Mémoire de Master 2019 Wael Hachani M2 Finance Recherche

Ministère de l'Enseignement Supérieur
& de la Recherche Scientifique

*****
Université de Carthage
*****
Institut Supérieur de Gestion de Bizerte
*****
MÉMOIRE DE MASTÈRE
En vue de l’obtention du diplôme de
Mastère de Recherche en « Finance et Banques »
La spéculation financière dans le

marché des matières premières :
Entre partisans et détracteurs
Elaboré par : Wael Hachani.
Encadré par : Dr Monia Antar.
Année universitaire 2018-2019

Dédicace
Je dédie ce modeste travail et ma profonde gratitude à :
Ma très chère mère Hedia

Vous représentez pour moi le symbole de la gentillesse par excellence, la source de
tendresse et l’exemple du dévouement qui n’a pas cessé de m’encourager et de prier
pour moi surtout dans les périodes les plus délicates. Ta prière et ta bénédiction m’ont
été d’un grand secours pour traverser les périodes de grande pression et pour réussir
mes études.
Mon très cher père Fehmi

Aucune dédicace ne peut exprimer l’amour et le respect que j’ai toujours senti envers
toi. Rien au monde ne vaut les efforts fournis jour et nuit pour assurer mon éducation
et mon bien être. Ce petit travail est le fruit de tes sacrifices que tu as consentis pour
me rendre un homme mature et épanoui. J’espère que tu seras toujours fier de moi.
Mes grands-parents et mes oncles :

Je vous exprime mes sentiments d’amour et de reconnaissance pour tout le soutien que
j’ai reçu pendant toute ma carrière d’élève et puis d’étudiant. Votre soutien a marqué
ma vie positivement.
Mes amis Youssef, Souhail, Mahdi, Atef:

Votre accompagnement m’a beaucoup aidé à alléger la pression et à faciliter ma
mission dans ce travail. Rien n’était possible sans votre soutien moral et le beau temps
qu’on a passé ensemble.
Mon chère frère Mohamed

Je t’exprime à travers ce travail mes sentiments d’amour. Malgré qu’on ne discute pas
souvent, tu m’as toujours soutenu et cru en moi.
Ma chère amie Meriem
Votre soutien dans les moments les plus difficiles m’a beaucoup aidé à élaborer ce
travail. Tes conseils et ton expérience ont été décisives pour mener à bien cette
recherche et choisir les bonnes orientations.
Ma chère amie Fatma
Je te remercie pour ton soutien et tes conseils tout au long de ce travail. Ton
expérience et ton savoir-faire m’ont beaucoup aidé pour le mener à bien.
Remerciements
A l’issue de ce travail, je tiens à remercier Dieu le tout puissant pour la santé et la

béatitude qu’il m’a accordé pour mener à bien mes études, ainsi que toutes les personnes qui
m’ont aidé dans l’élaboration de cette recherche
En premier lieu, j’adresse mes sincères remerciements ainsi que ma profonde gratitude
à Madame Monia Antar pour avoir dirigé ce mémoire. Sa disponibilité, sa rigueur
scientifique, ses conseils, ses remarques précieuses ainsi que nos nombreuses discussions ont
été cruciales dans l’accomplissement de cette recherche. Son exigence a été bénéfique pour
moi pour me pousser à me battre et à chercher toujours l’excellence. Merci pour tous les
efforts que vous avez fournis pour m’aider.
En deuxième lieu, J’adresse ma gratitude à toutes les composantes du lycée pilote de

Bizerte : camarades et enseignants(e). En effet, durant les quatre années que j’ai passées là-
bas, je suis devenu un homme de forte personnalité et de fort caractère qui est capable de
franchir toutes les barrières. Mon esprit gagnant, mon engagement et le sens de concurrence
que j’ai acquis ont été tous acquis dans cet établissement. Je salue aussi en moi mon estime de
soi et ma confiance totale dans mes capacités. Dans les moments les plus difficiles de
désespoir, il a fallu que je me batte fort pour me relever et j’ai réussi. J’ai toujours eu la
sensation que je suis différent et que je vais exceller et être l’un des meilleurs dans mes études
ainsi que dans ma vie professionnelle. Maintenant je suis sur le bon chemin et je vais faire
mon tout pour continuer mon chemin d’excellence.
Je remercie aussi la FSEG de Tunis et l’ISG de Bizerte pour la qualité de formation

que j’ai eue durant les 5 années d’études supérieures.
Ma reconnaissance s’adresse également à ma chère famille pour leur patience et leur

soutien psychologique.
RÉSUMÉ
Ce travail de recherche examine l’impact de la spéculation financière sur les prix des produits
de base agricole. Il s’agit de l’analyse de séries temporelles pour quatre échantillons de
matières premières, à savoir, le blé, le riz brut, l’huile de soja et l’avoine. La période d’étude
s’étale de 1998 à 2016 aux États Unis. Nous constatons que la spéculation joue un rôle
fondamental dans la diminution des prix des matières premières mais seulement jusqu’à un
certain seuil. Des niveaux haussiers de spéculation provoquent, d’une manière significative,
une augmentation des prix. En effet, les investissements dans les contrats à terme sur produits
de base ont un effet stabilisant sur les prix si la spéculation n’est pas excessive. Ces résultats
ont été trouvés en adoptant deux techniques d’estimations qui sont la méthode des MCO et la
régression en quantile. Les résultats confirment que la relation entre la spéculation financière
et les prix des matières premières agricoles est non linéaire.
Mots clés : spéculation financière, prix des matières premières, seuil, contrat à terme, relation
non linéaire.
ABSTRACT
This research examines the impact of financial speculation on agricultural commodities

prices. This was done using a time series analysis for a sample of 4 raw materials (wheat, raw
rice, soybean oil and oats) during the period [1998-2016] in the United States. We find that
speculation plays a fundamental role in lowering commodity prices but only up to a certain
threshold. Bullish levels of speculation cause, significantly, an increase in prices. Indeed,
investments in commodities futures have a stabilizing effect on prices if speculation is not
excessive. These results were found using two estimation techniques which are the OLS
method and the quantile regression. The results confirm that the relationship between
financial speculation and agricultural commodities prices is non-linear.
Key words: financial speculation, commodity prices, threshold, futures, nonlinear

relationship.
Sommaire
Introduction générale ............................................................................................................... 1

Chapitre I : La spéculation financière : Théories et concepts de base ................................ 4
Introduction ....................................................................................................................................... 5
1.1. L’importance et le rôle du marché des matières premières ................................................ 5
1.2. La spéculation financière sur le marché des matières premières : principes de base...... 8
1.3. Effet de la spéculation financière sur les prix des matières premières - Fondement
théorique .......................................................................................................................................... 14
Conclusion ....................................................................................................................................... 24
Chapitre II : Les déterminants des prix des matières premières : Mesures, travaux et
approches ................................................................................................................................ 26
Introduction ..................................................................................................................................... 27
2.1. Effet de la spéculation financière sur les prix des matières premières : Etudes
empiriques........................................................................................................................................ 27
2.2. Mesures de la spéculation financière .................................................................................... 38
2.3. Autres variables susceptibles d’influencer les prix des matières premières.................... 40
2.4. Approches économétriques retenues ................................................................................... 43
Conclusion ....................................................................................................................................... 47
Chapitre III : L’impact de la spéculation financière sur les prix des matières premières :
Validation empirique ............................................................................................................. 48
Introduction ..................................................................................................................................... 49
3.1. Les données de l’étude ........................................................................................................... 49
3.2. Opérationnalisation des variables dépendantes ................................................................... 50
3.3 Modèles économétriques ......................................................................................................... 51
3.4 Analyse descriptive, stationnarité et analyse de corrélation ............................................... 53
3.5 Analyse multi variée ................................................................................................................ 59
3.6. Effet de la spéculation financière sur les prix des matières premières : approche de la
régression en quantile ..................................................................................................................... 69
Conclusion générale ............................................................................................................... 83
Bibliographie du mémoire ..................................................................................................... 85
Sitographie .............................................................................................................................. 92
ANNEXES
Liste des tableaux
Tableau 1 : Statistique descriptive............................................................................................ 53

Tableau 2 : . Test de stationnarité ............................................................................................. 56
Tableau 3 : Matrice des corrélations de Spearman (Blé) ......................................................... 58
Tableau 4 : Matrice des corrélations de Spearman (Riz brut) .................................................. 58
Tableau 5: Matrice des corrélations de Spearman (Huile de Soja) .......................................... 58
Tableau 6 : Matrice des corrélations de Spearman (Avoine) ................................................... 59
Tableau 7 : Variation des prix des matières premières et spéculation financière (Méthode
MCO) ....................................................................................................................................... 61
Tableau 8 : Variation des prix et spéculation financière : Régression en quantile avec
SPECALL (Blé) ....................................................................................................................... 70
SPECALL (Riz brut) ................................................................................................................ 71
SPECALL (Huile de soja) ........................................................................................................ 72
SPECALL (Avoine) ................................................................................................................. 73
SPECALL² (Blé) ...................................................................................................................... 74
SPECALL² (Riz brut) ............................................................................................................... 75
SPECALL² (Huile de soja) ..................................................................................................... 76
SPECALL² (Avoine) ................................................................................................................ 77
Liste des figures
Figure 1 : Test de normalité : Blé ............................................................................................. 66

Figure 2 : Test de normalité : Riz brut ..................................................................................... 66
Figure 3 : Test de normalité : Huile de soja ............................................................................. 67
Figure 4 : Test de normalité : Avoine ...................................................................................... 67
Liste des abréviations
SPECALL Ratio du total des positions des spéculateurs (longue et

courte) et de l’intérêt ouvert.
COMMP Le prix des matières premières.
TQAR Méthode du seuil auto-régressif en quantile.
GSCI Indice boursier servant de repère sur le marché des
matières premières.
SVAR Modèle du vecteur structurel autorégressif.
CAPM Ratio de la capitalisation boursière en % du PIB.
COT Rapport des engagements des traders qui détaille toutes
les positions occupées par les spéculateurs dans les
marchés boursiers.
CFTC Agence Fédérale Américaine régissant les marchés des
futures et des options et qui assure la protection des
investisseurs.
PIB Produit intérieur brut.
FO Ouverture financière.
TO Ouverture commerciale.
GDPG Taux de croissance du PIB par habitant.
USDX L’indice du dollar américain mesurant la puissance du
dollar par rapport aux autres devises.
OP Le prix du pétrole.
DJ-UBSCI L’indice de Dow Jones comportant plusieurs contrats à
terme sur produits de base.
ESV Indice de volume spéculatif excessif.
VECM Modèle de correction d'erreur de vecteur.
GARCH Modèle de l’hétéroscédasticité conditionnelle
autorégressive généralisée.
MCO Méthode d’estimation de moindre carré ordinaire.
CIT Ratio du total des positions des traders sur les indices
boursiers.
S&P 500 Indice boursier comportant 500 entreprises américaines
cotées en bourse.
VIX Indicateur de volatilité des actions sur le marché
financier américain.
T-Bill Un billet du trésor à court terme émis par le
gouvernement des états unis.
Tips Obligations indexées sur l’inflation.
Source : auteur
Introduction générale
Les recherches sur la spéculation relatives aux marchés des produits de base focalisent sur
l’analyse de la volatilité excessive des prix des matières premières de première nécessité. Elle
a atteint son apogée au début du 21éme siècle avec l’émergence de la spéculation à travers les
indices boursiers1 et les produits dérivés2 tels que les forwards et les futures. La spéculation a
toujours été accusée de déstabiliser le fonctionnement du marché spot3 et d’augmenter le
niveau général des prix. À cause de son caractère vital, ce phénomène a été le sujet de
plusieurs débats dans la communauté scientifique.
Dans ce contexte, Masters (2008) a formulé une hypothèse selon laquelle la spéculation est la
principale responsable de la déstabilisation du marché des produits base dans la récente crise
mondiale, et qu’il faut limiter l’investissement sur le marché à terme pour stabiliser les prix.
Toutefois, Irwin et Sanders (2016), Ulusoy et Onbirler (2017) et Bohl et Sulewsky (2019) ont
montré que les actions simultanées de spéculation et du hedging ont un effet stabilisant sur les
prix puisque les actions des hedgers sont compensées par les actions opposées des
spéculateurs. Rappelons d’abord qu’un hedger est un opérateur de couverture opérant en tant
que courtier dans la marchandise réelle qui désire une assurance contre les risques de prix
auxquels il est confronté. Par exemple, s’il achète une unité de la marchandise à un prix au
comptant donné et que le prix baisse (augmente) avant de la revendre, il est exposé à une
perte (un gain). Selon Büyükşahin et Harris (2011), « Traditionnellement, les négociants sur
les marchés des produits de base ayant un intérêt commercial ou une exposition dans des
produits de base sont définis comme des opérateurs de couverture ou hedgers. Tandis que
ceux sans position physique à compenser ont été réputés spéculateurs. Cependant, les deux
groupes peuvent prendre des positions à terme de nature spéculative ».
Selon l’hypothèse de l’effet stabilisant de la spéculation, l’investissement dans les matières
premières n’est pas responsable de la flambée des prix. En effet, les prix reviennent toujours à
1
C’est une mesure calculée à partir des prix des actions sélectionnées sous forme d’une moyenne pondérée. C'est
un outil utilisé par les investisseurs et les gestionnaires financiers pour décrire le marché et comparer le
rendement de certains investissements.
2
C’est un instrument financier dont le règlement se réalise à une date future. Sa valeur fluctue en fonction de
l'évolution du taux ou du prix d'un autre produit appelé sous-jacent qui requiert peu ou pas de placement initial.
3
C’est un marché financier public sur lequel des produits de base sont négociés en vue d'une livraison
immédiate.
1
leur valeur fondamentale4. D’autres auteurs, présentent des thèses plus nuancées. En effet,
Koitsiwe et Adachi (2018) confirment que la spéculation est responsable de la flambée des
prix seulement dans les périodes de crise. Autrement, son effet n’est pas significatif. De nos
jours, l’augmentation extrême des prix affecte tous les pays quel que soit leur degré de
développement. C’est la raison pour laquelle de nombreuses recherches ont été menées sans
parvenir toutefois à cerner l’effet réel de la spéculation dans le processus de formation des
prix.
Ce thème a toujours été d’actualité en finance de marché et les avis sont partagés. Dans ce
sens, beaucoup d’études ont accusé les spéculateurs d’augmenter le niveau des prix des
matières premières. Selon leurs analyses, la récente flambée des prix est due aux flux
excessifs investis dans les contrats à terme 5 causant une déviation des prix par rapport à leurs
valeurs fondamentales.
D’autres admettent que la spéculation est fondamentale pour le bon fonctionnement du

marché. Ils démontrent, en effet, que l’investissement dans les contrats à terme contribue à
réduire le niveau des prix et stabilise le marché.
Dans le cadre de cette divergence de vues, nous nous interrogeons sur l’éventuelle existence
d’un seuil optimal de spéculation qui permettrait aux acteurs commerciaux de satisfaire leur
besoin de liquidité et de couverture du risque tout en maintenant un certain équilibre au
niveau général des prix. Ceci va être notre premier apport empirique à ce niveau. Notre
problématique s’inscrit dans ce contexte et se résume à caractériser la relation entre la
spéculation et les prix des matières premières. De manière plus spécifique, nous nous
proposons de répondre à la question de recherche suivante : La spéculation a-t-elle un impact
sur les prix des matières premières ? Dans l’affirmative, cet impact est-il le même quel que
soit le régime du marché ? De plus, nous essayerons de répondre à une question auxiliaire se
rapportant à la nature de cette relation. Plus précisément, il s’agit de vérifier la non linéarité
de la relation étudiée.
Le présent travail se focalisera sur le marché des graines (blé, avoine, l’huile de soja et le riz
brut) pour la période allant de 1998 à 2016. Le choix de cette période est judicieux à plus d’un
4
C’est le niveau du prix déterminé par l’offre et la demande d’un produit quelconque.
5
C’est un accord légal conclu entre deux parties pour acheter ou vendre un produit de base à un prix
prédéterminé à une échéance donnée dans le futur. Les contrats à terme standardisés en qualité et en quantité
facilitent la négociation sur un marché à terme.
2
titre. D’abord, nous couvrons la période de la grande financiarisation des matières premières
qui a eu lieu au début des années 2000, notamment après l’émergence de l’investissement
indiciel sur les matières premières. De plus, cette période comprend la grande flambée des
prix observée sur ces marchés pendant la crise mondiale 2007-2009. Ainsi, nous avons choisi
de travailler sur les bourses américaines puisqu’elles sont les plus actives et les plus
développées. Notons que ce travail n’est pas spécifique au marché américain car l’influence
de la spéculation se propagera et impactera les prix sur différents marchés à travers le monde
et surtout pour les pays en voie de développement. Enfin, le choix de travailler sur les graines
s’explique par leur importance vitale pour tous les pays et spécialement pour les populations
souffrant de problèmes de malnutrition. En effet, les grandes fluctuations des prix ont causé
des situations de famine et d’effondrement économique surtout au niveau des pays où le
secteur agricole est le principal moteur de l’économie. Dans cette recherche, on a utilisé une
nouvelle méthode pour vérifier l’existence d’une relation non linéaire entre les prix de ces
produits de base et la spéculation qui est l’approche de la régression en quantile. De plus, on a
introduit deux nouvelles variables qui n’ont pas été utilisé auparavant dans le sujet de la
spéculation qui sont l’ouverture commerciale et l’ouverture financière. Ceci constitue notre
deuxième et troisième apport.
Ce travail de recherche est organisé comme suit :

Le premier chapitre présente les définitions des concepts relatifs à la spéculation et au marché
des matières premières ainsi que la revue de la littérature théorique. Le deuxième chapitre est
consacré à la description des variables impactant les prix des produits de base, à la revue de la
littérature empirique ainsi qu’aux démarches méthodologiques adoptées. Enfin, Le troisième
chapitre présente les données ainsi que les principaux résultats liés à nos régressions. Nous
clôturons le travail par une conclusion.
3
Chapitre I
La spéculation financière :
Théories et concepts de base

Chapitre I : la spéculation financière : Théories et concepts de base
Introduction
Ce chapitre présente les différents concepts fondamentaux retenus dans notre recherche. À
savoir la spéculation financière, la relation entre les hedgers et les spéculateurs sur le marché
à terme et l’impact des transactions à terme sur les prix des matières premières. Il s’agira de
présenter les principes de base de la spéculation dans le marché des matières premières ainsi
que les différents acteurs intervenants dans ce sujet.
En effet, la première section porte sur l’importance croissante des matières premières dans le
cycle économique et sur son rôle en tant qu’instrument d’investissement pour les différents
acteurs du marché. La deuxième présente le principe de la spéculation financière sur les
produits de base. Elle mettra l’accent sur l’effet réel de la spéculation, décrit le processus de
financiarisation des matières premières et détaille la relation entre les hedgers et les
spéculateurs. Pour finir, la troisième section rapportera les différentes études théoriques
traitant ce sujet.
1.1. L’importance et le rôle du marché des matières premières

Les matières premières ont une importance cruciale aussi bien pour les pays développés qu’en
développement. Les premiers souhaitent maintenir le pouvoir de production et de vente de ces
produits à travers les différentes entreprises et investisseurs contrôlant ainsi l’offre mondiale.
Les seconds sont directement impactés par la volatilité des prix de ces produits vitaux pour la
nutrition de la population mondiale et pour le management des entreprises utilisant ces
matières dans leur processus industriel. Ceci rend la régulation des différents marchés de
matières premières une priorité indéniable pour maintenir le bien-être social.
Dans ce sens, le manager du hedge fund6 Masters (2008) déclare que les investisseurs
institutionnels7 sont le principal facteur affectant le prix des produits de base aujourd'hui. Il
confirme que le nombre actuel de spéculateurs investissant dans les indices boursiers du blé
est suffisant pour fournir à chaque citoyen américain sa consommation de pain et des pâtes
pendant les deux prochaines années. Par ailleurs, il explique que la récente crise mondiale
2007-2009 a été le résultat des transactions excessives des spéculateurs. Ces dernières ont
dépassé les besoins de couverture des agriculteurs désirant d’écouler leur production sur le
6 C’est un fonds d’investissement qui rassemble des capitaux des investisseurs institutionnels et investit dans
divers actifs, souvent au moyen de techniques complexes de construction de portefeuille et de gestion du risque.
Il est administré par une société de gestion de placements professionnelle.
7 C’est une personne ou une organisation non bancaire qui négocie des titres en quantités d’actions ou en dollars
pour pouvoir prétendre à un traitement préférentiel et à des commissions moins élevées.
5
marché et craignant une fluctuation défavorable des prix. À titre d’exemple Youcef (2018)
évoque que depuis le début des années 2000, les prix des matières premières agricoles ont
connu une augmentation spectaculaire au cours de la récente crise financière. Notons que les
conséquences de ces augmentations peuvent être dramatiques pour les pays en développement
où les populations consacrent une grande partie de leurs revenus à la consommation des
produits agricoles. Ainsi, au cours de la crise alimentaire de 2007-2008, l’explosion des prix
des produits agricoles a été suivie par l’observation d’un nombre croissant de personnes sous-
alimentées.
Durant la même période, la présence des investisseurs institutionnels sur le marché a
fortement augmenté. Leurs placements sont passés, selon la CFTC8, de 15 milliards de dollars
en 2003 à plus de 200 milliards de dollars en 2008. Selon Domanski et Heath (2007) et
Singleton (2014), cet accroissement d’intérêt des investisseurs institutionnels pour les contrats
à terme de marchandises est l’une des causes de l’augmentation récente des prix des produits
de base. Dans ce contexte, Fattouh et al (2013) ont évoqué le cas de la flambée du prix spot du
pétrole brut en 2003 et ont relaté le débat acharné de la communauté scientifique autour des
déterminants du prix du pétrole brut. En effet, le consensus qui a émergé laissait entendre que
cette hausse ne pourrait être expliquée que par des changements dans les fondamentaux
économiques mais serait plutôt due à la financiarisation accrue des marchés. Ceci a permis à
la spéculation de devenir un facteur déterminant du prix du pétrole. La financiarisation des
marchés à terme du pétrole a été accusé de divers maux. On lui attribuait notamment la
volatilité extrême des prix, l’augmentation de la corrélation entre les prix à terme du pétrole et
les prix des autres produits énergétiques et des produits de base. De plus, elle a causé
l’augmentation des prix des carburants durant cette période et l’affaiblissement du pouvoir
d’achat des citoyens.
De même, Loayza et al (2007) ont remarqué que les prix des marchandises ont terriblement
augmenté depuis l’année 2000 et particulièrement entre 2006 et 2008. Les auteurs constatent
également une augmentation du niveau général des prix de nombreux produits agricoles. En
effet, ces tendances haussières ont des effets préjudiciables sur les pays en voie de
développement puisque les intrants importés seront plus coûteux, augmentant ainsi les coûts
du processus de transformation de ces matières. De plus, l'imprévisibilité du revenu des
producteurs tend à réduire les investissements et par conséquent, la croissance.
8 C’est une agence fédérale Américaine indépendante créée en 1974. Elle régit les marchés des futures et des
options. Parmi ses objectifs est la promotion de marchés à terme compétitifs et efficaces, ainsi que la protection
des investisseurs contre les manipulations, les pratiques commerciales abusives et la fraude.
6
Huchet et Fam (2018) expliquent que certains fondamentaux, à savoir, les stocks, les
conditions climatiques, l'offre et la demande peuvent, en grande partie, expliquer ces
tendances. Effectivement, alors que l'offre augmente lentement, la demande des produits de
base augmente proportionnellement à la croissance des pays émergents et à la demande
croissante de biocarburants. D’où, l’élasticité9 à court terme de l'offre et de la demande
demeure faible et l'ajustement est initialement effectué par les prix et non pas par les
quantités. Au-delà des facteurs fondamentaux, les spéculateurs peuvent également avoir un
impact significatif sur les prix des produits de base. Dans ce sens, la présence des
investisseurs offre plus de liquidité aux marchés puisqu’ils représentent les contreparties des
stratégies de couverture des hedgers. Ils permettent ainsi d’améliorer les prix à terme.
Cependant, les prix peuvent se déconnecter de leurs valeurs fondamentales théoriques et
forment ainsi des bulles spéculatives10. De ce fait, comprendre les facteurs qui expliquent les
hausses et les baisses des prix des produits de base est d’une importance cruciale pour
l’économie mondiale. Puisqu’une grande partie du revenu et du bien-être social des pays
consommateurs et producteurs des matières premières dépendent de ces prix (Bernanke
(2006)).
Ce sujet affecte de manière vitale la répartition des revenus au sein des pays car la propriété
des ressources naturelles varie considérablement entre les nations. Selon Van Der Ploeg
(2011), ceci rend le pilotage des prix des produits de bases à long terme important car ces
fluctuations ont de graves conséquences. Dans ce sens, les observateurs extérieurs, qu’ils
soient universitaires, grand public, investisseurs ou décideurs politiques, sont toujours divisés
autour de l’importance des diverses forces au sujet des déterminants réels des fluctuations des
prix des produits de base. L’histoire récente des prix des produits de base confirme cette
situation. Vu qu’à partir de 1998, les prix réels des matières premières ont augmenté pendant
10 ans aboutissant au niveau le plus élevé en 2008. Ces prix ont dépassé le triple des valeurs
observées en 1998. (Jacks, 2013).
9
C’est une mesure utilisée en économie pour calculer la quantité fournie d'un bien suite à une variation de son
prix. Elle est définie comme le pourcentage de variation de la quantité fournie divisé par le pourcentage de
variation du prix.
10
C’est un pic de la valeur des actifs dans un secteur, une marchandise ou une classe d'actifs donné alimenté
par la spéculation, par opposition aux fondamentaux de cette classe d'actifs. Elle est causée par des attentes
exagérées de croissance future, d’appréciation du prix ou d’autres événements pouvant entraîner une
augmentation de la valeur des actifs.
7
Aux vues de ces observations surprenantes, Irwin (2009) et Fattouh et al (2013) ont mis le
point sur les rôles respectifs des fondamentaux et de la spéculation dans l’augmentation des
prix.
Cette augmentation spectaculaire des prix a été suivie par la promulgation de la loi sur la
réforme du consommateur et la protection du consommateur de Dodd-Frank Wall Street qui
est un énorme projet de loi de réforme financière adopté par l'administration Obama en 2010.
Ce projet est venu en réponse à la crise financière de 2008. Les nombreuses dispositions de la
loi sont appliquées sur plusieurs années et visent à réduire divers risques pour le système
financier américain. L’un de ses principes phares est de contenir certains aspects de l’activité
des spéculateurs. En effet, la loi a créé un certain nombre de nouvelles agences
gouvernementales chargées de superviser divers aspects du système bancaire et des activités
des traders11 sur les marchés boursiers. Pourtant, le président Donald Trump l’a abrogé le 22
mai 2018 suite à des problèmes liés à la réduction de la croissance et de l’efficacité du
marché. Ceci augmente davantage le doute quant au concept de la spéculation et son effet réel
sur le marché.
1.2. La spéculation financière sur le marché des matières premières :

principes de base
La spéculation est l'acte de mener une transaction financière qui comporte un risque important
de perte. Toutefois, il n’en demeure pas moins vrai qu’il existe un espoir de gain significatif.
En effet, en recourant à la spéculation, le risque de perte est compensé par la possibilité d'un
gain énorme. Sinon, il y aurait très peu de motivations à spéculer. Il peut être difficile de faire
la distinction entre spéculation et investissement. En effet, le fait qu'une activité soit qualifiée
de spéculative ou d'investissement peut dépendre de nombreux facteurs, notamment la nature
de l'actif, la durée prévue de la période de détention et le montant de l’endettement.
Kilian et Murphy (2014) décrivent un spéculateur comme une personne qui achète des
produits destinés à un usage futur (c'est-à-dire à la vente), mais pas à des fins de
consommation courante. Fattouh et al (2012) affirment que, par cette définition, la spéculation
n’est pas indésirable. Les spéculateurs représentent un élément important du bon
fonctionnement du marché des produits de base.
11 C’est une personne physique qui s’engage dans l’achat et la vente d’actifs financiers sur n’importe quel
marché financier que ce soit pour lui-même ou pour le compte d’une autre personne. La principale différence
entre un trader et un investisseur est la durée pendant laquelle la personne détient l'actif. Les investisseurs ont
tendance à avoir un horizon temporel plus long, alors que les traders ont tendance à conserver leurs actifs
pendant des périodes courtes afin de tirer parti des fluctuations à court terme.
8
Sur ces marchés, un spéculateur est une partie qui ne gère généralement pas le produit de base
physique, mais adopte une position financière (longue ou courte) afin de tirer profit du
mouvement du prix de l’actif en question. Selon Working (1949), la spéculation est qualifiée
d’indésirable lorsqu’il n’y a pas d’adéquation entre la demande de couverture des hedgers et
l’offre de couverture des spéculateurs. Elle se manifeste, généralement, lorsque les positions
longues occupées par les spéculateurs dépassent les positions courtes occupées par les
hedgers. Ceci déstabilise le fonctionnement du marché et augmente le niveau des prix.
1.2.1. La spéculation sur le marché des produits de base : est-elle utile ou nuisible ?
La mauvaise gestion des opérations à découvert12 est celle qui cause la flambée des prix des
matières premières. En effet, ceci se matérialise par les opérations initiées par les agriculteurs
et les transformateurs d’aliments qui vendent des produits qu’ils n’ont pas pour assurer leur
propre protection. C’est une sorte de couverture.
Si vous êtes un producteur de cacao, vous voudrez vendre votre produit à un prix fixe avant la
récolte car les coûts doivent être supportés avant la production de la culture. C'est une forme
d'assurance. De la même manière, un transformateur peut souhaiter acheter son cacao à un
prix fixé à l'avance de la récolte afin de pouvoir développer sa stratégie de commercialisation
et fixer ses listes de prix. Pour ces raisons, de simples contrats à terme peuvent se développer.
Ils existent sur toutes sortes de marchés et existent depuis l'Antiquité. Cependant, si nous
laissons les agriculteurs et les transformateurs se contenter de prendre des dispositions entre
eux, plusieurs risques émergeront. Il’ y aura relativement peu d'acheteurs et de vendeurs des
contrats et les deux seront liés par des contrats qui pourraient ne pas s'avérer appropriés en cas
d’évolution défavorable des prix. En effet, les contrats seront probablement coûteux. En
conséquence, les marchés à terme se développent et permettent l’achat et la vente à terme et
les spéculateurs entrent dans les transactions.
Une fois que ces contrats à terme se développent, il est difficile d’empêcher toutes sortes
d’acteurs de les acheter et les vendre. Même s’ils ne sont pas des agriculteurs, transformateurs
ou personnes ayant un intérêt à se protéger contre la volatilité des prix des matières premières.
Là, nous obtenons la problématique de la cohabitation entre les investisseurs, les traders et les
spéculateurs achetant des contrats à terme sur des produits de base.
Cela pose-t-il des problèmes sur les marchés des produits alimentaires et autres ? Encore une
fois, nous pouvons réfléchir sur ce problème du point de vue de la théorie et des preuves
empiriques.
12
C’est une opération qui consiste à vendre des actions ou produits que l’on ne possède pas pour les racheter
plus tard à un prix inférieur.
9
Supposons que les acteurs économiques s’attendent à une augmentation du prix du blé de (par
exemple) 50% sur six mois et que le prix actuel d’une tonne de blé est de 100.
Et supposons qu’il existe un contrat à terme qui permet de s’accorder aujourd’hui sur le prix
d’achat d’une tonne de blé dans six mois. Étant donné que nous prévoyons que le prix du blé
sera de 150 dans six mois, il n’est pas certain que le prix à terme s'établira effectivement à un
prix d'environ 150. Dans ce cas, si le prix s’accorde avec les prévisions, l’agriculteur qui va
vendre à terme le blé à 150 va réaliser un gain de 50 unités par rapport aux prix au comptant
fixé à 100 unités de monnaie.
Supposons qu'un fonds de couverture achète ce contrat. En pratique, dans six mois, le fonds
spéculatif en paie 150 et supporte une perte de 50 unités par tonne.
En fait, le contrat à terme est conçu pour que son titulaire bénéficie de la différence entre le
prix au comptant et le prix à terme en cas d’évolution favorable des prix qui est de 50 unités
pour cet exemple.
Supposons maintenant que le prix du contrat à terme est volatile et que tout le monde veut
l’acheter. Supposons que le prix du contrat à terme diminue maintenant à 70. Cela signifie
que, dans six mois, l’agriculteur supporte une perte de 30 unités qui est la différence entre le
prix au comptant et le prix à terme qui est de 70. En effet, l’agriculteur aurait pu vendre sa
production à 100 unités pour chaque tonne. Mais l’évolution défavorable des prix et son
engagement dans le contrat à terme l’oblige à vendre au prix à terme. Dans ce cas,
l’agriculteur subit une perte et le spéculateur bénéficie d’un gain.
Dans ce sens, les prix des produits de base peuvent connaitre une volatilité extrême à cause de
la concurrence entre les différents acteurs. Ainsi, les actions des spéculateurs intervenant sur
ces marchés peuvent être nuisibles. En d'autres termes, il existe des moyens par lesquels la
spéculation peut faire monter les prix. Par exemple, les spéculateurs pourraient s’accaparer le
marché du produit sous-jacent en question et le retirer du marché afin de faire grimper le prix
pour réaliser des profits sur leurs contrats à terme. Autrement dit, ils détiennent l’offre de la
matière première en question et peuvent bénéficier de marges bénéficiaires résultantes de
l’augmentation extrême des prix. Ceci s’explique par le fait que les principaux produits
alimentaires ont toujours des fonctions de demande croissantes vue leur importance vitale ce
qui amène toujours à des niveaux haussiers des prix.
Cependant, ceci n’est pas toujours le cas. Dans certains marchés où il’ y a une concurrence
acharnée entre les acteurs économiques. Les opérateurs sur contrats terme ne peuvent pas
contrôler tout l’offre du marché car leurs intérêts sont divergents. En effet, les actions des
spéculateurs peuvent être annulées par les actions opposées d’autres acteurs de marchés qui
10
ont des attentes différentes concernant l’évolution des prix. Donc leurs actions simultanées se
compensent et se neutralisent.
Enfin, et c'est très compliqué, les agriculteurs peuvent stocker leur blé lorsque le prix à terme
est supérieur au prix actuel. La plupart des marchés à terme pour les produits stockables et
certains minerais métalliques, peuvent être stockés indéfiniment. Si un agriculteur constate
que le prix à terme d’un produit de base sur six mois est de 200, il peut vendre le contrat à
terme et le stocker. Ainsi, en vendant à terme et en stockant le produit de base en question, il
s'est garanti un prix de 200 et a retiré le produit du marché pour la durée du contrat. Il serait
vendu à nouveau à un moment où l'on s'attend à ce que le produit soit encore plus rare. Dans
cette logique, l’utilisation du marché à terme et le retrait des produits du marché pendant un
certain temps sont plus utiles que nuisibles pour atténuer la pénurie. En effet, en cas de
pénurie alimentaire ou famine, les stocks des produits alimentaires détenus par les
spéculateurs peuvent résoudre les problèmes et peuvent être perçues comme des stocks
assurant la sécurité alimentaire. Pour cette raison, on constate que la spéculation peut être
aussi une solution pour les problèmes de fluctuation des prix et de quantités dans le marché. Il
faut juste un bon dosage sur les opérations à terme.
Dans ce sens, l'agriculteur stocke les produits agricoles dans les années où la production est
abondante afin de les vendre en cas de pénurie. Le marché à terme l'aide simplement à le faire.
Par ailleurs, l’utilisation de ces produits agricoles a beaucoup évolué ces dernières années. En
effet, ils sont devenus un outil d’investissement en bourse ce qui nous conduit au concept de
financiarisation des produits de base.
1.2.2. La financiarisation du marché des matières premières
Un produit de base est un produit utilisé dans le commerce. Il est interchangeable avec
d’autres produits du même type. Les produits de base sont le plus souvent utilisés comme
intrants dans la production d'autres biens ou services. La qualité d'un produit donné peut
différer légèrement, mais elle est essentiellement uniforme d'un producteur à l'autre.
Lorsqu'ils sont négociés en bourse, les produits doivent également respecter des normes
minimales, également appelées notes de base.
La volatilité du prix d’une matière première est la variance du prix d'un produit de base au
cours du temps. Plus le prix varie, du bas en haut, plus la volatilité est élevée et vice versa.
Dans ce sens, certains produits sont plus volatiles que d’autres. Ainsi, seule la variance d’un
marché peut rendre un actif attractif ou non pour les acteurs du marché présentant des profils
rendement-risque différents. En effet, lorsqu’on sélectionne l’actif dans lequel on va investir
ou négocier, l’un des facteurs les plus déterminants est sans doute sa variance.
11
La financiarisation du marché des matières premières se matérialise par la gestion indicielle

des produits. En effet, un indice de matières premières est un moyen d’investissement
permettant de suivre un panier de produits de base afin de mesurer leurs performances en
termes de prix et du rendement sur investissements. En effet, ces indices sont toujours
négociés en bourse. Ceci permet aux investisseurs d’accéder plus aisément aux produits de
base sans devoir entrer sur le marché physique. Dans ce contexte, la valeur de ces indices
fluctue en fonction des matières premières sous-jacentes et cette valeur peut être négociée en
bourse de la même manière que les contrats à terme sur indices boursiers.
Au cours de la dernière décennie, les flux d’investissements dans les produits de base ont
connu un afflux sans précédent de fonds institutionnels sur les marchés à terme de produits de
base. Les investisseurs institutionnels et les traders peuvent utiliser un indice de matières
premières comme benchmark13. Ceci facilitera l’interaction entre eux.
1.2.3. L’interaction entre les spéculateurs et les hedgers
Les spéculateurs et les hedgers sur le marché des matières premières sont des termes
différents qui décrivent les traders et les investisseurs. En effet, La spéculation consiste à
essayer de tirer profit du changement de prix d'une matière première donnée, tandis que le
hedging tente de réduire le niveau du risque, ou de volatilité, lié au changement du prix.
La couverture consiste à prendre une position compensatrice dans un produit afin de faire
l’équilibre entre les gains et les pertes éventuels liés à l’actif sous-jacent. Elle tente d'éliminer
la volatilité associée au prix en prenant des positions compensatoires contrairement à ce que
l'investisseur a actuellement. Le but principal de la spéculation, par contre, est de tirer profit
des paris sur la direction dans laquelle le prix d’un produit va évoluer.
Les opérateurs en couverture (hedgers) minimisent leurs risques en prenant une position
opposée sur le marché par rapport à ce qu'ils tentent de couvrir. La situation idéale en matière
de couverture serait de faire en sorte qu'un effet annule un autre.
Prenons l’exemple du marché des métaux : supposons qu’une entreprise spécialisée dans la
production de bijoux ait un contrat important, à six mois d’échéance, pour lequel l’or est l’un
des principaux intrants de l’entreprise. La société s'inquiète de la volatilité du marché de l'or
et pense que le prix de l'or pourrait augmenter considérablement dans un proche avenir. Afin
de se protéger de cette incertitude, la société pourrait acheter un contrat à terme standardisé de
13 C’est un indice de référence et une norme par rapport à laquelle le rendement d'un titre, d'un fonds commun
de placement ou d'un gestionnaire de placements peut être mesuré. En règle générale, les indices boursiers sont
utilisés à cette fin.
12
six mois en or. Ainsi, si l’or subit une flambée de 10% du prix, le contrat à terme obtiendra un
prix qui compensera cette perte.
Comme vous pouvez le constater, bien que les hedgers soient protégés de toutes pertes, ils
sont également limités de tout gain. Le portefeuille est diversifié mais toujours exposé au
risque systématique14. Selon les politiques d'une entreprise et le type d'activité qu'elle exerce,
elle peut choisir de se couvrir contre certaines opérations commerciales afin de protéger leurs
marges bénéficiaires des fluctuations des prix et de limiter tout risque de perte.
Pour atténuer ce risque, l'investisseur couvre son portefeuille en laissant de côté les contrats à
terme standardisés sur le marché et en achetant des options de vente15 contre les positions
acheteuses du portefeuille. En effet, le spéculateur peut envisager de vendre un fonds négocié
en bourse ou un contrat à terme sur le marché afin de réaliser un profit potentiel en cas de
baisse du prix. Par contre si les prix augmentent, il ne va pas exercer son option de vente et il
va garder sa position acheteuse.
Les spéculateurs négocient en fonction de leurs suppositions éclairées quant à l’orientation
qu’ils pensent avoir sur le marché. Par exemple, si un spéculateur estime qu'un produit de
base est trop cher, il peut le vendre à découvert et attendre que le prix du produit baisse,
auquel cas il achètera le produit de base de nouveau et réalisera un profit.
Les spéculateurs sont vulnérables à la fois aux inconvénients et aux avantages du marché. Du
coup, la spéculation peut être extrêmement risquée. Généralement, les hedgers sont considérés
comme averses au risque tandis que les spéculateurs sont considérés comme des amoureux du
risque. Les opérateurs en couverture tentent de réduire les risques liés à l'incertitude, tandis
que les spéculateurs parient contre les mouvements du marché pour tenter de tirer profit des
fluctuations du prix.
14
C’est le risque associé aux rendements du marché. Ce risque peut être attribué à des facteurs
macroéconomiques tels que l'inflation, les variations des taux d'intérêt, les fluctuations des devises, les
récessions, les guerres. C'est un risque pour votre portefeuille de placements qui ne peut être attribué au risque
spécifique de placements individuels.
15
C’est un contrat d’option donnant au propriétaire le droit, mais non l’obligation, de vendre un montant
spécifié d’un titre sous-jacent à un prix spécifié dans un délai spécifié. C’est l’opposé d’une option d’achat qui
donne au porteur le droit d’acheter un titre sous-jacent à un prix déterminé avant l’expiration de l’option.
13
1.3. Effet de la spéculation financière sur les prix des matières premières -
Fondement théorique
La littérature théorique décrit plusieurs mécanismes par lesquels la spéculation financière peut
affecter les prix des matières premières. À cet effet, il existe un certain nombre de recherches
théoriques qui ont examiné les déterminants des prix en essayant de savoir si la spéculation a
un impact dans son processus de formation.
1.3.1 Les motivations des spéculateurs
À cause de la forte volatilité des prix observés, le rôle des spéculateurs sur les marchés à
terme a été toujours le sujet d’un débat considérable. La spéculation est souvent critiquée
malgré sa définition classique qui indique qu’elle a un effet stabilisant sur le marché. Elle
consiste à acheter lorsque le prix est bas et vendre lorsque le prix est élevé (Keynes (1923),
Friedman (1953)). Dans ce contexte, les critiques qui attaquant les spéculateurs découlent de
l’observation selon laquelle leurs tentatives continues d’obtenir des bénéfices fragilisent les
marchés financiers. Ceci entraine une flambée des prix. Keynes (1930) stipule que les
marchés à terme sont remplis de spéculateurs essayant d’obtenir des gains. Il blâme les
spéculateurs et les hedgers lorsque les prix sont très volatiles. Car ils cherchent toujours à
réaliser des plus-values sur leurs transactions, ce qui déclenche une flambée des prix. Cette
vision traditionnelle implique que les hedgers sont ceux qui initient les transactions plutôt que
les spéculateurs qui n’ont pas un investissement direct dans la matière première en question.
Au début de son analyse, Keynes (1923) a posé la question des motifs qui stimulent les
spéculateurs professionnels dans les marchés à terme. Il explique que l’opportunité de profiter
des changements des prix en achetant (vendant) à terme en prévision d’une hausse (baisse)
des prix représente leur principale motivation. Du coup, cette opération finirait par leur
permettre de revendre (racheter) à profit à l'échéance du contrat à terme. Cependant, les
spéculateurs ne seraient en mesure de réaliser des bénéfices qu'en anticipant le plus
précisément possible les mouvements des prix avant tout le monde. À cet effet, Keynes
(1923) exclut explicitement cette possibilité car elle semble reposer sur l’hypothèse que, en
moyenne, les spéculateurs peuvent prévoir le futur mieux que les producteurs, commerçants et
consommateurs. Selon son analyse, ceci va offrir la possibilité aux spéculateurs de conclure
des contrats à terme et leur offre le pouvoir d’anticipation de changements de prix et donc la
possibilité de réaliser des profits exceptionnels. Il adhère à l’idée que leur rôle est plutôt de
fournir une assurance contre les variations de prix inattendues en contrepartie d'une
rémunération. En effet, beaucoup pensent que le prix actuel d'un contrat à terme est égal aux
14
prévisions du marché concernant le prix au comptant à la date de livraison. Cependant,

Keynes (1923) suggère qu'il est peu probable que les deux fonctions ci-dessus puissent être
remplies simultanément. Il confirme que les hedgers utilisent le marché à terme pour éviter les
risques et qu'ils demandent l’assurance des spéculateurs.
Il conclut que le prix à terme est une estimation peu pertinente du prix spot en vigueur à la
date d’expiration du contrat à terme.
1.3.2. La théorie fondatrice du marché à terme
La théorie de base du marché est la théorie du « normal backwardation » qui stipule que le
prix d'un contrat à terme de produits de base s'échange en dessous du prix au comptant prévu
à l'échéance du contrat. Pour cette raison, la courbe des contrats à terme standardisés est
généralement en pente descendante. En effet, les contrats portant sur des dates ultérieures se
négocieraient généralement à des prix encore plus bas. En pratique, le prix au comptant futur
prévu est inconnu et on obtient une base positive. Cette dernière signifie que le prix au
comptant actuel est supérieur au prix futur. La situation du marché opposée à cette situation
est connue sous le nom de contango. En effet, ce terme est utilisé pour désigner une base
négative. Ceci se produit, donc, lorsque le prix futur se négocie au-dessus du prix au comptant
attendu. La théorie soutient que le prix à terme est inférieur au prix au comptant futur prévu et
que le prix à terme devrait augmenter avec le temps pour égaliser le prix futur prévu. Comme
le dit Keynes (1923) :« En d’autres termes, le prix à terme cité, au-dessus du prix au comptant
actuel, doit être inférieur au prix au comptant futur prévu d'au moins le montant du normal
backwardation ».
Dans une autre interprétation, Carter (1983) prouve qu’un « backwardation » commence
lorsque la différence entre le prix à terme et le prix au comptant est inférieure au coût de
portage16 ou lorsqu'il ne peut y avoir aucun arbitrage de livraison car l'actif n'est actuellement
pas disponible à l'achat. Avec cette théorie, Keynes (1930) a souligné l’existence du risque
financier sous-jacent à la nécessité de constituer des stocks de produits agricoles. Il a suggéré
que les marchés à terme facilitent les opérations de hedging. Selon lui, les prix à terme ne sont
pas des estimations fiables des prix spot en vigueur à la date d’expiration des contrats
d'avenir. Dans ce sens, il a jugé normal que le prix à terme soit une estimation biaisée à la
baisse du prix au comptant à venir. Cette théorie soutient l’idée que les spéculateurs vendent
une assurance aux hedgers et que le marché est normalement inefficace, puisque le prix à
terme n’est pas une estimation impartiale du prix au comptant ultérieur. Par ailleurs, Keynes
16
Lorsque le prix à terme est inférieur à la somme du prix au comptant et des frais de portage.
15
(1930) a soutenu l’idée que les hedgers utilisent les marchés à terme pour éviter les risques et
payent une prime importante aux spéculateurs pour cette assurance.
Telser (1958 ; 1960) et Cootner (1960) ont aussi testé la théorie du « normal backwardation »
et ont obtenu des résultats différents. Cootner a trouvé des résultats confirmant la théorie alors
que les résultats de Telser l’ont infirmée.
Dans cette même logique, Chang (1985) estime que les marchés à terme facilitent la
couverture. En d’autres termes, les marchés à terme permettent à ceux qui négocient des
produits de base d’obtenir des contrats à travers lesquels le risque de variation du prix peut
être transféré à ceux qui sont prêts à l'assumer. Par suite, les acteurs du marché peuvent
prendre des décisions en matière de production, de vente et du stockage en observant la
direction des prix à terme même s'ils ne prennent pas de positions dans le marché à terme.
La conclusion de Keynes (1930) est basée sur l'argument que le spéculateur qui est sur une
position longue (courte) réalise une prime en refusant d’acheter un contrat avec le hedger qui
est sur une position courte (longue) sauf à un prix inférieur (supérieur) à celui que le prix à
terme devrait approcher. Au fil des années, plusieurs recherches ont cherché à confirmer
l'existence d'une telle prime de risque pour les spéculateurs sur le marché à terme. Cependant,
les preuves ont été mitigées et il n’y a pas eu de consensus.
1.3.3. Les théories de la prime de risque
Keynes (1930) décrit la prime de risque comme une technique de couverture dans laquelle le
risque de prix est éliminé au moyen de ventes à terme à prix discount17. Comme il le dit «le
producteur est prêt à accepter d’avance un prix un peu plus bas de ce qu’il pense selon la
prépondérance des probabilités ». En effet, la différence entre les deux prix est la prime de
risque.
La prime de risque est le rendement que les spéculateurs peuvent espérer gagner s’ils ne
bénéficient pas des mouvements du prix au comptant, et s’ils sont incapables de battre le
marché. À cet effet, la théorie du « normal backwardation» stipule que la prime de risque est
payée par les vendeurs des produits de base cherchant à se couvrir contre le risque de
variation des prix. Dans ce contexte, un producteur de graine vend des contrats à terme pour
obtenir une assurance contre le risque de baisse des prix des céréales au moment de la récolte.
En effet, il veut couvrir les coûts de production et garder sa marge bénéficiaire lors de la
vente. Par suite, les spéculateurs fournissent cette assurance, achètent ces contrats et
perçoivent le montant de la prime. Cependant, ils exigent un prix à terme inférieur au prix
17
Un prix inférieur au prix habituel.
16
spot. Le montant de cette prime est la différence entre le prix à terme et le prix au comptant
actuel.
Les interprétations de Keynes (1923,1930) peuvent être élargies assez aisément. En effet,
lorsque l’ensemble de la courbe des prix est mis en relief, la présence simultanée de reports et
de déports tout au long de la courbe s’explique par un excès d’offre ou de demande de
contrats à terme pour des maturités bien définies. Par suite, pour surmonter ces déséquilibres,
une prime de risque est offerte aux spéculateurs qui acceptent d’assumer le risque de prendre
une position sur le marché à terme compensant, pour chaque échéance, la position nette des
hedgers. À l’instar de la théorie de l’habitat préféré développée pour les taux d’intérêt de
Modigliani et Sutch (1966), la structure par terme des prix des produits de base prend la forme
d’une succession de segments présentant différentes maturités. Un tel élargissement de
l’interprétation de Keynes revient bien sûr à formuler les hypothèses concernant le signe et le
niveau de la prime de risque. Dans ce sens, il existe divers déséquilibres entre l’offre et la
demande de contrats à terme et chaque segment de la courbe des prix satisfait un besoin
économique bien déterminé. Du coup, toutes les catégories d’acteurs n’interviennent pas
essentiellement sur toutes les maturités. Le niveau de la prime qu’ils sont prêts à supporter et
le sens du déséquilibre entre les positions longues et les positions courtes peuvent différer en
fonction des segments. C’est pour cela, la prime de risque dépend de la maturité.
Éventuellement, pour prendre en considération les distorsions de la courbe des prix, cette
prime doit pouvoir varier en fonction de la période lorsque les anticipations et l’aversion au
risque des opérateurs progressent. Ainsi, le plus important est de savoir si les primes de risque
sont suffisamment volatiles afin d’expliquer la fréquence et l’étendue de certaines
modifications de courbes. Dans ce contexte, Dusak (1973) a examiné l'existence d'une prime
de risque dans le contexte du modèle d'évaluation des actifs (CAPM18). Dans cette approche,
la notion keynésienne de la prime de risque prend une nouvelle interprétation. En effet, la
prime de risque requise sur un contrat à terme devrait dépendre du degré selon lequel les
variations de prix sont systématiquement liées à des variations dans le rendement sur la
richesse totale. En effet, si le CAPM s’applique et si le risque du contrat à terme est
indépendant du risque de variation de la valeur de tous les actifs (sans risque systématique),
les investisseurs n’ont pas besoin d'être payés pour ce risque. L'interprétation keynésienne de
18 Elle décrit la relation entre le risque systématique et le rendement attendu des actifs, en particulier les actions.
Elle est utilisée dans le secteur financier pour évaluer les titres à risque et générer les rendements attendus des
actifs, compte tenu du risque associé à ces actifs.
17
l'assurance identifie le risque à terme d'un actif uniquement avec sa propre volatilité du prix.
Dusak (1973) utilise le CAPM pour généraliser la formulation keynésienne et teste les deux
types de risque à terme pour ces produits. En effet, il conclut que le blé, le maïs et le soja ne
sont pas des actifs risqués, qu’ils soient détenus indépendamment ou dans le cadre d’un
portefeuille d’actifs plus vaste.
La principale lacune de recherche de Dusak est qu’il s’est basé sur un modèle mal spécifié et
limité à un petit nombre de matières premières pour lesquels le risque systématique est le plus
souvent absent.
De plus, Keynes (1930), Telser (1958,1960) et Cootner (1960) ne basent pas leurs recherches
sur une différence de goût ou d'attitude envers le risque entre les hedgers et les spéculateurs.
Carter (1983) a corrigé ces deux limites du modèle de Dusak. En effet, son analyse se focalise
sur la version la plus récente de la théorie keynésienne et ses implications pour l'efficacité du
marché. Dans l'analyse de Dusak, il était supposé que les spéculateurs ont une position longue
tout au long de la vie d'un contrat à terme, et que le portefeuille bien diversifié des
spéculateurs ne contient que des actions ordinaires. Il démontre que, contrairement aux
résultats de Dusak, la détention de contrats à terme est une activité risquée et que la théorie
keynésienne présentée est dans ce cas valide. De plus, Le CAPM, tel que formulé par Dusak,
a été restructuré dans son analyse pour corriger deux erreurs de spécification. En effet, les
spéculateurs peuvent prendre des positions courtes ou longues selon leurs prévisions et
deuxièmement, un portefeuille diversifié détenu par les spéculateurs contient non seulement
des actions ordinaires, mais également des positions sur des contrats à terme.
1.3.4. Les théories de spéculation de Hicks (1939)
La théorie de Hicks (1939) est apparue au moment où le marché a été témoin d’un
changement fondamental dans la composition de ses participants. Le marché était dominé par
des investisseurs spécialisés appelés spéculateurs qui gagneraient une prime de risque en
fournissant une assurance pour les hedgers à court terme. Ces derniers sont des producteurs et
des transformateurs de produits de base qui veulent vendre leurs productions et craignent la
volatilité des prix. Dans ce sens, Hicks (1939) explique le hedging et la spéculation comme un
mécanisme qui évite pour une partie et accepte pour l’autre partie le risque de prix.
Cependant, Hirshleifer (1977) a trouvé que cette explication est inacceptable, compte tenu du
fait que c’est l'interaction entre le risque de prix et le risque de quantité qui régit le risque
global accepté ou évité par les individus. En effet, exclure l’importance de l’incertitude
quantitative sous-jacente comme principale cause de la variation stochastique des prix est le
principal défaut de la littérature sur la spéculation traditionnelle.
18
Les premières analyses de Hicks (1939) sur les marchés des matières premières étaient basées
sur la volatilité des prix et ses incidences sur le crédit à court terme et sur le marché de la
couverture. En effet, il met en exergue la grande valeur du flux annuel de produits extraits ou
récoltés par rapport au montant du capital fixe19et flottant entre les mains des producteurs.
Cela avait un impact néfaste sur le marché des prêts à court terme et avait créé une situation
dans laquelle les producteurs étaient dans l’obligation de couvrir leurs risques s'ils
souhaitaient avoir accès à des prêts bancaires. En effet, les banquiers n'étaient pas prêts à
assumer eux-mêmes les risques avec la volatilité extrême des prix. À cet effet, les producteurs
devraient trouver des contreparties pour se couvrir contre l’évolution défavorable des prix et
pour leur transférer le risque. L’une des solutions était d’initier des transactions avec des
marchands qui ont intérêt dans la matière première en question pour la commercialiser et
avoir des bénéfices. Toutefois, Hicks a remarqué que l'horizon temporel des producteurs et
celui des marchands ne se rencontrent généralement pas. Autrement dit, lorsque les
agriculteurs veulent vendre leur production dans le marché, les marchands n’ont pas intérêt en
ce moment à initier des transactions avec eux. Et donc ils ne peuvent pas les couvrir. Ceci a
prouvé le besoin du marché d’autres acteurs pouvant satisfaire le besoin des agriculteurs. Ceci
a permis aux spéculateurs, agissant en tant que porteurs de risque, de pénétrer sur le marché.
Dans ce contexte, l’idée la plus classique de la spéculation est fondée sur l’hypothèse selon
laquelle les spéculateurs ont des attentes différentes et plus précise en matière de prix que les
producteurs. Dans cette même logique, l’horizon des spéculateurs et des producteurs ne se
rencontrent pas aussi. Cependant, Hicks (1939) introduit un élément d’innovation. En effet, il
confirme que les spéculateurs et les hedgers (producteurs) peuvent ne pas avoir les mêmes
attentes en matière de prix. C'est-à-dire, nous pouvons avoir une situation où les hedgers
anticipent une baisse alors que les spéculateurs anticipent une hausse. Malgré cela, tous les
deux peuvent profiter de l’évolution des prix. Dans ce contexte, les bénéfices des spéculateurs
résulteraient de la prime de risque perçue des producteurs. Ils peuvent même avoir plus de
bénéfice s’ils anticipent correctement l’évolution des prix. En contrepartie, les bénéfices des
hedgers résultent de la couverture offerte par les spéculateurs. Certes, ils vont perdre le
montant de la prime, mais ils vont éviter une perte énorme en cas d’évolution défavorable des
prix.
Dans ce sens, les pertes et les gains des opérateurs du marché dépendent essentiellement de la
quantité de la matière première en question et de son niveau relatif du stock.
19
Il comprend les actifs et les investissements en immobilisations, tels que les immobilisations corporelles,
nécessaires au démarrage et à la conduite des affaires, même à un stade minimal .
19
1.3.5 Les théories traditionnelles du stockage

Dans la théorie du stockage et d’inventaire, Working (1949) énumère les caractéristiques
observées sur les marchés des produits de base lorsque les stocks disponibles du produit en
question sont importants, alors que les stocks des consommateurs commerciaux sont réduits
au minimum. En effet, les prix à terme ont tendance à être en contango. Du coup, la volatilité
des prix au comptant et des contrats à terme standardisés tend à être faible et les primes des
contrats à terme standardisés représentent le coût total du stockage.
Dans ce sens, lorsque le niveau des stocks est élevé et lorsque les responsables des achats
maintiennent des niveaux importants d’inventaire de production pour garantir la disponibilité,
les prix à terme tendent à régresser. Par suite, la volatilité des prix des contrats à terme non
lointains augmente par rapport à celle des contrats à terme plus éloignés dans le temps.
À cette analyse, Brennan (1958) a ajouté les courbes de demande et d’offre pour le stockage.
Plus tard, Weymar (1968) associe le rendement de la matière première à la probabilité de
rupture de stock. Sachant qu’un offreur du stock est une personne qui compte vendre le stock
dans le futur, soit dans leur état présent ou sous une autre forme modifiée.
Dans ce sens, la production n’est pas stable pour tous les produits. Par exemple, les
consommateurs agricoles demandent que la fonction de stockage soit assurée de manière que
le flux des produits à vendre soit stable. Autrement dit, ces théories traditionnelles fournissent
une explication de la détention des stocks des produits de base même ceux pour lesquels il
n’existe pas de marché actif à l’avenir. En effet, la mesure de la prime de risque est nécessaire
pour expliquer la détention de stocks dans les périodes de grande fluctuation des prix. Donc,
la théorie sera appliquée aux stocks de plusieurs produits agricoles et la prime de risque pour
chaque produit de base sera mesurée de manière résiduelle. D’un autre côté, Working (1949)
élargit l’analyse. En effet, il souligne qu’il y a une différence entre les relations de corrélation
et de causalité ce qui nie l’hypothèse que l’activité spéculative détermine les prix futurs. Il
confirme que l’achat et le stockage des produits de base stabilisent les prix. Ensuite, les
positions prises par les spéculateurs ne peuvent pas anticiper les variations futures des prix.
En effet, la théorie du stockage, introduite par Working (1948, 1949) indique que la détention
de certains stocks permet aux entreprises de réagir rapidement et efficacement aux chocs de la
demande et de l'offre. Autrement dit, les stocks des spéculateurs peuvent être utilisés pour
remédier aux problèmes de la rareté d’un produit quelconque ou aux problèmes relatifs à la
demande excessive des consommateurs.
Du coup, le lien entre le niveau des stocks et les prix a été étudié par un certain nombre
d’études (Williams (1986), Fama et French (1987), etc.). Dans ce sens, le niveau du prix des
20
matières premières tend à être inversement proportionnel au niveau des stocks. D'une part, un
choc positif des prix augmente le coût d'opportunité de la tenue des stocks et encourage donc
la réduction du niveau des stocks. D'autre part, les agents rationnels réagiront à un choc
négatif de prix en augmentant les inventaires.
Les coûts du stockage et les théories de la charge comptable de Working (1949) et de Brennan
(1958) impliquent que la taille et le signe de la base pour tout produit de base stockable
dépendent du volume de l’offre sur le marché. Ainsi, une offre abondante donne une base
positive, tandis que les pénuries d’offre conduisent à une base négative.
1.3.6 Les théories modernes du stockage
Le modèle du stockage selon des prévisions rationnelles non linéaires souligne la non-
linéarité en stockage. En effet, la quantité stockée ne peut pas être négative selon Gustafson
(1958) et Muth (1961).20 Pour cette raison, Williams et Wright (1991) synthétisent la théorie
moderne du stockage concurrentiel qui ajoute l’offre, la demande et les conditions de
compensation du marché aux équations d'arbitrage intertemporel du modèle classique de
Working (1949).
En effet, la théorie canonique des marchés des produits de base a été étudiée par beaucoup
d’auteurs tels que Scheinkman et Schechtman (1983) et Newbery (1984). Cependant, la
relation entre le stockage et la structure du marché n'a pas été exploré. Ceci relève du fait que
la majorité des études existantes suppose une concurrence parfaite21.
Par exemple, Newbery (1984) explore les équilibres de producteurs dominants dans lesquels
un nombre de producteurs exploitent leur pouvoir de marché en présence d’une frange
concurrentielle. De même, Williams et Wright examinent la théorie du monopole de stockage.
Il semble y avoir peu de travail examinant les conséquences d'une entrée restreinte dans le
commerce des produits de base ou de concurrence stratégique entre les spéculateurs sur les
produits primaires.
Dans cette même logique, Mclaren (1999) apporte une contribution à la théorie de l’équilibre
spéculatif sur les marchés des matières première stockables. Les approximations sont dans la
théorie de l'extraction oligopolistique d'une ressource naturelle de Reinganum et Stokey
(1985), Sundaram (1989), Loury (1990). Ces recherches peuvent être considérées comme les
20
C’est une théorie adoptée dans la construction de modèles économiques pour représenter le comportement
des acteurs économiques.
21
C’est le cas de l’équilibre sur tous les marchés en présence d’un prix qui égalise les offres et les demandes des
acteurs commerciaux.
21
références du modèle de stockage oligopolistique. Cependant, cette littérature n'a pas pu faire
face aux problèmes de récoltes aléatoires et de ruptures de stock, qui sont au cœur de
nombreuses activités des produits agricoles.
Une constatation clé de ces théories modernes est qu'une augmentation du degré de
concurrence augmente le niveau de stockage et réduit le niveau des prix. De plus, le résultat
surprenant est que les oligopoleurs feraient pression en faveur d’un droit de douane sur leurs
produits et que ce tarif améliore le bien-être des acteurs économiques en augmentant le
stockage des produits de base. La politique encourageant la détention des stocks des produits
relève du fait que chaque matière première a un rendement qui lui est associé.
1.3.7 La théorie du rendement d’une matière première (convenience yield)
Cette théorie a été décrite par Working (1933) et a été développée par Kaldor (1939). Elle
explique les différences entre les prix intertemporelles. En effet, cette théorie propose des
relations entre le prix au comptant et le prix à terme. Dans ce sens, un rendement de
commodité est l'avantage ou la prime associée à la détention d'un produit sous-jacent ou d'un
bien physique plutôt que du contrat dérivé qui lui est associé. Parfois, en raison de
mouvements des marchés irréguliers tel qu'un marché inversé22, la détention d'un bien peut
devenir plus rentable que la possession du contrat qui lui est associé, en raison de sa rareté
relative par rapport à une demande élevée. Un exemple serait l'achat de balles de blé plutôt
que des contrats à terme sur blé. En effet, s'il y a une sécheresse soudaine et que la demande
du blé augmente, la différence entre le premier prix d'achat du blé et le prix post-choc
correspond au rendement de la commodité.
L’essai de Kaldor (1939) a fait l’objet d’un débat intense et d’un symposium sur la revue des
études économiques. La contribution de Dow (1940) au symposium mérite une attention
particulière pour les arguments utilisés pour critiquer la théorie de Kaldor. De plus,
concernant les matières premières industrielles, où les acheteurs ont des commandes pour une
période donnée, les spéculateurs qui vendent à terme perdent le rendement en termes de
commodité pour les opérateurs en couverture. C’est le cas où les prix à terme sont supérieurs
aux prix attendus.
Dow a reconnu que les ventes à terme transféraient le rendement des actions des détenteurs
d'actions aux opérateurs en couverture. Mais, il a affirmé que les contrats à terme étaient les
instruments de référence pour la couverture des actions. En vendant les contrats à terme liés
aux actions plutôt que les autres contrats à terme, les détenteurs des actions ont conservé le
22
C’est un marché où la valeur des contrats à terme dont l'échéance est proche est supérieure à ceux dont
l'échéance est éloignée.
22
contrôle de leurs actions et du rendement de commodité. À noter qu’il existe toujours la

possibilité que le prix à terme soit supérieur au prix au comptant. La deuxième critique de
Dow était fondée sur la notion du risque négatif. C'est-à-dire, le risque que les prix
augmentent au lieu de chuter. Les risques négatifs affectent deux catégories d’agents qui sont
les fabricants utilisant la marchandise comme intrant et les spéculateurs qui vendent des
contrats à terme. Symétriquement, les risques positifs affectent les producteurs des matières
premières et les acheteurs de contrats à terme. Dow a montré que lorsque les risques positifs
et négatifs étaient équivalents, les prix à terme fluctuent. Alors que dans le cas contraire des
risques positifs, les prix à terme seraient inférieurs aux prix attendus. À noter que les risques
négatifs ne prévalent que dans des circonstances très spécifiques bien plus spécifiques que
celles envisagées par Kaldor.
1.3.8. L’hypothèse de Masters (2008)
Les marchés financiers ont été confrontés à un certain nombre de changements importants
durant la dernière décennie. En effet, les prix des produits de base ont augmenté de façon
spectaculaire au début des années 2000 et les spéculateurs ont souvent été accusés
d’influencer le niveau des prix et de causer leurs augmentations surtout durant la crise
financière de 2008. En effet, l’une des hypothèses proposées pour comprendre l’origine de
cette crise était la prolifération des transactions à terme sur le marché des matières premières.
Plus précisément, l'hypothèse de Masters (2008) repose sur le principe que les positions
longues occupées par les spéculateurs sur les indices des matières premières ont été
directement responsables de la hausse des prix à terme des produits. Cette affirmation se base
sur les témoignages du manager du hedge fund Michael Masters dans le Congrès américain
sur laquelle se base toutes les recherches récentes. Cette revendication a conduit les autorités
américaines à prendre l’initiative pour limiter la spéculation. Elle a été examinée et testée par
beaucoup d’auteurs et a donné lieu à des conclusions mitigées. Certains analystes du marché
ont soutenu l’hypothèse de Masters et ont affirmé que la spéculation a poussé les prix des
produits de base au cours de la période 2007-2009 à l’extrême, plus de 125% par rapport à
leur valeur fondamentale (Jacks (2013)). D’autres ont infirmé cette constatation en prouvant
que les spéculateurs ne sont pas responsables de la dernière crise des prix.
Dans ce contexte, E-Boyd et al (2018) ont indiqué que cette hypothèse n’est pas toujours
valide. Ils confirment qu’il y a toujours un manque de certitude concernant la spéculation dans
le marché des matières premières. C’est la raison pour laquelle qu’il faut étendre les
recherches dans différents pays et sur différents marchés de produits de base pour bien
analyser l’effet réel de la spéculation. Ils pensent qu’il existe un seuil optimal de spéculation
23
selon lequel nous pouvons garantir un certain équilibre au niveau général des prix. Nous
pouvons ainsi satisfaire les besoins de couverture et de liquidité des hedgers et, en même
temps, contrôler les actions des spéculateurs.
Conclusion
La littérature théorique traitant le sujet de la spéculation sur le marché des produits de base est
abondante. En effet, la plupart des travaux ont été basés sur les théories classiques du marché
de Keynes (1923, 1930) et de Hick (1939) qui divisent le marché entre deux principaux
acteurs. D’un côté, les hedgers, principalement des producteurs de matières premières, qui
veulent se prémunir contre le risque de fluctuation défavorable des prix. Et d’un autre côté, les
spéculateurs qui initient des transactions avec les hedgers contre une prime de risque. La
quête continue des profits et des plus-values de la part des spéculateurs et des hedgers a
déstabilisé le fonctionnement du marché selon cette approche.
D’autres théories telle que la théorie du stockage et d’inventaire de Working (1933,1949),

Friedman (1953) et de Kaldor (1939) avancent que l’achat et le stockage des matières
premières contribuent à diminuer le niveau général des prix en période de crise de l’offre et de
la demande. Ceci s’oppose à l’hypothèse précédente.
La littérature récente s’est basée sur l’hypothèse de Masters (2008). Cette dernière stipule que
la spéculation est la principale cause de la récente crise mondiale 2007-2009. Elle est
également la cause de l’apparition des bulles spéculatives sur les divers marchés de matières
premières. Cette hypothèse a été le sujet d’un débat continu dans la communauté scientifique
durant la dernière décennie afin de juger de sa véracité.
Ces constations théoriques nous amènent à se poser la question quant à l’impact réel de la
spéculation sur la direction des prix des matières premières. La divergence des vues quant au
signe de la relation entre les deux variables nous a poussé à analyser s’il existe réellement un
lien entre la spéculation et les prix. Nous nous proposons donc de formuler notre première
hypothèse de recherche comme suit.
H1 : La spéculation impacte les prix des matières premières.
En outre, les différentes recherches accusant la spéculation de la déstabilisation du marché ont

signalé la présence d’une spéculation bénéfique pour les acteurs de marché. Dans ce sens, les
spéculateurs offrent de la liquidité au marché, remplissent les demandes de couverture des
24
hedgers et provoquent la diminution des prix mais jusqu’à un certain seuil selon les propos
théoriques d’E-Boyd et al (2018) et Ludwig (2018). En effet, au-delà de ce seuil, la
spéculation devient excessive et pousse les prix au-delà de leurs valeurs fondamentales. Ceci
ouvre le débat sur l’existence d’une relation non linéaire entre la spéculation et les prix des
matières premières. Cela nous amène à formuler notre deuxième hypothèse comme suit.
H2 : La relation entre la spéculation et les prix des matières premières est non-linéaire.
25
Chapitre II
Les déterminants des prix des matières

premières :
Mesures, travaux et approches

Chapitre II
Les déterminants des prix des matières premières
Introduction
L’objectif primordial de ce travail est d’examiner l’effet de la spéculation financière sur les
prix des matières premières. En effet, l’examen de la littérature théorique focalisant sur cette
relation révèle que le lien entre l’investissement dans les contrats à terme sur produits de base
et les prix de ces produits reste flou et ambigüe. Dans le cadre de ce chapitre, nous allons
présenter la littérature empirique relative au sujet. Ensuite, nous allons exposer les différentes
mesures utilisées par les auteurs pour modéliser la spéculation financière dans le marché à
terme, ainsi que les différentes variables qui peuvent impacter les prix des produits de base.
Enfin, nous présenterons les différentes approches économétriques qui seront adoptées
2.1. Effet de la spéculation financière sur les prix des matières premières :
Etudes empiriques
La littérature empirique qui a testé le lien entre la spéculation financière et les prix des
produits de base est abondante. Effectivement, la compréhension des raisons de la flambée
des prix est une question primordiale pour la communauté scientifique et surtout pour les pays
émergents. Ceci s’explique par le fait que leurs capacités à se prémunir contre les fluctuations
des prix sont limitées due à la faiblesse de leurs infrastructures financières.
2.1.1. La spéculation est responsable de la flambée des prix
2.1.1.1. Les matières premières agricoles
Irwin et Sanders (2011a) ont confirmé que l’investissement dans les indices des matières
premières n’a aucun impact sur les prix du marché américain des céréales. Par ailleurs,
Gilbert et Pfuderer (2012) ont souligné que les tests de causalité de Granger appliqués dans
ces recherches manquent de puissance statistique. Pour dépasser ce problème, les auteurs ont
ajouté des marchés moins liquides (soja, bovins d’alimentation, bovins vivants et porcs
maigres) aux contrats à terme qui seront examinés entre 2006 et 2011. Ce faisant, ils ont
trouvé des preuves évidentes que l’investissement indiciel a une incidence sur les prix de ces
marchés moins liquides. Selon eux, si l’activité des traders a un impact sur les marchés à
terme agricoles moins liquides, elle pourrait également avoir un impact sur les marchés les
plus liquides où les auteurs n’ont pas pu établir la causalité de Granger. En effet, les
corrélations contemporaines entre les changements des positions des spéculateurs et les
variations des prix à terme sont positives et statistiquement significatives. Ceci confirme
l’hypothèse de Masters (2008).
27
Chapitre II
Dans ce sens, Huchet et Fam (2015) ont cherché à analyser l’impact de la spéculation sur le
rendement hebdomadaire de sept produits sur les marchés à terme pour la période s’étalant de
1998 à 2013 aux USA. Ils mesurent la spéculation à travers un effet de volume et un effet
qualitatif. L’effet volume est mesuré par la somme des positions prises par les spéculateurs
sur les marchés à terme. L’effet qualitatif est approximé par la part des positions longues par
rapport au total des intérêts ouverts. Les auteurs intègrent à leur modèle des variables de
contrôles comme les rendements des obligations indexées sur l’inflation américaines (Tips),
l’aversion au risque, la volatilité sur les marchés d’actions mesurée par le VIX et le prix du
pétrole. Pour caractériser la relation entre les rendements des produits étudiés et les
transactions des spéculateurs, les auteurs utilisent dans un premier temps la méthode des
MCO, ensuite ils effectuent des tests de causalité de Granger. Les résultats montrent que la
spéculation est fortement corrélée aux rendements.
Ordu et al (2017) ont essayé de vérifier si les positions des traders sur les indices des matières
premières peuvent expliquer l’augmentation des corrélations entre les matières premières
agricoles et les actions sur produits de bases, à partir de 2008, pour 11 produits agricoles sur
les bourses américaines.
Ils essayent de voir si les institutionnels présents à la fois sur les marchés boursiers et sur les
marchés de matières premières ont détruit les barrières. Ou encore si les corrélations ont
retrouvé leurs niveaux historiques et que l'augmentation importante des prix entre 2008 et
2012 serait le fruit d’un effet cyclique et conjoncturel. Les résultats sont mitigés et montrent
que les deux facteurs sont importants pour expliquer les corrélations entre les produits de base
agricoles et l’investissement dans les actions. Les corrélations diminuent à des niveaux de
liquidité plus faible. La faible liquidité est donc un obstacle important empêchant la
financiarisation de se produire. Ils utilisent la méthode ADCC GARCH pour évaluer
indirectement les mouvements parallèles entre les produits de base agricoles et les actions et
régressent ces corrélations sur un vecteur de variables par régression en quantile. En effet, ils
confirment que le pouvoir explicatif des positions des traders est fortement dépendant de la
liquidité sur le marché. Dans ce sens, les liens entre les marchés des matières premières et les
actions s'affaiblissent pendant les périodes de pénurie de liquidité ce qui explique la forte
volatilité des prix.
Sur ce même marché, Algieri (2016) a mené une analyse de causalité linéaire et non linéaire
de Granger (1969) pour cerner le lien entre la volatilité conditionnelle GARCH et la
28
Chapitre II
spéculation des principales graines à savoir le blé, le riz, le maïs et le soja pour la période
1995-2012. L’auteur utilise deux mesures de spéculation. La première est le rapport entre le
total des positions longues des spéculateurs et le total de toutes les positions longues détenus
par les négociants sur les contrats à terme (spéculateurs et hedgers). La deuxième est la
mesure de la pression spéculative qui est le rapport entre la différence entre les positions
longues et courtes des spéculateurs et le total des positions des spéculateurs. La spéculation
excessive est mesurée en utilisant l’indice de Working (1953, 1962). L’auteur explique que la
spéculation excessive augmente le niveau des prix et qu’il existe des relations bilatérales entre
les deux variables. Globalement, les résultats sont les mêmes quel que soit l’approche utilisée
(linéaire ou non linéaire). Les résultats corroborent ainsi l’analyse théorique de Keynes (1923)
et de Kaldor (1939) qui ont affirmé que ce n'est pas toujours la spéculation qui est responsable
de la déstabilisation du marché mais la spéculation excessive.
De même, Aït-Youcef (2018) analyse les liens entre les indices boursiers et les rendements
des produits de base agricoles pour une fréquence journalière de données. En effet, l’auteur
travaille sur les prix à terme d'un mois de l’avoine, du soja, du blé et du maïs, entre 1995 à
2016 négociés sur le marché américain. L’auteur a utilisé la méthode TQAR23 pour considérer
les différents liens entre les marchés des actions et les matières premières avec le GSCI
comme variable de seuil intégrant les produits de base. Tel que sa valeur peut attirer les
investisseurs institutionnels aux produits de base. Le coefficient S&P 50024 est aussi utilisé
pour rendre compte de la relation entre les produits agricoles et les marchés boursiers.
L’utilisation de la méthode TQAR a permis de déterminer l’existence de différents régimes en
fonction du quantile de la série. Il conclut que la relation entre les prix des matières premières
et l’investissement dans les marchés boursiers agricoles ne présente pas un processus de
financiarisation. Néanmoins, il existe une relation positive entre la direction des prix et
l’investissement dans les indices boursiers sur les matières premières dans le sous-échantillon
2004-2016. Ceci peut être expliqué par la récente financiarisation à travers les indices
boursiers.
23
C’est une spécification en quantile non linéaire divisant la série de données en 2 régimes d’évolution.
24
C’est un indice pondéré en fonction de la capitalisation boursière des 500 plus grandes sociétés américaines
cotées en bourse. L’indice est largement considéré comme le meilleur indicateur des actions américaines à
grande capitalisation.
29
Chapitre II
2.1.1.2 Les produits énergétiques

Juvenal et petrella (2014) analysent les déterminants de l’augmentation des prix du pétrole
entre 1972 et 2009 pour les pays du G725 et sa relation avec la hausse des investissements
dans les produits dérivés. Ils visent à savoir si la spéculation sur le marché du pétrole a joué
un rôle important dans la forte flambée des prix. En effet, ils identifient les chocs pétroliers en
utilisant une méthode dynamique d’un modèle factoriel. Dans ce sens, les chocs structurels
sont identifiés comme une combinaison linéaire des résidus de la projection linéaire d’un
vecteur de variables de faible dimension dans leurs valeurs décalées. Cela implique que toutes
les informations permettant d'identifier les chocs sont incluses dans le petit ensemble de
variables du VAR. Les résultats montrent que les chocs de la demande mondiale expliquent
en grande partie les fortes fluctuations sur le marché pétrolier alors que les chocs spéculatifs
constituent le deuxième facteur le plus important. L'augmentation des prix du pétrole au cours
de la dernière décennie est principalement causée par l’augmentation de la demande
mondiale. Cependant, la spéculation a joué un rôle important dans la hausse du prix du pétrole
entre 2004 et 2008 et dans son effondrement ultérieur.
Dans ce même contexte, Rainey et al (2017) ont travaillé sur la période 1990-2012 pour
analyser l’impact des actions des entreprises pétrolières sur les prix du pétrole. Ils utilisent des
données d’inventaire pour un échantillon des 15 entreprises les plus influentes dans le secteur.
L’objectif ultime de la recherche est de savoir si la montée des prix dans la période de la crise
mondiale de 2008 a été causée par les transactions spéculatives de ces acteurs. Dans ce sens,
ils comparent les indices respectifs des inventaires entre les entreprises, l’évolution de leur
structure de liquidité ainsi que leur structure de portefeuille. En effet, ils concluent que depuis
le début des années 2000, la moitié des entreprises ont modifié leurs structures d’inventaire en
augmentant leurs investissements dans les contrats à terme sur pétrole. Ceci a fait augmenter
le niveau des stocks créant une déstabilisation des prix sur le marché. Cependant, les auteurs
insistent sur le fait que d’autres facteurs tel que la modification de la structure de l’offre
peuvent aussi être responsables
2.1.1.3. Les produits de base métallique
Koitsiwe et Adachi (2018) analysent l’effet de la spéculation sur les prix du marché mondial
du cuivre pour la période s’étalant de 1993 à 2016. Ils subdivisent la période en quatre sous
périodes d’études : 1993-1997 /1997-2004 /2005-2009 et 2009-2016. Ces périodes
25
Ce sont les pays les plus puissants au monde détenant les 2/3 de la richesse mondiale, à savoir,
Allemagne, Canada, États-Unis, France, Italie, Japon et Royaume-Uni.
30
Chapitre II
correspondent respectivement aux périodes de la fin de l’ère soviétique, la crise des pays sud
asiatiques, la demande croissante provenant du chine et la crise mondiale.
Ils utilisent des données mensuelles sur les prix du cuivre. La spéculation est mesurée par la
somme de l’intérêt ouvert. Les variables de contrôle utilisées sont les prix du pétrole, le taux
de change du dollar américain relatif à son poids sur le marché, par le niveau relatif du stock
du cuivre et par les prix décalés (t-1) du cuivre. Il a pris en considération les changements
structurels des directions des prix et il a utilisé la méthode des MCO pour cerner l’effet de
chaque variable. L’auteur a prouvé que la spéculation joue un rôle fondamental dans la
détermination de la dynamique des prix du cuivre. En effet, il a prouvé que les déterminants
macroéconomiques et ceux liés à l’offre et la demande ne peuvent pas seuls expliquer sa
grande volatilité. Cette analyse prouve, par contre, que la spéculation a un impact positif sur
les prix dans des périodes spécifiques telles que les périodes de crise (2005-2009). Elle est
toutefois sans effet durant les autres périodes.
2.1.1.4. Les paniers de produits de base
Tang et Xiong (2012) ont constaté que, parallèlement à la croissance rapide des
investissements indiciels sur les marchés des matières premières depuis les années 2000, les
prix des contrats à terme sur matières premières hors énergie aux États-Unis sont devenus de
plus en plus corrélés avec les prix du pétrole. Cette constatation reflète la financiarisation des
marchés des produits de base et explique la forte augmentation des prix des produits de base
non énergétiques vers 2008. Cette tendance est plus claire pour les produits de base dans deux
26
indices populaires, à savoir, le S&P GSCI et le DJ-UBSCI27. En effet, ils ont comparé
l’évolution des rendements des produits qui sont inclus dans les 2 indices cités et ceux qui ne
sont pas indexés, en construisant deux rendements séparés pour les deux catégories et en
calculant leurs corrélations moyennes. Les auteurs ont confirmé que, suite au processus de
financiarisation, le prix des produits de base n'est plus déterminé uniquement par son offre et
demande. En effet, les prix sont également régis par le comportement des divers investisseurs
sur les indices des matières premières. Ceci corrobore l’hypothèse de Masters (2008).
De même, Creti et al (2013) examinent les liens entre les prix de 25 produits de base et des
indices boursiers entre 2001 et 2011. Ils se basent sur l’analyse avec la méthode DCC
GARCH. En effet, ils montrent que les corrélations entre les prix des matières premières et les
26
C’est un indice boursier sous le contrôle de l'agence Standard & Poors et qui sert de repère sur le marché des
matières premières.
27
C’est un indice pondéré qui suit un large éventail de 22 contrats à terme sur produits de base, y compris des
métaux, des produits agricoles, de l’énergie et du bétail.
31
Chapitre II
marchés boursiers évoluent dans le même sens à travers le temps et sont très volatiles, en
particulier, depuis la crise financière de 2007-2008. Ainsi, l’effondrement du marché boursier
a relâché les liens entre les deux marchés à court terme ce qui prouve son importance.
La crise mondiale a dévoilé les liens entre les marchés des matières premières et les marchés
boursiers. Elle a prouvé l’impact de la financiarisation des marchés de matières premières et
l’impact positif de l’investissement dans les contrats à terme des produits de base sur la
direction des prix. En effet, ils confirment l’effet positif de la spéculation sur le pétrole, le
café et le cacao. Cette conclusion confirme une fois de plus l’hypothèse de Masters (2008).
De même, Büyüksahin et Robe (2014) ont remarqué que les liens entre les produits de base et
les indices boursiers se sont renforcés pendant la dernière décennie par l’intermédiaire des
fonds spéculatifs. En effet, ils analysent si la composition des activités des négociations
permet de prévoir la répartition conjointe des prix des produits de base et des actions.
Pour savoir si les investisseurs institutionnels qui entrent en transaction pour la détermination
du prix des actifs ont un impact significatif, ils utilisent des informations de la CFTC. Pour ce
faire, ils créent un ensemble de données journalières de toutes les positions des négociateurs
dans 17 produits de base aux États-Unis et les marchés à terme d'actions de 2000 à 2010.
Dans ce sens, ils confirment que, outre les fondamentaux macroéconomiques, les variations
des positions des spéculateurs dans les contrats à terme sur les marchés boursiers aident à
prévoir les fluctuations des prix des produits de base. Ceci est la preuve de leur responsabilité
de la forte augmentation des prix durant la crise mondiale. Cette responsabilité est assumée
par les spéculateurs et les hedge funds. Ils constatent que les corrélations entre les produits de
base et les capitaux propres investis ont augmenté surtout après la faillite de Lehman
Brothers28. Elles sont restées exceptionnellement élevées jusqu’à la fin de leur période d’étude
en 2010. Ces résultats confirment donc l’hypothèse de Masters (2008).
2.1.2. La spéculation a un effet stabilisant sur les prix
2.1.2.1. Les produits de base agricoles

Irwin et Sanders (2016) ont testé la responsabilité des spéculateurs dans l’apparition des
bulles spéculatives sur le marché des matières premières durant la dernière crise mondiale. Il
s’agit d’étudier le sens de la relation entre l’investissement dans les futures par les
spéculateurs et la trajectoire des prix. Les auteurs ont utilisé des données hebdomadaires de
douze marchés agricoles pour la période 2004-2015. Ils ont utilisé des coefficients de
28
Banque d'investissement américaine qui a fait faillite durant la crise mondiale de 2008.
32
Chapitre II
corrélation de Spearman Rank order. Les prix à terme sont classés de haut en bas par semaine
pour cerner le sens de la relation entre l’investissement dans les futures et les rendements des
matières premières. En effet, dans les séries temporelles, les coefficients de corrélation de
Pearson sont calculés entre la variation des positions longues nettes et les rendements des
matières premières pour la même semaine avec des corrélations contemporaines. Les résultats
montrent que 11 des 12 corrélations contemporaines calculées sont différentes de zéro et sont
positives. Cette relation apparait comme le moteur de certains résultats empiriques liant
l’investissement dans les contrats à terme et les prix. Cependant, les corrélations montrent peu
de cohérence dans le temps. Une simple analyse graphique indique que les années avec des
corrélations positives statistiquement significatives ne sont pas conformes à la notion d’une
bulle de prix induite par les indices. Ces liens disparaissent lorsque les retards sont introduits.
Ainsi, la corrélation entre les modifications des positions d’indice au cours d’une semaine et
les rendements dans la semaine suivante est en grande partie inexistante. Cet article montre
que les corrélations positives ne sont pas synonymes de bulles. Ils montrent que sur les
périodes comprenant d’importants changements dans la taille des positions des spéculateurs
sur les futures, les changements de prix ne sont pas importants. Les auteurs rejettent ainsi
l’hypothèse de Masters (2008).
Dans ce même contexte, Dimpfl et al (2017) essayent de tester la relation entre les prix au
comptant et les prix à terme de huit matières premières agricoles. Ils veulent identifier qui des
deux marchés détermine et influence les prix des produits de base et si la spéculation joue un
rôle dans ce processus en utilisant l’approche VECM. En effet, pour mesurer la contribution
de chaque marché, ils utilisent la mesure de Gramming et Peter (2013) recourant à différents
régimes de volatilité pour mesurer l’impact des transactions sur les prix entre 1992 et 2014.
Les auteurs confirment que les prix se forment sur le marché spot et que la contribution du
marché à terme ne dépasse pas 10%. Ils concluent que la spéculation n’est pas un facteur
primordial dans le processus de formation des prix.
Etienne et al (2018) ont cherché à dévoiler l’impact de la spéculation sur le prix du blé en
utilisant quatre méthodes de mesure de spéculation qui sont : l’indice de Working, l’indice des
positions longues des spéculateurs, l’indice ESV29 et l’indice CIT30.
29
C’est un indice mesurant la spéculation excessive. Il calcule l’excès des positions des spéculateurs par rapport
aux positions des hedgers.
30
C’est un indice mesurant le total des positions nettes des spéculateurs dans les indices boursiers sur matières
premières.
33
Chapitre II
En effet, ils détectent le sens de la relation entre les variables en utilisant un modèle SVAR
pour la période entre 1995 et 2015 aux USA. Ils se basent sur les données de la CFTC pour
voir, d’une part si le prix du blé est affecté par le changement de la méthode de mesure de la
spéculation. Et puis, si les variables économiques relatives au blé (prix du pétrole, niveau du
stock et l’activité économique réelle global) sont les responsables de son augmentation. Les
résultats d’estimation indiquent que les prix du blé sont largement déterminés par les facteurs
fondamentaux dans le secteur, plutôt que par la spéculation. Pour réduire le niveau des prix,
l’auteur pense que les décideurs devraient se concentrer sur les chocs d'offre et de demande
inhérents au marché tel que la sécheresse, les perturbations du commerce et les changements
des préférences des consommateurs plutôt que d’essayer de limiter la spéculation. En fait, ils
constatent que les transactions effectuées par les hedgers et les spéculateurs avaient un effet
stabilisant sur le marché. Puisqu’ils constatent que les augmentations de prix causées par les
spéculateurs sont minimes.
Avec un échantillon plus large, Bohl et Sulewsky (2019) testent l’hypothèse de Masters
(2008) pour vérifier si les positions courtes et longues occupées par les spéculateurs dans les
produits de base ont un impact stabilisant ou déstabilisant sur les prix. Ils analysent 5 produits
agricoles négociés sur le marché américain pour la période s’étalant de 2006 à 2017. En effet,
la volatilité conditionnelle est estimée à l'aide d'un modèle GARCH tout en contrôlant
l'influence potentielle des différents facteurs macroéconomiques. Les résultats indiquent
clairement que les spéculateurs ont un effet calmant sur la volatilité conditionnelle quelle que
soit la mesure de la spéculation sous-jacente et de la liquidité du marché.
Les résultats sont cohérents avec la littérature scientifique actuelle, qui montre la présence
d’une influence apaisante de la spéculation sur les marchés des produits de base. Ceci
confirme les prédictions théoriques.
2.1.2.2. Les produits de base énergétiques
Beaucoup d’auteurs pensent que l’augmentation des prix du pétrole dans le marché mondial
pour la période 2003-2008 ne peut pas être expliquée uniquement par les fondamentaux
économiques. Elle est causée par la financiarisation du marché à terme du pétrole. Fattouh et
al (2012) ont essayé de tester cette hypothèse. Ils constatent que le prix du pétrole est
incompatible avec les modèles du stockage dynamique dévoilant les flux d’investissement des
spéculateurs dans le marché à terme. Les résultats infirment le rôle de la spéculation. Ils
trouvent de fortes preuves que la corrélation entre les prix au comptant et les prix à terme
reflète les conditions économiques communes et les fondamentaux. En effet, les modèles
34
Chapitre II
VAR structurels fournissent une forte preuve de spéculation en 1979, 1986, 1990 et fin 2002.
Cependant, elles ne soutiennent pas l’idée que la spéculation est la principale cause de cette
volatilité.
Aussi, les recherches menées par Manera et al (2014) étudient les déterminants de la volatilité
sur quatre produits énergétiques entre 2000 et 2014 aux USA. L’article cherche à cerner les
déterminants des prix ces produits. Les mesures de spéculations utilisées sont la mesure de la
part de marché des traders non commerçants, l’indice de Working (1960) et le pourcentage
des positions longues occupées sur l'intérêt ouvert. L’analyse a montré que lorsque les
résultats sont significatifs, les mesures de spéculation ont des coefficients négatifs avec la
direction des prix pour une fréquence hebdomadaire d’étude. Ceci réfute l’hypothèse accusant
les spéculateurs de pousser les prix vers le haut. Cependant, les variables de contrôle
macroéconomiques (S&P500 index et T-bill31) ont des coefficients positifs avec le rendement
des produits de base.
2.1.2.3. Les paniers de produits de base

L’hypothèse de Masters (2008) stipule que l’investissement dans les indices boursiers sur
matières premières a été l’un des principaux moteurs de la flambée des prix durant la période
2007-2009 surtout dans le secteur énergétique. Afin de tester cette hypothèse, Irwin et
Sanders (2012) ont analysé les données relatives aux positions longues occupées par les
spéculateurs délivrées par la CFTC, entre 2007 et 2011, pour 19 matières premières agricoles
et énergétiques. Les tests de causalité de Granger et de régression à long terme ne montrent
aucun lien de causalité entre les prix des matières premières sur les marchés à terme et les
positions des fonds indiciels négociés en bourse. Dans ce sens, Les résultats sont robustes à
l’introduction des effets retardés ou contemporains et à l’ajout des contrats à terme de
maturité différente comme variable de conditionnement. Dans l’ensemble, les résultats
empiriques de cette étude n’offrent aucun soutien pour l’hypothèse de Masters.
Avec une autre méthode, Kim et al (2015) expliquent comment la spéculation stabilise les
prix sur le marché spot et lui offre la liquidité nécessaire à son fonctionnement. Ceci est
contraire aux études antérieures qui ont accusé les spéculateurs de provoquer l’augmentation
des prix des matières premières. Pour affiner sa recherche, il a utilisé 14 produits de base
agricoles et énergétiques négociés sur le marché à terme américain entre 1992 et 2012.
31
C’est un bon du Trésor, soit une créance à court terme adossée au département du Trésor Américain avec une
échéance inférieure ou égale à un an.
35
Chapitre II
L’auteur utilise le modèle de Petersen (2009) en divisant la série des prix des produits de base
en 5, 10 et 20 semaines d’études. Pour chaque intervalle, il calcule les variations en
pourcentage des prix et les variations en pourcentage des positions des spéculateurs. Ils
prennent en compte le taux d’inflation, le taux de croissance du PIB et la variation du stock.
En effet, ils utilisent le modèle GARCH pour mesurer l’impact des spéculateurs et des
hedgers sur les prix du marché spot. L’expérience a montré que les variables
macroéconomiques sont les responsables de la flambée des prix et que la spéculation ne suit
pas le même sens de variation des prix. L’auteur confirme que l'effet net des variations des
positions des spéculateurs et des hedgers est négatif. Ceci confirme que ces actions atténuent
la volatilité et ne diminuent pas la liquidité du marché approchée par la mesure de Roll
(1984). L’auteur conclut que la variation des positions occupées par les spéculateurs et les
hedgers est soit sans effet sur l’évolution des prix soit elle contribue à alléger ces fluctuations.
En effet, elle offre la liquidité nécessaire au fonctionnement du marché et aide à garder un
niveau efficient des prix.
Sur cette même période, Adams et Gluck (2015) ont collecté des données journalières entre
1994 et 2013 sur les rendements du maïs, blé, pétrole brut, huile de chauffage, cuivre,
aluminium, or et bétail aux USA. Ils montrent que la financiarisation des matières premières a
modifié la structure de dépendance entre les produits de base et le marché boursier. De même,
les auteurs ont infirmé l’hypothèse classique évoquant que les spéculateurs sont les
responsables de la forte augmentation des prix lors de la crise financière de 2007-2009. Par
ailleurs, ils expliquent que la spéculation financière ne peut pas seule expliquer la taille et la
persistance des crises. Ils affirment que les produits de bases ont devenus un moyen
d'investissement pour les investisseurs institutionnels.
Dans ce sens, pour identifier et localiser le changement structurel en corrélation, ils
implémentent l’algorithme de Galeano et Wied (2014) pour quantifier l'impact de la
financiarisation sur la structure de dépendance entre les variables qui ont causé
l’effondrement des valeurs boursières. Ils finissent par conclure que le capital détenu par les
spéculateurs n’a pas causé la déstabilisation des prix sur ces marchés.
De même, Andreasson et al (2015) analysent les liens entre les rendements à terme de 16
produits de base et la spéculation. Ils prennent en compte le taux de change, la dynamique
boursière, la volatilité implicite du marché boursier et l’incertitude de la politique
économique. La période d’étude s’étale de 1990 à 2014 sur le marché américain. Pour ce
faire, ils ont utilisé des tests de causalité non linéaires entre les variables après contrôle des
36
Chapitre II
cointégrations et de l’hétéroscédasticité conditionnelle dans les données. Ils confirment qu’il y

a une causalité linéaire unidirectionnelle à partir des rendements des matières premières sur la
spéculation dans la plupart des produits étudiés surtout pour les produits agricoles. Les
résultats infirment l’hypothèse selon laquelle la spéculation serait responsable de la forte
augmentation des prix sur ces marchés.
Par ailleurs, Ulusoy et Onbirler (2017) ont étudié l’effet de la spéculation sur les prix à terme
de deux produits énergétiques, cinq produits agricoles et deux métaux pour une fréquence
hebdomadaire. La période d’étude s’étale de 2000 à 2014 dans le marché américain.
Les auteurs ont utilisé des modèles GARCH univariés et multivariés avec une corrélation
conditionnelle dynamique. Ils construisent deux indices marginaux de spéculation et de
hedging. Les auteurs utilisent des régressions MCO pour estimer le rendement de chaque
matière première, en utilisant les indices respectifs de spéculation et de hedging comme des
variables explicatives. Par ailleurs, le poids du dollar américain ainsi que l’indice S&P 500
sont les variables de contrôle. Tous les coefficients d'indice de hedging sont positifs indiquant
qu’une augmentation des rendements est causée par l’augmentation des positions de hedging.
Alors que tous les coefficients d’indice de spéculation sont négatifs indiquant une diminution
des rendements lorsque la spéculation augmente. Ils montrent que les actions simultanées de
spéculation et de hedging ont un effet stabilisant sur les prix, puisque les actions des hedgers
sont compensées par les actions opposées des spéculateurs.
Dans un autre contexte, Ludwig (2018) analyse l’effet de la spéculation sur la liquidité de 21
matières premières entre 1986 et 2014 aux USA. Il utilise trois mesures de spéculation, à
savoir, la somme des positions nettes des spéculateurs et des hedgers, la proportion des
positions des spéculateurs et des hedgers par rapport aux positions totales et la pression de
l’activité de trading à court terme. Il effectue des régressions des mesures de spéculation sur
l'illiquidité en utilisant la méthode des moments généralisés (Hansen, 1982), pour voir si la
spéculation a une influence significative sur la liquidité des marchés à terme de matières
premières. Pour ce faire, il utilise la mesure d’illiquidité d’Amihud (2002) et de Roll (1984).
Les résultats des régressions montrent que les positions longues nettes élevées des
spéculateurs réduisent l'illiquidité, tandis que les positions longues nettes élevées des hedgers
tendent à accroître l’illiquidité.
Dans ce sens, l’auteur remarque qu’en cas de manque de spéculateurs contrepartistes des
hedgers, une augmentation de la spéculation devrait augmenter la liquidité. Or dans les cas où
37
Chapitre II
il y a suffisamment de spéculateurs disponibles pour répondre aux besoins de hedging, une

augmentation de la spéculation devrait diminuer la liquidité.
Pour un autre échantillon, Fish et Smith (2018) ont cherché à cerner les liens entre l’évolution
de l’activité spéculative des différents types de commerçants et la déviation des prix de leur
valeur fondamentale déterminée par la confrontation entre l’offre et la demande. Ils ont
considéré un échantillon de 21 matières premières entre 2006 et 2017 sur le marché
américain. Ils comparent ainsi le sens de transaction entre les traders et les entreprises
commerciales (qui sont impliqués dans les différentes phases d’entretien et de vente des
matières premières). L’auteur a simulé 10000 séries chronologiques de marche aléatoires de
603 observations pour chacune. Il a appliqué ainsi l'algorithme de chemin des prix et a compté
le nombre de renversement des prix pour les 21 matières premières. Ainsi, il remarque que
seulement 20% des renversements des prix coïncident avec les renversements de positions des
spéculateurs et 35% des renversements se produisent sur un délai de 4 semaines après un
renversement de position. Cela confirme qu’il n’y a pas une tendance systématique de
changement des prix après une action spéculative. C’est la raison pour laquelle, l’auteur
applique le taux de coïncidence permettant de vérifier le pourcentage de semaines où les
positions des traders et les prix varient dans le même sens. Il remarque que dans 70% des
semaines d’étude les positions des spéculateurs et les prix varient dans le même sens. Ceci
confirme l’hypothèse que les traders changent leurs positions dans le même sens que la
variation des prix. D’autre part, les entreprises commerciales (producteurs) changent leurs
positions dans le sens inverse. Cela contribue à offrir la liquidité nécessaire aux deux parties
sur le marché et les prix retournent toujours à leur valeur fondamentale. Ceci dévoile que
même les entreprises commerciales ont aussi des objectifs de spéculation, puisqu’elles
prennent automatiquement la position inverse des spéculateurs pour éviter le changement
brusque des prix. Et par suite, le marché s’autorégule.
2.2. Mesures de la spéculation financière

Rappelons que le but de notre étude est de vérifier s’il existe un lien entre la spéculation
financière et les prix des produits de base. À cet effet, nous allons présenter les mesures les
plus importantes utilisées par les auteurs à ce sujet. À juste titre, Manera et al (2014) ont
travaillé avec les trois mesures de la spéculation les plus relatées dans la littérature. Ils ont
utilisé l’indice de Working (1960), le pourcentage de positions longues occupées par les
38
Chapitre II
spéculateurs par rapport à l’intérêt ouvert32 et la part du marché des spéculateurs par rapport à
l’intérêt ouvert. Dans l’ensemble des définitions qui seront abordées plus-bas, notons :
SS: Le nombre de spéculateurs qui sont sur une position courte (vendeuse).
SL: Le nombre de spéculateurs qui sont sur une position longue (acheteuse).
HS: Le nombre de hedgers qui sont sur en position courte.
HL: Le nombre de hedgers qui sont sur en position longue.
2.2.1. L’indice de Working (WORKINGIND)

L’indice de Working (1960) fait l'adéquation entre les positions des spéculateurs par rapport
aux positions des hedgers. En effet, c’est le rapport entre le nombre de positions occupées par
les spéculateurs et le nombre de positions occupées par les hedgers. À noter que les hedgers
sont connus comme des acteurs commerciaux car ils sont des agriculteurs qui ont un
investissement physique sur les matières premières. Ils veulent vendre leur production sur le
marché en obtenant une couverture des risques de la part des spéculateurs.
La variable spéculation est égale à :
𝑆𝑆
1+ si HS ≥HL
𝐻𝑆+𝐻𝐿
𝑆𝐿
1+ si HS ≤ HL
𝐻𝑆+𝐻𝐿
Cependant, cet indice est très souvent critiqué à cause de la difficulté de faire la différence
entre les hedgers et les spéculateurs. En effet, les hedgers peuvent eux aussi initier des
transactions spéculatives pour réaliser des plus-values sur transaction.
2.2.2. Le pourcentage de positions longues occupées par les spéculateurs par rapport à
l’intérêt ouvert (SPECLONG)
Elle se calcule en éliminant les positions courtes des spéculateurs du total de leurs positions
longues sur l’intérêt ouvert (OI). En effet, selon certains auteurs tels qu’Irwin et Sanders
(2008), Fattouh et al (2012) et Adams (2015), les spéculateurs occupent, la plupart du temps
des positions longues sur les marchés des matières premières. Dans ce sens, ils sont qualifiés
comme des acteurs non commerciaux car ils n’ont pas un investissement physique dans les
produits de base. La spéculation se mesure comme suit :
𝑆𝐿 − 𝑆𝑆
𝑂𝐼
32
L’intérêt ouvert est le total des contrats à terme négociés sur une période déterminée.
39
Chapitre II
Cet indice est critiqué car il stipule que les positions longues sont celles qui ont le plus grand
impact sur les prix. Cependant, même les positions courtes des spéculateurs peuvent aussi
avoir un impact sur la trajectoire des prix.
2.2.3. La part du marché des spéculateurs par rapport à l’intérêt ouvert (SPECALL)
Elle est définie comme le rapport entre la somme des positions (courtes et longues) des
spéculateurs et le total des intérêts ouverts qui sont la somme de tous les contrats négociés
dans la semaine de l’étude. La spéculation est équivaut à :
𝑆𝐿 + 𝑆𝑆
2 ∗ 𝑂𝐼
Cette variable est celle qu’on adoptera pour mesurer la spéculation. En effet, selon Manera et
al (2014), elle tient compte de toutes les positions occupées par les spéculateurs dans les
contrats à terme. En effet, les deux types de positions des spéculateurs (courtes et longues)
peuvent avoir un impact sur les prix.
2.3. Autres variables susceptibles d’influencer les prix des matières

premières
Dans cette partie, nous allons définir les cinq variables de contrôle prises en compte dans
notre étude. Nos variables sont divisées en variables structurelles et en variables
macroéconomiques. Dans le troisième chapitre, nous testerons l’impact de ces variables sur
les prix des matières premières étudiées.
2.3.1. Les variables structurelles

Les variables structurelles incluent l’ouverture commerciale, l’ouverture financière et l’indice
du dollar américain.
2.3.1.1. L’ouverture financière (FO)

Cette variable tend à cerner le comportement et la politique financière de chaque pays en ce
qui concerne les capitaux étrangers investis. Dans ce sens, cette mesure nous donne une idée
sur les entrées massives de monnaie et le degré de libéralisation des États Unis.
Effectivement, en fonction de la disponibilité des données, nous nous focalisons sur ce ratio
en tant que mesure d’ouverture financière pour superviser la mobilité du capital dans la
période d’étude et sa relation avec la flambée des prix matières premières.
40
Chapitre II
Cette mesure a été utilisée par Dabla et al (2013) et Alatrash et al (2014) qui ont travaillé sur
le développement financier. Cette mesure est utilisée pour la première fois dans ce contexte.
Elle se présente comme suit :
∑ 𝐀𝐜𝐭𝐢𝐟𝐬 é𝐭𝐫𝐚𝐧𝐠𝐞𝐫𝐬 + 𝐏𝐚𝐬𝐬𝐢𝐟𝐬 é𝐭𝐫𝐚𝐧𝐠𝐞𝐫𝐬
𝐹𝑂 =
𝐆𝐃𝐏
2.3.1.2. L’ouverture commerciale (TO)

Plusieurs recherches citent l’indice de commerce parmi les mesures les plus efficaces pour
approximer l’ouverture commerciale. Il s’agit du rapport entre la somme des exportations et
des importations et le PIB réel. L’indice d’ouverture commerciale s’écrit comme suit :
𝐄𝐱𝐩𝐨𝐫𝐭 + 𝐈𝐦𝐩𝐨𝐫𝐭
𝑂𝑝𝑒𝑛 𝑇𝑟𝑎𝑑𝑒 =
𝐆𝐃𝐏
Le commerce international est lié à la volatilité des matières premières malgré que l’impact de
cette variable soit théoriquement ambigu. Un marché financier qui n’exige pas des barrières
commerciales peut être plus vulnérable aux chocs extérieurs impulsés par les spéculateurs
venant maximiser leur richesse en dépit des autres acteurs du marché. Ceci peut augmenter les
prix des matières premières. Dans ce sens, le Dodd Frank Act a été instauré pour essayer de
limiter le commerce extérieur afin de mieux contrôler la direction des prix.
Pour spécifier le sens de la relation, nous allons essayer de tester la nature de la relation entre
les variables. Cette analyse a été inspirée des travaux de Tiryaki (2003), Tharavanij (2007) qui
ont travaillé sur la relation entre la volatilité économique et le développement financier. Cette
variable constitue un autre apport dans la relation entre la spéculation et la direction des prix
des produits de base.
2.3.1.3. L’indice USD du dollar américain (USDX)
L’indice du dollar américain est une moyenne géométrique pondérée de la valeur du dollar
par rapport aux principales devises de référence. C’est une mesure de la valeur du dollar
américain par rapport à un panier de devises étrangères, souvent désigné comme un panier de
devises des partenaires commerciaux des États-Unis. L’Indice augmente lorsque le dollar
américain gagne en "force" (valeur) par rapport aux autres monnaies.
41
Chapitre II
L’USDX a été créé en mars 1973, peu après le démantèlement du système de Bretton
Woods33. Cet indice joue un rôle important dans les transactions à terme sur les matières
premières puisque les principaux produits de base sont négociés en dollar dans les bourses
américaines. Il a été principalement utilisé par Ulusoy et Onbirler (2017).
2.3.2. Variables macroéconomiques
Nous citons ici d’autres variables qui sont des déterminants fondamentaux des prix des
matières premières et seront donc testées empiriquement au niveau du troisième chapitre.
2.3.2.1. Le Taux de croissance du PIB par habitant (GDPG)
Cet indicateur nous renseigne sur le degré du développement économique du pays.
Il met en exergue l'activité économique interne d'une nation. En outre, la variation du PIB au
fil des années permet de mesurer le taux de croissance économique d'un pays. Dans ce sens,
cette variable mesure la valeur de tous les biens et les services produits dans un état sur une
année. Cette variable a été utilisée par beaucoup d’auteurs tels que Kim et al (2015), Larrain
(2006), Easterly et al (2000), Beck et al (2003), et Dabla et al (2013). Dans ce sens, le PIB
peut impacter les prix des produits de base selon son niveau sur le marché.
2.3.2.2. Le prix du pétrole (OP)
Mitchell (2008) note que la hausse des prix des engrais chimiques et des carburants a
contribué de 15 à 20% environ à la hausse des prix des principaux produits alimentaires
américains à l’exportation entre 2002 et 2007.
Dans ce sens, selon Irwin et al (2018) les prix des produits agricoles peuvent être influencés
par le prix du pétrole brut. En effet, le prix des produits chimiques et les coûts de transport qui
sont corrélés avec le prix du baril du pétrole, constituent une fraction substantielle des coûts
de la production agricole. Ces coûts impacteront par conséquent les prix des matières
premières.
En outre, les produits pétroliers sont largement utilisés dans l'agriculture pour alimenter les
machines, pour produire des intrants agricoles et pour transporter les produits de la ferme à la
table du consommateur.
33
L’accord de Bretton Woods a été instauré en 1944 et a imposé un nouveau système monétaire international. Il
a été formulé par des représentants de 44 pays lors de la conférence monétaire et financière des Nations Unies.
Selon l'accord, les autres monnaies étaient indexées sur la valeur du dollar américain, qui était ensuite indexée
sur le prix de d'or.
42
Chapitre II
Par exemple, l'impact estimé de la demande accrue des biocarburants sur les fourchettes de
prix du maïs est de 30% en termes réels selon Rosegrant et al (2008). Des résultats pareils
sont trouvés par Lipsky (2008) et par Wright (2011).
Nous souhaitons ainsi étudier l’impact réel du prix du pétrole sur l’échantillon de matières
premières retenu.
2.4. Approches économétriques retenues

Afin de modéliser l’effet de la spéculation financière sur les prix des produits de base, deux
approches seront considérées dans le présent mémoire. Il s’agit de la méthode MCO et la méthode
de la régression en quantile.
2.4.1. L’approche des moindres carrés ordinaires (MCO)
En premier lieu, nous allons utiliser la méthode des moindres carrées ordinaire (MCO). En effet,
cette méthode permet d’estimer la moyenne conditionnelle des prix en fonction du degré de la
spéculation financière. Dans ce sens, la moyenne a été largement adoptée dans la littérature
empirique comme un paramètre qui permet d’apporter des informations particulières à l’instar de
Hansen (1990), Phillips (1995) et Ulusoy et Onbirler (2017). C’est pour cette raison que nous
avons choisi de travailler avec cette technique. Cependant, il est important de dire que la
moyenne elle-même présente un certain nombre de limites comme l’apparence des valeurs
extrêmes et aberrantes qui rendent la moyenne trop sensible. Cette approche a été très souvent
critiquée. En effet, si nous utilisons beaucoup de variables explicatives les prévisions seront
erronées selon les propos de Kong et al (2016). D’autre part, cette approche se base sur l’idée que
les variables explicatives ne sont pas corrélées avec le terme d’erreur. La méthode MCO intègre le
problème de l’homoscédasticité du fait qu’elle considère que les erreurs sont constantes et même
indépendantes et donc ne prend pas en considération les séries temporelles. Pour cette raison, nous
allons nous focaliser ultérieurement sur une autre approche nommée « Régression en quantile ».
2.4.2 L’approche de la régression en quantile
Selon Koenker et Bassett (1978), lorsque la fonction de distribution suit un processus
Gaussien (normal), l’estimateur 𝛽 de la méthode MCO représente la variance minimale dans
la classe des estimateurs non biaisés. Dans ce sens, l’estimateur de la méthode MCO est très
sensible aux valeurs aberrantes et extrêmes. Ceci fait de lui un très mauvais estimateur dans le
cas d’une distribution non Gaussienne (non normale), puisque cette méthode ne prend pas en
considération les queues de la distribution. En effet, l’efficacité de la méthode de la moyenne
des moindres carrés dans le modèle linéaire se détériore rapidement à mesure que la
distribution s’éloigne de la Gaussienne vers une distribution à queue plus longue.
43
Chapitre II
En effet la méthode de la régression en quantile remédie à ce problème. Elle introduit de

nouvelles classes d’options (les quantiles) qui sont plus robustes que l’estimateur des
moindres carrés pour le modèle linéaire. Ces estimateurs suggérés ont une efficacité
comparable à l’estimateur 𝛽 pour les modèles Gaussiens et ils sont même plus efficaces que
l’estimateur de la méthode MCO pour le cas des distributions non Gaussiennes à l’instar de
notre cas. Pour le cas de la régression en quantile, nous allons vérifier si l’effet des variables
exogènes sur la variable endogène reste le même pour tous les quantiles de la série. Cette
méthode est plus appropriée pour notre analyse car elle est plus adaptée pour le cas où les
erreurs ne sont pas normalement distribuées. Elle ne suppose pas une distribution
paramétrique particulière pour les données et ne considère pas qu’il existe une variance
constante contrairement à la régression des moindres carrés. Dans ce sens, elle offre une
alternative à la pratique habituelle consistant à stabiliser la variance des erreurs avec une
transformation monotone. Elle est aussi plus appropriée lorsque les données sont hétérogènes
et lorsque la distribution est hétéroscédastique. C’est ce qui explique et motive son choix.
Dans ce sens, elle détecte les changements et les renversements affectant la forme de
distribution et sa propagation, ainsi que les changements d’emplacement de la courbe des
données. Elle est donc appropriée pour les modèles parcimonieux. (Angrist et al (2006)).
En d’autres termes, la méthode de la régression en quantile est considérée comme

complémentaire à la méthode MCO puisqu’elle apporte plus de robustesse à l’analyse
Dans ce sens, la méthode de la régression en quantile tend à donner une image plus pertinente
sur la relation entre les variables exogènes et les variables endogènes. Elle donne une
meilleure formulation de la variable dépendante à travers le spectre de chaque variable
indépendante. Cette approche est considérée comme une technique d’estimation des fonctions
quantiles conditionnels (Conyon et He (2017)). Elle va nous permettre d’éviter les principales
lacunes de la méthode des MCO. En d’autres termes, la régression en quantile évalue
comment et dans quelle mesure les quantiles d’une variable endogène se déforment en
fonction des variables exogènes. Elle fournit non pas une seule estimation pour les
coefficients comme l’approche des MCO, mais plutôt un ensemble de coefficient en fonction
du nombre de quantiles pris en compte.
Dans plusieurs cas, le traitement traditionnel des valeurs extrêmes ne permet pas de résoudre
totalement et parfaitement le problème. La méthode MCO semble également non pertinente
lorsque la distribution des observations des variables dépendantes est hétérogène.
44
Chapitre II
L’avantage principal lié à l’adoption de la méthode de la régression en quantile par rapport à

la méthode d’estimation classique de moindre carrée ordinaire (MCO) est qu’elle donne une
image parfaite et plus claire sur le lien entre la variable dépendante (Y) qui est la variable
COMMP, représentant les prix des différents produits de base, et la variable indépendante
(X) qui est SPECALL. Rappelons qu’il s’agit du total des positions (courtes et longues)
occupées par les spéculateurs par rapport à l’intérêt ouvert.
Dans ce sens, à la différence de la méthode MCO, les estimateurs de l’approche de la

régression quantile restent robustes même avec la présence des données aberrantes dans son
ensemble des données. Selon Conyon et He (2017), ceci rend les estimations des quantiles
moins sensibles aux impacts des points de données extrêmes.
La régression en quantile se présente comme suit. D’abord, si nous estimons le lien de type
linéaire entre la spéculation financière et les prix des matières premières, autrement dit si on
présente la relation sous sa forme linéaire entre la variable dépendante et la variable
indépendante, l’équation serait sous la forme suivante :
𝒀𝒕 = 𝜷𝟎 + 𝜷1 𝑿1𝒕 + 𝜷2 𝑿𝟐𝒕 + ⋯ + 𝜷𝒌 𝑿𝒌𝒕 + 𝜺𝒕 = 𝑿′𝒕 𝜷 + 𝜺𝒕
En effet, pour estimer le vecteur du coefficient 𝛽 à l’aide de la méthode MCO, il faut en

premier lieu, minimiser la somme des carrés des résidus comme suit :
𝐦𝐢𝐧 ∑(𝜺𝒕 )𝟐 = ∑(𝒀𝒕 − 𝑿′ 𝒕 𝜷)²

𝒕 𝒕
Lors de l’application de la méthode de la régression en quantile, les coefficients seront

présentés comme suit :
𝑸𝜽 (𝒀𝒕 /𝑿𝒕 ) = 𝐢𝐧𝐟{𝒀: 𝑭𝒕 (𝒀𝒊 / 𝑿𝒊 ) 𝜽} = 𝑿′𝒕 𝜷𝜽
𝑸𝜽 (𝒀𝒕 /𝜺𝜽𝒕 ) = 0
Où 𝑄𝜃 (𝑌𝑡 /𝑋𝑡 ) est considérée comme le 𝜃 𝑖è𝑚𝑒 quantile corrélée à 𝑌𝑡 en fonction des variables
explicatives.
𝛽𝜃 représente le vecteur des coefficients à estimer pour des valeurs multiples de 𝜃 incluent
dans l’intervalle [0,1].
𝐹𝑡 (𝑌𝑡 /𝑋𝑡 ) présente la fonction de répartition de la variable exogène conditionnée par les
variables endogènes notées 𝑋𝑡 .
45
Chapitre II
Certes, pour chaque valeur de 𝜃, la régression en quantile nous offre des estimations
différentes en se fondant sur les quantiles de la variable à expliquer.
Pour estimer la valeur du coefficient (𝛽𝜃 ), nous devons tout d’abord résoudre le problème de
minimisation suivant :
𝑴𝒊𝒏 ∑ 𝜽 × |𝜺𝜽𝒕 | + ∑ (𝟏 − 𝜽) × |𝜺𝜽𝒕 |

𝒕: 𝜺𝜽𝒕 >0 𝒊𝒕:𝜺𝜽𝒊𝒕 <0
= ∑ 𝜽 × |𝒀𝒕 − 𝑿′ 𝒕 𝜷| + ∑ (𝟏 − 𝜽) × |𝒀𝒕 − 𝑿𝒕 𝜷|
𝒊𝒕:𝒚𝒕 −𝒙𝒕 .𝜷>0 𝒊𝒕:𝒚𝒕 −𝒙𝒕 .𝜷<0
La détermination de ce problème d’optimisation nous offre les 𝜃 𝑖é𝑚𝑒 estimateurs de la

régression en quantile en minimisant la valeur absolue de la somme pondérée des résidus.
Dans ce sens, le poids de 𝜃 est accordé aux observations avec un résidu négatif. Bien qu’il a
été considéré comme le premier terme de l’équation de la minimisation, ainsi que le deuxième
poids (1 − 𝜃) est attribué aux observations avec un résidu positif traité comme un deuxième
terme de l’équation de la minimisation.
La technique de la régression en quantile est similaire à la régression linéaire. Néanmoins, son

utilisation nous donne un résultat plus riche et plus détaillé. Elle nous permet d’examiner
comment le poids varie, étant donné que cette méthode vise à prédire les différentes parties de
la distribution de la variable dépendante. C’est-à-dire, l’effet médian conditionnel sur Y
(variable exogène) d’un changement de la variable X (variable endogène). Pour cela, il est
important d’estimer une famille entière de régression en quantile (Conyon et He (2017)).
Dans ce contexte, nous pouvons appliquer cette méthode en transformant la valeur du

coefficient à évaluer en fonction des quantiles pour connaitre davantage comment se
manifeste l’impact de la spéculation financière selon les quantiles de la distribution des prix
des matières premières.
En manipulant le logiciel STATA via la commande « SQREG », nous allons réexaminer la

relation entre la spéculation financière et les prix des matières premières conditionnées par
neufs quantiles. Ces quantiles représentent d’une manière simultanée la distribution des prix
des produits de base. Les quantiles choisis sont : 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 et 0.9.
Plusieurs chercheurs utilisent la technique de la régression en quantile pour modéliser les

effets de la diversité des genres au sein du conseil d’administration (Conyon et He (2017)).
46
Chapitre II
Néanmoins, à notre connaissance, aucune des recherches sur le marché des matières
premières n’a utilisé cette approche pour tester la relation entre la spéculation financière et les
prix des produits de base.
Conclusion
De nombreuses études empiriques ont traité le sujet de la spéculation sur le marché de
matières premières. En effet, la spéculation a toujours eu une connotation négative du fait que
les spéculateurs ont toujours été accusés d’augmenter les prix. Différents auteurs se sont
penchés sur la question (Kim(2015), Andreasson et al(2015), Dimpfl et al (2017) ou encore
(Fattouh, et al (2012)) en recourant à plusieurs modèles économétriques tels que le modèle
GARCH, le modèle VAR, l’approche VECM et la méthode MCO. Certains auteurs ont
confirmé que les actions simultanées des spéculateurs et des hedgers sur le marché à terme
des produits de base offrent la liquidité au marché et contribuent à alléger la volatilité des
prix. Ils expliquent que la demande de couverture des hedgers est satisfaite par l’assurance
offerte par les spéculateurs. Ainsi, le marché s’autorégule. En effet, leurs analyses dévoilent
qu’il y a peu de corrélation, entre la spéculation et les prix des matières premières et que les
fondamentaux économiques tels que l’offre et la demande sont les principaux facteurs qui
provoquent la flambée des prix.
D’autres auteurs tels que Koitsiwe et Adachi (2018), Juvenal et Petrella (2014) ou encore
Rainey et al (2018) ont confirmé l’existence de corrélations significatives entre les actions des
spéculateurs et la trajectoire des prix pendant la crise mondiale de 2008. En effet, le prix du
pétrole et les prix des autres produits énergétiques ont connu une volatilité excessive ce qui a
impacté les autres catégories des produits de base.
Ce non convergence des résultats laisse les autorités chargées de la réglementation financière
dans les pays développés dans le flou par rapport aux mesures nécessaires pour équilibrer les
prix. Ceci les a incités à instaurer la Dodd-Frank-Act en 2010 qui tend à limiter l’activité des
spéculateurs suite à la crise mondiale dans le but de mieux contrôler les prix. Toutefois, cet
accord a été abrogé en 2018 suite à la diminution de la liquidité du marché.
Dans le prochain chapitre, nous allons essayer de tester l’impact de chaque variable spécifiée
plus haut sur les prix de certains produits de base. Ceci sera fait grâce à l’utilisation des deux
approches présentées ci-haut.
47
Chapitre III
L’impact de la spéculation financière
sur les prix des matières premières :
Validation empirique
Chapitre III
L’impact de la spéculation financière sur les prix des matières premières
Introduction
L’examen simultané de la littérature empirique et théorique focalisant sur le lien entre la
spéculation financière et la trajectoire des prix des produits de base révèle que le sens de la
relation entre les variables n’est pas encore clair. En effet, les résultats trouvés sont mitigés.
Du coup, nous allons essayer de cerner l’effet réel des variables spécifiées. Pour ce faire, on
va détailler notre méthodologie de travail qui va nous permettre de tester les hypothèses
retenues.
3.1. Les données de l’étude

Dans cette partie, nous allons justifier le choix de notre échantillon, la source de nos données
et le choix de notre période d’étude.
3.1.1. L’échantillon retenu
L’étude focalisera sur quatre graines, à savoir, le blé, l’avoine, l’huile de soja et le riz brut
négociés sur les bourses américaines. Les études ayant traitées ces matières premières ne sont
pas nombreuses. De plus, c’est le premier travail qui traite ces quatre produits ensemble. Dans
ce sens, ces quatre marchés sont très liquides et connaissent une grande participation des
spéculateurs. C’est pourquoi on les a choisies.
Ces marchés sont d’une importance vitale pour les pays en développement. En particulier, là
où la survie et le bien- être de leur population dépendent en large partie des prix des matières
de première nécessité surtout les produits agricoles. En effet, les crises successives qu’a
connues le marché mondial ont affecté le mode de vie de ces populations. De fait, les
problèmes des fluctuations des prix se propagent des pays développés (notamment des États
Unis), qui maintiennent le pouvoir de fixer l’offre et le niveau du stock mondial, vers les pays
émergents qui supportent les conséquences de ces fluctuations.
3.1.2. Source des données
Les données relatives aux positions occupées par les spéculateurs sont extraites du rapport
hebdomadaire publié par la CFTC (Commodity Futures Trading Commission) et le rapport du
comité des traders (COT : Commitment of Traders).
Le rapport contient le nombre de positions courtes et longues occupées par les acteurs du
marché sur ces matières premières, le volume des transactions ainsi que le total des contrats
négociés sur le marché désigné par l’intérêt ouvert. Par ailleurs, les prix de ces matières sont
extraits de la base investing.com où se trouvent les indices des prix et leurs différentes
fluctuations de fréquence hebdomadaire.
49
Chapitre III
Pour les données structurelles et macroéconomiques, elles sont extraites de la base publique
de la banque mondiale (WDI) qui offre des données annuelles concernant ces variables de
contrôle.
3.1.3. Choix de la période :
La période d’étude s’étale de janvier 1998 à décembre 2016. Elle intègre plusieurs dates clés
pour notre étude. En effet, cette période est propice à l’analyse puisqu’elle vient juste après la
crise des pays sud-asiatique en 1997 et avant la grande évolution des placements dans les
contrats à terme sur les matières premières qui a eu lieu au début des années 2000. De plus,
cette période comprend la période de la crise mondiale de 2007-2009 et la période de
l’instauration du Dodd-Frank-Act en 2010.
3.2. Opérationnalisation des variables dépendantes

3.2.1. Le prix des matières premières
Plusieurs études considèrent le prix de la matière première comme variable dépendante. En
effet, Youcef (2018), Tang et Xiong (2012), Bohl et Stephen (2012), Alquist et al (2012) et
Huchet et Fam (2016) se sont appuyés sur les prix délivrés par la CFTC pour enquêter sur
l’effet du volume des transactions sur les variations hebdomadaires des prix de chaque
matière première. Cette variable est largement utilisée dans la littérature et donne des résultats
pertinents.
3.2.2. Le rendement de la matière première
Certaines autres études ont utilisé le log des prix des contrats à terme sur les matières
premières à l’instant t par rapport au prix à l’instant t-1. Nous citons les travaux d’Irwin et
Sanders (2016) et d’Onbirler et al (2017) comme exemple.
En effet, le rendement d’un produit de base au cours du temps se calcule comme suit :
𝑃𝑡
𝑅𝑡 = 𝑙𝑛 ( ) ∗ 100
𝑃𝑡−1
𝑅𝑡 : Le rendement du contrat à terme sur matière première durant la semaine t.
𝑃𝑡 : Le prix du contrat à terme sur matière première dans la semaine t.
𝑃𝑡−1 : Le prix du contrat à terme sur matière première dans la semaine t-1.
Dans le présent mémoire, nous utilisons le prix comme notre variable dépendante car il est
largement utilisé dans la littérature.
50
Chapitre III
3.2.3. Les variables explicatives du prix des matières premières

 GDPG : La volatilité de la croissance économique mesurée comme l’écart type de la
croissance du PIB réel par habitant.
 TO : C’est l’indice de l’ouverture commerciale qui est le rapport entre la somme des
exportations et des importations avec le PIB réel. En effet, le commerce international
est lié aux prix des matières premières puisqu’un marché financier qui n’exige pas des
barrières commerciales peut être plus vulnérable aux chocs extérieurs provoqués par
les spéculateurs.
 FO : Cette variable est une mesure de l’ouverture financière. Elle aide à connaitre la
tendance d’un État face aux entrées massives de la monnaie et le degré de
libéralisation qui lui est associé.
 OP : Cette variable représente le prix du pétrole. En effet, le prix des produits
chimiques utilisés dans l’agriculture sont corrélés avec les fluctuations du prix du
pétrole.
 USDX : Cette variable mesure la puissance et l’influence du dollar américain par
rapport aux autres devises (principalement l’euro). Notons que le dollar est la monnaie
de référence dans la plupart des transactions sur les produits de base.
 SPECALL : C’est notre variable indépendante mesurée comme le total des positions
longues et courtes occupées par les spéculateurs divisé par l’intérêt ouvert
 COMMP : C’est le prix des matières premières qui est notre variable à expliquer.
C’est le prix du contrat à terme sur matière première dans la semaine t.
3.3 Modèles économétriques

Pour étudier la relation entre la spéculation financière et les prix des quatre matières
premières sélectionnées, nous suivons le travail d’E-Boyd et al (2018) et Ludwig (2018).
Pour ce faire et dans le but de comparer nos résultats avec la littérature existante, nous
précédons comme suit :
3.3.1 Spéculation financière et variation des prix : Relation linéaire
Pour tester nos deux hypothèses de recherche présentées dans le premier chapitre nous adoptons le
modèle suivant :
𝒌
𝑽𝒊𝒕 = 𝜶𝟎 + 𝜶𝟏 𝑭𝑫𝒊𝒕 + ∑ 𝜶𝒊 𝑿𝒊𝒕 + 𝜺𝒊𝒕

𝒊=𝟐
51
Chapitre III
Où
 𝑽𝒊𝒕 représente les prix des matières premières à l’instant (t) pour la matière (i) (Onbirler
et al (2017), Kim et al (2015), Manera et al (2014).)
 FD est une mesure de la spéculation financière. La mesure prise en compte est la part de
marché des spéculateurs (total des positions longues et courtes) par rapport à l’intérêt
ouvert (Irwin et Sanders (2008) Fattouh et al (2012) et Adams (2015)).
 𝑿𝒊𝒕 est l’ensemble de variables de contrôle à savoir l’ouverture commerciale, l’ouverture

financière, la croissance du PIB, le prix de pétrole et le poids du dollar américain par
rapport aux autres devises.
 𝜶𝟎 est la constante
 𝜺𝒊𝒕 est un terme d’erreur.
3.3.2 Spéculation financière et variation des prix : Relation non linéaire

Plusieurs études antérieures qui s’intéressent à la relation entre la spéculation et les prix des
matières premières montrent qu’il existe une relation négative entre les deux grandeurs (Etienne et
al (2017), Irwin et Sanders (2016) Dimpfl et al (2017), Bohl et Sulewsky (2019), etc).
Néanmoins, plusieurs auteurs dans certaines études infirment ces résultats et confirment que cette
relation est positive ((Irwin et Sanders (2011a) Huchet et Fam (2015) , Ordu et al (2017) ,
Koitsiwe et Adachi (2018), etc).
Pour déceler la présence d’une relation non linéaire entre les deux phénomènes comme indiqué
par E-Boyd et al (2018) dans son article théorique, nous devons introduire un terme quadratique à
la régression. Ainsi, nous allons estimer la régression suivante :
𝒌
𝑽𝒊𝒕 = 𝜶𝟎 + 𝜶𝟏 𝑭𝑫𝒊𝒕 + 𝜶𝟐 𝑭𝑫²𝒊𝒕 + ∑ 𝜶𝒊 𝑿𝒊𝒕 + 𝜺𝒊𝒕

𝒊=𝟑
Où
 Vit représente les prix des matières premières à l’instant (t) pour la matière (i).
 FD est une mesure de la spéculation financière.
 FD² est le terme quadratique de la spéculation financière.
 𝑿𝒊𝒕 est un vecteur de variables de contrôle.
 𝜺𝒊𝒕 est le terme d’erreur.
 𝜶𝟎 Constante.
52
Chapitre III
3.4 Analyse descriptive, stationnarité et analyse de corrélation

3.4.1 Analyse descriptive
Le Tableau 1 ci-dessous présente les statistiques descriptives de base relatives aux différentes
variables utilisées dans l’étude. Les calculs ont été réalisés en se basant sur notre échantillon
global constitué de 4 produits agricoles (le blé, l’avoine, l’huile de soja et le riz brut) pour une
période allant de 1998 à 2016. Nous calculons principalement la moyenne, l’écart type, le
maximum, le minimum, les coefficients de skewness. et de kurtosis
Tableau 1 : Statistiques descriptives
Variables Moy Max Min ET Kurtosis Skewness
Blé 360.595 824.5 174.75 164.740 2.997 1.013
Riz brut 10.382 23.8 3.45 4.045 2.34 3 0.217
COMMP
Huile de Soja 32.094 68.15 14.45 12.956 2.394 0.596
Avoine 229.469 555.25 96.75 95.0596 2.147 0.479
Blé 0.1950 0.34399 0.0877 0.0468 3.484 0.692
SPECALL 0.202 0.475 0.0581 0.0703 2.938 0.437

Riz brut
Huile de Soja 0.187 0.32342 0.0671 0.0490 2.685 0.415
Avoine 0.178 0.382 0.0655 0.0606 3.486 0.814
TO 0.2645564 0.309 0.221 0.0298 1.598 0.0636
Variables de contrôle 0.169 0.197 0.0183 0.0179 6.601 -0.885

FO
OP 57.842 145.29 10.79 30.173 2.0199 0.329
USDX 90.838 120.18 71.675 12.0637 2.481 0.652
GDPG 1.38e+13 1.86e+13 9.09e+12 2.38e+12 1.879546 -0.0345
Source : auteur
D’abord, nous avons remarqué que la moyenne du prix des matières premières « COMMP »
varie entre 10.38243 pour le riz Brut et 360.5949 pour le blé. Ceci témoigne que les prix
divergent d’une matière à une autre. En effet, l’écart type des prix montre une forte volatilité
pour l’avoine et le blé qui ont des coefficients qui varient entre 95.05963 et 164.7401 et une
53
Chapitre III
volatilité moindre pour le riz brut et l’huile de soja qui ont respectivement des coefficients de
4.045232 et de 12.95633. D’autre part, les coefficients du kurtosis et du skewness sont
différents de 3 et de 0 ce qui montre que la distribution n’est pas normale pour les 4 matières.
En effet, l’hypothèse de la normalité se repose sur 3 tests (Skewness,Kurtosis,Jarque Bera).
Donc, si la condition de la normalité n’est pas vérifiée pour seulement l’un des 3 tests, on peut
conclure que la distribution n’est pas normale. Ceci est valable pour toutes les autres
variables. Ce résultat peut être aussi confirmé par le test de Jarque Berra.
Ensuite, en mettant l’accent sur la variables indépendante, nous avons remarqué que la
moyenne de notre variable indépendante SPECALL varie entre 0.177692 et 0.2019103 ce
qui implique qu’en moyenne la spéculation financière est bien présente et que les spéculateurs
détiennent des positions sur les quatre marchés agricoles à travers les contrats à terme. Dans
ce sens, l’écart type de la variable SPECALL est élevé et atteint son maximum avec le riz
brut avec un coefficient de 0.0703. Ceci confirme l’idée que les spéculateurs détiennent autant
de positions longues que des positions courtes dans les contrats à terme sur produits de base.
Pour les autres variables de contrôle nous avons prouvé que l’ouverture financière
FO présente une moyenne positive de 0.169. Également, l’ouverture commerciale
TO présente un coefficient positif de 0.265. Ceci signifie qu’en moyenne les États Unis n’ont
pas soumis leurs états à des restrictions d’activité. Ils profitent à la fois de l’ouverture
financière et de l’ouverture commerciale. Dans ce sens, les deux variables ont des écarts types
respectives de 0.01797 et de 0.0298308. . En effet, ceci offre la possibilité aux spéculateurs
d’effectuer leurs transactions sans limitations. D’autre part, nous avons remarqué que la
moyenne des prix de pétrole OP est de 57.842 avec un écart type de 30.173. En effet, les prix
varient entre 57.842 et 145.29 durant la période d’étude ce qui prouve la forte volatilité du
prix de pétrole et sa tendance haussière à travers les années surtout durant les périodes de
crise. Ceci serait de nature à impacter les prix des produits de base. Pour le PIB, on constate
que la variable GDPG prend une direction ascendante à travers la période d’étude. En effet, il
varie entre 9.09e+12 et 1.86e+13 avec un écart type de 2.38e+12, ce qui montre la tendance
haussière du PIB et l’augmentation de la richesse des États Unis à travers ces années. Ceci
ouvre la porte à plus de négociation dans les contrats à terme et à une augmentation des
montants investis dans ce type de transaction. Enfin, l’indice relatif à la valeur du dollar
américain USDX varie entre 71.675 et 120.18 avec un écart type de 12.0636 ce qui prouve la
variabilité de cet indice à travers la période d’étude et sa possible implication dans les
variations des prix des produits de base.
54
Chapitre III
3.4.2 Test de stationnarité :

Pour qu’on puisse travailler avec des séries temporelles, il faut que les séries de prix et les
autres variables gardent une distribution constante dans le temps, d’où la notion de
stationnarité. En effet, quand les données suivent une marche aléatoire, la série est dite non
stationnaire. Dans ce sens, il existe plusieurs outils pour stationnariser une série temporelle. À
cet effet, nous allons utiliser le test de Dickey Fuller Augmenté, nommé également test de
racine unitaire, sur Eviews 10 afin de vérifier l’existence d’une racine unitaire dans le
processus des variables.
Ce test intègre des retards dans le modèle sélectionné pour contrôler l’autocorrélation dans les
données.
Soit les hypothèses suivantes :
𝐻0 : La variable admet une racine unitaire, elle est donc non stationnaire
𝐻1 : La variable n’admet pas une racine unitaire, elle est donc stationnaire
Décision : La décision dépend de la statistique du test. En effet, il faut la comparer avec la

valeur critique. Dans ce sens, Si le t-statistique en valeur absolue est supérieure à la valeur
critique au seuil de 5%, nous rejetons l’hypothèse nulle.
Afin de corriger le modèle, nous pouvons appliquer la différence première pour les variables
qui ne sont pas stationnaires en niveau. C'est-à-dire, soustraire de chaque observation la
valeur de la période précédente
55
Chapitre III
Tableau 2 : Test de stationnarité

Ce tableau présente les résultats du test de stationnarité ADF pour les quatre séries de prix des
matières premières ainsi que pour toutes les autres variables retenues dans l’analyse. La
période s'étend de 1998 à 2016. La valeur critique pour le test ADF est de -3.432496.
Au niveau Différence première
Variables ADF ADF
Blé -1.7624 -31.652
Riz brut -1.711 -30.407
COMMP Huile de Soja -1.452 -30.721
Avoine -2.194 -34.149
Blé -3.624 -
SPECALL Riz brut -3.691 -
Huile de Soja -4.417 -
Avoine -4.563 -
TO -1.709 -31.422
Variables de FO -1.321 -13.778

contrôle
OP -1.811 -30.726
USDX -1.470 0.455
GDPG -0.379 7.817
Source : auteur
On remarque que la variable mesurant la spéculation est stationnaire au niveau pour toutes les
quatre matières premières étudiées. En effet, la t-statistique en valeur absolue est supérieur à
la valeur critique. Alors que les variables de contrôle et les prix des produits de base sont
stationnaires en différence premières. Car la t-statistique en valeur absolue est inférieur à la
valeur critique.
3.4.3 Analyse des corrélations

Le test de corrélation est un test statistique bi-varié qui sert à examiner s’il existe une
corrélation entre la variable dépendante, les variables indépendantes ainsi que les variables de
contrôles traitées dans notre modèle économétrique.
Les tableaux 3, 4, 5 et 6 présentent la matrice de corrélation de Spearman. En effet, le

coefficient de Spearman convient aux variables ordinales continues et discrètes. De même, la
56
Chapitre III
corrélation de Spearman est appropriée pour notre étude, puisqu’elle évalue les relations
monotones qu'elles soient linéaires ou non.
D’abord, nous pouvons noter que les prix des matières premières (COMMP) sont
négativement et significativement corrélés avec la mesure de la spéculation financière
SPECALL au seuil de 10 % pour toutes les matières. Les coefficients sont entre -0.532 pour
le blé et -0.329 pour l’avoine. Cela nous donne une première information sur la relation entre
la spéculation financière et les prix des matières premières qui semble négative. C’est-à-dire,
plus les spéculateurs prennent des positions sur les contrats à terme sur produits base plus les
prix prennent une direction descendante. Le deuxième résultat montre que les prix des
produits de base sont significativement et positivement corrélés avec toutes les variables de
contrôles à savoir le PIB (GDPG), l’ouverture financière (FO), l’ouverture commerciale
(TO) les prix du pétrole (OP) et l’indice du dollar américain (USDX). Les coefficients varient
entre 0.792 et 0.815 pour l’ouverture commerciale, entre 0.648 et 0.668 pour l’ouverture
financière entre 0.781 et 0.849 pour le prix de pétrole, entre 0.712 et 0.768 pour le PIB et
entre 0.428 et 0.593 pour l’indice USDX.
Cela confirme l’idée que lorsque le pays a un marché à terme développé qui implique une
grande présence des spéculateurs, il peut bénéficier d’une diminution parallèle des prix des
produits de première nécessité. En effet, c’est la compétition entre les acteurs du marché dans
les transactions qui contribue à offrir la liquidité nécessaire. De plus, un niveau assez
important d’ouverture commerciale et financière envers les autres pays et les autres
investisseurs internationaux, a tendance à avoir un niveau plus grand des prix de ces
principaux produits de base agricole. Car cela peut créer une déstabilisation entre l’offre et la
demande des biens et de la monnaie. De même, un niveau élevé du PIB entraine les mêmes
conséquences, puisque l’augmentation de la richesse individuelle est associée à une
augmentation parallèle des prix.
Dans cette même logique, la forte corrélation positive entre le prix du pétrole et les prix des
produits de base révèle l’inter liaison entre ce principal produit énergétique et le marché
agricole. Dans ce sens, les principales machines utilisées dans l’agriculture utilisent des
biocarburants. Ainsi, toute augmentation du prix du pétrole déclenche une flambée des prix
des matières. De même, l’appréciation du dollar par rapport aux autres monnaies va causer
une augmentation parallèle des prix des produits de base qui sont négociés en dollar qui est la
monnaie de référence sur le marché boursier.
57
Chapitre III
Tableau 3 : Matrice des corrélations de Spearman (Blé)
COMMP SPECALL SPECLONG TO FO OP GDPG
COMMP 1.000
SPECALL -0.532* 1.000
USDX 0.542* 0.4693* 1.000
TO 0.799* 0.5179* 0.5486* 1.000
FO 0.658* 0.2839* 0.2740* 0.8868* 1.000
OP 0.781* 0.5157* 0.3409* 0.8759* 0.7866* 1.000
GDPG 0.761* 0.7934* 0.5415* 0.7920* 0.5903* 0.7312* 1.000
Source : les calculs de l’auteur. Note: Le tableau affiche les coefficients du test de corrélation de Pearson * p <
0.1. **p< 0.05 et ***p< 0.01.
Source : auteur
Tableau 4 : Matrice des corrélations de Spearman (Riz brut)

COMMP 1.000
SPECALL -0.364* 1.000
USDX 0.593* 0.2833* 1.000
TO 0.815* 0.4835* 0.5486* 1.000
FO 0.668* 0.2904* 0.2740* 0.8868* 1.000
OP 0.807* 0.4694* 0.3409* 0.8759* 0.7866* 1.000
GDPG 0.712* 0.6320* 0.5421* 0.7929* 0.5915* 0.7310* 1.000
0.1. **p< 0.05 et ***p< 0.01. .
Source : auteur
Tableau 5: Matrice des corrélations de Spearman (Huile de Soja)

COMMP 1.000
SPECALL -0.381* 1.000
USDX 0.506* 0.4982* 1.000
TO 0.803* 0.4621* 0.5486* 1.000
FO 0.655* 0.1930* 0.2740* 0.8868* 1.000
OP 0.842* 0.3988* 0.3409* 0.8759* 0.7866* 1.000
GDPG 0.736* 0.6628* 0.5421* 0.7929* 0.5915* 0.7310* 1.000
0.1. **p< 0.05 et ***p< 0.01.
Source : auteur
58
Chapitre III
Tableau 6 : Matrice des corrélations de Spearman (Avoine)
COMMP 1.000
SPECALL -0.329* 1.000
USDX 0.428* 0.1696* 1.000
TO 0.792* 0.3472* 0.5486* 1.000
FO 0.648* 0.2623* 0.2740* 0.8868* 1.000
OP 0.849* 0.3454* 0.3409* 0.8759* 0.7866* 1.000
GDPG 0.768* 0.5646* 0.5421* 0.7929* 0.5915* 0.7310* 1.000
Source : les calculs de l’auteur. Note: Le tableau affiche les coefficients du test de corrélation de Pearson * p < 0.1.
**
p< 0.05 et ***p< 0.01.
Source : auteur
3.5 Analyse multi variée

Cette section présente les résultats empiriques de notre étude visant à tester nos hypothèses de
recherche. Il s’agit d’bord de tester la relation entre les prix des matières premières et la
mesure de la spéculation financière SPECALL. Ensuite, nous testerons la non-linéarité de la
relation. Pour ce faire, nous utilisons en premier lieu une approche classique qui est la
méthode des moindres carrés ordinaires. Dans un deuxième temps, nous estimons la relation
entre la spéculation financière et les prix des produits de base en utilisant la technique de la
régression en quantile.
3.5.1 Résultats d’estimation par MCO de l’effet de la spéculation financière sur les prix
des matières premières
Les résultats d’estimation relatifs à l’effet de la mesure de la spéculation financière
SPECALL sur les prix des matières premières sont rapportés dans le tableau 7.
Pour chaque matière première nous rapportons deux résultats. Le premier résultat est celui de
l’estimation de la relation linéaire (Modèle 1) alors que le deuxième résultat concerne
l’estimation de la relation non-linéaire dans laquelle nous introduisons le carré de la variable
de la spéculation financière (Modèle 2). En effet, le coefficient de la variable SPECALL
dans sa relation linéaire (Modèle 1) est négatif et statistiquement significatif aux seuils de 1%
et 5% pour les 4 produits de base testés avec des coefficients respectives de -0.663, -0.135, -
0.940 et -0.148. Ces résultats confirment que la spéculation financière, telle que mesuré par la
somme des positions courtes et longues occupées par les spéculateurs divisés par l’intérêt
ouvert, présente un effet négatif sur les prix des produits de base étudiés. C’est-à-dire, plus les
59
Chapitre III
spéculateurs prennent des positions dans les contrats à terme sur produits de base plus les prix
des produits de base agricoles se stabilisent.
Ces résultats corroborent les prédictions théoriques et empiriques qui montrent que
l’évolution des transactions à terme par les intermédiaires financiers entraine une baisse des
prix (Bohl et Sulewsky (2019), Etienne et al (2018), Irwin et Sanders (2012), Adams et Gluck
(2015), Andreasson et al (2015), Fattouh et al (2012), Fishe et Smith (2018)).Ces
constatations contredisent l’hypothèse de Masters (2008). En particulier, Ulusoy et Onbirler
(2017) montrent que les actions simultanées de spéculation et de hedging ont un effet
stabilisant sur les prix, puisque les actions des hedgers sont compensées par les actions
opposées des spéculateurs. Dans ce sens, ils confirment que les spéculateurs contribuent à
alléger les fluctuations des prix puisqu’ils agissent comme contrepartistes aux hedgers voulant
se prémunir contre les fluctuations défavorables des prix. Ils leur offrent la liquidité
nécessaire pour effectuer leurs transactions. En effet, les spéculateurs qui n’ont pas un
investissement direct dans les matières premières en question entrent dans ces opérations pour
effectuer des plus-values sur transactions. Ils vont satisfaire, par suite, les besoins des hedgers
qui sont des agriculteurs cherchant à commercialiser leurs produits en gardant leur marge
bénéficiaire. Ceci a un effet stabilisant sur les prix. Ces résultats sont aussi homogènes avec
les théories de Working (1958 ,1960).
60
Chapitre III
Tableau 7 : Variation des prix des matières premières et spéculation financière (Méthode MCO)
Variable dépendante : COMMP

Variables Blé Riz brut Huile de soja Avoine
indépendantes Modèle (1) Modèle(2) Modèle(1) Modèle(2) Modèle(1) Modèle(2) Modèle(1) Modèle(2)
Constante -0.137 3.109*** 1.622* 4.387*** -1.253 0.0810 -1.463* -1.941***
(0.881) (0.000) (0.053) (0.000) (0.117) (0.913) (0.054) (0.010)
SPECALL -0.663*** -4.384*** -0.135** -2.348*** -0.940*** -4.984*** -0.148*** -0.883***
(0.000) (0.000) (0.012) (0.000) (0.000) (0.000) (0.006) (0.001)
SPECALL² ------ 0.889*** ----- 0.523*** ------ 0.822*** ------ 0.151***
(0.000) (0.000) (0.000) (0.007)
TO 4.599*** 4.457*** 4.222*** 4.302*** 4.770*** 4.604*** 3.570*** 3.437***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
FO -2.320*** -2.120*** -1.569 ***
-1.500 ***
-2.878 ***
-2.724*** -2.413*** -2.287***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
OP 0.0634** 0.0351 0.0312 -0.0196 0.128 ***
0.139*** 0.262*** 0.239
(0.194)
(0.018) (0.360) (0.538) (0.000) (0.000) (0.000) (0.000)
GDPG 0.222*** 0.110* 0.0102 -0.107** 0.226*** 0.225*** 0.298***
0.364***
(0.001) (0.058) (0.861) (0.045) (0.000) (0.000) (0.000)
(0.000)
USDX 0.305*** 0.505*** 0.220*** 0.306*** 0.130* 0.467*** -0.178** -0.159**

(0.000) (0.000) (0.001) (0.000) (0.067) (0.000) (0.020) (0.041)
N 989 989 989 989 989 989 989 989

F/Chi2 821.73*** 807.09*** 542.29*** 536.64*** 592.26*** 726.77*** 953.95*** 849.22
p-valeur (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
R2 0.799 0.821 0.710 0.749 0.788 0.814 0.810 0.810
Note: (*), (**) et (***) désignent une significativité aux seuils de 10%, 5% et 1%, respectivement. Les valeurs entre parenthèses représentent les p-valeur du test de significativité
individuelle des coefficients. Le tableau rapporte les résultats d’estimation de l’effet de la spéculation financière, tel que mesuré par la somme des positions courtes et longues
occupées par les spéculateurs divisé par l’intérêt ouvert sur la volatilité des prix des produits de base sélectionnés et qui sont obtenus suivant la méthode d’estimation des
Moindres carrés ordinaires (MCO) Pour chaque méthode nous estimons deux modèles : le modèle (1) tient compte de l’effet de la spéculation financière (FD) sur les prix
(SPECALL) et le modèle (2) introduit le carré de la variable FD.
Source : auteur
61
Chapitre III
Dans ce contexte, et en utilisant les deux autres mesures de spéculation, à savoir, l’indice de
Working (1960) et la part de marché des traders non commerçants, nos résultats confirment
ceux de Manera et al (2014). En effet, leurs analyses affichent des coefficients négatifs avec la
direction des prix de quatre produits énergétiques pour une fréquence hebdomadaire et
trouvent que les variables de contrôle macroéconomiques, qui sont l’indice S&P 500 et T-bill,
sont les responsables de la flambée des prix. Ceci relève du fait qu’ils affichent des
coefficients positifs avec la direction des prix. En outre, Ludwig (2018) approuve cette
logique en confirmant que la spéculation stabilise les prix. Il prouve que les demandes
massives de liquidité des hedgers sont compensées par les transactions des spéculateurs qui
répondent positivement aux demandes de couverture et contribuent à garder un niveau
raisonnable des prix.
Le deuxième type de résultats rapporté par le tableau 7 (modèle 2) permet de tester si la

relation entre la spéculation financière et les prix est non-linéaire. En d’autres termes, si la
spéculation financière permet de réduire le niveau des prix des matières premières jusqu’à un
seuil au-delà duquel l’effet s’inverse. Pour ce faire, nous avons introduit le carré de la variable
mesurant la spéculation financière, et testé la variable SPECALL². Nous testons d’abord si le
coefficient est statistiquement significatif, et s’il change de signe par rapport au coefficient de
la variable SPECALL dans sa forme linéaire.
Selon les résultats d’estimation, nous trouvons que le coefficient de la variable SPECALL²
est positif et statistiquement significatifs au seuil conventionnel de 1% pour les quatre
matières premières étudiées. Il prend respectivement les coefficients 0.889 ; 0,523 ; 0,822 et
0 ,151 . De plus, nous observons que la variable de la spéculation financière SPECALL garde
toujours son signe négatif et statistiquement significatif même après l’introduction du terme
quadratique et c’est pour tout l’échantillon. Ces résultats prouvent que la relation entre la
spéculation financière et les prix des matières premières n’est pas linéaire et présente une
forme de U. Cette relation non linéaire a été évoquée également par Ludwig (2018) qui a cité
que la spéculation a un effet stabilisant sur les prix et garde un niveau équilibré de liquidité
mais jusqu’ à un certain seuil.
En d’autres termes, la spéculation financière permet d’atténuer le niveau des prix des produits
de base agricoles jusqu’à un certain seuil au-delà duquel une augmentation du niveau de la
spéculation permet d’augmenter le niveau général des prix. Ces résultats corroborent les
prédictions théoriques d’E-Boyd et al (2018) qui ont stipulé que la spéculation est bénéfique
62
Chapitre III
pour le bon fonctionnement du marché à terme mais pas indéfiniment. Ce mémoire est le
premier travail qui a prouvé l’existence de ce seuil.
Pour nos résultats d’estimation relatifs à l’effet des variables de contrôle à savoir l’ouverture
commercial (TO), l’ouverture financière (FO), le prix de pétrole (OP), la puissance du dollar
américain (USDX) et la croissance économique (GDPG) sur les prix des matières premières.
Nous avons constaté qu’il existe un lien positif entre le ratio du commerce international TO et
les prix. En effet, les coefficients sont significatifs au seuil de 1% et varient entre 3.570 pour
l’avoine et 4 ,770 pour l’huile de soja. Ceci témoigne que plus l’ouverture commerciale
s’intensifie plus les prix des matières premières augmentent. Cette mesure a été utilisée par
Easterly et al (2000) et Aaron et al (2014) pour cerner les déterminants de la croissance
économique. En effet, ils considèrent que l’ouverture commerciale est un déterminant de la
volatilité économique parce que plus le pays est ouvert commercialement plus la croissance
économique s’élève. Dans cette étude, on a prouvé que cette variable a aussi un effet
significatif sur les prix des produits de base. Dans ce sens, la libéralisation des marchés,
l’absence d’un contrôle robuste sur les transactions initiées par les spéculateurs internationaux
et la concurrence entre les différents acteurs économiques sur le marché à terme des produits
agricoles entrainent la flambée des prix. Ceci a été prouvé par le Dodd-Frank-Act signé après
la crise financière de 2008. En effet, Scholes (2010) et Dimitrov et al (2015) confirment que
la spéculation est la principale cause de la crise mondiale de 2008. Ils responsabilisent les
spéculateurs quant à la flambée des prix des produits énergétiques et agricoles. Ils insistent
que ceci était causé par la suppression des barrières commerciales entre les pays ce qui a
affaibli le pouvoir de supervision de l’État. Cette convention a instauré des nouvelles lois
pour restreindre et mieux contrôler les positions des spéculateurs.
D’autre part, l’ouverture financière FO affecte négativement les prix des matières premières.
En effet, tous les coefficients sont significatifs au seuil de 1 % et les coefficients varient entre
-2.878 pour l’Huile de soja et -1,569 pour le riz brut. C'est-à-dire, plus le marché américain
est ouvert vers les placements et les investissements étrangers plus les prix prennent une
direction descendante. En effet, cette mesure utilisée par Bekaert et al (2005) et Asongu et al
(2017) en liaison avec le sujet de la croissance économique stipule que l’ouverture financière
stimule l’élimination des contraintes de financement et l’augmentation des investissements
étrangers aux États Unis. Dans cette étude, le signe négatif du coefficient de cette variable
prouve que lorsque le marché devient plus liquide, cela diminue le risque de contrepartie et
63
Chapitre III
offre plus de possibilité de couverture pour les hedgers. Ceci a donc un effet stabilisant sur les
prix.
Pour le prix du pétrole OP, tous les coefficients relatifs aux produits étudiés sont positifs et
significatifs aux seuils de 1% et 5%. Les coefficients sont respectivement 0.0634, 0.128 et
0.262 pour le blé, l’huile de soja et l’avoine. La seule exception est pour le riz brut qui
présente aussi un coefficient positif mais non significatif de 0.0312. En effet, plus le prix de
pétrole est élevé, plus les prix des principaux produits agricoles augmentent. Ceci est dû au
fait que le prix des produits chimiques utilisés dans les processus agricoles et les coûts de
transport sont corrélés avec le prix du baril du pétrole. En effet, le pétrole est l’un des intrants
des produits utilisés dans l’agriculture. Ce résultat est cohérent avec les résultats de Rosegrant
et al (2008) et Koitsiwe et Adachi (2018) qui ont étudié l’impact des prix de pétrole sur les
matières premières et ont trouvé un lien positif entre les deux variables dans les périodes de
crise économique. D’autre part, l’indice du dollar américain USDX présente des coefficients
positifs et significatifs de 0.305, 0.220 et 0.130 aux seuils de 1% pour le blé, le riz brut et 5%
pour l’huile de soja. En effet, le dollar américain est la devise de référence pour toutes les
transactions sur le marché à terme. Dans ce sens, plus la valeur du dollar est élevée par
rapport aux autres monnaies plus les prix des produits agricoles seront élevés. Nos résultats
corroborent les travaux d’Ulusoy et Onbirler (2017) et Koitsiwe et al (2018) qui ont confirmé
l’existence d’un lien positif entre ces deux grandeurs.
La seule exception est pour le marché de l’avoine qui présente un coefficient négatif de -
0.178. Ceci s’explique par le fait que le marché de l’avoine n’est pas très spéculatif et ne
bénéficie pas d’un grand intérêt des spéculateurs.
Pour le cas de la variable mesurant la croissance économique GDPG, les coefficients sont
positifs et significatifs aux seuils de 1% pour le blé, l’huile de soja et l’avoine avec des
coefficients respectifs de 0.222, 0.226 et 0.298 et un coefficient positif mais non significatif
de 0.0102 pour le riz brut. Du coup, une croissance économique plus prononcée déclenche
une flambée des prix des produits de base. Dans ce sens, cette variable mesure la valeur de
tous les biens et les services produits aux États Unis sur une année. Donc, plus ces produits
gagnent de la valeur plus leurs prix augmentent. Ce résultat est conforme à ceux de Kim et al
(2015).
64
Chapitre III
3.5.2 Analyse des résidus :

Pour vérifier l’adéquation du modèle utilisé, nous allons appliquer trois tests différents afin
d’analyser les résidus des différentes régressions MCO. Il s’agit du test d’autocorrélation
sérielle, du test d’hétéroscédasticité et du test de normalité.
3.5.2.1 Test d’autocorrélation sérielle :
Ce test permet de détecter la présence d'une autocorrélation dans les erreurs du modèle MCO.
En effet, lorsqu’il existe une autocorrélation cela confirme que les erreurs d’observations sont
corrélées. Dans ce sens, si les erreurs sont corrélées, la régression par la méthode des MCO
peut sous-estimer l'erreur type des coefficients. À cet effet, nous testons les deux
d’hypothèses suivantes :
H0 : Les résidus ne sont pas corrélés.
H1 : Les résidus sont corrélés.
 Le blé
Breusch-Godfrey Serial Correlation LM Test:
La statistique La valeur
F-statistic 7213.039
Obs*R-squared 926.965
Prob. F(2,981) 0.000
Prob. Chi-Square(2) 0.000
 Le riz brut
La statistique La valeur
Prob. F(2,981) 0.000
 L’huile de soja
Test Statistique
Prob. F(2,981) 0.000
65
Chapitre III
 L’avoine
Test Statistique
Prob. F(2,981) 0.000
Le test Breusch-Godfrey d’autocorrélation sérielle montre que les P-value des quatre matières
premières étudiées sont égales à 0 ce qui est inférieur à 5%. Donc, nous rejetons l’hypothèse
nulle d’absence d’autocorrélation sérielle entre les résidus. En effet, les erreurs d’observation
sont corrélées.
3.5.2.2 Test de normalité :
Le test de normalité affiche la différence entre la distribution observée et la loi normale.
Nous se basons sur le test de Jarque-Bera qui permet de savoir si la série est normalement
distribuée tel que :
H0 : Les résidus sont normalement distribués.
H1 : Les résidus ne sont pas normalement distribués.
Figure 1 : Test de normalité : Blé
Figure 2 : Test de normalité : Riz brut
66
Chapitre III
Figure 3 : Test de normalité : Huile de soja
Figure 4 : Test de normalité : Avoine
On remarque que les P-valeurs du blé, de l’huile de soja et de l’avoine sont inférieurs à 5%
donc on rejette l’hypothèse nulle. En effet, les résidus ne sont pas normalement distribués. Par
contre, pour le riz brut, la P-Valeur = 33.04% > 5% donc on accepte l’hypothèse H0 et les
résidus sont donc normalement distribués.
3.5.2.3 Test d’hétéroscédasticité :

Ce test est adopté dans le contexte de la régression linéaire pour détecter le cas où la variance
des erreurs du modèle n'est pas la même pour toutes les observations sélectionnées. En effet,
l’une des hypothèses centrales en modélisation est que les erreurs du modèle doivent être
identiquement distribuées. Dans ce sens, le fait que les résidus du modèle ne soient pas
homoscédastiques a pour conséquence que les coefficients du modèle estimés par la méthode
des MCO ne sont pas fiables. À cet effet, on présente les deux hypothèses suivantes :
H0 : Les résidus ne sont pas hétéroscédastiques.

H1 : Les résidus sont hétéroscédastiques.
67
Chapitre III
 Blé :
Heteroskedasticity Test: Breusch-Pagan-Godfrey
Test Statistique
F-statistic 40.206
Scaled explained SS 161.0376
Prob. F(6,983) 0.000
 Riz brut:
Test Statistique
F-statistic 106.977
Prob. F(6,983) 0.000
 Huile de soja:
Test Statistique
F-statistic 12.348
Prob. F(6,983) 0.000
 Avoine:
Test Statistique
F-statistic 26.0760
Prob. F(6,983) 0.000
68
Chapitre III
Le test Breusch-Pagan-Godfrey d’hétéroscédasticité pour les quatre matières premières

montre que les P-Value sont égales à 0 ce qui est inférieur au seuil de 5%. Sur la base de ces
résultats, on rejette l’hypothèse H0 et les résidus sont donc hétéroscédastiques.
En résumé, les différents tests d’analyse des résidus montrent que le modèle MCO n’est pas
approprié pour modéliser l’effet de la spéculation financière sur les prix des produits de base.
En effet, on ne peut pas confirmer nos hypothèses de recherche sur la base des résultats
trouvés. Pour cette raison, on utilise une autre méthode de régression afin de tester nos
hypothèses de départ qui est la méthode de la régression en quantile.
3.6. Effet de la spéculation financière sur les prix des matières premières :
approche de la régression en quantile
Les résultats d’estimations obtenus par la méthode d’estimation de la régression en quantile
relatifs à la relation entre la spéculation et les prix des 4 produits de base en question sont
rapportés dans les tableaux 8 à 15 suivants.
69
Chapitre III
Tableau 8 : Variation des prix et spéculation financière : Régression en quantile avec SPECALL (Blé)
Variable dépendante = COMMP

Variables (1) (2) (3) (4) (5) (6) (7) (8) (9)
indépendantes Q10 Q20 Q30 Q40 Q50 Q60 Q70 Q80 Q90
Constante -10.0926*** -7.309*** -4.113*** -3.0893* -1.442 1.100 2.496** 3.114*** 4.185***
(0.000) (0.000) (0.003) (0.089) (0.402) (0.371) (0.033) (0.000) (0.000)
*** *** *** *** *** *** *** **
SPECALL -0.813 -0.526 -0.526 -0.730 -0.697 -0.478 -0.416 -0.211 0.0334
(0.000) (0.004) (0.002) (0.000) (0.001) (0.002) (0.000) (0.010) (0.793)
*** *** *** *** *** *** *** ***
TO 1.971 2.706 3.543 4.055 4.692 5.227 5.216 4.992 4.640***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
FO -1.119*** -1.748*** -2.067*** -2.245*** -2.499*** -2.769*** -2.637*** -2.382*** -2.264***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
* ** ***
OP -0.0435 -0.00401 0.0193 0.0626 0.0683 0.0812 0.0955 0.1061 0.164***
(0.145) (0.878) (0.630) (0.091) (0.209) (0.160) (0.030) (0.004) (0.000)
GDPG 0.848*** 0.675*** 0.473*** 0.417*** 0.334** 0.1482 0.0471 0.00374 -0.0979
(0.000) (0.000) (0.000) (0.001) (0.019) (0.169) (0.624) (0.950) (0.129)
*** *** *** ** ** ***
USDX 0.959 0.622 0.461 0.391 0.203 0.179 0.186 0.175 0.188
(0.000) (0.000) (0.001) (0.018) (0.246) (0.227) (0.033) (0.004) (0.027)
.
N 990 990 990 990 990 990 990 990 990

Pseudo-R² 0.4026 0.4615 0.5144 0.5582 0.5818 0.5947 0.6248 0.6636 0.6705
Note : (*) p <0.10, (**) p < 0.05, (***) p <0.01. Les valeurs entre parenthèses représentent les statistiques de Student.
Source : auteur
70
Chapitre III
Tableau 9 : Variation des prix et spéculation financière : Régression en quantile avec SPECALL (Riz brut)

Variables (1) (2) (3) (4) (5) (6) (7) (8) (9)
Constante -4.383*** -5.217*** -3.884*** -2.958*** -2.908** -0.770 -1.286*** -0.156 2.473
(0.004) (0.000) (0.000) (0.001) (0.027) (0.434) (0.004) (0.868 ) (0.121)
** *** *** *** *** *** ***
SPECALL -0.0711 -0.0984 -0.132 -0.1808 -0.298 -0.449 -0.500 -0.0579 -0.660***
(0.330) (0.017) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
*** *** *** *** *** *** *** ***
TO 2.120 1.713 2.154 3.049 3.731 4.817 4.574 4.007 3.123***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
FO 0.491** 0.776*** 0.527 -0.568 -1.414*** -2.489*** -2.849*** -2.491*** -1.686***
(0.016) (0.000) (0.108) (0.113) (0.003) (0.000) (0.000) (0.000) (0.000)
*** *** *** ** **
OP 0.1730 0.182 0.113 0.0580 0.0282 -0.0797 0.00538 0.0754 0.146***
(0.000) (0.000) (0.008) (0.339) (0.716) (0.049) (0.885) (0.049) (0.002)
GDPG 0.446*** 0.498*** 0.423*** 0.363*** 0.364*** 0.217*** 0.218*** 0.115* -0.0793**
(0.000) (0.000) (0.000) (0.000) (0.000) (0.001) (0.000) (0.056) (0.428)
*** *** *** ***
USDX 0.375 0.446 0.377 0.207 0.0884 0.0162 -0.00545 0.0448 0.0345
(0.003) (0.000) (0.000) (0.001) (0.312) (0.878) (0.952) (0.669) (0.888)
.
N 990 990 990 990 990 990 990 990 990
Pseudo-R² 0.6464 0.6108 0.5764 0.5423 0.5066 0.4913 0.4743 0.4303 0.3829
Source : auteur
71
Chapitre III
Tableau 10 : Variation des prix et spéculation financière : Régression en quantile avec SPECALL (Huile de soja)

Variables (1) (2) (3) (4) (5) (6) (7) (8) (9)
*** *** *** **
Constante -6.284 -8.682 -6.0219 -3.949 -0.683 -2.142 -1.255 1.856 5.269***
(0.000) (0.000) (0.001) (0.109) (0.717) (0.031) (0.270) (0.213) (0.000)
*** *** *** *** *** *** *** ***
SPECALL -0.829 -1.0177 -1.117 -1.0562 -1.118 -1.046 -0.961 -0.802 -0.386**
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.048)
TO 2.873*** 2.740*** 4.237*** 4.582*** 6.239*** 5.978*** 5.471*** 4.063*** 2.755***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
*** *** *** *** *** *** *** ***
FO -1.864 -1.815 -2.618 -2.939 -3.913 -3.717 -3.211 -1.953 -0.871***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
OP 0.229*** 0.236*** 0.164*** 0.195*** 0.0571 0.0221 0.0463 0.127*** 0.192***
(0.000) (0.000) (0.000) (0.000) (0.267) (0.335) (0.116) (0.000) (0.000)
GDPG 0.519*** 0.703*** 0.569*** 0.407** 0.221 0.341*** 0.279*** 0.0315 -0.2172**
(0.000) (0.000) (0.000) (0.015) (0.100) (0.000) (0.001) (0.786) (0.012)
*** *** **
USDX 0.426 0.419 0.173 0.153 -0.0177 -0.0456 -0.0522 0.0296 -0.0828
(0/000) (0.000) (0.073) (0.208) (0.843) (0.434) (0.541) (0.754) (0.442)
.
N 990 990 990 990 990 990 990 990 990

Pseudo-R² 0.5796 0.5834 0.5695 0.5621 0.5559 0.5544 0.5502 0.5482 0.5289
Source :auteur
72
Chapitre III
Tableau 11 : Variation des prix et spéculation financière : Régression en quantile avec SPECALL (Avoine)

Variables (1) (2) (3) (4) (5) (6) (7) (8) (9)
* ** ** ** *
Constante -2.430 -3.197 -2.671 -1.876 -2.115 -1.157 -0.828 -2.265 -2.135**
(0.051) (0.010) (0.029) (0.032) (0.080) (0.452) (0.608) (0.126) (0.021)
SPECALL -0.135** -0.0994* -0.0390 -0.0486 -0.190** -0.209* -0.222* -0.338*** -0.404***
(0.033) (0.094) (0.595) (0.388) (0.023) (0.026) (0.016) (0.000) (0.000)
*** *** *** *** *** *** *** ***
TO 3.0072 2.833 3.069 3.237 3.386 3.823 3.428 2.933 3.382***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
*** *** *** *** *** *** ***
FO -2.144 -2.091 -2.205 -2.233 -2.216 -2.221 -1.999 -2.411 -2.890***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
OP 0.277*** 0.284*** 0.271*** 0.276*** 0.263*** 0.210*** 0.269*** 0.383*** 0.384***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
** *** *** *** *** *** *** ***
GDPG 0.241 0.314 0.310 0.285 0.335 0.314 0.292 0.367 0.376***
(0.011) (0.000) (0.000) (0.000) (0.000) (0.007) (0.016) (0.001) (0.000)
*** *** * * *** ***
USDX 0.579 0.457 0.255 0.0628 -0.0669 -0.231 -0.312 -0.461 -0.625***
(0.000) (0.000) (0.039) (0.522) (0.446) (0.058) (0.001) (0.000) (0.000)
.
N 990 990 990 990 990 990 990 990 990

Pseudo-R² 0.6035 0.6180 0.6121 0.6038 0.5922 0.5798 0.5652 0.5448 0.5114
Note : (*) p <0.10, (**) p < 0.05, (***) p <0.01. Les valeurs entre parenthèses représentent les statistiques de Student. .
Source : auteur
73
Chapitre III
Tableau 12 : Variation des prix et spéculation financière : Régression en quantile avec SPECALL² (Blé)

Variables (1) (2) (3) (4) (5) (6) (7) (8) (9)
Constante -7.771*** -2.509 -.0561 1.0551 .0224 1.033 1.659** 3.336*** 4.569***
(0.000) (0.216) (0.970) (0.397) (0.986) (0.170) (0.011 ) (0.000) (0.000 )
*** *** *** *** *** *** *** ***
SPECALL -2.268 -3.458 -4.262 -4.169 -4.247 -3.996 -3.932 -3.153 -1.683***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.003)
** *** *** *** *** *** *** ***
SPECALL² 0.335 0.666 0.828 0.819 0.819 0.762 0.741 0.621 0.368***
(0.013) (0.001) ( 0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
TO 2.304*** 3.453*** 3.767*** 4.0329*** 3.876*** 4.603*** 4.999*** 4.832*** 4.665***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
*** *** *** *** *** *** *** ***
FO -1.141 -1.806 -2.073 -2.151 -2.151 -2.347 -2.458 -2.321 -2.288***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
OP -0.0671** -0.0783 0.0328 0.0673 0.0993* 0.0527 0.0408*** 0.0906*** 0.146***
(0.035) (0.002) (0.500) (0.115) (0.051) (0.217) (0.228) (0.004) (0.000)
*** *** ** *** *** ***
GDPG 0.734 0.469 0.252 -0.187 0.267 0.253 0.239 0.0859 -0.0628
(0.000) (0.000) ( 0.009) (0.030) (0.002) (0.000) (0.000) (0.121) (0.286)
*** *** *** *** *** *** *** ***
USDX 1.0426 0.600 0.907 0.797 0.726 0.429 0.277 0.248 0.210***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.009)
N 990 990 990 990 990 990 990 990 990
Pseudo-R² 0.4142 0.4793 0.5344 0.5867 0.6091 0.6198 0.6445 0.6756 0.6774
Source : auteur
74
Chapitre III
Tableau 13 : Variation des prix et spéculation financière : Régression en quantile avec SPECALL² (Riz brut)

Variables (1) (2) (3) (4) (5) (6) (7) (8) (9)
Constante -2.467 -2.839** -0.0291 0.647 1.977** 2.238*** 1.504** 2.305** 3.425***
(0.115) (0.027) (0.980) (0.430) (0.010) (0.005) (0.016) (0.010) (0.000)
*** *** *** *** *** *** *** ***
SPECALL -1.0766 -1.596 -1.827 -2.023 -2.177 -2.0997 -1.834 -1.732 -1.744***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
*** *** *** *** *** *** *** ***
SPECALL² 0.479 0.735 0.883 0.947 1.009 0.918 0.731 0.622 0.559***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
TO 2.349*** 2.224*** 2.484*** 3.030*** 3.674*** 4.747*** 4.699*** 4.687*** 3.249***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
* * * *** *** ***
FO 0.373 -0.505 0.215 -0.247 -0.872 -2.278 -2.855 -2.852 -1.695***
(0.079) (0.072) (0.382) (0.477) (0.083) (0.000) (0.000) (0.000) (0.000)
OP 0.128** 0.0552 0.0222 -0.0350 -0.0776* -0.102*** -0.0383 0.00508 0.136***
(0.019) (0.250) (0.687) (0.458) (0.091) (0.005) (0.441) * (0.910) (0.000)
*** *** *** *** *
GDPG 0.355 0.396 0.196 -0 .168 0.0827 0.0693 0.0717 -0.00179 -0.118***
(0.004) (0.000) (0.011) (0.001) (0.086) (0.131) (0.059) ** (0.978) (0.007)
* *** *** *** ***
USDX 0.343 0.500 0.488 0.416 0.338 0.0533 0.0337 0.0397 0.169
(0.068) (0.000) (0.000) (0.000) (0.000) (0.437) (0.732) (0.762) (0.333)
N 990 990 990 990 990 990 990 990 990
Pseudo-R² 0.6586 0.6267 0.6030 0.5754 0.5374 0.5163 0.4912 0.4481 0.4061
75
Chapitre III
Tableau 14 : Variation des prix et spéculation financière : Régression en quantile avec SPECALL² (Huile de soja)

Variables (1) (2) (3) (4) (5) (6) (7) (8) (9)
Constante -4.491* -4.384** -4.238*** -2.418* -0.482 0.734 1.466 3.449*** 5.601***
(0.067) (0.011) (0.000) (0.078) (0.611) (0.385 ) (0.130) (0.000) (0.000)
*** *** *** *** *** *** *** ***
SPECALL -3.644 -4.084 -4.682 -4.964 -5.171 -5.452 -5.067 -5.0027 -4.036***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
*** *** *** *** *** *** *** ***
SPECALL² 0.530 0.631 0.742 0.814 0.858 0.925 0.842 0.851 0.704***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
TO 3.571*** 3.754*** 3.758*** 4.221*** 5.299*** 5.195*** 4.757*** 3.539*** 2.319**
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.032)
*** *** *** *** *** *** *** ***
FO -2.192 -2.272 -2.389 -2.628 -3.263 -3.174 -2.743 -1.692 -0.735***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
OP 0.185*** 0.188*** 0.213*** 0.169*** 0.0828 0.0865** 0.109*** 0.173*** 0.257***
(0.000) (0.000) (0.000) (0.004) (0.104) (0.025) (0.003) (0.000) (0.000)
*** *** *** *** *** *** *
GDPG -0.468 0.494 0.477 -0.376 0.296 0.210 0.146 -0.0156 -0.207***
(0.002) (0.000) (0.000) (0.000) (0.000) (0.000) (0.054) (0.777) (0.005)
*** *** *** *** *** *** *** ***
USDX 0.637 0.562 0.692 0.614 0.369 0.408 0.396 0.485 0.429**
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.005) (0.000) (0.013)
N 990 990 990 990 990 990 990 990 990
Pseudo-R² 0.5989 0.6078 0.6022 0.5965 0.5910 0.5831 0.5756 0.5725 0.5478
Source : auteur
76
Chapitre III
Tableau 15 : Variation des prix et spéculation financière : Régression en quantile avec SPECALL² (Avoine)

Variables (1) (2) (3) (4) (5) (6) (7) (8) (9)
Constante -2.721** -3.0808** -2.496*** -2.306** -2.354*** -1.866 -1.135 -1.753 -2.0032**
(0.012) (0.013) (0.009) (0.019) (0.003) (0.278 ) (0.406) (0.186 ) (0.014)
** ** ** *** ***
SPECALL -0.292 -0.534 -0.840 -0.502 -0.738 -1.0436 -1.086 -0.783 -0.444
(0.547) (0.176) (0.029) (0.146) (0.017) (0.010) (0.002) (0.003) (0.229)
** * ** **
SPECALL² 0.0529 0.167 0.324 0.189 0.247 0.359 0.4001 0.218 0.0255
(0.781) (0.269) (0.035) (0.177) (0.067) (0.043) (0.015) (0.111) (0.886)
TO 3.014*** 2.839*** 3.159*** 3.151*** 3.264*** 3.442*** 3.188*** 3.226*** 3.403***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
*** *** *** *** *** *** *** ***
FO -2.127 -2.040 -2.255 -2.231 -2.0957 -1.976 -1.877 -2.421 -2.897***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
OP 0.262*** 0.276*** 0.257*** 0.272*** 0.243*** 0.196*** 0.244*** 0.319*** 0.378***
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
*** *** *** *** *** *** *** ***
GDPG 0.272 0.330 0.344 - 0.329 0.371 0.391 0.339 0.369 0.369***
(0.001) (0.000) (0.000) (0.000) (0.000) (0.002) (0.001) (0.000) (0.000)
*** *** *** ** ***
USDX 0.575 0.421 0.155 0.0779 -0.0114 -0.167 -0.236 -0.472 -0.626***
(0.000) (0.000) (0.000) (0.475) (0.916) (0.155) (0.033) (0.000) (0.000)
N 990 990 990 990 990 990 990 990 990
Pseudo-R² 0.6035 0.6188 0.6149 0.6047 0.5934 0.5818 0.5683 0.5462 0.5114
Source : auteur
77
Chapitre III
Pour les deux régimes de distribution34 de la variable dépendante COMMP, les coefficients
qui mesurent l’impact de la spéculation financière SPECALL sur les prix des produits de
base sont tous négatifs et significatifs pour tous les produits étudiés aux seuils de 1%, 5% et
10% et pour chaque quantile sélectionné (voir les tableaux de 8 à 11). En effet, les
coefficients varient de -1.117 pour l’huile de soja à -0.0390 pour l’avoine à travers les
quantiles. Dans ce sens, nos résultats prouvent qu’un niveau élevé de spéculation est associé à
une diminution des prix des quatre matières premières étudiées. En d’autres termes, plus les
spéculateurs prennent des positions sur les contrats à terme des produits de base, plus les prix
des produits de base agricoles prennent une direction descendante. Les seules exceptions sont
au niveau du quantile Q9 pour le blé où le résultat est non significatif. En effet, lorsque le
marché du blé est très haussier (la queue droite de la distribution), la spéculation n’a plus
aucun effet sur les prix du blé. Ainsi, lorsque les prix du blé deviennent extrêmes, la
spéculation perd son pouvoir apaisant sur les prix. Concernant le riz brut, lorsque son marché
est baissier (la queue gauche de la distribution), au niveau du quantile Q1, la relation est non
significative. La spéculation n’a également aucun effet sur les prix de l’avoine lorsque le
régime de la distribution est baissier pour les quantiles Q3 et Q4. Nos résultats soutiennent les
travaux de Dimpfl et al (2017) d’Etienne et al (2018) et Ludwig (2018). Ceci nous permet de
confirmer notre première hypothèse de recherche H1.
En deuxième lieu, et comme nous avons fait avec la méthode des MCO, nous avons introduit
le carré de la variable mesurant la spéculation financière, à savoir, SPECALL² (voir les
tableaux de 12 à 15). Et nous vérifions si le coefficient est statistiquement significatif et s’il
change de signe par rapport au coefficient de la variable dans sa forme linéaire.
Les résultats montrent que le signe des coefficients de la variable SPECALL reste négatif et
significatif. En effet, les coefficients varient entre -5.452 pour l’huile de soja et -0.783 pour
l’avoine pour tous les quantiles sélectionnés conditionnellement aux deux régimes de
distribution de la variable dépendante COMMP. Ceci confirme la relation négative entre la
spéculation et la direction des prix. La seule exception s’affiche chez l’avoine où les quantiles
Q1, Q3 et Q9 affichent des coefficients négatifs mais non significatifs. En effet, lorsque le
marché de l’avoine est régit par des mouvements extrêmes, très haussier ou très baissiers, les
actions des spéculateurs ne sont pas significatives sur les prix de cette matière.
34
Le régime de distribution d’une variable dépendante modélisée à travers la méthode de la régression en
quantile se divise en deux : régime baissier (q1, q2, q3, q4) et régime haussier (q6, q7, q8, q9). Le quantile q5
représente la valeur médiane délivrée par l’estimation MCO.
78
Chapitre III
Lors de l’ajout du terme quadratique de la spéculation financière, nos résultats concernant la

variable SPECALL² affichent des coefficients positifs et significatifs aux seuils respectifs de
1%, 5% et 10% pour les quatre matières premières étudiées conditionnellement aux neufs
quantiles sélectionnés. Ceci est valable pour les différentes parties de la distribution et pour
les deux régimes. Dans ce sens, les coefficients de cette variable sont compris entre 0.247
pour l’avoine et 1.009 pour le riz brut. Les seules exceptions sont pour les quantiles Q1 Q2 Q4
Q8 et Q9 pour l’avoine où les coefficients sont positifs mais non significatifs. Autrement dit,
l’effet demeure non significatif quel que soit le régime de distribution pris en considération
pour le prix de l’avoine.
En effet, cela s’explique par le fait que le marché de l’avoine n’est pas un marché très
spéculatif. C’est-à-dire, il ne connait pas une forte présence des spéculateurs (Andreasson et al
(2015)). Ceci explique l’effet non significatif ou minime des actions des spéculateurs sur les
contrats à terme qui lui sont associés.
À cet effet, cela suggère qu’un niveau élevé des investissements à terme des spéculateurs est
associé à un niveau excessif et trop élevé des prix des matières premières. Ceci affirme
l’existence d’un seuil dans la relation entre la spéculation et les prix et confirme la présence
d’une relation non linéaire entre les deux variables (E-Boyd et al (2018), Ludwig (2018)). En
d’autres termes, un niveau élevé de spéculation, mesurée par la somme des positions longues
et courtes des spéculateurs divisés par l’intérêt ouvert, est associé à une diminution
considérable des prix mais seulement jusqu’un certain niveau optimal. En effet, à partir de ce
seuil, le sens de la relation s’inverse et la spéculation déclenche une flambée des prix. La
relation devient ainsi positive. Ces résultats confirment notre deuxième hypothèse de
recherche H2.
Pour les variables de contrôle, on remarque que l’ouverture commerciale TO garde un signe
positif et significatif au seuil de 1% pour les quatre matières premières étudiées. Ceci est
valable pour les neuf quantiles pris en compte pour le régime baissier et haussier de la
distribution. À travers les quantiles, les coefficients varient entre 2.224 pour le riz brut et
5.299 pour l’huile de soja. En effet, plus le pays adopte une politique qui encourage la
libéralisation des marchés et l’élimination des contraintes commerciales entre les acteurs du
marché, plus les prix des produits agricoles ont tendance à augmenter. Ceci peut être expliqué
par l’affaiblissement des procédures de contrôle sur les transactions effectuées par les
spéculateurs qui veulent bénéficier des variations des prix ce qui déstabilise le marché.
79
Chapitre III
D’autre part, l’indice de l’ouverture financière FO garde un signe négatif et significatif pour
toutes les matières étudiées aux seuils de 1% et 10% pour les neuf quantiles
conditionnellement aux deux régimes. Les seules exceptions sont au niveau du troisième et du
quatrième quantile pour le riz brut où les coefficients sont positifs mais non significatifs. En
effet, lorsque le marché du riz brut est baissier, c'est-à-dire lorsque le prix du riz brut est déjà
moyennement faible, l’ouverture financière perd son pouvoir sur les prix.
Pour les quantiles où les résultats sont significatifs, nous pouvons expliquer le signe de la
relation par le fait que l’augmentation du FO, se matérialise par l’augmentation des
placements étrangers aux États-Unis via les investissements directs étrangers. Ceci augmente
la liquidité des quatre marchés des produits de bases étudiés et diminue le risque de
contrepartie et ce quel que soit le régime de la distribution des prix. Ainsi, les besoins des
hedgers et des spéculateurs sont satisfaits et les prix sont stables.
Concernant les prix du pétrole OP, on remarque que la plupart des quantiles affichent des
coefficients positifs et significatifs au seuil de 1% et 5%. Ces coefficients sont compris entre
0.0408 pour le blé et 0.378 pour l’huile de soja pour les deux extrémités de la queue de la
distribution de la variable dépendante couvrant les 9 quantiles étudiés.
Cependant, les résultats ne restent pas homogènes pour toute la distribution de la variable
COMMP conditionnellement aux deux régimes. En effet, le quantile Q5 de l’huile de soja,
Q3, Q4 et Q6 du le blé et Q2, Q3, Q4, Q7, Q8 du riz brut affichent des coefficients positifs mais
non significatifs. Ceci signifie que pour le riz brut, l’effet du prix de pétrole est généralement
non significatif quel que soit la partie de la distribution prise en considération et quel que soit
l’état du marché (baissier ou haussier). En outre, pour l’huile de soja et pour le blé, lorsque les
prix gardent une distribution moyenne, le prix de pétrole est sans effet sur leurs prix
Autrement dit, l’impact du prix du pétrole se limite à des périodes spécifiques liées à des
périodes de crise du marché mondiale causant la flambée des prix. Comme dans le cas de la
crise mondiale de 2007-2009 (Koitsiwe et Adachi (2018)). Dans ce sens, l’effet demeure non
significatif durant les périodes normales où il y a une stabilité des prix du pétrole. Ceci
explique l’effet non significatif pour les quantiles précités. Dans ce contexte, les résultats non
significatifs pour cette variable correspondent à des périodes de stabilité. Alors que, les
quantiles affichant des résultats positifs et significatifs correspondent à des périodes de crise
sur le marché des produits énergétiques. Dans ce sens, les liens entre le marché du pétrole et
le marché des produits de base s’intensifient.
80
Chapitre III
Pour l’indice du dollar américain USDX, pour les deux régimes de distribution, les résultats
affichent des coefficients positifs et significatifs au seuil de 1% pour la plupart des quantiles
des quatre matières. Les coefficients sont compris entre 0.155 pour l’avoine et 1.0426 pour le
blé. Les exceptions sont les quantiles Q6 Q7 Q8 et Q9 du riz brut et du quantile et Q4 de
l’avoine où les résultats sont positifs mais non significatifs. En effet, cela signifie que lorsque
le régime est haussier, se matérialisant par des prix élevé du riz brut, l’influence de l’indice du
dollar américain est minime et négligeable sur la direction des prix.
Concernant les quantiles où les résultats sont significatifs, l’appréciation du dollar américain
favorise l’augmentation des prix des produits négociés en dollar. Néanmoins, ceci ne reste pas
homogène pour tous les quantiles sélectionnés. En effet, pour la queue droite de la distribution
des prix de l’avoine, les quantiles Q7 Q8 et Q9 affichent des coefficients négatifs dévoilant que
l’appréciation du dollar américain est accompagnée d’une diminution du prix de l’avoine.
Ceci confirme que l’avoine n’est pas très négociée sur le marché à terme Américain puisqu’il
prend la direction inverse de l’évolution du dollar.
Quant à l’indice GDPG mesurant la croissance du PIB, la majorité des quantiles confirment
la relation positive qui existe entre le volume du PIB par habitant et les prix des produits
étudiés. Dans ce sens, les coefficients varient entre 0.146 pour l’huile de Soja et 0.734 pour le
blé pour les différentes parties de la distribution des prix. Ceci est aussi conforme au résultat
trouvé par la méthode des MCO.
Sur la base de ces résultats, il est évident de dire que la technique d’estimation utilisée au
début, la méthode MCO, ne donne pas une image complète de la relation entre la spéculation
financière et les prix. En effet, la technique d’estimation MCO pourrait masquer la complexité
de cette relation et peut ne pas être appropriée pour cette analyse. En fait, la technique de la
régression en quantile nous a permis de bien détailler la nature de la relation entre les
différentes variables suivant les deux régimes de volatilité des prix, d’affiner les résultats
trouvés au début de l’analyse et de valider les hypothèses proposées.
Conclusion
Sur la base de ces résultats, nous pouvons affirmer que la spéculation financière joue un rôle
crucial dans la réduction des prix des matières premières étudiées, d’une manière
significative, via les régressions effectuées à travers la méthode des quantiles. Cependant, en
introduisant le terme quadratique de la spéculation financière (SPECALL²) dans nos
81
Chapitre III
régressions, nous avons trouvé que la spéculation a tendance à calmer significativement les
prix des produits de base mais seulement à un certain niveau.
82
Conclusion générale
La forte flambée des prix qu’a connue le marché des matières premières principalement
durant la récente crise financière 2007-2009 a suscité, de nouveau, le débat sur les aspects
néfastes voire dangereux de la spéculation financière.
Notre travail de recherche s’est alors concentré à étudier la nature de la relation qui existe
entre la spéculation financière et les prix des matières premières sur le marché Américain
pour la période s’étalant de 1998 à 2016. La première technique d’estimation que nous avons
adoptée est la méthode du moindre carré ordinaire (MCO) à l’instar d’Ulusoy et Onbirler
(2017). Nous avons adopté ainsi une approche innovante à savoir la « régression en quantile
». D’après notre exploration empirique, cette approche n’a pas été utilisée avant pour cerner
l’effet de la spéculation sur les prix des principaux produits de base.
Malgré que le concept de la spéculation soit ancien, les chercheurs se confrontent jusqu’à ce
jour quant à son impact réel. Certains auteurs confirment que l’investissement dans les
contrats à terme sur produits de base contribue à augmenter leurs prix. Une autre partie de la
communauté scientifique prouve que les actions des spéculateurs tendent à réduire le niveau
des prix et offrent de la liquidité pour tous les acteurs intervenant sur le marché à terme.
À partir de ces constations, nous avons pu montrer à travers l’analyse empirique par la
méthode des quantiles qu’il existe une corrélation négative entre l’investissement dans les
contrats à terme (spéculation) et les prix des produits de base, mais seulement jusqu’à un
certain seuil au-delà duquel l’effet s’inverse et devient positif. Dans ce sens, nous avons
montré qu’il existe une non linéarité dans la relation entre la spéculation et les prix
conditionnel aux différents quantiles. Ceci peut affirmer le rôle joué par les spéculateurs dans
la réduction des prix et la couverture des risques des hedgers.
Ces résultats sont compatibles avec les prédictions théoriques d’E-Boyd et al (2018) et
Ludwig (2018) qui ont insisté sur l’existence d’un seuil de spéculation au-delà duquel les
actions des spéculateurs contribuent à la flambée des prix et à la consommation de la liquidité
du marché. Dans ce contexte, ce travail vient de confirmer leurs prédictions empiriquement.
Nous avons prouvé aussi que les variables d’ouverture commerciale et d’ouverture financière
utilisées par (Tiryaki (2003), Tharavanij (2007) Dabla et al (2013) et Alatrash et al (2014))
dans le cadre de la volatilité économique ont un effet significatif sur les prix et qu’ils sont liés
83
directement au sujet de la spéculation. En effet, leurs introduction dans le modèle testé

empiriquement a été inspiré à partir du Dodd-Frank –Act signé en 2010, qui a limité les
actions des spéculateurs en imposant plus de restrictions sur le commerce. Nos résultats ont
confirmé les dispositions de cette loi. En effet, d’une part, nous avons trouvé une relation
positive entre l’ouverture commerciale et les prix. Et d’autre part, les résultats affichent une
relation négative entre l’ouverture financière et les prix. L’introduction de ces deux variables
est une première dans le sujet de la spéculation et les résultats prouvent leur importance dans
le processus de formation des prix.
En résumé, nous trouvons que la spéculation financière contribue à alléger les prix des quatre
produits de base agricoles étudiés, mais seulement jusqu’à un certain niveau. Cependant, avec
des niveaux plus élevés, nous trouvons que la spéculation commence à avoir un effet positif et
statistiquement significatif sur les prix. Pour cette raison, cette enquête est dédiée, en premier
lieu, à tous les investisseurs opérant sur les marchés des produits de première nécessité. Ces
acteurs sont appelés à faire l’équilibre entre leurs opérations sur le marché à terme pour
minimiser le risque d’augmentation des prix et satisfaire leur besoin de liquidité. Ceci ne peut
se faire que s’ils effectuent un bon dosage entre leurs positions sur les contrats à terme. Sinon,
les conséquences d’une mauvaise gestion des opérations à terme pourront être dramatiques
pour les États Unis ainsi que pour les pays en voie de développement. En effet, les marchés
boursiers américains vont faire face à des crises de capital et de quantité si les prix
augmentent de manière spectaculaire. Le spectre de la crise va ensuite se propager, via les
canaux du commerce international, vers les autres pays émergents. Ces nations ont toujours
une fonction de consommation croissante et ont des structures financières non sophistiquées
pour faire face à ce genre de risque. Ainsi, les problèmes de famine et de malnutrition
surviendront suite à la contagion.
Notre mémoire ne spécifie pas le niveau précis de ce seuil au-delà duquel l’effet de la
spéculation devient néfaste sur le niveau des prix des produits de base. Nous ouvrons ainsi
une voie pour de fécondes recherches futures sur le sujet de la spéculation. L’objectif est de
déterminer à partir de quel niveau la spéculation financière peut déclencher une flambée des
prix sur les différents marchés des produits de base. À partir de cette limite, nous allons
essayer d’apporter des réponses pertinentes aux différents acteurs prenant des positions dans
le marché à terme des produits base et craignant la volatilité des prix. Surtout que nous avons
démontré que la spéculation financière représente un déterminant principal des prix de ces
produits à côté des autres variables macroéconomiques.
84
Bibliographie
Bibliographie du mémoire
Aaron, T., Frank, W., Lorenza, M., (2014), “The Positive Link Between Financial
Liberalization, Growth, and Crises”, CESIFO WORKING PAPER NO. 1164.
Adams, Z., Gluck, T., (2015), ‘’Financialization in commodity markets: A passing trend or
the new normal? ‘’ Journal of banking and finance, vol 60, Pp. 93-111.
Aït-Youcef, C., (2018), “How index investment impacts commodities: A story about the
financialization of agricultural commodities”, Economic Modelling, Vol 21 pp. 1–11.
Alatrash, Y., Leff, D., Minten, T., Soupre, M., Van Schoot, D., (2014), “Financial
Development and Macroeconomic Volatility”, RESEARCH PROJECT.
Amihud, Y., (2002), “Illiquidity and stock returns: cross-section and time-series effects”,
Journal of financial markets, Volume 5, Issue 1, Pp. 31-56.
Andreasson, P., Bekiros, S., Nguyen, D., Salah, G., (2015), “Impact of speculation and
economic uncertainty on commodity markets”, International Review of Financial Analysis,
Vol 43 , Pp. 115-127.
Asongu, S., BatuoEnowbi, M., Mlambo, K., (2017), “Linkages between financial
development, financial instability, financial liberalisation and economic growth in Africa”,
Research in International Business and Finance.
Barton, S.L., Hill, N.C., Sundaram, S., (1989), “An Empirical Test of Stakeholder Theory
Predictions of Capital Structure”, Financial Management, Vol. 18, No. 1, pp. 36-44.
Bekaert, G., Harvey, C.R., Lundblad, C., (2005), ‘’ Does financial liberalization spur
growth’’, Journal of Financial economics, Vol .77,Issue 1, Pp. 3-55.
Bohl, M.T., Sulewsky, C., (2019), “The impact of long-short speculators on the volatility of
agricultural commodity futures prices”, Journal of Commodity Markets.
Boyd, N.E., Harris, J.H., Li, B., (2018), “An update on speculation and financialization in
commodity markets”, Journal of Commodity Markets, Vol, 10 Pp. 91-104.
85
Bibliographie
Brennan, M.J., (1958), “The Supply of Storage”, The American economic association, Vol.
48, No. 1, pp. 50-72.
Büyükşahin, B., Harris. J.H., (2011), “Do Speculators Drive Crude Oil Futures Prices ?” ,
The Energy Journal, Vol. 32, No. 2, pp. 167-202.
Büyüksahin, B., Robe, M., (2014), “Speculators, commodities and cross-market linkages”,
Journal of International Money and Finance, Volume 42, pp. 38-70.
Carter, C.A., Rausser, G.C., Schmitz, A., (1983), “Efficient Asset Portfolios and the
Theory of Normal Backwardation”, Journal of political economy, Vol 9.
Chang, E., (1985), “Returns to Speculators and the Theory of Normal Backwardation”, The
journal of finance, Vol 40 Issue 1, pp. 193-208.
Conyon, M.J., He, L., (2017), ‘’Firm performance and boardroom gender diversity: A
quantile regression approach’’, Journal of Business Research, Vol.79, Pp. 198-211.
Cootner, P.H., (1960), “Returns to Speculators: Telser versus Keynes”, Journal of political
economy, Vol 6 number 4.
Dabla-Norris, E., Srivisal, N., (2013), “Revisiting the Link Between Finance and
Macroeconomic Volatility”, IMF Working Paper No. 13/29.
Dimpfl, T., Jung, M., Flad, R., (2017), “Price discovery in agricultural commodity markets
in the presence of futures speculation”, Journal of Commodity Markets Volume 5, pp. 50-62.
Domanski, D., Heath, H., (2007), “Financial Investors and Commodity Markets”, Reserve
Bank of Australia - Economic Research.
Dow, J.C.R., (1940), ‘’A Theoretical Account of futures markets” , The Review of Economic
Studies , Vol 7 , Issue 3 , 1, pp. 185-195.
Dusak, K., (1973), “Futures Trading and Investor Returns: An Investigation of Commodity
Market Risk Premiums”, Journal of political economy, Vol 81, number 6.
Easterly, W., Kraay, A., (2000), “Small States, Small Problems? Income, Growth, and
Volatility in Small States”, World development, Vol 28, Issue 11, pp. 2013-2027.
86
Bibliographie
Fama, E.F., French, K.R., (1987), “Commodity Futures Prices: Some Evidence on Forecast
Power, Premiums, and the Theory of Storage”, The Journal of Business, Vol. 60, No. 1, pp.
55-73.
Fattouh, B., Kilian, L., Mahadeva, L., (2013), “The Role of Speculation in Oil Markets:
What Have We Learned So Far?”, The energy journal, Vol 34 pp. 7-33.
Fishe, R.P.H., Smith, A., (2018), “Do Speculators Drive Commodity Prices Away From
Supply and Demand Fundamentals?”, Working paper.
Friedman, M., (1953), “Essays in positive economics”, American Economic Review.
Furceri, D., Loungani, P., (2015), “Capital Account Liberalization and Inequality”,
International Monetary Fund IMF Working Paper, pp.15/243.
Gelano, P., Wied, D., (2014), “Multiple break detection in the correlation structure of
random variables” , Computational Statistics Data Analysis, Vol 76, Pp. 262-282.
Gilbert, C.L., Pfuderer, S., (2012), “Index Funds Do Impact Agricultural Prices”, Money
macro and finance study group workshop.
Granger, C.W.J., (1969), “Investigating Causal Relations by Econometric Models and

Cross-spectral Methods”, Econometrica, Vol. 37, No. 3, pp. 424-438.
Hansen, B.E., Phillips , P.C.B., (1990), “Estimation and inference in models of

cointegration: A simulation study”, Advances in Econometrics, Vol.8, Pp. 225-248.
Hansen, L.P., (1982), “Large Sample Properties of Generalized Method of Moments

Estimators”, Econometric, Vol. 50, No. 4, pp. 1029-1054.
Hicks, J.R., (1939), “The foundations of welfare economics’’, The economic journal, Vol 49
pp. 696-712.
Hirshleifer, J., (1977), “The theory of speculation under Alternative Regimes of Markets”,
The journal of finance, Vol 32 Issue 4, pp. 975-999.
Huchet, N., Fam, P.G., (2015), “The role of speculation in international futures markets on
commodity prices”, Research in international business and finance, Volume, pp. 49-65.
87
Bibliographie
Jacks, D.S., Stuermer, M., (2018), “What Drives Commodity Price Booms and Busts?”,
Energy economics.
Joslin, S., Priebsch, M., Singleton, K.J., (2014), “Risk Premiums in Dynamic Term
Structure Models with Unspanned Macro Risks” , The journal of Finance, Vol 69 , Pp. 1197-
1233.
Juvenal, L., Petrella, I., (2014), “Speculation in the Oil Market”, The journal of applied
econometrics, Vol 30 Pp. 621-649.
Kaldor, N., (1939), “Welfare Propositions of Economics and Interpersonal Comparisons of

Utility”, The economic journal, Vol. 49, No. 195, pp. 549-552.
Keynes, J.M., (1930), “A Treatise on Money”, Vol. 2. London: Macmillan.
Kilian. L., Murphy, D.P., (2014), “The role of Inventories and Speculative Trading in the
Global market for Crude oil”, Journal of applied Econometrics, Vol 29 Issue 2 Pp. 454-478.
Kim, A., (2015), ‘’ Does futures speculation destabilize commodity markets? ‘’, Journal of
futures markets, Volume 35 Pp. 696-714.
Koitsiwe. K., Adachi, T., (2018), “the Role of Financial Speculation in Copper Prices”,
Applied Economics and Finance, 2332-7308.
Larrain, M., (2006), “Sources of growth and behavior of TFP in Chile”, Cuadernos de
economica.
Loayza, N.V., Rancière, R., Ventura, L.S., (2007), “Macroeconomic Volatility and Welfare
in Developing Countries: An Introduction”, The World Bank Economic Review ,Volume 21,
Issue 3, 1, Pp. 343–357.
Loury, G.C., (1990), “Tacit Collusion in a Dynamic Duopoly with Indivisible Production and
Cumulative Capacity Constraints”, Mimeo, Harvard University.
Ludwig, M., (2018), “Speculation and its impact on liquidity in commodity markets”,
Resources Policy.
Manera, M., Nicolini, M., Vignati, L., (2014), “Modelling futures price volatility in energy
markets: Is there a role for financial speculation?”, Energy Economics, Vol 46, pp. S44-S56.
88
Bibliographie
Masters, M., (2008), “Testimony before the Committee on Homeland Security and
Governmental Affairs”, United States Senate.
Mclaren, J., (1999), “Speculation on Primary Commodities: The Effects of Restricted Entry”,
The Review of Economic Studies, Volume 66, Issue 4, 1, pp. 853–871.
Mitchell, A., (2008), “A note on rising food prices”, e-library world bank, policy research.
Modigliani, F., Sutch, R., (1966), “Innovations in Interest Rate Policy”, The American
Economic Review, Vol. 56, No. 1/2, pp. 178-197.
Muth, J.F., (1961), “Rational Expectations and the Theory of Price Movements”,
Econometrica, Vol. 29, No. 3, pp. 315-335.
Newbery, D. M., (1984), “Commodity Price Stabilization in Imperfect or Cartelized

Markets”, Econometrica, Vol. 52, No. 3, pp. 563-578.
Ordu, B., Oran, E., Soytas, U., (2017), “The role of trading volume, open interest and trader
positions on volatility transmission between spot and futures markets”, Resources policy.
Petersen, M.A., (2009), “Estimating Standard Errors in Finance Panel Data Sets: Comparing
Approaches”, The Review of Financial Studies, Volume 22, Issue 1, Pp. 435–480.
Phillips, A.L., (1995), Derivatives Practices and Instruments Survey’’ , Financial

Management, Vol. 24, No. 2, Silver Anniversary Commemoration, pp. 115-125.
Ploeg, V.D., (2011), “Natural Resources: Curse or Blessing?”, The journal of economic
literature , Vol 49 No 2, pp. 366-420.
Rainey, I., Roberts, H., Lont, H., (2017), “Crude inventory accounting and speculation in
the physical oil market”, Energy Economics , Volume 66,Pp. 508-522.
Reinganum, J., Stokey, N.L., (1985), “Oligopoly Extraction of a Common Property Natural
Resource: The Importance of the Period of Commitment in Dynamic Games”, International
Economic Review , Vol. 26, No. 1, pp. 161-173.
Robert, R.L., Gustafson, M., (1958), “Implications of Recent Research on Optimal Storage
Rules”, Journal of Farm Economics, Vol. 40, No. 2, pp. 290-300.
89
Bibliographie
Roll, R., (1984), “A Simple Implicit Measure of the Effective Bid‐Ask Spread in an Efficient
Market”, The journal of finance,Vol 39 Issue 4 Pp. 1127-1139.
Rosegrant, M.W., Ringler, C., Msangi, S., Timothy, B., Zhu, T., Cline, S.A., (2008)
“International Model for Policy Analysis of Agricultural Commodities and Trade (IMPACT):
Model Description”, International Food Policy Research Institute Washington, D.C.
Sanders, D.R., Irwin, S.H., (2011), ‘’Index Funds, Financialization, and Commodity Futures
Markets’’, Applied Economic Perspectives and Policy, Volume 33, Issue 1, 1, pp. 1–31.
Sanders, D.R., Irwin, S.H., Merrin, R., (2009), “Devil or Angel? The Role of Speculation
in the Recent Commodity Price Boom and Bust”, Journal of agricultural and applied
economics, Volume 41, Issue, pp. 377-391.
Sanders, DR., Irwin, S.H., (2016), “Bubbles, Froth and Facts: Another Look at the Masters
Hypothesis in Commodity Futures Markets”, Journal of Agricultural Economics VOL 1477-
9552.12191.
Scheinkman, J., Schechtman, J., (1983), “A Simple Competitive Model with Production
and Storage”, The Review of Economic Studies, Volume 50, Issue 3, 1, Pp. 427–441.
Scholes, M., (2010), “ Regulating Wall Street: The Dodd-Frank Act and the new architecture
of global finance”, New York University Stern School of Business.
Tang, K., Xiong, W., (2012), “Index Investsment and the Financialialization of
Commodities”.
Telser, L.G., (1958), “Futures Trading and the Storage of Cotton and Wheat”, ,Vol 66, no. 3,
pp. 233-255.
Telser, L.G., (1960), “Why Should Manufacturers Want Fair Trade ?”, The journal of Law
and Economics, Vol 3.
Tharavanij, P., (2007), “Capital Market, Severity of Business Cycle, and Probability of an
Economic Downturn”, Working paper, Monash University - Department of Economics.
Tiryaki, F.G., (2003), “Financial development and economic fluctuations”, Middle East
Technical University Studies in Development, 30, pp. 89-106.
90
Bibliographie
Ulusoy, V., Onbirler, O., (2017), “Marginal speculation and hedging in commodity
markets”, Finance research lette , Vol 23, Pp. 269-282.
Weymar, F.H., (1968), “The dynamis of the world cocoa market”, pp.253 pp. ref.Bibl.
Williams, W., (1991), “Storage and Commodity Markets”, (Cambridge: Cambridge

University Press).
Williams, W., Brian, J., (1986), “A Theory of Negative Prices for Storage”, The journal of
futures market Vol 9 number 1.
Working, H., (1949), “The Theory of Price of Storage”, The American Economic Review,
Vol. 39, No. 6, pp. 1254-1262.
Working, H., (1953), “Futures trading and hedging”, The American Economic Review, Vol.
43, No. 3, pp. 314-343.
Working, H., (1960), “Speculation on hedging markets”, Food Research Institute Studies.
Xiaoli, K., Etienne, X.L., Irwin, S.H., Garcia, P., (2018), “Speculation and corn prices”,
Applied Economics , VOL. 50, NO. 44, pp.4724–4744.
Koenker, K., Bassett, G.J., (1978), “Regression Quantiles“, ECONOMETRICA, Vol. 46,
No. 1 , pp. 33-50.
Angrist, J., Chernozhukov, K., Fernandez, I., (2006), “ quantile regression under
misspecification with an application to the US wage structure”, ECONOMETRICA, Vol. 74,
No. 2 , 539–563.
91
Sitographie
Sitographie
- https://www.investopedia.com
- https://www.investing.com
- https://www.cftc.gov
- https://www.thebalance.com
- https://www.researchgate.net
- https://www.forbes.com
- http://www.numdam.org
- https://www.andlil.com
- http://www.farmdoc.illinois.edu
- https://core.ac.uk/download/pdf/6262906.pdf
- https://www.lexpress.fr/emploi/business-et-sens/matieres-premieres-agricoles
- http://www.momagri.org/FR/articles/
- https://hal.archives-ouvertes.fr/hal-01421378/document
- https://dspace.mit.edu/bitstream/handle/1721.1/64282/theoriesofspecul00tiro.pdf
- https://tel.archives-ouvertes.fr/tel-01522798/document
- https://www.universalis.fr/encyclopedie/speculation
-https://www.db.com/cr/en/concrete-Agricultural-speculation-and-commodity-prices---is-
there-a-link.htm.
-http://faculty.london.edu/apavlova/Commodities.pdf.
-https://www.nber.org/papers/w19642.
-https://www.sciencedirect.com/science/article.
--https://www.chicagofed.org.
-https://onlinelibrary.wiley.com/doi/pdf/10.1111/jofi.12408.
-https://www.bloomberg.com/markets/commodities.
-https://www.cnbc.com/futures-and-commodities.
-http://www.cadtm.org/IMG/pdf/26.pdf.
92
Annexes
Annexe 1. Spéculation financière et variation des prix : Analyse des résidus et

stationnarité :
-Analyse des résidus
-Blé
F-statistic 40.20569 Prob. F(6,983) 0.0000

Obs*R-squared 195.0785 Prob. Chi-Square(6) 0.0000
Scaled explained SS 161.0376 Prob. Chi-Square(6) 0.0000

-Riz brut


Scaled explained SS 354.3854 Prob. Chi-Square(6) 0.0000
-Huile de soja
F-statistic 12.34805 Prob. F(6,983)

Obs*R-squared 69.38628 Prob. Chi-Square(6)
Scaled explained SS 55.82420 Prob. Chi-Square(6)

Annexes
-Avoine
F-statistic 26.07600 Prob. F(6,983)

Obs*R-squared 135.9345 Prob. Chi-Square(6)
Scaled explained SS 124.5164 Prob. Chi-Square(6)

-Test de stationnarité : SPECALL
-Blé
Null Hypothesis: SPECALL has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.624158 0.0055

Test critical values: 1% level -3.436742
5% level -2.864251
10% level -2.568266
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(SPECALL)
Method: Least Squares
Date: 04/20/19 Time: 17:42
Sample (adjusted): 1/20/1998 12/27/2016
Included observations: 989 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
SPECALL(-1) -0.024487 0.006757 -3.624158 0.0003

D(SPECALL(-1)) 0.111340 0.031655 3.517326 0.0005
C 0.004889 0.001354 3.610885 0.0003
R-squared 0.022793 Mean dependent var 0.000129

Adjusted R-squared 0.020811 S.D. dependent var 0.009967
S.E. of regression 0.009863 Akaike info criterion -6.397116
Sum squared resid 0.095908 Schwarz criterion -6.382262
Log likelihood 3166.374 Hannan-Quinn criter. -6.391467
F-statistic 11.49923 Durbin-Watson stat 1.994054
Prob(F-statistic) 0.000012
Annexes
-Riz brut

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864251
10% level -2.568266

Date: 04 /20/19 Time: 18:21
Sample (adjusted): 2 990
SPECALL(-1) -0.028861 0.007819 -3.691260 0.0002

C 0.005999 0.001670 3.591547 0.0003

Annexes
-Huile de soja

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864251
10% level -2.568266

Date: 04/20/19 Time: 18:28
Sample (adjusted): 1/20/1998 12/27/2016
SPECALL(-1) -0.035520 0.008041 -4.417404 0.0000

D(SPECALL(-1)) 0.111800 0.031620 3.535732 0.0004
C 0.006659 0.001550 4.295267 0.0000
R-squared 0.028055 Mean dependent var 3.81E-05

Annexes
-Avoine :

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864248
10% level -2.568264

Date: 04/20/19 Time: 18:30
Sample (adjusted): 1/13/1998 12/27/2016
SPECALL(-1) -0.042160 0.009238 -4.563927 0.0000

C 0.007644 0.001733 4.409785 0.0000

Annexes
-Test de stationnarité : COMMP (entrées en différence première)
-Blé
Null Hypothesis: COMMP has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864254
10% level -2.568267
-Riz brut

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864257
10% level -2.568269
-Huile de soja

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864254
10% level -2.568267

Annexes
-Avoine
Exogenous: Constant
t-Statistic Prob.*

5% level -2.864254
10% level -2.568267
-Test de stationnarité respectifs de : TO, FO, OP, USDX, GDPG (entrées en

différence première)
Null Hypothesis: TO has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864254
10% level -2.568267
Null Hypothesis: FO has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864254
10% level -2.568267

Annexes
Null Hypothesis: OP has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864254
10% level -2.568267
Null Hypothesis: USDX has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864254
10% level -2.568267
Null Hypothesis: GDPG has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864254
10% level -2.568267

Annexes
Annexe 2. Spéculation financière et variation des prix : Méthode MCO
1) Régression linéaire (Blé) : SPECALL
2) Régression linéaire (Blé) : SPECALL²

Annexes
3) Régression linéaire (Riz brut) : SPECALL
4) Régression linéaire (Riz brut) : SPECALL²

Annexes
5) Régression linéaire (Huile de soja) : SPECALL
6) Régression linéaire (Huile de soja) : SPECALL²

Annexes
7) Régression linéaire (Avoine) : SPECALL
8) Régression linéaire (Avoine) : SPECALL²

Annexes
Annexe 3. Spéculation financière et variation des prix : Méthode des quantiles
1) Régression en quantile (Blé) : SPECALL

. sqreg COMMP SPECALL TO FO OP GDPG USDX , q(0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9)
(fitting base model)
Bootstrap replications (20)

1 2 3 4 5
....................
Simultaneous quantile regression Number of obs = 990

bootstrap(20) SEs .10 Pseudo R2 = 0.4026
.20 Pseudo R2 = 0.4615
.30 Pseudo R2 = 0.5144
.40 Pseudo R2 = 0.5582
.50 Pseudo R2 = 0.5818
.60 Pseudo R2 = 0.5947
.70 Pseudo R2 = 0.6248
.80 Pseudo R2 = 0.6636
.90 Pseudo R2 = 0.6705
Bootstrap
COMMP Coef. Std. Err. t P>|t| [95% Conf. Interval]
q10
SPECALL -.8133217 .1481975 -5.49 0.000 -1.104141 -.5225019
TO 1.971301 .2487974 7.92 0.000 1.483066 2.459536
FO -1.119897 .1339098 -8.36 0.000 -1.382679 -.8571152
OP -.0434998 .029823 -1.46 0.145 -.1020239 .0150242
GDPG .8477351 .0714071 11.87 0.000 .7076072 .9878631
USDX .9586058 .0715466 13.40 0.000 .8182041 1.099007
_cons -10.09262 1.043605 -9.67 0.000 -12.14057 -8.044667
q20
SPECALL -.5255333 .1843403 -2.85 0.004 -.8872791 -.1637875
TO 2.706006 .2865575 9.44 0.000 2.143671 3.268341
FO -1.74825 .2034494 -8.59 0.000 -2.147495 -1.349005
OP -.0040195 .026167 -0.15 0.878 -.055369 .0473301
GDPG .67483 .0921124 7.33 0.000 .4940705 .8555895
USDX .6219463 .0903647 6.88 0.000 .4446164 .7992761
_cons -7.309035 1.356991 -5.39 0.000 -9.971967 -4.646104
q30
SPECALL -.526495 .1723556 -3.05 0.002 -.8647223 -.1882677
TO 3.543057 .324519 10.92 0.000 2.906227 4.179887
FO -2.067532 .2449593 -8.44 0.000 -2.548235 -1.586829
OP .0193538 .0401132 0.48 0.630 -.0593635 .0980712
GDPG .4726968 .0842549 5.61 0.000 .3073566 .638037
USDX .4612932 .1403172 3.29 0.001 .1859375 .7366489
_cons -4.113155 1.359615 -3.03 0.003 -6.781236 -1.445075
q40
SPECALL -.7299505 .2081818 -3.51 0.000 -1.138482 -.3214186
TO 4.055759 .433674 9.35 0.000 3.204726 4.906792
FO -2.244647 .2809957 -7.99 0.000 -2.796067 -1.693226
OP .06264 .0369928 1.69 0.091 -.009954 .135234
GDPG .4170145 .1284769 3.25 0.001 .1648941 .669135
USDX .3910759 .1648548 2.37 0.018 .0675681 .7145838
_cons -3.089335 1.816877 -1.70 0.089 -6.654739 .4760687
q50
SPECALL -.6972294 .2040793 -3.42 0.001 -1.09771 -.2967483
TO 4.692267 .4190801 11.20 0.000 3.869872 5.514661
FO -2.499508 .2068103 -12.09 0.000 -2.905349 -2.093667
OP .0683469 .0544244 1.26 0.209 -.0384545 .1751483
GDPG .3336655 .1414989 2.36 0.019 .0559908 .6113402
USDX .2039339 .1756445 1.16 0.246 -.1407474 .5486152
_cons -1.442846 1.72044 -0.84 0.402 -4.819002 1.933311
q60
SPECALL -.4781675 .150724 -3.17 0.002 -.7739453 -.1823896
TO 5.227236 .4407788 11.86 0.000 4.36226 6.092211
FO -2.768731 .2020931 -13.70 0.000 -3.165315 -2.372148
OP .0812457 .0577378 1.41 0.160 -.0320578 .1945492
GDPG .1481586 .1076584 1.38 0.169 -.0631082 .3594254
USDX .179884 .1487443 1.21 0.227 -.1120088 .4717768
_cons 1.100908 1.230124 0.89 0.371 -1.313062 3.514879
q70
SPECALL -.4166725 .1144412 -3.64 0.000 -.6412496 -.1920955
TO 5.216433 .3096458 16.85 0.000 4.60879 5.824075
FO -2.637932 .1667248 -15.82 0.000 -2.96511 -2.310755
OP .0955118 .043997 2.17 0.030 .009173 .1818506
GDPG .0470847 .0960498 0.49 0.624 -.1414016 .235571
USDX .1857481 .0869462 2.14 0.033 .0151266 .3563696
_cons 2.496032 1.172235 2.13 0.033 .1956611 4.796404
q80
SPECALL -.2114494 .082363 -2.57 0.010 -.3730769 -.0498219
TO 4.992128 .2923672 17.07 0.000 4.418393 5.565864
FO -2.38227 .1779931 -13.38 0.000 -2.73156 -2.03298
OP .1061766 .0364523 2.91 0.004 .0346434 .1777098
GDPG .0037497 .0595319 0.06 0.950 -.1130745 .1205739
USDX .1749917 .0598 2.93 0.004 .0576414 .292342
_cons 3.114483 .7483148 4.16 0.000 1.646005 4.582961
q90
SPECALL .0334222 .1274603 0.26 0.793 -.2167034 .2835478
TO 4.640405 .2805439 16.54 0.000 4.089871 5.190939
FO -2.263746 .1376493 -16.45 0.000 -2.533866 -1.993626
OP .1636485 .0257 6.37 0.000 .1132154 .2140817
GDPG -.097973 .0644747 -1.52 0.129 -.2244969 .0285509
USDX .188862 .085495 2.21 0.027 .0210884 .3566356
_cons 4.185244 .9398372 4.45 0.000 2.340926 6.029562
.
Annexes
2) Régression en quantile (Blé) : SPECALL²

.20 Pseudo R2 = 0.4793
.30 Pseudo R2 = 0.5344
.40 Pseudo R2 = 0.5867
.50 Pseudo R2 = 0.6091
.60 Pseudo R2 = 0.6198
.70 Pseudo R2 = 0.6445
.80 Pseudo R2 = 0.6756
.90 Pseudo R2 = 0.6774
Bootstrap
q10
SPECALL -2.267928 .4703133 -4.82 0.000 -3.190862 -1.344993
SPECALLsqrt1 .3350769 .1341096 2.50 0.013 .0719025 .5982512
TO 2.30393 .2263885 10.18 0.000 1.859669 2.748191
FO -1.140644 .3067407 -3.72 0.000 -1.742587 -.5387018
OP -.0670925 .0318503 -2.11 0.035 -.129595 -.0045899
GDPG .7336027 .0938333 7.82 0.000 .5494659 .9177395
USDX 1.042605 .0797098 13.08 0.000 .8861838 1.199026
_cons -7.770524 1.688886 -4.60 0.000 -11.08477 -4.456283
q20
SPECALL -3.458404 .7953561 -4.35 0.000 -5.019197 -1.897611
SPECALLsqrt1 .6666971 .1930067 3.45 0.001 .287944 1.04545
TO 3.452508 .2935818 11.76 0.000 2.876389 4.028628
FO -1.806101 .2274478 -7.94 0.000 -2.25244 -1.359761
OP -.0783404 .0253076 -3.10 0.002 -.1280036 -.0286773
GDPG .4687525 .1221985 3.84 0.000 .2289522 .7085528
USDX .600331 .1199357 5.01 0.000 .3649712 .8356907
_cons -2.509205 2.02526 -1.24 0.216 -6.483539 1.46513
q30
SPECALL -4.261635 .7895894 -5.40 0.000 -5.811111 -2.712158
SPECALLsqrt1 .8276236 .1806096 4.58 0.000 .4731984 1.182049
TO 3.767475 .3303883 11.40 0.000 3.119126 4.415823
FO -2.073305 .2402189 -8.63 0.000 -2.544706 -1.601904
OP .0327657 .0485559 0.67 0.500 -.0625195 .1280509
GDPG .2521667 .0966394 2.61 0.009 .0625232 .4418101
USDX .9071618 .1829623 4.96 0.000 .5481197 1.266204
_cons -.0560661 1.480039 -0.04 0.970 -2.960469 2.848337
q40
SPECALL -4.16893 .5897383 -7.07 0.000 -5.326222 -3.011638
SPECALLsqrt1 .8186695 .1415586 5.78 0.000 .5408774 1.096462
TO 4.032995 .4037709 9.99 0.000 3.240642 4.825348
FO -2.151357 .1908103 -11.27 0.000 -2.5258 -1.776914
OP .0672596 .0425829 1.58 0.115 -.0163043 .1508235
GDPG .1865132 .086002 2.17 0.030 .0177445 .355282
USDX .7967748 .1419332 5.61 0.000 .5182475 1.075302
_cons 1.05511 1.244274 0.85 0.397 -1.386631 3.496852
q50
SPECALL -4.247015 .5403954 -7.86 0.000 -5.307477 -3.186552
SPECALLsqrt1 .8197387 .1349991 6.07 0.000 .5548188 1.084659
TO 3.876144 .5246032 7.39 0.000 2.846671 4.905616
FO -2.150933 .2429318 -8.85 0.000 -2.627658 -1.674208
OP .0992876 .0508365 1.95 0.051 -.0004731 .1990483
GDPG .2673426 .0846779 3.16 0.002 .101172 .4335131
USDX .7263759 .1662454 4.37 0.000 .4001387 1.052613
_cons .022434 1.268832 0.02 0.986 -2.4675 2.512368
q60
SPECALL -3.995609 .4431682 -9.02 0.000 -4.865275 -3.125944
SPECALLsqrt1 .7622027 .1063425 7.17 0.000 .5535181 .9708873
TO 4.603474 .4376322 10.52 0.000 3.744672 5.462276
FO -2.346753 .2128013 -11.03 0.000 -2.764351 -1.929156
OP .0527587 .0426962 1.24 0.217 -.0310276 .1365451
GDPG .2529138 .0549483 4.60 0.000 .1450841 .3607434
USDX .4299122 .1125116 3.82 0.000 .2091214 .650703
_cons 1.033199 .7529719 1.37 0.170 -.4444197 2.510818
q70
SPECALL -3.931696 .4692237 -8.38 0.000 -4.852493 -3.0109
SPECALLsqrt1 .7412956 .0937981 7.90 0.000 .5572278 .9253635
TO 4.999592 .2759889 18.12 0.000 4.457996 5.541187
FO -2.457744 .1499965 -16.39 0.000 -2.752094 -2.163393
OP .0408015 .0338316 1.21 0.228 -.025589 .107192
GDPG .2386486 .0662935 3.60 0.000 .1085554 .3687419
USDX .2770578 .0675198 4.10 0.000 .144558 .4095575
_cons 1.658977 .6495568 2.55 0.011 .3842977 2.933656
q80
SPECALL -3.152877 .469274 -6.72 0.000 -4.073773 -2.231982
SPECALLsqrt1 .621119 .0887406 7.00 0.000 .4469759 .795262
TO 4.831937 .2640084 18.30 0.000 4.313851 5.350022
FO -2.321001 .1541267 -15.06 0.000 -2.623457 -2.018546
OP .0906251 .0311976 2.90 0.004 .0294035 .1518467
GDPG .0859257 .055385 1.55 0.121 -.0227608 .1946123
USDX .2482543 .0444139 5.59 0.000 .1610973 .3354113
_cons 3.336385 .6121268 5.45 0.000 2.135158 4.537612
q90
SPECALL -1.68269 .5585444 -3.01 0.003 -2.778768 -.5866122
SPECALLsqrt1 .3684622 .0949842 3.88 0.000 .1820669 .5548575
TO 4.665447 .2466909 18.91 0.000 4.181345 5.149549
FO -2.288534 .1517704 -15.08 0.000 -2.586365 -1.990702
OP .1463969 .0236377 6.19 0.000 .1000106 .1927832
GDPG -.0628075 .0587847 -1.07 0.286 -.1781656 .0525505
USDX .2103303 .08014 2.62 0.009 .053065 .3675956
_cons 4.569415 .6514989 7.01 0.000 3.290925 5.847905
.
Annexes
3) Régression en quantile (Riz brut) : SPECALL

.20 Pseudo R2 = 0.6108
.30 Pseudo R2 = 0.5764
.40 Pseudo R2 = 0.5423
.50 Pseudo R2 = 0.5066
.60 Pseudo R2 = 0.4913
.70 Pseudo R2 = 0.4743
.80 Pseudo R2 = 0.4303
.90 Pseudo R2 = 0.3829
Bootstrap
q10
SPECALL -.0710923 .0440985 -1.61 0.107 -.1576305 .0154459
TO 2.120065 .3927365 5.40 0.000 1.349366 2.890765
FO .4906017 .1684785 2.91 0.004 .1599823 .821221
OP .1730486 .0457827 3.78 0.000 .0832054 .2628917
GDPG .445639 .0843781 5.28 0.000 .2800568 .6112211
USDX .3747942 .2021694 1.85 0.064 -.0219395 .7715278
_cons -4.383273 1.310002 -3.35 0.001 -6.953999 -1.812547
q20
SPECALL -.0984149 .021776 -4.52 0.000 -.1411477 -.055682
TO 1.7132 .2620858 6.54 0.000 1.198887 2.227512
FO .7764703 .1910555 4.06 0.000 .4015463 1.151394
OP .182086 .0366519 4.97 0.000 .1101609 .2540111
GDPG .4983672 .0620344 8.03 0.000 .376632 .6201025
USDX .4464828 .0600114 7.44 0.000 .3287175 .5642481
_cons -5.217655 .8191151 -6.37 0.000 -6.825072 -3.610237
q30
SPECALL -.132419 .0132105 -10.02 0.000 -.1583431 -.1064949
TO 2.15413 .4805714 4.48 0.000 1.211065 3.097195
FO .5269208 .3847432 1.37 0.171 -.2280926 1.281934
OP .1128663 .0527721 2.14 0.033 .0093072 .2164254
GDPG .4229222 .0385182 10.98 0.000 .3473349 .4985096
USDX .3771815 .0799867 4.72 0.000 .2202169 .5341461
_cons -3.883721 .5608367 -6.92 0.000 -4.984298 -2.783145
q40
SPECALL -.1808409 .0343894 -5.26 0.000 -.248326 -.1133558
TO 3.04952 .3824898 7.97 0.000 2.298929 3.800112
FO -.56791 .3930861 -1.44 0.149 -1.339295 .2034754
OP .0580271 .0361214 1.61 0.108 -.012857 .1289111
GDPG .3629645 .0380616 9.54 0.000 .2882732 .4376559
USDX .2067241 .0744872 2.78 0.006 .0605518 .3528964
_cons -2.957912 .6262696 -4.72 0.000 -4.186892 -1.728931
q50
SPECALL -.2907953 .0421904 -6.89 0.000 -.373589 -.2080016
TO 3.731079 .4488262 8.31 0.000 2.85031 4.611847
FO -1.413624 .4415618 -3.20 0.001 -2.280137 -.5471105
OP .0282383 .0471139 0.60 0.549 -.0642173 .1206938
GDPG .3644019 .0755718 4.82 0.000 .2161011 .5127028
USDX .0883895 .1064055 0.83 0.406 -.1204188 .2971977
_cons -2.907885 .9563578 -3.04 0.002 -4.784625 -1.031145
q60
SPECALL -.4497971 .0553939 -8.12 0.000 -.5585011 -.3410931
TO 4.817036 .3037405 15.86 0.000 4.220981 5.413091
FO -2.489831 .3290367 -7.57 0.000 -3.135527 -1.844135
OP -.0797381 .0330111 -2.42 0.016 -.1445185 -.0149577
GDPG .2167312 .0428208 5.06 0.000 .1327003 .300762
USDX .0162123 .0777584 0.21 0.835 -.1363795 .1688041
_cons -.7700167 .5290137 -1.46 0.146 -1.808144 .2681105
q70
SPECALL -.5004774 .0450609 -11.11 0.000 -.5889041 -.4120508
TO 4.57416 .2531617 18.07 0.000 4.07736 5.070961
FO -2.849625 .212518 -13.41 0.000 -3.266667 -2.432584
OP .0053842 .0353588 0.15 0.879 -.0640032 .0747717
GDPG .2186897 .0354334 6.17 0.000 .1491558 .2882235
USDX -.0054507 .0622253 -0.09 0.930 -.1275607 .1166592
_cons -1.286575 .4228945 -3.04 0.002 -2.116456 -.4566946
q80
SPECALL -.5791277 .0729037 -7.94 0.000 -.7221928 -.4360627
TO 4.007491 .3568605 11.23 0.000 3.307194 4.707787
FO -2.490703 .2541035 -9.80 0.000 -2.989351 -1.992055
OP .0754806 .0333625 2.26 0.024 .0100105 .1409506
GDPG .1153431 .0572125 2.02 0.044 .0030704 .2276159
USDX .0448656 .1008989 0.44 0.657 -.1531367 .2428679
_cons -.1557117 .8400822 -0.19 0.853 -1.804274 1.492851
q90
SPECALL -.660154 .1245257 -5.30 0.000 -.9045211 -.4157869
TO 3.122878 .6437658 4.85 0.000 1.859563 4.386193
FO -1.686771 .429307 -3.93 0.000 -2.529236 -.8443068
OP .1462768 .0490162 2.98 0.003 .0500884 .2424653
GDPG -.079385 .056036 -1.42 0.157 -.189349 .030579
USDX .0345138 .2336026 0.15 0.883 -.4239039 .4929315
_cons 2.473086 .9630115 2.57 0.010 .5832884 4.362883
Annexes
4) Régression en quantile (Riz brut) : SPECALL²

.20 Pseudo R2 = 0.6267
.30 Pseudo R2 = 0.6030
.40 Pseudo R2 = 0.5754
.50 Pseudo R2 = 0.5374
.60 Pseudo R2 = 0.5163
.70 Pseudo R2 = 0.4912
.80 Pseudo R2 = 0.4481
.90 Pseudo R2 = 0.4061
Bootstrap
q10
SPECALL -1.076603 .15996 -6.73 0.000 -1.390506 -.7627
SPECALLsqrt1 .4787542 .0772526 6.20 0.000 .3271548 .6303536
TO 2.349832 .3289744 7.14 0.000 1.704258 2.995407
FO .3729646 .2191261 1.70 0.089 -.0570453 .8029745
OP .1278583 .0422323 3.03 0.003 .0449822 .2107345
GDPG .3552412 .1372473 2.59 0.010 .0859092 .6245732
USDX .3438377 .1462171 2.35 0.019 .0569035 .6307719
_cons -2.467452 1.852379 -1.33 0.183 -6.102533 1.16763
q20
SPECALL -1.595736 .288713 -5.53 0.000 -2.162303 -1.02917
SPECALLsqrt1 .7353548 .1303463 5.64 0.000 .4795652 .9911444
TO 2.22446 .4012463 5.54 0.000 1.437061 3.01186
FO .5052923 .3758601 1.34 0.179 -.23229 1.242875
OP .0552165 .0234671 2.35 0.019 .0091651 .1012679
GDPG .3961202 .0735453 5.39 0.000 .2517961 .5404443
USDX .5000737 .0959152 5.21 0.000 .3118511 .6882962
_cons -2.839759 1.028429 -2.76 0.006 -4.857932 -.8215854
q30
SPECALL -1.827214 .244278 -7.48 0.000 -2.306581 -1.347846
SPECALLsqrt1 .8827933 .1203911 7.33 0.000 .6465396 1.119047
TO 2.483914 .3738566 6.64 0.000 1.750263 3.217564
FO .2154825 .2893582 0.74 0.457 -.3523497 .7833148
OP .022251 .038487 0.58 0.563 -.0532753 .0977773
GDPG .1963316 .0644258 3.05 0.002 .0699034 .3227598
USDX .4885392 .1045044 4.67 0.000 .2834614 .693617
_cons -.0291321 .8554921 -0.03 0.973 -1.707937 1.649673
q40
SPECALL -2.023298 .2376838 -8.51 0.000 -2.489725 -1.556871
SPECALLsqrt1 .9469561 .12529 7.56 0.000 .7010888 1.192823
TO 3.030747 .3159045 9.59 0.000 2.41082 3.650673
FO -.2470487 .2914612 -0.85 0.397 -.8190079 .3249105
OP -.0350084 .0289642 -1.21 0.227 -.0918474 .0218306
GDPG .1678669 .0475997 3.53 0.000 .0744579 .2612759
USDX .4162771 .0667397 6.24 0.000 .2853081 .547246
_cons .646871 .7756539 0.83 0.405 -.8752608 2.169003
q50
SPECALL -2.177659 .2706547 -8.05 0.000 -2.708788 -1.64653
SPECALLsqrt1 1.009011 .1353934 7.45 0.000 .7433172 1.274705
TO 3.674402 .3855879 9.53 0.000 2.917731 4.431074
FO -.8718639 .395452 -2.20 0.028 -1.647893 -.0958347
OP -.0776033 .0338973 -2.29 0.022 -.1441228 -.0110838
GDPG .0826742 .0552651 1.50 0.135 -.0257772 .1911256
USDX .3378122 .0907356 3.72 0.000 .1597539 .5158704
_cons 1.976967 .8692773 2.27 0.023 .2711105 3.682824
q60
SPECALL -2.09974 .2349431 -8.94 0.000 -2.560789 -1.638691
SPECALLsqrt1 .9175757 .1323795 6.93 0.000 .6577962 1.177355
TO 4.746666 .2783947 17.05 0.000 4.200348 5.292983
FO -2.27841 .3139096 -7.26 0.000 -2.894421 -1.662398
OP -.102124 .0301344 -3.39 0.001 -.1612594 -.0429887
GDPG .0693101 .0489456 1.42 0.157 -.0267399 .1653602
USDX .0533528 .0583512 0.91 0.361 -.0611546 .1678602
_cons 2.238508 .8024851 2.79 0.005 .663723 3.813293
q70
SPECALL -1.834427 .2499162 -7.34 0.000 -2.324859 -1.343995
SPECALLsqrt1 .7311923 .15684 4.66 0.000 .4234118 1.038973
TO 4.699026 .343026 13.70 0.000 4.025877 5.372175
FO -2.855049 .3044521 -9.38 0.000 -3.452501 -2.257596
OP -.038286 .0414954 -0.92 0.356 -.119716 .0431439
GDPG .0717335 .0525869 1.36 0.173 -.0314622 .1749292
USDX .0336887 .0862936 0.39 0.696 -.1356525 .2030298
_cons 1.503682 .9026649 1.67 0.096 -.2676945 3.275058
q80
SPECALL -1.731786 .2994204 -5.78 0.000 -2.319364 -1.144208
SPECALLsqrt1 .6223168 .1663762 3.74 0.000 .2958227 .9488109
TO 4.686829 .4931432 9.50 0.000 3.719092 5.654566
FO -2.851959 .3864896 -7.38 0.000 -3.610401 -2.093518
OP .0050766 .0439031 0.12 0.908 -.0810781 .0912313
GDPG -.001786 .065875 -0.03 0.978 -.1310582 .1274861
USDX .039692 .1106109 0.36 0.720 -.1773692 .2567532
_cons 2.304544 .9509798 2.42 0.016 .4383552 4.170732
q90
SPECALL -1.744118 .1160276 -15.03 0.000 -1.971809 -1.516427
SPECALLsqrt1 .5591875 .0632777 8.84 0.000 .4350123 .6833628
TO 3.248871 .3460008 9.39 0.000 2.569885 3.927858
FO -1.69498 .2830259 -5.99 0.000 -2.250386 -1.139574
OP .1360837 .0325821 4.18 0.000 .0721451 .2000224
GDPG -.1185579 .052233 -2.27 0.023 -.2210592 -.0160566
USDX .1694959 .1138854 1.49 0.137 -.0539912 .392983
_cons 3.424617 .7622758 4.49 0.000 1.928738 4.920496
Annexes
5) Régression en quantile (Huile de soja) : SPECALL

.20 Pseudo R2 = 0.5834
.30 Pseudo R2 = 0.5695
.40 Pseudo R2 = 0.5621
.50 Pseudo R2 = 0.5559
.60 Pseudo R2 = 0.5544
.70 Pseudo R2 = 0.5502
.80 Pseudo R2 = 0.5482
.90 Pseudo R2 = 0.5289
Bootstrap
q10
SPECALL -.8288563 .0633802 -13.08 0.000 -.9532324 -.7044802
TO 2.873216 .6199472 4.63 0.000 1.656644 4.089789
FO -1.864438 .3624859 -5.14 0.000 -2.575773 -1.153103
OP .228783 .0393119 5.82 0.000 .1516381 .3059278
GDPG .5189331 .1224594 4.24 0.000 .2786212 .7592451
USDX .425707 .1074012 3.96 0.000 .214945 .6364691
_cons -6.284084 1.776428 -3.54 0.000 -9.77011 -2.798057
q20
SPECALL -1.017682 .0909302 -11.19 0.000 -1.196122 -.8392422
TO 2.740148 .4634855 5.91 0.000 1.830613 3.649682
FO -1.814731 .2734765 -6.64 0.000 -2.351395 -1.278066
OP .2364247 .0340718 6.94 0.000 .1695629 .3032865
GDPG .7026621 .1057056 6.65 0.000 .4952275 .9100967
USDX .4195764 .0834631 5.03 0.000 .2557902 .5833627
_cons -8.681611 1.519212 -5.71 0.000 -11.66288 -5.700341
q30
SPECALL -1.117068 .083687 -13.35 0.000 -1.281294 -.9528425
TO 4.237188 .5434732 7.80 0.000 3.170687 5.303689
FO -2.617996 .2708216 -9.67 0.000 -3.149451 -2.086541
OP .1635324 .0487866 3.35 0.001 .0677946 .2592702
GDPG .5686138 .117019 4.86 0.000 .338978 .7982497
USDX .1733047 .108972 1.59 0.112 -.0405398 .3871491
_cons -6.021931 1.677721 -3.59 0.000 -9.314257 -2.729605
q40
SPECALL -1.056169 .141707 -7.45 0.000 -1.334252 -.7780858
TO 4.581635 .6870589 6.67 0.000 3.233364 5.929906
FO -2.938807 .4194037 -7.01 0.000 -3.761836 -2.115777
OP .1952084 .0426085 4.58 0.000 .1115944 .2788224
GDPG .4069397 .1488654 2.73 0.006 .1148091 .6990702
USDX .1529642 .1280687 1.19 0.233 -.0983553 .4042837
_cons -3.949005 2.170518 -1.82 0.069 -8.208387 .3103765
q50
SPECALL -1.118014 .1307504 -8.55 0.000 -1.374596 -.861432
TO 6.238707 .500385 12.47 0.000 5.256762 7.220653
FO -3.912612 .3145643 -12.44 0.000 -4.529906 -3.295317
OP .0570966 .0373956 1.53 0.127 -.0162878 .130481
GDPG .2205658 .1479936 1.49 0.136 -.0698539 .5109854
USDX -.0177847 .1033636 -0.17 0.863 -.2206234 .185054
_cons -.6825919 2.033528 -0.34 0.737 -4.673148 3.307964
q60
SPECALL -1.046606 .0836198 -12.52 0.000 -1.2107 -.8825122
TO 5.978393 .2632876 22.71 0.000 5.461722 6.495063
FO -3.716773 .2149176 -17.29 0.000 -4.138523 -3.295023
OP .0221422 .0247074 0.90 0.370 -.0263432 .0706276
GDPG .3408613 .0578543 5.89 0.000 .2273293 .4543934
USDX -.0456282 .0591913 -0.77 0.441 -.161784 .0705275
_cons -2.141609 .7327506 -2.92 0.004 -3.579544 -.7036734
q70
SPECALL -.961372 .1215606 -7.91 0.000 -1.19992 -.7228238
TO 5.470994 .5278216 10.37 0.000 4.435208 6.506781
FO -3.211342 .4036783 -7.96 0.000 -4.003512 -2.419172
OP .0463372 .0431817 1.07 0.284 -.0384018 .1310762
GDPG .2788934 .0819438 3.40 0.001 .1180886 .4396982
USDX -.0521857 .1074454 -0.49 0.627 -.2630345 .1586631
_cons -1.25544 .9066108 -1.38 0.166 -3.034556 .5236747
q80
SPECALL -.8023051 .1383222 -5.80 0.000 -1.073746 -.5308645
TO 4.063143 .6902887 5.89 0.000 2.708534 5.417752
FO -1.953492 .5845602 -3.34 0.001 -3.100621 -.8063625
OP .1273754 .049715 2.56 0.011 .0298157 .2249351
GDPG .0314968 .1224227 0.26 0.797 -.208743 .2717367
USDX .02965 .0992535 0.30 0.765 -.1651231 .2244231
_cons 1.855917 1.467782 1.26 0.206 -1.024428 4.736262
q90
SPECALL -.3862379 .1572122 -2.46 0.014 -.694748 -.0777279
TO 2.754924 .3081282 8.94 0.000 2.150259 3.359589
FO -.8708887 .2273056 -3.83 0.000 -1.316949 -.4248287
OP .1922393 .0260585 7.38 0.000 .1411026 .2433759
GDPG -.2172166 .0816533 -2.66 0.008 -.3774515 -.0569817
USDX -.0828682 .1044466 -0.79 0.428 -.2878322 .1220957
_cons 5.269566 1.091412 4.83 0.000 3.127802 7.411331
Annexes
6) Régression en quantile (Huile de soja) : SPECALL²

.20 Pseudo R2 = 0.6078
.30 Pseudo R2 = 0.6022
.40 Pseudo R2 = 0.5965
.50 Pseudo R2 = 0.5910
.60 Pseudo R2 = 0.5831
.70 Pseudo R2 = 0.5756
.80 Pseudo R2 = 0.5725
.90 Pseudo R2 = 0.5478
Bootstrap
q10
SPECALL -3.644099 .4117544 -8.85 0.000 -4.452119 -2.83608
SPECALLsqrt1 .5300388 .0872575 6.07 0.000 .3588063 .7012713
TO 3.571572 .9718108 3.68 0.000 1.664507 5.478637
FO -2.19161 .494354 -4.43 0.000 -3.161722 -1.221498
OP .1852978 .0432979 4.28 0.000 .1003307 .2702649
GDPG .4684548 .1788135 2.62 0.009 .1175544 .8193553
USDX .6372054 .1582902 4.03 0.000 .3265794 .9478313
_cons -4.491115 2.970696 -1.51 0.131 -10.32076 1.338527
q20
SPECALL -4.084078 .5075141 -8.05 0.000 -5.080015 -3.088141
SPECALLsqrt1 .6309405 .1058618 5.96 0.000 .4231992 .8386818
TO 3.754366 .770486 4.87 0.000 2.242378 5.266354
FO -2.272458 .4243755 -5.35 0.000 -3.105245 -1.439671
OP .1879854 .0532916 3.53 0.000 .0834069 .2925638
GDPG .4941513 .1240144 3.98 0.000 .2507877 .737515
USDX .5624227 .1153365 4.88 0.000 .3360883 .7887572
_cons -4.383966 1.998496 -2.19 0.028 -8.30578 -.4621526
q30
SPECALL -4.68171 .3619213 -12.94 0.000 -5.391938 -3.971482
SPECALLsqrt1 .7421145 .0752506 9.86 0.000 .5944439 .889785
TO 3.757615 .3568662 10.53 0.000 3.057307 4.457923
FO -2.38909 .2223974 -10.74 0.000 -2.825519 -1.952661
OP .2134251 .0369092 5.78 0.000 .1409951 .2858551
GDPG .4766479 .0762193 6.25 0.000 .3270765 .6262192
USDX .6919445 .0563566 12.28 0.000 .5813514 .8025376
_cons -4.237601 1.1302 -3.75 0.000 -6.455487 -2.019715
q40
SPECALL -4.963868 .4434581 -11.19 0.000 -5.834103 -4.093634
SPECALLsqrt1 .8144901 .097589 8.35 0.000 .6229832 1.005997
TO 4.22068 .7268641 5.81 0.000 2.794294 5.647065
FO -2.628063 .4108841 -6.40 0.000 -3.434375 -1.821751
OP .1692959 .0713952 2.37 0.018 .0291913 .3094005
GDPG .3756289 .1115217 3.37 0.001 .1567807 .5944771
USDX .6138647 .1000051 6.14 0.000 .4176164 .8101129
_cons -2.417972 1.907432 -1.27 0.205 -6.161083 1.32514
q50
SPECALL -5.171369 .3628981 -14.25 0.000 -5.883514 -4.459224
SPECALLsqrt1 .8575431 .0794519 10.79 0.000 .7016281 1.013458
TO 5.2987 .6469401 8.19 0.000 4.029155 6.568244
FO -3.263599 .4041336 -8.08 0.000 -4.056664 -2.470535
OP .0828194 .0605768 1.37 0.172 -.0360555 .2016942
GDPG .2956751 .0887726 3.33 0.001 .1214693 .4698809
USDX .368927 .1017206 3.63 0.000 .1693122 .5685418
_cons -.4816357 1.517591 -0.32 0.751 -3.459729 2.496458
q60
SPECALL -5.452165 .3961786 -13.76 0.000 -6.229619 -4.674711
SPECALLsqrt1 .9245546 .0884211 10.46 0.000 .7510387 1.098071
TO 5.195526 .3770735 13.78 0.000 4.455563 5.935488
FO -3.174348 .2680496 -11.84 0.000 -3.700363 -2.648332
OP .0864867 .0312 2.77 0.006 .0252604 .147713
GDPG .2104633 .08112 2.59 0.010 .0512747 .3696518
USDX .4071873 .0969983 4.20 0.000 .2168394 .5975351
_cons .7339294 1.246697 0.59 0.556 -1.712568 3.180427
q70
SPECALL -5.067214 .4913999 -10.31 0.000 -6.031529 -4.1029
SPECALLsqrt1 .8415367 .1089956 7.72 0.000 .6276456 1.055428
TO 4.756961 .3323594 14.31 0.000 4.104744 5.409177
FO -2.743181 .2735636 -10.03 0.000 -3.280017 -2.206344
OP .1096422 .0254271 4.31 0.000 .0597445 .15954
GDPG .1462325 .0870029 1.68 0.093 -.0245004 .3169654
USDX .3963903 .0842267 4.71 0.000 .2311053 .5616753
_cons 1.466329 1.263594 1.16 0.246 -1.013326 3.945985
q80
SPECALL -5.002742 .3719922 -13.45 0.000 -5.732733 -4.272751
SPECALLsqrt1 .851213 .0799662 10.64 0.000 .6942887 1.008137
TO 3.539673 .3555251 9.96 0.000 2.841997 4.237349
FO -1.692313 .2775746 -6.10 0.000 -2.237021 -1.147605
OP .1734879 .0343526 5.05 0.000 .106075 .2409008
GDPG -.0156449 .0778881 -0.20 0.841 -.1684911 .1372013
USDX .484681 .1367957 3.54 0.000 .2162355 .7531264
_cons 3.449589 1.15218 2.99 0.003 1.188571 5.710607
q90
SPECALL -4.035684 .5833382 -6.92 0.000 -5.180416 -2.890951
SPECALLsqrt1 .7036626 .1078012 6.53 0.000 .4921153 .9152098
TO 2.319135 .2171273 10.68 0.000 1.893048 2.745222
FO -.7350668 .1996938 -3.68 0.000 -1.126942 -.3431912
OP .2572462 .0234908 10.95 0.000 .2111484 .3033441
GDPG -.2073612 .0633373 -3.27 0.001 -.3316533 -.0830691
USDX .4286011 .0944949 4.54 0.000 .2431659 .6140363
_cons 5.601679 .8846839 6.33 0.000 3.865591 7.337768
Annexes
7) Régression en quantile (Avoine) : SPECALL

.20 Pseudo R2 = 0.6180
.30 Pseudo R2 = 0.6121
.40 Pseudo R2 = 0.6038
.50 Pseudo R2 = 0.5922
.60 Pseudo R2 = 0.5798
.70 Pseudo R2 = 0.5652
.80 Pseudo R2 = 0.5448
.90 Pseudo R2 = 0.5114
Bootstrap
q10
SPECALL -.1352213 .0559183 -2.42 0.016 -.2449542 -.0254884
TO 3.007245 .3082689 9.76 0.000 2.402304 3.612185
FO -2.143528 .1692222 -12.67 0.000 -2.475606 -1.81145
OP .277645 .0352016 7.89 0.000 .2085661 .3467239
GDPG .2408325 .0889812 2.71 0.007 .0662175 .4154475
USDX .5797322 .0891502 6.50 0.000 .4047855 .7546788
_cons -2.430408 1.242634 -1.96 0.051 -4.868928 .0081121
q20
SPECALL -.0994131 .0426282 -2.33 0.020 -.1830658 -.0157605
TO 2.833634 .3515845 8.06 0.000 2.143692 3.523577
FO -2.091698 .2402191 -8.71 0.000 -2.563099 -1.620296
OP .2837307 .0281223 10.09 0.000 .228544 .3389173
GDPG .3135815 .0802877 3.91 0.000 .1560264 .4711365
USDX .457047 .0966954 4.73 0.000 .2672938 .6468002
_cons -3.196873 1.198916 -2.67 0.008 -5.549601 -.8441451
q30
SPECALL -.0390485 .0548277 -0.71 0.477 -.1466414 .0685443
TO 3.069886 .4146329 7.40 0.000 2.256219 3.883554
FO -2.205409 .2730012 -8.08 0.000 -2.741141 -1.669677
OP .270628 .03119 8.68 0.000 .2094212 .3318347
GDPG .3100254 .093117 3.33 0.001 .1272944 .4927564
USDX .2547639 .1380809 1.85 0.065 -.0162033 .5257311
_cons -2.671268 1.442943 -1.85 0.064 -5.50287 .1603351
q40
SPECALL -.0485937 .0552556 -0.88 0.379 -.1570263 .0598388
TO 3.236752 .3583546 9.03 0.000 2.533525 3.93998
FO -2.233126 .2195381 -10.17 0.000 -2.663943 -1.802309
OP .2757737 .0218003 12.65 0.000 .2329932 .3185542
GDPG .2847873 .0637581 4.47 0.000 .1596696 .4099049
USDX .0628164 .0916443 0.69 0.493 -.1170245 .2426573
_cons -1.875918 1.029611 -1.82 0.069 -3.896406 .1445701
q50
SPECALL -.1901001 .0919816 -2.07 0.039 -.3706029 -.0095973
TO 3.386449 .3958381 8.56 0.000 2.609664 4.163234
FO -2.216422 .2659341 -8.33 0.000 -2.738286 -1.694558
OP .262775 .0286225 9.18 0.000 .2066067 .3189433
GDPG .3350428 .1009831 3.32 0.001 .1368756 .53321
USDX -.0669068 .0924648 -0.72 0.469 -.2483579 .1145443
_cons -2.115186 1.359612 -1.56 0.120 -4.783262 .5528895
q60
SPECALL -.2095144 .1016159 -2.06 0.039 -.4089235 -.0101054
TO 3.82307 .5539401 6.90 0.000 2.736029 4.910111
FO -2.221296 .4014449 -5.53 0.000 -3.009083 -1.433508
OP .2099317 .0375949 5.58 0.000 .1361563 .2837072
GDPG .3143881 .1122819 2.80 0.005 .0940483 .5347279
USDX -.2306273 .1046388 -2.20 0.028 -.4359684 -.0252863
_cons -1.157114 1.497672 -0.77 0.440 -4.096116 1.781888
q70
SPECALL -.2220694 .0985053 -2.25 0.024 -.4153742 -.0287647
TO 3.428284 .5978363 5.73 0.000 2.255102 4.601466
FO -1.999713 .3389554 -5.90 0.000 -2.664873 -1.334554
OP .2691758 .0503013 5.35 0.000 .1704654 .3678861
GDPG .2915262 .1119172 2.60 0.009 .071902 .5111503
USDX -.3119457 .1049892 -2.97 0.003 -.5179744 -.105917
_cons -.8275006 1.661495 -0.50 0.619 -4.087986 2.432985
q80
SPECALL -.337908 .09513 -3.55 0.000 -.5245893 -.1512268
TO 2.933222 .5201564 5.64 0.000 1.912477 3.953967
FO -2.410592 .2988669 -8.07 0.000 -2.997083 -1.824102
OP .3832704 .0421316 9.10 0.000 .3005921 .4659486
GDPG .3668473 .1101817 3.33 0.001 .1506289 .5830657
USDX -.4608514 .1071218 -4.30 0.000 -.6710651 -.2506377
_cons -2.264578 1.602267 -1.41 0.158 -5.408835 .8796796
q90
SPECALL -.4035736 .0696166 -5.80 0.000 -.5401877 -.2669594
TO 3.381763 .4518007 7.49 0.000 2.495158 4.268368
FO -2.890592 .2371772 -12.19 0.000 -3.356024 -2.42516
OP .3835608 .0429826 8.92 0.000 .2992127 .4679089
GDPG .375765 .0831834 4.52 0.000 .2125276 .5390025
USDX -.6244683 .0816277 -7.65 0.000 -.7846528 -.4642837
_cons -2.135214 1.19009 -1.79 0.073 -4.470623 .2001944
Annexes
8) Régression en quantile (Avoine) : SPECALL²

.20 Pseudo R2 = 0.6188
.30 Pseudo R2 = 0.6149
.40 Pseudo R2 = 0.6047
.50 Pseudo R2 = 0.5934
.60 Pseudo R2 = 0.5818
.70 Pseudo R2 = 0.5683
.80 Pseudo R2 = 0.5462
.90 Pseudo R2 = 0.5114
Bootstrap
q10
SPECALL -.2920033 .3361067 -0.87 0.385 -.9515733 .3675667
SPECALLsqrt1 .052972 .1306332 0.41 0.685 -.2033804 .3093244
TO 3.014403 .2956806 10.19 0.000 2.434165 3.594642
FO -2.127522 .1924929 -11.05 0.000 -2.505267 -1.749778
OP .2621182 .0349212 7.51 0.000 .1935894 .3306469
GDPG .2721059 .072749 3.74 0.000 .1293446 .4148672
USDX .5754224 .0983401 5.85 0.000 .3824414 .7684033
_cons -2.720714 .9936179 -2.74 0.006 -4.670573 -.7708559
q20
SPECALL -.5340933 .2460449 -2.17 0.030 -1.016928 -.0512591
SPECALLsqrt1 .1672595 .093025 1.80 0.072 -.0152912 .3498101
TO 2.838861 .2531954 11.21 0.000 2.341994 3.335727
FO -2.040219 .1811832 -11.26 0.000 -2.39577 -1.684669
OP .2761944 .0206148 13.40 0.000 .2357404 .3166485
GDPG .3300633 .0733942 4.50 0.000 .1860359 .4740908
USDX .4214607 .079648 5.29 0.000 .2651609 .5777606
_cons -3.080847 1.075774 -2.86 0.004 -5.191927 -.9697666
q30
SPECALL -.8404591 .3574072 -2.35 0.019 -1.541829 -.1390894
SPECALLsqrt1 .3242281 .1400769 2.31 0.021 .0493436 .5991125
TO 3.159682 .2758491 11.45 0.000 2.61836 3.701003
FO -2.255029 .1689272 -13.35 0.000 -2.586529 -1.923529
OP .2568598 .0177887 14.44 0.000 .2219516 .2917681
GDPG .3443628 .0784041 4.39 0.000 .190504 .4982217
USDX .1551242 .0947526 1.64 0.102 -.0308166 .3410651
_cons -2.496474 1.171771 -2.13 0.033 -4.795937 -.1970119
q40
SPECALL -.5022739 .395125 -1.27 0.204 -1.27766 .2731126
SPECALLsqrt1 .1888672 .1535903 1.23 0.219 -.1125358 .4902701
TO 3.151492 .3035482 10.38 0.000 2.555815 3.74717
FO -2.231581 .215383 -10.36 0.000 -2.654245 -1.808917
OP .2719222 .0259808 10.47 0.000 .220938 .3229064
GDPG .3292825 .083397 3.95 0.000 .1656257 .4929393
USDX .0778805 .0835937 0.93 0.352 -.0861622 .2419233
_cons -2.305807 1.157877 -1.99 0.047 -4.578005 -.0336094
q50
SPECALL -.7381134 .2921867 -2.53 0.012 -1.311496 -.1647313
SPECALLsqrt1 .2472915 .1318648 1.88 0.061 -.0114776 .5060607
TO 3.26449 .3992657 8.18 0.000 2.480978 4.048002
FO -2.095702 .2623605 -7.99 0.000 -2.610553 -1.58085
OP .2434625 .0314056 7.75 0.000 .1818327 .3050923
GDPG .3711794 .087412 4.25 0.000 .1996436 .5427152
USDX -.0114271 .1015264 -0.11 0.910 -.2106608 .1878066
_cons -2.354304 1.223657 -1.92 0.055 -4.755588 .0469793
q60
SPECALL -1.043645 .458681 -2.28 0.023 -1.943753 -.1435376
SPECALLsqrt1 .3592618 .2048749 1.75 0.080 -.0427811 .7613048
TO 3.44235 .6027422 5.71 0.000 2.259539 4.625161
FO -1.975763 .3893814 -5.07 0.000 -2.739878 -1.211648
OP .1964239 .0326645 6.01 0.000 .1323237 .2605242
GDPG .3907785 .1117024 3.50 0.000 .1715756 .6099814
USDX -.1674637 .1153122 -1.45 0.147 -.3937504 .0588229
_cons -1.865616 1.567828 -1.19 0.234 -4.942295 1.211063
q70
SPECALL -1.086699 .3974393 -2.73 0.006 -1.866627 -.3067708
SPECALLsqrt1 .4008647 .1940155 2.07 0.039 .020132 .7815974
TO 3.18803 .6340203 5.03 0.000 1.94384 4.432221
FO -1.876924 .3668627 -5.12 0.000 -2.596849 -1.156999
OP .2437698 .0562772 4.33 0.000 .1333323 .3542073
GDPG .3389831 .0916255 3.70 0.000 .1591787 .5187875
USDX -.2360758 .1130081 -2.09 0.037 -.457841 -.0143107
_cons -1.134896 1.196812 -0.95 0.343 -3.4835 1.213708
q80
SPECALL -.7833478 .4017979 -1.95 0.052 -1.571829 .0051334
SPECALLsqrt1 .2183051 .1960842 1.11 0.266 -.1664871 .6030974
TO 3.225658 .6275385 5.14 0.000 1.994187 4.457129
FO -2.42136 .3812021 -6.35 0.000 -3.169424 -1.673295
OP .3189606 .0598472 5.33 0.000 .2015175 .4364037
GDPG .3688719 .0865018 4.26 0.000 .1991222 .5386216
USDX -.4723559 .1301939 -3.63 0.000 -.7278461 -.2168658
_cons -1.75327 1.240546 -1.41 0.158 -4.187697 .6811564
q90
SPECALL -.444551 .3311102 -1.34 0.180 -1.094316 .2052139
SPECALLsqrt1 .0255596 .1675101 0.15 0.879 -.3031593 .3542786
TO 3.402812 .4292879 7.93 0.000 2.560384 4.245239
FO -2.897251 .2335069 -12.41 0.000 -3.35548 -2.439021
OP .3788406 .0461995 8.20 0.000 .2881796 .4695017
GDPG .3691505 .0615705 6.00 0.000 .2483256 .4899754
USDX -.6262133 .087771 -7.13 0.000 -.7984536 -.4539729
_cons -2.00322 .8394427 -2.39 0.017 -3.650528 -.3559124
Table des matières
Introduction générale ............................................................................................................... 1

Chapitre I : La spéculation financière : Théories et concepts de base ................................ 4
Introduction ....................................................................................................................................... 5
1.1. L’importance et le rôle du marché des matières premières ................................................ 5
1.2. La spéculation financière sur le marché des matières premières : principes de base ..... 8
1.2.1. La spéculation sur le marché des produits de base : est-elle utile ou nuisible ? ....... 9
1.2.2. La financiarisation du marché des matières premières ........................................... 11
1.2.3. L’interaction entre les spéculateurs et les hedgers .................................................. 12
1.3. Effet de la spéculation financière sur les prix des matières premières - Fondement
théorique .......................................................................................................................................... 14
1.3.1 Les motivations des spéculateurs ............................................................................. 14
1.3.2. La théorie fondatrice du marché à terme ................................................................ 15
1.3.3. Les théories de la prime de risque........................................................................... 16
1.3.4. Les théories de spéculation de Hicks (1939) .......................................................... 18
1.3.5 Les théories traditionnelles du stockage .................................................................. 20
1.3.6 Les théories modernes du stockage .......................................................................... 21
1.3.7 La théorie du rendement d’une matière première (convenience yield) ................... 22
1.3.8. L’hypothèse de Masters (2008) .............................................................................. 23
Conclusion ....................................................................................................................................... 24
Chapitre II : Les déterminants des prix des matières premières : Mesures, travaux et
approches ................................................................................................................................ 26
Introduction ..................................................................................................................................... 27
2.1. Effet de la spéculation financière sur les prix des matières premières : Etudes
empiriques........................................................................................................................................ 27
2.1.1. La spéculation est responsable de la flambée des prix ........................................... 27
2.1.2. La spéculation a un effet stabilisant sur les prix ................................................ 32
2.2. Mesures de la spéculation financière .................................................................................... 38
2.2.1. L’indice de Working (WORKINGIND) ................................................................. 39
2.2.2. Le pourcentage de positions longues occupées par les spéculateurs par rapport à
l’intérêt ouvert (SPECLONG) .......................................................................................... 39
2.2.3. La part du marché des spéculateurs par rapport à l’intérêt ouvert (SPECALL) ..... 40
2.3. Autres variables susceptibles d’influencer les prix des matières premières ................... 40
2.3.1. Les variables structurelles .................................................................................. 40
2.3.2. Variables macroéconomiques ................................................................................. 42
2.4. Approches économétriques retenues ................................................................................... 43
2.4.1. L’approche des moindres carrés ordinaires (MCO)................................................ 43
2.4.2 L’approche de la régression en quantile .................................................................. 43
Conclusion ....................................................................................................................................... 47
Chapitre III : L’impact de la spéculation financière sur les prix des matières premières :
Validation empirique ............................................................................................................. 48
Introduction ..................................................................................................................................... 49
3.1. Les données de l’étude ........................................................................................................... 49
3.1.1. L’échantillon retenu ................................................................................................ 49
3.1.2. Source des données ................................................................................................. 49
3.1.3. Choix de la période : ............................................................................................... 50
3.2. Opérationnalisation des variables dépendantes ................................................................... 50
3.2.1. Le prix des matières premières ............................................................................... 50
3.2.2. Le rendement de la matière première ...................................................................... 50
3.2.3. Les variables explicatives du prix des matières premières ..................................... 51
3.3 Modèles économétriques ......................................................................................................... 51
3.3.1 Spéculation financière et variation des prix : Relation linéaire ............................... 51
3.3.2 Spéculation financière et variation des prix : Relation non linéaire ....................... 52
3.4 Analyse descriptive, stationnarité et analyse de corrélation ............................................... 53
3.4.1 Analyse descriptive .................................................................................................. 53
3.4.2 Test de stationnarité : ............................................................................................... 55
3.4.3 Analyse des corrélations .......................................................................................... 56
3.5 Analyse multi variée ................................................................................................................ 59
3.5.1 Résultats d’estimation par MCO de l’effet de la spéculation financière sur les prix
des matières premières ...................................................................................................... 59
3.5.2 Analyse des résidus : ................................................................................................ 65
3.6. Effet de la spéculation financière sur les prix des matières premières : approche de la
régression en quantile ..................................................................................................................... 69
Conclusion générale ............................................................................................................... 83
Bibliographie du mémoire ..................................................................................................... 85
Sitographie .............................................................................................................................. 92
ANNEXES

Mémoire de Master 2019 Wael Hachani M2 Finance Recherche

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

Mémoire de Master 2019 Wael Hachani M2 Finance Recherche

Transféré par

Droits d'auteur :

Formats disponibles

Ministère de l'Enseignement Supérieur

& de la Recherche Scientifique

La spéculation financière dans le

Elaboré par : Wael Hachani.

Encadré par : Dr Monia Antar.

Année universitaire 2018-2019

Ma très chère mère Hedia

Mon très cher père Fehmi

Mes grands-parents et mes oncles :

Mes amis Youssef, Souhail, Mahdi, Atef:

Mon chère frère Mohamed

Ma chère amie Meriem

Ma chère amie Fatma

A l’issue de ce travail, je tiens à remercier Dieu le tout puissant pour la santé et la

En deuxième lieu, J’adresse ma gratitude à toutes les composantes du lycée pilote de

Je remercie aussi la FSEG de Tunis et l’ISG de Bizerte pour la qualité de formation

Ma reconnaissance s’adresse également à ma chère famille pour leur patience et leur

This research examines the impact of financial speculation on agricultural commodities

Key words: financial speculation, commodity prices, threshold, futures, nonlinear

Introduction générale ............................................................................................................... 1

Tableau 1 : Statistique descriptive............................................................................................ 53

Figure 1 : Test de normalité : Blé ............................................................................................. 66

SPECALL Ratio du total des positions des spéculateurs (longue et

D’autres admettent que la spéculation est fondamentale pour le bon fonctionnement du

Ce travail de recherche est organisé comme suit :

Théories et concepts de base

1.1. L’importance et le rôle du marché des matières premières

1.2. La spéculation financière sur le marché des matières premières :

La financiarisation du marché des matières premières se matérialise par la gestion indicielle

prévisions du marché concernant le prix au comptant à la date de livraison. Cependant,

1.3.5 Les théories traditionnelles du stockage

contrôle de leurs actions et du rendement de commodité. À noter qu’il existe toujours la

D’autres théories telle que la théorie du stockage et d’inventaire de Working (1933,1949),

H1 : La spéculation impacte les prix des matières premières.

En outre, les différentes recherches accusant la spéculation de la déstabilisation du marché ont

Les déterminants des prix des matières

Mesures, travaux et approches

2.1.1.2 Les produits énergétiques

2.1.2.1. Les produits de base agricoles

2.1.2.3. Les paniers de produits de base

cointégrations et de l’hétéroscédasticité conditionnelle dans les données. Ils confirment qu’il y

il y a suffisamment de spéculateurs disponibles pour répondre aux besoins de hedging, une

2.2. Mesures de la spéculation financière

2.2.1. L’indice de Working (WORKINGIND)

2.3. Autres variables susceptibles d’influencer les prix des matières

2.3.1. Les variables structurelles

2.3.1.1. L’ouverture financière (FO)

2.3.1.2. L’ouverture commerciale (TO)

2.4. Approches économétriques retenues

En effet la méthode de la régression en quantile remédie à ce problème. Elle introduit de

En d’autres termes, la méthode de la régression en quantile est considérée comme

L’avantage principal lié à l’adoption de la méthode de la régression en quantile par rapport à

Dans ce sens, à la différence de la méthode MCO, les estimateurs de l’approche de la

𝒀𝒕 = 𝜷𝟎 + 𝜷1 𝑿1𝒕 + 𝜷2 𝑿𝟐𝒕 + ⋯ + 𝜷𝒌 𝑿𝒌𝒕 + 𝜺𝒕 = 𝑿′𝒕 𝜷 + 𝜺𝒕

En effet, pour estimer le vecteur du coefficient 𝛽 à l’aide de la méthode MCO, il faut en

𝐦𝐢𝐧 ∑(𝜺𝒕 )𝟐 = ∑(𝒀𝒕 − 𝑿′ 𝒕 𝜷)²

Lors de l’application de la méthode de la régression en quantile, les coefficients seront

𝑸𝜽 (𝒀𝒕 /𝑿𝒕 ) = 𝐢𝐧𝐟{𝒀: 𝑭𝒕 (𝒀𝒊 / 𝑿𝒊 ) 𝜽} = 𝑿′𝒕 𝜷𝜽

𝑴𝒊𝒏 ∑ 𝜽 × |𝜺𝜽𝒕 | + ∑ (𝟏 − 𝜽) × |𝜺𝜽𝒕 |

La détermination de ce problème d’optimisation nous offre les 𝜃 𝑖é𝑚𝑒 estimateurs de la

La technique de la régression en quantile est similaire à la régression linéaire. Néanmoins, son

Dans ce contexte, nous pouvons appliquer cette méthode en transformant la valeur du

En manipulant le logiciel STATA via la commande « SQREG », nous allons réexaminer la

USDX 0.305* 0.505* 0.220* 0.306* 0.130* 0.467* -0.178 -0.159**