Académique Documents
Professionnel Documents
Culture Documents
*-*-*-*-*
*-*-*-*-*-*-*-*
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
Mackinlay (1997) identifie sept étapes pour la mise en œuvre de cette méthodologie.
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.
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.
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 :
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.
Les données sont des observations journalières qui s’étalent entre la période 18 /08/2020 au
21/11/2020
• Estimation du modèle :
𝑃𝑖,𝑗 _𝑃𝑖,𝑗 _1
𝑅𝑖,𝑗 =
𝑃𝑖,𝑗 _1
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.
Comme on a effectué l’estimation des paramètres du modèle, on peut désormais calculer les
rendements espères de notre action :
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.
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.
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.
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 %.
On obtient alors :
• Test d’hypothèse :
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.
Pour le choix de la fenêtre d’estimation on a opté pour les 3mois qui précédent le mois ou
l’événement a été faite.
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.
Les données sont des observations journalières qui s’étalent entre la période 29 /01/2020 au
25/04/2020
• Estimation du modèle :
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 %.
On obtient alors :
• Test d’hypothèse :
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.
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.
Les données sont des observations quotidiennes qui s’étalent entre la période 18 /08/2020 au
21/11/2020
• Estimation du modèle :
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 %.
On obtient alors :
• Test d’hypothèse :
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")
debut="2020-08-16"
fin="2020-11-21"
MD_1=MRNA["/2020-11-15"]
MD_2=MRNA["2020-11-15/"]
N_1=NDAQ["/2020-11-15"]
N_2=NDAQ["2020-11-15/"]
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"
#régression linéaire
#estimation du rendement
AR_MD=MD_r2[1:5]-est_MD[1:5]
AR_MD
CAR_MD=cumsum(AR_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)
resultats
debut="2019-09-30"
fin="2020-04-01"
AMZN_1=AMZN["/2020-03-16"]
AMZN_2=AMZN["2020-03-16/"]
NQ_1=NDAQ["/2020-03-17"]
NQ_2=NDAQ["2020-03-17/"]
AMZN_r1=dailyReturn(AMZN_1)
21
NQ_r1=dailyReturn(NQ_1)
AMZN_r2=dailyReturn(AMZN_2)
NQ_r2=dailyReturn(NQ_2)
#régression linéaire
#estimation du rendement
AR_AMZN=AMZN_r2[1:5]-est_AMZN[1:5]
AR_AMZN
CAR_AMZN=cumsum(AR_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)
resultats
library("readxl")
library("quantmod")
debut="2020-01-29"
fin="2020-04-25"
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/"]
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)
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)
#régression linéaire
#estimation du rendement
AR_P=PORT_r2[1:5]-est_P[1:5]
24
names(AR_P)[names(AR_P) == "daily.returns"] <- "AR_P"
AR_P
CAR_P=cumsum(AR_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)
resultats
debut1="2020-08-18"
25
fin1="2020-11-21"
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/"]
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)
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)
#régression linéaire
#estimation du rendement
AR_P1=PORT1_r2[1:5]-est_P1[1:5]
AR_P1
CAR_P1=cumsum(AR_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)
resultats
28