Telechargé par T HA

interruptedresultats

publicité
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/342349639
Covid-19 et stress financiers : modélisation de la dynamique des principales
bourses européennes et de New York (Covid-19 and financial stress: modeling
the dynamics of the main Eu...
Preprint · June 2020
DOI: 10.13140/RG.2.2.33333.29929
CITATIONS
READS
0
167
3 authors, including:
Giscard Assoumou Ella
Omar Bongo University
35 PUBLICATIONS 13 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Forecasting CEMAC’s foreign exchange reserves in presence of unanticipated changes in oil prices: an interrupted time series modeling View project
Monnaie et COVID-19 View project
All content following this page was uploaded by Giscard Assoumou Ella on 25 June 2020.
The user has requested enhancement of the downloaded file.
Covid-19 et stress financiers : modélisation de la dynamique des principales
bourses européennes et de New York (Covid-19 and Financial Stress: modeling the dynamics
of the main European and New York stock exchanges)
Giscard Assoumou-Ella
CIREGED, Omar Bongo University, Gabon
Associate Researcher at LEAD, University of Toulon, France
[email protected]
Mots clés : Covid-19, stress financiers, marchés boursiers
Résumé
Nous utilisons l’approche méthodologique développée par Linden et Arbor (2015 ; 2017) pour modéliser l’impact
de la pandémie de la covid-19 sur les principales places boursières européennes et de New York. Le résultat
montre qu’à l’exception de la bourse de Londres qui est principalement impactée par l’annonce de
l’hospitalisation du premier ministre britannique, les autres principales bourses européennes, à savoir les bourses
de Francfort, Milan, Paris et Madrid, sont fortement impactées par la pandémie de la covid-19. En outre, la
bourse de Now York est négativement impactée par l’annonce du confinement de la population, alors que les
bourses européennes accueillent favorablement cette mesure. Les mésententes entre le gouvernement fédéral et les
gouverneurs à propos du confinement pourrait expliquer le manque de confiance des acteurs des marchés
financiers en la capacité des gouvernants américains à combattre efficacement la pandémie. Le message principal
véhiculé par les résultats est donc celui de placer la confiance aux politiques menées par les autorités au centre de
toute réaction des marchés boursiers en période de pandémie.
Abstract
We use the methodological approach developed by Linden and Arbor (2015; 2017) to model the impact of the
covid-19 pandemic on the main European and New York stock exchanges. The result shows that with the
exception of the London Stock Exchange, which is mainly impacted by the announcement of the hospitalization
of the British Prime Minister, the other main European stock exchanges, namely the Frankfurt, Milan, Paris and
Madrid stock exchanges, are strongly impacted by the covid-19 pandemic. In addition, the Now York stock
exchange is negatively impacted by the announcement of population containment, whereas European stock
exchanges welcome this measure. The disagreements between the federal government and the governors over
containment could explain the lack of confidence among financial market players in the ability of US
governments to effectively combat the pandemic. The main message conveyed by the results is therefore that
confidence in the policies pursued by the authorities should be at the centre of any stock market response to a
pandemic.
GEA Working Paper N°7.
1
1. Introduction
La propagation de la covid-19 dans le monde et la mise en œuvre des mesures de
restictions économiques et sociales par les Etats pour la combattre font craindre la
survenance d’une baisse de l’offre et de la demande de biens et services pouvant
déboucher sur une crise économique et sociale mondiale. Cette crise sanitaire plonge
donc l’économie mondiale dans une incertitude qui peut conduire à la modification
des anticipations des acteurs des marchés boursiers.
Dans ce contexte, l’objectif de notre étude consiste à mesurer l’impact de la covid-19
sur la dynamique des principales bourses européennes et des Etats-Unis, notamment
les bourses de Francfort, Paris, Milan, Madrid, Londres et New York.
L’hypthèse de stress des marchés boursiers à la suite d’une pandémie avait déjà été
vérifiée empiriquement dans le cadre de l’étude menée sur l’Enterovirus 71, Dengue
Fever, Sars et H1N1 par Wang et al. (2013), et plus récemment par Al-Awadhi et al.
(2020) s’agissant de l’effet de la covid-19 sur la bourse chinoise.
Pour ce faire, nous prenons appui sur la version de la méthode des séries
chronologiques interrompues (ITSA) présentée par Linden et Arbor (2015 ; 2017)
pour modéliser l’impact de la pandémie à covid-19 sur la dynamique des principales
bourses européennes et de New York. La particularité de cette méthode est qu’elle
peut être utilisée dans beaucoup de domaines, notamment pour évaluer l’effet des
interventions communautaires (Gillings et al. 1981 ; Biglan et al. 2000;), l’impact des
politiques publiques (Muller 2004), l’effet d’une nouvelle réglementation (Briesacher
et al. 2013), l’efficacité des nouvelles technologies de la santé (Ramsay et al. 2003) et
l’impact des chocs des prix internationaux du pétrole (Assoumou-Ella, 2019).
En utilisant l’ITSA, la covid-19 est modélisée comme un choc, une innovation qui
peut conduire à une modification des anticipations et des comportements des acteurs
des marchés boursiers. En effet, ces derniers peuvent baisser leurs investissements, se
débarasser des actifs des entreprises travaillant dans les secteurs les plus touchés,
avoir confiance ou perdre confiance en la politique sanitaire menée par les autorités
pour lutter contre la pandémie, etc. Ainsi, la modification du comportement des
acteurs de la finance en période de pandémie peut conduire au stress des marchés
boursiers.
Les résultats véhiculent deux principaux messages : i) en dehors de la bourse de
Londres dont la dynamique est principalement expliquée par l’hospitalisation du
premier ministre britannique, les bourses européennes réagissent plus à la crise de la
2
covid-19 que la bourse de New York ; ii) toutes les bourses européennes retenues
dans notre étude réagissent favorablement aux mesures de restrictions sociales prises
par les autorités, alors que la bourse de New York réagit défavorablement.
La suite du travail est organisée de manière suivante : dans la section 2, on présente
la conception de la recherche. Dans la section 3, on présente les résultats empiriques,
avant de conclure dans la section 4.
2. Conception de la recherche
2.1.
Modèle empirique
Nous utilisons l’ITSA pour analyser l’effet de la covid-19 sur la dynamique des
bourses de Francfort, Paris, Milan, Madrid, Londres et New York. Nous procédons
également à la comparaison des réactions des différentes places boursières. Cette
méthode a été expliquée par Linden et Arbor (2015 ; 2017). Elle permet de mesurer
l’impact d’une intervention sur le niveau et le trend d’une série temporelle. Ainsi,
nous prenons appui sur la présentation retenue par les précédents auteurs, mais
également par Huitema et McKean (2000), Linden and Adams (2011) et Simonton
(1977a ; 1977b) :
𝐘𝐭 = 𝛃𝟎 + 𝛃𝟏 𝐓𝐭 + 𝛃𝟐 𝐗 𝐭 + 𝛃𝟑 𝐗 𝐭 𝐓𝐭 + 𝛜𝐭
(𝟏)
𝒀𝒕 représente l’évolution de l’indice boursier et t le temps. 𝜷𝟎 représente le niveau de
l’indice boursier avant la crise sanitaire. 𝑻𝒕 est le temps écoulé depuis le début de
l’étude. Le coefficient 𝜷𝟏 qui lui est asscocié donne une idée des trajectoires à la
hausse ou à la baisse de l’indice boursier. 𝑿𝒕 est une variable indicatrice qui prend la
valeur 0 la période avant l’intervention et 1 par la suite. Dans notre étude, elle est une
matrice qui intègre toutes la dates importantes de la pandémie, notamment l’annonce
du premier cas de la covid-19, l’annonce du premier décès lié à la covid-19, l’annonce
des mesures de confinement de la population et l’annonce de l’hospitalisation du
premier ministre britinnique malade de la covid-19. Les coefficients liés à cette
matrice représentent les changements du niveau de l’indice boursier le jour des
annonces précédemment énumérées. 𝑿𝒕 𝑻𝒕 est un terme d’interaction. Le coefficient
𝜷𝟑 qui lui est associé représente la différence entre les pentes pré-intervention et
post-intervention de l’indice boursier. Comme dans Linden et Adams (2011), 𝜷𝟐
significatif indique qu’il y a un effet immédiat sur l’indice boursier lié à la covid-19 et
𝜷𝟑 significatif indique qu’il y a un effet sur l’indice boursier lié à la covid-19 au fil du
temps. 𝝐𝒕 est un bruit blanc d’espérance mathématique nulle et de variance constante.
3
2.2.
Dates importantes de la pandémie de la covid-19 en Europe et
aux Etats-Unis
En dehors de l’Angleterre, nous modélisons l’effet de trois interventions liées à la
covid-19 sur la dynamique des indices boursiers. La première intervention est la date
de l’annonce officielle du premier cas de la covid-19. La seconde intervention est la
date de l’annonce officielle du premier décès lié à la covid-19. La troisième
intervention, quant à elle, est la date de l’annonce officielle des mesures de
restrictions sociales par les autorités pour lutter contre la propagation du virus. En
Angleterre, on a ajouté la date de l’annonce officielle de l’hospitalisation du premier
ministre malade de la covid-19. La période d’étude s’étend du 02 janvier 2020 au 18
juin 2020. Les séries boursières sont issues des bases de données en ligne des sites
internet suivant : https://finance.yahoo.com et https://www.boursorama.com.
3. Résultats empiriques
3.1. Stress de la bourse de Francfort
Pour modéliser la dynamique de la bourse de Francfort (DAX), nous partons de
l’équation empirique suivante :
𝐝𝐚𝐱 𝐭 = 𝐜𝐨𝐧𝐬 + 𝛃𝟏 𝐭 𝐭 +𝛃𝟐 𝐱𝟏𝟕𝐭 + 𝛃𝟑 𝐱𝐭𝟏𝟕𝐭 +𝛃𝟒 𝐱𝟒𝟔𝐭 + 𝛃𝟓 𝐱𝐭𝟒𝟔𝐭 +𝛃𝟔 𝐱𝟓𝟎𝐭 + 𝛃𝟕 𝐱𝐭𝟓𝟎𝐭 + 𝛜𝐭 (𝟐)
Nous modélisons l’effet de trois interventions sur la dynamique de l’indice boursier
DAX. La première intervention est la date de l’annonce officielle du premier cas de la
covid-19 en Allemagne par les autorités le 27 janvier 2020. Son effet sur la dynamique
de la bourse est mesuré par les coefficients β2 et β3 , respectivement la réaction de la
bourse le jour de l’annonce (x17) et la pente de la bourse après cette annonce (xt17).
La seconde intervention est la date de l’annonce officielle du premier décès lié à la
covid-19 en Allemagne le 09 mars 2020. Son effet sur la dynamique de la bourse est
capturé par les coefficients de x46 et xt46, respectivement β4 pour l’effet immédiat et
β5 pour l’effet sur la pente. La troisième intervention, quant à elle, est la date de
l’annonce officielle des mesures de restrictions sociales par les autorités pour lutter
contre la propagation du virus le 13 mars, date à laquelle 11 Länder allemands ont
décidé de fermer les établissements scolaires et les universités. L’effet de cette
annonce sur la dynamique de l’indice boursier est mesuré par les coefficients de x50
et xt50, rspectivement β6 pour l’effet immédiat et β7 pour l’effet sur la pente.
Tableau 1 : résultats de l’indice DAX
4
. itsa dax, single trperiod(17 46 50) lag(1) replace posttr figure
time variable:
time, 1 to 117
delta:
1 unit
Regression with Newey-West standard errors
maximum lag: 1
dax
Coef.
_t
_x17
_x_t17
_x46
_x_t46
_x50
_x_t50
_cons
18.06073
176.8014
-58.11162
-610.3745
-485.5001
-880.8503
577.0448
13252.51
Number of obs
F(
7,
109)
Prob > F
Newey-West
Std. Err.
6.717119
209.6299
17.34517
321.0927
40.5773
162.19
38.4089
72.5387
t
2.69
0.84
-3.35
-1.90
-11.96
-5.43
15.02
182.70
P>|t|
0.008
0.401
0.001
0.060
0.000
0.000
0.000
0.000
=
=
=
117
420.19
0.0000
[95% Conf. Interval]
4.747622
-238.6782
-92.48918
-1246.77
-565.923
-1202.306
500.9196
13108.74
31.37384
592.2809
-23.73406
26.02074
-405.0772
-559.3949
653.17
13396.27
Postintervention Linear Trend: 17
Treated: _b[_t]+_b[_x_t17]
Linear Trend
Treated
Coeff
-40.0509
Std. Err.
15.8592
t
-2.5254
P>|t|
[95% Conf. Interval]
0.0130
-71.4833
-8.6185
Postintervention Linear Trend: 46
Treated: _b[_t]+_b[_x_t17]+_b[_x_t46]
Linear Trend
Treated
Coeff
-525.5510
Std. Err.
37.3287
t
-14.0790
P>|t|
0.0000
[95% Conf. Interval]
-599.5353 -451.5666
Postintervention Linear Trend: 50
Treated: _b[_t]+_b[_x_t17]+_b[_x_t46]+_b[_x_t50]
Linear Trend
Treated
Coeff
51.4938
Std. Err.
3.8834
t
13.2600
P>|t|
0.0000
[95% Conf. Interval]
43.7971
59.1906
Le tableau 1 est un récapitulatif des résultats des effets des trois interventions
précédement expliquées sur la dynamique de la bourse de Francfort. On constate que
l’annonce officielle du premier cas de la covid-19 par les autorités allemandes n’a pas
immédiatement impacté la bourse de Francfort. En effet, le coefficient de _x17 n’est
pas significatif. Cependant, elle a eu un effet négatif dans le temps, car on constate
qu’elle a entrainé une dynamique de la bourse vers le bas. Cette dynamique baissière
est représentée par le coefficient de _x_t17 qui est négatif et significatif. Il montre
qu’en moyenne, l’indice boursier DAX baissait de -58 par jour jusqu’à la seconde
intervention. La seconde intervention qui est l’annonce du premier décès causé par la
covid-19 par les autorités a eu un impact significatif sur la bourse. En effet, le
coefficient de _x46 montre que cette annonce a entrainé une baisse de l’indice bourse
de -610 le même jour. Le coefficient de _x_t46, montre, quant à lui, que l’indice
boursier a continué à baisser de -485 en moyenne par jour, jusqu’à la troisième
intervention. Enfin, l’annonce des mesures de restrictions sociales pour stopper la
propagation de la covid-19 en Allemagne a positivement impacté la dynamique de
l’indice boursier. En effet, même si le coefficient de _x50 montre qu’elle a entainé une
baisse de l’indice boursier de -880 le jour de l’annonce, on constate cependant que le
coefficient de _x_t50 est positif et significatif. Ainsi, la bourse a eu, par la suite, une
dynamique haussière de 577 en moyenne par jour jusqu’à la fin de la période
d’étude. Ce résultat montre que les acteurs du marché boursier font confiance aux
autorités allemandes par rapport à leur capacité à lutter contre la propagation de la
pandemie.
5
Figure 1 : représentation des données rélles et prédites de l’indice DAX
8000
10000
dax
12000
14000
Intervention starts: 17 46 50
0
50
100
150
time
Actual
Predicted
Regression with Newey-W est standard errors - lag(1)
A partir de la figure 1, on constate que le modèle explique mieux la dynamique de la
bourse après la seconde intervention représentée par l’annonce du premier décès lié
à la covid-19 en Allemagne. En effet, on ne constate pas d’importants écarts entre les
valeurs réelles et les valeurs prédites.
3.2. Stress de la bourse de Paris
Pour modéliser la dynamique de la bourse de Paris (CAC40), nous partons de
l’équation suivante :
𝐜𝐚𝐜𝟒𝟎𝐭 = 𝐜𝐨𝐧𝐬 + 𝛃𝟏 𝐭 𝐭 +𝛃𝟐 𝐱𝟏𝟔𝐭 + 𝛃𝟑 𝐱𝐭𝟏𝟔𝐭 +𝛃𝟒 𝐱𝟒𝟏𝐭 + 𝛃𝟓 𝐱𝐭𝟒𝟏𝐭 +𝛃𝟔 𝐱𝟓𝟐𝐭 + 𝛃𝟕 𝐱𝐭𝟓𝟐𝐭 + 𝛜𝐭 (𝟑)
Comme pour la bourse de Francfort, nous modélisons l’effet de trois interventions
sur la dynamique de l’indice boursier, respectivement la date de l’annonce officielle
du premier cas de la covid-19 sur le territoire métropolitain français le 24 janvier
2020, la date de l’annonce officielle du premier décès lié à la covid-19 le 01 mars 2020
et celle du confinement total de la population le 17 mars de la même année. Le
tableau 2 ci-dessous est un récapitulatif des résultats de l’estimation de l’équation (2).
Tableau 2 : résultats du CAC40
6
. itsa cac40, single trperiod(16 41 52) lag(1) replace posttr figure
time variable:
time, 1 to 117
delta:
1 unit
Regression with Newey-West standard errors
maximum lag: 1
cac40
Coef.
_t
_x16
_x_t16
_x41
_x_t41
_x52
_x_t52
_cons
.0390416
-34.93163
-4.798703
-245.3369
-138.6335
7.139839
157.0521
6035.518
Number of obs
F(
7,
109)
Prob > F
Newey-West
Std. Err.
2.460713
69.25108
6.965543
182.4999
26.00213
143.7587
24.06665
14.15237
t
0.02
-0.50
-0.69
-1.34
-5.33
0.05
6.53
426.47
P>|t|
0.987
0.615
0.492
0.182
0.000
0.960
0.000
0.000
=
=
=
117
450.37
0.0000
[95% Conf. Interval]
-4.838013
-172.185
-18.60418
-607.0458
-190.1689
-277.7853
109.3528
6007.468
4.916096
102.3218
9.006778
116.372
-87.09815
292.065
204.7514
6063.567
Postintervention Linear Trend: 16
Treated: _b[_t]+_b[_x_t16]
Linear Trend
Treated
Coeff
-4.7597
Std. Err.
6.5445
t
-0.7273
P>|t|
[95% Conf. Interval]
0.4686
-17.7307
8.2114
Postintervention Linear Trend: 41
Treated: _b[_t]+_b[_x_t16]+_b[_x_t41]
Linear Trend
Treated
Coeff
-143.3932
Std. Err.
23.9926
t
-5.9766
P>|t|
0.0000
[95% Conf. Interval]
-190.9457
-95.8407
Postintervention Linear Trend: 52
Treated: _b[_t]+_b[_x_t16]+_b[_x_t41]+_b[_x_t52]
Linear Trend
Treated
Coeff
13.6589
Std. Err.
1.5883
t
8.5998
P>|t|
0.0000
[95% Conf. Interval]
10.5110
16.8068
Comme la bourse de Francfort, l’annonce officielle du prémier cas de la covid-19 en
France n’a pas significativement impacté la bourse de Paris. En effet le coefficient de
_x16 n’est pas significatif. Cependant, à la différence de l’Allemagne, le coefficient de
_x_t16 montre que cette annonce n’a pas également influencé la dynamique de la
bourse. Une autre difference se situe au niveau de l’effet immédiat sur la bourse de
l’annonce officielle du premier décès lié à la covid-19. Le coefficient de _x41 n’est pas
significatif. En outre, comme en Allemagne, cette annonce a impacté négativement et
significativement la dynamique de la bourse. En effet, le coefficient de _x_t41 montre
qu’en moyenne, la bourse de Paris baisse de -138 par jour après l’annonce du
prememier décès. Enfin, le coefficient de _x52 montre que l’annonce du confinement
total de la population française n’a pas eu de répercussion immédiate et significative
sur la bourse de Paris. Cependant, le coefficient de _x_t41 montre qu’en moyenne,
elle a eu un effet positif et significatif de 157 par jour, jusqu’à la fin de la période
d’étude. Ainsi, comme en Allemagne, la période de confinement a permis de
remonter le moral des acteurs du marché financier qui prévoyaient une sortie de
crise gâce aux mesures de restrictions sociales.
Figure 2 : représentation des données rélles et prédites du CAC40
7
3500 4000 4500 5000 5500 6000
CAC40
Intervention starts: 16 41 52
0
50
100
150
time
Actual
Predicted
Regression with Newey-W est standard errors - lag(1)
Comme en Allemagne, le modèle explique mieux la dynamique de la bourse après
l’annonce du premier décès. En effet, sur la figure 2, on constate que les valeurs
réelles sont globalement les mêmes que celles prédites par le modèle après la seconde
intervention.
3.3. Stress de la boure de Milan
Pour modéliser la dynamique de la bourse de Milan ( FTSEMIB), nous partons de
l’équation suivante :
𝐟𝐭𝐬𝐞𝐦𝐢𝐛𝐭 = 𝐜𝐨𝐧𝐬 + 𝛃𝟏 𝐭 𝐭 +𝛃𝟐 𝐱𝟐𝟏𝐭 + 𝛃𝟑 𝐱𝐭𝟐𝟏𝐭 +𝛃𝟒 𝐱𝟑𝟔𝐭 + 𝛃𝟓 𝐱𝐭𝟑𝟔𝐭 +𝛃𝟔 𝐱𝟒𝟕𝐭 + 𝛃𝟕 𝐱𝐭𝟒𝟕𝐭 + 𝛜𝐭
(𝟒)
Comme pour les bourses de Francfort et de Paris, nous modélisons l’effet de trois
interventions sur la dynamique de l’indice boursier, respectivement la date de
l’annonce officielle du premier cas de la covid-19 en Italie le 31 janvier 2020, la date
de l’annonce officielle du premier décès lié à la covid-19 le 22 février 2020 et celle du
confinement total de la population le 10 mars de la même année. Le tableau 3 cidessous est un récapitulatif des résultats de l’estimation de l’équation (3).
Tableau 3 : résultats de la bourse de Milan
8
. itsa ftsemib, single trperiod(21 36 47) lag(1) replace posttr figure
time variable:
time, 1 to 117
delta:
1 unit
Regression with Newey-West standard errors
maximum lag: 1
ftsemib
Coef.
_t
_x21
_x_t21
_x36
_x_t36
_x47
_x_t47
_cons
6.339347
-427.488
133.3189
-993.0882
-487.6663
-4655.786
388.7252
23794.55
Number of obs
F(
7,
109)
Prob > F
Newey-West
Std. Err.
8.2833
171.235
16.92798
309.5677
53.78311
529.196
53.96422
84.16855
t
0.77
-2.50
7.88
-3.21
-9.07
-8.80
7.20
282.70
P>|t|
=
=
=
117
385.59
0.0000
[95% Conf. Interval]
0.446
0.014
0.000
0.002
0.000
0.000
0.000
0.000
-10.07788
-766.8703
99.76822
-1606.641
-594.2626
-5704.635
281.7698
23627.73
22.75658
-88.10575
166.8696
-379.535
-381.0699
-3606.937
495.6805
23961.37
Postintervention Linear Trend: 21
Treated: _b[_t]+_b[_x_t21]
Linear Trend
Coeff
Treated
139.6583
Std. Err.
13.8467
t
10.0860
P>|t|
[95% Conf. Interval]
0.0000
112.2145
167.1021
Postintervention Linear Trend: 36
Treated: _b[_t]+_b[_x_t21]+_b[_x_t36]
Linear Trend
Treated
Coeff
-348.0080
Std. Err.
51.8457
t
-6.7124
P>|t|
0.0000
[95% Conf. Interval]
-450.7644 -245.2516
Postintervention Linear Trend: 47
Treated: _b[_t]+_b[_x_t21]+_b[_x_t36]+_b[_x_t47]
Linear Trend
Coeff
Treated
40.7172
Std. Err.
10.3961
t
3.9166
P>|t|
0.0002
[95% Conf. Interval]
20.1125
61.3219
Le coefficient de _x21 montre que la bourse de Milan a immédiatement réagi de
manière négative dès l’annonce du premier cas de la covid-19 en Italie par les
autorités. Cependant, elle a repris une tendance haussière par la suite. Le coefficient
de _x_t21 montre qu’elle a continué à augmenter en moyenne de 133 par jour jusqu’à
l’annonce du premier décès lié à la covid-19 dans le pays. A la suite de cette annonce,
la bourse a baissé significativement de -993 comme le montre le coefficient de _x36.
Cette baisse a continué dans la durée. Le coefficient de _x_t36 montre qu’elle était en
moyenne de -487 par jour jusqu’à l’annonce du confinement du pays. Cette annonce
a encore plus stressé la bourse qui a chuté de -4655 comme le montre le coefficient de
_x47. Cependant, comme en Allemagne et en France, la bourse italienne a eu
confiance en la capacité des mesures de restrictions à faire disparaitre l’épidémie. Le
coefficient de _x_t47 symbolise ce regain de confiance. En effet, l’indice boursier
augmente en moyenne de 388 par jour jusqu’à la fin de la période d’étude.
Figure 3 : représentation des données rélles et prédites de la bourse de Milan
20000
15000
FTSEMIB
25000
Intervention starts: 21 36 47
0
50
100
time
Actual
Predicted
Regression with Newey-W est standard errors - lag(1)
9
150
A la différence des bourses de Francfort et Paris, le modèle explique bien la
dynamique de la bourse de Milan durant toute la période d’étude. En effet, on ne
constate pas de différences importantes entre les valeurs réelles et celles prédites par
le modèle sur la figure 3, à la suite des trois interventions.
3.4. Stress de la bourse de Madrid
Pour modéliser la dynamique de la bourse de Madrid (IBEX35), nous partons de
l’équation suivante :
𝐢𝐛𝐞𝐱𝟑𝟓𝐭 = 𝐜𝐨𝐧𝐬 + 𝛃𝟏 𝐭 𝐭 +𝛃𝟐 𝐱𝟐𝟏𝐭 + 𝛃𝟑 𝐱𝐭𝟐𝟏𝐭 +𝛃𝟒 𝐱𝟑𝟎𝐭 + 𝛃𝟓 𝐱𝐭𝟑𝟎𝐭 +𝛃𝟔 𝐱𝟓𝟎𝐭 + 𝛃𝟕 𝐱𝐭𝟓𝟎𝐭 + 𝛜𝐭
(𝟓)
Comme pour les bourses de Francfort, Paris et Milan, nous modélisons l’effet de trois
interventions sur la dynamique de l’indice boursier, respectivement l’annonce officiel
du premier cas de la covid-19 en Espagne le 31 janvier 2020, l’annonce du premier
décès lié à la covid-19 le 13 février 2020 et celle du confinement de la population le 13
mars de la même année. Le tableau 4 ci-dessous est un récapitulatif des résultats de
l’estimation de l’équation (4).
Tableau 4 : résultats de la bourse de Madrid
. itsa ibex35, single trperiod(21 30 50) lag(1) replace posttr figure
time variable:
time, 1 to 117
delta:
1 unit
Regression with Newey-West standard errors
maximum lag: 1
ibex35
Coef.
_t
_x21
_x_t21
_x30
_x_t30
_x50
_x_t50
_cons
-6.035329
-83.77328
78.08696
329.8238
-209.6842
-1224.798
151.9906
9623.931
Number of obs
F(
7,
109)
Prob > F
Newey-West
Std. Err.
1.898555
55.62804
8.429789
162.3953
19.3479
218.6086
16.98851
17.91086
t
-3.18
-1.51
9.26
2.03
-10.84
-5.60
8.95
537.32
P>|t|
0.002
0.135
0.000
0.045
0.000
0.000
0.000
0.000
=
=
=
117
666.16
0.0000
[95% Conf. Interval]
-9.798203
-194.0262
61.37939
7.961619
-248.0311
-1658.073
118.3199
9588.432
-2.272455
26.47968
94.79452
651.6859
-171.3373
-791.5232
185.6613
9659.43
Postintervention Linear Trend: 21
Treated: _b[_t]+_b[_x_t21]
Linear Trend
Treated
Coeff
72.0516
Std. Err.
8.1412
t
8.8503
P>|t|
0.0000
[95% Conf. Interval]
55.9161
88.1871
Postintervention Linear Trend: 30
Treated: _b[_t]+_b[_x_t21]+_b[_x_t30]
Linear Trend
Treated
Coeff
-137.6326
Std. Err.
16.8438
t
-8.1711
P>|t|
0.0000
[95% Conf. Interval]
-171.0163 -104.2488
Postintervention Linear Trend: 50
Treated: _b[_t]+_b[_x_t21]+_b[_x_t30]+_b[_x_t50]
Linear Trend
Treated
Coeff
14.3581
Std. Err.
2.1775
t
6.5939
P>|t|
0.0000
[95% Conf. Interval]
10.0424
18.6738
La bourse de Madrid n’a pas immédiatement réagi à l’annonce du premier cas de la
covid-19 en Espagne par les autorités espagnoles. C’est pourquoi le coefficient de
_x21 n’est pas significatif. Elle a eu une dynamique haussière jusqu’à l’annonce du
premier décès lié à la covid-19 dans le pays, comme le montrent les coefficients de
10
_x_t21 et _x30 qui sont positifs et significatifs. Après l’annonce du premier décès lié à
la covid-19, la dynamique a commencé à être baissière. Elle continue jusqu’à
l’annonce du confinement de la population. C’est ce que montrent les signes négatifs
et significatifs des coefficients de _x_t30 et _x50. Enfin, comme dans le cas de
l’Allemagne, la France et l’Italie, le marché boursier a, par la suite, eu une dynamique
haussière caractérisant la confiance des investisseurs en la capacité des mesures de
restrictions à endiguer l’épidémie.
Figure 4 : représentation des données rélles et prédites de la bourse de Madrid
6000 7000 8000 9000
IBEX35
10000
Intervention starts: 21 30 50
0
50
100
150
time
Actual
Predicted
Regression with Newey-W est standard errors - lag(1)
Comme dans le cas de la bourse de Milan, le modèle explique bien la dynamique de
la bourse de Madrid pendant toute la période d’étude. En effet, on ne constate pas de
différences importantes entre les valeurs réelles et celles prédites par le modèle sur la
figure 4, à la suite des trois interventions.
3.5. Stress de la bourse de Londres
Pour modéliser la dynamique de la bourse de Londres (LSE), nous partons de
l’équation suivante :
𝐥𝐬𝐞𝐭 = 𝐜𝐨𝐧𝐬 + 𝛃𝟏 𝐭 𝐭 +𝛃𝟐 𝐱𝟐𝟏𝐭 + 𝛃𝟑 𝐱𝐭𝟐𝟏𝐭 +𝛃𝟒 𝐱𝟒𝟏𝐭 + 𝛃𝟓 𝐱𝐭𝟒𝟏𝐭 +𝛃𝟔 𝐱𝟓𝟕𝐭 + 𝛃𝟕 𝐱𝐭𝟓𝟕𝐭 +𝛃𝟖 𝐱𝟔𝟔𝐭 + 𝛃𝟗 𝐱𝐭𝟔𝟔𝐭 + 𝛜𝐭
(𝟔)
En plus des trois interventions habituellement pris en compte, nous ajoutons un
autre évènement dans la modélisation de l’effet de la covid-19 sur le marché boursier
de Londres. Il s’agit de l’annonce, le 05 avril 2020, de l’hospitalisation du premier
ministre britannique malade de la covid-19. Cette annonce vient s’ajouter à celle du
premier cas recencé en Angleterre le 28 février, du premier décès lié à la covid-19 le
02 mars et du confinement de la population le 24 mars de la même année. Le tableau
5 ci-dessous est un récapitulatif des résultats de l’estimation de l’équation (5).
Tableau 5 : résultats du London Stock Exchange
11
. itsa lse, single trperiod(21 41 57 66) lag(1) replace posttr figure
time variable:
time, 1 to 117
delta:
1 unit
Regression with Newey-West standard errors
maximum lag: 1
lse
Coef.
_t
_x21
_x_t21
_x41
_x_t41
_x57
_x_t57
_x66
_x_t66
_cons
8.275963
-181.8109
-5.1509
308.1874
77.58793
-797.526
-147.7361
322.0806
55.26708
603.2818
Number of obs
F(
9,
107)
Prob > F
Newey-West
Std. Err.
9.516858
263.145
20.12573
324.9074
37.48678
316.4864
47.45891
283.1235
32.81174
113.2038
t
0.87
-0.69
-0.26
0.95
2.07
-2.52
-3.11
1.14
1.68
5.33
P>|t|
=
=
=
117
8.61
0.0000
[95% Conf. Interval]
0.386
0.491
0.798
0.345
0.041
0.013
0.002
0.258
0.095
0.000
-10.5901
-703.4652
-45.0478
-335.9036
3.274769
-1424.923
-241.8179
-239.1786
-9.778369
378.8684
27.14202
339.8434
34.746
952.2784
151.9011
-170.1287
-53.65436
883.3399
120.3125
827.6953
Postintervention Linear Trend: 21
Treated: _b[_t]+_b[_x_t21]
Linear Trend
Treated
Coeff
Std. Err.
3.1251
19.4073
t
0.1610
P>|t|
[95% Conf. Interval]
0.8724
-35.3477
41.5978
Postintervention Linear Trend: 41
Treated: _b[_t]+_b[_x_t21]+_b[_x_t41]
Linear Trend
Treated
Coeff
80.7130
Std. Err.
31.0644
t
2.5982
P>|t|
[95% Conf. Interval]
0.0107
19.1315
142.2945
Postintervention Linear Trend: 57
Treated: _b[_t]+_b[_x_t21]+_b[_x_t41]+_b[_x_t57]
Linear Trend
Treated
Coeff
-67.0231
Std. Err.
32.7781
t
-2.0448
P>|t|
[95% Conf. Interval]
0.0433
-132.0018
-2.0444
Postintervention Linear Trend: 66
Treated: _b[_t]+_b[_x_t21]+_b[_x_t41]+_b[_x_t57]+_b[_x_t66]
Linear Trend
Treated
Coeff
-11.7560
Std. Err.
5.3914
t
-2.1805
P>|t|
[95% Conf. Interval]
0.0314
-22.4438
-1.0683
A Londres, c’est l’annonce de l’hospitalisation du premier ministre Boris Johnson,
malade de la covid-19, qui a fait trembler la bourse. C’est ce que montrent les
coefficients de _x57 et _x_t57 qui sont négatifs et significatifs. En outre, comme les
autres places boursières européennes retenues dans notre analyse, Londres a
favorablement accueilli l’annonce du confinement de la population. Ainsi, la bourse
de Londres a plus résisté à la covid-19 que les autres places boursières européennes
retenues dans notre étude.
Figure 5 : représentation des données rélles et prédites du London Stock Exchange
0
LSE 3000 4000
1000 2000
Intervention starts: 21 41 57 66
0
50
100
150
time
Actual
Predicted
Regression with Newey-W est standard errors - lag(1)
Sur la base de la figure 5 ci-dessus, on constate que seule la période entre la troisième
et la quatrième intervention est mieux prédite par le modèle. Cette période se situe
12
entre l’annonce de l’hospitalisation du premier ministre bitannique et l’annonce du
confinement de la population.
3.6. Stress de la bourse de New-York
Pour modéliser la dynamique de la bourse de New York (NYSE), nous partons de
l’équation suivante :
𝐧𝐲𝐬𝐞𝐭 = 𝐜𝐨𝐧𝐬 + 𝛃𝟏 𝐭 𝐭 +𝛃𝟐 𝐱𝟏𝟑𝐭 + 𝛃𝟑 𝐱𝐭𝟏𝟑𝐭 +𝛃𝟒 𝐱𝟑𝟖𝐭 + 𝛃𝟓 𝐱𝐭𝟑𝟖𝐭 +𝛃𝟔 𝐱𝟓𝟒𝐭 + 𝛃𝟕 𝐱𝐭𝟓𝟒𝐭 + 𝛜𝐭
(𝟕)
Comme pour les bourses de Francfort, Paris, Milan et Madrid, nous modélisons
l’effet de trois interventions sur la dynamique de l’indice boursier, respectivement
l’annonce officielle du premier cas de la covid-19 aux USA le 21 janvier 2020,
l’annonce du premier décès lié à la covid-19 le 26 février 2020 et celle du confinement
de la population de l’Etat de Californie le 19 mars de la même année. Le tableau 6 cidessous est un récapitulatif des résultats de l’estimation de l’équation (6).
Tableau 6 : résultats du New York Stock Exchange
. itsa nyse, single trperiod(13 38 54) lag(1) replace posttr figure
time variable:
time, 1 to 117
delta:
1 unit
Regression with Newey-West standard errors
maximum lag: 1
nyse
Coef.
_t
_x13
_x_t13
_x38
_x_t38
_x54
_x_t54
_cons
12.61336
4.237554
9.42645
1854.508
141.8647
-2130.598
-181.9211
3472.833
Number of obs
F(
7,
109)
Prob > F
Newey-West
Std. Err.
5.627826
171.2678
20.42078
735.5945
54.05717
469.4577
53.43176
47.02419
t
2.24
0.02
0.46
2.52
2.62
-4.54
-3.40
73.85
P>|t|
0.027
0.980
0.645
0.013
0.010
0.000
0.001
0.000
=
=
=
117
98.58
0.0000
[95% Conf. Interval]
1.459188
-335.2097
-31.04687
396.5838
34.7251
-3061.048
-287.8211
3379.633
23.76752
343.6849
49.89977
3312.433
249.0042
-1200.148
-76.02109
3566.034
Postintervention Linear Trend: 13
Treated: _b[_t]+_b[_x_t13]
Linear Trend
Treated
Coeff
22.0398
Std. Err.
19.2937
t
1.1423
P>|t|
[95% Conf. Interval]
0.2558
-16.1997
60.2793
Postintervention Linear Trend: 38
Treated: _b[_t]+_b[_x_t13]+_b[_x_t38]
Linear Trend
Treated
Coeff
163.9045
Std. Err.
52.2163
t
3.1390
P>|t|
0.0022
[95% Conf. Interval]
60.4135
267.3954
Postintervention Linear Trend: 54
Treated: _b[_t]+_b[_x_t13]+_b[_x_t38]+_b[_x_t54]
Linear Trend
Treated
Coeff
-18.0166
Std. Err.
10.7869
t
-1.6702
P>|t|
[95% Conf. Interval]
0.0977
-39.3959
3.3627
A la différence des bourses européennes qui font confiance aux mesures de
restrictions sociales, le confinement de la population en particulier, le New York
Stock Exchange qui n’enregistrait aucun stress avant l’annonce du confinement de la
population a commencé à enregistrer des variations négatives dès
le début du
confinement de l’Etat de la Californie le 19 mars 2020. Cette difference majeure avec
les bourses europeéennes peut être expliquée par la situation particulière des EtatsUnis où les mesures de restrictions sociales différaient selon les Etats. En outre, le
13
président américain, Donald Trump, s’était prononcé à plusieurs reprise contre le
confinement. Ce manque d’entente entre le gouvernement fédéral et les gouverneurs
pourrait expliquer le manque de confiance des acteurs des marchés financiers en la
capacité des gouvernants américains à combattre efficacement la pandémie.
Figure 6 : représentation des données rélles et prédites du New York Stock Exchange
2000
4000
NYSE
10000
6000 8000
Intervention starts: 13 38 54
0
50
100
150
time
Actual
Predicted
Regression with Newey-W est standard errors - lag(1)
En dehors de quelques valeurs aberrantes, la figure 6 montre bien une dynamique
baissière de l’indice boursier, à la suite de l’annonce des mesures de confinement,
alors que la tendance était globalement positive avant.
4. Conclusion
En définitive, les bourses de Londres et de New York n’ont pas significativement été
impactées par les annonces du premier cas de la covid-19 et du premier décès
attribué à cette maladie. En Angleterre, c’est l’hospitalisation du premier ministre qui
déclenche une dynamique baissière de l’indice boursier, alors qu’aux USA, c’est le
manque de confiance en la politique menée par les autorités pour combattre la
pandémie qui en est à l’origine.
La différence fondamentale entre les marchés boursiers européens retenus dans notre
étude et les USA réside dans le fait que les bourses européennes réagissent
favorablement aux mesures de restrictions sociales prises par les aurorités, alors que
le New York Stock Exchange a plutôt une réaction négative. La confiance des
marchés boursiers aux politiques menées par les autorités est donc très importante en
période de pandémie.
14
Références
Assoumou Ella, G. (2019): “Forecasting CEMAC’s foreign exchange reserves in
presence of unanticipated changes in oil prices: an interrupted time series modeling”,
Journal of Central Banking Theory and Practice, Volume 8, Issue 2.
Al-Awadhi, A. M., Alsaifi, K. Al-Awadhi, A. et S. Alhammadi (2020) : “Death and
contagious infectious diseases: Impact of the COVID-19 virus on stock market
returns”, Journal of Behavioral and Experimental Finance, 27, 100326.
Biglan, A., D. Ary, and A. C. Wagenaar (2000): “The value of interrupted time-series
experiments for community intervention research”, Prevention Science, 1: 31–49.
Briesacher, B. A., S. B. Soumerai, F. Zhang, S. Toh, S. E. Andrade, J. L. Wagner, A.
Shoaibi, and J. H. Gurwitz (2013): “A critical review of methods to evaluate the
impact of FDA regulatory actions”, Pharmacoepidemiology and Drug Safety, 22: 986–
994.
Gillings, D., D. Makuc, and E. Siegel (1981): “Analysis of interrupted time series
mortality trends: An example to evaluate regionalized perinatal care”, American
Journal of Public Health, 71: 38–46.
Huitema, B. E., and J. W. McKean (2000): “Design specification issues in time-series
intervention models”, Educational and Psychological Measurement, 60: 38–58.
Linden, A., and J. L. Adams. 2011. Applying a propensity-score based weighting
model to interrupted time series data: Improving causal inference in program
evaluation, Journal of Evaluation in Clinical Practice, 17: 1231–1238.
Linden, A. et A. Arbor (2015) : “Conducting interrupted time-series analysis for
single- and multiple-group comparisons”, The Stata Journal, Issue 15, Number 2, pp.
480–500.
-------------------(2017): “A comprehensive set of postestimation measures to enrich
interrupted time-series analysis”, The Stata Journal, Issue 17, Number 1, pp. 73–88.
Muller, A. (2004): “Florida’s motorcycle helmet law repeal and fatality rates”,
American Journal of Public Health, 94: 556–558.
Ramsay, C. R., L. Matowe, R. Grilli, J. M. Grimshaw, and R. E. Thomas (2003):
“Interrupted time series designs in health technology assessment: Lessons from two
15
systematic reviews of behavior change strategies”, International Journal of Technology
Assessment in Health Care, 19: 613–623.
Wang, Y-H, Yang, F-J et L-J Chen (2013) : “An investor's perspective on infectious
diseases and their influence on market behavior”, Journal of Business Economics and
Management, 14(Supplement 1): S112–S127.
16
View publication stats
Téléchargement
Explore flashcards