Déterminants des cours boursiers. Cas d'un panel de pays


Travail de Projet (scientifique-pratique), 2020

31 Pages, Note: 18


Extrait

Inhaltsverzeichnis

INTRODUCTION

I. REVUE DE LITTERATURE
1. Le taux d’intérêt
2. Indice de Production Industrielle (Production Industrielle)

II. LES DIFFERENTES VARIABLES ET MODELE
1. Les variables
2. Spécification du modèle

III. ANALYSE ECONOMETRIQUE DES DETERMINANTS DES COURS BOURSIERS
1. Présentation des données
2. Résultats des estimations
2.1 Tests de spécification
2.1.1 Likelihood Ratio Test (Test de Fisher) ou test d’homogénéité de Fisher
2.1.2 Test de la bonne spécification du modèle
2.1.3 Le test de Breusch Pagan
2.1.4 Le test de HAUSMAN
2.2 Tests de racines unitaires
2.3 Tests de cointégration
2.3.1 Test de Pedroni
2.3.2 Test de Westerlund
2.4 Estimation de la relation de cointégration (long terme)
2.5 Relation entre rendement des actions, la variation des taux d'intérêt et de l’indice de production industrielle :
2.6 Interprétation économique des résultats

CONCLUSION

BIBLIOGRAPHIE

ANNEXES

INTRODUCTION

Un cours de bourse désigne la valeur accordée à un titre financier sur un marché boursier. Il constitue le prix que fixe la loi de l'offre et de la demande à propos d'un titre boursier à un moment précis. Le cours de bourse peut varier de façon plus ou moins importante, y compris dans un laps de temps très court, en quelques heures voire en quelques minutes. Certains titres financiers comme les actions sont particulièrement sensibles aux fluctuations boursières.

L’émergence du cours de bourse est de nos jours le résultat d’un réseau de considérations strictement internes au marché boursier. Par exemple, il peut être le résultat de l’appréciation simultanée d’agents similaires s’observant les uns les autres ou d’agents hétérogènes à degré d’anticipation distinct (leader – suiveur). Ce courant d’analyse permet d’étudier le fonctionnement purement interne du marché boursier mais au prix d’une absence de prise en compte des influences extérieures. Il occulte la réalité des conditions sociales de production de la valeur d’un titre boursier.

Les cours boursiers et leurs déterminants deviennent un enjeu important, dans ce contexte de différentes mutations qui imposent la restructuration des marchés boursiers. En effet, les cours boursiers méritent une attention particulière, car comme les problèmes bancaires, les problèmes des marchés boursiers qui surviennent peuvent aussi être de nature à générer des risques systématiques importants, qui auront des répercussions non seulement sur l'économique d’un pays, sur des particuliers qui investissent de plus en plus leur épargne sur des marchés boursiers. L'exemple le plus parfait de cet état de fait est la crise de 19291. C’est dans cette optique que nous allons étudier les déterminants des cours boursiers.

Dans un tel contexte, notre étude réalisera une breve revue de la littérature sur les taux d’intérêt et l’indice de production industrielle déterminants des cours boursiers. Après une présentation et des signes attendus pour nos variables, nous développerons le modèle utilisé avant de passer nos estimations économétriques. Par la suite nous monterons les relations à long terme entre les déterminants et l’indice boursier puis finirons par déterminer le rendement de l’indice boursier par rapport aux variations des déterminants.

Nous utiliserons dans le cadre de cette étude vingt pays sur un panel de nos données (Panel id 10-14 et 15-29).

I. REVUE DE LITTERATURE

Un grand nombre d'études empiriques ont été menées sur les déterminants des cours de la bourse. Plusieurs chercheurs ont examiné les relations entre les cours des actions et facteurs sélectionnés qui pourraient être internes ou externes. Les résultats montrent une variété de résultats en fonction de la portée de l'étude. Certains de ces facteurs pourraient être courants pour toutes les bourses. Dans cette section, certaines de ces études dont les auteurs ont particulièrement étudié le taux d’intérêt et l’indice de production industrielle ou tout simplement la production industrielle comme variables seront examinées.

1. Le taux d’intérêt

Le taux d’intérêt est une variable macroéconomique de premier ordre, qui sert selon (2003) en microfinance de facteur d’actualisation des flux de dividendes futurs déterminants de la valeur fondamentale des actions. Son impact sur les marchés boursiers est très important. En effet toute modification des taux d’intérêt affecte directement ou indirectement la valeur des titres qui sont cotés en bourse.

Pour ce qui est de la relation entre le taux d'intérêt et le cours des actions, on estime que le taux d'intérêt à court terme est le coût d'opportunité d'un investissement sur les marchés boursiers. Par conséquent, cette relation est perçue comme négative. La micro-fondation de la relation entre le taux d'intérêt nominal et les cours des actions a été formalisée à l'aide de l'hypothèse contractuelle nominale (voir Flannery et James 1984), qui prédit que la relation entre les cours des actions et l'inflation imprévue est liée aux différences dans les entreprises. Dans la composition du bilan, si les actifs nominaux de l’entreprise sont supérieurs à ses passifs nominaux, la relation entre le cours des actions et l’inflation est positive, car la valeur réelle de ces avoirs augmente. Cependant, si la composition du bilan de l’entreprise illustre le cas contraire, la relation entre les cours des actions et l’inflation est négative.

Flannery et James (1984) ont laissé entendre que, puisque les variations imprévues de l'inflation et l'inflation attendue entraînent également des variations des taux d'intérêt, les avoirs d'une entreprise en actifs nominaux et en passifs nominaux vérifient également le lien entre les cours des actions et les taux d'intérêt. En particulier, pour les banques commerciales, Flannery et James ont constaté que la maturité des avoirs nets en actifs expliquait de manière significative la relation entre les taux d'intérêt et les cours des actions.

Alors que la majeure partie de la recherche a documenté une relation négative entre les taux d'intérêt et les cours des actions, quelques-uns (par exemple, Chance et Lane 1980) n'ont trouvé aucune relation de ce type. Kwan (1991) a mis au point un modèle de coefficient aléatoire à deux indices des rendements des actions bancaires pour étudier la sensibilité aux taux d'intérêt variable dans le temps des actions bancaires. Il a indiqué que les rendements des actions bancaires sont liés à des variations imprévues du niveau des taux d'intérêt. Dans une étude similaire, Bae (1990) a trouvé un fort soutien pour un effet négatif des variations actuelles et imprévues des taux d'intérêt sur les rendements des actions ordinaires des institutions financières. Bulmash et Trivoli (1991) ont trouvé une relation négative entre les taux d'intérêt (à court et à long terme) et les cours des actions américaines.

Pour terminer cette littérature sur le taux d’intérêt, il est important pour nous de souligner que peu d'études (Apergis et Eleftheriou 2002 ; Asprem 1989) ont trouvé une relation positive entre les taux d'intérêt et les cours des actions. Cette relation positive, selon Shiller et Beltratti (1992), implique peut-être qu'une augmentation du taux d'intérêt peut conduire à anticiper une augmentation des fondamentaux futurs, tels que les rendements des dividendes, augmentant ainsi les cours des actions.

2. Indice de Production Industrielle (Production Industrielle)

Il est quasiment impossible de penser aux re agissements des rendements boursiers sans tenir compte de l’état de l’économie dans un pays quelconque. Les cours des actions actuels sont positivement liés au niveau futur de l'activité réelle, tel que mesuré par le produit intérieur brut (PIB) ou la production industrielle. Ce résultat semble intuitif car les rendements sont fonction du flux de trésorerie futur, qui dépend fortement des conditions économiques futures (Bilson et al. 2001). La théorie suggère, et la plupart des recherches ont montré, que les flux de trésorerie des entreprises sont liés à une mesure de la production globale, comme le PIB ou la production industrielle (Humpe et Macmillan 2007).

Lucey et al. (2008) ont examiné l'impact de surprises inattendues sur certains des principaux indicateurs macroéconomiques américains sur les marchés boursiers du reste du monde développé et ont constaté que parmi tous les macro-indicateurs, seule la production industrielle affecte les rendements boursiers de manière positive et significative dans tous les pays. Dans une étude par pays, Goswami et Jung (1997) ont constaté que les cours des actions coréennes étaient positivement liés à la production industrielle. James et al. (1985) ont étudié la relation entre la variation décalée de la production industrielle américaine et le rendement de l'indice S&P 500 et ont constaté que les rendements boursiers actuels sont liés à la production industrielle décalée de deux périodes.

II. LES DIFFERENTES VARIABLES ET MODELE

1. Les variables

Dans ce point, nous détaillons les variables utilisées dans nos analyses. Le tableau ci-dessous présente un récapitulatif.

Notons que le choix de nos variables n’est pas une prise individuelle, elles nous ont directement été données pour notre étude.

Dans ce tableau, nous avons supposé des impacts des variables sur l’indice boursier, cependant ces supposons sont en premier temps d’une idée personnelle. Nous verrons avec les estimations si elles sont confirmées.

Tableau 1 : Les différentes variables utilisées (Prise individuelle)

Abbildung in dieser Leseprobe nicht enthalten

2. Spécification du modèle

A l’instar de la plupart des études empiriques relatives aux cours boursiers et sur données de panel, et dans notre étude pour appréhender les facteurs affectant les cours boursiers des vingt pays représentatifs c’est-à-dire l’équation de notre modèle qui étudiera la relation statistique entre spindex (variable dépendante) et les variables exogènes candidates est la suivante :

Abbildung in dieser Leseprobe nicht enthalten

III. ANALYSE ECONOMETRIQUE DES DETERMINANTS DES COURS BOURSIERS

1. Présentation des données

Les données utilisées dans notre étude sont tirées de différents pays. Elles sont relatives à vingt (20) pays sur une période allant du premier trimestre 2000 au deuxième trimestre 2016, nous avons soit une totale de 1320 observations pour chacune des variables retenues dans l’analyse. Les pays dans notre étude sont : Greece, Iceland, Ireland, Israel, Italy, Latvia, Luxembourg, Mexico, Netherlands, New Zealand, Norway, Poland, Portugal, Slovak Republic, Slovenia, Spain, Sweden, Switzerland, United Kingdom, United States. Les variables de notre étude sont directement données en consigne.

Les données étant relevées pour la même période sans observations manquantes, l’échantillon est donc équilibré (balanced).

Tableau 2 : Statistique descriptive

Abbildung in dieser Leseprobe nicht enthalten

Au regard du tableau ci-haut, nous ne remarquons qu’aucune des variables ne suit une loi normale centrée et réduite. Pour qu'une variable suive une loi normale centrée réduite, il faut que son Skewness soit nul (0) et son kurtosis soit égal à 3.

Nous constatons que la variable spindex a été en moyenne positif avec un pic de 1345,98 réalisé en Iceland au troisième trimestre de 2007 et un creux de 17,52 réalisé en mexico quatrième trimestre 2001.

La Greece est le pays qui détient la plus grande valeur du taux d’intérêt à long terme avec un score de 25,40 au deuxième trimestre 2012 tandis que la plus petite valeur du taux d’intérêt long terme est enregistrée au premier trimestre 2016 de -0,38 en Switzerland.

Cependant l’Indice de Production Industrielle a été trop volatile son écart type le prouve bien, avec une moyenne de 99,89573, il ressort un pic de 161,1866 détenu par Irland au troisième trimestre de l’année 2015 et un creux de 35,41134 établi en Iceland au premier trimestre 2000.

Graphique 1: Evolution de les indices boursiers des pays

Abbildung in dieser Leseprobe nicht enthalten

Source : Auteur à partir des indices boursiers(spindex) des pays de l’étude.

Comme nous l’avions souligné précédemment l’indice boursier de notre étude a été le plus élevé au troisième trimestre de 2007 qui correspond au chiffre 31(time) dans notre base de données et a connu une baisse importante quatrième trimestre 2001.

On regarde que l’indice boursier spindex reste concentrée entre 0 et 1500 donc avec aucune valeur négative.

2. Résultats des estimations

2.1 Tests de spécification

Doucouré F.B. (2008) indique que l’on considère de données de panel, la toute première chose qu’il convient de vérifier est la spécification homogène ou hétérogène du processus générateur des données. Ainsi cela revient sur le plan économétrique à tester l’égalité des coefficients du modèle étudié dans la dimension individuelle et sur le plan économique à déterminer si l’on est en droit de supposer que le modèle théorique étudié est parfaitement identique pour toutes les banques ou au contraire s’il existe des spécificités propres à chaque banque.

2.1.1 Likelihood Ratio Test (Test de Fisher) ou test d’homogénéité de Fisher

Ce test permet de tester l’hypothèse d’absence d’effets (modèle 1)2 contre l’hypothèse de présence d’effets fixes (modèle 2). Considérons les deux modèles suivants :

Modèle 1 :

Modèle 2 :

Le test d’hypothèse s’écrit :

Ho : Absence d’effets (modèle 1)

H1 : Présence d’effets fixes (modèle 2)

Critère de décision :

On accepte l’hypothèse nulle d’absence d’effets si la probabilité associée à la statistique de Fisher est supérieure au seuil de 5%. Dans le cas contraire on rejette l’hypothèse nulle et on accepte l’hypothèse 1 de présence d’effets fixes. La statistique de Fisher peut être lu sur l’estimation du modèle à effets fixes.

Puisque la statistique de Fisher calculée est supérieure au Fisher lue dans la table (autrement La probabilité critique de la statistique de Fisher (0.0000) est inférieure au seuil de signification), nous pouvons conclure que la structure du modèle de données panel est hétérogène donc on accepte l’hypothèse de présence d’effets fixes. (voir annexe1 ( modèle a effets fixes))

2.1.2 Test de la bonne spécification du modèle

Nous formulons comme hypothèse:3

H0 : le modèle est bien spécifié

H1 : le modèle est mal spécifié

Critère de décision :

Le modèle est bien spécifié si la probabilité est supérieure à 5%

Le modèle est mal spécifié si la probabilité est inférieure à 5%

La probabilité associée à la statistique de RAMSEY (0,000) est inférieure à 0,05, on peut conclure que le modèle est mal spécifié ce qui signifie qu’il y’a manque de variables ou encore un problème de forme fonctionnelle dans notre modèle. (Voir annexes 2)

2.1.3 Le test de Breusch Pagan

La statistique de Breusch Pagan est obtenue après l’estimation du modèle à effets aléatoires. Ce test encore appelé test du multiplicateur de Lagrange, il permet d’une part de valider empirement le choix d’une structure à erreurs composées. Le corps d’hypothèses est le suivant :

Abbildung in dieser Leseprobe nicht enthalten

Où désigne la variance de l’erreur spécifique à l’individu,

Basée sur les résidus estimés par les MCO, la statistique du test prend la forme suivante :

Et d’autre part de tester la significativité du modèle à effets aléatoires. Si la probabilité de la statistique de Breusch Pagan est inférieure au seuil fixé, les effets aléatoires seront globalement significatifs. Ainsi, nous posons l’hypothèse d’absence d’effets (modèle 1) contre l’hypothèse de présence d’effets aléatoires (modèle 3). Considérons les deux modèles suivants :

Modèle 1 :

Abbildung in dieser Leseprobe nicht enthalten

Modèle 3 :

Abbildung in dieser Leseprobe nicht enthalten

Le test d’hypothèse s’écrit :

Ho : Absence d’effets (modèle 1)

H1 : Présence d’effets aléatoires (modèle 3)

Critère de décision :

Absence d’effets aléatoires si la probabilité est supérieure à 5%

Présence d’effets aléatoires si la probabilité est inférieure à 5%

La probabilité du test est 0,000 qui est inferieure à 5% alors on accepte l’hypothèse1 de présence d’effets aléatoires. Le test rejette l’absence d’effets aléatoires, ainsi l’estimateur des MCG est plus performant que celui des MCO. (Voir Annexes 3)

2.1.4 Le test de HAUSMAN

Le test de spécification4 d’Hausman (1978) est un test général qui peut être appliqué à de nombreux problèmes de spécification en économétrie. Mais son application la plus répandue est celle de spécification des effets individuels en panel. Ce test sert ainsi à discriminer les effets fixes et aléatoires qui permettent de prendre en compte l’hétérogénéité des données. Dans le premier cas on suppose que les effets spécifiques peuvent être corrélés avec les variables explicatives du modèle, et dans le second cas on suppose que les effets spécifiques sont orthogonaux aux variables explicatives du modèle.

Lorsque la probabilité de ce test inférieure au seuil retenu, le modèle à effets fixes est privilégié. Dans le cas contraire, Kpodar K (2007) indique que le choix de l’un ou de l’autre modèle doit être justifié rigoureusement, et il dépend de la conviction de chaque auteur sur la pertinence d’un modèle par rapport à l’autre. Mais Doucouré F. B. (2008) soutient que dans ce cas, le modèle à effets aléatoires est plus approprié que celui à effets fixes.

L’hypothèse de ce test est donne comme suit :

Ho : Présence d’effets aléatoires

H1 : Présence d’effets fixes

Etant donné que la probabilité critique (p-value) de la statistique chi-carré (0,000) est inférieure au seuil de significativité de 5%, nous acceptons l’hypothèse de présence d’effets fixes. Ainsi comme le souligne Doucouré F.B., on peut conclure que le modèle à effets fixes a des estimateurs non biaisés et donne les meilleurs résultats.

Le modèle à effets fixes semble être le plus adéquat pour expliquer l’indice boursier par les principaux facteurs retenus. (Voir annexes 4)

Tableau 3: Résultat des estimations des modèles ( modèle homogène, modèle à effets fixes et modèle à effets aléatoires)

Abbildung in dieser Leseprobe nicht enthalten

Note: les valeurs entre parenthèses renvoient aux statistiques de t de Student de nos estimations. Nous adoptons comme seuil de significativité : *seuil de signification : 10% ; ** seuil de signification : 5% ; *** seuil de signification : 1%. Rappelons toutefois que le modèle retenu pour notre travail ainsi que pour les interprétations est le modèle à effets fixes (en gras italique).

Il existe plusieurs méthodes d’estimation des modèles à effets fixes :

- LSDV (Least Squares Dummy Variable) regression model
- "Fixed Effects" regression model (Within estimator)
- "Entity-demeaned" OLS regression

Dans notre étude nous avons utilisé la deuxième méthod (regression model(Within estimator) car c’est cette dernière qui est la plus réputée et présente dans les études précédentes. Cependant, les autres estimations sont quand même représentées en annexe du modèle à effets fixes.

2.2 Tests de racines unitaires

En général, les méthodes statistiques classiques de l’économétrie ont été conçues pour des séries stationnaires dont les propriétés statistiques ne changent pas au cours du temps. Les tests de racine unitaire les plus fréquents en panel sont ceux de Im, Pesaran et Shin (IPS) et de Levin-Lin-Chu (LLC). Hurlin et Mignon (2004) soulignent que l’application des tests de premières générations comme ceux de Levin et Chu possèdent des limites : ils supposent une indépendance interindividuelle des résidus. Comme l’ont aussi montré les résultats des simulations effectuées par Maddala et Wu (1999), ces tests de première génération sont très susceptibles de donner des résultats biaisés s’ils sont appliqués à des panels ou il y’a une corrélation dans la dimension individuelle. Cependant, les tests de seconde génération comme celui de Im, Pesaran et Shin (IPS) viennent corriger cette insuffisance. C’est ce test qui est utilisé car non seulement il est efficace mais en plus il est stable.

[...]


1 La crise de 1929 appelé le « jeudi noir » est un krach qui se produit à Wall Street le 24 octobre 1929. Cette crise s’explique par l'effondrement des cours de la Bourse de New York provoque l'affolement des milieux financiers. Rapidement, la crise financière s'étend à l'ensemble de l'économie américaine, puis à l'économie mondiale.

2 Ce test est également appelé test de la structure de panel. Si la structure est hétérogène, il est recommandé d’abandonner la spécification du modèle de donnée panel et d’estimer, pour chaque groupe d’individus, un modèle de MCO.

3 Ce test envoi au test de RAMSEY

4 Cette statistique est asymptotiquement distribuée selon une chi-deux à K degrés de liberté, soit le nombre de facteurs variables dans le temps, introduits dans le modèle. Si le test est significatif (p-value < 5%), on retient les estimateurs du Modèle à effets fixes qui sont non biaisés. Dans le cas contraire on peut choisir soit le modèle à effets fixes ou le modèle à effets aléatoires.

Fin de l'extrait de 31 pages

Résumé des informations

Titre
Déterminants des cours boursiers. Cas d'un panel de pays
Université
University of Lorraine
Cours
économetrie des données de panel
Note
18
Auteur
Année
2020
Pages
31
N° de catalogue
V1030342
ISBN (ebook)
9783346441010
ISBN (Livre)
9783346441027
Langue
Français
mots-clé
panel, économetrie, eviews, stata, bourse
Citation du texte
Jordy Madzou Bissila (Auteur), 2020, Déterminants des cours boursiers. Cas d'un panel de pays, Munich, GRIN Verlag, https://www.grin.com/document/1030342

Commentaires

  • Pas encore de commentaires.
Lire l'ebook
Titre: Déterminants des cours boursiers. Cas d'un panel de pays



Télécharger textes

Votre devoir / mémoire:

- Publication en tant qu'eBook et livre
- Honoraires élevés sur les ventes
- Pour vous complètement gratuit - avec ISBN
- Cela dure que 5 minutes
- Chaque œuvre trouve des lecteurs

Devenir un auteur