et Ünalmiş, 2010 ; 2014, Lucey et
Li, 2015 ; Raza et al., 2018 ; Lucey et Li, 2015 ; Baur et McDermott, 2016 ; Basher
et Sadorsky, 2016 ; Shahzad et al,. 2017)
Introduction
Les études sur le lien entre les marchés financiers, les variables macroéconomiques et
les matières premières sont apparues depuis les années 80. D’abord, la plupart des
études sur ce lien entre les marchés financiers et les variables macroéconomiques,
ont focalisé sur l’analyse des effets des nouvelles annonces des variables macroéco-
nomiques sur les rendements et la volatilité des marchés financiers internationaux.
Plusieurs études prouvent qu’ils sont interconnectés entre eux : Blanchard (1981) ;
Orphanides (1992) ; Boyd et al. (2005) ; Rangel (2011) ; Lee et Chang (2011) ; Ca-
kan (2012) ; Kishore et Marfatia (2013) ; Fedorova et al (2014) ; Cakan et al (2015) ;
Belgacem et al. (2015) ; Kurov et stan (2017) ; Anderson et al. (2017).
Les études sur la relation montrent qu’il existe des informations utiles sur la possibi-
lité de couverture et diversification des portefeuilles d’investissement par les variables
macroéconomique (Shahzad et al., 2017).
Ensuite, la corrélation entre les marchés financiers et les matières premières a généra-
lement augmenté depuis les deux dernières décennies (Silvennoinen et Thorp, 2013 ;
2010). Il existe de plus en plus d’études qui examinent la relation entre ces deux
marchés : Jones and Kaul (1996) ; Kang et al (2013) ; Chan et al. (2011) ; Sadorsky
(1999) ; Filis et al. (2011) ; Apergis et al. (2014) ; Managi et Okimoto (2013) ; In-
chauspe et al. (2015) ; Bondia et al. (2016) ; Reboredo et al. (2017) ; Ahmad (2017) ;
Narayann et sharma (2011) ; Choi et Hammoudeh (2010) ; Mensi et al. (2013). Cette
corrélation se renforce pendant les périodes de turbulences financières (période de
crises), la financiarisation accrue des matières premières et commodités entrainera
des corrélations élevées à long terme entre les deux marchés (Creti et al., 2013 ;
Dutta, (2017) ; Kumar, 2014).
32
CHAPITRE 2. DYNAMIQUE DES MARCHÉS FINANCIÈRES : VARIABLES
D’INFLUENCE
En effet, il est important d’étudier le lien entre les marchés financiers et les marchés
des matières premières et commodités pour des multiples raisons. La comparaison
de la volatilité dynamique des prix des matières premières et des cours des actions
fournit des informations utiles sur les stratégies de couverture contre le risque. La
plupart des auteurs suggèrent que l’inclusion des matières premières dans un porte-
feuille d’investissement permet de gérer et de couvrir les risques pendant les périodes
de récession du marché (crise)(Mensi et al., 2015 ; Hammoudeh et al., 2014 ; Mensi
et al., 2017). L’or et le pétrole sont considérés comme les produits stratégiques le
plus populaire pour étudier la couverture contre le risque (Baur et Lucey, 2010 ;
Gürgün et Ünalmiş, 2010 ; 2014 ; Lucey et Li, 2015 ; Sadorsky, 2012 ; 2014 ; Basher
et Sadorsky, 2016 ; Arouri et al., 2011 ; 2012 ; 2015 ; Raza et al., 2018). De plus, les
études de couverture qui incluent l’indice de volatilité suggèrent des avantages de
diversification significatifs du portefeuille permettant de couvrir le risque (Hood et
Malik, 2013 ; Basher et Sadorsky, 2016 ; Ahmad et al., 2017). De même, les contras
CDS permet aussi de couvrir les risque des rendements boursiers (Caporin, 2013 ;
Calice et al., 2013ab ; Ratner et Chiu, 2013) Dans ce chapitre nous allons focaliser
sur la relation entre les marchés financiers et les variables macroéconomiques puis
les matières premières et ensuite sur les stratégies de couverture des rendements
boursiers en particulier.
Ce chapitre va être décomposé comme suit. La première section sera consacrée pour
établir la relation entre les marchés financiers et les variables macroéconomiques.
La deuxième section présentera le lien entre les marchés financiers et les matières
premières. Quant à la dernière section, elle sera consacrée pour étudier la couverture
des rendements boursiers.
commencées par Blanchard (1981) et Orphanides (1992). Les deux auteurs (Blan-
chard, 1981 ; Orphanides, 1992) révèlent que les mêmes nouvelles macroéconomiques
peuvent parfois être de bonnes nouvelles et d’autres fois de mauvaises nouvelles
pour les actifs financiers, cela dépend de l’état de l’économie. Andersen et al. (2007)
constatent que les nouvelles macroéconomiques sont parfois favorables et parfois dé-
favorables pour les actions durant les expansions économiques ou récessions.
Les annonces macroéconomiques ont un impact significatif sur les marchés financiers.
Dans ce contexte Rangel (2011) analyse l’impact des libérations macroéconomique
sur la volatilité des marchés boursiers à l’aide d’un processus de Poisson-Gaussien-
GARCH. Il indique que les nouvelles macroéconomiques comme l’inflation et l’em-
ploi n’ont qu’un effet à court terme sur les cours et la volatilité, tandis que d’autres
variables comme les annonces de taux d’intérêt ont un incidence plus persistante.
Boyd et al. (2005) révèlent que les annonces macroéconomiques montrent trois types
d’informations pertinentes pour l’évaluation des actions : des informations sur les
taux d’intérêt futurs, les bénéfices et dividendes futurs et la prime de risque sur les
actions. Ils indiquent qu’une annonce d’une hausse du chômage est généralement
une bonne nouvelle pour les actions pendant les phases d’expansion économique et
de mauvaises nouvelles durant les récessions économiques. Une annonce de hausse
du chômage transmet des informations sur des taux d’intérêt plus bas, cette annonce
peut être classée comme une bonne nouvelle pour les actions, tandis que la baisse
des bénéfices futurs des entreprises peut être classée comme une mauvaise nouvelle
pour les actions.
De même, Onder et Mugan (2006) examinent l’impact d’annonces politiques inat-
tendues en Turquie et en Argentine. Ils analysent l’effet des publications dans les
journaux et montrent que celles-ci tendent à augmenter la volatilité du rendement
des actions et le volume des transactions sur les marchés boursiers turcs et argentins.
Lee et Chang (2011) examinent la volatilité asymétrique des rendements boursiers
en réponse aux annonces du politique monétaire sur le marché boursier de Taïwan.
Ils indiquent que les effets asymétriques significatifs et les mouvements asymétriques
de la volatilité pourraient être dus à une augmentation du levier financier associé à
la baisse des valeurs de marché.
Cakan (2012) remarque qu’il existe une relation significativement positive entre les
rendements des obligations à long terme et les nouvelles du chômage pendant les
périodes des expansions économiques sur le marché financier des États-Unis. Les
nouvelles surprises du chômage et de l’inflation ont des effets sur la volatilité du
marché boursier des États-Unis durant les récessions économiques plutôt que du-
rant l’expansion.
Les nouvelles annonces des États-Unis et de l’union Européenne ont un impact im-
utilisent des données sur les contrats à terme journalier, couvrant la période allant
de janvier 2012 à décembre 2015 et constatent qu’en présence d’une incertitude po-
litique accrue, la réponse aux nouvelles annonces macroéconomiques s’affaiblit sur
les marchés des actions et du pétrole brut et se renforce sur les taux d’intérêt, les
changes et les marchés des devises. De façon générale, les auteurs montrent qu’en
période de forte incertitude sur les politiques monétaires, les annonces macroécono-
miques ont une incidence importante sur les marchés financiers et du pétrole brut,
et cela à cause des anticipations de politique monétaire future.
Les nouvelles annonces macroéconomiques se décomposent en de bonnes et de mau-
vaises nouvelles, elles ont des répercussions positives et négatives sur les rendements
boursiers. Hayo et Kutan (2005) examinent la réaction des marchés boursiers émer-
gents et la volatilité en réponse aux mesures de stabilisation du FMI lors des crises
asiatique, russe et brésilienne durant la période de 1997 à 1999. Les auteurs suggèrent
que les bonnes et les mauvaises nouvelles annonces influent sur les rendements bour-
siers. Plus spécifiquement, elles révèlent que les nouvelles positives du FMI tendent
à augmenter les rendements boursiers et que les nouvelles négatives du FMI tendent
à réduire les rendements boursiers d’environ un point de pourcentage.
Basdas et Oran (2014) analysent des études d’événements sur la Turquie et ont
constaté un risque accru sur le marché des actions en raison du regroupement des
annonces.
Cakan et al. (2015) utilisent le modèle GJR-GARCH afin d’analyser les impacts
des surprises des annonces macroéconomiques américaines sur la volatilité de douze
marchés boursiers émergents. L’ensemble des données utilisées dans cette étude com-
prend les indices boursiers quotidiens en monnaie nationale pour douze marchés
boursiers des économies émergentes pour la période de mai 1994 à juin 2014. Plus
spécifiquement, les auteurs analysent les indices boursiers de : Brésil (IBOVESPA) ;
Mexique (BOLSA) ; Inde (SENSEX) ; Indonésie (SSX) ; Philippines (PSE) ; Corée
du Sud (KOSPI) ; Singapour (SGX) ; Taiwan (TAIEX) ; Thaïlande (SET) ; Russie
(MOEX) ; Pologne (WSE) ; et Turquie (BIST). Ils constatent que les volatilités sont
persistantes et asymétriques. Les auteurs ajoutent que dans ces douze pays étu-
diés, la volatilité asymétrique augmente avec les mauvaises nouvelles sur l’inflation
américaine dans cinq pays et augmente avec une mauvaise nouvelle sur le chômage
américain dans quatre pays sur douze. Cette volatilité asymétrique diminue avec
de bonnes nouvelles sur la situation de l’emploi aux États-Unis dans huit pays sur
douze, avec une baisse inattendue du taux de chômage aux États-Unis, ces marchés
deviennent moins risqués. Les résultats de ces auteurs sont importants pour démon-
trer que la situation de l’emploi aux États-Unis et la croissance économique ont un
impact sur plusieurs marchés boursiers émergents et que les nouvelles macroécono-
miques positives aux États-Unis rendent en fait moins volatiles plusieurs marchés
boursiers émergents.
Anderson et al. (2017) examinent les chocs d’annonces macroéconomiques inatten-
dues sur les indices sectoriels des États-Unis et de l’Union européenne. Les données
utilisées comprennent les annonces macroéconomiques et les rendements boursiers
quotidiens de 22 portefeuilles sectoriels des États-Unis et de l’Union européenne.
L’ensemble des données s’étend de janvier 1980 à juillet 2013. Ils indiquent que les
annonces surprises se décomposent en chocs positifs et négatifs et montrent que les
annonces macroéconomiques des États-Unis sont plus influentes que les annonces de
la zone euro. Les auteurs montrent que les rendements sectoriels sont plus sensibles
aux surprises macroéconomiques positives et négatives et réagissent différemment
aux annonces mondiales et régionales, ceci signifie qu’ils ne sont pas complètement
intégrés et révèlent une éventuelle diversification des risques.
Récemment Renz et Stotz (2016) propose un portefeuille de couverture macroéco-
nomique pouvant être utilisé pour la couverture contre les changements imprévus
de l’état de l’économie. Ils montrent que les annonces macroéconomiques sont l’élé-
ment clé pour la composition du portefeuille de couverture macroéconomique. La
composition de ce portefeuille est déterminée sur la base de la capacité de couverture
d’une action. Cette dernière peut être extraite de la réaction des cours aux nouvelles
macroéconomiques inattendues. Le portefeuille de couverture macroéconomique né-
cessite le tri des actifs financiers qui ont une bonne capacité de couverture des actifs
qui ont une mauvaise capacité de couverture. Leur approche dérive la capacité de
couverture d’un actif en fonction de sa réaction aux changements inattendus de
l’économie. Les actions à un rendement élevé suite aux bonnes nouvelles et les ac-
tions à un rendement faible suite aux mauvaises nouvelles sont caractérisées par une
réaction sensible et considérées comme de mauvais instruments de couverture, alors
que les actions caractérisées par une réaction insensible sont considérées comme de
bons instruments de couverture.
Renz et Stotz (2016) utilisent douze annonces programmées par an concernant la si-
tuation de l’emploi et huit annonces programmées par an concernant les décisions de
politique monétaire du FOMC. À partir de cet ensemble de donnés, ils constituent le
portefeuille de couverture macroéconomique et analysent ses caractéristiques de ren-
dement. Les résultats montrent que le portefeuille de couverture macroéconomique
génère une prime de risque d’environ 5% par an, cette prime peut être interprétée
comme une assurance pour la couverture de futurs changements inattendus.
Les études sur la relation entre les marchés financiers et les variables macroéco-
nomiques et en particulier le taux d’intérêt spot montrent que ce dernier permet
de minimiser et de couvrir le risque. Shahzad et al.(2017) utilisent la méthode de
quantile sur le quantile (QQ) pour construire les estimations de dépendance des
quantiles d’or et des taux d’intérêt spot avec les quantiles des marchés boursiers.
Ils examinent la dépendance de l’or et le taux d’intérêt spot de référence avec dix
marchés boursiers, dont cinq grands marchés développés et cinq pays périphériques
GIPSI de la zone-euro. La période d’analyse a été commencée en des dates diffé-
rentes pour chaque pays, mais toutes les périodes d’analyse s’étendent à décembre
2015. Les résultats empiriques montrent des constatations contrairement différentes
à la littérature existante, la méthode QQ suggère que les taux d’intérêt spot agissent
comme des refuges pour le portefeuille d’actions, mais pas l’or.
1 Matières premières
1.1 Les différentes catégories des matières premières
Les matières premières ou commodités sont négociées sur les marchés à terme. Ce
sont des bien physiques, ce sont des ressources naturelles comme les matières prove-
nant des mines, des forages et l’agriculture. Ces matières premières et commodités
sont scindées principalement en trois catégories comme il est indiqué dans la Figure
2.1.
D’autre côté, les matières premières peuvent être regroupée en deux catégories 1 ;
les hard commodités (l’énergie et les métaux) et les soft commodités (les matières
premières agricoles).
Hard commodités :
• Les métaux sont scindés en deux types qui sont les métaux précieux et les mé-
taux industriels. D’abord, les principaux métaux précieux sont l’or, l’argent
et le platine. La demande en ces métaux est divisée en deux catégories, nous
trouvons la demande de la bijouterie et l’industrie c’est une demande physique
dépendant de la croissance économique et demande des investisseurs c’est une
demande pour les placements des capitaux conditionnée surtout par l’évolu-
tion des taux, par le niveau d’inflation et par les variations des monnaies. En
outre, les métaux précieux représentent un placement très attractif lorsque les
marchés sont incertains, en particulier l’or qui est considéré comme un actif
refuge.
D’un autre côté, les métaux industriels ou les métaux de base comme l’alu-
minium, le cuivre et le zinc (...) sont les métaux de base les plus connus. Ces
métaux sont utilisés par des branches cycliques (la construction et l’indus-
trie automobile...). Principalement la demande en métaux de base vient de la
Chine.
Soft commodités : Les matières premières agricoles sont des produits renou-
velables, c’est la principale caractéristique de ce type de matières premières. Les
cours de ces produits s’établissent en fonction de l’offre et de la demande, en cas où
1. www.credit-suisse.com/media/assets/private-banking/docs/ch/privatkunden/anlegen/cs-
invest-rohstoffe-en.pdf
2. Key World Energy Statistics 2017, AIE (Agence internationale de l’énergie)
3. Rapports sur les réserves mondiales de pétrole, OPEP
4. Rapports sur les réserves mondiales de pétrole, OPEP
la demande dépasse l’offre il est nécessaire de puiser dans les stocks. Toutefois les
cours s’accroissent en cas de pénurie d’une matière première. Les cycles des cours
des matières premières agricoles sont plus courts que pour les hard commodités puis-
qu’elles sont renouvelables. Les cours sont dépendants à la disponibilité de l’eau et
aux conditions climatiques, donc elles sont moins dépendantes à la croissance que
les autres matières premières plus cycliques.
Depuis les années 80, l’indice des prix des matières premières (Énergie, Métaux et
Agriculture) a subi des fluctuations importantes pendant les 37 années dernières
comme l’indique la Figure 2.2.
Figure 2.2 – Indice des prix des matières premières et commodités (annuels)
Selon la banque mondiale consacrée aux marchés des matières premières, et globale-
ment, depuis l’année 1980, les prix des commodités : Énergie, Métaux et Agricultures
ont diminué, ils continuent à diminuer jusqu’à la fin des années 90. Les prix des pro-
duits énergétiques comme le pétrole et le gaz naturel (...) ont reculé plus que les
métaux et les produits agricoles. Le prix du baril du pétrole brut est tombé à moins
de 30 dollars.
Tandis que depuis le début du 20ème siècle, les prix de ces matières premières com-
mencent à augmenter d’une manière très rapide surtout pour l’énergie. Le prix de
baril dépasse 120 dollars. Cette augmentation rapide s’est bientôt arrêtée et les prix
ont commencé à décliner avec la crise Européenne en 2007-2008, puis trop vite, les
prix sont repris à augmenter après la crise.
À partir de 2011, tous les prix des produits énergétiques, métaux et agricole ont en-
core une fois commencés à diminuer rapidement, les prix des produits énergétiques
sont diminué plus rapidement que les autres produits. Le prix du baril est tombé à
moins de 60 dollars.
Les matières premières (en particulier l’or et le pétrole) jouent un rôle majeur dans
l’indice des prix à la consommation et peuvent être utilisés comme une protection
contre l’inflation comme il est indiqué dans la Figure 2.3. D’après cette figure, l’or
par exemple a moins de sens en tant que protection contre l’inflation, mais il est
très prometteur à plus long terme.
Figure 2.3 – Corrélation basée sur les rendements mensuels depuis 2000
Les commodités offrent aux investisseurs une stratégie de couverture qui leur permet
de diversifier leurs portefeuilles d’investissement entre les actifs financiers classiques
et les matières premières pour diminuer leurs risques (Mensi et al., 2015). Les in-
vestissements dans les matières premières peuvent diversifier le portefeuille, donc
peuvent être utilisées pour améliorer le rapport rendement/risque d’un investisse-
ment comme il est indiqué dans la Figure 2.4.
Les matières premières sont considérées comme un actif souhaitable pour la couver-
ture et la protection des portefeuilles d’investissement (Hammoudeh et al., 2014 ;
Narayan et sharma, 2011 ; Mensi et al., 2017).
Le Credit Suisse 5 conseille d’investir au total 5% dans les matières premières, avec
2,5% sur divers marchés de matières premières et 2,5% en or (s’applique à toutes les
stratégies d’investissement).
5. www.credit-suisse.com/media/assets/private-banking/docs/ch/privatkunden/anlegen/cs-
invest-rohstoffe-en.pdf
Les résultats montrent l’existence de deux régimes différents : l’un est un régime
de crise caractérisé par une forte volatilité et des rendements boursiers significative-
ment négatifs, tandis que l’autre est un régime tranquille caractérisé par une faible
volatilité et des rendements boursiers significativement positifs.
Hamilton (2003) montre que les fluctuations des prix des matières premières ont des
impacts importants sur la performance des économies nationales et internationales.
À l’aide d’un modèle standard d’évaluation des rendements des flux de trésorerie,
Jones and Kaul (1996) prouvent qu’il existe un impact significatif et négatif des
chocs pétroliers sur les cours des actions trimestrielles canadiennes et américaines
après la guerre. Plusieurs modèles basés sur certaines variantes d’analyse VAR (vec-
torielle autorégressive) mettent en évidence des résultats similaires.
Park et Ratti (2008) effectuent une analyse VAR multivariée sur un ensemble des
données des 13 pays européens et les États-unis durant une période s’étendant de
janvier 1986 jusqu’à décembre 2005. Ils constatent qu’il existe un impact significatif
des chocs pétroliers sur les rendements boursiers réels.
Sadorsky (1999) utilise un modèle VAR afin d’examiner la relation entre les prix du
pétrole mensuels, les rendements boursiers de l’indice S&P500, le taux d’intérêt à
court terme et la production industrielle durant la période allant de janvier 1947 à
avril 1996. Il montre que les prix du pétrole et leurs volatilité jouent tous les deux
un rôle important dans la détermination des rendements des actions S&P500.
Papapetrou (2001) teste un modèle vectoriel de corrélation des erreurs sur les don-
nées mensuelles durant une période s’étendant de janvier 1989 à juin 1999 pour la
Grèce. Il montre que les prix du pétrole entrainent la dynamique des cours des ac-
tions.
Chiou et Lee (2009) utilisent le modèle d’intensité de saut autorégressif conditionnel
avec des fluctuations du prix du pétrole attendues ou bien inattendues et négatives
inattendues afin d’étudier les effets asymétriques des prix du pétrole du WTI sur
les rendements boursiers du marché S&P500 pendant la période allant de janvier
1992 à novembre 2006. Ils constatent que les fluctuations des prix du pétrole ont des
effets asymétriques sur les rendements boursiers du marché S&P500.
Filis et al. (2011) utilisent le modèle DCC-GARCH multivarié afin d’analyser les
corrélations variables dans le temps entre les prix du pétrole et le marché boursier
en faisant une distinction entre les pays importateurs du pétrole tels que : Etats-
Unis, Allemagne et Pays-Bas et les pays exportateurs comme : Canada, Mexique et
Brésil. La période d’analyse s’étend de janvier 1988 à septembre 2009. Ils révèlent
que les corrélations entre les prix du pétrole et les actions varient en fonction du
temps. Ces corrélations ne diffèrent pas pour les pays importateurs et exportateurs
du pétrole mais elles dépendent de l’origine des chocs pétroliers.
énergies renouvelables sont faibles à court terme, par contre la relation se renforce
à long terme. Les résultats du test de causalité Granger ont tendance à être liés à
la période de temps.
Ahmad (2017) utilise les méthodes de débordement directionnel et les méthodes
DCC pour examiner l’interdépendance dynamique et les performances d’investisse-
ment de l’indice de l’énergie propre avec les actions de pétrole brut et de technologie.
Les résultats montrent qu’il existe une forte interdépendance qui passe des actions
de technologie à l’énergie propre. Du point de vue de la couverture, le pétrole brut
peut être combiné avec un indice d’énergie propre.
Narayann et sharma (2011) analysent la relation entre le prix du pétrole et le ren-
dement des actions de 560 entreprises américaines. Ils montrent que la hausse des
prix du pétrole a un effet positif sur les rendements des entreprises appartenant
uniquement aux secteurs énergétiques et du transport et que cet effet se manifeste
avec un décalage au fil du temps.
Gorton et Rouwenhorst (2006) montrent que les rendements des matières premières
et des actions sont partiellement négativement corrélés, bien que les primes du risque
sur les contrats à terme sur les commodités et les actions soient les mêmes. Par
conséquent, les deux auteurs concluent que chacun des deux marchés des matières
premières et financières a son propre cycle économique. Ils soulignent également que
la corrélation positive avec l’inflation est l’un des avantages de l’investissement dans
les matières premières.
Nombreuses études examinent la relation entre les marchés des commodités et les
marchés financiers et testent les transmissions et les effets de la volatilité entre les
deux marchés (Du et al., 2011 ; Hassan et Malik, 2007 ; He et Chen, 2011 ; Kumar
et al., 2012 ; Lien et Yang, 2008 ; Sadorsky, 2012 ; Serra, 2011 ; Singh et al., 2010 ;
Syllignakis et Kouretas, 2011 ; Yilmaz, 2010).
Arouri et al. (2012) examinent la volatilité entre les cours des actions pétrolières et
le cours des actions sectorielles en Europe pendant la période allant de janvier 1998
à décembre 2009. Ils utilisent un modèle VAR-GARCH et constatent des effets de
volatilité importants entre les cours du pétrole et les rendements des actions secto-
rielles.
Malik et Ewing (2009) étudient la transmission de volatilités entre cinq indices sec-
toriels américains et le marché du pétrole et l’or durant la période allant de janvier
1992 à avril 2008 à l’aide des modèles GARCH univariés et bivariés. Ils montrent
des preuves de transmissions significatives des volatilités entre les rendements du
pétrole et l’or dans le cas où les ruptures structurelles de la variance sont prises en
compte dans les modèles GARCH.
Hammoudeh et al. (2004) étudient les transmissions de volatilités, les effets du jour
D’un autre côté, plusieurs études révèlent que l’inclusion des matières premières dans
un portefeuille d’investissement permet de gérer les risques pendant les périodes de
récession du marché (crise)(Mensi et al., 2015). Dans ce contexte, Hammoudeh et
al. (2014) utilisent l’approche "Copula flexible" pour évaluer le potentiel de diver-
sification et de couverture fourni par les contrats futurs sur les commodités aux
actions des investisseurs situées en Chine. Ils utilisent les cours de clôture hebdo-
madaire pour le marché boursier chinois et cinq commodités (Grain, Métal, Huiles,
Pchem et soft) au cours de la période allant de juillet 2000 à mai 2013. Les auteurs
montrent qu’il y a des corrélations faibles et positives entre les marchés à terme
des commodités et le marché des actions et ajoutent que les investisseurs chinois
trouvent des opportunités de diversification de leurs portefeuilles des actions. Ainsi,
ils ajoutent que la diversification des portefeuilles entre les actions et les contrats
à terme sur les soft commodités ou bien les contrats à terme sur les métaux non
ferreux peuvent entrainer des pertes importantes pendant les périodes des baisses
sur le marché boursier, dans ce cas, les investisseurs peuvent prendre une position
courte sur les contrats à terme sur les soft commodités et sur les métaux non ferreux
afin d’éviter des pertes extrêmes et diversifier leurs portefeuilles entre des actions
et des contrats à terme sur le pétrole ou les contrats à terme sur le pétrochimique.
Cette stratégie permet de réduire le risque du portefeuille pendant les périodes ex-
trêmes du marché.
Narayan et sharma (2011) élaborent la relation entre le prix de l’or et les cours
des actions et trouvent une faible corrélation entre eux. Ils montrent que l’or est
considéré comme un instrument souhaitable pour la couverture des portefeuilles
d’investissement durant les périodes de forte récession du marché et ça revient.
Creti et al. (2013) utilisent le modèle de corrélation conditionnelle dynamique GARCH
(DCC-GARCH) pour étudier la dynamique de la relation entre 25 matières premières
et le marché boursier S&P500 au cours d’une période allant de janvier 2001 à no-
vembre 2011. Les résultats montrent que la plus faible corrélation entre les deux
marchés apparaît pendant la période de la crise financière 2007-2008. Cette baisse
de corrélation est expliquée par un phénomène d’immigration vers la qualité (flight
to quality). Selon ce phénomène, les investisseurs se débarrassent des actifs financiers
classiques et déplacent leurs capitaux sur les marchés des matières premières comme
des actifs refuges.
Dans la même direction, Mensi et al. (2015) étudient la relations variables dans le
temps entre le marché boursier saoudien et quelques marchés à terme de matières
premières (le pétrole WTI, l’or, l’argent, le blé, le maïs et le riz). Ils suggèrent l’im-
portance de l’inclusion des matières premières dans un portefeuille d’investissement
pour gérer les risques dans le marché saoudien.
Récemment, Mensi et al. (2018) examinent la relation entre les indices boursiers
des pays BRICS et les prix des matières premières (le pétrole et l’or). Ils montrent
des co-mouvements entre les prix du pétrole et les rendements boursiers après la
crise financière 2008-2009. Tandis qu’ils prouvent qu’il n’y a aucune preuve de co-
mouvement entre les indices boursiers des pays BRICS et le prix de l’or et ajoutent
que les métaux précieux jouent le rôle d’actif de couverture pendant les périodes
tranquilles du marché financier et le rôle d’actif refuge pendant les périodes de
baisses des marchés (crise).
Reboredo (2013) utilise l’analyse des copules et des données s’étendant de janvier
2000 à septembre 2011 afin d’examiner si l’or constitue un instrument de couverture
ou un refuge contre les fluctuations des cours du pétrole. Il arrive à des preuves d’une
dépendance positive entre les marchés de l’or et du cours du pétrole, de sorte que
l’or ne peut pas être utilisé comme instrument de couverture contre les fluctuations
du cours du pétrole. Cependant, l’auteur indique que l’analyse de copules a révélé
qu’il y a une indépendance entre les cours du pétrole et de l’or, ce qui montre que
le marché de l’or constitue un refuge contre les chocs négatifs du marché pétrolier.
Ghazali et al. (2013) utilisent le modèle de retard distribué autorégressif (ARDL)
pour étudier le rôle de l’or en Malaisie pendant la période allant de juillet 2001 à
février 2013. Ils montrent que l’or peut jouer un rôle important de couverture et de
refuge dans les marchés émergents durant la crise boursière.
Nagayev et Masih (2013) utilisent des données quotidiennes pour les actions conformes
à la charia et l’or pour la période allant de janvier 1996 à avril 2013 afin d’étudier
la couverture des actions. Ils constatent que l’or conserve sa capacité d’outil de
couverture dans les conditions normales du marché et un refuge durant les crises
financières.
Beckmann et al. (2015) utilisent la régression de transition douce afin d’analyser si
l’or est un instrument de couverture ou de refuge pour 18 marchés individuels ainsi
que cinq indices régionaux pour une période s’étendant de janvier 1970 à mars 2012.
Les résultats montrent que l’or sert de couverture et comme refuge.
Ghazali et al. (2015) analysent les caractéristiques de couverture et de refuge de l’in-
vestissement en or pour le marché boursier en Malaisie. Les constatations montrent
que l’or peut servir de couverture contre les actions domestiques, par contre, il se
comporte mal comme un refuge dans des conditions de marché extrêmes.
Arouri et al. (2015) étudient les effets du rendement et de la volatilité entre les prix
de l’or et le marché boursier en Chine pendant une période allant de 2004 jusqu’à
2011 à l’aide du modèle VAR–GARCH. Ils révèlent que les prix de l’or jouent un
rôle important dans la dynamique du rendement conditionnel et de la volatilité du
marché boursier de la Chine. En outre, les résultats indiquent que l’or est un refuge
pour le marché boursier chinois lors de la récente crise financière mondiale.
De plus, des études empiriques récentes ont démontré aussi que l’or constitue un
refuge contre les risques boursiers. Baur et McDermott (2016) utilisent les données
de l’indice boursier mondial MSCI, de l’or, de l’argent, de la CRB, du S&P500 et des
bons du Trésor américain à dix ans. L’ensemble de ces données s’étend de janvier
1970 à décembre 2013. Les résultats indiquent que l’or est un refuge lors d’évé-
nements politiques et économiques extrêmes (l’attentat terroriste du 11 septembre
2001 et la faillite de Lehman en septembre 2008).
Chkili (2016) utilise le modèle DCC asymétrique pour examiner la corrélation dyna-
mique entre les marchés des métaux précieux et boursiers pour les pays BRICS. Il
indique que la corrélation entre les deux marchés diminue significativement pendant
les périodes de crise, à savoir pendant la crise financière mondiale et la crise de la
dette européenne. L’auteur suggère que l’or peut servir comme un refuge contre les
conditions boursières extrêmes.
Chkili (2017) étudie le rôle de l’or en tant que couverture ou refuge pour certains
marchés boursiers islamiques à l’aide de l’approche Markov. L’ensemble de données
comprend six indices boursiers Dow Jones Islamic (DJI) hebdomadaire y compris le
marché DJI des États-Unis (USDJI), le marché DJI du Canada (CADJI), le déve-
loppement du marché DJI (DEVDJI), le marché DJI du Japon (JPDJI), le marché
DJI du Royaume-Uni (UKDJI) et le marché DJI émergent (EMGDJI). La période
d’analyse s’étend d’avril 2003 à juillet 2015 et couvre deux grandes crises récentes, à
savoir la crise de la dette européenne et la crise financière mondiale. l’auteur trouve
que l’or peut agir comme une couverture faible et un refuge contre les mouvements
extrêmes pour la plupart des marchés boursiers islamiques. Cette constatation a
des implications significatives pour la diversification du portefeuille des actions et
le choix de la stratégie de couverture. Ceci signifie que les investisseurs islamiques
devraient ajouter de l’or dans leur portefeuille, pour réduire le risque et améliorer
la couverture contre la volatilité du marché.
Iqbal (2017) utilise un modèle EGARCH pour examiner si l’investissement dans l’or
fournit une couverture ou un refuge contre les cours boursiers, l’inflation et le taux
de change pour l’Inde, le Pakistan et les États-Unis. L’auteur utilise des données
quotidiennes et mensuelles sur les prix de l’or et les indices boursiers ainsi que des
données mensuelles sur l’indice des prix à la consommation au Pakistan, en Inde et
aux États-Unis. L’indice BSE-100, l’indice KSE-100 et l’indice S&P500 sont utilisés
pour représenter les mouvements globaux des marchés boursiers respectivement en
Inde, au Pakistan et aux États-Unis. L’ensemble de ces données utilisées couvre la
période allant de janvier 1990 à novembre 2013 pour le Pakistan, de janvier 1991
à novembre 2013 pour l’Inde et de janvier 1991 à novembre 2013 pour les États-
Unis. Les résultats montrent que l’or agi comme un refuge ou une couverture contre
les risques sur d’autres marchés d’actifs, mais n’est pas uniformément fort dans les
conditions variables du marché de l’or dans les trois pays.
Les investisseurs sont intéressés à analyser la dynamique des prix des matières pre-
mières métalliques en particulier l’or, dans le but de créer et de concevoir des stra-
tégies d’allocation optimale des actifs, d’optimisation du portefeuille, de couverture
et de réduction des risques (Dorfleitner, 2012 ; Hammoudeh et al., 2014 ; Boako et
Alagidede, 2016 ; Andreasson et al., 2016 ).
Dans la même veine, en ce qui concerne les matières premières, il existe un bon
nombre d’études axées sur le rôle du pétrole dans la couverture des rendements
boursiers. Chang et al. (2010) examinent la possibilité de couvrir les prix au comp-
tant du pétrole et de l’essence avec leurs prix à terme respectifs pour les marchés
émergent. Ils utilisent huit modèles (OLS, GARCH multivarié, correction d’erreur
et espace d’état) pour construire des mesures d’efficacité de couverture. Ils montrent
que l’efficacité de la couverture est plus élevée sur les marchés émergents. Les modèles
de correction d’erreurs CCC-GARCH et CCC (corrélation conditionnelle constante)
sont les plus performants en matière d’efficacité de couverture.
Arouri et al. (2011a) estiment les modèles GARCH bivariés pour étudier les réper-
cussions de la volatilité entre les marchés pétroliers et boursier aux États-Unis et
en Europe. L’analyse a été effectuée à partir des données hebdomadaires durant la
période allant de janvier 1998 à décembre 2009. Ils trouvent des preuves d’un effet
de débordement du pétrole sur les marchés boursiers en Europe et un autre effet
de débordement bidirectionnel entre le pétrole et les marchés boursiers américains.
Pour une couverture d’actions/pétrole, les ratios de couverture optimales calculés à
partir de différents modèles GARCH sont très similaires. Les ratios de couverture
optimales actions/pétrole de l’indice DJ Stoxx Europe 600 se situent entre 0,174 et
0,223. Alors que les ratios de couverture optimale S&P500/pétrole se situent entre
0,142 et 0,199. Les ratios de couverture optimale varient selon les secteurs d’activité.
À titre d’exemple en Europe, le secteur financier a un ratio de couverture optimale
de 0,001 par contre le ratio de couverture optimale dans le secteur des services pu-
blics de 0,176.
Arouri et al. (2011b) emploient des modèles GARCH bivariés afin de déterminer la
transmission du rendement et de la volatilité entre les prix du pétrole et les marchés
boursiers dans les pays du conseil de coopération du golf (GCC) pendant la période
allant de 2005 à 2010. Ils trouvent des preuves des répercussions entre les marchés
du pétrole et boursiers. Les ratios de couverture optimales entre les marchés des
actions du GCC et le pétrole varient entre un intervalle d’un minimum de 0,078 en
Arabie Saoudite à un maximum de 0,429 en Oman.
Arouri et al. (2012) utilisent les modèles VAR-GARCH pour modéliser la dynamique
de la volatilité entre les marchés boursiers européens et le pétrole. Les données uti-
lisées sont hebdomadaires et couvrent la période allant de janvier 1998 à décembre
2009. Ils découvrent des impacts de la volatilité entre les prix du pétrole et les rende-
ments des actions du secteur. Les ratios de couverture optimale entre les actions et
l’huile varient considérablement entre un intervalle d’un minimum de 0,001 (l’indice
Financials) à un maximum de 0,200 (l’indice DJ Stoxx Europe 600).
Chang et al. (2011) examinent l’utilité de BEKK, de CCC, de DCC et de VARMA-
GARCH pour couvrir les prix au comptant du pétrole brut avec les prix à terme
du pétrole brut. Ils prennent en compte les prix du pétrole brut BRENT et WTI
et montrent que les ratios de couverture varient dans le temps. Les calculs d’effi-
cacité de couverture montrent que les couvertures calculées à partir de DCC sont
les meilleures tandis que les couvertures calculées à partir de BEKK sont les moins
efficaces. Contrairement à cela Pan et al. (2014) qui constatent que BEKK affiche
l’efficacité de couverture la plus élevée par rapport à DCC.
Lin et al. (2014) étudient la dynamique de la volatilité et les ratios de couverture
entre les prix des actions au Ghana et au Nigeria et les prix du pétrole, en utilisant
les modèles VAR-GARCH et DCC-GARCH. Ils trouvent que le ratio de couverture
optimale pour le Ghana varie entre 0,51 et 0,40 alors que le ratio de couverture
optimale pour le Nigeria se situe entre 0,56 et 0,50.
Sadorsky (2012) étudie la dynamique de la volatilité entre les prix des actions des
sociétés d’énergie propre, des entreprises technologiques et des prix du pétrole. La
période d’analyse allant de janvier 2001 à décembre 2010, en utilisant des modèles
GARCH (1,1) multivariés. Il affirme que le ratio de couverture optimal moyen entre
les sociétés d’énergie propre et le pétrole est de 0,20.
Sadorsky (2014) étudie la dynamique de la volatilité entre les prix des actions des
marchés émergents, les prix du pétrole, les prix du cuivre et les prix du blé à l’aide
des modèles GARCH multivariés. L’analyse est effectuée à partir des données quo-
tidiennes couvrant la période allant de janvier 2000 à juin 2012. L’auteur démontre
que le pétrole constitue la couverture la moins coûteuse pour les actions des marchés
émergents 0,12 tandis que le cuivre est le plus cher 0,25.
Chkili et al. (2014) font recours à un modèle de corrélation conditionnelle dynamique
multivariée avec la spécification GARCH de puissance asymétrique partiellement in-
tégrée (DCC-FIAPARCH) afin d’analyser des propriétés variables des rendements
et de la volatilité du pétrole brut et des actions américains pendant la période allant
de 1988 à 2013. Ils indiquent que l’investisseur sur les marchés américaines devrait
avoir plus d’actions de pétrole brut en tant qu’actifs dans le portefeuille dans le but
de minimiser le risque global du portefeuille.
En ce qui concerne les matières premières, l’or et pétrole sont considérés comme les
instruments les plus populaires en terme de couverture des rendements en raison de
leur capacité à protéger les investisseurs lors des mouvements boursiers extrêmement
négatifs (Baur et Lucey, 2010 ; Gürgün et Ünalmiş, 2010 ; 2014, Lucey et Li, 2015 ;
Sadorsky, 2012 ; 2014 ; Basher et Sadorsky, 2016 ; Arouri et al., 2011 ; 2012 ; 2015 ;
Raza et al., 2018).
Mensi et al. (2017) analysent les équi-corrélations variant dans le temps et les effets
entre le pétrole brut, l’or et les agrégats DJ conventionnels, durables et islamiques
le Portugal et avril 1998 pour la Grèce et l’Italie, toutes les périodes d’analyse
s’étendent à décembre 2015. Les résultats empiriques montrent principalement que
l’or est une forte couverture pour le portefeuille d’actions, sauf lorsque les marchés
sont dans une situation de sous-pression. Les mêmes auteurs indiquent que le phé-
nomène de la fuite vers la sécurité est de courte durée car les obligations de référence
nationales présentent une dépendance positive vis-à-vis des indices boursiers de leurs
pays respectifs à divers quantiles. Contrairement à la littérature existante, la mé-
thode QQ suggère que les taux d’intérêt spot agissent comme des refuges pour le
portefeuille d’actions, mais pas l’or.
Nombreuses auteurs indiquent que l’utilisation des contrats à terme VIX semble être
comme un outil de couverture des actions (Moran et Dash, 2007 et Szado, 2009).
Warren (2012) révèle que les contrats à terme sur VIX peuvent améliorer potentiel-
lement la performance des portefeuilles d’actions.
Hood et Malik (2013) évaluent le rôle des métaux précieux et de l’indice de volatilité
(VIX) comme outils potentiels de couverture (corrélation négative avec les actions)
ou de refuge (corrélation négative avec les actions pendant les baisses des marchés)
sur le marché boursier américain. L’ensemble des données utilisées pendant la pé-
riode d’analyse sont quotidiennes s’étendant de novembre 1995 à novembre 2010.
Ils constatent que l’or sert de couverture et de refuge pour le marché boursier amé-
ricain. Cependant, ils trouvent que l’indice VIX sert de couverture très forte et de
refuge pendant la période d’analyse. De même, ils constatent que dans les périodes
de volatilité extrême, l’or n’a pas de corrélation négative avec le marché boursier
américain.
Bahaji et aberkane (2016) montrent qu’un investisseur maximisant l’utilité avec un
niveau possible d’aversion au risque, peut utiliser VIX futures pour améliorer signi-
ficativement son portefeuille des actions. Ils révèlent également que les contrats à
terme VIX offrent une amélioration significative par rapport aux fonds spéculatifs
et aux matières premières. Les résultats montrent que l’investissement à terme VIX
peut générer une utilité significativement plus faible que prévue.
Récemment, nous trouvons des études empiriques qui ont utilisées les matières pre-
mières les plus connues (le pétrole, l’or) et l’indice de volatilité VIX, OVX et le
taux d’intérêt spot à l’aide des trois variantes du modèles de GARCH multivariés :
DCC, ADCC et GO-GARCH afin de couvrir les investissements dans les actions.
Ils trouvent des résultats différentes. Basher et Sadorsky (2016) utilisent les trois
variantes de modèles de GARCH multivariés : DCC, ADCC et GO-GARCH pour
modéliser les volatilités et les corrélations conditionnelles entre les prix des actions
des marchés des pays émergents, les prix du pétrole, les prix de l’or, l’indice de
volatilité VIX et le taux d’intérêt spot. Les trois modèles mesurent l’efficacité de
couverture de ces variables pour les marchés émergents. Ils utilisent des données
quotidiennes couvrant la période s’étendant du 4 janvier 2000 au 31 juillet 2014.
Les résultats montrent que les prix des actions des marchés des pays émergents et
les prix du pétrole affichent chacun des effets de levier positifs. Les résidus négatifs
ont tendance à augmenter la variance ou la volatilité conditionnelle plus que les
résidus positifs. Ainsi les ratios de couverture varient considérablement au cours de
la période d’analyse, ce qui indique que les positions couvertes devraient être mises
à jour régulièrement. De même, les auteurs montrent que le pétrole est considéré
comme une bonne couverture pour les cours des actions des marchés émergents car
l’efficacité de couverture du pétrole est la plus élevée dans la plupart des cas.
Ahmad et al. (2017) examinent l’utilité d’utiliser les prix du pétrole, de l’or, le taux
d’intérêt spot, du VIX, de l’OVX et du carbone européen pour couvrir un inves-
tissement dans des actions d’énergie propre à l’aide de trois variantes du modèle
de GARCH multivariés : DCC, ADCC et GO-GARCH. Ils utilisent des données
quotidiennes couvrant la période s’étendant de mars 2008 à octobre 2017. Les au-
teurs examinent comment le pétrole brut, l’or, le taux d’intérêt spot, VIX, OVX
et les prix carboniques européens peuvent être utilisés pour réduire et couvrir le
risque d’investissement dans des actions d’énergies propres. Les résultats montrent
que VIX est le meilleur actif pour protéger des actions d’énergie propres suivi par le
pétrole brut et OVX. Ceci est un nouveau résultat quant à la littérature existante
sur l’investissement dans les actions d’énergies propres et celui qui est intéressant
aux investisseurs actuels et futurs dans des actions d’énergies propre. Globalement
les résultats montrent que l’indice de volatilité (VIX) est un outil de couverture très
fort et sert de meilleur refuge que l’or au cours de la période d’analyse.
Plus récemment, Raza et al. (2018) examinent la performance de couverture des
contrats à terme sur matières premières pour les portefeuilles des actions améri-
caines. Ils appliquent la technique DCC asymétrique pour construire la corrélation
conditionnelle et les ratios de couverture optimale entre les rendements des actions,
le pétrole, l’or, les commodités et le taux d’intérêt spot, à court et à long terme.
L’ensemble des données utilisées couvre la période de janvier 2004 à septembre 2015.
Les résultats de la couverture indiquent que le pétrole constitue une bonne couver-
ture efficace pour les rendements immobiliers comparativement à l’or, aux taux
d’intérêt spot et aux commodités. Les matières premières et l’or offrent la meilleure
opportunité de couverture efficace à l’investissement immobilier pour des horizons
de placement à court et à long terme, respectivement. Le rôle de l’or en tant qu’actif
de couverture et de valeur refuge pour les marchés boursiers et obligataires a fait
l’objet d’études approfondies depuis le début des années 2000 (Lucey et Li, 2015).
D’un autre côté, Basher et Sadorsky (2016) examinent et mettent en évidence les
capacités de couverture du pétrole pour les marchés boursiers des pays émergents.
L’or est considéré comme un instrument de couverture contre l’inflation, au fil du
temps et peut donc mieux être une couverture à plus long terme. L’indice des com-
modités S&PGSCI comprend un ensemble de produits de base les plus liquides avec
un poids plus élevé attribué aux produits énergétiques et pourrait donc constituer
une meilleure couverture à court terme pour le secteur immobilier. Ces résultats ont
des implications importantes pour les investisseurs désireux de protéger les investis-
sements dans les actions.
Les études sur la gestion des risques qui utilisent des produits dérivés considèrent
généralement les produits dérivés comme des instruments de couverture (Aretz et
Bartram, 2010). Ratner et Chiu (2013) examinent les avantages potentiels des CDS
contre le risque sur les marchés boursiers américains pendant la période allant de
2004 à 2011. Les tests sur les coefficients de corrélation conditionnels dynamiques de
GARCH indiquent que les CDS constituent une protection efficace contre le risque
dans tous les secteurs des actions. Les CDS constituent également un refuge sûr pen-
dant la période de volatilité extrême des marchés boursiers et pendant la période de
crise financière dans un nombre limité de secteurs.
Calice et al. (2013a) étudient le CDS en tant que couverture de rendement po-
tentielle. Ils utilisent un échantillon de données CDS d’entreprise portant un nom
unique pour des entreprises américaines durant la période allant de 2004 à 2010.
Les auteurs concluent qu’un portefeuille de CDS est extrêmement rentable. dans
une autre publication Calice et al. (2013b) montrent que les CDS sont des actifs
financiers uniques présentant une forte corrélation négative par rapport aux actions.
Les auteurs soutiennent que les CDS constitue une couverture partielle importante
contre les actions, les investissements en devises et les produits de base.
Dans le même contexte, Caporin (2013) affirme que le CDS peut être utilisé comme
une stratégie de couverture contre le risque lié au secteur des actions, résultant de la
crise liée aux marchés obligataires. Par conséquent, une personne ou une entreprise
exposée à un risque de crédit élevé peut en atténuer une partie en achetant une
protection dans le cadre d’un contrat de type CDS.
Conclusion
Dans ce chapitre, nous avons concentré tout d’abord sur l’étude des relations entre
les marchés financiers et les indicateurs macroéconomiques, ensuite sur la relation
entre les marchés financiers et les marchés des matières premières et enfin nous avons
focalisé sur les stratégies de couverture du rendement boursier. L’analyse des effets
des nouvelles annonces macroéconomiques sur les marchés financiers indique que la
réponse des marchés financiers à ces nouvelles dépend de l’état de l’économie (Blan-
chard, 1981 ; Orphanides, 1992). Ces mêmes nouvelles macroéconomiques peuvent
parfois être de bonnes nouvelles et d’autres fois de mauvaises nouvelles pour les
actifs financiers durant les expansions économiques ou récessions (Andersen et al.,
2007). De nombreuses publications prouvent que les annonces macroéconomiques
concernant certains indicateurs macroéconomiques comme l’inflation, l’emploi, le
taux d’intérêt, le chômage,et la politique monétaire ont un effet significatif sur les
marchés financiers (Rangel, 2011 ; Boyd et al., 2005 ; Onder et Mugan, 2006 ; Lee
et Chang, 2011 ; Cakan, 2012). L’étude des relations entre les marchés financiers et
les variables macroéconomiques en particulier le taux d’intérêt spot, est considéré
comme une couverture contre le risque (Shahzad et al., 2017).
Ensuite, l’étude des liens entre les marchés financiers et les marchés des matières pre-
mières révèle une relation entre ces deux marchés et qu’il sont interconnectés. Cette
relation se renforce durant les périodes des crises financières (Creti et al., 2013). La
volatilité dynamique des prix des matières premières et des cours des actions fournit
des informations utiles sur la diversification des portefeuilles d’investissement entre
les actifs financiers classiques et les matières premières afin de faire limiter leurs
risques (Mensi et al., 2015). Les investissements dans les marchés des matières pre-
mières offrent aux investisseurs des stratégies de couverture contre le risque surtout
durant les périodes de turbulence et les crises financières (Hammoudeh et al., 2014 ;
Mensi et al., 2017 ; Chkili, 2016 ; 2017 ; Arouri et al., 2015).
Pour la couverture du rendement boursier, nombreuses études (Basher et Sadorsky,
2016 ; Ahmad et al., 2017 ; Raza et al., 2018 ; Lucey et Li, 2015 ; Baur et McDermott,
2016 ; Shahzad et al., 2017 ; Bianconi et al., 2013 ; Moran et Dash, 2007 ; Szado, 2009 ;
Hood et Malik, 2013 ; Caporin, 2013 ; Calice et al., 2013ab ; Ratner et Chiu, 2013)
prouvent que la diversification des portefeuilles entre les matières premières et les
variables macroéconomiques, l’inclusion de l’indice de volatilité VIX et les contrats
CDS permet de couvrir le rendement boursier contre les risques.
Introduction
À l’issue des études empiriques que nous avons exposées dans le chapitre précédent,
nous pouvons étudier également la dynamique des corrélations conditionnelles et la
couverture afin d’identifier l’instrument qui donne l’efficacité de couverture la plus
élevée pour les rendements boursiers du marché américain (S&P500) dans le but de
créer et de concevoir des stratégies d’allocation optimale des actifs, d’optimisation
du portefeuille, de couverture et de réduction des risques.
Malgré l’importance des travaux effectués sur ce sujet, les résultats restent toujours
diversifiés, certains auteurs trouvent que les matières premières, en particulier l’or
et le pétrole ont des capacités à protéger les investissements, par contre d’autres
montrent que l’indice de volatilité et le taux d’intérêt SPOT sont des instruments
de couverture pour les rendements boursiers. Cette diversité des résultats peut être
attribuée à plusieurs facteurs tels que la spécificité des pays, la diversité des tech-
niques d’analyse utilisées (telles que M-GARCH : CCC, DCC, ADCC, BEKK), la
diversité des périodes d’analyse et à d’autres facteurs externes affectant la qualité
des résultats.
Pour notre étude, afin d’étudier la dynamique des corrélations conditionnelles et la
couverture des rendements boursiers, nous procédons à une analyse empirique à par-
tir d’un échantillon de quatre variables qui sont les prix du pétrole (OIL), l’indice de
volatilité (VIX), les prix de l’or (GOLD) et le taux d’intérêt spot (BONDS) pour la
période allant du 12 septembre 2006 au 28 avril 2017. Les régressions sont effectuées
à l’aide du logiciel R.
61
CHAPITRE 3. LA DYNAMIQUE DES RENDEMENTS BOURSIERS :
CORRÉLATIONS CONDITIONNELLES ET COUVERTURE
l’or sont mesurés par le contrat à terme sur l’or sur Chicago Mercantile Exchange,
les cours sont côtés en dollar par troy once 1 . Les taux d’intérêt spot des obligations
sont mesurés par le contrat à terme continu sur Chicago Mercantile Exchange sur le
bon du Trésor américain à 10 ans.
Nous utilisons des données quotidiennement et s’étale sur la période comprise entre
12 septembre 2006 et 28 avril 2017. Soit un total de 2675 observations. Le choix de
la date de début est justifier par la disponibilité des données sur les différentes va-
riables. Nous prenons la date commune pour toutes les variables incluses dan l’étude.
Les cours de l’indice du marché boursier américain S&P500 sont accessibles auprès
Federal Reserve Bank of St. Louis. Les prix de pétrole sont disponibles auprès EIA
website. Les données VIX sont disponibles auprès de Yahoo Finance. Tandis que
les prix de l’or et les taux d’intérêt SPOT des obligations sont obtenus à partir de
Quandl website. Tous les cours sont en dollars américains sauf le VIX sont coté en
pourcentage.
Nous remarquons que le modèle GO-GARCH est sous-utilisé parce que DCC est
très facile à estimer pour un grand nombre de paramètres et intuitif à expliquer.
Donc nous allons utiliser dans ce document les modèles DCC, ADCC et GO-GARCH
pour construire les corrélations conditionnelles dynamiques et les ratios de couver-
ture à l’aide d’une analyse par fenêtre roulante. Cette technique est utilisée pour
atténuer les effets de la dynamique changeante, du changement structurel et de l’hé-
térogénéité des paramètres.
Soit rt un vecteur de dimension n × 1 qui se compose des rendements des actifs
(EM, OIL, VIX, GOLD et BONDS). AR(1) est un processus pour Rt conditionnel
à l’ensemble d’informations It−1 peut être écrit comme suit :
rt = u + art−1 + εt (3.1)
La spécification des résidus peut être illustrée comme l’indiquer dans la relation 3.2.
1/2
εt = Ht zt (3.2)
1 Le modèle DCC-GARCH
Ht = Dt Rt Dt (3.3)
Qt est une matrice définie positive symétrique qui peut être écrite comme suit :
qi,j,t
ρi,j,t = (3.8)
qi,i,t qj,j,t
2 Le modèle ADCC-GARCH
Cappiello et al. (2006) ont développé un nouveau modèle, c’est le modèle Asymétrie
DCC, ils s’appuient sur le modèle DCC et le modèle GARCH asymétrique de Glosten
et al. (1993) afin de créer le modèle ADCC.
L’indicateur de la fonction I(εi,t−1 ) est égal à 1 si εi,t−1 < 0 sinon l’indicateur est
égal à 0. La valeur positive de d ne signifie pas que les résidus négatifs ont tendance
à augmenter la variance plus que les résidus positifs. L’effet de levier ou bien l’effet
de l’asymétrie est désigné pour capturer les caractéristiques observées des actifs
financiers, une baisse non anticipée des cours des actifs d’où à accroitre la volatilité
plus que l’augmentation non anticipée des cours des actifs de même ampleur. Cela
signifie que les mauvaises nouvelles permettent d’augmenter la volatilité plus que
les bonnes nouvelles. La dynamique de Q pour le modèle ADCC s’exprime par cette
relation :
−
Qt = (Q−A0QA−B0QB −G0Q G)+A0Zt−1 Z0t−1 A+B0Qt−1 B +G0Zt− Z0−
t G (3.10)
3 Le modèle GO-GARCH
rt = mt + εt (3.11)
Le mélange de la matrice A est décomposé en deux, l’une des deux est une matrice
covariance inconditionnelle σ et l’autre est une matrice rotationnelle (matrice ortho-
gonale U ).
la formule de ce mélange matriciel peut être écrite de la manière suivante :
A = Σ1/2 U (3.13)
Dans ce mélange matriciel, les colonnes sont les facteurs (f ) et les lignes sont des
actifs.
(f ) peut être spécifié comme suit :
1/2
ft = Ht Zt (3.14)
Le modèle GO-GARCH de Van der Weide (2002) à deux hypothèses clés, la première
A variable dans le temps et la seconde Ht est une matrice diagonale. Nous obtenons
le modèle GO-GARCH, si nous restreignons A pour être orthogonal.
V ar(RH,t It−1 ) = V ar(RS,t It−1 ) − 2γt cov(RF,t , RS,t It−1 ) + γt2 V ar(RF,t It−1 ) (3.18)
Les ratios de couverture optimale sont les γt qui permettent de minimiser la variance
conditionnelle du portefeuille couvert. Pour obtenir le ratio de couverture optimale
conditionnelle à l’ensemble d’informations It−1 , il faut se prendre la dérivée partielle
Avec :
hSF,t , la covariance conditionnelle entre les rendements au comptant et à terme.
hF,t , la variance conditionnelle des rendements futurs.
La performance de ratio de couverture optimale obtenue à partir de différents mo-
dèles GARCH est mesurée à l’aide de l’utilisation de l’indice d’efficacité de couver-
ture (HE : Hedging Effectiveness) (Chang et al., 2011 ; Ku et al., 2007).
V arunhedged − V arhedged
HE = (3.21)
V arunhedged
Un indice plus élevé indique une plus grande efficacité de couverture.
a le moins de variabilité.
Les deux tests Jarque Bera et ARCH LM témoignent la présence de deux problèmes,
problème de normalité et d’hétéroscédasticité. Le test Jaque Bera révèle que chaque
série est loin d’être normalement distribuée. Les tests ARCH LM (12) montrent de
fortes évidences d’effets ARCH. Par conséquent, nous trouvons le cas d’effets de re-
groupement puissants pour toutes les séries. En effet, toutes les variables présentent
une corrélation sérielle significativement élevée des rendements carrés.
EM($US) OIL($US/bbl)
VIX GOLD($US/ounce)
BONDS($US)
Les graphiques des séries temporelles des rendements au carré (Figure 3.2) montrent
comment la volatilité a changé au fil du temps. Chaque série affiche plusieurs pé-
riodes de regroupement de la volatilité. En particulier, chaque série montre une
concentration de volatilité à propos de la crise financière de 2008-2009, l’effet étant
plus prononcé pour le marché boursier S&P500 et l’industrie pétrolière.
EM OIL
VIX GOLD
BONDS
2 Résultats de la régression
La stratégie de modélisation consiste à estimer d’abord plusieurs versions du mo-
dèle DCC. Chaque version comprenait une constante dans l’équation moyenne et
une équation de variance GARCH (1,1). Des ajustements ont été faits pour inclure
un terme AR (1) dans l’équation moyenne et au choix de la distribution. L’ensemble
des critères de sélection des modèles indiquent que le modèle DCC (A) avec un
terme AR (1) dans l’équation moyenne estimée avec une distribution t à variables
multiples convient le mieux (Tableau 3.3). Donc, tous les modèles DCC, ADCC et
GO-GARCH sont estimés avec un terme AR (1) dans l’équation moyenne. Afin de te-
nir compte de la non-normalité dans la distribution des rendements, le modèle DCC
et ADCC sont estimés avec une distribution t multivariée. Le modèle GO-GARCH
est estimé avec une distribution multivariée affine négative gaussienne (MANIG), la
distribution t multivariée n’est pas une option pour ce modèle.
Les estimations des paramètres DCC et ADCC sont présentées dans le Tableau 3.4.
Le coefficient estimé sur le terme AR (1) (a) dans l’équation moyenne est négatif
et statistiquement significatif dans les équations EM et VIX, tandis qu’il est positif
dans l’équation GOLD mais non significatif. Ces coefficients révèlent l’existence d’un
lien entre le EM et les valeurs historiques du VIX.
La persistance à court terme α est évidente dans la plupart des variables, car le
coefficient estimé sur α est statistiquement significatif. Le coefficient estimé sur la
persistance à long terme β est statistiquement significatif pour chaque variable in-
diquant l’importance de la persistance à long terme. Dans chaque cas la persistance
à court terme (α) est inférieure à la persistance à long terme (β) ce qui indique que
la volatilité à long terme est plus intense que celle de court terme. La signification
statistique des persistances à court et long terme fournit des preuves du regroupe-
ment de la volatilité.
Le terme asymétrique estimé (γ) est positif et statistiquement significatif pour EM,
OIL et BONDS, ce qui indique que pour les EM, OIL et BONDS les résidus négatifs
tendent à augmenter la variance (volatilité conditionnelle) plus que les chocs positifs
de même amplitude. Le terme asymétrique estimé est négatif et statistiquement si-
gnificatif pour VIX et GOLD, ce qui indique que pour ces séries, les résidus négatifs
ont tendance à diminuer la variance, des effets de levier différents peuvent résulter de
différentes activités d’arbitrage, de l’hétérogénéité et de l’information asymétrique.
Les coefficients estimés θ1 , θ2 et θ3 sont positifs et statistiquement non significatifs
dans chacune des deux modèles (DCC et ADCC), sauf le coefficient estimé θ2 du
modèle ADCC est statistiquement significatifs au niveau de 1%. Ces coefficients es-
timés totalisent une valeur inférieure à 1, ce qu’indique le retour à l’équilibre.
Pour le paramètre Shape (λ) est égal aux degrés de liberté, nous avons trouvé que
OIL et BONDS ont les paramètres de Shape les plus élevés estimés (plus de 8) in-
diquant que les distributions des autres séries de données (EM, VIX, GOLD) ont
chacune des queues plus lourdes que les distributions d’OIL et BONDS. Le para-
mètre Shape est égal aux degrés de liberté, lorsque le nombre de degrés de liberté
se rapproche de l’infini, la forme de la distribution t se rapproche de celle d’une
normale. L’ensemble des critères d’information montrent que le modèle ADCC est
le meilleur modèle.
Pour le modèle GO-GARCH, il est habituel de présenter dans le Tableau 3.5 la ma-
trice de rotation (U ), la matrice de mélange (A) et les estimations des paramètres.
La matrice de rotation U est orthogonale car U T U = I. Notez que depuis les
facteurs d’estimation de GO-GARCH, aucune erreur standard n’est estimée. Pour
chaque facteur, la persistance estimée à long terme (β) est considérablement supé-
rieure à la persistance à court terme (α), ce qui est cohérent avec les résultats des
modèles DCC et ADCC. Nous avons trouvé que le quatrième facteur affiche plus de
variations à court terme et moins de variations à long terme.
que les corrélations EM/BONDS produites à partir des modèles DCC et ADCC se
suivent de près, elles sont très similaires. Tandis que les corrélations estimées à partir
du modèle GO-GARCH montrent une tendance différente.
Pour chaque paire de corrélations, les corrélations conditionnelles dynamiques pro-
duites à partir du modèle DCC et ADCC sont en corrélation très élevée (Tableau
3.6). Pour chaque paire de corrélations, les corrélations entre DCC et GO-GARCH
ou ADCC et GO-GARCH sont considérablement inférieures, ce qui est cohérent avec
la figure 3.3. Cette constatation est similaire à ceux de Basher et Sadorsky, (2016).
Une façon d’étudier ces différences est d’analyser les surfaces de corrélation d’impact
des actualités. La corrélation la plus faible entre DCC et GO-GARCH ou ADCC et
GO-GARCH se produit pour EM/VIX (Figure 3.4).
La surface de corrélation de l’impact des actualités du modèle DCC entre EM et VIX
montre une forme intéressante. Le long de l’axe z1 (EM), les surfaces de corrélation
entre EM et VIX présentent un profil positif à négatif. Tandis que, le long de l’axe
z2 (VIX), les surfaces de corrélation décrivent une relation négative à positive. Dans
les deux cas, les chocs sur EM ou VIX ont des effets asymétriques sur la corrélation
entre ces deux actifs. La surface de corrélation de l’impact des nouvelles de l’ADCC
entre EM et VIX montre une forme très similaire à celle de la DCC.
Dans le cas du GO-GARCH, la surface de corrélation de l’impact de ce modèle
présente plus de symétrie que celle du DCC ou de l’ADCC. Ceci est attendu puisque
les facteurs GO-GARCH sont orthogonaux. Notons également que les corrélations
entre EM et VIX sont toutes négatives dans le cas du GO-GARCH. Rappelons,
cependant, que pour le GO-GARCH, les coups de feu se rapportent à des facteurs.
Les surfaces de corrélation d’impact des nouvelles de DCC et de ADCC sont très
semblables les unes aux autres et convexes. Tandis que la surface de corrélation
d’impact des nouvelles de GO-GARCH entre EM et VIX montre une forme très
différente de celle correspondant à la DCC ou ADCC, la surface de corrélation de
l’impact de l’information de ce modèle est concave. Notre analyse des surfaces de
corrélation d’impact des actualités est cohérente avec celle de Basher et Sadorsky
(2016).
Conclusion
mement, en se basant sur les ratios de couverture, notre résultat indique que l’or est
considéré comme une bonne couverture pour les cours des action du marché boursier
S&P500, car les couvertures EM/GOLD ont les plus grandes efficacités de couverture
que EM/OIL, EM/VIX et EM/Bonds. Finalement, nous avons trouvé que l’effica-
cité de couverture la plus élevée de EM/GOLD et EM/BONDS est produits par le
modèle GO-GARCH.
Les investisseurs sur les marchés financiers sont exposés au risque de perdre la ren-
tabilité potentielle sur leurs placements. Ils nécessitent d’adopter des stratégies de
gestion, de diversification et de couverture contre les risques offertes sur leurs por-
tefeuilles. Cette problématique a suscité un regain d’intérêt de la part des universi-
taires, des analystes financiers, et bien évidemment des investisseurs.
Pour cette raison, l’objet de notre étude était d’investiguer la dynamique des corré-
lations conditionnelles et les ratios de couvertures afin d’identifier l’instrument qui
donne l’efficacité de couverture la plus élevée pour les rendements boursiers du mar-
ché S&P500. Nous avons mis l’accent sur les matières premières (en particulier le
pétrole et l’or) ainsi l’indice de volatilité et le taux d’intérêt spot grâce à leurs capa-
cités de couverture comme l’indiquent dans la plupart des études et des recherches
qui mettent en évidence la couverture des rendements boursiers comme nous avons
vu précédemment dans le deuxième chapitre.
Pour mettre lumière sur cette étude, nous avons divisé notre travail en trois cha-
pitres, deux théorique et un seule chapitre empirique. Dans notre premier chapitre
nous avons essayé de présenter le cadre général dans le premier chapitre, nous avons
présenté le marché financier dans toutes ses dimensions, l’importance de l’informa-
tion sur le marché financier pour les investisseurs et enfin, nous avons analysé le
risque des actifs financiers et l’importance de la diversification afin de réduire le
risque des placements.
D’autre part, dans le deuxième chapitre, notre objectif a été de faire l’étude de la
relation entre les marchés financiers et les variables macroéconomiques et les ma-
tières premières. Ensuite, nous avons présenté les études qui mettent l’accent sur
la couverture des rendements boursiers. Les résultats des études sur le lien entre
les marché financiers, les variables macroéconomiques puis les matières premières
montrent que les marchés financiers sont interconnectés avec les variables macroé-
conomiques et les marchés des matières premières. Cette corrélation se renforce sur-
tout pendant les périodes de crises financières. Ces études révèlent également que les
variables macroéconomiques et les matières premières fournissent des informations
utiles sur la diversification des portefeuilles et offrent des stratégies de couverture
87
CONCLUSION GÉNÉRALE
contre les risques. Ensuite les études sur la couverture de rendement présentent
des résultats différents. Plusieurs études montrent que les matières premières sont
considérés comme de nouveaux alternatifs de diversification des portefeuilles grâce à
la capacité de couverture de l’or et du pétrole en particulier. Ainsi, d’autres études
montrent que l’indice de volatilité VIX et le taux d’intérêt spot révèlent des résultats
similaires à ceux des matières premières, ces variables fournissent des information
et des stratégies utiles sur la diversification des portefeuilles. Ces variables offrent
aussi de nouvelles stratégies de couverture contre les risques. Durant les périodes
de turbulences et de crises financières, l’or en particulier est considéré comme une
bonne couverture et qu’un actif refuge pour les investissements. Cette diversité des
résultats peut être attribuée à plusieurs facteurs tels que la spécificité des pays, la
diversité des techniques d’analyse utilisées, la diversité des périodes d’analyse et
d’autres facteurs externes affectant la qualité des résultats.
Enfin, concernant la partie empirique, nous avons essayé d’étudier la dynamique des
rendements boursiers : corrélation conditionnelle et couverture. Nous prenons comme
échantillon l’indice boursier américain (S&P500) et les prix du pétrole (OIL), l’indice
de volatilité (VIX), les prix de l’or (GOLD) et le taux d’intérêt spot des obligations
zéro-coupon (BONDS). Nous utilisons des données quotidiennement et s’étale sur
la période comprise entre le 12 septembre 2006 et le 28 avril 2017. Pendant cette
période, nous avons en total 2675 observations. Pour atteindre notre objectif nous
avons utilisé les trois variantes GARCH multivariés qui sont le modèle DCC, ADCC
et GO-GARCH. Ces modèles présentent plusieurs avantages sont conçus pour ré-
soudre certains des problèmes rencontrés avec les modèles BEKK et VECH. De
plus, les modèles DCC, ADCC et GO-GARCH sont faciles à estimer, appropriés
pour examiner les corrélations variables dans le temps entre les variables de produit
et économiques (Chang et al., 2011 ; Ciner et al., 2013) et ils sont largement utilisés
pour estimer et calculer les ratios de couverture.
Les résultats des corrélations conditionnelles dynamiques pour l’échantillon global
montrent que les corrélations EM/OIL, EM/GOLD, EM/BONDS fluctuent entre
des valeurs négatives et positives pour les trois modèles GARCH. Tandis que les
corrélations EM/VIX sont négatives pour les trois modèles, ce résultat suggère des
avantages de diversification significatifs. Par ailleurs, les résultats des ratios de cou-
verture montrent que les couvertures EM/GOLD ont les plus grandes efficacités de
couverture, donc l’or joue le rôle d’un actifs refuge pour les investisseurs sur le mar-
ché S&P500.
Nos résultats ont des implications importantes pour les investisseurs qui recherchent
des rendements plus élevés sur les actions du S&P500 tout en couvrant leur risque
extrême dans le cadre de la construction du portefeuille. Les résultats de l’efficacité
de la couverture est la plus élevée pour les couvertures EM/GOLD, ce qui indique
que l’or offre l’opportunité de couverture la plus levée par comparaison à l’OIL, VIX
et BONDS. Donc en ce qui concerne les investissements sur le marché S&P500, L’or
peut servir comme un refuge durant les crises financières et un outil de couverture
contre les conditions boursières extrêmes, parce que l’or ne perdre pas ça valeur.
Les résultats montrent ainsi des corrélations dynamiques négatives entre EM/VIX
suggérant un avantage économique de la diversification.
Par ailleurs, nous trouvons au niveau des technique d’estimations, une supériorité
du modèle GO-GARCH en terme de prévisions des corrélations dynamiques et de
détermination des ratios de couverture.
Nos suggestions aux chercheurs universitaires et les analystes financiers qui veulent
a étudier la corrélation, la diversification et les propriétés de couverture des rende-
ments boursiers d’utiliser une technique d’estimation relativement nouvelle appelé
la méthode de quantile sur le quantile. Le principal avantage de cette approche est
sa capacité à modéliser relations économiques (la structure de dépendance) dans son
intégralité par rapport à des techniques naïves anciennes telles que la méthode MCO
et la régression quantile standard. L’approche QQ capture la dépendance entre les
distributions entières d’actifs financiers et affiche certaines caractéristiques nuan-
cées de la relation. Cette technique est récemment développée et récemment utilisé,
il montrent des résultats contrairement différentes à la littérature existante.
De plus, comme des variables de couverture hors qui nous utilisons, nous suggérons
d’ajouter des autres variables telles que les contrats de Credit Default Swap (CDS).
D’un autre volet, il existe une possibilité de construire une portefeuille de couverture
macroéconomique. Les annonces macroéconomiques sont l’élément clé pour la com-
position du ce portefeuille. Cette technique génère une prime de risque, elle peut
être interprétée comme une assurance pour la couverture de futurs changements
inattendus. Nous suggérons d’étudier cette nouvelle technique de couverture.
Ahmad, W., 2017. On the dynamic dependence and investment performance of crude
oil and clean energy stocks. Res. Int. Bus. Finance 42, 376–389.
Ahmad, W., Sadorsky, P., & Sharma, A. (2018). Optimal hedge ratios for clean
energy equities. Economic Modelling, 72, 278-295.
Altman, E. I., Jacquillat, B., & Levasseur, M. (1974). Comparative analysis of risk
measures : France and the United States. The Journal of Finance, 29(5), 1495-1511.
Anand, R., & Madhogaria, S. (2012). Is gold a ‘safe-haven’ ?-An econometric analy-
sis. Procedia Economics and Finance, 1, 24-33.
Andersen, T. G., Bollerslev, T., Diebold, F. X., & Vega, C. (2007). Real-time price
discovery in global stock, bond and foreign exchange markets. Journal of internatio-
nal Economics, 73(2), 251-277.
Anderson, H. D., Balli, F., & Godber, C. (2017). The effect of macroeconomic an-
nouncements at a sectoral level in the US and European Union. Research in Inter-
national Business and Finance.
Andersson, M., Krylova, E., Vähämaa, S., 2008. Why does the correlation between
stock and bond returns vary over time ? Appl. Financ. Econ. 18, 139–151.
Apergis, N., & Payne, J. E. (2014). Resurrecting the size effect : Evidence from a
panel nonlinear cointegration model for the G7 stock markets. Review of Financial
economics, 23(1), 46-53.
Arouri, M. E. H., Jouini, J., & Nguyen, D. K. (2011). Volatility spillovers between
oil prices and stock sector returns : Implications for portfolio management. Journal
of International money and finance, 30(7), 1387-1405.
91
BIBLIOGRAPHIE
Arouri, M. E. H., Jouini, J., & Nguyen, D. K. (2012). On the impacts of oil price
fluctuations on European equity markets : Volatility spillover and hedging effective-
ness. Energy Economics, 34(2), 611-617.
Arouri, M. E. H., Lahiani, A.,& Nguyen, D. K. (2011). Return and volatility trans-
mission between world oil prices and stock markets of the GCC countries. Economic
Modelling, 28(4), 1815-1825.
Arouri, M. E. H., Lahiani, A., & Nguyen, D. K. (2015). World gold prices and stock
returns in China : insights for hedging and diversification strategies. Economic Mo-
delling, 44, 273-282.
Aretz, K., & Bartram, S. M. (2010). Corporate hedging and shareholder value. Jour-
nal of Financial Research, 33(4), 317-371.
Aslanidis, N., & Christiansen, C. (2014). Quantiles of the realized stock–bond cor-
relation and links to the macroeconomy. Journal of Empirical Finance, 28, 321-331.
Baba, Y., Engle, R. F., Kraft, D. F., & Kroner, K. F. (1990). Multivariate simul-
taneous generalized arch, department of economics, university of california at san
diego. Working Paper.
Baele, L., Bekaert, G., & Inghelbrecht, K. (2010). The determinants of stock and
bond return comovements. The Review of Financial Studies, 23(6), 2374-2428.
Bahaji, H., & Aberkane, S. (2016). How rational could VIX investing be ?. Economic
Modelling, 58, 556-568.
Ball, R., & Brown, P. (1968). An empirical evaluation of accounting income num-
bers. Journal of accounting research, 159-178. economic review, 10(1), 1-21.
Basdas, U., & Oran, A. (2014). Event studies in Turkey. Borsa Istanbul Review,
14(3), 167-188.
Basher, S. A., & Sadorsky, P. (2016). Hedging emerging market stock prices with
oil, gold, VIX, and bonds : A comparison between DCC, ADCC and GO-GARCH.
Energy Economics, 54, 235-247.
Baur, D. G., & McDermott, T. K. (2010). Is gold a safe haven ? International evi-
dence. Journal of Banking & Finance, 34(8), 1886-1898.
Baur, D. G., & McDermott, T. K. (2016). Why is gold a safe haven ?. Journal of
Behavioral and Experimental Finance, 10, 63-71.
Beckmann, J., Berger, T., & Czudaj, R. (2015). Does gold act as a hedge or a safe
haven for stocks ? A smooth transition approach. Economic Modelling, 48, 16-24.
Bekiros, S., Boubaker, S., Nguyen, D. K., & Uddin, G. S. (2017). Black swan events
and safe havens : The role of gold in globally integrated emerging markets. Journal
of International Money and Finance, 73, 317-334.
Belgacem, A., Creti, A., Guesmi, K., & Lahiani, A. (2015). Volatility spillovers and
macroeconomic announcements : evidence from crude oil markets. Applied Econo-
mics, 47(28), 2974-2984.
Bertrand, J., & Bruno, S. (1997). Marchés financiers. Gestion de portefeuille et des
risques.
Bianconi, M., Yoshino, J. A., & De Sousa, M. O. M. (2013). BRIC and the US
financial crisis : An empirical investigation of stock and bond markets. Emerging
Markets Review, 14, 76-109.
Blanchard, O. J. (1981). Output, the stock market, and interest rates. The American
Economic Review, 71(1), 132-143.
Blume, M. E. (1970). Portfolio theory : a step toward its practical application. The
Journal of Business, 43(2), 152-173.
Bondia, R., Ghosh, S., Kanjilal, K., (2016). International crude oil prices and the
stock prices of clean energy and technology companies : evidence from non-linear
cointegration tests with unknown structural breaks. Energy 101, 558–565.
Boswijk, H. P., & van der Weide, R. (2011). Method of moments estimation of go-
garch models. Journal of Econometrics, 163(1), 118-126.
Boyd, J. H., Hu, J., & Jagannathan, R. (2005). The stock market’s reaction to unem-
ployment news : Why bad news is usually good for stocks. The Journal of Finance,
60(2), 649-672.
Büttner, D., Hayo, B., & Neuenkirch, M. (2012). The impact of foreign macroe-
conomic news on financial markets in the Czech Republic, Hungary, and Poland.
Empirica, 39(1), 19-44.
Broda, S. A., & Paolella, M. S. (2009). Chicago : A fast and accurate method for
portfolio risk calculation. Journal of Financial Econometrics, 7(4), 412-436.
Cakan, E. (2012). The business cycle and impacts of economic news on financial
markets. Journal of Business & Economics Research (Online), 10(6), 385.
Cakan, E., Doytch, N., & Upadhyaya, K. P. (2015). Does US macroeconomic news
make emerging financial markets riskier ?. Borsa Istanbul Review, 15(1), 37-43.
Calice, G., Chen, J., & Williams, J. (2013). Liquidity spillovers in sovereign bond
and CDS markets : An analysis of the Eurozone sovereign debt crisis. Journal of
Economic Behavior & Organization, 85, 122-143.
Calice, G., Chen, J., & Williams, J. M. (2013). Are there benefits to being naked ?
the returns and diversification impact of capital structure arbitrage. The European
Journal of Finance, 19(9), 815-840.
Campbell, J. Y., & Ammer, J. (1993). What moves the stock and bond markets ? A
variance decomposition for long-term asset returns. The Journal of Finance, 48(1),
3-37.
Cappiello, L., Engle, R. F., & Sheppard, K. (2006). Asymmetric dynamics in the
correlations of global equity and bond returns. Journal of Financial econometrics,
4(4), 537-572.
Caporin, M. (2013). Equity and CDS sector indices : dynamic models and risk hed-
ging. The North American Journal of Economics and Finance, 25, 261-275.
Chan, K. F., Treepongkaruna, S., Brooks, R., & Gray, S. (2011). Asset market
linkages : Evidence from financial, commodity and real estate assets. Journal of
Banking & Finance, 35(6), 1415-1426.
Chang, C. L., McAleer, M., & Tansuchat, R. (2011). Crude oil hedging strategies
using dynamic multivariate GARCH. Energy Economics, 33(5), 912-923.
Chang, C. Y., Lai, J. Y., & Chuang, I. Y. (2010). Futures hedging effectiveness under
the segmentation of bear/bull energy markets. Energy Economics, 32(2), 442-449.
Chiou, J. S., & Lee, Y. H. (2009). Jump dynamics and volatility : Oil and the stock
markets. Energy, 34(6), 788-796.
Chkili, W., Aloui, C., & Nguyen, D. K. (2014). Instabilities in the relationships and
hedging strategies between crude oil and US stock markets : do long memory and
asymmetry matter ?. Journal of International Financial Markets, Institutions and
Money, 33, 354-366.
Chkili, W. (2016). Dynamic correlations and hedging effectiveness between gold and
stock markets : Evidence for BRICS countries. Research in International Business
and Finance, 38, 22-34.
Choi, K., & Hammoudeh, S. (2010). Volatility behavior of oil, industrial commodity
and stock markets in a regime-switching environment. Energy Policy, 38(8), 4388-
4399.
Chua, J. H., Sick, G., & Woodward, R. S. (1990). Diversifying with gold stocks.
Financial Analysts Journal, 76-79.
Ciner, C., Gurdgiev, C., & Lucey, B. M. (2013). Hedges and safe havens : An exa-
mination of stocks, bonds, gold, oil and exchange rates. International Review of
Financial Analysis, 29, 202-211.
Coudert, V., & Raymond, H. (2011). Gold and financial assets : are there any safe
Diebold, F. X., & Yilmaz, K. (2012). Better to give than to receive : Predictive di-
rectional measurement of volatility spillovers. International Journal of Forecasting,
28(1), 57-66.
Dimić, I., Cvijović-Alagić, I., Völker, B., Hohenwarter, A., Pippan, R., Veljović, Ð.,
... & Bugarski, B. (2016). Microstructure and metallic ion release of pure titanium
and Ti–13Nb–13Zr alloy processed by high pressure torsion. Materials & Design, 91,
340-347.
Domanski, D., & Heath, A. (2007). Financial investors and commodity markets.
Du, X., Cindy, L. Y., & Hayes, D. J. (2011). Speculation and volatility spillover
in the crude oil and agricultural commodity markets : A Bayesian analysis. Energy
Economics, 33(3), 497-503.
Dutta, P., Noor, M. H., & Dutta, A. (2017). Impact of oil volatility shocks on global
emerging market stock returns. International Journal of Managerial Finance, 13(5),
578-591.
Dwyer, A., Gardner, G., & Williams, T. (2011). Global commodity markets–price
volatility and financialisation. RBA Bulletin, June, 49-57.
Erb, C. B., & Harvey, C. R. (2006). The strategic and tactical value of commodity
futures. Financial Analysts Journal, 62(2), 69-97.
Fama, E. F. (1991). Efficient capital markets : II. The journal of finance, 46(5),
1575-1617.
Fama, E. F., & MacBeth, J. D. (1973). Risk, return, and equilibrium : Empirical
tests. Journal of political economy, 81(3), 607-636.
Fama, E. F., Fisher, L., Jensen, M. C., & Roll, R. (1969). The adjustment of stock
prices to new information. International.
Fedorova, E., Wallenius, L., & Collan, M. (2014). The impact of euro area macroeco-
nomic announcements on CIVETS stock markets. Procedia Economics and Finance,
15, 27-37.
Filis, G., Degiannakis, S., & Floros, C. (2011). Dynamic correlation between stock
market and oil prices : The case of oil-importing and oil-exporting countries. Inter-
national Review of Financial Analysis, 20(3), 152-164.
Ghazali, M. F., Lean, H. H., & Bahari, Z. (2013). IS GOLD A HEDGE OR A SAFE
HAVEN ? AN EMPIRICAL EVIDENCE OF GOLD AND STOCKS IN MALAY-
SIA. International Journal of Business & Society, 14(3).
Ghazali, M. F., Lean, H. H., & Bahari, Z. (2015). Sharia compliant gold investment
in Malaysia : Hedge or safe haven ?. Pacific-Basin Finance Journal, 34, 192-204.
Gorton, G., & Rouwenhorst, K. G. (2006). Facts and fantasies about commodity
futures. Financial Analysts Journal, 62(2), 47-68.
Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the relation between
the expected value and the volatility of the nominal excess return on stocks. The
journal of finance, 48(5), 1779-1801.
Gürgün, G., & Ünalmış, İ. (2014). Is gold a safe haven against equity market in-
vestment in emerging and developing countries ?. Finance Research Letters, 11(4),
341-348.
Hammoudeh, S., Dibooglu, S., & Aleisa, E. (2004). Relationships among US oil prices
and oil industry equity indices. International Review of Economics & Finance, 13(4),
427-453.
Hammoudeh, S., Nguyen, D. K., Reboredo, J. C., & Wen, X. (2014). Dependence of
stock and commodity futures markets in China : Implications for portfolio invest-
ment. Emerging Markets Review, 21, 183-200.
Hamon, J., & Jacquillat, B. (1992). Le marché français des actions : études empi-
riques, 1977-1991. Presses universitaires de France.
Hanousek, J., & Kočenda, E. (2011). Foreign news and spillovers in emerging Euro-
pean stock markets. Review of International Economics, 19(1), 170-188.
Hanousek, J., Kočenda, E., & Kutan, A. M. (2009). The reaction of asset prices to
macroeconomic announcements in new EU markets : Evidence from intraday data.
Journal of Financial Stability, 5(2), 199-219.
Harju, K., & Hussain, S. M. (2011). Intraday seasonalities and macroeconomic news
announcements. European Financial Management, 17(2), 367-390.
Hassan, S. A., & Malik, F. (2007). Multivariate GARCH modeling of sector vola-
tility transmission. The Quarterly Review of Economics and Finance, 47(3), 470-480.
Hayo, B., & Kutan, A. M. (2005). IMF-related news and emerging financial markets.
Journal of International Money and Finance, 24(7), 1126-1142.
Hayo, B., Kutan, A. M., & Neuenkirch, M. (2010). The impact of US central bank
communication on European and pacific equity markets. Economics Letters, 108(2),
172-174.
Hillier, D., Draper, P., & Faff, R. (2006). Do precious metals shine ? An investment
perspective. Financial Analysts Journal, 62(2), 98-106.
Hood, M., & Malik, F. (2013). Is gold the best hedge and a safe haven under chan-
ging stock market volatility ?. Review of Financial Economics, 22(2), 47-52.
Hussainey, K., & Khanh Ngoc, L. (2009). The impact of macroeconomic indicators
on Vietnamese stock prices. The Journal of Risk Finance, 10(4), 321-332.
Inchauspe, J., Ripple, R. D., & Trück, S. (2015). The dynamics of returns on re-
newable energy companies : A state-space approach. Energy Economics, 48, 325-335.
Iqbal, J. (2017). Does gold hedge stock market, inflation and exchange rate risks ?
An econometric investigation. International Review of Economics & Finance, 48,
1-17.
Jaffe, J. F. (1989). Gold and gold stocks as investments for institutional portfolios.
Financial Analysts Journal, 53-59.
Jensen, M. C. (1969). Risk, the pricing of capital assets, and the evaluation of in-
vestment portfolios. The Journal of business, 42(2), 167-247.
Jensen, M. C., Black, F., & Scholes, M. S. (1972). The capital asset pricing model :
Some empirical tests.
Jones, C. M., & Kaul, G. (1996). Oil and the stock markets. The Journal of Finance,
51(2), 463-491.
Junttila, J., Pesonen, J., & Raatikainen, J. (2018). Commodity market based hed-
ging against stock market risk in times of financial crisis : The case of crude oil and
gold. Journal of International Financial Markets, Institutions and Money.
Kim, S. (2003). The spillover effects of US and Japanese public information news in
advanced Asia-Pacific stock markets. Pacific-Basin Finance Journal, 8, 611-630.
Kishor, N. K., & Marfatia, H. A. (2013). The time-varying response of foreign stock
markets to US monetary policy surprises : Evidence from the Federal funds futures
market. Journal of International Financial Markets, Institutions and Money, 24, 1-
24.
Kumar, D. (2014). Return and volatility transmission between gold and stock sec-
tors : Application of portfolio management and hedging effectiveness. IIMB Mana-
gement Review, 26(1), 5-16.
Kumar, S., Managi, S., & Matsuda, A. (2012). Stock prices of clean energy firms,
oil and carbon markets : A vector autoregressive analysis. Energy Economics, 34(1),
215-226.
Kurov, A., & Stan, R. (2017). Monetary Policy Uncertainty and the Market Reac-
tion to Macroeconomic News.
Lee, C. W., & Chang, M. J. (2011). Announcement effects and asymmetric volatility
in industry stock returns : evidence from Taiwan. Emerging Markets Finance and
Trade, 47(2), 48e61.
Li, D., & Xia, Y. (2004). Electrospinning of nanofibers : reinventing the wheel ?.
Advanced materials, 16(14), 1151-1170.
Lin, B., Wesseh Jr, P. K., & Appiah, M. O. (2014). Oil price fluctuation, volatility
spillover and the Ghanaian equity market : Implication for portfolio management
and hedging effectiveness. Energy Economics, 42, 172-182.
Ling, S., & McAleer, M. (2003). Asymptotic theory for a vector ARMA-GARCH
model. Econometric theory, 19(2), 280-310.
Linter, J. (1965). The Valuation of Risk Assets and The Selection of Risk Investe-
ments.
Malik, F., & Ewing, B. T. (2009). Volatility transmission between oil prices and
equity sector returns. International Review of Financial Analysis, 18(3), 95-100.
Managi, S., & Okimoto, T. (2013). Does the price of oil interact with clean energy
prices in the stock market ?. Japan and the World Economy, 27, 1-9.
Mensi, W., Beljid, M., Boubaker, A., & Managi, S. (2013). Correlations and vola-
tility spillovers across commodity and stock markets : Linking energies, food, and
gold. Economic Modelling, 32, 15-22.
Mensi, W., Hammoudeh, S., & Kang, S. H. (2015). Precious metals, cereal, oil and
stock market linkages and portfolio risk management : Evidence from Saudi Arabia.
Economic Modelling, 51, 340-358.
Mensi, W., Hammoudeh, S., Al-Jarrah, I. M. W., Sensoy, A., & Kang, S. H. (2017).
Dynamic risk spillovers between gold, oil prices and conventional, sustainability and
Islamic equity aggregates and sectors with portfolio implications. Energy Economics,
67, 454-475.
Mensi, W., Hammoudeh, S., Nguyen, D. K., & Yoon, S. M. (2014). Dynamic spillo-
vers among major energy and cereal commodity prices. Energy Economics, 43, 225-
243.
Mensi, W., Hammoudeh, S., Reboredo, J. C., & Nguyen, D. K. (2015). Are Sharia
stocks, gold and US Treasury hedges and/or safe havens for the oil-based GCC mar-
Mensi, W., Hkiri, B., Al-Yahyaee, K. H., & Kang, S. H. (2018). Analyzing time–frequency
co-movements across gold and oil prices with BRICS stock markets : A VaR based
on wavelet approach. International Review of Economics & Finance, 54, 74-102.
Moran, M. T., & Dash, S. (2007). VIX futures and options : Pricing and using vola-
tility products to manage downside risk and improve efficiency in equity portfolios.
The Journal of Trading, 2(3), 96-105.
Nagayev, R., & Masih, M. (2013). The Role of Gold as a Hedge and Safe Haven in
Shariah-Compliant Portfolios.
Narayan, P. K., & Sharma, S. S. (2011). New evidence on oil price and firm returns.
Journal of Banking & Finance, 35(12), 3253-3262.
Narayan, P. K., Narayan, S., & Zheng, X. (2010). Gold and oil futures markets :
Are markets efficient ?. Applied energy, 87(10), 3299-3303.
Narayan, P.K. & Sharma, S.S. (2011). New evidence on oil price and firm returns.
Journal of Banking & Finance, 35, 3253-3262.
Niederhoffer, V., & Osborne, M. F. M. (1966). Market making and reversal on the
stock exchange. Journal of the American Statistical Association, 61(316), 897-916.
Nowak, S., Andritzky, J., Jobst, A., & Tamirisa, N. (2011). Macroeconomic funda-
mentals, price discovery, and volatility dynamics in emerging bond markets. Journal
of Banking & Finance, 35(10), 2584-2597.
Önder, Z., & Şimga-Mugan, C. (2006). How do political and economic news affect
emerging markets ? Evidence from Argentina and Turkey. Emerging Markets Fi-
nance and Trade, 42(4), 50-77.
Orphanides, A. (1992). When good news is bad news : Macroeconomic news and
the stock market. Board of Governors of the Federal Reserve System.
Pan, Z., Wang, Y., & Yang, L. (2014). Hedging crude oil using refined product : A
regime switching asymmetric DCC approach. Energy Economics, 46, 472-484.
Papapetrou, E. (2001). Oil price shocks, stock market, economic activity and em-
ployment in Greece. Energy economics, 23(5), 511-532.
Park, J., & Ratti, R. A. (2008). Oil price shocks and stock markets in the US and
13 European countries. Energy economics, 30(5), 2587-2608.
Pogue, G. A., & Solnik, B. H. (1974). The market model applied to European com-
mon stocks : Some empirical results. Journal of Financial and Quantitative Analysis,
9(6), 917-944.
Ratner, M., & Chiu, C. C. J. (2013). Hedging stock sector risk with credit default
swaps. International Review of Financial Analysis, 30, 18-25.
Raza, N., Ali, S., Shahzad, S. J. H., & Raza, S. A. (2018). Do commodities effectively
hedge real estate risk ? A multi-scale asymmetric DCC approach. Resources Policy.
Reboredo, J. C. (2013). Is gold a hedge or safe haven against oil price movements ?.
Resources Policy, 38(2), 130-137.
Reboredo, J.C., 2015. Is there dependence and systemic risk between oil and rene-
wable energy stock prices ? Energy Econ. 48, 32–45.
Renz, M., & Stotz, O. (2016). A Macroeconomic Hedge Portfolios and the Cross-
Section of Stock Returns.
Sadorsky, P. (1999). Oil price shocks and stock market activity. Energy economics,
21(5), 449-469.
Sadorsky, P. (2012). Correlations and volatility spillovers between oil prices and the
stock prices of clean energy and technology companies. Energy Economics, 34(1),
248-255.
Sanchez, E.R., 2015. Volatility Spillovers Among Alternative Energy, Oil, and Tech-
nology Global Markets. Masters Thesis. Universidad Complutense de Madrid, Spain.
Serra, T. (2011). Volatility spillovers between food and energy markets : a semipa-
rametric approach. Energy Economics, 33(6), 1155-1164.
Shahzad, S. J. H., Raza, N., Shahbaz, M., & Ali, A. (2017). Dependence of stock
markets with gold and bonds under bullish and bearish market states. Resources
Policy, 52, 308-319.
Sharpe, W. F., & Sharpe, W. F. (1970). Portfolio theory and capital markets (Vol.
217). New York : McGraw-Hill.
Silvennoinen, A., & Thorp, S. (2010). „Financialization. Crisis and Commodity Cor-
relation Dynamics.
Silvennoinen, A., & Thorp, S. (2013). Financialization, crisis and commodity correla-
tion dynamics. Journal of International Financial Markets, Institutions and Money,
24, 42-65.
Sim, N., & Zhou, H. (2015). Oil prices, US stock return, and the dependence bet-
ween their quantiles. Journal of Banking & Finance, 55, 1-8.
Singh, P., Kumar, B., & Pandey, A. (2010). Price and volatility spillovers across
North American, European and Asian stock markets. International Review of Fi-
nancial Analysis, 19(1), 55-64.
Szado, E. (2009). VIX futures and options-A case study of portfolio diversification
during the 2008 financial crisis.
Tang, K., & Xiong, W. (2012). Index investment and the financialization of commo-
dities. Financial Analysts Journal, 68(5), 54-74.
Van der Weide, R., (2006). Wake me up before you GO-GARCH. Tinbergen Insti-
tute Discussion Paper 2006/03.
Vasicek, O. A., & McQuown, J. A. (1972). The efficent market model. Financial
Analysts Journal, 28(5), 71-84.
Vivian, A., & Wohar, M. E. (2012). Commodity volatility breaks. Journal of Inter-
national Financial Markets, Institutions and Money, 22(2), 395-422.
Wang, K. M., Lee, Y. M., & Thi, T. B. N. (2011). Time and place where gold acts
as an inflation hedge : An application of long-run and short-run threshold model.
Economic Modelling, 28(3), 806-819.
Warren, G. J. (2012). Can investing in volatility help meet your portfolio objec-
tives ?. Journal of Portfolio Management, 38(2), 82.
Yang, X., Van Der Kraan, P. M., Bian, Z., Fan, M., Walboomers, X. F., & Jansen,
J. A. (2009). Mineralized tissue formation by BMP2-transfected pulp stem cells.
Journal of dental research, 88(11), 1020-1025.
Yilmaz, K. (2010). Return and volatility spillovers among the East Asian equity
Zhang, K., & Chan, L. (2009). Efficient factor garch models and factor-dcc models.
Quantitative Finance, 9(1), 71-91.
Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
107
TABLE DES MATIÈRES
109
Table des figures
110
Liste d’abréviation
CMF : Conseille du Marché Financier
CTO : Cours Théorique d’Ouverture
HMA : Hypothèse de la Marche Aléatoire
CAPM : Capital Asset Picing Model
MEDAF : Modèle d’Équilibre Des Actifs Financiers
S&P500 : Standard & Poor’s 500
VIX : Indice de Volatilité
GARCH : Generalized Autoregressive Conditional Heteroskedasticity
FOMC : Federal Open Market Committee
PIB : Produit Intérieur Brut
FMI : Fonds Monétaire International
VAR : Vectorielle Autorégressive
WTI : West Texas Intermediate
DCC : Dynamic Conditional correlation
SSE : Shanghai Stock Exchange
SZSE : Shenzhen Stock Exchange
BRIC : Brésil, Russie, Inde et Chine
G-7 : Groupe de sept pays industrialisés
GJR : Glosten-Jagannathan-Runkle model
ARDL : Autoregressive Distributed Lag
MSCI : Morgan Stanley Capital International
DJI : Dow Jones Islamic
KSE-100 : Karachi Stock Exchange-100
CCC : corrélation conditionnelle constante
OLS : Ordinary Least Squares
GCC : Gulf Cooperation Council
GIPSI : Grèce, Irlande, Portugal, Espagne et Italie
OVX : Oil Volatility Index
EM : Equity Market
BEKK : Baba, Engle, Kraft et Kroner
ADCC : Asymetric DCC
GO-GARCH : Generalised Orthogonal GARCH
ICA : Indépendant Component Analysis
AIE : Agence Internationale de l’énergie
OPEP :Organisation des Pays Exportateurs de Pétrole
Annexe
Annexe
113
Résumé :
Ce document utilise les modèles DCC, ADCC et GO-GARCH et des données quo-
tidiennes couvrant la période du 12 septembre 2006 au 28 avril 2017 pour étudier la
dynamique des rendements boursiers : les corrélations conditionnelles et la couver-
ture des cours des actions du marché américain (S&P500) par les prix du pétrole,
VIX, les prix de l’or et taux d’intérêt spot des obligations. Une analyse par fenêtre
roulante est utilisée pour construire des prévisions un pas en avant hors échantillon
des corrélations conditionnelles dynamiques et des ratios de couverture optimaux.
Dans la plupart des situations que nous étudions, l’or est le meilleur actif pour cou-
vrir les cours des actions du marché américain (S&P500). Les ratios de couverture
estimés à partir du modèle ADCC sont les plus efficaces pour couvrir les cours des
actions du marché américain avec pétrole ou VIX. Tandis que les ratios de couver-
ture estimés à partir du modèle GO-GARCH sont les plus efficaces pour couvrir les
cours des actions du marché américain avec l’or ou taux d’intérêt spot des obliga-
tions.
Abstract :
This paper uses the models DCC, ADCC and GO-GARCH and daily data cove-
ring the period September 12, 2006 to April 28, 2017, to study the dynamics of
stock market returns : conditional correlation and hedging U.S market stock prices
(S&P500) with oil prices, VIX, gold prices and spot interest rate of bonds. A rol-
ling window analysis is used to construct out-of-sample one-step-ahead forecasts of
dynamic conditional correlations and optimal hedge ratios. In most of the situa-
tions we study, gold is the best asset to hedge U.S market stock prices (S&P500).
Hedge ratios from the ADCC model are most effective for hedging U.S market stock
prices with oil or VIX. While hedge ratios estimated from the GO-GARCH are most
effective for hedging U.S market stock prices with gold or spot interest rate of bonds.
data: y.ret[, j]
X-squared = 12000, df = 2, p-value <2e-16
data: y.ret[, j]
X-squared = 2300, df = 2, p-value <2e-16
data: y.ret[, j]
X-squared = 1800, df = 2, p-value <2e-16
data: y.ret[, j]
X-squared = 5000, df = 2, p-value <2e-16
data: y.ret[, j]
X-squared = 900, df = 2, p-value <2e-16
ARCH test
ARCH LM-test; Null hypothesis: no ARCH effects
data: y.ret[, j]
Chi-squared = 850, df = 12, p-value <2e-16
data: y.ret[, j]
Chi-squared = 500, df = 12, p-value <2e-16
data: y.ret[, j]
Chi-squared = 210, df = 12, p-value <2e-16
data: y.ret[, j]
Chi-squared = 150, df = 12, p-value <2e-16
data: y.ret[, j]
Chi-squared = 140, df = 12, p-value <2e-16
Annexe 2:
Corrélations de Pearson entre les rendements mensuels
DCC A
*---------------------------------*
* DCC GARCH Fit *
*---------------------------------*
Distribution : mvt
Model : DCC(1,1)
No. Parameters : 43
[VAR GARCH DCC UncQ] : [0+30+3+10]
No. Series : 5
No. Obs. : 2675
Log-Likelihood : -26161
Av.Log-Likelihood : -9.78
Information Criteria
---------------------
Akaike 19.592
Bayes 19.687
Shibata 19.592
Hannan-Quinn 19.626
DCC B
*---------------------------------*
* DCC GARCH Fit *
*---------------------------------*
Distribution : mvt
Model : DCC(1,1)
No. Parameters : 38
[VAR GARCH DCC UncQ] : [0+25+3+10]
No. Series : 5
No. Obs. : 2675
Log-Likelihood : -26179
Av.Log-Likelihood : -9.79
Information Criteria
---------------------
Akaike 19.601
Bayes 19.685
Shibata 19.601
Hannan-Quinn 19.632
DCC C
*---------------------------------*
* DCC GARCH Fit *
*---------------------------------*
Distribution : mvnorm
Model : DCC(1,1)
No. Parameters : 37
[VAR GARCH DCC UncQ] : [0+25+2+10]
No. Series : 5
No. Obs. : 2675
Log-Likelihood : -26402
Av.Log-Likelihood : -9.87
Information Criteria
---------------------
Akaike 19.767
Bayes 19.849
Shibata 19.767
Hannan-Quinn 19.797
DCC D
*---------------------------------*
* DCC GARCH Fit *
*---------------------------------
Distribution : mvnorm
Model : DCC(1,1)
No. Parameters : 32
[VAR GARCH DCC UncQ] : [0+20+2+10]
No. Series : 5
No. Obs. : 2675
Log-Likelihood : -26421
Av.Log-Likelihood : -9.88
Information Criteria
---------------------
Akaike 19.778
Bayes 19.849
Shibata 19.778
Hannan-Quinn 19.804
Annexe 4:
DCC and ADCC parameter estimates.
*---------------------------------*
* DCC GARCH Fit *
*---------------------------------*
Distribution : mvt
Model : DCC(1,1)
No. Parameters : 43
[VAR GARCH DCC UncQ] : [0+30+3+10]
No. Series : 5
No. Obs. : 2675
Log-Likelihood : -26161
Av.Log-Likelihood : -9.78
Optimal Parameters
-----------------------------------
Estimate Std. Error t value Pr(>|t|)
[em.ret].mu 0.082408 0.012870 6.402892 0.000000
[em.ret].ar1 -0.066759 0.017261 -3.867703 0.000110
[em.ret].omega 0.017298 0.004934 3.505874 0.000455
[em.ret].alpha1 0.132261 0.017098 7.735514 0.000000
[em.ret].beta1 0.866531 0.015755 55.000984 0.000000
[em.ret].shape 5.076698 0.508937 9.975097 0.000000
[oil.ret].mu 0.037027 0.031749 1.166246 0.243515
[oil.ret].ar1 -0.019828 0.020488 -0.967821 0.333134
[oil.ret].omega 0.026254 0.014465 1.815067 0.069514
[oil.ret].alpha1 0.064708 0.014834 4.362307 0.000013
[oil.ret].beta1 0.932149 0.015473 60.242915 0.000000
[oil.ret].shape 8.041626 1.218865 6.597636 0.000000
[vix.ret].mu -0.348725 0.105948 -3.291464 0.000997
[vix.ret].ar1 -0.081486 0.020549 -3.965541 0.000073
[vix.ret].omega 5.404775 1.301503 4.152717 0.000033
[vix.ret].alpha1 0.150119 0.026747 5.612499 0.000000
[vix.ret].beta1 0.757994 0.041817 18.126377 0.000000
[vix.ret].shape 4.865022 0.470363 10.343122 0.000000
[gold.ret].mu 0.046686 0.017825 2.619070 0.008817
[gold.ret].ar1 0.024601 0.018086 1.360231 0.173757
[gold.ret].omega 0.012679 0.004209 3.012372 0.002592
[gold.ret].alpha1 0.043182 0.007834 5.511968 0.000000
[gold.ret].beta1 0.946431 0.008604 110.002600 0.000000
[gold.ret].shape 5.879910 0.657746 8.939490 0.000000
[bonds.ret].mu -0.033837 0.033235 -1.018112 0.308625
[bonds.ret].ar1 -0.008462 0.020232 -0.418236 0.675774
[bonds.ret].omega 0.022601 0.012524 1.804674 0.071126
[bonds.ret].alpha1 0.060050 0.008135 7.381566 0.000000
[bonds.ret].beta1 0.938061 0.008148 115.123003 0.000000
[bonds.ret].shape 9.483015 1.667643 5.686477 0.000000
[Joint]dcca1 0.009601 0.135166 0.071029 0.943375
[Joint]dccb1 0.938974 1.629322 0.576298 0.564414
[Joint]mshape 10.294565 0.990668 10.391537 0.000000
Information Criteria
---------------------
Akaike 19.592
Bayes 19.687
Shibata 19.592
Hannan-Quinn 19.626
*---------------------------------*
* ADCC GARCH Fit *
*---------------------------------*
Distribution : mvt
Model : aDCC(1,1)
No. Parameters : 49
[VAR GARCH DCC UncQ] : [0+35+4+10]
No. Series : 5
No. Obs. : 2675
Log-Likelihood : -26133
Av.Log-Likelihood : -9.77
Optimal Parameters
-----------------------------------
Estimate Std. Error t value Pr(>|t|)
[em.ret].mu 0.056763 0.013402 4.235331 0.000023
[em.ret].ar1 -0.062715 0.017995 -3.485245 0.000492
[em.ret].omega 0.020342 0.004893 4.157145 0.000032
[em.ret].alpha1 0.000000 0.017028 0.000001 0.999999
[em.ret].beta1 0.868881 0.019392 44.806907 0.000000
[em.ret].gamma1 0.232947 0.035380 6.584147 0.000000
[em.ret].shape 5.597762 0.621992 8.999736 0.000000
[oil.ret].mu 0.016340 0.032539 0.502181 0.615540
[oil.ret].ar1 -0.021558 0.020884 -1.032306 0.301929
[oil.ret].omega 0.021860 0.011184 1.954604 0.050630
[oil.ret].alpha1 0.023935 0.010044 2.382954 0.017174
[oil.ret].beta1 0.940084 0.011867 79.215149 0.000000
[oil.ret].gamma1 0.065893 0.014796 4.453426 0.000008
[oil.ret].shape 8.633389 1.409647 6.124503 0.000000
[vix.ret].mu -0.220027 0.103124 -2.133608 0.032875
[vix.ret].ar1 -0.078164 0.019954 -3.917150 0.000090
[vix.ret].omega 3.876921 0.235583 16.456675 0.000000
[vix.ret].alpha1 0.197828 0.001229 160.962807 0.000000
[vix.ret].beta1 0.830534 0.004535 183.143871 0.000000
[vix.ret].gamma1 -0.231003 0.001204 -191.909611 0.000000
[vix.ret].shape 5.153947 0.493377 10.446269 0.000000
[gold.ret].mu 0.052450 0.017899 2.930265 0.003387
[gold.ret].ar1 0.019524 0.018885 1.033857 0.301203
[gold.ret].omega 0.011795 0.003524 3.346844 0.000817
[gold.ret].alpha1 0.056026 0.008879 6.309923 0.000000
[gold.ret].beta1 0.948428 0.006362 149.085181 0.000000
[gold.ret].gamma1 -0.025717 0.011223 -2.291418 0.021939
[gold.ret].shape 5.823969 0.643685 9.047850 0.000000
[bonds.ret].mu -0.051591 0.033908 -1.521493 0.128136
[bonds.ret].ar1 -0.008092 0.020197 -0.400651 0.688677
[bonds.ret].omega 0.019026 0.010676 1.782076 0.074737
[bonds.ret].alpha1 0.032438 0.008175 3.967873 0.000073
[bonds.ret].beta1 0.944762 0.007131 132.485704 0.000000
[bonds.ret].gamma1 0.043600 0.011454 3.806474 0.000141
[bonds.ret].shape 9.937791 1.850991 5.368903 0.000000
[Joint]dcca1 0.015018 0.012188 1.232172 0.217885
[Joint]dccb1 0.922149 0.107798 8.554410 0.000000
[Joint]dccg1 0.000000 0.004111 0.000000 1.000000
[Joint]mshape 10.647588 0.824277 12.917488 0.000000
Information Criteria
---------------------
Akaike 19.575
Bayes 19.683
Shibata 19.575
Hannan-Quinn 19.614
Annexe 5:
GOGARCH
*------------------------------*
* GO-GARCH Fit *
*------------------------------*
Mean Model : AR
(Lag) : 1
GARCH Model : sGARCH
Distribution : manig
ICA Method : fastica
No. Factors : 5
No. Periods : 2675
Log-Likelihood : -26166.59
------------------------------------
U (rotation matrix) :
A (mixing matrix) :
> coef(gogarch.fit)
F_1 F_2 F_3 F_4 F_5
omega 0.006865 0.004974 0.01014 0.1259 0.004468
alpha1 0.106279 0.058883 0.04540 0.1614 0.065874
beta1 0.884899 0.938481 0.94348 0.7133 0.930820
skew -0.019634 0.020293 -0.13514 0.2655 -0.083297
shape 1.725530 3.605020 1.76831 1.4076 2.711686
Annexe 6:
Corrélations conditionnelles dynamiques
Annexe 7:
Compare correlations
>
> cor(rcor(dcc1.fit)[1,2,],rcor(dcc2.fit)[1,2,])
[1] 0.9796
> cor(rcor(dcc1.fit)[1,2,],rcor(gogarch.fit)[1,2,])
[1] 0.1448
> cor(rcor(dcc2.fit)[1,2,],rcor(gogarch.fit)[1,2,])
[1] 0.1114
>
>
> cor(rcor(dcc1.fit)[1,3,],rcor(dcc2.fit)[1,3,])
[1] 0.9741
> cor(rcor(dcc1.fit)[1,3,],rcor(gogarch.fit)[1,3,])
[1] 0.2512
> cor(rcor(dcc2.fit)[1,3,],rcor(gogarch.fit)[1,3,])
[1] 0.2805
>
>
> cor(rcor(dcc1.fit)[1,4,],rcor(dcc2.fit)[1,4,])
[1] 0.9874
> cor(rcor(dcc1.fit)[1,4,],rcor(gogarch.fit)[1,4,])
[1] -0.04495
> cor(rcor(dcc2.fit)[1,4,],rcor(gogarch.fit)[1,4,])
[1] -0.01791
>
>
> cor(rcor(dcc1.fit)[1,5,],rcor(dcc2.fit)[1,5,])
[1] 0.9812
> cor(rcor(dcc1.fit)[1,5,],rcor(gogarch.fit)[1,5,])
[1] 0.07137
> cor(rcor(dcc2.fit)[1,5,],rcor(gogarch.fit)[1,5,])
[1] 0.05241
Annexe 8:
Les surfaces de corrélation d'impact des actualités
Annexe 9:
Ratios de covertures