Hiver 2004 Faculté des Sciences de l’Administration Département de Finance et Assurance Sujet de l’essai : « L’étude de l’impact du taux de change sur le rendement boursier des titres: le cas de Taiwan et de la Corée du Sud » Directeur de recherche: Jean-Claude Cosset Lecteur : Klaus Peter Fischer Travail réalisé par: Aymen Karoui1 ©Aymen Karoui, 2004. 1 Adresse email: [email protected] Remerciements : Je voudrai remercier mon directeur de recherche Monsieur Jean-Claude Cosset pour la qualité de son encadrement et pour tous les efforts qu’il a consentis. Je voudrai aussi, remercier le lecteur Monsieur Klaus Peter Fischer pour l’attention qu’il a portée pour l’évaluation de ce travail. Ses avis pertinents m’ont permis d’enrichir ce travail. Je tiens par ailleurs, à exprimer mes remerciements à tous les membres du département de Finance de la Faculté des Sciences de l’Administration de l’Université Laval. 2 Table des matières : A. Partie théorique : ..................................................... 6 I. Introduction :............................................................................................... 6 II. Revue de la littérature : ............................................................................... 9 III. Le Système de change et le marché boursier ............................................ 12 1- Taiwan : ....................................................................................................... 12 1.1 Le marché des titres à Taiwan: ......................................................... 13 1.2 Le système de change à Taiwan: ...................................................... 13 2- La Corée du sud:.......................................................................................... 14 2.1. Le marché des titres en Corée du sud : ............................................. 14 2.2. Le système de change en Corée Du Sud :......................................... 15 3- Caractéristiques financières et économétriques des marchés étudiés :........ 17 4- Conclusion :................................................................................................. 21 IV. Aspects théoriques de la question :........................................................... 21 1- Du point de vue de la firme : ....................................................................... 21 2- Du point de vue de l’investisseur étranger : ................................................ 22 B. I. Partie empirique : .................................................. 25 Présentation de l’échantillon :................................................................... 25 1- Taiwan : ....................................................................................................... 26 2- La Corée du sud :......................................................................................... 27 II. Modèle de Jorion (1991) :......................................................................... 28 1- Présentation du modèle :.............................................................................. 28 1.1 L’hétéroscedasticité : ........................................................................ 29 1.2 L’auto corrélation des erreurs : ......................................................... 30 1.3 Correction de l’ hétérocscedastcicité et de l’auto -corrélation : ....... 30 1.4 Problème de tendance et d’intégration :............................................ 31 1.5 Problème de co-intégration :............................................................. 31 1.6 Le sens de la relation : ...................................................................... 32 1.7 Test de stabilité : ............................................................................... 33 3 2- Résultats : .................................................................................................... 33 III. 2.1 Taiwan : ............................................................................................ 33 Estimation des paramètres de l’équation (1.1) :................................ 33 L’hétéroscedasticité : ........................................................................ 34 L’auto corrélation des erreurs : ......................................................... 36 Correction de l’ hétéroscedasticité et de l’auto -corrélation : ........... 37 Problème de tendance et d’intégration :............................................ 37 Problème de co-intégration :............................................................. 41 Le sens de la relation : ...................................................................... 41 Test de stabilité : ............................................................................... 43 2.2 La Corée du Sud : ............................................................................. 44 Estimation des paramètres de l’équation (1.1) :................................ 44 L’hétéroscedasticité : ........................................................................ 45 L’auto corrélation des erreurs : ......................................................... 47 Correction de l’ hétérocscedastcicité et de l’auto -corrélation : ....... 47 Problème de tendance et d’intégration :............................................ 48 Problème de co-intégration :............................................................. 51 Le sens de la relation : ...................................................................... 52 Test de stabilité : ............................................................................... 54 Extension du modèle de Jorion (1991) avec prime de marché : ............... 55 1- Présentation du modèle :.............................................................................. 55 2- Résultats : .................................................................................................... 56 2.1 Taiwan : ............................................................................................ 56 2.2 La Corée du Sud : ............................................................................. 57 3- Conclusion :................................................................................................. 57 IV. Extension du modèle de Jorion (1991) avec effet retardé : ...................... 58 1- Présentation du modèle :.............................................................................. 58 2- Résultats : .................................................................................................... 59 2.1 Taiwan : ............................................................................................ 59 2.2 La Corée du Sud : ............................................................................. 61 3- Conclusion :................................................................................................. 63 4 V. Modèle de Koutmos et Martin (2003) avec volatilité conditionnelle:...... 64 1- Présentation du modèle :.............................................................................. 64 2- Résultats : .................................................................................................... 65 VI. 2.1 Taiwan : ............................................................................................ 65 2.2 La Corée du Sud : ............................................................................. 67 Modèle d’asymétrie Koutmos et Martin (2003) : ..................................... 70 1- Présentation du modèle :.............................................................................. 70 2- Résultats : .................................................................................................... 72 C. 2.1 Taiwan : ............................................................................................ 72 2.2 La Corée du Sud : ............................................................................. 73 Conclusion :............................................................ 76 Références:........................................................................................................... 77 Annexe : ............................................................................................................... 81 5 A. Partie théorique : I. Introduction : L’évolution des taux de change a-t-elle une influence sur la valeur de la firme? C’est à cette question que l’on tentera de donner des éléments de réponse tout au long de notre essai. Dans quel contexte et sous quelles hypothèses le risque de change et le prix du titre peuvent ils être corrélés. La valeur de la firme est-elle affectée par le risque de taux de change? A considérer que la valeur de la firme est mesurée par le prix de son action sur le marché boursier, est-ce que le risque de change est incorporé dans le prix du titre? Ou encore existe-t-il une prime de risque de change? S’il n’y a pas de relation directe entre ces deux variables, quelle pourrait être alors la ou les variables cachées qui feraient le lien entre la variation des taux de change et la variation du prix de l’actif. La relation entre risque de change et rendement du titre a été largement abordée dans la littérature financière ces dix dernières années. Diverses réponses ont été apportées à cette question. Plusieurs études ont été menées sur les marchés américains et ceux des pays développés. Pour plusieurs raisons, nous nous proposons dans cet essai de porter notre attention sur deux pays émergents à savoir Taiwan et la Corée Du Sud. A notre connaissance, aucune étude n’a encore été menée sur l’impact des taux de change sur les rendements boursiers sur ces deux pays. Ensuite, ces deux pays sont dans le peloton de tête des pays émergents en terme de développement économique : ces deux pays présentent des marchés de valeurs mobilières et des marchés de change comparables à certains pays développés. Ces caractéristiques sont de nature à augmenter la significativité de nos résultats. Nous exposerons ces caractéristiques en détail dans une partie ultérieure. Le risque de change pour une société exportatrice va nécessairement affecter ses revenus si ces derniers sont perçus en devise étrangère. Si cette devise étrangère se déprécie par rapport à la devise locale, les revenus réels en termes de monnaie locale vont donc diminuer pour l’entreprise. Ces mauvais résultats (hors de la volonté de la firme) vont se traduire nécessairement sur le cours de l’action. Le prix de l’action réagit à cette mauvaise nouvelle indépendamment de son origine. 6 Les sociétés non exportatrices subissent elles aussi à leur tour et indirectement le risque de change. Si les taux de change sont favorables à la concurrence étrangère, cette dernière pourrait avoir un gain de compétitivité. Et ceci, se traduirait par une baisse des performances commerciales des entreprises domestiques. Ce qui peut engendrer une baisse de leur cours boursier. Les résultats au niveau de la significativité de la relation risque de change et rendements peuvent être interprétés de plusieurs manières. Si la significativité du modèle est faible, ceci ne veut pas nécessairement dire qu’il n’y pas de relation entre le risque de change et le rendement boursier. Divers problèmes peuvent en être à l’origine : problème de méthode, de choix de l’échantillon, choix de la période ou encore de la taille de marché. Un effet de diversification peut aussi masquer l’exposition au risque de change. Pour une multinationale qui opère sur plusieurs marchés et dans des devises différentes, les baisses de certains revenus dans une ou plusieurs devises peuvent être balancés par la hausse des revenus libellés dans d’autres devises. Il est dés lors difficile de mesurer l’impact de la variation des taux de change dans une seule devise étrangère (par rapport à la devise locale) pour le cours du titre. Isoler le changement dans un seul taux de change peut être difficile à mettre en oeuvre. Le choix de la monnaie à étudier peut être un facteur déterminant pour avoir des résultats significatifs. Une monnaie fortement volatile donnera de meilleurs résultats. En effet, une monnaie volatile accroît la prise en considération des investisseurs des changements importants de sa valeur. Ces changements seront donc mieux introduits au niveau des prix des actions. Il n’y aurait pas de diminution d’effets. Alors que pour une monnaie faiblement volatile les investisseurs ne tiendront pas compte du risque de change. Il parait donc plus intéressant d’étudier des monnaies assez volatiles pour bien pouvoir mettre en évidence la relation entre risque de change et cours du titre. Les investisseurs sont-ils toujours informés de l’évolution des taux de change et de l’impact que celui-ci risque d’avoir sur le résultat des entreprises? Dans la majorité des cas les investisseurs ne sont pas bien informés. Et même s’ils le sont, il y a toujours un retard entre le moment où ils incorporent cette information dans les prix des actions et le moment où les variations des taux de change se sont produites. Les investisseurs et même les dirigeants n’arrivent pas à apprécier avec certitude l’impact des taux de change sur 7 l’entreprise. Il faut attendre la fin de l’exercice pour que les opérations et les positions de la firme soient bien définies. Il est donc impossible de savoir avec exactitude chaque jour l’impact de l’évolution des taux de change sur les revenus de la firme. Il y a donc aussi encore un retard au niveau de la prise de décision et de l’incorporation de l’information. D’autre part, les activités de couverture viennent aussi à diminuer l’impact des variations des taux de change. Les firmes ne subissent généralement qu’en partie les variations de taux de change, il y a donc un effet d’amortissement assez appréciable. Un autre point sur lequel on s’attardera est le sens de la relation entre le taux de change et le rendement boursier. A priori, pour une entreprise qui exporte, l’appréciation de la devise étrangère va lui permettre d’augmenter ses revenus. La valeur de l’entreprise et donc son cours boursier va augmenter. De même, si la devise étrangère s’apprécie les produits exportés vont être moins chers à l’export et vont donc pouvoir concurrencer encore plus les produits du pays étranger. Une amélioration au niveau du volume des ventes est souvent observée. Ceci conduit logiquement les investisseurs à croire que l’événement de l’appréciation de la devise étrangère est un bon événement pour l’entreprise. Toute chose étant égale par ailleurs, ils continueront donc à investir dans cette entreprise. Au cours de notre essai, on étudiera donc le signe de cette relation. Une autre question pourrait tout aussi retenir notre attention : y a-t-il une asymétrie dans la réponse des titres sur le marché? Les variations de taux de change de même amplitude mais de signe différents ont-elles le même impact sur le cours boursier? En fait, tout porte à croire que la réaction des marchés suite à de bonnes ou de mauvaises nouvelles n’est pas identique. Plusieurs auteurs se sont penchés sur la question, l’on peut notament citer le travail de Cosset et Doutriaux (1985). Ces derniers ont mis en évidence l’existence d’une asymétrie dans la réaction du marché de change face à de mauvaises ou de bonnes nouvelles politiques. Autre point auquel il faut faire attention dans les pays émergents, est l’existence ou pas, d’une parité fixe de leurs monnaies avec les principales devises étrangères. Car dans ce cas le risque de change se trouve de facto éliminé. Une autre interrogation à considérer dans notre essai est née d’une constatation sur la politique de change des pays émergents. Ces dernières années beaucoup de pays émergents laissent leurs monnaies volontairement sous-évaluées. Ceci a pour but 8 principal de doper les exportations de ces pays. Si les entreprises anticipent que la banque centrale s’arrangera pour maintenir les taux de change dans une certaine limite, le modèle est biaisé. C’est à dire que les évolutions de taux de change du moins a moyen terme auront beaucoup moins d’impact sur la valeur des titres. Alors qu’à très court terme l’on peut supposer qu’il y ait des impacts importants sur le marché boursier mais avec un retour à la moyenne assez rapide du à l’intervention des banque centrales. Enfin, dans notre problématique sur la relation entre les taux de change et les cours boursiers on laisse la porte ouverte à d’autres facteurs qui pourraient avoir une influence plus ou moins grande. L’on pense notamment aux facteurs macroéconomiques ou régionaux. II. Revue de la littérature : La question de l’impact du taux de change sur le cours boursier a été largement abordée dans la littérature financière. La rémunération du taux de change est-elle assez significative? Ou encore est-ce que les investisseurs sont en mesure d’évaluer et de chiffrer la variation du rendement des titres due à la variation des taux de change. Plusieurs auteurs se sont penchés sur la question et plusieurs modèles ont été présentés pour spécifier la relation entre le taux de change et le cours boursier. Des études ont été menées sur plusieurs marchés et pays surtout au niveau des pays développés et notamment les Etats-Unis. Deux grandes familles de modèles se sont illustrées pour mettre en évidence cette relation. Les modèles dits inconditionnels et les modèles conditionnels : Pour les modèles inconditionnels, on peut citer les travaux de Jorion (1990) et (1991), DI Iorio et Faff (2002) ou encore Chen, Naylor et Lu (2004). Ces modèles sont des études empiriques bâties sur des régressions. Elle supposent que la relation entre les taux de change et la valeur de la firme est indépendante du temps. Et qu’en l’occurrence l’impact du taux de change sur le cours bousier est toujours de même amplitude. Pour les modèles conditionnels, on peut citer les travaux de Korajizyk et Viallet (1992), Ferson et Harvey (1994) ou encore Choi et al (1998). Les modèles présentés par Dumas et Solnik (1995), De Santis et Gerard (1998) ont utilisé le modèle des actifs 9 financiers dans un contexte international (ICAPM). Ces modèles incorporent toujours dans leur prédiction de l’année en question l’information obtenue à l’année d’avant. Ces modèles tiennent donc compte du temps et la relation entre le taux de change et le cours du titre dépend aussi de la l’année ou de la période considérée. En accord avec ces modèles, Doukas et al. (1999) affirment que la rémunération du risque de change varie dans le temps en basant leur étude sur le marché nippon. Ils ont trouvé que le risque de change est rémunéré par les titres des compagnies multinationales et les firmes fortement exportatrices. Faisant une étude incorporant les deux modèles à savoir conditionnel et inconditionnel, Choi et al. (1998) affirment eux aussi que le risque de change est rémunéré par le marché. Ils ont mené une étude sur le marché japonais et ont étudié l’impact du taux de change entre le Dollar américain et le Yen japonais sur les entreprises japonaises. Ils ont trouvé que les modèles conditionnels étaient plus adaptés pour l’étude de l’impact des taux de change multilatéraux. Alors que pour les taux de change bilatéraux les résultats sont sensiblement les mêmes. En utilisant un modèle multifactoriel inconditionnel, Jorion (1990) a mené une étude sur le marché boursier américain. Il a mis en évidence que la relation entre le taux de change et le rendement des titres varie d’une industrie à une autre. Mais, il n’a pas trouvé de résultats significatifs prouvant que le risque de change est rémunéré par le marché. Sa principale limite est qu’il suppose l’efficience des marchés et que l’impact des taux de change est immédiatement transmis sur le cours boursier. Alors que ce phénomène s’il existe, prend un peu de temps suivant les caractéristiques du marché boursier dans lequel se trouve la firme cotée. On peut aussi classer les études suivant leurs résultats. Dans le premier groupe on classera les auteurs qui ont pu trouver une relation assez significative entre le taux de change et les variations des cours. Dans le deuxième groupe, on classera les auteurs qui n’ont pas réussi à trouver une relation significative ou du moins ceux qui ont trouvé une très faible relation entre le taux de change et les variations des cours. Pour ceux qui ont trouvé des résultats significatifs l’on peut citer Choi et Prasad (1995), Booth et Rotenberg (1990) ou encore Frenberg (1994). 10 Pour ceux qui n’ont pas trouvé de résultats significatifs ou des résultats faiblement significatifs l’on cite notamment Jorion (1990), Amihud (1994), Gao (2000), ou encore Doidge et al (2000). Une des raisons pouvant expliquer que ces auteurs n’ont pu trouver de résultats significatifs est leur utilisation de modèles linéaires pour illustrer la relation entre les taux de change et les rendements boursiers. D’autres ont utilisé avec plus de succès au niveau des résultats des modèles non linéaires. Pour les modèles non linéaires, on a tenté de trouver des fonctions plus complexes pour mettre en évidence cette relation. L’on peut citer dans ce cadre les travaux de Stultz (2002), Kanas (1996 a) et (1996 b) ou encore Giddy et Dufey (1995). Prasad et Rajan (1998) ont examiné l’influence des taux de change et des taux d’intérêt sur la valeur de l’action dans quatre pays que sont l’Allemagne, le Japon, la Grande-Bretagne et les Etats-Unis. Et ils ont trouvé que le risque de change était rémunéré sur le marché américain, japonais et britannique. Alors que le taux d’intérêt n’avait aucune influence sur le cours des titres. Une autre étude a été menée par Bodnar et Gentry (1993) sur le marché japonais, canadien et américain. Ils ont trouvé que l’impact des taux de change sur la valeur de la firme était plus important au Canada et au Japon qu’il ne l’est aux Etats-Unis. Une autre approche a aussi été adoptée pour trouver l’existence ou pas de l’influence du taux de change dans l’évaluation des actifs financiers. L’on sait de façon générale que le risque idiosyncratique est diversifiable. Il peut donc être éliminé par une diversification adéquate du portefeuille. Il n’est donc pas rémunéré par le marché. Alors que le risque systématique est lui non diversifiable. Et par conséquent, il est rémunéré par le marché. Donc concernant le risque de change, pour qu’il soit rémunéré il faut qu’il tienne son origine du risque systématique. Bien que cette question ait été abordée sous cette optique par Solnik (1974 b), Adler et Dumas (1984), aucun de ce ses auteurs n’est arrivé à démontrer que le risque de change est un risque systématique et que ce risque était forcément rémunéré par le marché. Ces auteurs ont utilisé dans le démarches les modèles de CAPM dans un contexte international et ont utilisé les déviations constatées au niveau de la parité du pouvoir d’achat. 11 Enfin, un autre groupe d’études a tenté d’expliquer la relation entre le taux de change et la valeur de la firme en recourant à une troisième variable qui est le volume des transactions commerciales. Les auteurs de ces études avancent que la volatilité des taux de change va affecter les cash flows car le volume du commerce à l’étranger de la firme va être modifié. Plusieurs études se sont penchées sur la relation entre le commerce avec l’étranger et les variations des taux de change. L’on peut notamment citer Lastrapes et Koray (1990), Franke (1991) ou Pozo (1992). D’après ces auteurs, si le volume de l’activité commerciale de la firme est affecté sa valeur boursière sera forcément affectée. III. Le Système de change et le marché boursier 1- Taiwan : Nous nous proposons d’exposer dans cette partie quelques éléments permettant de comprendre les marchés boursiers et celui du change. Notre but étant d’étudier l’impact des taux de change sur les valeurs de titres, il est important de connaître la politique de change adopté dans ces deux pays. De cette mise en lumière de la politique de change, on pourra délimiter la période d’étude de notre échantillon. L’économie taiwanaise est une économie très ouverte et très intégrée dans le commerce mondial. Ce résultat est le fruit d’un long cheminement qui s’est fait sur plusieurs décennies. Nous donnons, ci-après, un bref aperçu des principaux faits marquants de l’évolution du marché boursier et celui du change. Au début des années quatre-vingts, la banque centrale taiwanaise a adopté un ensemble de mesures visant à réformer le secteur financier et l’économie en général. C’est ainsi qu’un ensemble de décisions ont été prises pour libérer le secteur bancaire de la rigidité des taux d’intérêt. Une libéralisation des taux d’intérêt a permis une plus grande concurrence entre les institutions financières. Un dynamisme a alors été constaté. Mais, malgré l’émergence de plusieurs banques privées, les banques d’Etat ont gardé une place prépondérante dans le paysage bancaire.2 2 Sources : site internet de la banque centrale de Taiwan http://www.cbc.gov.tw 12 Au milieu des années quatre-vingts, un des principaux problèmes auxquels les banques étaient confrontées est le manque de liquidité en devises étrangères. En effet, les banques hésitaient à détenir de larges quantités de devises de peur de subir des pertes dues au taux de change. La banque centrale jouait alors, à cette époque, le rôle de principal pourvoyeur du pays en devises étrangères. 1.1 Le marché des titres à Taiwan: Le marché des valeurs mobilières taiwanais (Taiwan Stock Exchange) a vu le jour en 1962. La relative stabilité des trente dernières années et les excédents commerciaux enregistrés ces vingt dernières années ont contribué à attirer un large nombre de firmes privées. Cette arrivée importante d’entreprises étrangères a permis une meilleure structuration du marché et une augmentation du nombre de firmes cotées en bourse. Le pays n’a donc pas eu recours à d’importants emprunts étrangers en devise étrangère pour financer les compagnies locales. Pis encore, les excédents commerciaux ont généré un excès de liquidité en devises qui a relativement déstabilisé le marché local. En 1996, on recensait 362 compagnies listées. Mais, le volume des titres disponibles au public reste relativement modeste comparé aux grandes places financières asiatiques à savoir Hongkong et Tokyo. Avec l’ouverture du marché boursier aux investisseurs étrangers, le marché est devenu beaucoup plus profond.3 1.2 Le système de change à Taiwan: Le système de change taiwanais a alterné entre parité fixe et accrochage à un panier de devises. En 1963, un taux de change unique était entré en vigueur. En 1979, le marché de change a été établi et un système de taux de change flottant a été adopté. Quand le système était alors à ses débuts, l’économie taiwanaise était confrontée à de larges variations de taux de change. La politique de taux de change a alors été repensée. Cette nouvelle politique vise essentiellement à maintenir les taux de change dans un intervalle donné par rapport au dollar U.S. Mais, avec les excédents commerciaux et 3 Source: Site Internet de la bourse des valeurs mobilière de Taiwan http://www.tse.com.tw 13 l’augmentation des avoirs en devises les mesures d’encadrement des mouvements de capitaux ont été assouplies. Vu que le dollar taiwanais s’appréciait, la banque centrale taiwanaise procédait souvent à des achats importants de dollars pour contenir l’appréciation du dollar taiwanais. Au début de 1997, les prémices de la crise financière commençaient à être palpables sur l’ensemble des pays d’Asie. Cette crise sera lourde de conséquences pour tous les pays de l’Asie du Sud-Est. Paradoxalement, Taiwan fut parmi les rares sinon le seul pays émergent de la région à échapper à la contagion. Plusieurs raisons peuvent expliquer ce résultat. D’abord il faut savoir que Taiwan possède des fondamentaux économiques solides : balance commerciale excédentaire pour toute la décennie des années 90, elle a toujours emprunté d’une façon raisonnable à l’étranger contrairement aux autres pays de la région. Le niveau de l’épargne dans ce pays se situe à un niveau relativement élevé. Et la dette publique était toujours contenue dans des proportions acceptables. La banque centrale a toujours disposé de réserves de change importantes. L’autre raison qui a fait que Taiwan a été épargnée par cette crise, est que la plus grande partie des investissements étaient des investissements productifs et non pas des investissements en portefeuille. De ce fait le phénomène de bulle n’existait et ceci constitue sans nul doute une grande différence entre ce pays et les autres. 2- La Corée du sud: 2.1. Le marché des titres en Corée du sud : Le marché sud Coréen de valeurs mobilières a été crée en 1956. Il comptait alors 12 compagnies listées. Au début, le marché était presque une annexe des activités de l’Etat et le volume des transactions était très réduit. Au début des années 80, le marché boursier a connu une croissance rapide grâce aux décisions prises par le gouvernement. Le développement du marché boursier est un support solide pour le financement et le développement de l’économie en général. La méthode des transactions régulières a été introduite en 1969 et les transactions en continu ont été adoptées en 1975. L’automatisation du marché fut elle adoptée en 1983 facilitant ainsi la transmission des ordres d’achats et de ventes sur les titres. Et un système entièrement géré par ordinateur a été mis en place en 1997. 14 Depuis les années 80, le marché boursier Sud coréen a été graduellement ouvert aux investisseurs étrangers. Des institutions de placements et des fonds d’investissement ont par ailleurs été créées permettant ainsi aux investisseurs étrangers d’accéder d’une manière indirecte au marché boursier local. En 1991, les firmes étrangères pouvaient être cotées sur la bourse coréenne. En 1992, un autre pas a été franchi en permettant aux investisseurs étrangers, sous certaines conditions, d’opérer directement sur le marché boursier local. Ces restrictions relatives aux parts détenues par les investisseurs étrangers ont été peu à peu levées et même complètement éliminées à partir de 1998.4 La bourse sud coréenne a donné une priorité pour le développement des produits dérivés et des indices boursiers. Après la crise de 1997, les autorités ont engagé un ensemble de réformes visant à améliorer l’infrastructure du marché à accélérer la déréglementation, à augmenter la protection des investisseurs et enfin à améliorer l’efficience du marché en général. 2.2. Le système de change en Corée Du Sud : Le système de change en Corée du sud est un instrument important de la politique économique. Pour un pays qui a depuis longtemps parié sur un volume des exportations important, le taux de change est élément clé de l’évolution de son tissu industriel et de son économie en général. En 1964, la valeur du won (la monnaie de la Corée du sud) a été accrochée au dollar américain. Les interventions de la banque centrale étaient alors relativement pas nombreuses. La banque centrale coréenne intervenait toujours pour rétablir (ou maintenir) la parité entre le dollar américain et le Won. De 1970 à 1979, le Won a subi trois dévaluations. Ces opérations ont été faites dans le but de soutenir les exportations du pays. Ce système de parité fixe a été abandonné en 1980 et un système de taux de change flottant a été adopté. Au cours de la même année, il a été décidé de libéraliser les taux d’intérêt. Le won coréen est alors rattaché à un panier de devises de cinq pays (les principales devises mondiales de l’époque). Dés lors, la valeur de la monnaie coréenne est affectée par les variations des principales devises mondiales et essentiellement le 4 Sources : Site internet de la bourse des valeurs mobilières de Séoul de la Corée Du Sud. http://www.kse.or.kr 15 dollar américain et le yen japonais. Mais, ce système de change flottant était en réalité étroitement contrôlé. Et en pratique, on peut dire que rien n’a vraiment changé par rapport à la situation de parité fixe. Jusque là, la politique de change de la Corée du sud était très prudente et les changements opérés sur la valeur du Won étaient faits de façon graduelle. Au début des années 80, le dollar américain était à des niveaux élevés et malgré cela le won ne s’est déprécié que de 6.8% et il s’est apprécié par rapport au mark allemand et au yen japonais. A partir de 1985, le dollar américain a commencé à se déprécier (et donc le won à s’apprécier). Mais les taux de change étaient toujours contenus dans des limites très favorables pour l’économie coréenne. Et donc, on ne pouvait parler de libre flottaison du won mais plutôt de système imparfait de flottaison (dirty float).5 Au début des années 90, la libéralisation financière s’est accentuée. En 1991, la libéralisation des taux d’intérêt a été adoptée. Les taux de change sont devenus libres et obéissent ainsi aux lois du marché. Mais pour autant, la banque centrale coréenne n’a pas renoncé à ses vieux réflexes. Elle est toujours prête à effectuer des opérations d’open market pour éviter une appréciation trop importante du Won. Mais tout de même, les interventions de la banque centrale étaient beaucoup moins nombreuses que lors de la décennie précédente. Des mesures visant à attirer les investisseurs étrangers ont aussi été adoptées. Ceci a fortement contribué au dynamisme du marché des valeurs mobilières coréen (Korean Stock Exchange). Mais cette libéralisation n’a pas eu que de bons effets. La déréglementation observée sur le marché financier a permis aux banques de prêter et d’emprunter sans aucun contrôle. En effet, les conglomérats sud coréens (les chaebols) ont pendant longtemps profité de crédits à des conditions favorables. Ils ont contribué en très grande partie à l’endettement du pays. Un autre élément à signaler, est le manque d’indépendance de la banque centrale coréenne. Celle-ci était toujours sous la pression soit du gouvernement ou des conglomérats. Ceci avait pour résultat un manque de transparence dans la gestion. Et les décisions prises par la banque centrale coréenne 5 Sources : site internet de la banque centrale de la Corée Du Sud http://www.bok.or.kr 16 n’étaient pas toujours pour servir l’intérêt de toute l’économie mais seulement les intérêts d’une partie. En 1996, dans le but d’adhérer à l’OCDE (l’organisation de coopération et de développement économique), la Corée du sud a accepté de libéraliser et de lever tous les contrôles sur les institutions financières. Les investisseurs étrangers pouvaient alors acheter et vendre autant de titres qu’ils veulent. Les opérations de spéculation sur cette monnaie se sont multipliées et augmentaient à chaque fois d’ampleur. Quand les autres monnaies asiatiques commençaient à se déprécier, le Won à son tour s’est déprécié. Mais cette dépréciation a été aggravée par les opérations de spéculation. En 1997, la Corée est elle aussi prise dans la tourmente de la crise financière qui a déjà touché une bonne partie des pays asiatiques. La Corée du sud a beaucoup emprunté, et les banques ont prêté des sommes considérables sans faire attention à la capacité de remboursement de ses clients. Un effet domino s’est alors installé et la crise s’est généralisé à tout le pays. Le pays devait faire face à une dette à court terme énorme6. 3- Caractéristiques financières et économétriques des marchés étudiés : Comme nous l’avons mentionné dans la section précédente, la libéralisation des marchés financiers et boursiers des pays du sud-est asiatique et notamment Taiwan et la Corée du sud date des années 90. Un historique relativement court pour ces marchés financiers et qui a été caractérisé principalement par la crise financière de 1997. Le premier point à souligner sur ces marchés est le nombre de titres cotés. La profondeur des marchés boursiers s’est améliorée. Le nombre de titres cotés, ainsi que le nombre de transactions quotidiennes ne cessent d’augmenter. Et ces deux bourses commencent à atteindre un rang important dans la région du Sud-est asiatique et dans le monde en terme de capitalisation boursière7. Leur poids est croissant. 6 Le ratio dette à court terme/PNB est passé de 33.4% en 1982 à 56.8% en 1996. 7 Voire graphique 17 600 500 400 300 200 100 0 Chine Hong-kong Taiwan Corée du Sud Malaisie M al ai si S e in ga po ur Ta ih la nd In od on és ie P hi lip pi ne s C hi ne H on gko ng Ta C iw or ée an du S ud en milliers USD Capitalisation boursière Singapour Taihland Inodonésie Philippines Pays D’un point de vue financier, ceci peut se traduire par un gain d’efficience et une meilleure réaction des marchés aux événements significatifs qui peuvent l’affecter. Dans notre cas, l’étude de l’impact des taux sera a priori plus significative au fur et à mesure que le marché est efficient : c’est à dire liquide et varié. Même si la condition d’efficience reste un idéal (théorique) à atteindre, on peut espérer que mener une étude sur un marché émergent, mais assez bien structuré, peut donner des résultats significatifs qui reflètent le comportement des investisseurs. Nombre de firmes cotées sur la bourse Coréenne Nombre de firmes cotées 19 92 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 800 780 760 740 720 700 680 660 640 620 Crise de 1997: effet de bulle: on atteint le max. de firmes 18 Nombre de titres sur la bourse de Taiwan 1000 900 800 700 600 500 400 300 200 100 0 nombre de titres 1996 1997 1998 1999 2000 2001 Crise asiatique de 1997 400000 350000 300000 250000 200000 150000 Total Market Capitalzation 2003 2002 2001 2000 1999 1998 1997 1996 1995 1994 1993 100000 50000 0 1992 Capitalisation boursière(milliers Wons) Capitalisation totale du marché sud coréen Années Capitalisation boursière sur la bourse de Taiwan Pas de chute en 1997 en milliards de TWD 16000 14000 12000 10000 8000 Capitalisation boursière 6000 4000 2000 0 1996 1997 1998 1999 2000 2001 19 Autre point à signaler est la segmentation8 dont souffrent en général les pays émergents. La cause principale de la segmentation est le manque d’offre et de demande sur le marché. Les ratios de la demande sur les titres offerts sont inférieurs à ceux constatés dans les pays développés et dans les bourses les plus dynamiques de part le monde. Mais sur ce point aussi, nous croyons qu’au fur et à mesure que l’on avance dans le temps, ce phénomène est en train de s’estomper n’en témoigne l’évolution du nombre de transactions sur les marchés boursiers coréens et taiwanais9 . 250000 200000 vo lu m e d e s t ra n s a c t io n s s u r le KSE 150000 100000 50000 02 20 00 20 19 98 96 19 19 19 94 0 92 Nombre de transactions V o lu m e d e s tr a n s a c tio n s s u r le K S E Années L’intégration des marchés émergents est aussi à souligner. Nous ne rentrerons pas dans les détails de ce concept, mais nous retiendrons l’impact de ce phénomène sur notre étude. En effet, il a été constaté ces dernières années, que les marchés émergents sont de en plus en plus intégrés entre eux. D’autre part leur corrélation avec les marchés des pays développés et notamment les États-Unis ne cesse de se confirmer. Cette tendance se renforce à mesure que s’accroît le poids des pays émergents dans l’économie mondiale. Une intégration lourde de conséquences en périodes de crises. La contagion entre les pays est d’autant plus accentuée (et inévitable) que les économies de ces pays sont intégrées. 8 La segmentation: deux titres présentant les mêmes caractéristiques en terme de risque ont des rendements différents sur deux marchés. 9 Voire graphiques 20 Cela a été le cas lors de la crise financière de 1997, la crise s’est propagée d’un pays à un autre presque sans rencontrer de coupe feu (même si pour diverses raisons certains pays ont été épargnés notamment Taiwan et la Chine). Lors de cette période les taux de change ont été très volatiles. Les limites économétriques du modèle sont aussi un élément à considérer. Dans notre étude, on suppose un grand nombre d’hypothèse sur les conditions économétriques des rendements des titres (normalité, précision dans la mesure de variation, fiabilité des sources,…). Nous reviendrons sur ce point en exposant notre modèle empirique. 4- Conclusion : Pendant des décennies, les deux pays ont suivi à peu prés les mêmes politiques économiques. Mais, Taiwan a été beaucoup plus prudente sur le niveau de son endettement et sur la nature des investissements étrangers opérés sur son sol. En effet, si Taiwan a su attirer des investissements directs étrangers, la majorité des investissements en direction de la Corée étaient des investissements en portefeuille10. Ces deux principales divergences expliquent pourquoi est-ce que la crise asiatique a frappé beaucoup plus la Corée du sud. IV. Aspects théoriques de la question : Nous nous proposons dans cette partie de décortiquer théoriquement la relation entre les taux de change et les rendements de titres. Avant de la vérifier empiriquement, il est intéressant de donner des explications théoriques à cette relation. 1- Du point de vue de la firme : Pour une firme exportatrice, la dépréciation de la monnaie locale par rapport à la devise étrangère va faire augmenter ses recettes. En effet, des recettes reçues en devises vont être échangées à un taux plus avantageux. Cette bonne nouvelle ou cet événement est de nature à encourager les investisseurs pour acheter ou du moins conserver le titre de la firme. C’est donc un signe positif. La cotation du taux de change étant indirecte c’est à 10 En 1996, le ratio des investissements en portefeuille sur l’investissement direct étranger était de 6.2 à 1 en Corée du sud alors qu’il n’était que de 1.7 à 1 pour Taiwan. 21 dire égal au prix en monnaie étrangère d’une unité de devise locale, si ce taux s’améliore alors le cours de l’action devrait augmenter. Vu de cet angle, la relation est à priori négative: si le rendement de la monnaie locale est négatif (Rx est négatif: il y a une dépréciation de la monnaie locale) alors il y a une augmentation de la valeur du titre. Mais, si la firme importe des matières premières de ce même pays étranger ou d’autres pays, et que les devises étrangères s’appréciaient, le gain enregistré lors des ventes peut être annulé par les importations. Il faut donc voir la position nette en monnaie locale de la firme. Il est dés lors difficile de dire si l’augmentation d’une devise étrangère ou une autre aura un impact sur toutes les firmes de la même manière. Ceci dépendra de la localisation géographique des partenaires (clients et fournisseurs) de la firme. Des gains sur une devise peuvent être annulées par des pertes sur d’autres devises. Cette dernière décennie a été marquée par la multiplication des instruments de gestion de risque de change. Les contrats à terme, les options, les forwards et divers arrangements sont de plus en plus adoptées par les firmes. Ceci a eu comme conséquence la diminution de l’incertitude sur les revenus de la firme. Moins d’incertitude est synonyme de moins de spéculation. Le risque de change peut être annulé. Aussi, la présence des ADRs11 a permis aux investisseurs étrangers américains d’investir dans les pays émergents sans subir les risques de change. Les taux de change ont donc, à priori, moins d’impact sur le cours du titre que les décennies précédentes. Est ce que le taux de change est vraiment un indice sans réelle importance pour les investisseurs? 2- Du point de vue de l’investisseur étranger : Nous nous proposons ici d’exposer le comportement de l’investisseur étranger dans les bourses des pays émergents. Car contrairement aux investisseurs locaux, l’investisseur étranger subit le risque de change. Nous allons alors tenter de cerner l’impact de son comportement sur la valeur des titres côtés. Même si la participation des étrangers sur le marché boursier taiwanais et coréen n’est pas majoritaire, elle est néanmoins de plus en plus importante. Les actions sont libellées en monnaie locale. La variation des taux de change pour un investisseur étranger 11 ADR : American Depositary Receipt 22 peut donc – en terme de monnaie locale - soit faire augmenter le rendement du titre, soit le faire baisser. Soit la relation suivante qui donne le rendement obtenu (dans la devise étrangère) par un investisseur étranger : 1 + RG = (1 + Rx )(1 + Rt ) Ou encore : RG ≈ R x + Rt Avec : RG: rendement du titre en monnaie étrangère Rt : rendement du titre en monnaie locale Rx: rendement des taux de change en cote indirecte R x = S − S t+1 S t . En fait t c’est la variation (en pourcentage) de la devise locale par rapport à la devise étrangère. St : nombre d’unités de la devise étrangère pour une unité de devise locale à la date t. Alors dans notre cas et avec une cotation indirecte, le aux R x = S t +1 S − S t .Ceci t nous donne le rendement de la devise locale. Si la devise locale s’est appréciée alors Rx est positif. Si la devise locale s’est dépréciée alors Rx est négatif. Pour ceux qui ont déjà investi : dans le cas d’une dépréciation de la devise locale par rapport à la monnaie étrangère ( R x est alors négatif), il y aura une perte de rendement du titre finalement obtenue en monnaie étrangère. Les investisseurs étrangers, de peur que la monnaie locale ne continue de se déprécier, vont alors se tourner vers d’autres places financières plus intéressantes pour leurs placements. Il y a alors une augmentation de l’offre du titre sur le marché. Le prix du titre va alors à son tour baisser. Le rendement titre (en terme local) va baisser. Cette hypothèse, laisse penser que la relation entre rendement du taux de change et rendement du titre, du moins sur ce critère, positive (les deux variables évoluent dans le même sens). 23 Pour ceux qui n’ont pas encore investi : si la monnaie se déprécie avant qu’on ait déjà investi ça peut représenter de nouvelles possibilités d’investissement pour d’autres qui trouveront les titres bon marché. Les investisseurs étrangers, anticipant que la monnaie locale va se ressaisir et va s’apprécier, vont donc se ruer sur ces titres et les rendements des titres vont augmenter. De ce point de vue, la relation parait alors négative entre rendement des titres et rendement de change. Il y a donc deux forces antagonistes sur le marché qui prennent place. Mais, ces deux forces ont des anticipations opposées. Les uns pariant sur une dépréciation de la monnaie locale, les autres sur une appréciation. Ceci nous pousse à penser que ces réactions prennent du temps pour se réaliser sur le marché. Et que donc, un modèle de régression linéaire, mais retardé serait plus approprié. Nous reviendrons sur les critères du choix du modèle empirique plus en détails ultérieurement. A mesure que s’intensifie la libéralisation du marché financier et que les mouvements de capitaux deviennent plus libres, cette relation sera mieux validée (la transmission sera intégrale). De même, la baisse des devises des pays étrangers et surtout les pays voisins va avoir un impact important sur le marché coréen ou taiwanais. La dépendance entre les marchés étant très forte, Huang et Yang (2003), le risque de voir les investisseurs passer d’un marché à un autre est important. 24 B. Partie empirique : I. Présentation de l’échantillon : Notre base de données est constituée des prix des indices boursiers sectoriels, des taux de change et des taux de placement à 90 jours pour deux pays à savoir Taiwan et la Corée du Sud. Toutes les données sont à une fréquence journalière. Tous les rendements pris dans nos calculs sont calculés suivant la formule du taux continu. Ils sont calculés suivant la formule suivante : R it = ln( Pt ) Pt −1 Avec Pt : prix du titre à la fin de la journée t. Avec Pt −1 : prix du titre è la fin de la journée t-1. De même que pour les taux de change, les rendements sont calculés suivant la St formule suivante : R xt = ln( S ) t −1 Avec St la cotation indirecte de la monnaie locale par rapport au dollar américain à la fin de la journée t (prix de clôture) : c’est à dire le prix en dollars de la devise locale. Si ce prix augmente, c’est que la devise locale s’est appréciée et que les investisseurs détenant des actifs libellés dans cette monnaie réalisent automatiquement un gain lors de leurs conversions. On obtient de cette formule le rendement direct de la monnaie locale d’une façon journalière. Ce rendement correspond au pourcentage d’appréciation ou de dépréciation de la monnaie locale par rapport à la devise étrangère au cours d’une journée. Pour les taux sans risque, on a pris les taux de placement à 90 jours pour les deux pays à savoir la Corée du Sud et Taiwan. Ces données ont aussi été tirées de Datastream. La période de l’étude s’étale de 30/06/1995 jusqu’au 08/04/2003. Ce choix est motivé par le fait que la libéralisation économique de la Corée du Sud et de Taiwan a eu lieu au début des années 90. Comme on l’a mentionné précédemment, durant les décennies 70et 80 les taux de change de ces pays étaient fixes (essentiellement par un 25 système de parité avec le Dollars américain. Il faut donc étudier l’impact des taux de change quand ils sont soumis aux lois de l’offre et de la demande Nous avons choisi ces deux pays, car à notre connaissance, il n’y pas encore eu d’études de ce types sur ces pays. D’autres part ces pays, qui ont une économie développée et des marchés de valeurs mobilières assez prospères, offrent sans nul doute de bonnes conditions à notre étude. Pour chaque pays, on a choisi de travailler sur des indices boursiers sectoriels plutôt que de travailler sur des titres individuels. Une large littérature empirique a en effet privilégié le choix de regroupement par portefeuille à l’étude de titres d’une façon individuelle. Nous pensons que cette méthode nous donnera des résultats plus significatifs. Les différents indices sectoriels nous permettent aussi d’avoir un échantillon diversifié. 1- Taiwan : Le nombre d’observations dans notre échantillon est de 2264 observations. Notre période d’étude s’étale du 30/06/1995 jusqu’au 08/04/2003. La source de nos données est Datastream. On a choisi dix indices boursiers sur lesquels on va mener notre étude. Ces indices représentent différents secteurs. Les indices des secteurs considérés pour notre étude sont : 12 Mch = Taiwan SE 100 price index Var1 = Taiwan SE Banking & Insurance Var2 = Taiwan SE Cement Var3 = Taiwan SE Cement & Ceramics Var4 = Taiwan Se Chemicals Var5 = Taiwan SE Composite 12 Par souci d’allègement de l’écriture on a préféré remplacer les noms des indices boursiers par Var i , mais nous donnerons le nom de l’indice à chaque fois que cela s’impose. 26 Var6 = Taiwan SE Construction Var7 = Taiwan SE Electric and machinery Var8 = Taiwan SE Electrical Machines Var9 = Taiwan SE Electronics Var10 = Taiwan SE Food 2-La Corée du sud : Le nombre d’observations dans notre échantillon est de 2633 observations. Notre période d’étude s’étale du 31/01/1994 jusqu’au 08/04/2003. La source de nos données est Datastream. Les indices des secteurs considérés pour notre étude sont: 13 Mch = Korea SE Composit (KOSPI) Var1 = Korea SE Construction Var2 = Korea SE Fab, Met, Mch Var3 = Korea SE Fab, Met, Prd Var4 = Korea SE Financial services Var5 = Korea SE Fisheries Var6 = Korea SE Ground Tran Var7 = Korea SE Insurance Var8 = Korea SE Investment and Banking Var9 = Korea SE Iron and steel Var10 = Korea SE Iron, steel and metal 13 Pareil que pour Taiwan , on a choisi de remplacer les noms des indices par Var i. 27 II. Modèle de Jorion (1991) : 1- Présentation du modèle : Le premier modèle utilisé pour illustrer la relation entre le rendement du taux de change et le rendement des secteurs boursiers est le modèle multifactoriel présenté par Jorion (1991) 14 : Rit = β i 0 + β i1emt + β i 2 Rxt + eit Avec comme équation complémentaire : R mt = α i 0 + α i1 R xt + e mt (1.1) (1.2) La première équation (1.1) est une relation entre le rendement du secteur i et le rendement du marché et le rendement du taux de change. Avec : Rit : Rendement boursier de l’indice du secteur i. R xt : Rendement de la monnaie locale exprimée en devise étrangère (en dollar américain) Rmt : Rendement boursier de l’indice de marché. emt : Résidu de l’indice de marché Afin de contourner le problème de multicolinéarité existant au niveau de l’équation (1.1), nous avons opté pour une orthogonalisation des variables explicatives R xt et Rmt . L’objectif étant d’obtenir au niveau de l’équation (1.1) des variables explicatives non corrélées. 14 Jorion, P., « The pricing of exchange rate risk in the Stock market », The journal of financial and quantitative analysis, Vol 26 N0 3(Sep 1991) 363-376 28 Au niveau de l’équation (1.2), nous avons réalisé une régression de l’indice de marché sur le rendement du taux de change. Le résidu de cette équation est la partie du rendement de taux de change qui n’est pas expliquée par le taux de change et qui est donc indépendante de ce dernier. Nous considérons (par hypothèse) que toutes nos données suivent une loi normale15. Nous pouvons alors analyser les résultats des tests de significativité globale et individuelle de notre modèle. Beaucoup de phénomènes économétriques ont leur importance pour bien interpréter l’équation (1.1). Nous allons exposer ces phénomènes et mettre en relief leur impact sur le plan financier. 1.1 L’hétéroscedasticité : Le problème de l’hétéroscedasticité est fréquemment rencontré dans les régressions des séries financières. L’hétéroscedasticité est le fait de trouver des résidus corrélés avec la variable explicative. Dans notre cas, il s’agit de la possibilité de trouver une corrélation entre les résidus eit et les variables explicatives e mt et R xt de l’équation (1.1). Si l’hétéroscedasticité ne rend pas notre estimation biaisée, elle peut néanmoins nous induire en erreur pour l’estimation des variances des coefficients associés aux variables explicatives du modèle. Avec l’hétéroscedastcicté, l’estimateur calculé avec la méthode des moindres carrés ordinaires n’est pas B.L.U.E. Sans rentrer dans les détails de ce phénomène nous retiendrons le fait qu’après avoir testé notre équation (1.1), il nous faut mener un test d’hétéroscedasticité pour savoir si nos tests de significativité (de Student et de Fischer) sont valables ou non. Nous opérons alors un test de White: hétéroscédasticité de forme inconnue sur l’équation suivante : 15 Voir les tests de normalité et la distribution statistique des différentes variables en annexe,en réalité nos variables ne suivent pas une loi normale. 29 2 eit2 = ρ0i + ρ1i emt + ρ2i Rxt + ρ3emt + ρ 4 Rxt2 + ρ5emt Rxt + ν t 1.2 L’auto corrélation des erreurs : Ce test nous permet de savoir les résidus trouvés au niveau de l’équation (1.1) sont corrélés ou non. L’utilisation des moindres carrés ordinaires est sujette à cette condition. Nous allons donc tester l’auto corrélation d’ordre 1 : eit = ρ i 0 + ρ i1eit −1 + vt avec Ho : H1 : ρi1 = 0 il n’y pas d’auto corrélation des erreurs. ρi1 ≠ 0 il y a auto corrélation des erreurs. Le test de LM (Lagrange Multiplier) est utilisé pour la détection de l’auto corrélation. Dans le cas de présence d’auto corrélation des erreurs, les estimateurs trouvés sont non biaisés et restent valables. Néanmoins, ils ne sont plus B.LU.E car leurs variances ne sont plus minimales. Donc les tests de significativité basés sur les variances ne seront pas valides, même en présence d’un échantillon de très grande taille. 1.3 Correction de l’ hétérocscedastcicité et de l’auto corrélation : Si on constate les phénomènes d’hétéroscedasticite et d’auto corrélation des erreurs, il faut les corriger à l’aide du test de Newey-West. Ce test permet une réesitimation des variances des coefficients de notre modèle en tenant compte de la présence d’hétéroscedatsicté et d’auto corrélation des erreurs. 30 1.4 Problème de tendance et d’intégration : Notre problème premier est de savoir si les variables étudiées ici sont stationnaires ou pas. Si elles suivent une tendance, il serait très difficile d’étudier leurs évolutions et encore moins d’en tirer des conclusions. On dit qu’une variable présente une tendance si sur la période choisie de l’étude elle suit une allure ascendante ou descendante sans un retour à la valeur moyenne. Si les variables par exemple du rendement de change ou de l’indice du secteur ne cessent de croître d’une année à une autre on aura un processus explosif. En traçant les graphiques des évolutions des variables en question nous pouvons déjà avoir une idée sur ce phénomène. Nous appuierons ceci par un test d’intégration et de racine unitaire. ¾ Le test de Dickey Fuller de racine unitaire 1.5 Problème de co-intégration : Définition : Deux variables sont co-intégrées I(1) Y1t et Y2t s’il existe un vecteur a tel que : [y1t y2t ] a1 = ut a 2 Où ut est I(0) (stationnaire). Au-delà de cette définition économétrique, la cointégration signifie que deux variables avec des résultats de régressions significatifs peuvent n’avoir aucun lien entre eux. Ce test nous évite d’interpréter des résultats qui sont en apparence corrects. Si R it et R xt sont des variables intégrées indépendantes, la régression : R it = β i 0 + β i 2 R xt + e it 31 peut générer une statistique F qui rejette H aucun lien entre 0 : β i2 = 0 et pourtant, il n’existe R it et R xt . En définitif, ce test de co-intégration peut nous dire si véritablement la variable taux de change explique le rendement de l’indice boursier d’un secteur ou pas. Est-ce qu’il y réellement une interaction entre ces deux variables. Ou, au contraire, est-ce chaque variable évolue d’une façon indépendante et que le hasard des valeurs statistiques prises donnent des résultats globalement significatifs pour notre modèle. ¾ Test de cointégration de Dickey Fuller (ADF : Augmented Dickey Fuller) Ce test est opéré dans le but de savoir s’il y a une tendance commune pour la variable rendement de change d’un coté et les variables des rendements boursiers des différents indices sectoriels. En effet, si ces variables suivaient une tendance commune, ceci empêcherait l’étude de la relation entre elles. Si par exemple, les variables de change et de rendement boursiers sont conditionnés par les mêmes facteurs, ils peuvent alors avoir une même évolution, mais ceci ne nous permet pas de dire que ces deux variables interagissent entre elles. Dans ce cas là, il faudra ajouter d’autres variables explicatives à notre modèle au niveau de l’équation (1.1) pour capter cet effet. 1.6 Le sens de la relation : Dans notre modèle de l’équation (1.1) on a supposé que c’est le taux de change qui influence le rendement boursier des indices sectoriels. La variable explicative est le rendement de change et la variable expliquée est le rendement de l’indice sectoriel. Mais est-ce que le contraire serait aussi vrai : est-ce que les rendements des indices sectoriels en variant, pour des raison diverses, n’influencent-ils pas le taux de change?. Au niveau de la partie théorique, nous avons déjà présenté le raisonnement théorique permettant d’expliquer ce phénomène. Nous nous proposons ici d’opérer un test économétrique pour répondre à notre interrogation : ¾ Test de causalité de Granger. 32 1.7 Test de stabilité : Pour savoir si les coefficients trouvés lors de notre régression de l’équation (1.1) sont stables durant notre période d’étude, on effectue un test d’homogénéité de Chow. Par ce test on peut savoir si la nature de la relation entre le rendement boursier des secteurs et le rendement des taux de change est la même durant notre période considérée. ¾ Test de Chow 2- Résultats : 2.1 Taiwan : Estimation des paramètres de l’équation (1.1) : Rit = β i 0 + β i1emt + β i 2 Rxt + eit Nous reportons dans le tableau ci-après, les caractéristiques de l’estimation du paramètre β i2 Variables Coefficient Std, Error t-Statistic Prob, var1** 0,591513 0,074285 7,962774 var2** 0,506897 0,102993 4,921665 var3** 0,475545 0,090212 5,271433 var4** 0,418166 0,08255 5,06563 var5** 0,599884 0,034442 17,41702 var6** 0,591667 0,109288 5,413808 var7** 0,353089 0,06812 5,183298 var8** 0,7804 0,062656 12,45525 var9** 0,832601 0,074116 11,23373 var10** 0,454364 0,080677 5,631857 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que le coefficient β i2 0 0 0 0 0 0 0 0 0 0 R^2 adjusted 0,619173 0,403627 0,441995 0,484115 0,896331 0,346359 0,570654 0,768692 0,713875 0,447378 est significatif pour les différents secteurs étudiés. Puisque pour un intervalle de confiance de 1%, on a des p-value associées à ce paramètre inférieures à 1%. On peut donc dire que les variations des taux de change ont un impact significatif sur les prix des actifs boursiers. 33 On remarque aussi que le signe du coefficient β i2 est positif et ceci pour tous les secteurs. Ceci laisse penser à l’existence d’une relation positive entre le rendement de change et le rendement boursier. Si la devise locale s’apprécie, elle réalise donc un rendement positif alors on devrait s’attendre à ce que durant cette même période les indices sectoriels se soient appréciés aussi. Ce qui est important à souligner est que pour tous les secteurs le coefficient β i2 est positif et significatif, ceci laisse penser que le taux de change affecte de la même manière les titres cotés en bourse (mais pas avec la même amplitude). Le fait d’appartenir à un secteur qui serait à priori favorisé par une dépréciation ou une appréciation de la devise locale ne constitue pas un critère. L’hétéroscedasticité : Nous reportons ici le résultat du test de White suivant l’équation suivante : 2 eit2 = ρ 0 i + ρ1i emt + ρ 2 i R xt + ρ 3emt + ρ 4 R xt2 + ρ 5emt R xt + ν t 34 Hétéroscedasticité: Test de White statistique std dev var1 F-statistic 137,9077 Obs*R-squared 529,525 CHGE -0,001821 0,002543 CHGE^2 -0,136265 0,123518 var2 F-statistic 35,00283 Obs*R-squared 162,8464 CHGE -0,002629 0,003941 CHGE^2 -0,142914 0,191445 var3 F-statistic 46,44854 Obs*R-squared 211,1261 CHGE -0,002212 0,003156 CHGE^2 -0,123535 0,153301 var4 F-statistic 43,95199 Obs*R-squared 200,7856 CHGE -0,001449 0,00228 CHGE^2 -0,112402 0,110756 var5 F-statistic 230,9454 Obs*R-squared CHGE CHGE^2 var6 F-statistic Obs*R-squared CHGE CHGE^2 var7 F-statistic Obs*R-squared CHGE CHGE^2 var8 F-statistic Obs*R-squared CHGE CHGE^2 var9 F-statistic Obs*R-squared CHGE CHGE^2 var10 F-statistic Obs*R-squared CHGE CHGE^2 765,8169 -0,001701 -0,179996 45,35913 206,6266 -0,005347 -0,457793 77,87085 332,9306 -0,001206 -0,068919 171,7798 623,7214 -0,000576 0,032759 126,365 494,9013 0,000991 0,204213 59,49533 263,52 -0,003502 -0,211433 t-stat prob significatif ou pas -0,716163 -1,103206 0 oui 0 0,474 non 0,2701 non -0,666942 -0,7465 0 oui 0 0,5049 non 0,4554 non -0,701051 -0,805836 0 oui 0 0,4833 non 0,4204 non -0,635405 -1,014863 0 oui 0 0,5252 non 0,3103 non 0 oui 0,001394 -1,220389 0,067699 -2,658765 0 0,2224 non 0,0079 oui 0,004173 -1,281302 0,202698 -2,258493 0 oui 0 0,2002 non 0,024 oui 0,001813 -0,665092 0,088071 -0,78254 0 oui 0 0,5061 non 0,434 non 0,002136 -0,269716 0,103748 0,315758 0 oui 0 0,7874 non 0,7522 non 0,00266 0,129223 0,372331 1,580312 0 oui 0 0,7097 non 0,1142 non 0,002206 -1,58728 0,107179 -1,972714 0 oui 0 0,1126 non 0,0487 oui 35 On remarque d’après le tableau ci haut que l’hétéroscedasticité est observée d’une façon significative au niveau de notre régression de l’équation (1.1) et ceci pour tous les secteurs. L’auto corrélation des erreurs : Autocorrelation des erreurs: Breusch-Godfrey Serial Correlation LM Test: statitisque var1 F-statistic Obs*R-squared var2 F-statistic Obs*R-squared var3 F-statistic Obs*R-squared var4 F-statistic Obs*R-squared var5 F-statistic Obs*R-squared var6 F-statistic Obs*R-squared var7 F-statistic Obs*R-squared var8 F-statistic Obs*R-squared var9 F-statistic Obs*R-squared var10 F-statistic Obs*R-squared p-value significatif ou pas à 5 % 4,208736 4,208347 0,040331 oui 0,040226 8,523372 8,506361 0,003541 oui 0,003539 5,672017 5,667828 0,01732 oui 0,017279 3,24152 3,242608 0,071927 non 0,071746 53,47879 52,33404 0 oui 0 14,26355 14,19912 0,000163 oui 0,000164 0,390829 0,391454 0,531927 non 0,531536 1,00253 1,00386 0,316806 non 0,316378 0,026125 0,026171 0,87161 non 0,871483 9,233945 9,212629 0,002403 oui 0,002404 36 On remarque la présence d’auto corrélation des erreurs pour les variables Var1, Var2, var3, Var5, Var6 et Var10.Ceci constitue donc une limite pour l’utilisation de la méthode des moindres carrés classiques. Correction de l’ hétéroscedasticité et de l’auto -corrélation : Comme nous avons observé les phénomènes d’hétéroscedasticité et d’auto corrélation, nous opérons une réestimation du modèle grâce à la procédure de NeweyWest. Nous donnons ci après les résultats de l’estimation du modèle avec la procédure de Newey-West (robuste pour l’auto corrélation et l’hétéroscedasticité). Rit = β i 0 + β i1emt + β i 2 Rxt + eit Nous reportons dans le tableau ci-après, les caractéristiques de l’estimation du paramètre β i2 Variables Coefficient Std, Error t-Statistic Prob var1** 0,591513 0,09466 6,248801 var2** 0,506897 0,120888 4,193111 var3** 0,475545 0,101143 4,701699 var4** 0,418166 0,090471 4,622099 var5** 0,599884 0,038182 15,71118 var6** 0,591667 0,10619 5,571757 var7** 0,353089 0,072577 4,864997 var8** 0,7804 0,101908 7,657899 var9** 0,832601 0,127409 6,534851 var10** 0,454364 0,061011 7,447269 **: siginficatifs à 1 % * : significatifs à 5 % 0 0 0 0 0 0 0 0 0 0 R^2 adjusted 0,619173 0,403627 0,441995 0,484115 0,896331 0,346359 0,570654 0,768692 0,713875 0,447378 Nous remarquons que les résultats pour la significativité des paramètres sont très proches de ceux trouvés par la méthode des moindres carrés classiques. Pour tous les secteurs, les β i2 sont significatifs pour un seuil de confiance de 1%. Problème de tendance et d’intégration : 37 Nous donnons ci après les résultats du test de racine unitaire : test de racine unitaire:(stationnarité) chge ADF Test Statistic -19,8853 var1 ADF Test Statistic -20,92181 var2 ADF Test Statistic -21,01801 var3 ADF Test Statistic -20,79875 var4 ADF Test Statistic -20,7965 var5 ADF Test Statistic -21,55689 var6 ADF Test Statistic -19,51105 var7 ADF Test Statistic -21,37361 var8 ADF Test Statistic -21,07627 var9 ADF Test Statistic -21,11132 var10 ADF Test Statistic -20,70259 1% Critical Value* -3,4363 oui stationnaire 1% Critical Value* -3,4363 oui stationnaire 1% Critical Value* -3,4363 oui stationnaire 1% Critical Value* -3,4363 oui stationnaire 1% Critical Value* -3,4363 oui stationnaire 1% Critical Value* -3,4363 oui stationnaire 1% Critical Value* -3,4363 oui stationnaire 1% Critical Value* -3,4363 oui stationnaire 1% Critical Value* -3,4363 oui stationnaire 1% Critical Value* -3,4363 oui stationnaire 1% Critical Value* -3,4363 oui stationnaire Toutes les valeurs de la statistique ADF calculées sont supérieures à la valeur critique. Toutes les séries financières sont alors stationnaires. Ceci est d’ailleurs corroboré ci-après par les graphiques qui montrent une allure horizontale. Nous donnons ci après le graphique l’évolution des rendements du taux de change et des différents indices durant notre période d’étude. 38 .3 .16 .12 .2 .08 .1 .04 .00 .0 -.04 -.1 -.08 -.2 -.12 500 1000 1500 2000 2500 500 CHGE 1000 1500 2000 1500 2000 1500 2000 VAR1 .12 .12 .08 .08 .04 .04 .00 .00 -.04 -.04 -.08 -.08 -.12 -.12 500 1000 1500 500 2000 VAR3 VAR2 .12 .12 .08 .08 .04 .04 .00 .00 -.04 -.04 -.08 -.08 -.12 500 1000 1500 VAR4 1000 2000 -.12 500 1000 VAR5 39 .12 .12 .08 .08 .04 .04 .00 .00 -.04 -.04 -.08 -.08 -.12 500 1000 1500 2000 -.12 500 VAR6 1000 1500 2000 1500 2000 VAR7 .08 .12 .04 .08 .04 .00 .00 -.04 -.04 -.08 -.08 -.12 -.12 -.16 500 1000 1500 2000 VAR8 -.16 500 1000 VAR9 .12 .08 .04 .00 -.04 -.08 -.12 500 1000 1500 2000 VAR10 40 Problème de co-intégration : Unrestricted Cointegration Rank Test Hypothesized No, of CE(s) None ** At most 1 ** At most 2 ** At most 3 ** At most 4 ** At most 5 ** At most 6 ** At most 7 ** At most 8 ** At most 9 ** At most 10 ** Trace Eigenvalue 0,241742 0,199563 0,191044 0,177074 0,166094 0,162882 0,16001 0,158082 0,145821 0,139508 0,135068 Statistic 4660,845 4036,261 3533,857 3055,349 2615,484 2205,535 1804,263 1410,721 1022,353 666,6162 327,5 5 Percent 1 Percent Critical Critical Value Value 277,71 233,13 192,89 156 124,24 94,15 68,52 47,21 29,68 15,41 3,76 293,44 247,18 204,95 168,36 133,57 103,18 76,07 54,46 35,65 20,04 6,65 *(**) denotes rejection of the hypothesis at the 5%(1%) level Trace test indicates 11 cointegrating equation(s) at both 5% and 1% levels Les résultats du test de cointégration de Johansen, montrent que la variable de change est cointégrée avec tous les indices sectoriels. Ceci présente incontestablement, une limite importante au niveau du pouvoir explicatif de notre modèle. Car comme on l’a expliqué précédemment si deux variables sont cointégrées, il faut chercher d’autres variables qui pourraient jouer le rôle de trait d’union en quelque sorte. En pratique, on doit ajouter plus de variables explicatives au niveau de l’équation (1.1). Le sens de la relation : 41 test de causality: Null Hypothesis: Obs F-Statistic Probability VAR1 does not Granger Cause CHGE CHGE does not Granger Cause VAR1 2257 2,33775 0,10394 0,03966 x cause y 0,99137 rien VAR2 does not Granger Cause CHGE CHGE does not Granger Cause VAR2 2257 2,45288 0,39661 0,03165 x cause y 0,85142 rien VAR3 does not Granger Cause CHGE CHGE does not Granger Cause VAR3 2257 2,96593 0,55869 0,01129 x cause y 0,73177 rien VAR4 does not Granger Cause CHGE CHGE does not Granger Cause VAR4 2257 2,37152 1,45326 0,03713 x cause y 0,20205 rien VAR5 does not Granger Cause CHGE CHGE does not Granger Cause VAR5 2257 3,56652 1,21458 3,24E-03 x cause y 0,29959 rien VAR6 does not Granger Cause CHGE CHGE does not Granger Cause VAR6 2257 1,86309 1,45108 0,09759 rien 0,2028 rien VAR7 does not Granger Cause CHGE CHGE does not Granger Cause VAR7 2257 1,83826 0,71257 0,10215 rien 0,61396 rien VAR8 does not Granger Cause CHGE CHGE does not Granger Cause VAR8 2257 5,67281 1,97525 3,30E-05 x cause y 0,07927 rien VAR9 does not Granger Cause CHGE CHGE does not Granger Cause VAR9 2257 5,76285 2,04594 2,70E-05 x cause y 0,06941 rien VAR10 does not Granger Cause CHGE CHGE does not Granger Cause VAR10 2257 1,45747 0,88219 0,20061 rien 0,49207 rien La question à la quelle on essaie de répondre à travers ce test est: est-ce que le rendement de change influence le rendement boursier de l’indice ou est-ce le contraire? Ou est-ce qu’il y une interaction dans les deux sens? Pour les variables Var1, Var2, Var3, Var4, Var5, Var8 et Var9: c’est le rendement du cours de l’indice boursier qui influence le rendement du taux de change. Le contraire pour ces variables n’est pas vrai. Les variables Var1, Var2, Var3, Var4, Var5, Var8 et Var9 correspondent respectivement aux indices : Taiwan SE Banking & Insurance, Taiwan SE Cement , Taiwan SE Cement & Ceramics, Taiwan Se Chemicals, Taiwan SE Composite, Taiwan SE Electrical Machines, Taiwan SE Electronics. 42 Pour les variables Var6, Var7 et Var10, d’après ce test il n’est pas prouvé que ces variables ont une influence sur le rendement de change. De même, il n’est pas non plus prouvé que le rendement de change a une influence sur le rendement boursier des indices. Les variables Var6, Var7 et Var10 correspondent respectivement aux indices : Taiwan SE Construction, Taiwan SE Electric and machinery, Taiwan SE Food. Test de stabilité : Test de stabilité:Chow var1 F-statistic Log likelihood ratio var2 F-statistic Log likelihood ratio var3 F-statistic Log likelihood ratio var4 F-statistic Log likelihood ratio var5 F-statistic Log likelihood ratio var6 F-statistic Log likelihood ratio var7 F-statistic Log likelihood ratio var8 F-statistic Log likelihood ratio var9 F-statistic Log likelihood ratio var10 F-statistic Log likelihood ratio statistique P-value coef stable ou non 8,201696 24,53711 0,00002 non stable 0,000019 1,158438 3,482025 0,324227 stable 0,323101 1,848986 5,555033 0,136185 stable 0,135384 6,628025 19,84976 0,000187 non stable 0,000182 9,349128 27,94875 0,000004 non stable 0,000004 5,340502 16,00749 0,001151 non stable 0,00113 0,872778 2,623924 0,454448 stable 0,453311 3,582095 10,74943 0,013321 non stable 0,013161 5,401024 16,18825 0,001057 non stable 0,001038 7,572366 22,66375 0,000049 non stable 0,000047 Les paramètres de l’Équation (1.1) sont-ils stables au cours du temps, en particulier le coefficient β i2 calculé est-il stable pour notre période d’étude? 43 Pour ceci, on a partagé notre échantillon en deux groupes:le premier groupe contient 1100 observations (les 1100 premières: de 30/06/1995 jusqu’au 16/09/1999) et le deuxième groupe contient 1164 observations (les dernières 1164 observations : de 17/09/1999 jusqu’à 08/04/2003). Le logiciel Eviews nous permet de calculer les coefficients pour chaque sous période et de voir, si oui ou non, il y un changement significatif de ce coefficient. On remarque que pour les coefficients correspondant aux variables Var2, Var3 et Var7 les β i2 sont stables comme le montre le tableau ci haut. Un coefficient stable durant la période d’échantillon signifie que la nature de la relation entre le rendement de l’indice boursier et le rendement de change n’a pas significativement changé dans le temps. Les variables Var2, Var3 et Var7 correspondent respectivement aux indices : Taiwan SE Cement , Taiwan SE Cement & Ceramics, Taiwan SE Electric and machinery. Par contre, on remarque que pour les coefficients correspondant aux variables Var1, Var4, Var5, Var6, Var8, Var9 et Var10 les β i2 ne sont pas stables comme le montre le tableau ci-haut. Un coefficient stable durant la période d’échantillon signifie que la nature de la relation entre le rendement de l’indice boursier et le rendement de change a significativement changé dans le temps. Les variables Var1, Var4, Var5, Var6, Var8, Var9 et Var10 correspondent respectivement aux indices : Taiwan SE Banking & Insurance Taiwan Se Chemicals, Taiwan SE Composite, Taiwan SE Construction, Taiwan SE Electrical Machines, Taiwan SE Electronics, Taiwan SE Food. 2.2 La Corée du Sud : Estimation des paramètres de l’équation (1.1) : Rit = β i 0 + β i1emt + β i 2 Rxt + eit 44 Nous reportons dans le tableau ci-après, les caractéristiques de l’estimation du paramètre β i2 Coefficient Std, Error t-Statistic Prob, R^2 adjusted Variables Var1** 0 0,286061 0,040905 6,993348 0,456186 Var2** 0 0,191802 0,021511 8,916445 0,811378 Var3** 0 0,24929 0,043623 5,714699 0,285956 Var4** 0 0,233849 0,032096 7,28599 0,636555 Var5** 0,0111 0,130607 0,051378 2,54205 0,240425 Var6** 0 0,211443 0,044667 4,733721 0,370673 Var7** 0,0001 0,165769 0,041373 4,006692 0,470549 Var8 ** 0 0,242703 0,044927 5,402167 0,219974 Var9** 0,0001 0,133509 0,033494 3,986078 0,501309 Var10** 0 0,145092 0,029997 4,836928 0,550447 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que le coefficient β i2 est significatif pour les différents secteurs étudiés. Puisque pour un intervalle de confiance de 1%, on a des p-value associés à ce paramètre inférieurs à 1%. On peut donc dire que les variations des taux de change ont un impact sur les rendements des actifs boursiers. On remarque aussi que le signe du coefficient β i2 - et ceci pour tous les secteurs- est positif. Ceci laisse penser à l’existence d’une relation positive entre le rendement de change et le rendement boursier. Si la devise locale s’apprécie, elle réalise donc un rendement positif alors on devrait s’attendre à ce que durant cette même période les indices sectoriels se soient appréciés aussi. Ce qui est important à souligner est que pour tous les secteurs le coefficient β i2 est positif et significatif, ceci laisse penser que le taux de change affecte de la même manière les titres cotés en bourse (mais pas avec la même amplitude). Le fait d’appartenir à un secteur qui serait à priori favorisé par une dépréciation ou une appréciation de la devise locale ne constitue pas un critère. L’hétéroscedasticité : Nous reportons ici le résultat du test de White suivant l’équation suivante : 45 2 eit2 = ρ 0 i + ρ 1i e mt + ρ 2 i R xt + ρ 3 e mt + ρ 4 R xt2 + ρ 5 e mt R xt + ν t Hétéroscedasticité:test de W hite statistique std dev var1 F-statistic 29,14584 Obs*R-squared 138,3827 CHGE 0,002847 CHGE^2 0,037619 var2 F-statistic 0,314934 Obs*R-squared 1,577323 CHGE -0,001771 CHGE^2 -0,001886 var3 F-statistic 26,18886 Obs*R-squared 125,0099 CHGE 0,001823 CHGE^2 0,02284 var4 F-statistic 12,89097 Obs*R-squared 63,05446 CHGE 0,001071 CHGE^2 -0,007302 var5 F-statistic 1,309685 Obs*R-squared 6,547061 CHGE -0,01105 CHGE^2 -0,012808 var6 F-statistic 0,045917 Obs*R-squared 0,230089 CHGE -0,010335 CHGE^2 0,003125 var7 F-statistic 36,61759 Obs*R-squared 171,5459 CHGE -0,003975 CHGE^2 0,092014 var8 F-statistic 1,303819 Obs*R-squared 6,517808 CHGE -0,002097 CHGE^2 0,00139 var9 F-statistic 0,226432 Obs*R-squared 1,134256 CHGE 0,050476 CHGE^2 -0,101168 var10 F-statistic 25,82466 Obs*R-squared 123,3529 CHGE -0,000698 CHGE^2 0,006719 t-stat 0,00243 0,021473 0,002784 0,024606 0,002466 0,021796 0,001546 0,013658 0,013948 0,123255 0,029231 0,258306 0,002192 0,019368 0,006717 0,059354 0,098522 0,87061 0,00119 0,010513 prob significatif ou pas 1,171631 1,751909 0 oui 0 0,2415 non 0,0799 non -0,635867 -0,076638 0,904244 non 0,903978 0,5249 non 0,9389 non 0,739304 1,047928 0 oui 0 0,4598 non 0,2948 non 0,69302 -0,534619 0 oui 0 0,4884 non 0,593 non -0,792199 -0,103917 0,25682 non 0,256563 0,4283 non 0,9172 non -0,353555 0,012097 0,99876 non 0,998755 0,7237 non 0,9903 non -1,813528 4,750803 0 oui 0 0,0699 non 0 oui -0,312184 0,023418 0,259302 non 0,25904 0,7549 non 0,9813 non 0,512338 -0,116204 0,951181 non 0,951027 0,6085 non 0,9075 non -0,586819 0,639094 0 oui 0 0,5574 non 0,5228 non 46 Même chose que dans le cas de Taiwan, on remarque d’après le tableau ci haut que l’hétéroscedasticité est observée d’une façon significative au niveau de notre régression de l’équation (1.1) et ceci pour les secteurs Var1, Var3, Var4 ,Var7 et Var 10. L’auto corrélation des erreurs : Autocorrelation des erreurs: Breusch-G odfrey Serial Correlation LM Test: significatif ou pas à 5 % statitisque p-value var1 0,002478 oui F-statistic 9,174616 O bs*R-squared 9,156614 0,002478 var2 0,000095 oui F-statistic 15,28432 O bs*R-squared 15,21907 0,000096 var3 0 oui F-statistic 54,98606 O bs*R-squared 53,94113 0 var4 0,000003 oui F-statistic 22,02394 O bs*R-squared 21,87414 0,000003 var5 0,00002 oui F-statistic 18,23185 O bs*R-squared 18,1338 0,000021 var6 F-statistic 2,950828 0,085951 non O bs*R-squared 2,952004 0,085771 var7 F-statistic 1,469313 0,225563 non O bs*R-squared 1,470727 0,225231 var8 0,000019 oui F-statistic 18,32822 O bs*R-squared 18,22899 0,00002 var9 F-statistic 0,904552 0,341652 non O bs*R-squared 0,905617 0,34128 var10 0,001066 oui F-statistic 10,73372 O bs*R-squared 10,70633 0,001068 On remarque la présence d’auto corrélation des erreurs pour les variables Var1, Var2, var3, Var4, Var5, Var8 et Var10.Ceci constitue donc une limite pour l’utilisation de la méthode des moindres carrés. Correction de l’ hétérocscedastcicité et de l’auto -corrélation : 47 Comme nous avons observé les phénomènes d’hétéroscedasticité et d’auto corrélation, nous opérons une réestimation du modèle grâce à la procédure de NeweyWest. Nous donnons ci après les résultats de l’estimation du modèle avec la procédure de Newey-West (robuste pour l’auto corrélation et l’hétéroscedasticité). . Rit = β i 0 + β i1emt + β i 2 Rxt + eit Nous reportons dans le tableau ci-après, les caractéristiques de l’estimation du paramètre β i2 Variables Coefficient Std, Error t-Statistic Prob R^2 adjusted Var1** 0 0,286061 0,069468 4,117911 0,456186 Var2** 0 0,191802 0,024047 7,976244 0,811378 Var3** 0,0007 0,24929 0,073611 3,386574 0,285956 Var4** 0 0,233849 0,033763 6,926109 0,636555 Var5* 0,0221 0,130607 0,057024 2,290372 0,240425 Var6** 0,0003 0,211443 0,057767 3,660285 0,370673 Var7 0,165769 0,088697 1,868931 0,0617 0,470549 Var8 ** 0 0,242703 0,042919 5,654855 0,219974 Var9** 0,006 0,133509 0,048595 2,747373 0,501309 Var10** 0,0008 0,145092 0,043025 3,372282 0,550447 **: siginficatifs à 1 % * : significatifs à 5 % En utilisant la correction de Newey-West, on remarque que le coefficient associé à la Var7 n’est plus significatif. Pour les autres secteurs, il n’y a pas de changement important par rapport aux résultats trouvés précédemment par la méthode des moindres carrés ordinaires. Problème de tendance et d’intégration : 48 Test de racine unitaire:(stationnarité) chge ADF Test Statistic -34,6444 1% var1 ADF Test Statistic -22,15221 1% var2 ADF Test Statistic -24,29214 1% var3 ADF Test Statistic -21,92445 1% var4 ADF Test Statistic -23,22852 1% var5 ADF Test Statistic -23,65535 1% var6 ADF Test Statistic -21,92255 1% var7 ADF Test Statistic -24,30539 1% var8 ADF Test Statistic -22,52152 1% var9 ADF Test Statistic -23,44764 1% var10 ADF Test Statistic -24,2241 1% Critical Value* -3,4359 oui stationnaire Critical Value* -3,4359 oui stationnaire Critical Value* -3,4359 oui stationnaire Critical Value* -3,4359 oui stationnaire Critical Value* -3,4359 oui stationnaire Critical Value* -3,4359 oui stationnaire Critical Value* -3,4359 oui stationnaire Critical Value* -3,4359 oui stationnaire Critical Value* -3,4359 oui stationnaire Critical Value* -3,4359 oui stationnaire Critical Value* -3,4359 oui stationnaire Toutes les valeurs de la statistique ADF calculées sont supérieures à la valeur critique. Toutes les séries financières sont alors stationnaires. Ceci est d’ailleurs corroboré ci-après par les graphiques qui montrent une allure horizontale. Nous donnons ci après le graphique l’évolution des rendements du taux de change et des différents indices durant notre période d’étude. .2 .3 .1 .2 .0 .1 -.1 .0 -.1 -.2 -.2 -.3 500 1000 1500 CHGE 2000 2500 500 1000 1500 2000 2500 VAR1 49 .2 .15 .10 .1 .05 .00 .0 -.05 -.1 -.10 -.15 -.2 -.20 -.25 -.3 500 1000 1500 2000 500 2500 1000 1500 2000 2500 VAR3 VAR2 .20 .20 .15 .15 .10 .10 .05 .05 .00 .00 -.05 -.05 -.10 -.10 -.15 -.20 -.15 500 1000 1500 2000 500 2500 1000 1500 2000 2500 VAR5 VAR4 .2 .15 .10 .1 .05 .00 .0 -.05 -.10 -.15 -.1 -.20 -.25 500 1000 1500 VAR6 2000 2500 -.2 500 1000 1500 2000 2500 VAR7 50 .15 .15 .10 .10 .05 .05 .00 .00 -.05 -.10 -.05 -.15 -.10 -.20 -.15 -.25 500 1000 1500 2000 2500 VAR8 500 1000 1500 2000 2500 VAR9 .15 .10 .05 .00 -.05 -.10 -.15 500 1000 1500 2000 2500 VAR10 Problème de co-intégration : 51 Unrestricted Cointegration Rank Test Hypothesized No, of CE(s) None ** At most 1 ** At most 2 ** At most 3 ** At most 4 ** At most 5 ** At most 6 ** At most 7 ** At most 8 ** At most 9 ** At most 10 ** Trace Eigenvalue 5 Percent 1 Percent Critical Value Critical Value Statistic 0,377476 0,374077 0,357202 0,350113 0,340685 0,337401 0,328706 0,322065 0,299089 0,288276 0,259121 11640,72 10394,17 9161,946 7999,682 6866,266 5770,728 4688,26 3640,078 2617,788 1683,154 788,7825 277,71 233,13 192,89 156 124,24 94,15 68,52 47,21 29,68 15,41 3,76 293,44 247,18 204,95 168,36 133,57 103,18 76,07 54,46 35,65 20,04 6,65 *(**) denotes rejection of the hypothesis at the 5%(1%) level Trace test indicates 11 cointegrating equation(s) at both 5% and 1% levels Les résultats du test de cointégration de Johansen, montrent que la variable de change est cointégrée avec tous les indices sectoriels. Ceci présente incontestablement, une limite importante au niveau du pouvoir explicatif de notre modèle. On trouve donc le même problème qu’avec les données sur Taiwan. Comme on l’a expliqué précédemment si deux variables sont cointégrées, il faut chercher d’autres variables qui pourraient jouer le rôle de trait d’union en quelque sorte. En pratique on doit ajouter plus de variables explicatives au niveau de l’équation (1.1). Le sens de la relation : 52 Causality Test: Null Hypothesis: Obs F-Statistic Probability VAR1 does not Granger Cause CHGE CHGE does not Granger Cause VAR1 2627 9,21785 1,6231 1E-08 x cause y 0,1504 rien VAR2 does not Granger Cause CHGE CHGE does not Granger Cause VAR2 2627 15,313 1,97667 7,3E-15 x cause y 0,07899 rien VAR3 does not Granger Cause CHGE CHGE does not Granger Cause VAR3 2627 8,91904 0,66976 2,1E-08 x cause y 0,64641 rien VAR4 does not Granger Cause CHGE CHGE does not Granger Cause VAR4 2627 12,7637 1,01519 2,8E-12 x cause y 0,40692 rien VAR5 does not Granger Cause CHGE CHGE does not Granger Cause VAR5 2627 4,83834 0,73734 0,00021 x cause y 5,95E-01 rien VAR6 does not Granger Cause CHGE CHGE does not Granger Cause VAR6 2627 9,4021 0,51913 6,8E-09 x cause y 0,762 rien VAR7 does not Granger Cause CHGE CHGE does not Granger Cause VAR7 2627 6,5599 2,56106 0,0000045 x cause y 0,02552 y cause x VAR8 does not Granger Cause CHGE CHGE does not Granger Cause VAR8 2627 9,45214 1,04703 6,1E-09 x cause y 3,88E-01 rien VAR9 does not Granger Cause CHGE CHGE does not Granger Cause VAR9 2627 3,50546 1,22149 0,00368 x cause y 2,96E-01 rien VAR10 does not Granger Cause CHGE CHGE does not Granger Cause VAR10 2627 11,4599 2,74044 5,8E-11 x cause y 0,01782 y cause x Pour toutes les variables on a (x cause y) : c’est le rendement du cours de l’indice boursier qui influence le rendement du taux de change. Mais, seulement pour les variables Var7 et Var10, on a que (y cause x) c'est-à-dire que le rendement de change influence le cours boursier. Les variables Var7 et Var10 correspondent respectivement aux indices : Korea SE Insurance, Korea SE Iron, steel and metal. Nous dans notre équation (1.1), on a considéré comme variables explicatives le rendement de change et comme variable expliquée le rendement boursier : il aurait été peut être plus judicieux d’inverser. Mais, au niveau des résultats économétriques, ça ne change rien. 53 Test de stabilité : Test de stabilité:Chow var1 F-statistic Log likelihood ratio var2 F-statistic Log likelihood ratio var3 F-statistic Log likelihood ratio var4 F-statistic Log likelihood ratio var5 F-statistic Log likelihood ratio var6 F-statistic Log likelihood ratio var7 F-statistic Log likelihood ratio var8 F-statistic Log likelihood ratio var9 F-statistic Log likelihood ratio var10 F-statistic Log likelihood ratio statistique coef stable ou non P-value 0,771769 2,31975 0,509705 stable 0,508748 7,398354 22,15246 0,000062 non stable 0,000061 12,95907 38,68057 0 non stable 0 0,034766 0,104708 0,991315 stable 0,991267 2,469429 7,414936 0,060204 stable 0,059785 0,244485 0,735202 0,8653 stable 0,864895 0,114155 0,3434 0,951845 stable 0,95167 2,572576 7,724193 0,052451 stable 0,052069 4,431803 13,29234 0,004098 non stable 0,004045 7,234344 21,6634 0,000078 non stable 0,000077 Les paramètres de l’Équation (1.1) sont-ils stables au cours du temps, en particulier le coefficient β i2 calculé est-il stable pour notre période d’étude? Pour ceci, on a partagé notre échantillon en deux groupes: le premier groupe contient 1300 observations (les 1300 premières: de 31/01/1994 jusqu’au 18/01/1999) et le deuxième groupe contient 1332 observations (les dernières 1332 observations : de 19/01/1999 jusqu’à 08/04/2003). Le logiciel Eviews nous permet de calculer les coefficients pour chaque sous période et de voir, si oui ou non, il y un changement significatif de ce coefficient. 54 On remarque que pour les coefficients correspondant aux variables Var1, Var4, Var5, Var6, Var7 et Var8 les β i2 sont stables comme le montre le tableau ci-haut. Un coefficient stable durant la période d’échantillon signifie que la nature de la relation entre le rendement de l’indice boursier et le rendement de change n’a pas significativement changé dans le temps. Les variables Var1, Var4, Var5, Var6, Var7 et Var8 correspondent respectivement aux indices : Korea SE Construction, Korea SE Financial services, Korea SE Fisheries, Korea SE Ground Tran, Korea SE Insurance, Korea SE Investment and Banking. Par contre, pour les variables Var2, Var3, Var9 et Var10 les β i2 ne sont pas stables comme le montre le tableau ci-haut. Un coefficient non stable durant la durée de l’échantillon signifie que la nature de la relation entre le rendement de l’indice boursier et le rendement de change a significativement changé dans le temps. Les variables Var2, Var3, Var9 et Var10 correspondent respectivement aux indices: Korea SE Fab Met Mch ; Korea SE Fab Met Prd ; Korea SE Iron and steel ; Korea SE Iron steel and metal. III. Extension du modèle de Jorion (1991) avec prime de marché : 1- Présentation du modèle : * Rit = β i 0 + β i1e mt + β i 2 R xt + eit Avec comme équation complémentaire : et * * R mt = α i 0 + α i1 R xt + e mt * R mt = R mt − R ft (2.1) (2.2) (2.3) Avec : Rit : Rendement boursier de l’indice du secteur i. R xt : Rendement de la monnaie locale exprimée en devise étrangère (en Dollars américain) Rmt : Rendement boursier de l’indice de marché. 55 emt : Résidu de l’indice de marché R ft : C’est le rendement sans risque. L’idée principale dans ce modèle est de prendre comme variable la prime de marché et non pas le rendement de marché. En effet, il est des fois plus judicieux de centrer par rapport au taux sans risque. 2- Résultats : Les résultats de ce modèle ne sont pas non plus sensiblement différents du modèle de Jorion (1991) et ceci pour les deux pays. Les taux sans risque pris ici sont les taux de dépôts à terme à 90 jours. Ces taux fluctuent en effet que très peu durant la période de notre étude. On se retrouve à avoir quasiment une constante. Dés lors, les coefficients de la régression ne changent pas. 2.1 Taiwan : Nous exposons ici les résultats de ce modèle. Nous résumons les caractéristiques du coefficient β i2 relatif au rendement du taux de change. Ces estimations sont faites avec la méthode des moindres carrés avec l’ajustement de Newey-West (robuste pour l’auto corrélation et l’hétéroscedasticité). Variable Coefficient Std, Error t-Statistic Prob var1** 0,591514 0,094662 6,248727 var2** 0,506898 0,120913 4,192243 var3** 0,475546 0,101165 4,700681 var4** 0,418167 0,090457 4,622807 var5** 0,599885 0,038192 15,70712 var6** 0,591668 0,106201 5,571184 var7** 0,353089 0,072575 4,865182 var8** 0,780401 0,101867 7,660955 var9** 0,832603 0,12737 6,536861 var10** 0,454365 0,061012 7,447102 **: siginficatifs à 1 % * : significatifs à 5 % 0 0 0 0 0 0 0 0 0 0 R^2 adjusted 0,619226 0,403713 0,442081 0,484169 0,896364 0,346465 0,570699 0,768641 0,71382 0,44741 56 On remarque que le paramètre β i2 est statistiquement significatif pour tous les secteurs. 2.2 La Corée du Sud : Nous exposons ici les résultats de modèle. Nous résumons les caractéristiques du coefficient β i2 relatif au rendement du taux de change. Ces estimations sont faites avec la méthode des moindres carrés avec l’ajustement de Newey-West (robuste pour l’auto corrélation et l’hétéroscedasticité). Variables Coefficient Std, Error t-Statistic Prob R^2 adjusted var1** 0 0,286071 0,069438 4,11982 0,456302 var2** 0 0,191813 0,024065 7,970567 0,636675 var3** 0,0007 0,249297 0,07353 3,390409 0,285959 var4** 0 0,23386 0,033797 6,919618 0,811293 var5* 0,0219 0,130614 0,056966 2,292849 0,550426 var6** 0,0003 0,211452 0,057695 3,665025 0,240425 var7* 0,165779 0,088725 1,868455 0,0618 0,370798 var8** 0 0,242709 0,042853 5,663793 0,470502 var9** 0,006 0,133518 0,048574 2,748759 0,219981 var10** 0,0007 0,145101 0,042992 3,375075 0,50128 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que le paramètre β i2 est statistiquement significatif pour tous les secteurs sauf pour la variable Var7. La Var7 correspond au secteur : Korea SE Insurance. 3- Conclusion : Ce modèle n’apporte un meilleur résultat que celui présenté par Jorion (1991). Il n’y a donc presque pas de différence entre les deux modèles. Les valeurs de R^2 ajustés qui sont sensiblement les mêmes, témoignent aussi de cela. 57 IV. Extension du modèle de Jorion (1991) avec effet retardé : 1- Présentation du modèle : Le quatrième modèle utilisé pour illustrer la relation entre le rendement du taux de change et celui des secteurs est présenté comme suit : Rit = β i 0 + β i1emt + β i 2 Rxt −1 + eit (3.1) Rit = β i 0 + β i1emt + β i 2 Rxt − 5 + eit (3.2) Rit = β i 0 + β i1emt + β i 2 Rxt −10 + eit (3.3) Avec comme équation complémentaire : R mt = α i 0 + α i1 R xt + e mt (3.4) Les premières équations (3.1), (3.2) et (3.3) sont une relation entre le rendement du secteur i et le rendement du marché et le rendement du taux de change mais suivant différents retards dans le temps. Nous avons choisi des retards respectifs de une, cinq et dix périodes. Ces estimations sont faites avec la méthode des moindres carrés avec l’ajustement de Newey-West (robuste pour l’auto corrélation et l’hétéroscedasticité). Avec : Rit : Rendement boursier de l’indice du secteur i. R xt : Rendement de la monnaie locale exprimée en devise étrangère (en Dollars américain) Rmt : Rendement boursier de l’indice de marché. emt : Résidu de l’indice de marché 58 L’idée principale de ce modèle est née d’une constatation simple. Pour les pays émergents les marchés boursiers sont en général moins efficients que ceux des pays développés. Il faut donc plus du temps à ces marchés pour incorporer toute l’information disponible (les news) et les répercuter sur les prix des titres cotés. On a choisi alors de voir l’effet de changement des taux de change sur les rendements boursiers après 1 jours, 5jours et 10 jours. La question à la quelle on essaie de répondre est : est-ce qu’il y a, oui ou non, un effet retardé?. 2- Résultats : Nous reportons ici les résultats de notre modèle : 2.1 Taiwan : Pour le modèle retardé à 1 jour : Rit = β i 0 + β i1emt + β i 2 Rxt −1 + eit Nous résumons les caractéristiques du coefficient β i2 relatif au rendement du taux de change : Variable Coefficient Std, Error t-Statistic Prob R^2 adjusted var1 -0,175002 0,101265 -1,728162 0,0841 0,609216 var2 -0,160168 0,097553 -1,641862 0,1008 0,397567 var3* 0,0382 -0,17375 0,083796 -2,073483 0,435775 var4 -0,008751 0,099423 -0,088015 0,9299 0,47798 var5 0,002473 0,053236 0,046462 0,9629 0,882353 var6 -0,021897 0,120153 -0,18224 0,8554 0,33781 var7 -0,080328 0,07459 -1,076923 0,2816 0,565654 var8 0,190933 0,126922 1,50433 0,1326 0,753676 var9 0,230521 0,150684 1,529826 0,1262 0,699076 var10 -0,04125 0,095082 -0,433836 0,6644 0,439374 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que le coefficient est significatif que pour la variable Var3. Autrement dit, dans ce modèle pour les neufs autres indices sectoriels, le coefficient n’est plus 59 significatif. Il parait donc improbable que ce modèle soit meilleur que le modèle initial de Jorion 1991. La variable Var3 correspond au secteur : Taiwan SE Cement & Ceramics. Pour le modèle retardé à 5 jours : Rit = β i 0 + β i1emt + β i 2 Rxt − 5 + eit Nous résumons les caractéristiques du coefficient β i2 relatif au rendement du taux de change : Variable Coefficient Std, Error t-Statistic Prob R^2 adjusted var1 0,051998 0,083726 0,621045 0,5346 0,607859 var2 0,067611 0,082897 0,815608 0,4148 0,396954 var3 0,068538 0,060482 1,133201 0,2573 0,435016 var4 0,079357 0,098566 0,805112 0,4208 0,477402 var5 0,03144 0,024202 1,299062 0,1941 0,882273 var6 0,050876 0,11251 0,452187 0,6512 0,337813 var7 0,063188 0,070875 0,891542 0,3727 0,565579 var8 0,036509 0,062165 0,587288 0,5571 0,753246 var9 0,03554 0,090998 0,390555 0,6962 0,438821 var10 0,036108 0,072693 0,49672 0,6194 0,698623 **: siginficatifs à 1 % * : significatifs à 5 % Le coefficient n’est plus significatif pour aucun secteur. Après 5 jours, les changements dans les taux de change n’ont plus aucun effet sur les rendements des indices boursiers. Pour le modèle retardé à 10 jours : Rit = β i 0 + β i1emt + β i 2 Rxt −10 + eit Nous résumons les caractéristiques du coefficient β i2 relatif au rendement du taux de change : 60 Variable Coefficient Std, Error t-Statistic Prob R^2 adjusted var1 0,016456 0,075849 0,216951 0,8283 0,607766 var2 -0,16573 0,103672 -1,598607 0,11 0,397671 var3 -0,090746 0,095499 -0,950231 0,3421 0,435241 var4 -0,064833 0,071053 -0,912458 0,3616 0,477518 var5 -0,025078 0,038351 -0,653912 0,5132 0,882324 var6 -0,091992 0,101183 -0,909165 0,3634 0,338359 var7 -0,110374 0,070315 -1,569703 0,1166 0,565888 var8 -0,026673 0,059635 -0,447273 0,6547 0,753533 var9 -0,013631 0,070573 -0,193146 0,8469 0,699103 var10* 0,017 -0,156489 0,065544 -2,387528 0,439633 **: siginficatifs à 1 % * : significatifs à 5 % Le coefficient n’est plus significatif pour la Var10. Pour les autres secteurs, après 10 jours, les changements dans les taux de change n’ont plus aucun effet sur les rendements des indices boursiers. La Var 10 correspond au secteur : Taiwan SE Food. 2.2 La Corée du Sud : Pour le modèle retardé à 1 jour : Rit = β i 0 + β i1emt + β i 2 Rxt −1 + eit Nous résumons les caractéristiques du coefficient β i2 relatif au rendement du taux de change : Variable Coefficient Std, Error t-Statistic Prob R^2 adjusted var1** 0,0079 0,107773 0,040513 2,660187 0,447511 var2* 0,0349 0,045084 0,021359 2,110796 0,80595 var3 0,123502 0,102146 1,209076 0,2267 0,27926 var4** 0 0,100639 0,022562 4,46046 0,630777 var5 0,117472 0,060643 1,937102 0,0528 0,240537 var6 0,109795 0,057463 1,910703 0,0562 0,366627 var7** 0,0063 0,140125 0,051296 2,731725 0,469517 var8* 0,0325 0,116806 0,054611 2,138854 0,213252 var9 0,009879 0,046256 0,213576 0,8309 0,498209 var10 0,014453 0,041452 0,348661 0,7274 0,546393 **: siginficatifs à 1 % * : significatifs à 5 % 61 On remarque que le coefficient est significatif que pour les variables Var1, Var2, Var4, Var7 et Var8. Il parait donc, là aussi, improbable que ce modèle soit meilleur que le modèle initial de Jorion (1991). Les variables Var1, Var2, Var4, Var7 et Var8 correspondent respectivement aux secteurs : Korea SE Construction, Korea SE Fab, Met, Mch, Korea SE Financial services, Korea SE Insurance , Korea SE Insurance. Pour le modèle retardé à 5 jours : Rit = β i 0 + β i1emt + β i 2 Rxt −5 + eit Variable Coefficient Std, Error t-Statistic Prob R^2 adjusted var1 -0,089873 0,098782 -0,909813 0,363 0,446708 var2 -0,060217 0,035196 -1,710905 0,0872 0,806237 var3 -0,050008 0,089067 -0,561465 0,5745 0,277371 var4 -0,068629 0,042189 -1,626714 0,1039 0,629513 var5 -0,063065 0,062739 -1,005189 0,3149 0,241521 var6 -0,084002 0,070753 -1,187258 0,2352 0,365346 var7** 0,0269 0,126118 0,056948 2,214619 0,468586 var8 -0,089141 0,071997 -1,238129 0,2158 0,211367 var9 -0,060416 0,049988 -1,208605 0,2269 0,497792 var10 -0,058702 0,046611 -1,259401 0,208 0,545997 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que le coefficient n’est plus significatif que pour la variable Var7. Il parait donc que pour un décalage de 5 jours les variations de taux de change ont moins d’impact sur les rendements boursiers des secteurs. Les variables Var7 correspond au secteur : Korea SE Insurance. Pour le modèle retardé à 10 jours : Rit = β i 0 + β i1emt + β i 2 Rxt −10 + eit 62 Variable Coefficient Std, Error t-Statistic Prob R^2 adjusted var1 0,008799 0,065414 0,134508 0,893 0,445591 var2** 0,0057 0,048618 0,017566 2,767807 0,806076 var3 0,155055 0,082843 1,871664 0,0614 0,280499 var4 0,00501 0,039165 0,127921 0,8982 0,629399 var5 0,062679 0,057844 1,083571 0,2787 0,241887 var6 0,060392 0,058634 1,029972 0,3031 0,36488 var7 -0,122475 0,064866 -1,888119 0,0591 0,468691 var8** 0,0221 0,116531 0,050868 2,290861 0,212038 var9 -0,001247 0,051333 -0,024282 0,9806 0,49711 var10 0,009267 0,042357 0,218779 0,8268 0,545287 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que le coefficient n’est plus significatif que pour les variables Var2, et Var8. Il parait donc que pour un décalage de 10 jours les variations de taux de change ont moins d’impact sur les rendements boursiers des secteurs. Les var2 et Var8 correspondent respectivement aux secteurs : Korea SE Fab, Met, Mch et Korea SE Investment and Banking. D’après ces résultats, il est très difficile de dire s’il y a une effet cyclique : c’est à dire si les changements de taux de change ont un impact que dans 10 jours. Rien ne nous permet de justifier cette affirmation. 3- Conclusion : Les modèles retardés n’ont pas permis d’améliorer l’explication des rendements des indices boursiers. Pour Taiwan, il paraît très peu probable que les changements des taux de change aient un impact retardé. Mais pour la Corée du sud, au vu des résultats obtenus, la réponse est beaucoup plus nuancée et on n’arrive pas à ressortir avec une conclusion claire. 63 V. Modèle de Koutmos et Martin (2003) avec volatilité conditionnelle: 1- Présentation du modèle : Nous reprenons ici le modèle utilisé par Koutmos et Martin (2003) 16. Ce modèle a été initialement utilisé par ces auteurs pour étudier l’impact de la volatilité de la devise sur les rendements boursiers. Leur étude s’est portée sur les marchés américain, allemand, japonais et britannique. Nous nous proposons ici de reprendre cette étude, mais cette fois sur deux autres pays à savoir Taiwan et la Corée du sud. Le modèle s’écrit comme suit : Rit = β i 0 + β i1emt + β i 2 Rxt + β i 3hxt + eit (4.1) Avec : Rit : Rendement boursier de l’indice du secteur i. R xt : Rendement de la monnaie locale exprimée en devise étrangère (en Dollars américain) Rmt : Rendement boursier de l’indice de marché. emt : Résidu de l’indice de marché hxt :la volatilité conditionnelle des taux de change. Pour ce modèle, on ajouté comme variable explicative la volatilité conditionnelle. Celle ci peut avoir une influence sur le rendement de l’indice boursier sectoriel. Plus le taux de change varie (et plus il est volatile) et donc il aura une plus grande influence sur le rendement des indices sectoriels. 16 Koutmos, G., Martin, A.D., « First and Second Moment Exchange Rate Exposure: Evidence from U.S Stock Returns », The financial review 38 (2003) 455-471 64 La volatilité des taux de change peut affecter les valeurs des cash-flows en altérant le volume du commerce international. Les firmes ont généralement tendance à éviter de faire des transactions sur des monnaies très volatiles. Elles peuvent donc se priver d’un gain supplémentaire sur des opérations commerciales. A priori, il y a donc une relation négative entre la volatilité de la firme et la valeur de ses cash-flows (et donc sa valeur boursière). La volatilité des taux de change peut aussi affecter les cash-flows de la firme en augmentant le volume des opérations de couverture ou en augmentant le coût de transactions de ces mêmes opérations. Cet argument plaide aussi en faveur d’une relation négative entre le rendement boursier de la firme et sa volatilité. Pour le coefficient β i3 : si le volume de commerce est réduit pour les exportations nets à cause de la grande volatilité du taux de change alors β i3 devrait être négatif. La volatilité conditionnelle est déterminée par la méthode de Maximisation de Vraisemblance avec un processus Garch (1,1) : h xt = a 0 + a1 h xt − 1 + a 2 R xt2 + v it (4.2) On détermine alors les paramètres a0, a1 et a2. Il s’agit en fait de maximiser l’expression de Log-vraisemblance suivante : T 1 l (θ ; y t , x t ) = − log( 2 π ) − 2 2 T ∑ t =1 1 log( h t ) − 2 T ∑ t =1 ( yt − xtβ 2 ) ht 2- Résultats : 2.1 Taiwan : Nous avons d’abord calculé les paramètres de l’équation (4.2) avec une procédure de maximisation de vraisemblance opérée avec le logiciel Excel. Et nous avons obtenu les paramètres suivants : 65 a0 a1 a2 a0+a1 MLE 0,1 0,85 0,000005 0,95 3722,78 Nous avons ensuite calculé de manière récursive les volatilités conditionnelles h xt .Ensuite, nous avons opéré la régression de l’équation (4.1) sur chacun des différents indices. Les estimations sont faites avec la méthode des moindres carrés avec l’ajustement de Newey-West (robuste pour l’auto corrélation et l’hétéroscedasticité). Pour les résultats du coefficient β i2 relatifs au rendement de change, les résultats ne sont pas sensiblement différents de ceux trouvés au niveau du modèle de Jorion (1991). Rit = β i 0 + β i1emt + β i 2 R xt + β i 3 hxt + eit Les caractéristiques de : β i2 Variable Coefficient Std, Error t-Statistic Prob var1** 0,593749 0,093907 6,322706 var2** 0,508687 0,119345 4,26232 var3** 0,47737 0,099668 4,789587 var4** 0,419422 0,090241 4,647815 var5** 0,599949 0,038283 15,67148 var6** 0,595172 0,103565 5,746868 var7** 0,355622 0,070579 5,038613 var8** 0,778974 0,099468 7,831427 var9** 0,830661 0,124121 6,692329 var10** 0,457714 0,061035 7,499216 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que pour tous les secteurs le coefficient β 0 0 0 0 0 0 0 0 0 0 i2 relatif au rendement de change est significatif. Mais ce qui est important à relever est que le coefficient relatif à la volatilité conditionnelle β i3 est significatif pour trois indices sectoriels comme le montre le tableau ci-dessous : Rit = β i 0 + β i1emt + β i 2 R xt + β i 3 hxt + eit Les caractéristiques de : β i3 66 Variable Coefficient Std, Error t-Statistic Prob var1 28,72166 18,64936 1,540088 0,1237 var2 23,0029 18,56693 1,238918 0,2155 var3 23,44371 14,94487 1,568679 0,1169 var4 16,12391 11,11544 1,450586 0,147 var5 0,828176 4,369719 0,189526 0,8497 var6* 0,0182 45,03364 19,0572 2,363078 0,0187 var7* 32,54387 13,83502 2,352281 var8 -18,3112 13,57859 -1,348535 0,1776 var9 -24,92511 16,23099 -1,535649 0,1248 var10** 0,0024 43,02934 14,168 3,03708 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que β i3 est significatif pour les var6, var7 et var10.Ceci correspond aux indices suivants : Taiwan SE Construction, Taiwan SE Electric and machinery et Taiwan SE Food. Ceci laisse penser que ces indices sont plus volatiles que les autres. Et, s’ils sont plus volatiles que les autres, ceci laisse penser qu’ils seront plus sensibles d’une façon générale à tous les facteurs pouvant les affecter. Et plus particulièrement, dans notre cas, ils seront donc plus sensibles au risque de change. Pour ces trois indices le signe du coefficient est positif, ce qui laisse supposer une relation positive entre le rendement de l’indice et sa volatilité. 2.2 La Corée du Sud : De même que précédemment, nous avons d’abord calculé les paramètres de l’équation (4.2) avec une procédure de maximisation de vraisemblance opérée avec le logiciel Excel. Et nous avons obtenu les paramètres suivants : a0 a1 a2 a0+a1 MLE 0,1 0,85 0,000005 0,95 3722,78 67 Nous avons ensuite calculé de manière récursive les volatilités conditionnelles h xt .Ensuite, nous avons opéré la régression de l’équation (4.1) sur chacun des différents indices. Les estimations sont faites avec la méthode des moindres carrés avec l’ajustement de Newey-West (robuste pour l’auto corrélation et l’hétéroscedasticité). Pour les résultats du coefficient β i2 relatifs au rendement de change, les résultats ne sont pas sensiblement différents de ceux trouvés au niveau Jorion (1991). Rit = β i 0 + β i1emt + β i 2 R xt + β i 3 hxt + eit Les caractéristiques de : β i2 Variable Coefficient Std, Error t-Statistic Prob 0 var1** 0,283768 0,066841 4,245419 0 var2** 0,192363 0,024353 7,89879 0,0005 var3** 0,246406 0,070334 3,503352 0 var4* 0,23095 0,033452 6,903858 0,0229 var5** 0,130029 0,057135 2,275837 0,0003 var6** 0,210813 0,05761 3,659308 var7* 0,165658 0,088769 1,866178 0,0621 var8** 0 0,2383 0,039584 6,020175 0,0067 var9** 0,131974 0,048664 2,711972 0,0009 var10** 0,143672 0,043083 3,334796 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que pour tous les secteurs, sauf pour la Var7, le coefficient β i2 relatif au rendement de change est significatif. La Var7 correspond au secteur Korea SE Insurance. Mais ce contrairement à ce qu’on avait trouvé dans le cas de Taiwan, le coefficient β i 3 relatif à la volatilité conditionnelle n’est pas significatif pour aucun indice sectoriel comme le montre le tableau ci dessous: 68 Rit = β i 0 + β i1emt + β i 2 R xt + β i 3 hxt + eit Les caractéristiques de : β i3 Variable Coefficient Std, Error t-Statistic Prob var1 -1,034451 1,597888 -0,647386 0,5174 var2 0,252942 0,492719 0,513361 0,6077 var3 -1,300964 2,336979 -0,556686 0,5778 var4 -1,307369 0,914554 -1,429515 0,153 var5 -0,260368 0,959778 -0,271279 0,7862 var6 -0,284402 0,721994 -0,393912 0,6937 var7 -0,049967 0,699004 -0,071483 0,943 var8 -1,986007 1,357862 -1,462598 0,1437 var9 -0,692135 0,688973 -1,00459 0,3152 var10 -0,640581 0,532464 -1,20305 0,2291 **: siginficatifs à 1 % * : significatifs à 5 % Pour la Corée du Sud, la volatilité de la devise n’a donc pas d’influence sur le rendement des indices boursiers. Les investisseurs investissent en Corée du sud sans se soucier de la fréquence des variations des taux de change du won coréen par rapport au dollar américain. 69 VI. Modèle d’asymétrie Koutmos et Martin (2003) : 1- Présentation du modèle : Jusque là, on s’est intéressé à l’étude de l’impact des rendements de change sur les indices boursiers sans se soucier du sens de la variation des taux de change. Avec ce modèle, on essaie de distinguer entre les effets des hausses et les effets des baisses des taux de change. On essaiera donc de voir si la réaction du marché boursier face aux taux de change est symétrique ou pas. Nous reprenons ici aussi une autre étude menée par Koutmos et Martin(2003) 17. Leur étude s’est portée sur le marché américain. Nous nous proposons ici de tester cette procédure sur le marché taiwanais et sud coréen. Le modèle utilisé pour illustrer la relation entre le rendement du taux de change et le rendement des secteurs boursiers est le modèle suivant: Rit = β i 0 + β i1emt + D pos β i 2 Rxt+ + Dneg β i 3 Rxt− + eit Avec comme équation complémentaire : Avec : R mt = α i 0 + α i1 R xt + e mt D pos = 1 Si R xt f 0 D pos = 0 Si R xt ≤ 0 (5.1) (5.2) Et : 17 D neg = 0 Si R xt f 0 D neg = 1 Si R xt ≤ 0 Gregory, K., Martin, A.D., «Asymmetric exchange rate exposure: theory and evidence», Journal of International Money and Finance 22 (2003) 365–383 70 La première équation (5.1) est une relation entre le rendement du secteur i et le rendement du marché et le rendement du taux de change. Avec : Rit : Rendement boursier de l’indice du secteur i. R xt+ : Rendement positif de la monnaie locale exprimée en devise étrangère (en dollar américain). R xt− : Rendement négatif de la monnaie locale exprimée en devise étrangère (en dollar américain). Rmt : Rendement boursier de l’indice de marché. emt : Résidu de l’indice de marché. L’avantage de ce modèle est qu’il nous permet de savoir s’il y a une différence entre les changements positifs ou négatifs de taux de change. C’est à dire est-ce que des variations, positives ou négatives, du taux de change ont la même influence sur le rendement boursier?. Pour cela on a partagé les taux de change en une colonne taux de change sont positifs et une colonne R xt+ où les rendements de R xt− où les taux de change sont négatifs .Et ensuite on opère la régression (5.1). Pour savoir s’il y a un effet d’asymétrie on opère le test suivant : H 0 : β i 2 = β i3 H 1 : β i 2 ≠ β i3 Pas d ' asymétrie asymétrie 71 2- Résultats : 2.1 Taiwan : On reporte ici les caractéristiques du paramètre β i 2 : Variable(chge positif) Coefficient Std, Error t-Statistic Prob var1** 0 0,78752 0,157069 5,013836 var2** 0 0,797949 0,184505 4,324801 var3** 0 0,72909 0,1596 4,568222 var4** 0,0066 0,395011 0,145214 2,720195 var5** 0 0,668914 0,065334 10,23845 var6** 0,0004 0,685436 0,191615 3,577161 var7** 0 0,603699 0,119848 5,037193 var8** 0 0,596992 0,137475 4,342543 var9** 0,0003 0,614637 0,168498 3,647742 var10** 0 0,653924 0,129483 5,050268 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que le coefficient β i 2 est significatif pour tous les secteurs pour un seuil de confiance de 5%. On reporte ici les caractéristiques du paramètre β i 3 : Variable(chge negatif) Coefficient Std, Error t-Statistic Prob var1** 0,0008 0,460881 0,137286 3,357097 var2* 0,0182 0,312921 0,13245 2,36256 var3** 0,0057 0,306566 0,110736 2,768426 var4** 0,0003 0,433599 0,118605 3,655826 var5** 0 0,553878 0,047091 11,76179 var6** 0 0,529173 0,108035 4,898148 var7* 0,0494 0,186065 0,094641 1,966009 var8** 0 0,902635 0,168739 5,349298 var9** 0 0,977867 0,210546 4,644424 var10 0,0002 0,321364 0,085901 3,741107 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que le coefficient β i 3 est significatif pour tous les secteurs pour un seuil de confiance de 5%. On reporte ici les résultats des tests d’asymétrie : 72 var1 var2 var3 var4 var5 var6 var7 var8 var9 var10 P-value F-statistic 2,023796 0,155 4,87172 0,0273 4,91539 0,0266 0,040888 0,8398 1,922376 0,1656 0,558477 0,455 6,539151 0,0106 1,45275 0,2281 1,348642 0,2455 3,636398 0,0565 symétrique ou asymétrique symétrique asymétrique asymétrique symétrique symétrique symétrique asymétrique symétrique symétrique symétrique On remarque que pour les variables Var1, Var4, Var5, Var6, Var8, Var9 et Var 10 il y a une symétrie. C’est à dire que les rendements des taux change influencent de la même manière le rendement des différents secteurs et ceci indépendamment du sens de la variation. Les variables Var1, Var4, Var5, Var6, Var8, Var9 et Var 10 correspondent aux indices suivants : Taiwan SE Banking & Insurance, Taiwan Se Chemicals, Taiwan SE Composite, Taiwan SE Construction, Taiwan SE Electrical, Taiwan SE Electronics, Machines Taiwan SE Food. Pour les variables Var2, Var3 et Var7 il y a présence d’asymétrie. C’est à dire que des variations de même amplitude des rendements de taux de change mais de sens différents n’ont pas le même impact sur le rendement boursier des indices considérés. Les variables Var2, Var3 et Var7 correspondent aux indices suivants :Taiwan SE Cement, Taiwan SE Cement & Ceramics, Taiwan SE Electric and machinery.. 2.2 La Corée du Sud : On reporte ici les caractéristiques du paramètre β i 2 : 73 Variable(chge positif) Coefficient Std, Error t-Statistic Prob var1** 0,0126 0,34437 0,137981 2,495778 var2** 0 0,192191 0,024114 7,970185 var3 0,044836 0,078185 0,573459 0,5664 var4** 0 0,262185 0,051436 5,097325 var5 0,112199 0,097882 1,146268 0,2518 var6* 0,0109 0,182447 0,071632 2,547011 var7* 0,019 0,286461 0,122093 2,346244 var8 0,068232 0,050212 1,358883 0,1743 var9 0,090063 0,066649 1,351312 0,1767 var10 0,089371 0,060476 1,477788 0,1396 **: siginficatifs à 1 % * : significatifs à 5 % On remarque que le coefficient β i 2 est significatif pour les variables : var1, var2, var4, var6 et var7. Les variables var1, var2, var4, var6 et var7 correspondent aux indices suivants : Korea SE Construction, Korea SE Fab, Met, Mch, Korea SE Financial services Korea SE Ground Tran, Korea SE Insurance. Et donc βi2 n’est pas significatif pour les variables Var3, Var5, Var8 Var9 et Var10 . Les variables Var3 Var6, Var8 , Var9 et Var10 correspondent aux indices suivants : Korea SE Fab, Met, Prd, Korea SE Fisheries , Korea SE Investment and Banking, Korea SE Iron and steel, Korea SE Iron, steel and metal. On reporte ici les caractéristiques du paramètre β i 3 : Variable(chge négatif) Coefficient Std, Error t-Statistic Prob var1** 0,0017 0,218409 0,069553 3,140179 var2** 0 0,191351 0,042879 4,462533 var3** 0,0001 0,425505 0,105627 4,028368 var4** 0 0,209426 0,045708 4,581855 var5** 0,0039 0,146472 0,050696 2,889217 var6* 0,0159 0,236435 0,097969 2,413357 var7 0,061747 0,091736 0,673094 0,5009 var8* 0 0,393076 0,068505 5,737954 var9** 0,0038 0,170954 0,058945 2,900228 var10** 0,0001 0,193117 0,048001 4,023172 **: siginficatifs à 1 % * : significatifs à 5 % 74 On remarque que le coefficient β i 3 est significatif pour tous les secteurs pour un seuil de confiance de 5% sauf pour la variable var7, c’est à dire l’indice : Korea SE Insurance. On reporte ici les résultats des tests d’asymétrie : var1 var2 var3 var4 var5 var6 var7 var8 var9 var10 F-statistic P-value 0,49071 0,4837 0,0003 0,9862 7,766821 0,0054 0,566586 0,4517 0,113704 0,736 0,171604 0,6787 4,154537 0,0415 11,20514 0,0008 1,026253 0,3111 2,396191 0,1218 symétrique ou asymétrique symétrique symétrique asymétrique symétrique symétrique symétrique asymétrique asymétrique symétrique symétrique On remarque que pour les variables Var1, Var2, Var4, Var5, Var6, Var9 et Var 10 il y a une symétrie. C’est à dire que les rendements des taux change influencent de la même manière le rendement des différents secteurs et ceci indépendamment du sens de la variation. Les variables Var1, Var2, Var4, Var5, Var6, Var9 et Var 10 correspondent aux indices suivants : Korea SE Construction, Korea SE Fab, Met, Mch, Korea SE Financial services, Korea SE Fisheries, Korea SE Ground Tran, Korea SE Iron and steel, Korea SE Iron, steel and metal. Pour les variables Var3, Var7 et Var8, il y a présence d’asymétrie. C’est à dire que des variations de même amplitude des rendements de taux de change mais de sens différents n’ont pas le même impact sur le rendement boursier des indices considérés. Les variables Var3, Var7 et Var8 correspondent aux indices suivants : Korea SE Fab, Met, Prd Korea SE Insurance, Korea SE Investment and Banking. 75 C. Conclusion : La première partie de cet essai nous a permis de fixer le cadre théorique de notre étude. Nous avons rappelé dans cette partie l’évolution des politiques de change de Taiwan et de la Corée du sud. Et nous avons ensuite, mis en évidence l’interaction qui peut exister entre les rendements des taux de change et les rendements du marché boursier. La partie empirique de notre essai nous a permis de tester cette relation entre taux de change et rendements des titres boursiers. En appliquant le modèle de Jorion (1991), nous avons trouvé des résultats significatifs pour Taiwan et la Corée du sud. Les coefficients associés aux rendements des taux de change sont tous significatifs et de signe positif. Au vu des résultats trouvés, la relation entre le rendement des taux de change et le rendement des indices boursiers parait donc être positive. Quand une devise locale s’apprécie par rapport à la devise étrangère, les titres boursiers cotés dans le pays local devraient avoir dans le même temps un rendement positif. Nous avons ensuite centré les rendements boursiers des indices par rapport aux taux du marché monétaire. Et nous avons donc étudié la relation entre la prime de risque des titres et les rendements des taux de change. Mais, les résultats de ce modèle ne sont pas sensiblement différents du précédent modèle. Le sens de la relation entre le taux de change et les fluctuations des titres boursiers a aussi retenu notre attention. A l’aide du test de causalité de Granger, on a pu déterminer qui du taux de change ou du rendement du titre avait une influence sur l’autre. La plupart des résultats prouvent que les rendements des indices sectoriels influencent les rendements des taux de change. Mais par contre, le contraire n’est vérifié que rarement. Partant du principe qu’un marché non efficient met plus de temps à incorporer l’information dans les prix des actifs, nous avons testé un modèle à décalage temporel. Pour les deux pays, les résultats prouvent que les taux de change ont un impact le jour même sur les rendements boursiers. L’impact des changements de taux de change n’excède pas une journée. Continuant à décortiquer la relation entre le rendement du taux de change et les rendements boursiers, on a essayé de voir l’impact de la volatilité des taux de change sur les rendements. C’est à dire, est-ce que pour des volatilités différentes, il y a un 76 changement d’attitude des investisseurs et dans quel sens. Les résultats trouvés concernant les coefficients associés à la volatilité sont pour la plupart non significatifs. Ceci nous mène à conclure que la volatilité d’une devise n’influence que très faiblement le comportement des investisseurs sur le marché des titres. Et donc, que la volatilité d’une devise n’influence que très peu le rendement boursier des titres. Enfin, on a testé l’asymétrie de la réaction des marchés des titres face aux fluctuations des taux de change. Est-ce des variations de même amplitude, mais de signes différents, ont le même impact sur les rendements boursiers? Les résultats de ce test sont mitigés. Certains secteurs présentent une symétrie dans leurs réactions, d’autres non. Références: Adler, M., Dumas, B., 1984. « Exposure to Currency Risk: Definition and Measurement ». Financial Management 13, 41–50. Amihud, Y., 1994. « Evidence on Exchange Rates and Valuation of Equity Shares». In: Amihud, Y.,Levich, R.M. (Eds.), Exchange Rates and Corporate Performance, Irwin Professional, New York, pp. 49–59. Bodnar, G.M., Gentry, W.M., 1993. « Exchange Rate Exposure and Industry Characteristics: Evidence from Canada, Japan and the USA ». Journal of International Money and Finance, 12, 29-45. Booth, L., Rotenberg, W., 1990. « Assessing Foreign Exchange Exposure: Theory and Applications Using Canadian Firms ». Journal of International Financial Management and Accounting Spring 2 (1), 1–23. Chen, J., Naylor, M., Lu, X., 2004. « Some Insights into the Foreign Exchange Pricing Puzzle: Evidence from a Small Open Economy ». Pacific-Basin Finance Journal 12 (2004) 41– 64. 77 Choi, J.J., Prasad, A.M., 1995. « Exchange Risk Sensitivity and its Determinants: a Firm and Industry Analysis ». Financial Management 24, 77-88. Choi, J., Hiraki, T., Takezawa, N., 1998. « Is Foreign Risk Priced in the Japanese Stock Market ». Journal of Financial and Quantitative Analysis 33, pp. 361–382. Cosset, J.C., Doutriaux, B., 1985. « Political Risk and Foreign Exchange Rates: An Efficient-Markets Approach ». Journal of International Business Studies, Vol. 16, No.3. De Santis, G., Gerard, B., 1998. « How Big is the Premium for Currency Risk? ». Journal of Financial Economics 49, 375–412. Di Iorio, A., Faff, R., 2002. « The Pricing of Foreign Exchange Risk in the Australian Equities Market ». Pacific-Basin Finance Journal 10, 77–95. Doidge, C., Griffin, J., Williamson, R., 2000. « An International Comparison of Exchange Rate Exposure ». Working paper, Arizona State University. Doukas, J., Hall, P.H, Lang, L.H.P., 1999. «The Pricing Of Currency Risk In Japan». Journal of Banking and Finance 23(1), 1-20. Dumas, B., Solnik, B., 1995. « The World Price of Foreign Exchange Risk ». Journal of Finance 50 (2), 445– 480. Ferson, W.E., Harvey, C., 1994. « Sources of Risk and Expected Returns in Global Equity Markets ». Journal of Banking and Finance 18, 775–803. Franke, G., 1991. « Exchange Rate Volatility and International Trading Strategy ». Journal of International Money and Finance 10, 292-307. 78 Frennberg, P., 1994. « Stock Prices and Large Exchange Rate Adjustments: Some Swedish Experience ». Journal of International Financial Markets, Institutions & Money 4, 127– 148. Gao, T., 2000. « Exchange Rate Movements and the Profitability of US Multinationals ». Journal of International Money and Finance 19, 117– 134. Giddy, I., Dufey, G., 1995. « Uses and Abuses of Currency Options: Bank of America ». Journal of Applied Corporate Finance 8, 49–57. Jorion, P., 1990. « The Exchange-Rate Exposure of U.S. Multinational ». Journal of Business, Vol 63, No 3, 331-345 Jorion, P.,1991. « The Pricing of Exchange Rate Risk in the Stock Market ». The Journal of Financial and Quantitative Analysis, Vol 26 N0 3, 363-376. Huang, B.N., Yang, C.W., 2003. « An Analysis of Exchange Rate Linkage Effect: an Application of the Multivariate Correlation Analysis ». Journal of Asian Economics 14, 337-351. Kanas, A., 1996a. « Exchange Rate Economic Exposure When Market Shares Matters and Hedging Using currency options ». Management International Review 36(1), 67-84. Kanas, A., 1996b. « Exchange Rate Economic Exposure, Business Exposure and Hedging Using Currency Options ». Journal of Multinational Financial Management 6(2/3), 1-19. Korajczyk, R.A., Viallet, C.J., 1992. « Equity Risk Premia and the Pricing of Foreign Exchange Risk ». Journal of International Economics 33, 199–228. 79 Koutmos, G., Anna, D.M., 2003. « First and Second Moment Exchange Rate Exposure: Evidence from U.S Stock Returns ». The Financial Review 38 (2003) 455-471 Koutmos, G., Anna, D.M., 2003. « Asymmetric Exchange Rate Exposure: Theory and Evidence ». Journal of International Money and Finance 22 , 365–383 Lastrapes, W.D., Koray, F., 1990. « Exchange Rate Volatility and U.S Multilateral Trade Flows ». Journal of Macroeconomics 12, 341-362 Pozo, S., 1992. « Conditional Exchange Rate Volatility and the Volume of International Trade: Evidence from the Early 1900’s ». Review of Economics and Statistics 74, 325-329. Prasad, A.M., Rajan, M., 1995. « The Role Of Exchange and Interest Risk Inequity Valuation: A Comparative Study of International Stock Returns ». Journal of Economics and Business, 47, 457-472. Solnik, B., 1974b. « Why not Diversify Internationally Rather than Domestically? ». Financial Analysts Journal 30, 48–54. Stulz, R.M., 2002. « Derivatives, Risk Management, and Financial Engineering ». Southwestern Publishing Co. 80 Annexe : Nous donnons ci-après les distributions statistiques de nos variables étudiées. Toutes nos variables ne suivent pas une loi normale comme en témoigne la statistique de Jarque-Bera et aussi dans une moindre mesure l’allure des graphes. Taiwan : 1400 Series: CHGE Sample 1 2262 Observations 2262 1200 1000 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 800 600 400 200 Jarque-Bera Probability 0 -0.025 0.000 -0.000112 0.000000 0.032543 -0.033855 0.003342 -1.472790 41.44563 140125.5 0.000000 0.025 81 700 Series: RES Sample 1 2262 Observations 2262 600 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 0 -0.10 Jarque-Bera Probability -0.05 0.00 0.05 4.47E-06 -0.000249 0.134479 -0.097669 0.017429 0.200201 6.757164 1345.569 0.000000 0.10 700 Series: VAR1 Sample 1 2262 Observations 2262 600 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 0 -0.10 Jarque-Bera Probability -0.05 0.00 0.05 -1.70E-05 0.000000 0.130631 -0.094304 0.019128 0.313175 5.829543 791.5707 0.000000 0.10 700 Series: VAR2 Sample 1 2262 Observations 2262 600 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 Jarque-Bera Probability 0 -0.10 -0.05 0.00 0.05 -0.000123 0.000000 0.115738 -0.104602 0.021193 0.135025 5.340997 523.3886 0.000000 0.10 82 700 Series: VAR3 Sample 1 2262 Observations 2262 600 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 0 -0.10 Jarque-Bera Probability -0.05 0.00 0.05 Series: VAR4 Sample 1 2262 Observations 2262 600 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 Jarque-Bera Probability -0.05 0.00 0.05 1.16E-05 0.000000 0.100807 -0.096283 0.018263 -0.045759 4.946619 357.9334 0.000000 0.10 500 Series: VAR5 Sample 1 2262 Observations 2262 400 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 300 200 100 0 -0.10 488.5831 0.000000 0.10 700 0 -0.10 -0.000173 0.000000 0.101810 -0.098590 0.019190 0.115160 5.265140 Jarque-Bera Probability -0.05 0.00 6.95E-05 0.000000 0.082920 -0.098736 0.016999 -0.030196 5.233728 470.6081 0.000000 0.05 83 600 Series: VAR6 Sample 1 2262 Observations 2262 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 0 -0.10 Jarque-Bera Probability -0.05 0.00 0.05 500 -0.000170 -0.000207 0.107116 -0.099889 0.021481 0.229741 4.469460 223.4138 0.000000 0.10 Series: VAR7 Sample 1 2262 Observations 2262 400 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 300 200 100 Jarque-Bera Probability 0 -0.05 0.00 2.81E-05 0.000000 0.093329 -0.079338 0.016520 -0.027142 5.495101 587.0339 0.000000 0.05 84 400 Series: VAR8 Sample 1 2262 Observations 2262 300 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 200 100 Jarque-Bera Probability 0 -0.10 -0.05 0.00 0.000356 0.000000 0.076306 -0.118583 0.020702 -0.140618 4.591198 246.0873 0.000000 0.05 600 Series: VAR9 Sample 1 2262 Observations 2262 500 400 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 300 200 100 Jarque-Bera Probability 0 -0.10 -0.05 0.00 0.000435 0.000000 0.079727 -0.134716 0.022018 -0.156561 4.615092 255.0940 0.000000 0.05 500 Series: VAR10 Sample 1 2262 Observations 2262 400 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 300 200 100 Jarque-Bera Probability 0 -0.05 0.00 -5.99E-05 0.000000 0.079937 -0.084822 0.017246 -0.054770 4.867502 329.8338 0.000000 0.05 85 La Corée du Sud : 1400 Series: CHGE Sample 2 2633 Observations 2632 1200 1000 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 800 600 400 200 Jarque-Bera Probability 0 -0.1 0.0 0.1 -0.000142 0.000000 0.201211 -0.180884 0.010168 0.006621 154.9194 2531052. 0.000000 0.2 800 Series: RES Sample 2 2633 Observations 2632 700 600 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 500 400 300 200 100 Jarque-Bera Probability 0 -0.10 -0.05 0.00 0.05 7.54E-06 0.000000 0.100889 -0.127048 0.020843 -0.020946 6.564461 1393.549 0.000000 0.10 700 Series: VAR1 Sample 2 2633 Observations 2632 600 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 Jarque-Bera Probability 0 -0.1 0.0 0.1 -0.000778 0.000000 0.234961 -0.153005 0.028928 0.374258 8.970365 3970.541 0.000000 0.2 86 1200 Series: VAR2 Sample 2 2633 Observations 2632 1000 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 800 600 400 200 Jarque-Bera Probability 0 -0.2 -0.1 0.0 6386.844 0.000000 0.1 700 Series: VAR3 Sample 2 2633 Observations 2632 600 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 0 -0.20 0.000139 0.000000 0.126549 -0.274298 0.025831 -0.408352 10.58760 Jarque-Bera Probability -0.15 -0.10 -0.05 0.00 0.05 -0.000879 0.000000 0.126810 -0.197869 0.026923 -0.657668 7.069794 2006.169 0.000000 0.10 700 Series: VAR4 Sample 2 2633 Observations 2632 600 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 Jarque-Bera Probability 0 -0.10 -0.05 0.00 0.05 0.10 -0.000496 -0.000165 0.167979 -0.136213 0.027765 0.258193 6.270493 1202.251 0.000000 0.15 87 600 Series: VAR5 Sample 2 2633 Observations 2632 500 400 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 300 200 100 Jarque-Bera Probability 0 -0.1 0.0 -0.000116 0.000000 0.171277 -0.161580 0.030745 -0.086222 6.404994 1274.735 0.000000 0.1 600 Series: VAR6 Sample 2 2633 Observations 2632 500 400 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 300 200 100 Jarque-Bera Probability 0 -0.2 -0.1 0.0 -0.000531 0.000000 0.136650 -0.204417 0.029365 -0.454214 7.206668 2031.169 0.000000 0.1 700 Series: VAR7 Sample 2 2633 Observations 2632 600 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 Jarque-Bera Probability 0 -0.2 -0.1 0.0 0.000121 0.000000 0.183071 -0.191812 0.029654 0.148959 7.104077 1856.898 0.000000 0.1 88 800 Series: VAR8 Sample 2 2633 Observations 2632 700 600 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 500 400 300 200 100 0 -0.15 Jarque-Bera Probability -0.10 -0.05 0.00 0.05 -0.001760 0.000000 0.133023 -0.141716 0.026530 0.126503 7.576226 2303.643 0.000000 0.10 700 Series: VAR9 Sample 2 2633 Observations 2632 600 500 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 400 300 200 100 Jarque-Bera Probability 0 -0.2 -0.1 0.0 0.000197 0.000000 0.133234 -0.204939 0.024736 0.131597 8.729009 3607.026 0.000000 0.1 800 Series: VAR10 Sample 2 2633 Observations 2632 700 600 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 500 400 300 200 100 Jarque-Bera Probability 0 -0.10 -0.05 0.00 0.05 0.000160 0.000000 0.128579 -0.106717 0.023332 0.207895 7.218873 1970.904 0.000000 0.10 89