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