Master Finance et Banque 2eme promotion 2019-2021 La volatilité des marchés financiers et fondement macroéconomiques Réalisé par : Encadré par : DIYAYA Meryam Pr. MAAROUF Mourad FATH EL KHEIR Asma FOHMI Fatima Zahra GUIDDA Karima OUAKOUZ Malika Introduction : Dans un contexte caractérisé par la fréquentation des chocs financiers et dans un environnement marqué par la montée du risque et de l’incertitude dans les marchés financiers, La modélisation de la volatilité porte une grande importance et devenue un enjeu financier en tant qu’un outil d’aide à la prise des décisions aussi bien pour les investisseurs que pour les entreprises. Pour ceci le modèle autorégressif et le modèle à moyenne mobile (ARMA) constitue un cadre adéquat pour modéliser, capter la volatilité et utile pour la prédiction des rendements financiers. L’objectif de ce papier est d’essayer en adoptant l’approche BOX-JENKINS de proposer un modèle autorégressif approprié pour la performance globale de la place financière casablancaise représentative par l’indice de MASI. La méthode de Box-Jenkins est une méthodologie ayant une grande importance pour faire des prévisions, suite à l’utilisation des séries chronologies. Leur application intervient dans plusieurs domaine (économie, finance …) ainsi La méthode de Box-Jenkins se démarque sensiblement du caractère déterministe des méthodes de prévision fondées soit sur la décomposition de la série, soit sur le lissage exponentiel. Elle ne spécifie pas de modèle a priori, et permet au contraire à l’analyste d’explorer l’ajustement de plusieurs modèles à la série afin d’identifier celui qui est le mieux adapté. I. Revue de littérature : 1. Revue de littérature théorique : Plusieurs études ont eu comme contenu l’analyse de l’incertitude économique. Schwert (1989) est l'un des premiers qui ont mesuré l'incertitude par la volatilité macroéconomique en étudiant sa relation avec la volatilité financière. Mais en 2006 Arnold et Al disent que l’incertitude ne peut être traduire fidèlement par la volatilité pour plusieurs raisons ; la volatilité macroéconomique est rétrospective alors que l'incertitude est prospective. En plus, cette volatilité ne prend pas en concédération la partie réalisée ex-post de tous les scénarios macroéconomiques ex-ante possibles. En suite on trouve Ségal et Al qui ont développés une mesure d'incertitude en relation avec la volatilité macroéconomique, tout en parlant de l'incertitude positive et l'incertitude négative. L'incertitude est mesurée aussi par la dispersion des valeurs de certaines variables économiques à partir d’un panel. Et dans cet égard, on a Bloom qui a analysé en 2014 les données provenant d'un panel de 50 professionnels de la prévision qu'entre 1968 et 2012 montre l'écart type des prévisions de la croissance de la production industrielle augmentait de 64 % lors des récessions. Mais plusieurs auteurs ont critiqué cette approche car ils sont des prévisions subjectives sujettes donc à des biais individuels et à des biais de source d'information. Pour certains, dans le but de bien mesurer l’incertitude, il est nécessaire d'extraire la partie prévisible des séries à l'aide l'information disponible au moment de la prévision. Du fait que l'incertitude macroéconomique ne peut pas être mesurée facilement à travers un petit nombre d'indicateurs économiques, ils proposent alors une mesure d'incertitude à l’aide de plus de cent séries macroéconomiques et financières. Passant de mesures portantes sur les indicateurs à celle qui s’intéresse au comportement humain, on trouve Dzielinski qui a met en place une mesure de l'incertitude économique à partir du comportement de recherche d'information des agents économiques. Il a avancé qu’il est possible d’utiliser la fréquence de recherche sur internet donnée par Google Trends pour analyser l'incertitude des investisseurs sur l'état de l'économie. Pour Fornari et Mele, 2013; Bekeart et Hoerova, 2014, une volatilité exacerbée peut gonfler le coût de financement des entreprises. Autrement dit, les investisseurs vont exiger un rendement supérieur s’il y a incertitude de recouvrer leur investissement ou de revendre leurs actions dans le futur au prix souhaité en raison d’une volatilité financière importante. En plus une augmentation de la volatilité peut donner un report des projets d’investissement. Ajoutant à ca qu’une hausse de la volatilité peut provoquer une perte de confiance et la constitution d’une épargne de précaution. La valeur d'un titre ne dépend pas uniquement d'éléments ou de caractéristiques propres à ce titre, mais aussi de plusieurs autres facteurs qui sont appelés arguments extrinsèques ou facteurs conjoncturels et qui sont liés à la conjoncture économique du pays, à l'évolution du taux d'intérêt, à l'inflation, etc. Le taux d'intérêt est une variable macro-économique de premier ordre, qui sert selon Malkiel (2003) en micro-finance de facteur d'actualisation des flux de dividendes futurs déterminants la valeur fondamentale des actions. Son impact sur les marchés boursiers est très important. En effet toute modification des taux d'intérêt affecte directement ou indirectement la valeur des titres qui sont cotés à la bourse. Agilietta (2001) explique que les variations des taux d'intérrt de la politique monétaire en vue notamment, de la stabilité des prix, affectent le volume du crédit disponible qui influence, à son tour, les prix des actifs financier. C'est-à-dire que plus les crédits diminuent en raison de l'augmentation du taux d'intérêt, plus les investissements boursiers diminuent et plus, donc, la valeur des cours des actifs diminue et vice versa. D'un autre point de vue, la baisse des taux attire l'épargne vers la bourse au détriment des banques, où les comptes de dépôts n'offrent plus une rémunération intéressante, inversement, une augmentation des taux rendra plus attrayant les comptes de dépôt et fera fuir l'épargne de la bourse. Les économistes appréhendent l'inflation comme un phénomène, ou un processus qui se manifeste par des variations aux niveaux des prix de biens et services et d'une baisse généralisée de la valeur de la monnaie. C'est une variable qui est en relation étroite avec le taux d'intérêt et qui joue un rôle ambigu et parfois paradoxal sur les marchés financier. Plusieurs études antérieures, mettent en évidence la relation des fluctuations boursière et celle de l'inflation. Lintner, constate qu'il n'y a pas de corrélation entre les taux de variation annuelle des prix de gros et ceux de l'indice général du cours boursier. Suite à une étude aux Etats-Unis (1900-1971) il a montré que les baisses de la croissance des cours des actions pendant les périodes de déflation peuvent être les même qu'en périodes d'inflation. Fama (1981), postule que la relation empirique négative entre les taux nominaux de la rentabilité des actions et l'inflation n'est que le reflet du lien négatif entre cette dernière et l'activité économique réelle. Selon lui, l'introduction d'une variable d'activité économique, telle que le taux de croissance du PIB ou de la production industrielle dans les régressions, se traduirait par des résultats conformes à l'identité de Fisher. Ainsi est née l'hypothèse dite proxy de Fama et une multitude d'études justifient leurs résultats empiriques par cette hypothèse. 2. Revue de littérature empirique : Incertitude de l’inflation et croissance économique : le cas de l’UEMOA Cette étude a été réalisée par le laboratoire d’économie d’Orléans en 2013 pour les pays de l’UEMOA (le Bénin, le Burkina, la Côte d’Ivoire, la Guinée-Bissau, le Mali, le Niger, le Sénégal et le Togo). Cette étude propose une évaluation de la relation entre l’incertitude émanant de la volatilité de l’inflation et la croissance économique des pays de l’UEMOA pour la période entre 1968 et 2010. Il s’interroge également sur les répercussions des chocs d’inflation sur l’économie réelle des pays de la zone. Cette réflexion est un prolongement de l'étude de Valdovinos et Gerling (2011). Ces auteurs se sont juste interrogés sur le lien entre l'incertitude de l'inflation et la variabilité relative des prix et ils ont aussi travaillé sur une courte durée. La réflexion présente propose de combler cette limite. L'objectif de l'article est de déterminer, d'une part, l'interaction des chocs d'inflation entre les pays membres de l'UEMOA et de ressortir l'ampleur de la volatilité de l'inflation et sa persistance pour chaque pays, et d'autre part, les répercussions de l'inflation incertaine sur la croissance économique des pays membres. L’étude a utilisée le modèle standard de VAR-GARCH pour deux variables qui sont l’inflation et le PIB notées respectivement Πt et Yt à l’instant t, alors on est entrain de parler d’une série chronologique. L’étude a ignorée la Guinée Bissau à cause du manque de données et elle a aussi effectuée le modèle sur chaque pays de la zone à cause d'hétérogénéité entre elles. Apres l’estimation des coefficients du modèle, on a obtenu comme résultat : la présence d'une relation négative au Burkina, au Niger et au Sénégal en ce qui concerne le lien entre l'incertitude de l'inflation et la croissance économique. Cela s'explique par la réticence des agents économiques se traduisant par le fléchissement de l'investissement et de l'épargne. Par ailleurs, une hausse de l'incertitude de l'inflation est susceptible d'être nuisible pour la croissance en raison, d'une part, d'une augmentation des emprunts et, d'autre part, d'une diminution du taux d'investissement en capital. Relation positive entre l'inflation incertaine et la croissance économique notées en Côte d'Ivoire, au Mali. Cela est expliqué par la formation d'une épargne de précaution dont la hausse est imputable à l'augmentation de l'incertitude sur les revenus futurs. De ce fait, l'épargne de précaution des agents économiques peut avoir des effets positifs sur la croissance économique sur le long terme. L'inflation incertaine n'a pas d'effet sur la croissance économique au Benin et au Togo mais l'indice de l'inflation a un impact positif sur la croissance. En effet, en ce qui concerne le Togo, les agents économiques sont insensibles aux répercussions de la persistance de la volatilité de l'inflation puisqu'une hausse de l'inflation est favorable à la croissance sur le court et moyen terme. Pour le cas du Bénin, la faiblesse de l'incertitude est susceptible d'expliquer l'insensibilité de celle-ci sur la croissance économique. L’estimation relève la persistance des fluctuations de l'inflation et de l'activité économique sur tous les pays de la zone sauf pour le cas du Burkina où le niveau de persistance du PIB est moyen. Cette persistance de la volatilité de l'inflation et de l'activité économique témoigne de la vulnérabilité des politiques macroéconomiques dans la zone UEMOA. Les résultats relèvent également qu’il existe un canal de transmission de l’inflation entre les pays membres et cette transmission est accentuée par les chocs extérieurs tels que la hausse des prix du pétrole. Les déterminants de la volatilité des cours boursiers : Cas du marché boursier tunisien : Cette étude consiste à étudier empiriquement les déterminants de la volatilité des actions, mesurée par le ratio « Beta ». Spécifiquement, elle a étudiée l'effet sur la volatilité des variables suivantes : La liquidité, le taux d'inflation, les dividendes et l'indice boursier TUNINDEX. Les observations portent sur des données de Panel, mais étant donnée la taille relativement faible de l'échantillon, les estimations sont insérées dans la perspective des moindres carré ordinaires. L’échantillon est constitué d'un panel de dix banques tunisiennes cotées en bourse constituant ainsi le secteur bancaire tunisien. Ces banques sont: AB, ATB, ATTIJARI BANK, BH, BIAT, BNA, BT, STB, UBCI, et UIB. La période d'étude s'étale sur la période allant du 01//02/2006 jusqu'au 3 1/12/2008 tout en considérant des données mensuelles des variables utilisées. Toutes les variables ont un effet significatif, mise à part la variable liquidité, qui est prise comme variable de contrôle pour améliorer le pouvoir explicatif du modèle. II. L’étude empirique : 1. Introduction : L’objectif de ce travail est d’essayer de proposer un modèle économétrique approprié pour l’explication de la variation du MASI future par celle du MASI présent pour une période de 14 ans allant du 2006 à 2019. Et en suite étudié comment certains fondements macroéconomiques peuvent influencer le marché boursier (MASI). MASI (Moroccan All Shares index) est un indice de performance générale des valeurs de type action cotées sur la place boursière de Casablanca, de capitalisation de type transversal, il intègre toutes les valeurs de type actions, cotées à la Bourse de Casablanca. Il est ainsi un indice large, permettant de suivre de façon optimale le développement de l'ensemble de la population de valeurs de la côte1. Le MASI a pour objectif de présenter l'évolution du marché dans son ensemble et de fournir une mesure de référence à long terme, pour la gestion de portefeuilles actions. 2. Etude de la stationnarité de la série MASI : Commençant tout d’abord par l’analyse des caractéristiques (stationnarité) d’une série de ses valeurs, l’échantillon choisi est les valeurs mensuelles observées de l’indice pendant la période du 2006 à 2019 soit 168 observations. 2.1. Analyse du graphique : Evolution de l’indice MASI durant la période observée Source : à partir des données consultées sur le site investing.com On peut remarquer que la série est affectée par une tendance haussière puis baissière et ensuite haussière. Alors on peut dire que la série n’est pas stationnaire. C’est ce que nous allons voire avec le test de stationnarité. 2.2. Test de stationnarité: a. A partir du correlogramme : Corrélogramme de la série MASI On remarque une décroissance géométrique et lente à la fin (des retardées) des coefficients d’auto-corrélations simples (AC). Un pic au niveau des coefficients d’auto-corrélations partielles sort des frontières alors ils sont significativement différents de 0 et leurs probabilité est inferieur à 0,05. Alors le processus n’est pas un bruit blanc et il semble même caractérisé d’un processus non stationnaire. Pour la confirmation du non stationnarité, il faut passer par le test de Dickey-Fuller. b. Le test de dickey-Fuller : Pour appliquer le test de Dickey-Fuller on va commencer avec : Modèle 3 : on s’intéresse ici au test du coefficient de la tendance. Avec Eviews on trouve : T-statistique = -0.767482 qu’on doit comparer à la statistique de Dickey-Fuller lue sur la table qui égale à 3,14. Alors on rejette le processus d’un TS (tendance non significative) et on passe au : Modèle 2 : (modèle sans tendance) On compare le coefficient de la constante (égal à 2.725260) avec la valeur lue pour le 2éme modèle (2,86). Par conséquent, on ‘accepte donc l’hypothèse H0 de la série n’a pas une constante (Intercept non significatif). Ensuite, conformément à la stratégie de test, passant au dernier modèle. Modèle 1 : tΦ = 0.629835 > -1.946549 Donc, accepte l’hypothèse H0 de la présence d’une racine unitaire c-à-dire que la série n’est pas stationnaire alors, conformément à la stratégie de test ADF elle s’agit d’un processus DS sans dérive (sans dérive puisque la constante n’est significative). 3. Stationnarisation de processus MASI : Pour rendre cette série stationnaire, on va gérer une autre série DMASI, donc pour stationnariser, on va recourir à la méthode de stationnarisation des différences premières. A l’aide de la commande genr dmasi=masi-masi(-1) 3.1. Analyse graphique, la série stationnaire du MASI : Evolution de la série DMASI Source : construit avec eviews On peut remarquer que la représentation de cette série DMASI n’est affectée par aucune tendance (ni haussière, ni baissière) significative, ce qui permet de dire qu’elle devient une série stationnaire. 3.2. A partir du corrélogramme : Corrélogramme de la série DMASI On constate que toutes les p-values de Q. Stat sont supérieurs à 5%, alors on rejette H1 et on accepte H0 alors la série est stationnaire. Partant du corrélogramme ci-dessus, la série semble stationnaire mais on doit procéder au test de Dickey-Fuller pour confirmer. 3.3. Test de Dickey-Fuller : Pour une marge d’erreur 5% l’hypothèse H1 est bien vérifiée ; P.Val= 0,0000<0.05 Donc, après la 1er différenciation on accepte l’hypothèse H1 c-à-dire que la série est stationnaire, alors le processus DMASI s’agit d’un bruit blanc, mais est ce qu’il s’agit d’un bruit blanc normal ? 4. Test JB de Normalité: La P. Valeur du test de JARQUE - BERA : r-value = 0.132087 > 0.05 Donc on accepte H0 alors la série est normale : JB = 4,048583 < χ 0,05 (2) = 5,99 La distribution observée est compatible avec une distribution normale. Test de normalité de la série DMASI. Source : établi à l’aide d’Eviews. 5. La modélisation de l’indice MASI : 5.1. Identification des ordres du modèle ARMA (p ; q) : Grace à Eviews on peut trouver les ordres du modèle automatiquement : D’après le tableau, il ressort que le modele ARMA(1,1) est retenu, car c’est celui qui minimise les critères d’information AIC et BIC. D’où le modèle ARIMA (p=1, d=1, q=1) est celui le plus adéquat pour modéliser notre série MASI. 5.2. Estimation des paramètres du modèle ARMA (1 ; 1) : Les résultats obtenus sont comme suivant : Tableau 4 : Estimation du modèle ARMA (1 ; 1) 5.3. Validation du modèle choisi : 5.3.1. Tests de Student sur les coefficients Tous les coefficients sont significatifs au seuil de 5%, selon test Student puisque les probabilités de ses valeurs sont inférieures au seuil d’erreur, donc on accepte H1, donc selon ce test le modèle est validé. 5.3.2. Analyse des résidus : stationnarité et homoscédasticité : Passant maintenant, à l’analyse des résidus via test Q-Stat pour détecter si le processus a une memoire ou bien un marché aléatoire ? Puis résidus au carrée pour savoir si les résidus homoscédastiques ou hétéroscedastiques en s’appuyant sur le corrélogramme du résidu au carré. On remarque d’après le corrélogramme que tous les pics sont à l'intérieur de l'intervalle de confiance c'est à dire, on confirme l'absence d'autocorrélation des résidus, et les probabilités sont supérieurs à 5% alors il s’agit d’un processus sans mémoire. A partir du corrélogramme des residus au carrés, on remarque plusieurs termes sont superieurs à 5% cela veut dire que les résidus sont homoscédastiques. De ce fait il s’agit d’un bruit blanc. Et on va savoir s’il est normal ou non. 5.3.3. Tests de normalité des résidus (Jarque-Bera) : Selon test de Jarque-Bera, tstat=5,432197 inferieur à tKhi-deux = 5,99 donc on accepte la normalité des erreurs des résidus, par conséquent les résidus du modèle ARMA estimé s’agissent d’un bruit blanc gaussien. Portant les résidus suivent la loi normale, et le modelé spécifié pour l’indice de MASI s’agit d’un bruit blanc (stationnaire) d’où on confirme la validation du modèle choisi. 5.4. Prévision du MASI: Figure 4 : Graphique du MASI et MASI pour les trois premier mois de l’années 2020 Grace à Eviews, on peut trouver les cours du MADEX pour les trois premiers mois de 2020 à partir des données passées. Date Septembre 2019 Octobre 2019 Novembre 2019 Décembre 2019 Janvier 2020 Février 2020 Mars 2020 Cours 11561.68 11484.3 11822.32 12171.9 12128.19 12074.32 12011.29 On peut comparer ces résultats avec les cours réellement affichés sur la bourse de Casa pour cette période. 6. Relation fondements macroéconomiques-MASI : On a choisie dans cette étape de prendre le MASI mensuel entre 2006 et 2019 comme étant une variable endogène qu’on cherche à expliquer par la variation du taux d’intérêt, taux de change et taux d’inflation. 𝑀𝐴𝑆𝐼𝑡 = 𝛼0 + 𝛼1 𝐼𝑁𝑇𝑡 + 𝛼2 𝐼𝑁𝐹𝑡 + 𝛼3 𝐶𝐻𝐴𝑡 + µ𝑡 6.1. L’estimation des paramètres du modèle : Alors le modèle est : MASI = 26633.40 - 231.55*INT + 50.227*INF - 1168.7019*CHA+µ𝑡 On peut dire que : L’augmentation du taux d’intérêt par une unité, le MASI diminuera par 231.55. L’augmentation du taux d’inflation par une unité, le MASI suit par 50.227. L’augmentation du taux de change par une unité, le MASI diminuera par 1168.7019. 6.2. Le test des coefficients du modèle : A partir du logiciel Eviews, on trouve que les coefficients 𝛼0 et 𝛼3 sont significatifs, alors que les coefficients 𝛼1 et 𝛼2 ne le sont pas. Le fait de trouver des coefficients qui ne sont pas significatifs ne conduit pas automatiquement au rejet du modèle. On doit passer par le test des significativité globale : Pour le coefficient de détermination, on trouve une P-valeur égale à 0.002223 qui est inferieur à 5%. Et on dit alors que le modèle est significatif. 6.3. Explication des résultats : A partir des résultats, on peut vérifier l’existence de relation de causalité entre l’incertitude macroéconomique et les marchés sous la forme du marché boursier. Cette relation peut être expliquée par le comportement des agents économiques qui font appel à l’analyse fondamentale pour prendre la décision. La même relation peut être notée comme faible avec R2= 8,47%, ce qui dit que le taux d’inflation, d’intérêt et de change n’explique que 8,47% de la variation du MASI. Conclusion : En partant du principe que la valeur de tout actif financier varie, et que tout investisseur rationnel cherche à cerner ces variations afin de pouvoir effectuer des opérations de couverture contre le risque, d’arbitrages ou de spéculations, il nous semble important de s’intéresser de plus près aux facteurs explicatifs de la volatilité des cours boursiers et ce, afin de mieux comprendre et anticiper cette variation. L’objectif de cette étude consiste donc à analyser certains de ces facteurs qui semblent, selon la littérature, des facteurs influant la variation des valeurs des cours boursiers. Par ailleurs, rappelons que notre étude a porté seulement sur des facteurs tout en oubliant des autres facteurs à savoir le PER, les dividendes, la liquidité… Et à la fin on peut aussi effectuer une étude dans le sens inverse, c'est-à-dire analyser l’impact du marché boursier sur l’économie réelle. Bibliographie : Adam ABDEL KADER TOURÉ, Impact de l'incertitude sur la sensibilité du marché financier à un choc de politique monétaire, p : 10-20. B. De Backer, La volatilité des marchés financiers exerce-t-elle une influence sur l’économie réelle ?, p : 117-118. Linda BLANCO et Sarra NAJJAR, Les déterminants de la volatilité des cours boursiers : Cas du marché boursier tunisien, mémoire de master en finance. www.investing.com www.data.imf.org