ROYAUME DU MAROC

*-*-*-*-*

HAUT COMMISSARIAT AU PLAN

*-*-*-*-*-*-*-*

INSTITUT NATIONAL DE STATISTIQUE ET D’ECONOMIE APPLIQUEE

Projet d’Econométrie de la finance

***************

Etude d’évènement

Filière : Actuariat-Finance

1
2
Table des matières
Table des matières ........................................................................................ 3
Chapitre1 : Méthodologie des études d’évènements .................................... 4
Méthodologie des études d’évènements ....................................................... 5
1 ére étape : Définition de l’événement ..................................................... 5
2 éme étape : Critère de sélection .............................................................. 6
3 éme étape : rendement normal – rendement anormal ............................. 6
4 éme étape : Fenêtre d’estimation ............................................................ 6
5 éme étape : Test d’hypothèses ................................................................ 6
6 éme étape : Interprétations et conclusions .............................................. 6
Chapitre2 : Effet d’un événement sur la valeur d’un titre financier ............. 7
Effet d’un événement sur la valeur d’un titre financier ................................ 8
Evenement1 : l’annonce de vaccin par Moderna....................................... 8
Evenement2 : l’impact de confinement sur l’e-commerce ..................... 10
Chapitre3 :L’impact de plusieurs événements sur le rendement d’un
portefeuille de titres ................................................................................... 13
L’impact de plusieurs événements sur le rendement d’un portefeuille de
titres ............................................................................................................ 14
Evenement1 : Chute historique du pétrole américain.............................. 14
Evenement2 : annulation de l’interdiction de vol de l’avion Boeing 737
Max.......................................................................................................... 15
Annexe ....................................................................................................... 19
Le script R pour le deuxième chapitre..................................................... 19
Le script R pour le troisième chapitre. .................................................... 23

3
Chapitre1 : Méthodologie des études
d’évènements

4
Méthodologie des études d’évènements

Les études d’événement permettent de mesurer la pertinence informative d’un événement,

notamment l’analyse du comportement des cours boursiers à l’arrivée d’une information. Elles
sont basées sur l’idée selon laquelle les marchés financiers réagissent immédiatement à de
nouvelles informations susceptibles d’affecter la profitabilité future de la société.

Mackinlay (1997) identifie sept étapes pour la mise en œuvre de cette méthodologie.

1 ére étape : Définition de l’événement

La première étape dans la méthodologie des études d’événements consiste à définir
l’événement et à identifier la période pendant laquelle cet événement va être étudié, appelée «
fenêtre d’événement » ou « période de test ». Ensuite, la fenêtres de l’estimation peut être
déterminées (voir la figure ). L’intervalle T0 − T1 est la fenêtre d’estimation qui fournit
l’information nécessaire pour spécifier le rendement normal (c.-à-d. avant la survenance de
l’événement). L’intervalle T2 −T1 + 1 est la fenêtre d’événement, et l’intervalle T3 − T2 est la
fenêtre post-événement utilisée pour étudier le comportement des actions après l’événement.
La longueur de la fenêtre d’événement dépend souvent de la capacité de fixer la date
d’annoncement. Si l’on peut le faire avec précision, la fenêtre d’événement sera moins longue,
et Ainsi, la capture des rendements sera plus appropriée.

5
2 éme étape : Critère de sélection
Une fois l’événement est défini, il convient de déterminer un critère de sélection, c'est à-
dire un critère sur lequel va être basée l’étude d’événement. En d’autres termes, on va se recourir
à quelle information pour dire qu’un tel événement a eu un effet ? La majorité des travaux
utilisent ou bien les volumes ou bien les rendements. Dans ce papier, le critère choisi est celui
de rendement.

3 éme étape : rendement normal – rendement anormal

Pour apprécier l’impact d’un événement, il est indispensable de calculer un rendement
anormal ou encore l’excès de rendement dû à l’événement. Le rendement anormal est la
différence entre le rendement observé moins le rendement normal ou théorique, c'est-à-dire
celui que nous aurions normalement observés en l’absence d’événement. Ce dernier rendement
ou cette norme doit être modélisée sur une période précédant la période de test appelée « période
d’estimation » ou « fenêtre hors événement ». C’est l’objet de l’étape suivante.

4 éme étape : Fenêtre d’estimation

La fenêtre d’estimation ou fenêtre hors événement précède la fenêtre d’événement. Elle est
beaucoup plus longue que la période de test ; elle est généralement d’une longueur égale au
moins trois fois la fenêtre d’événement afin de disposer d’un nombre d’observations assez
important lors de la procédure d’estimation. Il faut veiller surtout à ce que les deux fenêtres ne
se chevauchent pas pour éviter que l’impact de l’événement ne se retrouve pas dans l’estimateur
et éviter que l’étude soit ainsi biaisée.

5 éme étape : Test d’hypothèses

Après avoir identifié la fenêtre d’estimation, le rendement anormal peut être calculé. A ce
stade, il convient de mettre en place un test d’hypothèse, c'est-à-dire une hypothèse nulle H0
contre une hypothèse alternative H1, C’est l’étape d’analyse des rendements anormaux en
mettant en œuvre les tests statistiques appropriés.

6 éme étape : Interprétations et conclusions

A ce stade, on conclut si l’événement a affecté ou non les rendements.

6
Chapitre2 : Effet d’un événement sur la valeur d’un
titre financier

7
Effet d’un événement sur la valeur d’un titre financier
Evenement1 : l’annonce de vaccin par Moderna.
• Fenêtre d’événement et d’estimation.

Le premier événement étudié concerne l’annonce de vaccin par Moderna en 17 novembre

2020. On choisira alors comme fenêtre d’événement 1 jour qui précède l’annonce et les 3jrs qui
suivent la date de l’annonce.

Pour le choix de la fenêtre d’estimation on a opté pour les 3mois qui précédent le mois ou
l’annonce a été faite.

• Modèle utilisé :

Le modèle utilisé pour l’estimation est le modèle de marché donné par :

𝑅1⍴ = 𝛼1 + 𝛽1𝑅𝑚⍴ + Ʃ1⍴

• Collecte des données :

On commence tout d’abord par la collecte des données relatives au prix de l’action de
Moderna dans la période qui précède l’événement. On collectera aussi les données pour la
même période du portefeuille de marche ; on utilisera dans notre cas le NASDAQ index.

Ces données sont utilisées dans le calcul des rendements anormaux.

Les données sont des observations journalières qui s’étalent entre la période 18 /08/2020 au
21/11/2020

• Estimation du modèle :

La première étape consiste à calculer le rendement journalière de l’actif au jour j et ce a travers

la relation :

𝑃𝑖,𝑗 _𝑃𝑖,𝑗 _1
𝑅𝑖,𝑗 =
𝑃𝑖,𝑗 _1

L’estimation des paramètres de la régression linéaire simple sous R donne :

8
 pour le modèle de régression linéaire, les intercepts (les α ) ne sont pas significatifs au seuil
de 5 %, mais le coefficients de rendement de marché est significatif au seuil de 5 %. L’étape
suivante consiste à appliquer le modèle de régression et estimer les rendements dans la fenêtre
d’événement, puis calculer les rendements anormaux et le cumul de ces rendements.

• Calcul des rendements anormaux :

Comme on a effectué l’estimation des paramètres du modèle, on peut désormais calculer les
rendements espères de notre action :

𝐴𝑅𝑖,𝑗 = 𝑅𝑖,𝑗 − 𝛼^− 𝛽^ ∗ 𝑅𝑚,𝑗

On obtient alors :

• Test d’hypothèse :

On veut tester l’hypothèse nulle : H0 : l’événement n’a pas d’impact sur la moyenne ou la
variance des rendements.

L’hypothèse sera testée au seuil de 5% en utilisant la statistique de test qui suit sous H0 une
loi de student.
𝐶⌃
𝐴𝑅𝑖
𝑆⌃
𝐶𝐴𝑅𝑖 =
𝜎^𝑖
Calcul des rendements anormaux cumulés :

9
 Calcul des valeurs observées de la statistique

Au niveau d’erreur 5% la valeur critique est de 1.96. On rejette alors l’hypothèse nulle quand
les valeurs observées dépassent 1.96.

• Conclusion :

L’annonce de vaccin par Moderna a causé un impact sur la moyenne des rendements dans le
jour qui a suivi l’annonce.

Evenement2 : l’impact de confinement sur l’e-commerce

Pour analyser l’impact de confinement sur l’e-commerce aux Etats-Unis, nous avons
organisé une étude d’événement pour examiner les comportements des rendements anormaux
d’AMAZON qui fait partie de NASDAQ autour de jour de l’annoncement de confinement par
le gouvernement américaine dans certaines villes (18 mars 2020).

• Fenêtre d’événement et d’estimation.

Le deuxième événement étudié concerne l’annonce de confinement dans certaines villes aux
Etats Unis en 18 mars 2020. On choisira alors comme fenêtre d’événement 1 jour qui précède
l’annonce et les 2jrs qui suivent la date de l’annonce.

Pour le choix de la fenêtre d’estimation on a opté pour les 5mois qui précédent le mois ou
l’annonce a été faite.

• Collecte des données :

On commence tout d’abord par la collecte des données relatives au prix de l’action
d’AMAZON dans la période qui précède l’événement. On collectera aussi les données pour la
même période du portefeuille de marché ; on utilisera dans notre cas le NASDAQ index.

Ces données sont utilisées dans le calcul des rendements anormaux.

Les données sont des observations journalières qui s’étalent entre la période 30 /09/2019 au
20/03/2020.

• Estimation du modèle :

10
 L’estimation des paramètres de la régression linéaire simple sous R donne :

pour le modèle de régression linéaire, les intercepts (les α ) ne sont pas significatifs au seuil de
5 %, mais le coefficients de rendement de marché est significatif au seuil de 5 %.

• Calcul des rendements anormaux :

On obtient alors :

• Test d’hypothèse :

Calcul des rendements anormaux cumulés :

Calcul des valeurs observées de la statistique

11
 Au niveau d’erreur 5% la valeur critique est de 1.96. On rejette alors l’hypothèse nulle
quand les valeurs observées dépassent 1.96.

• Conclusion :

L’annonce de confinement dans certaines villes aux Etats Unis a causé un impact sur la
moyenne des rendements d’Amazon dans le jour qui a suivi l’annonce.

12
Chapitre3 :L’impact de plusieurs événements sur le
rendement d’un portefeuille de titres

13
L’impact de plusieurs événements sur le rendement d’un portefeuille de
titres
Dans cette partie on va étudier l’impact de deux événements (chute historique du pétrole
américain, annulation de l’interdiction de vol de l’avion Boeing 737 Max) sur le rendement
d’un portefeuille de titres (3 titres : AMAZON ,NETFLIX,TESLA)avec chaque titre a un part
de 1/3 dans le portefeuille.

Evenement1 : Chute historique du pétrole américain

• Fenêtre d’événement et d’estimation.

L’événement étudié concerne la chute historique du pétrole américain en 20 avril2020. On

choisira alors comme fenêtre d’événement les 4 jrs qui suivent la date d’événement ainsi le jour
de l’événement.

Pour le choix de la fenêtre d’estimation on a opté pour les 3mois qui précédent le mois ou
l’événement a été faite.

• Collecte des données :

On commence tout d’abord par la collecte des données relatives au prix des actions
d’AMAZON, NETFLIX et TESLA dans la période qui précède l’événement. On collectera
aussi les données pour la même période du portefeuille de marche ; on utilisera dans notre cas
le NASDAQ index.

Ces données sont utilisées dans le calcul des rendements anormaux.

Les données sont des observations journalières qui s’étalent entre la période 29 /01/2020 au
25/04/2020

• Estimation du modèle :

L’estimation des paramètres de la régression linéaire simple sous R donne :

14
pour le modèle de régression linéaire, les intercepts (les α ) ne sont pas significatifs au seuil de
5 %, mais le coefficients de rendement de marché est significatif au seuil de 5 %.

• Calcul des rendements anormaux :

On obtient alors :

• Test d’hypothèse :

Calcul des rendements anormaux cumulés :

Calcul des valeurs observées de la statistique

Au niveau d’erreur 5% la valeur critique est de 1.96. On rejette alors l’hypothèse nulle quand
les valeurs observées dépassent 1.96.

• Conclusion :

Le Chute historique du pétrole américain a causé un impact sur la moyenne des rendements
de notre portefeuille dans le jour qui a suivi le chute.

Evenement2 : annulation de l’interdiction de vol de l’avion Boeing 737 Max

• Fenêtre d’événement et d’estimation.

L’événement étudié concerne l’annulation de l’interdiction de vol de l’avion Boeing 737 Max
en 18 novembre 2020.on choisira comme fenêtre d’événement les 2 jrs qui précédent et suivent
la date d’événement.

Pour le choix de la fenêtre d’estimation on a opté pour les 3mois qui précédent le mois ou
l’événement a été faite.

15
 • Collecte des données :

On commence tout d’abord par la collecte des données relatives au prix des actions
d’AMAZON, NETFLIX et TESLA dans la période qui précède l’événement. On collectera
aussi les données pour la même période du portefeuille de marche ; on utilisera dans notre cas
le NASDAQ index.

Ces données sont utilisées dans le calcul des rendements anormaux.

Les données sont des observations quotidiennes qui s’étalent entre la période 18 /08/2020 au
21/11/2020

• Estimation du modèle :

L’estimation des paramètres de la régression linéaire simple sous R donne :

pour le modèle de régression linéaire, les intercepts (les α ) ne sont pas significatifs au seuil de
5 %, mais le coefficients de rendement de marché est significatif au seuil de 5 %.

• Calcul des rendements anormaux :

On obtient alors :

• Test d’hypothèse :

Calcul des rendements anormaux cumulés :

16
 Calcul des valeurs observées de la statistique

Au niveau d’erreur 5% la valeur critique est de 1.96. On rejette alors l’hypothèse nulle
quand les valeurs observées dépassent 1.96.

• Conclusion :

L’annulation de l’interdiction de vol de l’avion Boeing 737 Max a causé un impact sur la
moyenne des rendements de notre portefeuille dans le jour qui a suivi l’annulation.

17
Webographie :
https://www.eventstudytools.com/introduction-event-study-methodology

18
Annexe :
Le script R pour le deuxième chapitre
library("eventstudies")

library("readxl")

library("quantmod")

# evenements1:annonce de vaccin par Moderna

#On fixe les dates qui définissent la période

debut="2020-08-16"

fin="2020-11-21"

#On obtient les données:

getSymbols("MRNA", src = "yahoo", from = debut, to = fin)

getSymbols("NDAQ", src = "yahoo", from = debut, to = fin)

#isoler les données de la fenêtre d'estimation

MD_1=MRNA["/2020-11-15"]

MD_2=MRNA["2020-11-15/"]

N_1=NDAQ["/2020-11-15"]

N_2=NDAQ["2020-11-15/"]

#calcule des rendements de l'actif dans la fenêtre d'estimation

MD_r1=dailyReturn(MD_1)

N_r1=dailyReturn(N_1)

MD_r2=dailyReturn(MD_2)

N_r2=dailyReturn(N_2)

19
names(MD_r1)[names(MD_r1) == "daily.returns"] <- "MD_r"

names(N_r1)[names(N_r1) == "daily.returns"] <- "N_r"

#régression linéaire

lmMD = lm(MD_r1~N_r1) #Create the linear regression

summary(lmMD) #Review the results

#estimation du rendement

est_MD<- 0.630818 *N_r2$daily.returns

#estimation des rendements anormaux

AR_MD=MD_r2[1:5]-est_MD[1:5]

names(AR_MD)[names(AR_MD) == "daily.returns"] <- "AR_MD"

AR_MD

# les rendements anormales cumulés

CAR_MD=cumsum(AR_MD)

names(CAR_MD)[names(CAR_MD) == "AR_MD"] <- "CAR_MD"

CAR_MD

sigma_MD = sqrt((1/(62))*t(AR_MD)%*%AR_MD)

Xip=cbind(rep(1,5),N_r2)

Xi=cbind(rep(1,64),N_r1)

g1=c(1,rep(0,4))

g2=c(1,1,rep(0,3))

g3=c(1,1,1,rep(0,2))

g4=c(1,1,1,1,rep(0,1))

g5=c(1,1,1,1,1,rep(0,0))

20
V_MD=(Xip%*%solve(t(Xi)%*%Xi)%*%t(Xip))*as.numeric(sigma_MD)*as.numeric(sigma_MD) +
diag(1,5)*as.numeric(sigma_MD)*as.numeric(sigma_MD)

sigma_test_MD
=rbind(sqrt(t(g1)%*%V_MD%*%g1),sqrt(t(g2)%*%V_MD%*%g2),sqrt(t(g3)%*%V_MD%*%g3),sqrt(t(g
4)%*%V_MD%*%g4),sqrt(t(g5)%*%V_MD%*%g5))

sigma_test_MD

statistique_test=CAR_MD/sigma_test_MD

resultats=cbind(CAR_MD,sigma_test_MD,statistique_test)

names(resultats)[names(resultats) == "CAR_MD.1"] <- "statistique_test"

resultats

# evenements2:l'impact de confinement sur l'e-commerce

#On fixe les dates qui définissent la période

debut="2019-09-30"

fin="2020-04-01"

#On obtient les données:

getSymbols("AMZN", src = "yahoo", from = debut, to = fin)

getSymbols("NDAQ", src = "yahoo", from = debut, to = fin)

#isoler les données de la fenetre d'estimation

AMZN_1=AMZN["/2020-03-16"]

AMZN_2=AMZN["2020-03-16/"]

NQ_1=NDAQ["/2020-03-17"]

NQ_2=NDAQ["2020-03-17/"]

#calcule des rendements de l'actif dans la fenetre d'estimation

AMZN_r1=dailyReturn(AMZN_1)

21
NQ_r1=dailyReturn(NQ_1)

AMZN_r2=dailyReturn(AMZN_2)

NQ_r2=dailyReturn(NQ_2)

names(AMZN_r1)[names(AMZN_r1) == "daily.returns"] <- "AMZN_r"

names(NQ_r1)[names(NQ_r1) == "daily.returns"] <- "NQ_r"

#régression linéaire

lmAMZN = lm(AMZN_r1~NQ_r1) #Create the linear regression

summary(lmAMZN) #Review the results

#estimation du rendement

est_AMZN <- 0.5686204*NQ_r2$daily.returns

#estimation des rendements anormaux

AR_AMZN=AMZN_r2[1:5]-est_AMZN[1:5]

names(AR_AMZN)[names(AR_AMZN) == "daily.returns"] <- "AR_AMZN"

AR_AMZN

# les rendements anormales cumulés

CAR_AMZN=cumsum(AR_AMZN)

names(CAR_AMZN)[names(CAR_AMZN) == "AR_AMZN"] <- "CAR_AMZN"

CAR_AMZN

sigma_AMZN = sqrt((1/(114))*t(AR_AMZN)%*%AR_AMZN)

Xip=cbind(rep(1,11),NQ_r2)

Xi=cbind(rep(1,117),NQ_r1)

g1=c(1,rep(0,10))

g2=c(1,1,rep(0,9))

g3=c(1,1,1,rep(0,8))

g4=c(1,1,1,1,rep(0,7))

g5=c(1,1,1,1,1,rep(0,6))

22
V_AMZN=(Xip%*%solve(t(Xi)%*%Xi)%*%t(Xip))*as.numeric(sigma_AMZN)*as.numeric(sigma_AMZN)
+ diag(1,11)*as.numeric(sigma_AMZN)*as.numeric(sigma_AMZN)

sigma_test_AMZN
=rbind(sqrt(t(g1)%*%V_AMZN%*%g1),sqrt(t(g2)%*%V_AMZN%*%g2),sqrt(t(g3)%*%V_AMZN%*%g3)
,sqrt(t(g4)%*%V_AMZN%*%g4))

sigma_test_AMZN

statistique_test=CAR_AMZN/sigma_test_AMZN

resultats=cbind(CAR_AMZN,sigma_test_AMZN,statistique_test)

names(resultats)[names(resultats) == "CAR_AMZN.1"] <- "statistique_test"

resultats

Le script R pour le troisième chapitre.

library("eventstudies")

library("readxl")

library("quantmod")

# evenements1de chute de petrole

#On fixe les dates qui définissent la période

debut="2020-01-29"

fin="2020-04-25"

#On obtient les données:

getSymbols("AMZN", src = "yahoo", from = debut, to = fin)

getSymbols("NFLX", src = "yahoo", from = debut, to = fin)

getSymbols("TSLA", src = "yahoo", from = debut, to = fin)

getSymbols("NDAQ", src = "yahoo", from = debut, to = fin)

#isoler les données de la fenetre d'estimation

AMZN_1=AMZN["/2020-04-18"]

AMZN_2=AMZN["2020-04-18/"]

NFLX_1=NFLX["/2020-04-18"]

NFLX_2=NFLX["2020-04-18/"]

23
TESLA_1=TSLA["/2020-04-18"]

TESLA_2=TSLA["2020-04-18/"]

N_1=NDAQ["/2020-04-18"]

N_2=NDAQ["2020-04-18/"]

#calcule des rendements de l'actif dans la fenetre d'estimation

AMZN_r1=dailyReturn(AMZN_1)

N_r1=dailyReturn(N_1)

AMZN_r2=dailyReturn(AMZN_2)

N_r2=dailyReturn(N_2)

NFLX_r1=dailyReturn(NFLX_1)

NFLX_r2=dailyReturn(NFLX_2)

TESLA_r1=dailyReturn(TESLA_1)

TESLA_r2=dailyReturn(TESLA_2)

#calcule de rendement de portefuille

PORT_r1=1/3*(AMZN_r1+NFLX_r1+TESLA_r1)

N_r1=dailyReturn(N_1)

PORT_r2=1/3*(AMZN_r2+NFLX_r2+TESLA_r2)

N_r2=dailyReturn(N_2)

names(PORT_r1)[names(PORT_r1) == "daily.returns"] <- "PORT_r"

names(N_r1)[names(N_r1) == "daily.returns"] <- "N_r"

#régression linéaire

lmP = lm(PORT_r1~N_r1) #Create the linear regression

summary(lmP) #Review the results

#estimation du rendement

est_P <- 0.443538*N_r2$daily.returns

#estimation des rendements anormaux

AR_P=PORT_r2[1:5]-est_P[1:5]

24
names(AR_P)[names(AR_P) == "daily.returns"] <- "AR_P"

AR_P

# les rendements anormales cumulés

CAR_P=cumsum(AR_P)

names(CAR_P)[names(CAR_P) == "AR_P"] <- "CAR_P"

CAR_P

sigma_P = sqrt((1/(54))*t(AR_P)%*%AR_P)

Xip=cbind(rep(1,5),N_r2)

Xi=cbind(rep(1,56),N_r1)

g1=c(1,rep(0,4))

g2=c(1,1,rep(0,3))

g3=c(1,1,1,rep(0,2))

g4=c(1,1,1,1,rep(0,1))

g5=c(1,1,1,1,1,rep(0,0))

V_P=(Xip%*%solve(t(Xi)%*%Xi)%*%t(Xip))*as.numeric(sigma_P)*as.numeric(sigma_P) +
diag(1,5)*as.numeric(sigma_P)*as.numeric(sigma_P)

sigma_test_P
=rbind(sqrt(t(g1)%*%V_P%*%g1),sqrt(t(g2)%*%V_P%*%g2),sqrt(t(g3)%*%V_P%*%g3),sqrt(t(g4)%*%
V_P%*%g4),sqrt(t(g5)%*%V_P%*%g5))

sigma_test_P

statistique_test=CAR_P/sigma_test_P

resultats=cbind(CAR_P,sigma_test_P,statistique_test)

names(resultats)[names(resultats) == "CAR_P.1"] <- "statistique_test"

resultats

# evenements2de l'annulation de l'interdiction de volde Boeing 737 Max

#On fixe les dates qui définissent la période

debut1="2020-08-18"

25
fin1="2020-11-21"

#On obtient les données:

getSymbols("AMZN", src = "yahoo", from = debut1, to = fin1)

getSymbols("NFLX", src = "yahoo", from = debut1, to = fin1)

getSymbols("TSLA", src = "yahoo", from = debut1, to = fin1)

getSymbols("NDAQ", src = "yahoo", from = debut1, to = fin1)

#isoler les données de la fenetre d'estimation

AMZN_1=AMZN["/2020-11-16"]

AMZN_2=AMZN["2020-11-16/"]

NFLX_1=NFLX["/2020-11-16"]

NFLX_2=NFLX["2020-11-16/"]

TESLA_1=TSLA["/2020-11-16"]

TESLA_2=TSLA["2020-11-16/"]

N_1=NDAQ["/2020-11-16"]

N_2=NDAQ["2020-11-16/"]

#calcule des rendements de l'actif dans la fenetre d'estimation

AMZN_r1=dailyReturn(AMZN_1)

N_r1=dailyReturn(N_1)

AMZN_r2=dailyReturn(AMZN_2)

N_r2=dailyReturn(N_2)

NFLX_r1=dailyReturn(NFLX_1)

NFLX_r2=dailyReturn(NFLX_2)

TESLA_r1=dailyReturn(TESLA_1)

TESLA_r2=dailyReturn(TESLA_2)

#calcule de rendement de portefuille

PORT1_r1=(1/3*AMZN_r1)+(1/3*NFLX_r1)+(1/3*TESLA_r1)

26
N_r1=dailyReturn(N_1)

PORT1_r2=(1/3*AMZN_r2)+(1/3*NFLX_r2)+(1/3*TESLA_r2)

N_r2=dailyReturn(N_2)

names(PORT1_r1)[names(PORT1_r1) == "daily.returns"] <- "PORT1_r"

names(N_r1)[names(N_r1) == "daily.returns"] <- "N_r"

#régression linéaire

lmP1= lm(PORT1_r1~N_r1) #Create the linear regression

summary(lmP1) #Review the results

#estimation du rendement

est_P1 <- 1.106390*N_r2$daily.returns

#estimation des rendements anormaux

AR_P1=PORT1_r2[1:5]-est_P1[1:5]

names(AR_P1)[names(AR_P1) == "daily.returns"] <- "AR_P1"

AR_P1

# les rendements anormales cumulés

CAR_P1=cumsum(AR_P1)

names(CAR_P1)[names(CAR_P1) == "AR_P1"] <- "CAR_P1"

CAR_P1

sigma_P1 = sqrt((1/(62))*t(AR_P1)%*%AR_P1)

Xip=cbind(rep(1,5),N_r2)

Xi=cbind(rep(1,64),N_r1)

g1=c(1,rep(0,4))

g2=c(1,1,rep(0,3))

g3=c(1,1,1,rep(0,2))

g4=c(1,1,1,1,rep(0,1))

g5=c(1,1,1,1,1,rep(0,0))

27
V_P1=(Xip%*%solve(t(Xi)%*%Xi)%*%t(Xip))*as.numeric(sigma_P1)*as.numeric(sigma_P1) +
diag(1,5)*as.numeric(sigma_P1)*as.numeric(sigma_P1)

sigma_test_P1
=rbind(sqrt(t(g1)%*%V_P1%*%g1),sqrt(t(g2)%*%V_P1%*%g2),sqrt(t(g3)%*%V_P1%*%g3),sqrt(t(g4)
%*%V_P1%*%g4),sqrt(t(g5)%*%V_P1%*%g5))

sigma_test_P1

statistique_test1=CAR_P1/sigma_test_P1

resultats=cbind(CAR_P1,sigma_test_P1,statistique_test1)

names(resultats)[names(resultats) == "CAR_P.1"] <- "statistique_test"

resultats

28