6944 17139 1 PB

REMFO N°4 Décembre 2016 ISSN 2489-205X
Revue D’Etudes en Management et Finance D’Organisation

N°4 Décembre 2016
MODÉLISATION DE LA COURBE DES TAUX D’INTÉRÊT MAROCAINE À

TRAVERS LE MODÈLE DE VASICEK
MODELIZATION YIELD CURVE BY VASICEK MODEL INTEREST RATE

IN MOROCCO
Mostafa LEKHAL
Professeur d’enseignement supérieur
Université Mohamed Ier Faculté des Sciences Juridiques
Economiques et Sociales-Oujda
Laboratoire Universitaire de Recherche en Instrumentations et Gestion des Organisations (LURIGOR)
lekhal.mostapha@gmail.com
Mohsine AIT CHEIKH

Doctorant en Sciences Gestion
Université Hassan II- Casablanca, Maroc
Faculté des Sciences Juridiques, Economiques et Sociales –Casablanca
mohsine.aitcheikh@gmail.com
Almahdi KORAICH
Doctorant en Sciences Economique
Université Abdelmalek Essaadi, Maroc
Faculté des Sciences Juridiques, Economiques et Sociales -Tanger
koraichalmahdi@hotmail.com
REMFO http://revues.imist.ma/?journal=REMFO&page=about
1
Résumé
L’objectif de cet article est de modéliser la courbe des taux d’intérêt marocaine par une
via le modèle de VASICEK. Au début, nous présenterons les concepts théoriques du modèle
stochastique à un seul facteur relatif à la modélisation de la courbe des taux d’intérêt. Ensuite,
Nous expliquerons le modèle stochastique impliqué dans la modélisation de la dynamique du
taux d’intérêt instantané mis en évidence par VASICEK. Après, nous estimerons les
paramètres du modèle VASICEK et nous comparerons la courbe des taux d’intérêt réelle
observée sur le marché secondaire des BDT avec celle (théorique) obtenue par le modèle de
VASICEK. Enfin, nous discuterons les limites du modèle VASICEK.
Mots clés : Structure par terme des taux d’intérêt, modèle de Vasicek, modèle stochastique,
taux d’intérêt, marché obligataire.
Classification JEL: E50 ; E52 ; E58 ; E59
Abstract
The objective of this paper is to model the curve of interest rates of Morocco by a robust
method, the model of Vasicek. Initially, we will present the theoretical concepts of stochastic
model to a single factor on modeling the structure of interest rates. Then we explain the
stochastic model involved in the dynamics modeling of the instantaneous interest rate
highlighted by Vasicek. Next, we estimate the parameters of the Vasicek model, and compare
the curve of actual rates observed in the bond market with the (theoretical) obtained by the
model of Vasicek. Finally, we discuss the limitations of the Vasicek model.
Keywords: Term structure of interest rates, Vasicek model, stochastic model, interest rates,
bond market.
Classification JEL: E50 ; E52 ; E58 ; E59
1
2
INTRODUCTION
La littérature de la finance a consacré une large partie de ses études à la courbe des taux
d’intérêt1. Étant un passage obligé pour toute analyse ou gestion du risque de taux aboutissant
à de nombreuses applications dans la gestion obligataire, l’étude de la courbe des taux
d’intérêt est devenue incontournable pour chaque gestionnaire de portefeuille opérant sur les
salles de marchés.Pour obtenir un modèle explicite de la structure par terme des taux d’intérêt,
il est nécessaire de déterminer les variables qui représentent l’information pertinente pour les
investisseurs, ainsi que les primes unitaires offertes pour chacun des risques qui affectent
l’économie.
En spécifiant ces éléments, on peut espérer pouvoir résoudre l’équation de la structure par
terme des taux d’intérêt, et obtenir ainsi une solution en termes de prix, ou, de manière
équivalente, en termes de taux. Disposant d’une expression explicite pour la structure par
terme des taux d’intérêt, on peut étudier ses propriétés dynamiques, et les confronter au
comportement effectif de la courbe des taux d’intérêt réelle.
Merton, en 1973, fut le premier à introduire le concept de processus aléatoire pour décrire le
comportement des taux d’intérêt, il a envisagé un processus de marche au hasard (ou Random
walk) pour l’évolution du taux d’intérêt à court terme2. VASICEK en 1977, dans son modèle
d’arbitrage à un seul facteur de la courbe des taux d’intérêt3,utilise l’approche de Merton pour
modéliser le comportement de la courbe des taux d’intérêt ; il considère que le taux à court
terme explique le comportement de la courbe des taux d’intérêt dans son ensemble et suppose
que les taux sont parfaitement corrélés, Vasicek utilise à cet effet un processus Autorégressif
d’ordre 1 (AR(1)) pour décrire l’évolution des taux court, ce dernier modèle a été adopté par
Cox, Ingersoll et Ross (1979) pour les obligations à court terme du trésor américain4.
En se référant à l’analyse de ces théories et ces modèles mathématiques et stochastiques,
principalement le modèle de VASICEK, on essayera d’interroger les déterminants de la
courbe des taux d’intérêt au Maroc, notamment la partie courte de la courbe.
Les principales questions de notre recherche se livrent ainsi :
 Quel est le processus qui expliquera mieux l’évolution de la courbe des taux d’intérêt
Marocaine ?
 Est-ce que le modèle de VASICEK peut être utilisé pour modéliser la courbe des taux
marocaine et prévoir son évolution ?
1
Cinq grandes familles d’explications de la structure par terme des taux d’intérêt: • La théorie des anticipations
(Friedrich A. Lutz 1940) ; • La théorie de la préférence pour la liquidité (John R. Hicks 1946) ; • La théorie de la
segmentation des marchés (J. Culbertson 1957) ; • La théorie de l’habitat préféré (Franco Modigliani et Robert J.
Sutch 1966) ; • La théorie dite “moderne” (Oldrich A. Vasicek 1977, R. Merton 1973, John C. Cox, Johnathan E.
Ingersoll et Stephen. E. Ross 1985, Michael J. Brennan et Eduardo. Schwartz 1982).
2
MERTON, Robert C. (1975) « Theory of Finance from the Perspective of Continuous-Time », Journal of
Financial and Quantitative Analysis, vol.10, n°4, November 1975, pp.659–674.
3
Vasicek, Oldrich A. (1977) « An Equilibrium Characterization of the Term Structure », Journal of Financial
Economics, vol.5, n°2, November 1977, pp.177–188.
4
Cox, JC., J. Ingersoll et S. Ross (1985), « Duration and the Measurement of Basis Risk », the Journal of
Business, vol.52, n°1, January 1979, pp.51–61.
2
3
Cet article est consacré à la modélisation de la courbe des taux marocaine en utilisant le
modèle de VASICEK. C’est un modèle explicite à un seul facteur issu du modèle factoriel
dans lesquels le taux court est l’unique variable d’état qui détermine l’évolution de la courbe
des taux d’intérêt.
1. MODELISATION DE LA STRUCTURE PAR TERME DES TAUX D’INTERET
AVEC UN SEUL FACTEUR
Dans les modèles à un seul facteur, le taux à court terme5 est la seule variable d’état qui
explique l’évolution de la structure par terme des taux d’intérêt. Ce taux est considéré comme
un indicateur des conditions du crédit, ou comme le point focal de la politique monétaire.
Le taux à court terme joue un rôle central dans l’économie. Son influence sur le marché
monétaire et obligataire ne fait aucun doute6.
Les acteurs de ce marché gardent en permanence un œil sur lui, si bien que son niveau (actuel
et anticipé) devient un déterminant de la structure par terme des taux d’intérêt. Ceci explique
que les modèles à un seul facteur identifient systématiquement la variable d’état au taux
court7.
On commence par postuler que le taux à court terme est l’unique variable aléatoire – l’unique
source d’incertitude- déterminant la courbe des taux d’intérêt. Les changements du taux court
sont décrits par la différentielle stochastique dans laquelle tous les éléments sont scalaires :
 𝑑𝑟(𝑡) = µ(𝑟, 𝑡)𝑑𝑡 + 𝜎(𝑟, 𝑡)𝑑𝐵(𝑡)
Le taux court suivant un processus d’Itô8, µ(r, t) désigne l’espérance du changement

instantané de r(t), et 𝝈²(𝒓, 𝒕) est égale à la variance de ce même changement9.
A ce stade, le processus gouvernant l’évolution de r(t) est encore très général : la tendance µ
et la volatilité 𝝈 sont susceptibles de dépendre du niveau courant du taux court et de l’instant
considéré. Le choix d’un processus d’Itô impose une condition non triviale : Les trajectoires
de r sont continuées, et le taux court n’effectue donc aucun saut instantané. Ainsi, par
exemple, si on suppose que le taux court est fixé par les autorités monétaires, cette propriété
exclut la prise en compte d’éventuelles ruptures de politique monétaire10.
5
Dans le modèle à un facteur de Vasicek, le taux court r guide l’évolution de l’ensemble de la courbe des taux.
6
Darrell Duffie And Rui Kan,“A yield-Factor Model of Interest Rates”, Mathematical Finance, Vol. 6. No. 4
(October l996).pp. 379-406.
7
Christophe BISIÈRE, « théorie de la structure par terme des taux d’intérêt », thèse de doctorat ès sciences
économiques, université d’aix-marseille II faculté des sciences économiques Centre d’Économie et de Finances
Internationales (1994), p115.
8
Geneviève Gauthier, « Le lemme d’Itô : Les méthodes stochastiques dans les sciences de la gestion »,
(2003).pp.1-15.
9
Pour un mouvement brownien B(t), on aE [dB(t) ⃓B(t)]=0 et V [dB(t)⃓B(t)]=dt.
10
P. Artus. « Structure par terme des taux d’intérêt : Théorie et estimation dans le cas français ». Cahiers
Economiques et Monétaires27, (1987), pp.5–48,
3
4
Acceptant tout de même qu’un processus d’Itô puisse représenter de façon plausible la
dynamique de r, il est maintenant nécessaire de postuler l’existence d’une relation entre le
taux court et le prix des obligations sans coupon (Zéro coupon).
2. MODELE DE VASICEK
L’une des premières modélisations stochastiques des taux a été développée par VASICEK en
1977. Cette modélisation du taux instantané à court terme, effectuée dans le cadre d’un
modèle d’équilibre partiel, utilise le processus Autorégressif, d’Orstein-Uhlenbeck. Ce
dernier, qui est aussi un processus d’Itô, est défini comme suit11 :
𝒅𝒓(𝒕) = 𝒌(Ɵ − 𝒓(𝒕))𝒅𝒕 + 𝝈𝒅𝑩(𝒕)
Où 𝒌 𝒆𝒕 Ɵ sont des scalaires strictement positifs et B un mouvement brownien. Le terme dt du

processus d’Ornstein-Uhlenbeck s’interprète classiquement comme un retour à la moyenne
long-terme  avec une vitesse de retour à la moyenne k ,  est la volatilité du taux court.
La solution explicite de cette EDS (Equation Différentielle Stochastique) est :
𝑻
𝒓(𝒕) = Ɵ + (𝒓𝟎 -Ɵ)𝒆−𝒕𝒌 + 𝝈 ∫𝟎 𝒆−(𝒕−𝒖)𝒌 𝒅𝑩(𝒖)
Ce processus d’Itô décrit une dynamique régressive, autour d’une valeur « moyenne » Ɵ.
Imaginons que 𝒓(𝒕) passe au-dessus de ce niveau Ɵ, sous l’effet d’un choc aléatoire
𝝈 𝒅𝑩(𝒕)positif. Dance ce cas, l’espérance de la variation instantanée de 𝒓(𝒕), égale à
𝒌(Ɵ − 𝒓(𝒕)) , est négative, et 𝒓(𝒕) aura tendance à se rapprocher de son niveau moyen, à la
« vitesse » k. A l’inverse, si 𝒓(𝒕)passe au-dessous de Ɵ, le trend devient positif. Ainsi, le
processus d’Ornstein-Uhlenbeck capte l’idée d’un « retour à la moyenne ». Pour cette raison,
il est aussi appelé elastic random walk12.
L’évolution du taux court résulte de deux forces contradictoires : la force de rappel
« équilibrante », et l’aléa « déséquilibrant ». On pallie ainsi un inconvénient majeur du
mouvement brownien généralisé, à savoir une espérance et une variance de changement qui
tendent vers l’infini. Dans le cas d’un processus de ce type, on a, pour 𝒕 ≤ 𝒔,
𝑬[𝒓(𝒔) ⃓ 𝒓(𝒕)] = Ɵ + (𝒓(𝒕) − Ɵ)𝒆−(𝒔−𝒕)𝒌 ,

{ 𝝈²
𝑽[𝒓(𝒔) ⃓ 𝒓(𝒕)] = (𝟏 − 𝒆−𝟐(𝒔−𝒕)𝒌 ).
𝟐𝒌
Lorsque s devient infiniment grand, l’espérance de 𝒓(𝒔) -étant donné son niveau actuel- tend
11
Broze Laurence, Scaillet Olivier, Zakoïan Jean-Michel. « Estimation de modèles de la structure par terme des
taux d'intérêt ». In: Revue économique. Volume 47, n°3, 1996. pp. 511-519.
12
Oldrich VASICEK, « An equilibrium characterization of the term structure», In: Journal of Financial
Economics 5 (1977).p.9.
4
5
vers la valeur « moyenne » Ɵ. La variance conditionnelle tend, quant à elle, vers la constante
𝝈²
finie .
𝟐𝒌
L’incertitude est plus grande lorsqu’on s’intéresse à un taux plus éloigné dans le future, mais
ici elle n’explose jamais13.
Lorsque k tend vers l’infini (l’ajustement se fait de plus en plus rapidement), l’espérance de
𝒓(𝒕) tend vers Ɵ, et sa variance vers zéro : à la limite, il n’y a donc plus d’incertitude sur le
taux d’intérêt, qui reste « collé » au niveau Ɵ. A l’inverse, lorsque k tend vers zéro
(l’attraction vers Ɵ est plus en plus faible), l’espérance du taux futur tend vers son niveau
courant (et ne dépend donc plus de Ɵ), et sa variance vers (𝒔 − 𝒕)𝝈² , ce qui témoigne de
l’absence de toute force de rappel.14
Introduisant l’expression des paramètres du processus dans l’équation de structure par terme
des taux d’intérêt, il vient :
𝟏
𝝈𝟐 𝑷𝒓𝒓 + {𝒌(Ɵ − 𝒓) − 𝝀}𝑷𝒓 − 𝒓𝑷 + 𝑷𝒕 =0
𝟐
Et sa solution est :
𝑷(𝒕, 𝑻) = 𝒆𝒙𝒑(𝒂(𝒕, 𝑻)𝒓(𝒕) + 𝒃(𝒕, 𝑻)),
Avec
𝟏 −(𝑻−𝒕)𝒌
𝒂(𝒕, 𝑻) = (𝒆 − 𝟏),
𝒌
𝝈² −𝟐(𝑻−𝒕)𝒌
𝟏 𝝀 𝝈𝟐 −(𝑻−𝒕)𝒌
𝝀 𝝈𝟐
𝒃(𝒕, 𝑻) = 𝟑 (𝟏 − 𝒆 ) + {Ɵ − − 𝟐 } (𝟏 − 𝒆 ) − {Ɵ − − 𝟐 } (𝑻 − 𝒕)
𝟒𝒌 𝒌 𝒌 𝒌 𝒌 𝟐𝒌
Comme précédemment, on peut calculer les paramètres du processus de prix en évaluant 𝑷𝒓 à

partir de cette solution. On obtient :
𝝀 −(𝑻−𝒕)𝒌
𝜶(𝒕, 𝑻) = 𝒓(𝒕) + (𝒆 − 𝟏)
𝒌
𝝈 −(𝑻−𝒕)𝒌
𝜹(𝒕, 𝑻) = (𝒆 − 𝟏)
𝒌
𝝀
Soit une prime de terme 𝝋(𝒕, 𝑻) = 𝒌 (𝒆−(𝑻−𝒕)𝒌 − 𝟏), positive pour toutes les échéances, si 𝝀
13
L’existence d’une force de rappel fait que l’incertitude sur les taux courts futurs n’est jamais totale, quel que
soit l’horizon considéré.
14
Oldrich VASICEK, Op.cité. pp: 177-188.
5
6
est négatif.
Si on pose λ=0, le marché ne pays aucune prime pour une opération pourtant risquée. Mais ici
le risque instantané tend vers un maximum avec la maturité du bon de trésor15 :
𝝈
𝒍𝒊𝒎 𝜹(𝒕, 𝑻) =
𝑻→+∞ 𝒌
La structure par terme des taux d’intérêt est donnée par :

𝟏 𝟏 −(𝑻−𝒕)𝒌 𝝈𝟐
𝑹(𝒕, 𝑻) = − { (𝒆 − 𝟏)𝒓(𝒕) + 𝟑 (𝟏 − 𝒆−𝟐(𝑻−𝒕)𝒌 )
𝑻−𝒕 𝒌 𝟒𝒌
𝟏 𝝀 𝝈𝟐
+ {Ɵ − − 𝟐 } (𝟏 − 𝒆−(𝑻−𝒕)𝒌 )
𝒌 𝒌 𝒌
𝝀 𝝈𝟐
− {Ɵ − − 𝟐 } (𝑻 − 𝒕)}.
𝒌 𝟐𝒌
Pour un instant t donné, les valeurs limites en T de cette expression sont
𝒍𝒊𝒎 𝑹(𝒕, 𝑻) = 𝒓(𝒕)

𝑻→𝒕
Par définition, et, utilisant la règle de l’Hôpital16,

𝝀 𝝈𝟐
𝒍𝒊𝒎 𝑹(𝒕, 𝑻) = 𝑹∞ = Ɵ − − 𝟐
𝑻→+∞ 𝒌 𝟐𝒌
Utilisant cette notation, on peut exprimer la structure par terme des taux d’intérêt sous la
forme :
𝟏 −(𝑻−𝒕)𝒌
𝝈𝟐
𝑹(𝒕, 𝑻) = 𝑹∞ + (𝟏 − 𝒆 )(𝒓(𝒕) − 𝑹 ∞ ) + (𝟏 − 𝒆−(𝑻−𝒕)𝒌 )²
(𝑻 − 𝒕)𝒌 𝟒(𝒕 − 𝒕)𝒌𝟑
La structure par terme des taux d’intérêt part de 𝒓(𝒕) et tend vers un niveau 𝑹∞ pour les
échéances lointaines. Sa forme précise dépend du niveau de 𝒓(𝒕) et de la valeur des
𝝈𝟐
paramètres 𝒌, Ɵ, 𝝈 𝒆𝒕 𝝀. Si 𝒓(𝒕) est en-deçà de 𝑹∞ − , la courbe des taux d’intérêt est
𝟒𝒌𝟐
15
Patrick Georges, « The Vasicek and CIR Models and the Expectation Hypothesis of the Interest Rate Term
Structure», (2003) Document de travail, Department of Finance,Ministry of Finance.pp:5-14.
16
Soient f et g deux fonctions dérivables sur un voisinage de a telles que : f(a)=g(a)=0 ou f(a)=g(a)= +∞, alors :
𝒇(𝒂) 𝒇′(𝒂)
𝒍𝒊𝒎𝒙→𝒂 = 𝑳 ⇔ 𝒍𝒊𝒎𝒙→𝒂 = +∞, où L peut représenter une limite finie ou infinie. José ZEMMOUR,
𝒈(𝒂) 𝒈′(𝒂)
« Un modèle d’équilibre partiel d’arbitrage multifactoriel : l'écueil des primes de risque des facteurs », Centre
d'Economie et Finances Internationales, Université de la Méditerranée. Document de travail (2002).p.5.
6
7
𝛔𝟐
monotone croissante ; si 𝐫(𝐭) est au-delà de 𝐑 ∞ + , elle est monotone décroissante17. Pour
𝟐𝐤 𝟐
des valeurs intermédiaires de 𝐫(𝐭), la structure par terme des taux d’intérêt est en cloche. Le
paramètre de diffusion du processus des taux est :
𝛔
− (𝐞−(𝐓−𝐭)𝐤 − 𝟏)
(𝐓 − 𝐭)𝐤
ce qui est bien une fonction décroissante de la maturité (on a bien sûr une asymptote en zéro,
car le taux long 𝑹∞ est constant). La courbe des taux d’intérêt se rapproche d’autant plus vite
de l’axe horizontal que la force d’attraction k est grande.
Il paraît donc que c’est l’introduction du phénomène de retour à la moyenne qui permet de
passer d’une structure de volatilité plate à une structure décroissante, bien plus vraisemblable.
On pourrait, de la même façon, étudier la structure des taux à terme instantanés :
𝝈²
f(t,T)=𝑹∞ + (𝒓(𝒕) − 𝑹∞ )𝒆−(𝑻−𝒕)𝒌 + 𝟐𝒌² (𝟏 − 𝒆−(𝑻−𝒕)𝒌 )𝒆−(𝑻−𝒕)𝒌
3. MODELISATION DE LA COURBE DES TAUX D’INTERT MAROCAINE A

TRAVERS LE MODELE VASICEK
La modélisation de la structure par terme des taux d’intérêt en temps continu se fonde sur une
spécification de la dynamique suivie par les variables d’état retenues. Les prix des obligations
zéro-coupon sont ensuite dérivés grâce à des arguments d’arbitrage ou d’équilibre.
On choisit pour modéliser la dynamique suivie par les variables d’état, une approche par les
Séries chronologiques. On estimera dans cette approche les paramètres de la dynamique des
facteurs retenue pour le modèle. Dans le cas d’une dynamique induite par une équation
différentielle stochastique, on se trouve confronté au problème de l’estimation d’un processus
de diffusion à partir des données en temps discret.
Pour le processus d’Ornstein-Uhlenbeck, la connaissance de la version discrète exacte permet
l’utilisation des Moindres Carrées Ordinaires (MCO). Cette méthode mène en général à des
biais de discrétisation qui peuvent être important. Il est dès lors souhaitable de corriger ce
biais à partir des techniques d’estimations fondées sur des simulations.
3.1. Estimation des paramètres du processus d’Ornstein-Uhlenbeck
Dans cet article nous utiliserons l’approche en série chronologique citée auparavant, et
procéderons à l’estimation du processus via la solution analytique du modèle de Vasicek.
 Méthodologie d’estimation
17
Niko Herrala, « Vasicek interest rate model: parameter estimation, evolution of the short-term interest rate
and term structure »,Lappeenranta University Of Technology, p.11.
7
8
Nous rappelons que La dynamique du processus d’Ornstein Uhlenbeck pour le taux court est
décrite par le processus suivant :
dr  k (  r (t ))dt  dB
Pour estimer les paramètres du processus d’Ornstein Uhlenbeck k,  et  nous allons

utiliser la discrétisation exacte proposée par GOURIEROUX, MONFORT et RENAULT18
qui est donnée sous la forme suivante :
rt  rt 1   (1  e  k )  (e  k  1)rt 1   t
2
Avec  t  N (0, (1  e  2 k ))
2k
Ce qui montre que nous pouvons estimer les paramètres du processus par la méthode des
Moindres Carrées Ordinaires (MCO), en utilisant des données discrètes du taux à court terme
dans l’équation du processus autorégressif d’ordre (1) suivante :
Posant
𝒂 = 𝜽(𝟏 − 𝒆−𝒌 )
𝒃 = 𝒆−𝒌
L’équation discrétisée devient :
𝒓𝒕 = 𝒂 + 𝒃𝒓𝒕−𝟏 + 𝜺𝒕
Avec
 a et b des constantes positives ;
  t le résidu de l’équation de régression ;
 rt 1 c’est le taux r à l’instant t-1.
Sous cette forme, l’équation de l’évolution du taux court se présente comme étant un
autorégressif d’ordre 1 AR (1).
 Présentation et Analyse des données utilisées

Pour estimer les paramètres désirés, nous avons choisi comme taux court, le taux moyen
pondéré au jour le jour (TMPjj) qui est le taux de l'argent au jour le jour du marché
18
GOURIEROUX C., MONFORT A. & RENAULT E., 1993, “Indirect Inference”, Journal of Applied
Econometrics 8, S85-S118.
8
9
interbancaire19. C'est un taux moyen pondéré par les montants des transactions déclarées,
pour l’ensemble des établissements admis au marché interbancaire. Les données
journalières du TMPjj s’étalent du 1er octobre 2004 au 31 Mai 2016 ; soit au total 4245
observations. Ces données sont représentées sur le graphe suivant :
Evolution du Taux du marché interbancaire (2004-2016)

.050
.045
.040
.035
.030
.025
.020
.015
04 05 06 07 08 09 10 11 12 13 14 15 16
Source : Données de Bank AL-Maghrib, réalisé par les auteurs
1,000
Series: TMP
Sample 10/01/2004 5/31/2016
800 Observations 4245
Mean 0.030120
600 Median 0.031040
Maximum 0.049590
Minimum 0.020040
400 Std. Dev. 0.004531
Skewness 0.008325
Kurtosis 3.230186
200
Jarque-Bera 9.420874
Probability 0.009001
0
0.020 0.025 0.030 0.035 0.040 0.045 0.050
Figure1. Histogramme de la série TMP, réalisé sur Eviews par les auteurs
Sur ce schéma sont résumées les différentes statistiques relatives à la série de données du taux
de marché interbancaire (TMPjj).
19
Ce choix est fondé sur la capacité indicatrice du taux d’intérêt au jour le jour à refléter les modulations de la
politique monétaire (Mojon et al, 1994 ; Ronald et Lange, 2010).Ainsi, ce taux est le meilleur taux de référence
pour représenter la politique monétaire et son impact sur la structure par terme des taux d’intérêt (Borio et Fritz,
1995)
9
10
Le TMPjj se caractérise durant la période considérée par une grande volatilité. Il est très
sensible au niveau de liquidité bancaire, et au taux directeur de la Banque Centrale Marocaine
(BAM).
 Étude de la stationnarité
Pour travailler avec des données temporelles, elles doivent conserver une distribution
constante dans le temps. C’est le concept de stationnarité. Ainsi, si les variables passées sont
semblables aux variables futures, on peut utiliser le passé pour tenter de prédire le futur. Si
les données ne sont pas stationnaires, on peut se retrouver avec : un biais de prévision, une
prévision inefficace et par conséquent une mauvaise inférence.
 Série stationnaire
Une série chronologique Xt est stationnaire si sa moyenne, sa variance et sa covariance sont

indépendantes du temps et si sa variance est finie.
 E(Xt ) = µ (L’espérance ne dépend pas de t)
 V(Xt ) = σ2 (la variance ne dépend pas de t)
 COV (X t , Xk )=γs avec s=t-k , s≠ 0 (la covariance ne dépend pas de t-k)
 Tests de racines unitaires : Tests de Dickey-Fuller
Les tests de racine unitaires « Unit Root Test » permettent de mettre en évidence la
stationnarité ou non stationnarité d’une tendance déterministe ou stochastique.
Ses hypothèses sont les suivantes :

H0 : Présence de racine unitaire (non stationnaire) Vs H1 : Absence de racine unitaire
(stationnaire)
Si 𝑡𝜌̂ > 𝑡𝑡𝑎𝑏𝑢𝑙é on accepte H0 (ou bien on raisonne par probabilité) ; il existe une racine
unitaire : série non stationnaire)
Le test de Dickey-Fuller nous donne les résultats suivants :
Tableau 1 : Test de stationnarité par la méthode de Dickey-Fuller Augmenté, réalisé sur Eviews
par les auteurs
Null Hypothesis: TMP has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 8 (Automatic - based on SIC, maxlag=30)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -6.1570939 0.000000

Test critical values: 1% level -3.960205
5% level -3.410865
10% level -3.127233
*MacKinnon (1996) one-sided p-values.
10
11
Nous avons une probabilité inférieure à 0.05, donc On rejette Ho l’hypothèse d’existence
d’une racine unitaire dans la série et on conclut que la série est stationnaire.
 Corrélogramme de la série des résidus
Tableau 2 : Autocorrélations simple et partielle du TMPjj, réalisé sur Eviews par les
auteurs
Date: 11/16/16 Time: 12:38
Sample: 10/01/2004 5/31/2016
Included observations: 4245
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
|******* |******* 1 0.965 0.965 3958.1 0.000

|******* | | 2 0.928 -0.059 7615.3 0.000
|******| | | 3 0.892 0.014 11000. 0.000
|******| | | 4 0.861 0.035 14150. 0.000
|******| | | 5 0.830 -0.012 17077. 0.000
|******| | | 6 0.801 0.026 19809. 0.000
|******| |* | 7 0.782 0.113 22410. 0.000
|******| |* | 8 0.769 0.087 24930. 0.000
|***** | | | 9 0.760 0.046 27390. 0.000
|***** | | | 10 0.752 0.032 29800. 0.000
|***** | | | 11 0.745 0.013 32162. 0.000
|***** | | | 12 0.737 0.015 34476. 0.000
|***** | | | 13 0.728 0.004 36735. 0.000
|***** | | | 14 0.719 0.027 38939. 0.000
|***** | | | 15 0.707 -0.031 41069. 0.000
|***** | | | 16 0.695 0.023 43129. 0.000
|***** | | | 17 0.683 0.000 45118. 0.000
|***** | | | 18 0.671 0.000 47040. 0.000
|***** | | | 19 0.658 -0.025 48884. 0.000
|***** | | | 20 0.645 0.005 50657. 0.000
|***** | | | 21 0.633 0.003 52366. 0.000
|***** | | | 22 0.624 0.037 54029. 0.000
|**** | | | 23 0.619 0.046 55663. 0.000
|**** | | | 24 0.615 0.021 57278. 0.000
|**** | | | 25 0.615 0.070 58896. 0.000
|**** | | | 26 0.619 0.047 60533. 0.000
|**** | | | 27 0.622 0.021 62188. 0.000
|***** | | | 28 0.628 0.064 63876. 0.000
|***** | | | 29 0.629 -0.040 65567. 0.000
|***** | | | 30 0.626 -0.021 67242. 0.000
|**** | | | 31 0.619 -0.019 68883. 0.000
|**** | | | 32 0.609 -0.032 70471. 0.000
|**** | | | 33 0.599 0.018 72007. 0.000
|**** | | | 34 0.585 -0.059 73473. 0.000
|**** | | | 35 0.574 0.038 74886. 0.000
|**** | | | 36 0.566 0.014 76260. 0.000
On remarque que toutes les autocorrélations sont significativement différentes de zéro et

diminuent très lentement. La première autocorrélation partielle est significativement
différente de zéro.
Notons que les coefficients (PAC) suivent une loi normale de moyenne nulle et de variance
égale à 1/n = 1/4245 = 0,00023463.
11
12
Soit PACi le coefficient auto corrélation partielle d’ordre i et testons l’Hypothèse :
H0 : PACi 0 pour i 1...36
Nous remarquons que pour un niveau de confiance de 95%, tous les PAC d'ordre 1 et plus
rentrent dans l’intervalle de confiance. Donc nous ne rejetons pas l'hypothèse de la nullité des
PAC, et par conséquent, notre processus se rapproche d’un processus auto régressif d'ordre 1.
Ceci se confirme par le fait que les autocorrélations décroissent exponentiellement vers 0 ; ce
qui confirme le choix d’un AR (1).
3.2. Estimation des paramètres du modèle VASICEK

Nous avons utilisé la méthode des MCO pour estimer les paramètres du modèle VASICEK.
Les résultats donnés par le logiciel Eviews sont représentés dans le tableau suivant :
Tableau 3 : Résultats d’estimation par la méthode des MCO, réalisé sur Eviews par les auteurs
Dependent Variable: TMP

Method: Least Squares
Date: 11/16/16 Time: 16:03
Sample (adjusted): 10/02/2004 5/31/2016
Included observations: 4244 after adjustments
Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 0.030106 0.000533 56.46563 0.0000

TMP(-1) 0.966324 0.003965 243.7412 0.0000
R-squared 0.933356 Mean dependent var 0.030122

Adjusted R-squared 0.933340 S.D. dependent var 0.004530
S.E. of regression 0.001170 Akaike info criterion -10.66366
Sum squared resid 0.005804 Schwarz criterion -10.66066
Log likelihood 22630.28 Hannan-Quinn criter. -10.66260
F-statistic 59409.76 Durbin-Watson stat 1.886292
Prob(F-statistic) 0.000000
Inverted AR Roots .97
 Représentation de l’équation du TMPjj en fonction du TMPjj (-1)
TMP = 0.0301059210007 + [TMP(-1)*0.9663237462]
On rejette l’hypothèse de la nullité des coefficients a et b vu que la probabilité est < 0.05, De
plus, la statistique de Fisher permet de rejeter la nullité de tous les coefficients estimés
simultanément. La statistique de Durbin-Watson est de 1.88629 proche de 2. Les résidus sont
donc significativement indépendants.
12
13
Après avoir estimé les paramètres a et b, on peut par la suite déduire les paramètres
d’Orenstein Uhlenbeck :
 k   ln(bˆ)  -ln( 0.957652)  0.04327

 ln(bˆ 2 )
  ˆ   0.00163522
 1  bˆ 2
aˆ
  0,03046
 1  bˆ
 Estimation de λ
Nous rappelons que le rendement d’une obligation zéro coupon, de maturité T, à la date t est
donné pour le modèle de VASICEK par la formule :
 (T t ) K 2 
 (e  1)r (t )  3
(1  e 2(T t ) K ) 
1 4K
R(t , T )    
T  t  1      (1  e (T t ) K )       (T  t )
2 2
 K 
 K K2 
 
 K 2K 2 
 
Une prime de risque nulle nous semble justifiable dans le cas des bons de Trésor, puisque
ces derniers sont supposés n’encourir aucun risque de contrepartie. Néanmoins, nous avons
jugé très intéressant de pouvoir estimer cette prime, d’une part, pour obtenir un meilleur
résultat d’ajustement, et d’autre part, pour voir l’impact de ce paramètre et son
importance dans une analyse de la structure par termes des taux d’intérêt au Maroc.
Deux approches peuvent être adoptées pour la détermination du paramètre λ. La première est
celle proposée par BROWN et DYBVIG20 – SERCU et WU21 consistant à estimer tous les
paramètres du modèle simultanément y compris λ de telle sorte que le modèle s’accommode à
la courbe des taux d’intérêt réelle du marché. La deuxième approche consiste à déterminer λ
en minimisant la somme des carrées des erreurs entre les prix réels des obligations et les prix
théoriques en fonctions de λ. Nous avons choisi d’adopter la deuxième approche.
Nous allons prendre le 01/03/2016 comme date d’estimation de λ (le taux à court terme
correspondant à cette date est : TMP = 0.02502), puis faire une comparaison entre les taux
zéro coupon réels sur le marché secondaire des bons de trésor (BDT) et les taux théoriques
estimés par le modèle de VASICEK.
20
Brown, S. J., and P. H. Dybvig, 1986, "The Empirical Implications of the CIR Theory of the Term Structure of
Interest Rates," Journal of Finance, 41, 617-630.
21
Sercu, P., & Wu, X. (1997). The information content in bond model residuals: An empirical study on the
Belgian bond market. Journal of Banking & Finance, 21(5), 685-720.
13
14
 Méthode d’estimation
La méthode d’estimation qu’on va utiliser est la méthode des MCO qui consistera en la
minimisation des carrées des erreurs entre les taux zéro-coupon théoriques et ceux du marché
secondaire des bons de Trésor (BDT). On aura alors à estimer  avec l’équation suivante :
R 0 (t , T )   V(T - t)
Avec
 (T t ) K 2 
 ( e  1) r (t )  3
(1  e 2 (T t ) K ) 
1 4K
R 0 (t , T )    
T  t  1    (1  e (T t ) K )     (T  t )
2 2
Et
 K 
 K2 
 
 2K 2 
 
1 e  (T t ) K  1
V (T  t )  (  )
K (T  t ) K 2
 Résultat d’estimation
L’estimation par la MCO nous donne la valeur   0,001787.
 Estimation de la prime de risque du marché
Pour estimer la prime de risque du marché 𝝓 pour les différentes maturités, nous remplaçons
le paramètre λ dans la formule :

 (t , T )  (e (T t ) K  1)
K
En remplaçant la valeur du paramètre λ dans l’équation ci-dessus, on obtient les valeurs

suivantes de la prime de risque pour les maturités de 13 semaines à 20ans.
14
15
Tableau 4 : Prime de risque, calcul sur Excel sous VBA, par les auteurs
Prime de
Maturité
.025 risque
0.25 1.78661E-05
0.5 0.000444342
1 0.000883904
.020
2 0.001748889
3 0.003423718
4 0.005027621
.015 5 0.006563602
6 0.008034538
7 0.009443183
8 0.010792176
.010
9 0.012084042
10 0.0133212
11 0.014505968
.005 12 0.015640563
13 0.016727111
14 0.017767646
15 0.018764117
.000
16 0.01971839
2 4 6 8 10 12 14 16 18 20 22 17 0.020632251
18 0.021507412
PRIME_DE_RISQUE 19 0.022345513
20 0.023148122
Figure 2 : Prime de risque, réalisé sur Eviews par les auteurs
On remarque que la prime de risque estimée augmente avec la maturité, ce qui est tout à fait
raisonnable, car plus le délai de remboursement est long, plus on exige plus d’argent.
3.3. Comparaison entre la courbe des taux d’intérêt secondaire (réelle) et celle
(théorique) du modèle de VASICEK
L’idéal est que la courbe des taux d’intérêt réelle observée sur le marché secondaire des bons
de trésor (en rouge) colle parfaitement avec la courbe des taux modélisée (en bleu), mais ici,
on observe qu’elle colle à peu près pour les maturités à long terme allant de 13 ans jusqu’à 17
ans, et de 19 ans jusqu'à 20, tandis qu’il y a une différence pour les autres maturités.
15
16
Evolution de la courbe des taux réelle et empirique

0,05
0,04
0,03
Taux
0,02
0,01 courbe des taux de Vasicek courbe des taux réelle
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Maturité
Figure 3 : Comparaison entre la courbe des taux théorique et réelle, calcul sur Excel sous VBA,
par les auteurs
Cette différence observée, peut être expliquée par les erreurs d’estimation des paramètres
du modèle de Vasicek (a, b et  ). Ainsi n’oublions pas qu’en réalité, la courbe des taux
d’intérêt n’existe pas pour toutes les maturités (du 13 semaines jusqu’à 20 ans), les autres
points ont été obtenus par les méthodes d’interpolations, et ces méthodes comportent des
erreurs qui sont à prendre en considération.
Autres explications reliées au fondement mathématique et économique du modèle de
Vasicek lui-même, peuvent expliquées cette différence :
 Fondement économique
Le fait d’expliquer l’évolution de tous les segments (court, moyen et long terme) de la courbe
des taux d’intérêt seulement avec un seul facteur qui est le taux du marché interbancaire n’est
pas si évident; la valeur du TMPjj d’une date donnée, ne permet pas de déterminer l’évolution
de la courbe des taux d’intérêt sur le court, moyen et le long terme.
La banque centrale vise à agir, à travers ses instruments de politique monétaire, sur le niveau
du taux d’intérêt du marché interbancaire, et à travers lui à influer sur l’évolution de
l’ensemble des taux d’intérêt22 afin d’impacter, in fine, le comportement des prêteurs et des
emprunteurs. Ainsi, grâce au marché unifié, une action sur les taux courts se répercute à
terme sur toute la structure par terme des taux d’intérêt. L’effet de la politique monétaire est
donc plus important sur les maturités courtes et moyennes de la courbe des taux d’intérêt, la
partie longue étant impactée plus par d’autres variables à prendre en considération,
notamment :
 Le déficit public ;
 Les montants levés par le Trésor ;
 Les anticipations des investisseurs ;
22
En agissant sur le taux du marché interbancaire, la banque centrale peut agir sur les taux des autres
marchés (marché des Titres de Créances Négociables (TCN), marché des bons du Trésor...). Le taux du marché
interbancaire constitue le point d'ancrage pour l'ensemble des taux courts.
16
17
 Fondement théorique (mathématique) :
Le modèle parait réaliste vis-à-vis de sa structure mathématique et de son explication

1 2
économique : R(t , T )  R  (1  e (T t ) K )(r (t )  R )  (1  e (T t ) K ) 2
(T  t ) K 4(T  t ) K 3
Sauf qu’il représente deux défauts :
 Le premier tient à la constance de 𝑹∞ , qui contraint la queue de la structure par

terme des taux d’intérêt à un niveau indépendant de sa forme23 ;
 Le deuxième est lié à la spécification de la variance instantanée de l’évolution du taux
court : celle-ci ne permet pas d’exclure des valeurs négatives pour 𝒓(𝒕). En effet,
lorsque 𝒓(𝒕) s’approche de zéro, sa dynamique tend à ressembler à un mouvement
brownien généralisé 𝒅𝒓(𝒕) = 𝒌Ɵ𝒅𝒕 + 𝝈𝒅𝑩(𝒕). 24 Si le terme 𝒌Ɵ𝒅𝒕 est
nécessairement positif, 𝝈𝒅𝑩(𝒕) peut tout à fait prendre une valeur négative, telle que
le taux devient lui-même négatif.
Pour éviter cela, il est nécessaire que la variance du processus dépende de son niveau, afin de
l’empêcher de franchir la limite du zéro25.
CONCLUSION
Le modèle de VASICEK que nous avons utilisé, suppose que la structure par termes des taux
d'intérêt est expliquée par un nombre réduit de variables d'état, dont la trajectoire est un
processus stochastiques homogènes dans le temps. Il suppose, en règle générale, que la
variable d'état peut être représentée par des taux d'intérêt d'échéances particulières comme le
taux d'intérêt à très court terme (TMPjj).
Il serait opportun de signaler en guise de conclusion des résultats obtenus dans cet article, que
pour presque toutes les dates qu’on a choisi pour faire un Backtesting, la courbe des taux
modélisée colle, à peu près pour les maturités à long terme, avec celle réelle observée sur
le marché secondaire des BDT avec une légère différence pour les autres maturités
(maturités courtes et moyennes).Cette différence observée, peut être expliquée par les
erreurs d’estimation des paramètres du modèle de Vasicek, et des méthodes
d’interpolations. Ainsi, d’autres explications reliées au fondement mathématique et
économique du modèle, notamment le fait d’expliquer l’évolution de la courbe des taux
avec un seul facteur qui est le TMPjj, peuvent expliquées cette différence.
L’impact de la politique monétaire est plus important sur les maturités courtes et moyennes de
la courbe des taux d’intérêt, la partie longue étant impactée plus par d’autres variables à
prendre en considération, notamment le déficit public, les montants levés par le Trésor et les
anticipations des investisseurs.
23
Ainsi, cela implique une incapacité à rendre compte de l’ensemble des formes des courbes des taux.
24
ROGEMAR S. MAMON, «Three Ways to Solve for Bond Prices in the Vasicek Model » (2004), Journal of
applied mathematics and decision sciences, pp: 1–14.
25
Christophe BISIERE, (1997), Op. Cité, p.86.
17
18
Il serait donc judicieux de modéliser la courbe des taux d’intérêt au Maroc avec un modèle à
deux ou trois facteurs26 afin d’améliorer le caractère vraisemblable de la courbe des taux
modélisée, tout en prenant en considération les variables explicatives/ déterminantes de la
partie moyenne et longue de la courbe des taux,
BIBLIOGRAPHIE
Aas K. (2004), “Modelling the stochastic behaviour of short-term interest rates: a survey”,
Norwegian Computing Center, Applied Research and Development, Volume 21, Issue 4,
pp. 1-10.
Bali T.G. et Wu L. (2006), “A Comprehensive Analysis of the Short-Term Interest-Rate
Dynamics”, Journal of Banking and Finance 30, pp.1269-1290.
Björk T. et Christensen B. (1999), “Interest rate dynamics and consistent forward rate
curves”, Mathematical Finance 9, pp.323–348.
Bjork T. et Svensson L. (2001), “On the existence of finite dimensional realizations for
nonlinear forward rate models”, Mathematical Finance 11, pp.205–243.
Bollerslev T. (1986), “Generalized autoregressive conditional heterskedasticity”, Journal of
Econometrics, 31,pp.307-327.
Brenner J., Harjes H. et Kroner K. (1996), “Another Look at alternative Models of the
Short-Term Interest Rate”, Journal of Financial and Quantitative Analysis 31(1), pp.85-
107.
Chan C., Karolyi A., Longstaff F. et Sanders B. (1992), “An empirical Comparison of
Alternative Models of the short-term Interest Rate”, Journal of Finance, XLVII (3),
pp.1209-1227.
Chen L. (1996), “Stochastic Mean and Stochastic Volatility, A Three Factor Model of the
Term Structure of Interest Rates and its Application to the Pricing of Interest Rate
Derivatives”, Blackwell Publishers, London.
Christensen J. H., Lopez J. A. et Rudebusch G. D. (2008), “Stochastic Volatility in
Arbitrage-Free Nelson-Seigel Models of the Term Structure”, Unpublished manuscript,
Federal Reserve Bank of San Francisco.
Cochrane J.H. et Piazzesi M. (2002), “Bond risk premia”, Manuscript, University of
Chicago and UCLA.
Cox J.C., Ingersoll J.E. et Ross S.A. (1985), “A theory of the term structure of interest
rates”, Econometrica 53, pp.385-408.
Dai Q. et Singleton K. (2000), “Specification analysis of affine term structure models”,
Journal of Finance 55, pp.1943–1978.
Derman Emanuel (1996), “Model Risk”, RISK, Goldman Sachs, pp.139-145.
Diebold F.X., Rudebusch et Aruoba (2006), “The macroeconomy and the yield curve: a
dynamic latent factor approach”, Journal of Econometrics 131, pp.309–338.
26
On peut prendre par exemple le modèle de BRENNAN et SCWARTZ (1979), Michael J. BRENNAN and
Eduardi S.SCAWRTZ, (1979), “A coninuous time approuach to the princing bonds”, Journal of banking finance
3 (1973) 133 155
18
19
Diebold F.X. et Li C. (2003), “Forecasting the Term Structure of Government Bond Yields”,
Working paper 130, pp.337-364.
Diebold F.X., Li C. et Yue V. (2008), “Global Yield Curve Dynamics and Interactions:
Generalized Nelson-Siegel Approach”, Journal of Econometrics 146, pp.351-363.
Duffie D. et Kan R. (1996), “A yield-factor model of interest rates”, Mathematical Finance 6,
pp.379–406.
Engle Robert F. (1982), “Autoregressive Conditional Heteroscedasticity with Estimates of
the Variance of United Kingdom Inflation”, Econometrica, Econometric Society, vol.
50(4), pp. 987-1007.
Etrella A. et Hardouvelis G.A. (1991), “The Term Structure as a Predictor of Real
Economic Activity”, The Journal of Finance 46:2, pp.555-576.
Fabozzi F.J. et Fabozzi T.D. (1995), “The Handbook of Fixed Income Securities”, Edition 4,
Burr Ridge, Ill.: Irwin.
Fama E. et Bliss R. (1987), “The information in long-maturity forward rates”, American
Economic Review 77, pp.680–692.
Hautsch N. et Ou Y. (2012), “Analyzing interest rate risk: Stochastic volatility in the term
structure of government bond yields”, Journal of Banking & Finance 36, pp.2988–3007.
Hull J. et White A. (1990), “Pricing interest-rate-derivative securities”, Review of Financial
Studies 3, pp.573–592.
Koopman S.J., Max Mallee I.P. et Van Der Wel M. (2010), “Analyzing the Term Structure
of Interest Rates using the Dynamic Nelson–Siegel Model with Time-Varying
Parameters”, Journal of Business & Economic Statistics.
Koutmos G. et Philippatos G. (2007), “Asymmetric Mean Reversion in European Interest
Rates: A Two Factor Model”, The European Journal of Finance, Volume 13, Issue 8, pp.
741-750.
Litterman R. et Scheinkman J. (1991), “Common factors affecting bond returns”, Journal of
Fixed Income 1, pp.54-61.
Litzenberger R., Squassi G. et Weir N. (1995), “Spline models of the term structure of
interest rates and their applications”, Working Paper, Goldman Sachs and Company.
Longstaff F.A. et Schwartz E.S. (1992), “A two-factor general equilibrium model”, The
journal of Finance 47, pp.1259-1282.
Luo X., Han H. et Zhang J.E. (2012), “Forecasting the term structure of Chinese Treasury
yields”, Pacific-Basin Finance Journal 20, pp.639–659.
McCulloch J.H. (1975), “The tax adjusted yield curve”, Journal of Finance 30, pp.811–830.
McCulloch J.H. et Kwon H. (1993), “U.S. term structure data”, 1947–1991. Working paper
93-6, Ohio State University.
Merton Robert C. (1973), “The Theory of Rational Option Pricing”, Bell Journal of
Economics and Management Science, Spring 4, pp. 141-183.
Nelson C.R. et Siegel A.F. (1987), “Parsimonious modeling of yield curve“, Journal of
Business 60, pp.473–489.
Priaulet P. et Martellini L. (2004), “ Produits de taux d’intérêt: Méthodes dynamiques
d’évaluation et de couverture”, Economica.
19
20
Priaulet P. et Martellini L. (2005), “Fixed-Income Securities: Dynamic Methods for

Interest Rate Risk Pricing and Hedging”, Wiley.
Siegel A.F. et Nelson C.R. (1987), “Long-term behavior of yield curves”, Journal of
Financial and Quantitative Analysis 23, pp.105–110.
Startz R. et Tsang K.P. (2010), “An Unobserved Components Model of the Yield Curve”,
Journal of Money, Credit and Banking, Volume 42, No. 8.
Svensson L.E. (1994), “Estimating and Interpreting Forward Interest Rates: Sweden 1992-
1994.”, Centre for Economic Policy Research, Discussion Paper 1051.
Svensson L.E. et Söderlin P. (1997), “New Techniques to Extract Market Expectations from
Financial Instruments”, Centre for Economic Policy Research, Discussion Paper 1556.
Svensson L.E.O. (1996), “Estimating the Term Structure of Interest Rates for Monetary
Policy Analysis”, Scandinavian Journal of Economics, Volume 98, pp.163‐183.
Swanson N.R. et White H.(1995), “A model-selection approach to assessing the information
in the term structure using linear models and artificial neural networks”, Journal of
Business and Economic Statistics 13, pp.265–275.
Tse Y. (1995), “Some International Evidence on the Stochastic Behavior of Interest Rates”,
Journal of International Money and Finance, 14(5), pp.721-738.
Vasicek O. (1977), “An equilibrium characterization of the term structure”, Journal of
Financial Economics 5, pp.177–188.
Vasicek O.A. et Fong H.G. (1982), “Term structure modeling using exponential splines”,
Journal of Finance 37, pp.339–348.
20

6944 17139 1 PB

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

6944 17139 1 PB

Transféré par

Droits d'auteur :

Formats disponibles

REMFO N°4 Décembre 2016 ISSN 2489-205X

Revue D’Etudes en Management et Finance D’Organisation

MODÉLISATION DE LA COURBE DES TAUX D’INTÉRÊT MAROCAINE À

MODELIZATION YIELD CURVE BY VASICEK MODEL INTEREST RATE

Mohsine AIT CHEIKH

Classification JEL: E50 ; E52 ; E58 ; E59

Classification JEL: E50 ; E52 ; E58 ; E59

 𝑑𝑟(𝑡) = µ(𝑟, 𝑡)𝑑𝑡 + 𝜎(𝑟, 𝑡)𝑑𝐵(𝑡)

Le taux court suivant un processus d’Itô8, µ(r, t) désigne l’espérance du changement

𝒅𝒓(𝒕) = 𝒌(Ɵ − 𝒓(𝒕))𝒅𝒕 + 𝝈𝒅𝑩(𝒕)

Où 𝒌 𝒆𝒕 Ɵ sont des scalaires strictement positifs et B un mouvement brownien. Le terme dt du

𝑬[𝒓(𝒔) ⃓ 𝒓(𝒕)] = Ɵ + (𝒓(𝒕) − Ɵ)𝒆−(𝒔−𝒕)𝒌 ,

𝑷(𝒕, 𝑻) = 𝒆𝒙𝒑(𝒂(𝒕, 𝑻)𝒓(𝒕) + 𝒃(𝒕, 𝑻)),

Comme précédemment, on peut calculer les paramètres du processus de prix en évaluant 𝑷𝒓 à

La structure par terme des taux d’intérêt est donnée par :

Pour un instant t donné, les valeurs limites en T de cette expression sont

𝒍𝒊𝒎 𝑹(𝒕, 𝑻) = 𝒓(𝒕)

Par définition, et, utilisant la règle de l’Hôpital16,

3. MODELISATION DE LA COURBE DES TAUX D’INTERT MAROCAINE A

3.1. Estimation des paramètres du processus d’Ornstein-Uhlenbeck

Pour estimer les paramètres du processus d’Ornstein Uhlenbeck k,  et  nous allons

L’équation discrétisée devient :

 Présentation et Analyse des données utilisées

Evolution du Taux du marché interbancaire (2004-2016)

Une série chronologique Xt est stationnaire si sa moyenne, sa variance et sa covariance sont

 Tests de racines unitaires : Tests de Dickey-Fuller

Ses hypothèses sont les suivantes :

Augmented Dickey-Fuller test statistic -6.1570939 0.000000

*MacKinnon (1996) one-sided p-values.

 Corrélogramme de la série des résidus

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

|******* |******* 1 0.965 0.965 3958.1 0.000

On remarque que toutes les autocorrélations sont significativement différentes de zéro et

Soit PACi le coefficient auto corrélation partielle d’ordre i et testons l’Hypothèse :

H0 : PACi 0 pour i 1...36

3.2. Estimation des paramètres du modèle VASICEK

Dependent Variable: TMP

Variable Coefficient Std. Error t-Statistic Prob.

C 0.030106 0.000533 56.46563 0.0000

R-squared 0.933356 Mean dependent var 0.030122

Inverted AR Roots .97

 Représentation de l’équation du TMPjj en fonction du TMPjj (-1)

TMP = 0.0301059210007 + [TMP(-1)*0.9663237462]

 k   ln(bˆ)  -ln( 0.957652)  0.04327

L’estimation par la MCO nous donne la valeur   0,001787.

 Estimation de la prime de risque du marché

En remplaçant la valeur du paramètre λ dans l’équation ci-dessus, on obtient les valeurs

Figure 2 : Prime de risque, réalisé sur Eviews par les auteurs

Evolution de la courbe des taux réelle et empirique

0,01 courbe des taux de Vasicek courbe des taux réelle

 Fondement théorique (mathématique) :

Le modèle parait réaliste vis-à-vis de sa structure mathématique et de son explication

Sauf qu’il représente deux défauts :

 Le premier tient à la constance de 𝑹∞ , qui contraint la queue de la structure par

Priaulet P. et Martellini L. (2005), “Fixed-Income Securities: Dynamic Methods for

Vous aimerez peut-être aussi

|* |* 1 0.965 0.965 3958.1 0.000