chapitre 3

Chapitre 3 : Validation empirique sur le marché boursier français
Introduction :
Après avoir étudié les importants modèles théoriques qui ont décrit l’efficience des marchés
financiers ainsi le phénomène de mimétisme, il sera intéressant de confronter ces
modélisations à la réalité des données. Toutefois, de nombreux travaux empiriques se sont
focalisés sur l’efficience informationnelle des marchés dans ces différents degrés. Cependant,
les études empiriques sur le comportement imitatif sont bien rares. Cette rareté est justifiée
par la nature du phénomène à étudier. En effet, le comportement mimétique comme tout autre
comportement humain est difficile à modéliser.
Notre étude empirique sera menée sur des titres cotés au CAC 40. Pour cela, nous avons
envisagé une première section introductive qui résume l’organisation et le fonctionnement de
la Bourse de Paris. Par la suite, une deuxième section examine les propriétés statistiques des
séries qu’on va utiliser. La troisième section aura pour objet de tester les deux premières
formes de l’efficience informationnelle, à savoir, la forme faible et la forme semi-forte. Une
dernière section vise à détecter l’existence du comportement mimétique sur le marché
financier français.
84
SECTION 1 : PRESENTATION DE LA BOURSE DE PARIS
Une place financière est un lieu d’échange de capitaux. Elle est nécessaires à la vie
économique d’un pays, malgré les turbulences qu’elle peut parfois provoquer et les séismes
qu’elle peut engendrer. Des échanges s’effectuent entre agents économiques, les uns ayant des
besoins de financement ou de couverture, les autres ayant des excédents à placer ou des
envies de spéculation.
La France n’est pas restée en retrait de ces mouvements de développement des marchés de
capitaux. Elle est donc passée progressivement d’une économie d’endettement à une
économie de marché.
Dans la nouvelle zone monétaire européenne, la France devrait rester une grande place
financière internationale, malgré l’annonce d’accords bilatéraux entre les bourses allemande
et anglaise, ses grandes rivales européennes. Ses structures et ses marchés ont notamment été
modernisés et son organisation récemment simplifiée.
Cette section a pour objectif de faire une présentation de la Bourse de Paris. A cette fin, seront
abordés successivement son historique, son organisation et son fonctionnement.
1. Les origines de la Bourse de Paris :

Plusieurs milliers de sociétés cotées, une capitalisation boursière de plusieurs centaines de
milliards d'euros, 4 milliards d'euros d'échanges quotidiens. C'est à travers ces chiffres que
nous connaissons actuellement la Bourse de Paris. Mais avant d'arriver à de tels sommets,
l'histoire de la place boursière française a été semée de multiples embûches, et d'évènements.
En France, la première société dont les parts s’échangeaient date de 1250 à Toulouse, la
« société des Moulins de Bazacle ». Pour la petite histoire, après quelques transformations,
cette société a figuré à la cote de la Bourse de Toulouse jusqu’en 1946 sous le nom de
« société Toulousienne d’Electricité du Bazacle »
Après cette première, la Bourse le Lyon ne voit en fait le jour que vers 1540 et quelques
dizaines d’années plus tard, des édits cadrent la profession de « courratier ». C’est en 1639
qu’un arrêt les remplace par le nom resté célèbre jusqu’à la fin du vingtième siècle « d’agent
de change »
Pourtant, Paris n’a toujours pas de véritable marché organisé. Les français ne se tournent
guère vers les valeurs et ce n’est pas la faillite de Law au dix-huitième siècle, dont les titres
avaient été largement diffusés dans le public, qui va les réconcilier avec les valeurs
mobilières. Les efforts de structuration d’un marché se poursuivent néanmoins de 1724 à la
révolution. Après celle-ci, la corporation des agents de change sera même dissoute et la
Bourse sera fermée définitivement, pour quelques semaines seulement.
Tout redémarre en 1801, année de l’officialisation de la bourse avec 71 agents de change. Le

célèbre Palais Brongniart, quant à lui, n’est achevé qu’en 1827. La Bourse se lance en même
temps que l’ère industriel se concrétise : le nombre d’actions cotées passe de 7 en 1800 à 152
en 1853 pour dépasser 800 valeurs en 1900 après que la constitution de sociétés anonyme ait
été grandement facilitée.
85
Parallèlement à la cote officielle tenue par les agents de change s’étaient développées des
transactions sur des valeurs non admises et assurées par des « coulissiers » - qui traitaient en
dehors du palais, sous la colonnade. Ils ont obtenu un statut pendant la deuxième guerre
mondiale, puis, pour rationaliser la profession, ils furent assimilés aux agents de change en
1962.
2. Organisation et fonctionnement du marché :

La Bourse de Paris pouvait paraître bien archaïque il y a quelques années encore. Tout est
bien différents désormais. La cotation des valeurs mobilières a quitté les parquets du Palais
pour entrer dans de vastes réseaux informatiques. De ce fait, plus de Bourses de province ou
de Paris il n’existe plus qu’un vaste marché national, les intermédiaires agissant directement
sur toutes les valeurs de la cote.
2.1. Les acteurs

Ce sont, en fait, les sociétés de bourse qui sont le passage obligé de l'investissement en
bourse car elles détiennent le monopole des transactions boursières. Jusqu'en 1988 c'étaient
des officiers ministériels (les agents de change) qui détenaient ce monopole, cependant le
crack de 1987 est venu modifier cette organisation et les agents de change se sont transformés
en sociétés de bourse.
Au delà de ces intermédiaires financiers, il existe plusieurs organismes qui sont chargés
d'organiser le fonctionnement des marchés et surveiller ses différents acteurs :
- Euronext : Cette société a pour mission de veiller au bon déroulement de la cotation des
valeurs, elle peut intervenir pour interrompre la cotation, notamment dans le cas d'irrégularités
ou d'événements propres à engendrer une spéculation injustifiée (OPA, OPE,...). Une autre de
ses missions et d'assurer le calcul et la cotation des indices (ex: CAC 40) ainsi que d'assurer la
promotion de la place parisienne en France et à l'étranger.
Euronext est issu de la fusion de plusieurs bourses européennes (Amsterdam, Paris, Bruxelles
et Lisbonne). Auparavant, l'organisme se nommait, Parisbourse SBF SA.
- MATIF S.A. : Cette société réalise toutes les opérations de compensation du MATIF
(Marché à Terme International de France).
- L'Autorité des marchés financiers (AMF) : Créée en 2003, l’AMF est issue de la fusion de
plusieurs organismes : la Commission des opérations de bourse (COB), le Conseil des
marchés financiers (CMF) et le Conseil de discipline de la gestion financière (CDGF).
En plus de ces organismes on trouve d’autres intervenants sur le marché :

- Les compensateurs : ce sont des établissements, dotés de statut de membre de marché, qui
assurent les opérations de règlement-livraison des titres dans les délais édictés par les autorités
de tutelle.
- Les banques, qui restent les premiers teneurs de comptes titres, peuvent ne pas être membres
de la Bourse et, dans ce cas, n’ont qu’un rôle de collecter des ordres.
- Les investisseurs individuels : depuis les années 80, des incitations fiscales ont été mises en
place pour orienter davantage l’épargne des particuliers vers les marchés financiers. Plusieurs
lois ont permis de démythifier les marchés financiers aux yeux des français.
86
- Les investisseurs institutionnels : Un investisseur institutionnel est un établissement

financier collecteur d’épargne et tenu institutionnellement de placer une partie de ses
ressources sur les marchés de capitaux à long terme.
Parmi les investisseurs institutionnels : caisse de dépôts et consignations, caisses d’épargne,
les compagnies d’assurance, les caisses de retraite, les OPCVM (organismes collectifs de
placement en valeurs mobilières)
- Les non-résidents : Longtemps les investisseurs étrangers présents en Bourse de Paris
l’étaient par l’intermédiaire de Londres. Ce phénomène s’amenuise depuis quelques années,
les non-résidents viennent directement investir en Bourse de Paris, attirés par la liquidité des
valeurs et les techniques des systèmes informatiques. Paris est devenue donc une place
financière internationale.
- Les émetteurs : Le marché financier est, avant tout, un moyen de financement ouvert à
l’économie d’un pays, à travers de son compartiment « marché primaire ». Les agents y
faisant appel vont chercher un moyen de financer leurs investissements
2.2. Les indices :

Les indices boursiers sont devenus des instruments essentiels dans la gestion de portefeuille.
En effet, ils sont représentatifs :
- soit d’un marché : l’indice CAC 40 reflète la tendance des plus grandes capitalisations
françaises,
- soit d'un secteur d'activité particulier : l’indice sectoriel de l’automobile intègre uniquement
les constructeurs automobiles et les équipementiers.
Au fil des ans, Euronext a développé une grande gamme d'indices permettant de suivre
l’évolution des marchés.
Les investisseurs ont ainsi à leur disposition des références adaptées à la gestion de leurs
actions. Euronext assure le calcul et la diffusion de tous ces indices.
Les trois principaux indices de marché de la Bourse de Paris sont :

- Le CAC 40,
- Le SBF 120,
- Le SBF 250.
Ces indices sont dits emboîtés. Les valeurs qui composent le CAC 40 font également partie
des valeurs du SBF 120, elles-mêmes incluses dans l’indice le plus large, le SBF 250.
- Définition du CAC 40 : Le CAC 40 (cotation assistée en continu) est l'indice de référence de

la place parisienne. Lancé le 31 décembre 1987 avec une base à 1000 points, cet indice est
composé de 40 valeurs qui font partie des plus grosses capitalisations du pays. Sa composition
est mise à jour régulièrement par un comité d'experts : l’indice doit être représentatif du
marché financier parisien aussi bien en terme de volumes de transactions qu'en
représentativité des secteurs d'activité.
Le CAC 40 est également utilisé comme support pour les options et les contrats à terme sur le
MONEP : les investisseurs parient sur la hausse ou la baisse du CAC 40 en utilisant des
produits dérivés comme les futures, warrants ou options.
Le cours du CAC40 résulte du calcul d'une moyenne, pondérée par la capitalisation de

chacune des valeurs le composant. Ainsi, plus la valeur a une capitalisation importante, plus
87
sa variation influe sur celle de l'indice. Une valeur ne peut cependant pas excéder 15% de
pondération au sein du CAC 40.
2.3. La cotation électronique :

Quel que soit le compartiment de cotation, la cotation est effectuée par informatique, la criée
ayant disparu depuis plusieurs années pour les actions. Le système électronique a été introduit
à la Bourse de Paris dès juin 1986 dans une bourse qui avait vécu des décennies de criée, avec
ses groupes de cotation et sa fameuse corbeille disparue au milieu de 1987.
Enfin, une place financière est qualifiée d’internationale si elle est un pôle d’attraction et de
redistribution de capitaux à l’échelle mondiale. Aussi, elle doit proposer une gamme étendue
de marchés de capitaux, disposer d’acteurs financiers et bancaires internationaux, et être si
possible adossée à une économie puissante.
Paris répond à ces critères et offre qualité et sécurité sur ses marchés de capitaux. Consciente
de ses atouts, elle se prépare à être le pilier de la finance européenne.
88
SECTION 2 : ETUDE DES PROPRIETES STATISTIQUES DES SERIES
L’objet de cette section est d’étudier les caractéristiques essentielles des séries au moyen des
tests traditionnels mais également à l’aide d’outils statistiques plus élaborés.
En premier lieu, seront calculées les statistiques descriptives traditionnelles des séries. En
deuxième lieu, seront mis en œuvre des tests de racine unitaire afin de déterminer l’ordre
d’intégration des séries boursières. Cette étude de stationnarité est primordiale notamment
pour l’utilisation des outils présentés dans les sections qui suivent. En dernier lieu, seront
présentés des tests de normalité et d’hétéroscédasticité.
1. Présentation de l’échantillon :
L’étude empirique menée au cours de ce chapitre porte sur l’évolution des cours ainsi que les
volumes de transactions sur un échantillon d’actions cotées sur la Bourse de Paris. Les
données sont issues de la base de données « YAHOO Finance » publiée sur Internet. Ces
données portent sur un ensemble de quarante entreprises composant l’indice CAC 40.
L’ensemble des entreprises étudiées, leur capitalisation boursière ainsi que le secteur auquel
elles appartiennent sont répertoriés dans l’annexe n°6.
La période d’étude s’étale sur six ans du 3 janvier 2000 au 16 janvier 2006 soit un nombre
total de 1518 observations pour chaque série.
Aussi, il nous a semblé judicieux de retenir une fréquence journalière dans la mesure où si
l’hypothèse d’efficience est rejetée sur données quotidiennes, elle devrait l’être sur données
hebdomadaires et mensuelles.
Notre étude est menée aussi sur l’indice boursier CAC 40. Pour chaque série nous disposons,
pour le jour t, pour les prix :
- Du cours d’ouverture ;
- Du cours le plus haut ;
- Du cours le plus bas ;
- Du cours de clôture ;
- Du cours ajusté, noté Ct
Pour les volumes, nous disposons, pour le jour t, des volumes quotidiens de transactions,
notés Vt.
Notons que certains des tests utilisés sont particulièrement sensibles à la stationnarité des
séries utilisées. Les données brutes peuvent, à ce titre, présenter trop d’irrégularité. Nous
ajusterons donc nos séries suivant la méthodologie de Gallant, Rossi et Tauchen (1992),
modifiée par Hiemstra et Jones (1994).
Pour les cours, on procède, très classiquement, à la différenciation logarithmique :

Ct
C*t = 100 x Ln pour t = 1,2,……, T
Ct-1
Pour les volumes, tous les auteurs n’adoptent pas la même méthodologie. Certains se
contentent de remplacer le volume par son logarithme ou bien de remplacer le volume par sa
différence première, avec une moyenne mobile judicieusement choisie. Dans notre étude,
nous imposons aux volumes la même transformation que pour les cours :
89
Vt
V*t = 100 x Ln pour t = 1,2,……, T
Vt-1
Avec T le nombre total d’observations.
Après cette transformation logarithmique des données, on procède dans le paragraphe suivant
au calcule de quelques indicateurs statistiques.
2. Statistiques descriptives :
Différentes statistiques ont été calculées sur la base de données ainsi élaborée afin de réaliser
une analyse plus fine et de construire des séries temporelles pour notre étude économétrique.
Le tableau n° 5 récapitule l’ensemble des statistiques calculées.
Tableau n° 5 : Statistiques descriptives des rentabilités boursières
Moyenne Médiane Maximum Minimum Ecart type

AC1 0.012 0.000 9.951 -13.864 2.175
AF 0.004 0.000 17.875 -22.598 2.747
AGF 0.040 0.000 14.529 -11.290 2.057
AI 0.005 0.067 10.426 -10.422 1.778
BNP 0.039 0.056 12.730 -11.217 1.983
BN 0.027 -0.056 9.702 -11.089 1.664
CAP -0.125 -0.096 23.419 -26.092 3.505
CA -0.055 -0.058 9.488 -11.354 2.052
CGE -0.086 0.000 34.032 -19.485 3.918
CO -0.037 -0.078 8.545 -8.256 1.639
CS 6.96 10-5 0.000 21.271 -14.287 2.760
DG 0.119 0.000 11.406 -7.323 1.761
DX 0.015 0.000 11.592 -12.010 2.000
EAD 0.031 0.000 15.927 -14.352 2.715
EF 0.065 0.000 13.276 -15.186 2.519
EN -0.015 0.000 13.276 -15.186 2.519
EX -0.033 0.000 19.203 -13.669 2.920
FP 0.043 0.058 7.268 -7.336 1.726
FTE -0.114 -0.137 22.715 -17.653 3.463
GLE 0.042 0.055 11.602 -11.544 2.217
HO 0.016 0.000 17.776 -13.532 2.366
LG -0.016 0.000 9.225 -8.966 2.011
MC -0.004 0.000 11.612 -13.053 2.250
ML 0.024 0.000 12.076 -11.197 1.591
MMB 0.019 -0.042 12.588 -14.780 2.464
MMT -0.035 -0.047 14.129 -16.074 3.100
OR -0.008 0.058 8.144 -11.781 1.942
PP -0.057 -0.074 16.497 -12.474 2.251
PUB -0.012 0.000 14.850 -13.834 2.887
RI 0.080 0.000 10.149 -11.770 1.909
RNO 0.034 0.000 9.904 -13.171 2.251
SAN 0.049 0.000 8.906 -10.241 2.047
SGO 0.004 0.000 13.926 -25.469 2.237
SK 0.025 0.000 11.921 -10.801 2.086
STM -0.076 -0.150 15.762 -13.533 3.200
SU 0.009 0.000 8.884 -21.409 2.147
SZE -0.008 0.000 13.216 -14.615 2.510
TF1 -0.041 -0.042 17.995 -20.310 2.951
TMM -0.020 -0.104 16.661 -19.767 3.430
UG 0.018 0.000 9.743 -8.988 1.861
CAC 40 -0.002 0.056 6.220 -7.268 1.305
1
Chaque société est désignée par sa mnémonique. Ces dernières sont résumées dans l’annexe n°6.
90
L’analyse des résultats des séries des rentabilités financières, reportés dans le tableau en
dessus, montre que les séries des quarante entreprises ainsi que pour l’indice boursier
possèdent des moyennes très faibles et même négatives pour quelques unes (Alcatel, Suez,
TF1,CAC 40,….etc). La moyenne la plus élevée est celle de Vinci à savoir 0,119% (C’est un
groupe industriel qui est devenu, en 2004, le premier groupe mondial de construction et de
services associés), alors que la plus faible moyenne est enregistrée pour l’entreprise Cap
gémini de -0,125% (Ce groupe de services informatiques a eu des difficultés à cause du
ralentissement économique américain). L’indice boursier montre un rendement moyen négatif
et assez faible de -0,002%.
Sur la période d’étude, la valeur des rentabilités maximale n’a pas atteint 50% soit 34,032%
enregistrée chez la société Alcatel le 30/11/2002 (Car Alcatel un signé un contrat avec un
groupe allemand qui s’élève à 39 millions d’euros). Pour l’indice CAC40 la rentabilité
maximale a été marquée le 14/3/2003 soit 6,22% et cela juste avant l’éclatement de la bulle
spéculative relative aux secteurs de télécommunication et de l’Internet.
L’analyse des valeurs minimales montre que la société Cap gémini possède non seulement la
plus faible rentabilité moyenne, mais aussi la rentabilité minimale à savoir -26,092%
enregistrée le 26/6/2001 (A cause de l’annonce du groupe de supprimer 2700 emplois, soit 4%
de ses effectifs mondiaux). Pour le CAC 40, la valeur minimale est enregistrée le 11/9/2001
soit -7,268. Cette dégringolade est justifiée par les attentats du 11 septembre.
L’analyse de la volatilité des rentabilités financières montre des valeurs très élevées. Cette
situation peut être expliquée par la récente période particulièrement agitée qu’a connu le
marché financier français (de la fin 1999 jusqu’au 2003). La valeur maximale est enregistrée
chez l’entreprise Alcatel soit 3,918% alors que la valeur minimale est affichée chez l’indice
CAC40 à savoir 1,305%.
2. Test de l’hypothèse de normalité :

Plusieurs procédures d’estimation et d’inférence statistiques sont basées sur la normalité des
observations. Pour étudier si la distribution de probabilité empirique peut être associée à la loi
normale, on utilise le test le plus classique de Jarque et Bera qui est fondée sur la notion de
Skewness (asymétrie) et du Kurtosis (aplatissement)
- Les tests du Skewness et de Kurtosis :

Soit = le moment centré d’ordre k, le coefficient de Skewness est
égale à : = et le coefficient de Kurtosis : =
Si la distribution est normale et le nombre d’observations grand :

et
On construit alors les statistiques :
et que l’on compare à 1,96 au seuil de 5%.
91
Si les hypothèses H0 : (symétrie) et (aplatissement normal) sont vérifiées alors

< 1,96 et < 1,96, dans le cas contraire, l’hypothèse de normalité est rejetée.
- Le test de Jarque et Bera :

Il s’agit d’un test qui regroupe les résultats précédents, si et obéissent à des lois
normales alors la quantité JB :
JB = suit un .
Donc si JB , on rejette l’hypothèse H0 de normalité des résidus au seuil α.
Ces tests de normalité servent également dans le cas où il y a hétéroscédasticité. En effet,
l’hétéroscédasticité se manifeste sur le graphe de la distribution par des queues plus épaisses
(distribution leptokurtique) que les queues de la loi normale.
Le tableau n° 6 fournit les résultats des différents tests de normalité

.
Nous pouvons remarquer que les statistiques de Skewness et de Kurtosis sont respectivement
différentes de 0 et de 3. Les valeurs des coefficients de Skewness montrent qu’il existe un
phénomène d’asymétrie indiquant qu’un choc négatif n’a pas le même effet qu’un choc
positif. Notons que cette asymétrie peut être le signe de la présence de non linéarité dans le
processus d’évolution des rentabilités, ce qui est une caractéristique courante des séries
financières. Les coefficients de Skewness négatifs indiquent que la distribution des séries est
étalée vers la gauche (voir l’histogramme du CAC 40 dans l’annexe n° 7), et vice versa. Le
Kurtosis, supérieur à 3, témoigne de la forte probabilité de points extrêmes : les queues de
distribution sont plus épaisses que celles de la loi normale.
Pour le Skewness critique (v1), on remarque qu’il est inférieur de 1,96 pour 15 sociétés à
savoir : BNP, CAP, CA, DX, EN, EX, GLE, LG, MMB, MMT, PP, PUB, SAN, SZE, TMM.
Ces sociétés représentent 37,5% de notre échantillon. Les valeurs du Kurtosis critique (v 2)
sont très largement supérieures à 1,96 ce qui confirme le caractère fortement leptokurtique
des séries de rentabilités.
Du fait de ces caractéristiques, et ainsi que l’illustre la statistique de Jarque-Bera, nettement

supérieure à la valeur de aux différents seuils de significativité, les rentabilités ne
suivent pas une loi normale.
92
Tableau n° 6 : Test de normalité

Skewness v1 Kurtosis v2 JB
AC -0.2060 3.2756 6.2481 25.8236 677.622
AF -0.3044 4.8402 10.09 56.3681 3206.671
AGF 0.1409 2.2404 8.5351 44.0061 1941.622
AI -0.2166 3.4441 6.9819 31.6576 1014.091
BNP -0.1086 1.7268 8.1328 40.8076 1668.257
BN 0.3169 5.0389 9.0583 48.1657 2345.368
CAP -0.0653 1.0383 7.7945 38.1180 1454.106
CA -0.1081 1.7189 6.1792 25.2758 641.849
CGE 0.3250 5.1677 9.6668 53.0035 2836.129
CO 0.1822 2.8971 5.1919 17.4264 312.1
CS 0.3190 5.0723 8.9373 47.2037 2253.9
DG 0.5976 9.5023 7.0873 32.4955 1146.274
DX 0.0342 0.5438 8.3899 42.8517 1836.618
EAD 0.1896 3.0148 6.2837 26.1066 690.665
EF 0.3183 5.0612 7.9224 39.1349 1557.226
EN 0.0330 0.5247 6.9579 31.4668 1190.437
EX 0.0986 1.5678 7.6584 37.0360 1374.182
FP -0.1563 2.4853 4.5858 12.6077 165.146
FTE 0.4517 7.1824 7.6224 36.7498 1402.145
GLE -0.0532 0.4859 6.8602 30.7900 942.627
HO 0.2198 3.4950 7.6668 37.1028 1388.877
LG -0.1140 1.8127 5.7741 22.0551 489.734
MC 0.3380 5.3744 7.5074 35.8355 1313.081
ML 0.2070 3.2915 7.2049 33.4305 1128.447
MMB 0.0875 1.3915 6.8918 30.9412 959.325
MMT 0.0050 0.0795 5.8191 22.4129 502.346
OR -0.1388 2.2070 5.6083 10.7369 434.927
PP 0.0733 1.1655 8.1762 41.1527 1694.931
PUB 0.0210 0.3339 6.1278 24.8672 618.52
RI 0.1798 2.8549 7.3172 34.3233 1186.288
RNO -0.1437 2.2849 5.5124 19.9745 404.218
SAN -0.0327 0.5200 4.7889 14.2224 202.55
SGO -0.8873 14.1087 17.4031 114.5099 13311.60
SK 0.2178 3.4632 7.0517 32.2125 1049.672
STM 0.171 2.7190 4.8860 14.9944 218.162
SU -0.6845 10.8841 11.5832 68.2396 4775.165
SZE -0.0248 0.3943 9.0293 47.9351 2297.962
TF1 0.1250 1.9876 7.9778 39.5723 1570.175
TMM -0.0207 0.3291 6.4669 27.5631 759.844
UG 0.1660 2.6395 5.8632 22.7635 525.159
CAC 40 -0.1297 2.062 5.8302 22.5011 510.588
3. Tests de l’hypothèse de stationnarité:

Avant le traitement d’une série chronologique, il convient d’en étudier les caractéristiques
stochastiques. Si ces caractéristiques – c’est-à-dire son espérance et sa variance – se trouvent
modifiées dans le temps, la série chronologique est considérée comme non stationnaire ; dans
le cas d’un processus stochastique invariant, la série temporelle est alors stationnaire. En
résumé une série stationnaire ne comporte ni tendance, ni saisonnalité et plus généralement
aucun facteur n’évoluant avec le temps.
Les différents tests de stationnarité ne permettent non seulement de détecter l’existence d’une
tendance (tests de racine unitaire) mais aussi de déterminer la bonne manière de stationnariser
93
une chronique. Pour se faire, deux types de processus sont distingués (Nelson et Plosser
(1982)) :
- Les processus TS (Trend Stationary) qui représentent une non stationnarité de type
déterministe.
Un processus TS s’écrit : xt = ƒt + εt
Où : ƒt est une fonction polynomiale du temps, linéaire ou non linéaire, et εt un processus
stationnaire.
Pour stationnariser un processus TS, la bonne façon est celle des moindres carrées ordinaires.
- Les processus DS (Differency Stationary) pour les processus non stationnaires aléatoires. Ils
constituent, pour des chroniques saisonnières ou non, les modèles de référence pour la
construction des tests de racine unitaire en l’absence d’hétéroscédasticité.
Les processus DS se sont des processus que l’on peut rendre stationnaires par l’utilisation
d’un filtre aux différences : (1 – D)d xt = β + εt
Où εt est un processus stationnaire, β une constante réelle, D l’opérateur décalage et d l’ordre
du filtre aux différences.
Il apparaît évident que les structures DS et TS jouent un rôle important dans le traitement
statistique d’une chronique. Comment choisir entre l’une ou l’autre des structures ? Les tests
de recherche de racine unitaire dans les processus générateurs tentent de répondre à cette
question.
3.1. Les tests de Dickey-Fuller simples :

Les tests de Dickey-Fuller (DF) permettent de mettre en évidence le caractère stationnaire ou
non d’une chronique par détermination d’une tendance déterministe ou stochastique.
Les modèles servant de base à la construction de ces tests sont au nombre de trois. Le principe
des tests est simple : si l’hypothèse H0 : Φ1 = 1 est retenue dans l’un des trois modèles, le
processus est alors non stationnaire.
[1] xt = Φ1 xt-1 + εt Modèle autorégressif d’ordre 1

[2] xt = Φ1 xt-1 + β + εt Modèle autorégressif avec constante
[3] xt = Φ1 xt-1 + bt + c + εt Modèle autorégressif avec tendance
Si l’hypothèse H0 est vérifiée, la chronique xt n’est pas stationnaire quel que soit le modèle
retenu.
Les principes généraux du test sont les suivants : on estime par MCO le paramètre Φ1 noté
pour les modèles [1], [2] et [3]. L’estimation des coefficients et des écarts types du
modèle par les MCO fournit t qui est analogue à la statistique de Student (rapport du
coefficient sur son écart type). Si t ≥ ttabulé, alors on accepte l’hypothèse H0 ; il existe une
racine unité, le processus n’est donc pas stationnaire.
3.2. Les tests de Dickey-Fuller Augmentés :

Dans les modèles précédents, utilisés pour les tests de Dickey-Fuller simples, le processus εt
est, par hypothèse, un bruit blanc. Or il n’y a aucune raison pour que, a priori, l’erreur soit
non corrélée ; on appelle tests de Dickey-Fuller Augmentés (ADF, 1981) la prise en compte
de cette hypothèse.
Les tests ADF sont fondés, sous l’hypothèse alternative │Φ1│< 1, sur l’estimation par MCO
des trois modèles :
94
Modèle [1] : Δxt = ρxt-1 - Φj Δxt-j+1 + εt
Modèle [2] : Δxt = ρxt-1 - Φj Δxt-j+1 + c + εt
Modèle [3] : Δxt = ρxt-1 - Φj Δxt-j+1 + bt + εt

Avec εt → i.i.d
Le test se déroule de manière similaire aux tests DF simples, seules les tables statistiques
diffèrent.
3.3. Les prolongements des tests de Dickey-Fuller : le test de Phillips et Perron (1988) :
Phillips et Perron (1988) proposent d’étendre les tests de Dickey-Fuller aux cas où les erreurs
ne sont pas indépendantes et homoscédastiques. Ceci est particulièrement intéressant dans le
cadre des séries financières qui exhibent fréquemment un effet de type ARCH. La correction
apportée par Phillips et Perron permet ainsi de prendre en compte à la fois une autocorrélation
et une éventuelle hétéroscédasticité.
Les modèles sur lesquels portent ces tests sont identiques à ceux utilisés par Dickey-Fuller. Il
est aussi nécessaire de définir un nombre de retards l (troncature de Newey-West) estimé en
fonction du nombre d’observations T, l ≈ 4 (T / 100) 2/9. Soit dans notre cas un nombre de
retards de 7.
3.4. Les résultats obtenus :

Nous avons mené le test de Dickey-Fuller Augmenté (ADF) ainsi que celui de Phillips et
Perron (PP) sur les séries de rentabilités boursières et celles des volumes échangés. Les
résultats sont résumés dans les tableaux n° 7 et 8.
On remarque que les statistiques dans les deux tests sont toujours largement inférieures aux
valeurs critiques pour les séries de rentabilités ainsi que celles des volumes. L’hypothèse nulle
est donc rejetée sans ambiguïté, quel que soit le titre étudié ainsi que pour l’indice CAC 40.
En conséquence les séries sont toutes stationnaires.
95
Tableau n° 7 : Résultats du test de stationnarité sur les rentabilités boursières
Statistique ADF2 Statistique PP

3
Modèle 1 Modèle 2 Modèle 3 Modèle 1 Modèle 2 Modèle 3
AC -18.376***4 -18.373*** -18.411*** -40.488*** -40.476*** -40.499***
AF -16.563*** -16.558*** -16.575*** -37.235*** -37.223*** -37.223***
AGF -16.834*** -16.850*** -16.880*** -40.434*** -40.438*** -40.456***
AI -19.803*** -19.788*** -19.821*** -44.946*** -44.931*** -44.952***
BNP -18.364*** -18.386*** -18.389*** -37.815*** -37.822*** -37.818***
BN -19.802*** -19.817*** -19.813*** -43.882*** -43.897*** -43.881***
CAP -17.442*** -17.447*** -17.568*** -36.688*** -36.715*** -36.752***
CA -19.234*** -19.265*** -19.296*** -41.473*** -41.499*** -41.527***
CGE -16.761*** -16.778*** -16.795*** -39.085*** -39.090*** -39.093***
CO -18.035*** -18.056*** -18..050*** -42.669*** -42.686*** -42.673***
CS -19.070*** -19.064*** -19.094*** -37.334*** -37.320*** -37.333***
DG -18.510*** -18.838*** -18.832*** -41.689*** -42.030*** -42.015***
DX -18.360*** -18.358*** -18.388*** -36.773*** -36.763*** -36.774***
EAD -17.940*** -17.94*** -17.988*** -36.785*** -36.777*** -36.797***
EF -20.546*** -20.634*** -20.655*** -48.703*** -48.850*** -48.869***
EN -17.940*** -17.935*** -18.007*** -37.037*** -37.025*** -37.066***
EX -19.330*** -19.382*** -19.424*** -36.628*** -36.619*** -36.636***
FP -19.939*** -19.395*** -19.391*** -41.938*** -41.984*** -41.974***
FTE -16.610*** -16.651*** -16.675*** -36.373*** -36.392*** -36.400***
GLE -18.982*** -19.000*** -19.030*** -37.873*** -37.878*** -37.895***
HO -18.845*** -18.841*** -18.838*** -45.391*** -45.380*** -45.366***
LG -17.740*** -17.737*** -17.750*** -40.871*** -40.859*** -40.860***
MC -17.931*** -17.926*** -17.917*** -37.310*** -37.297*** -37.325***
ML -17.091*** -17.092*** -17.109*** -39.282*** -39.275*** -39.275***
MMB -18.395*** -18.390*** -18.402*** -35.135*** -37.123*** -37.118***
MMT -18.635*** -18.635*** -18.644*** -35.501*** -37.492*** -37.489***
OR -20.360*** -20.355*** -20.349*** -45.430*** -45.414*** -45.397***
PP -17.663*** -17.684*** -17.740*** -35.181*** -37.191*** -37.230***
PUB -18.387*** -18.681*** -18.686*** -36.472*** -36.460*** -36.456***
RI -19.336*** -19.494*** -19.491*** -48.120*** -48.341*** -48.328***
RNO -18.413*** -18.419*** -18.424*** -38.014*** -38.012*** -38.004***
SAN -19.222*** -19.264*** -19.265*** -40.841*** -40.882*** -40.875***
SGO -17.391*** -17.386*** -17.418*** -40.676*** -40.663*** -40.686***
SK -18.413*** -18.415*** -18.416*** -41.122*** -41.118*** -41.107***
STM -17.535*** -17.554*** -17.551*** -37.288*** -37.295*** -37.285***
SU -19.965*** -19.961*** -20.039*** -39.421*** -39.408*** -39.497***
SZE -19.275*** -19.269*** -19.309*** -42.440*** -82.426*** -42.464***
TF1 -18.528*** -18.533*** -18.533*** -36.972*** -36.966*** -36.956***
TMM -17.223*** -17.218*** -17.215*** -36.966*** -36.954*** -36.943***
UG -18.197*** -18.195*** -18.189*** -36.966*** -39.360*** -39.347***
CAC 40 -18.341*** -19.335*** -18.405*** -37.877*** -37.864*** -37.908***
Tableau n° 8 : Résultats du test de stationnarité sur les volume

2
Les stat ADF et PP sont les valeurs de la statistique t, elles sont à comparées avec les valeurs critiques tabulées
par MacKinnon (1991), à savoir -2.5671 pour le modèle 1, -3.4376 pour le modèle 2 et -3.9693 pour le modèle 3
au seuil de 1%.
3
Modèle 1 : modèle sans constante ni tendance. Modèle 2 : modèle avec constante sans tendance. Modèle 3 :
modèle avec constante et tendance.
4 ***
indique la significativité au seuil de 1%
96
Statistique ADF Statistique PP

Modèle 1 Modèle 2 Modèle 3 Modèle 1 Modèle 2 Modèle 3
AC -27.591*** -27.582*** -27.573*** -82.084*** -82.050*** -82.015***
AF -25.186*** -25.178*** -25.173*** -71.476*** -71.445*** -71.434***
AGF -25.925*** -25.916*** -25.907*** -82.354*** -82.320*** -82.286***
AI -26.451*** -26.442*** -26.434*** -90.836*** -90.798*** -90.762***
BNP -26.359*** -26.350*** -26.341*** -83.034*** -82.999 -82.965***
BN -26.671*** -26.662*** -26.650*** -81.675*** -81.642*** -81.608***
CAP -25.809*** -25.800*** -25.792*** -75.276*** -75.245*** -75.215***
CA -26.119*** -26.111*** -26.102*** -78.734*** -78.702*** -78.669***
CGE -25.253*** -25.244*** -25.236*** -78.163*** -78.731*** -78.098***
CO -24.943*** -24.934*** -24.926*** -75.159*** -75.127*** -75.095***
CS -25.717*** -25.711*** -25.703*** -75.058*** -75.033*** -75.004***
DG -25.404*** -25.398*** -25.389*** -80.813*** -80.790*** -80.759***
DX -26.948*** -26.939*** -26.931*** -80.812*** -80.078*** -80.048***
EAD -25.456*** -25.448*** -25.442*** -72.630*** -72.603*** -72.583***
EF -27.241*** -27.233*** -27.224*** -87.462*** -78.427*** -87.391***
EN -45.897*** -25.888*** -25.880*** -78.903*** -78.891*** -78.840***
EX -24.428*** -24.420*** -24.412*** -71.724*** -71.796*** -71.770***
FP -27.233*** -27.224*** -27.215*** -77.121*** -77.088*** -77.057***
FTE -26.416*** -26.411*** -26.402*** -69.350*** -69.329*** -69.299***
GLE -26.162*** -26.154*** -26.146*** -85.214*** -85.198*** -85.143***
HO -25.789*** -25.780*** -25.772*** -81.824*** -81.790*** -81.757***
LG -25.972*** -25.964*** -25.956*** -77.023*** -76.993*** -76.961***
MC -26.554*** -26.546*** -26.537*** -82.954*** -82.920*** -82.885***
ML -26.793*** -26.784*** -26.775*** -85.005*** -84.970*** -84.933***
MMB -26.893*** -26.830*** -26.822*** -82.602*** -82.568*** -82.536***
MMT -28.406*** -28.397*** -28.388*** -83.864*** -83.833*** -83.801***
OR -25.901*** -25.893*** -25.886*** -85.665*** -85.632*** -85.806***
PP -27.117*** -27.108*** -27.099*** -81.426*** -31.891*** -81.356***
PUB -26.049*** -26.041*** -26.034*** -74.029*** -74.001*** -73.977***
RI -46.411*** -26.402*** -26.394*** -82.678*** -82.645*** -82.613***
RNO -25.182*** -25.174*** -25.166*** -76.064*** -76.035*** -76.003***
SAN -26.357*** -26.349*** -26.340*** -78.983*** -78.963*** -78.921***
SGO -25.957*** -25.948*** -25.940*** -83.030*** -82.995*** -82.961***
SK -26.863*** -26.854*** -26.846*** -83.686*** -83.651*** -83.618***
STM -26.650*** -26.341*** -26.632*** -76.686*** -76.754*** -76.721***
SU -26.566*** -26.557*** -26.548*** -81.833*** -81.798*** -81.766***
SZE -25.601*** -25.593*** -25.584*** -79.932*** -79.899*** -79.865***
TF1 -26.004*** -25.995*** -25.987*** -77.712*** -77.680*** -77.650***
TMM -25.572*** -25.564*** -25.557*** -76.846*** -74.821*** -76.797***
UG -25.068*** -25.060*** -25.052*** -79.818*** -79.784*** -79.752***
CAC 40 -25.127*** -25.120*** -25.111*** -74.301*** 74.272*** -74.240***
Nous allons à présent mettre en œuvre les tests de l’efficience des marchés financiers. Mais
nous avons vu qu’une étude préalable sur l’hétéroscédasticité des séries est nécessaire dans la
mesure où les tests sont sensibles à sa présence. Pour cette raison nous entamons la prochaine
section par l’application du test ARCH d’Engel (1982)
97
SECTION 3 : ETUDE DE L’EFFICIENCE DU MARCHE FINANCIER

FRANÇAIS
Suite à la définition de Fama (1965), nous avons affecté la théorie de l’efficience des marchés
financiers de trois degrés différents en fonction de la nature des informations : déjà connues,
présentes ou privilégiées. L’objet de cette section est de déterminer si le fonctionnement du
marché financier français est efficace au point de vue du traitement de l’information.
Dans un premier temps, on appliquera divers tests d’homoscédasticité. Ces derniers ne

constituent pas des tests d’efficience mais leur application est nécessaire dans la mesure où les
résultats des tests d’absence de corrélation sérielle dépendent fortement de la présence
d’hétéroscédasticité. Nous allons par la suite déterminer s’il existe une certaine structure de
dépendance dans les séries de rentabilités. Et enfin, nous allons mener une étude
évènementielle pour tester la forme semi forte de l’efficience.
1. Tests d’homoscédasticité :
Les séries financières sont fréquemment hétéroscédastiques dans la mesure où elles ont une
particularité d’être volatiles, c’est-à-dire qu’elles présentent une variance variable au cours du
temps. La présence d’une telle structure a d’importants impacts sur les tests économétriques
de corrélation sérielle et de marche aléatoire. Il paraît donc important de d’effectuer des tests
d’homoscédasticité sur les séries de rentabilités boursières préalablement aux divers tests
d’efficience.
Afin de tester la présence de variance conditionnelle hétéroscédastique dans les séries de

rentabilités, en envisage de mener le test présenté par Engel en 1982. Ce test a pour hypothèse
nulle l’absence d’effet ARCH (autorégressif conditionnellement hétéroscédastique). C’est-à-
dire que la série ne comporte pas d’hétéroscédasticité conditionnelle. Sous l’hypothèse
alternative la série ne présente pas un effet ARCH.
Considérons une série Yt, t =1, 2, …..,T, pouvant être modélisée sous la forme d’un modèle
ARCH(q), l’équation de la moyenne étant de type ARMA (auto regressive moving average) :
Avec α0 > 0, αi ≥ 0 pour i = 1,….. , q
La première équation correspond à l’équation de la moyenne où et sont

respectivement les polynômes retards autorégressifs et moyenne mobile dont les racines sont
conditionnellement à l’extérieur du disque unité. La seconde équation représente l’équation de
variance conditionnelle.
On test l’hypothèse nulle d’homoscédasticité suivante :
H0 : α1 = ….. = αq = 0 contre l’hypothèse alternative H1 : αi non tous nuls ce qui équivaut à la
présence d’un effet ARCH. Sous l’hypothèse nulle, la statistique calculée TR2 suit une loi khi
deux à q degrés de liberté, ou R2 et le coefficient de détermination de la régression de la série
des carrés des résidus sur une constante et sur les valeurs passées et T le nombre
d’observation.
Nous avons effectué le test ARCH en retenant pour l’équation de la moyenne de type
ARMA(p,q). Les résultats obtenus sont reportés dans le tableau n° 9.
98
Tableau n° 9 : Résultats du test ARCH
p q TR2
AC 1 1 135.748***
AF 1 2 76.816***
AGF 1 1 40.988***
AI 1 1 18.434***
BNP 3 3 107.494***
BN 1 1 48.535***
CAP 2 1 2.935
CA 1 1 85.865***
CGE 1 1 18.430***
CO 2 1 26.855***
CS 1 2 130.006***
DG 2 1 45.783***
DX 1 1 74.992***
EAD 1 2 110.087***
EF 1 1 37.398***
EN 1 1 33.504***
EX 2 2 130.319***
FP 1 1 92.621***
FTE 2 1 186.047***
GLE 2 2 95.178***
HO 2 1 81.017***
LG 1 1 73.380***
MC 1 1 170.072***
ML 2 2 49.079***
MMB 2 2 220.913***
MMT 2 1 73.611***
OR 1 1 67.154***
PP 2 1 15.881***
PUB 1 2 65.795***
RI 1 1 49.284***
RNO 2 2 35.620***
SAN 1 1 54.807***
SGO 1 1 3.605***
SK 1 1 21.835***
STM 2 1 34.846***
SU 3 2 24.256***
SZE 1 1 237.430***
TF1 2 1 34.071***
TMM 2 1 79.994***
UG 1 1 28.180***
CAC 40 2 3 150.372***
NB : *** indique le rejet de l’hypothèse nulle d’homoscédasticité au seuil de 1%
Ce test nous montre que toutes les séries de rentabilités présentent un effet de type ARCH, à
l’exception de la société Cap gémini (2.935). En d’autres termes, toutes nos séries de
rentabilités sont hétéroscédastiques. Ce résultat est important à prendre en compte dans les
tests suivants.
Nous allons à présent mettre en œuvre des tests de corrélation sérielle et de marche aléatoire
afin d’appréhender l’efficience au sens faible.
2. Les rentabilités boursières sont-elles autocorrélées ?

En accord avec la définition de l’efficience au sens faible, il est impossible de prévoir les
rentabilités futures à partir des rentabilités passées. Les tests les plus utilisés pour appréhender
cette hypothèse sont ceux de marche aléatoire et d’autocorrélation. Notre démarche consiste à
99
appliquer respectivement les tests suivants : tests d’autocorrélation, test des runs, le test de
rapport de variance et le test BDS.
2.1. Tests d’autocorrélation :

L’étude des autocorrélations est importante pour toute étude des séries financières et encore
plus importante pour l’étude de l’efficience au sens faible.
Le test de Box-Pierce (1970), appelé aussi test portemanteau, permet de tester la présence de
corrélation sérielle.
Ce test consiste à calculer la statistique suivante : où T est le nombre
d’observations de la série, q est le nombre de retards, désigne l’estimation du

coefficient d’autocorrélation d’ordre k.
Sous l’hypothèse nulle d’absence de corrélation, la statistique de Box-Pierce suit une loi de
Khi deux à q-1 degrés de liberté. Si l’hypothèse nulle est rejetée, cela signifie que les
rentabilités sont autocorrélées, ce qui jette un doute sur l’hypothèse d’efficience au sens
faible.
Ainsi que nous l’avons précédemment noté, la volatilité des séries financières, dont la
variance est un indicateur, n’est pas constante au cours du temps. Autrement dit, les séries
financières sont hétéroscédastiques. Par ailleurs, le test de Box-Pierce est très sensible à ce
phénomène. Pour cette raison, la statistique de Box-Pierce corrigée de l’hétéroscédasticité a
été introduite et est donnée par :
Où
Rk désignant la rentabilité en k (c’est-à-dire la différence première logarithmique des prix).

Cette statistique suit également une loi Khi deux à q-1 degrés de liberté sous l’hypothèse nulle
d’absence d’autocorrélation.
Puisque nous venons de constater que l’ensemble de nos séries de rentabilités présente une
hétéroscédasticité conditionnelle, il n’est donc pas nécessaire d’appliquer le test de Box-
Pierce non corrigée à l’hétéroscédasticité. Le tableau n° 10 présente les coefficients de
corrélation jusqu’à l’ordre 20 des séries de rentabilités ainsi que la statistique de Box Pierce
corrigée pour l’ordre 20 (Les coefficients de corrélation présentés dans le tableau n° 10 sont
divisés par 10-2)
100
D’après le tableau en remarque que les coefficients de corrélations sont très inférieurs à
l’unité et parfois négatifs. Ils varient entre 0 et 0.19 et ce selon le nombre de retard. Aucune
101
statistique de Box-Pierce corrigée de l’hétéroscédasticité n’est significativement différente de

0 (à l’exception de l’Oréal et Saint gobain) témoignant ainsi d’une absence de corrélation
sérielle. Il ressort donc que les séries de rentabilités sont hétéroscédastiques mais ne
présentent pas de corrélation sérielle.
Cependant il faut noter que ce résultat dépend du nombre de retards pris en compte. Nous
allons donc appliquer le test des runs afin de vérifier ces conclusions.
2.2. Test des runs :

Le test des runs est un test non paramétrique qui vise à tester le caractère aléatoire des séries
de rentabilités. Un run est défini comme une séquence d’observations successives de même
signe. Ainsi, un run positif de longueur i est constitué de i rentabilités successives positives
précédées et suivies par une rentabilité négative ou nulle. Un run négatif est défini de manière
équivalente, c’est-à-dire est constitué de i rentabilités négatives précédées et suivies par une
rentabilité positive ou nulle. Un marché financier est généralement considéré comme efficient
si le nombre des runs positifs et le nombre des runs négatifs sont approximativement égaux.
Afin de mettre en œuvre le test des runs, on commence par déterminer la série de la
manière suivante :
t = 1,… ,T et désigne la rentabilité à la date t.
Le nombre total de runs, noté H, est donné par la somme de tous les runs ht, soit :
Si =
Soient n1, n2 et n3 le nombre de rentabilités respectivement positives, nulles et négatives. On a
alors les statistiques suivantes :
Sous l’hypothèse nulle selon laquelle les rentabilités sont indépendantes, la statistique H *
définie par :
suit une loi normale centrée réduite.
Les résultats du test appliqué à l’ensemble des valeurs retenues sont reportés dans le tableau
n° 11
Tableau n° 11 : Test runs
n1 n2 n3 H E(H) V(H) H*
AC 746 17 754 803 776.19 370.68 1.392
AF 730 42 745 835 799.68 360.41 1.860
AGF 758 45 714 831 801.85 358.76 1.538
AI 771 36 710 827 792.99 361.57 1.788
102
BNP 761 42 714 835 799.02 359.78 1.896

BN 714 43 760 832 799.97 359.44 1.689
CAP 711 21 785 770 778.25 367.16 -0.022
CA 715 30 772 789 787.53 364.11 0.076
CGE 744 17 756 746 776.16 370.65 -1.566
CO 692 47 778 838 801.87 356.11 1.913
CS 751 26 740 766 784.79 366.77 -0.981
DG 733 72 712 862 826.22 350.39 1.910
DX 758 41 718 764 798.31 360.35 -1.807
EAD 755 29 733 773 787.50 365.41 -0.759
EF 745 30 742 819 788.60 365.15 1.590
EN 755 28 734 755 786.57 365.83 -1.651
EX 738 24 755 784 782.83 367.56 0.0607
FP 769 32 716 808 789.56 363.44 0.967
FTE 711 18 788 764 775.22 368.33 -0.584
GLE 762 36 719 771 793.60 362.17 -0.1370
HO 743 20 754 815 779.06 369.34 1.869
LG 750 34 733 804 792.26 363.46 0.615
MC 763 36 745 813 794.19 362.74 0.890
ML 754 27 736 786 785.67 366.29 0.017
MMB 730 24 763 772 782.57 367.30 -0.551
MMT 722 29 766 801 787.03 364.94 0.0731
OR 759 36 722 830 793.76 362.33 1.903
PP 695 43 779 784 798.34 357.86 -0.758
PUB 745 29 743 797 787.66 365.56 0.488
RI 756 47 714 836 803.73 385.1 1.705
RNO 741 35 741 787 793.28 363.16 -0.3299
SAN 741 41 735 805 798.82 360.85 0.325
SGO 7.54 30 733 793 788.47 365.01 0.237
SK 707 81 729 728 833.85 347.85 -0.528
STM 715 16 786 762 773.58 369.51 -0.602
SU 739 31 747 808 789.52 364.73 0.967
SZE 757 25 735 821 783.72 367.07 1.945
TF1 718 34 765 780 792.39 361.35 -0.6518
TMM 726 23 768 749 781.39 -67.51 -1.68
UG 739 22 756 757 780.92 368.41 -1.246
CAC40 792 0 725 784 758.02 377.27 1.337
En comparant n1 et n3, nous pouvons souligner que ces deux valeurs sont du même ordre
de grandeur pour l’ensemble des titres étudiés. Autrement dit, il existe autant de
variations positives et négatives entre deux rentabilités. La statistique de test calculée est
conforme aux attentes dans la mesure où elle est inférieure à 1.96 (seuil 5%) pour
tous les titres. L’hypothèse nulle d’indépendance des rentabilités n’est donc jamais
rejetée. Mignon (1998) met en évidence le fait que les rentabilités passées ne sont pas utiles
dans la détermination des rentabilités futures pour les indices boursiers des pays du G7.
Nous trouvons donc des résultats similaires sur données quotidiennes. En d’autres
termes, les rentabilités passées ne permettent pas de déterminer les rentabilités futures,
ce qui est en accord avec la forme faible de l’hypothèse d’efficience.
Cependant, le test de runs, s’il présente l’avantage d’être d’une grande simplicité de mise en
œuvre, souffre d’une faible puissance. Le principal inconvénient de ce test réside dans la
rigidité de la détermination de la longueur des runs. En effet, tout revirement ou toute
stagnation au sein d’une série de prix en croissance met fin au run, sans aucune considération
pour l’ampleur du revirement ni pour la durée de la stagnation.
Par conséquent, nous allons à présent appliquer un troisième test concernant l’efficience au
sens faible. Le test de rapport de variances est un des plus répandu dans ce domaine.
C’est pourquoi nous le mettons en œuvre.
103
2.3. Test de mémoire : le test de rapport de variance

Le test du rapport de variance est un test de marche aléatoire introduit par Cochrane (1988),
Lo et McKinlay (1988). Ce test exploite le fait que la variance des incréments d’un processus
de marche aléatoire est linéaire dans l’intervalle d’échantillonnage. Autrement dit, la variance
des différences qièmes de la série est égale à q fois la variance des différences premières de la
série. Lo et McKinlay ont construit une statistique de test sous l’hypothèse nulle
d’homoscédasticité des erreurs d’une part et sous l’hypothèse nulle d’hétéroscédasticité
d’autre part.
Considérons une série Xt de T observations qui suit un processus de marche aléatoire avec
dérive : Xt = Xt-1 + µ + εt
Où εt est un bruit blanc :
Une estimation convergente de la moyenne µ et de la variance σ2 est donnée par
Où
On définit ensuite la variance des différences q ièmes de Xt, sous l’hypothèse nulle de marche
aléatoire, elle est égale à q fois la variance des différences premières. Autrement dit en
divisant par la variance des différences qièmes de Xt, on obtient l’estimateur :
La moyenne des différences qièmes de Xt est alors q fois la moyenne des différences premières
de Xt.
Les estimateurs et convergent asymptotiquement vers , sont asymptotiquement
efficaces et tendent vers une loi normale. Lo et McKinlay (1988) proposent d’effectuer un
ajustement supplémentaire afin d’obtenir des estimateurs non biaisés, soit :
est l’estimateur centré non biaisé de la variance des différences premières de Xt

est l’estimateur centré non biaisé de la variance des différences qièmes de Xt.
On construit alors la statistique suivante :
Nous avons vu que ce test est développé en fonction de deux hypothèses relatives aux résidus,
selon que les erreurs sont indépendamment et identiquement distribuées (iid) d’une part et
qu’elles sont non autocorrélées mais ne suivent pas obligatoirement une loi normale et leur
variance peut varier au cours du temps d’autre part.
104
- Cas où les résidus sont iid, et suivent une loi normale

L’hypothèse nulle, H01, est la suivante : H01 : εt iid N (0, )
La statistique du test de rapport de variance M r (q) converge en probabilité vers 0 sous
l’hypothèse de marche aléatoire. Cette statistique de la distribution asymptotique suivante :
en réduisant, on obtient la statistique zt(q) :
L’hypothèse de marche aléatoire est alors testée à partir de la statistique zt (q)
- Cas où les résidus sont hétéroscédastiques mais non autocorrélés

Sous cette hypothèse, H02, la distribution de Mr (q) va dépendre de l’importance et du type
d’hétérogénéité. Cependant, en utilisant le fait que le rapport de variance peut être écrit
comme une combinaison linéaire d’autocorrélation, on a pu déterminer une distribution limite
pour Mr (q).
La statistique de test est la suivante :
où
est une estimation de la variance M r (q) et une estimation du coefficient

d’autocorrélation d’ordre j.
La statistique z2 (q) définie ci-dessus tend asymptotiquement vers une loi normale centrée et
réduite.
Comme nous venons de montrer, le test de rapport de variances dépend de la distribution des
résidus. La présence d’hétéroscédasticité dans nos séries de rentabilités nous conduit à
calculer uniquement la statistique z2 (q). Les résultats sont reportés dans le tableau n° 12
105
Le test du rapport de variance a été mis en œuvre pour diverses valeurs du paramètre de
troncature q. On a ainsi fait varier q de 2 à 1024. Ce choix d’une valeur maximale de q
importante vise à ne pas négliger la mémoire longue qui pourrait être présente dans les séries
et qui serait occultée si l’on retenait une valeur trop faible pour le paramètre de troncature.
Au regard du tableau n° 12 , on constate que les résultats du test de rapport de variances

permettent de montrer que, quelque soit le titre étudier (y compris l’indice boursier),
l’hypothèse de marche aléatoire ne peut être rejetée au seuil de 5% et cela indépendamment
106
du nombre de retards. Nous sommes donc en accord avec la théorie de l’efficience au sens
faible.
Les tests précédemment étudiés, s’ils peuvent détecter la présence d’une corrélation sérielle
ordinaire (linéaire) dans les séries de rentabilités ne nous permettent pas de déceler la
présence d’une structure de dépendance non linéaire dans les dites séries. Il paraît par
conséquent nécessaire d’appliquer des tests plus puissants afin de tenter d’obtenir des
conclusions plus tranchées. A cet égard, le test BDS présenté ci-après paraît plus puissant
dans la mesure où il est capable de déceler un grand nombre d’écarts à l’hypothèse iid des
séries de rentabilités.
2.4. Le test BDS :

Le test BDS proposé par Brock, Dechert et Scheinkman (1987) teste l’hypothèse de série
indépendante et identiquement distribuée (iid) contre une alternative non spécifiée. L’intérêt
de ce test est qu’il peut détecter des dépendances de type non linéaire dans les séries.
Le test BDS consiste à évaluer la significativité de la différence entre dispersion effective des
données et leur dispersion théorique dans le cas où elles sont iid. Si les données sont iid, il ne
doit pas y avoir de rapprochement excessif entre elles. La dispersion temporelle des données
est mesurée par l’intégrale de corrélation définie dans ce qui suit.
Soit une série , le principe du test consiste dans un premier temps à former des
vecteurs à m dimensions, appelés m-historiques, dont les composantes sont les valeurs
consécutives de la série observée :
(R1, ….,Rm), (R2,….,Rm+1),………, (RT-m,…..,RT-1), (RT-m+1,…..,RT).
Il y a ainsi T-m+1 historiques de dimension m et paires distinctes

d’historiques. L’intégrale de corrélation de dimension m et de longueur l, noté C(m, l), se
définit comme la fraction des paires distinctes d’historiques de dimension m, telle que la
distance qui les sépare est inférieure à l :
Avec une fonction indicatrice qui est égale à 1 si < 1 et 0 sinon.

Brock, Dechert et Scheinkman (1987) montrent que sous l’hypothèse nulle de la série iid,
l’intégrale de corrélation de dimension m est égale à la puissance m de l’intégrale de
corrélation de dimension 1 ( avec une probabilité 1 quand ) pour
n’importe quelle valeur fixée de m et l et l’expression :
tend vers une loi normale de moyenne nulle et de variance :
Où
C = C (1, l)
K = K (l) =
Et F ( . ) est la fonction de distribution cumulée de yt
La statistique BDS est alors donnée par :
107
Où est une estimation convergente de . Pour m ≥ 2 et l ≥ 0, la statistique BDS suit

asymptotiquement une loi normale centrée réduite. On sera alors amené à rejeter l’hypothèse
nulle d’indépendance et de distribution identique d’une série si la statistique de test excède les
valeurs critiques tabulées par la loi normale centrée réduite.
L’application du test BDS, nécessite au préalable la détermination de la valeur de l. Brock,

Hsieh et LeBaron ont réalisé de nombreuses simulations pour déterminer les valeurs de l et m
qui maximisent la puissance du test. Ils proposent de choisir l tel que < < 2 (où σ est
l’écart type de la série étudiée) et m tel que > 200.

Les résultats de l’application du test BDS sur les séries de rentabilités sont regroupés dans le
tableau figurant dans l’annexe n° 13 pour différentes valeurs de l et pour m allant de 1 à 7.
La conclusion que l’on peut tirer de ce test est valables pour toutes les séries de rentabilités :
L’hypothèse d’indépendance des rentabilités est clairement acceptée.
L’objet de cette section était de tester l’existence d’une certaine structure de dépendance dans
les rentabilités quotidiennes des titres cotés au CAC 40. A cette fin, nous avons appliqué les
tests de Box-Pierce corrigé de l’hétéroscédasticité, le test des runs, le test de rapport de
variances ainsi que le test BDS. Les quatre tests montrent que, pour l’ensemble des
entreprises retenues ainsi que pour l’indice boursier, les rentabilités passées ne permettent pas
de déterminer les rentabilités futures, ce qui est en accord avec l’hypothèse d’efficience au
sens faibles. Cette analyse va être prolongée dans le sens d’une étude de l’efficience semi-
forte qui consisterait à étudier et quantifier l’impact des informations publiques sur les cours
boursiers.
3. Impact des informations publiques sur la Bourse de Paris :

Selon la forme semi-forte de la théorie de l’efficience informationnelle des marchés
financiers, l’ensemble des informations disponibles relatives à un titre est reflété dans le prix
de cet actif au moment où l’information est rendue publique. Il n’existe donc aucun décalage
entre l’instant où l’information est publiée et le moment où celle-ci est reflétée dans le prix.
Bien que différentes méthodes puissent être utilisées pour évaluer l’impact d’une annonce sur
le cours boursier, la méthodologie des événements suit toujours la même démarche. En effet,
qu’il s’agisse de mesurer l’impact de l’annonce d’un dividende ou de celle des résultats
annuels, la méthode consiste à mesurer les rentabilités anormales autour de la date d’annonce
et d’observer son évolution.
Aussi, c’est cette démarche qui sera suivie ici pour mesurer la réaction du marché boursier
français à l’annonce des dividendes.
3.1. L’identification de l’événement :

La spécification de l’événement constitue un élément important pour la précision des
résultats, cette étape permet en effet d’éviter des biais importants au niveau des résultats.
L’événement étudié ici est l’annonce des dividendes.
3.2. L’identification de la date d’annonce :
108
Plusieurs possibilités existent quant au choix de la date autour de laquelle seront identifiées
les éventuelles réactions du marché : la date de proposition par le conseil d’administration
auquel cas, ceci signifierait que les actionnaires (petits porteurs) sont parfaitement informés,
la date d’AGO publiée au BALO (Bulletin d’Annonces Légales et Obligatoires) ratifiant le
choix ou encore la date de détachement du coupon. Il nous a semblé judicieux d’utiliser la
première date à laquelle l’opération a été envisagée.
3.3. La détermination des périodes d’étude :

La période d’estimation qui sert pour le calcul de la norme, s’étend sur 12 mois avant la date
d’annonce. L’utilisation d’une période de 12 mois, sur des données quotidiennes, se justifie
pour le calcul du Bêta. Ce dernier est en effet plus stable lorsqu’il est calculé sur des données
journalières sur une période longue.
La fenêtre d’événement sera constituée de 41 jours c’est-à-dire 20 jours avant et 20 jours

après la date d’annonce. Il ne nous a pas semblé utile de choisir une fenêtre trop grande car si
le marché est efficient, l’information est censée être assimilée rapidement. De plus, le choix
d’une fenêtre d’événement trop large augmente le risque de superposition d’autres
informations dont les effets ne pourraient être isolés de l’événement étudié. Les coefficients
alpha et bêta (du modèle de marché) restent ainsi plus proche de la réalité. Parallèlement le
choix d’une fenêtre plus courte risquait de ne pas nous permettre de mesurer la totalité de
l’impact.
3.4. Le choix de la méthodologie :

Disposant des informations essentielles quant à l’évolution des cours, ainsi celles relatives à la
distribution de dividende en actions, il nous appartient de choisir une méthode qui puisse
mettre en évidence une éventuelle variation des cours boursiers autour de la date d’annonce
de proposition de versement du dividende.
Il s’agit en effet d’identifier, autour de cette date, une rentabilité « anormale », en d’autres
termes, non expliquée par le marché. Le problème réside ici dans le choix des éléments qui
mettront en évidence, si elle existe, cette rentabilité anormale.
Ainsi, à partir du modèle de marché, nous tenterons d’isoler ce qu’il reste à expliquer dans les
variations des titres par rapport à celles du marché. Notre analyse sera donc fondée sur les
résidus existant entre rentabilité des actifs et rentabilité de marché.
3.5. Présentation de l’échantillon :

Au total, nous avons retenu 40 distributions de dividendes parmi celles effectuées en France
sur la période 2000-2006. Le tableau ci-après présente les sociétés de notre échantillon :
Tableau n° 13 : Les sociétés de l’échantillon
Société Date t05 Société Date t0

AC 2-6-2003 HO 2-6-2003
AF 27-6-2003 LG 2-6-2003
AGF 27-5-2003 MC 28-5-2003
AI 21-5-2003 ML 20-5-2003
BNP 12-6-2003 MMB 20-5-2003
5
La date t0 est la date d’annonce de distribution de dividendes
109
BN 6-5-2003 MMT 27-5-2003

CAP 26-4-2002 OR 5-5-2003
CA 17-4-2003 PP 6-6-2003
CGE 22-4-2002 PUB 3-7-2003
CO 10-6-2003 RI 14-1-2003
CS 7-5-2003 RNO 15-5-2003
DG 27-6-2003 SAN 22-4-2003
DX 13-6-2003 SGO 23-6-2003
EAD 12-5-2003 SK 2-6-2003
EF 20-5-2003 STM 22-4-2003
EN 30-4-2003 SU 20-5-2003
EX 13-5-2003 SZE 2-5-2003
FP 16-5-2003 TF1 28-4-2003
FTE 4-6-2002 TMM 3-6-2003
GLE 22-4-2003 UG 4-6-2003
Il faut noter que nous avons utilisé l’indice CAC 40 pour refléter correctement l’évolution du
marché.
3.6. Le modèle de marché :

Comme nous l’avons décrit au premier chapitre, l’utilisation du modèle de marché 6 dans une
étude d’événement consiste dans un premier temps à réaliser une régression afin d’obtenir les
estimations des paramètres du modèle, c’est à dire β et α pour chaque titre.
Rappelons ici le fondement du modèle de marché :

Soit :
Rit : le taux de rendement anticipé pour le titre i pour la période t
Rmt : le taux de rendement anticipé pour le marché pour la période t
t є [1,N]
Les anticipations peuvent être représentées par un nuage de points dans le plan RitRmt.
Par ce nuage de points, on peut faire passer une droite de régression ou d’ajustement linéaire.
Son équation est :
Ri = αi + βi Rm
En suivant la méthode des moindres carrées, on obtient pour les coefficients αi et βi les
valeurs suivantes :
Pente de la droite :
Et :
Alors :
Ei sera estimée par Ri, moyenne des Rit observés
Em sera estimée par Rm, moyenne des Rmt observés
V (Ri) sera estimée par
V (Rm) sera estimée par
6
nous avons donc admis les hypothèses sous jacentes
110
Et Cov (Ri, Rm) sera estimée par

A partir de ces valeurs, on peut calculer les valeurs estimées de αi et βi
βi est estimé par
αi est estimé par ai = Ri – bi Rm
Une fois les paramètres obtenus, il est possible de calculer les rentabilités anormales, RAit.
3.7. Etude de l’échantillon :

L’objectif est de calculer les rentabilités anormales moyennes cumulées (RAMc) pour
l’ensemble de l’échantillon afin de trouver et d’interpréter un mouvement général de variation
de cours au moment de l’annonce de distribution de dividende.
Les coefficients de régression α et β ont été estimés selon les formules énoncées ci-dessus. Ils
permettent d’obtenir les RAit estimées sur la fenêtre d’événement.
Le tableau n° 14 reprend les résultats obtenus par entreprise, pour l’estimation des paramètres
du modèle.
Tableau n° 14 : Estimation des α et β pour chaque titre de l’échantillon
Société α β Société α β
AC 0.000136 1.0603 HO 4.37 10-5 0.8307
AF 0.00024 1.3181 LG -0.000159 1.1073
AGF 0.000235 1.3827 MC 0.000488 1.2578
AI -2.5 10-5 1.0127 ML 0.000568 0.9683
BNP 0.000388 1.3559 MMB 0.000556 1.0646
BN -7.28 10-6 0.5515 MMT -0.000272 0.9652
CAP -0.000652 1.8115 OR 0.000235 1.0115
CA -0.00042 1.8115 PP -0.000430 1.2235
CGE -0.000454 2.1730 PUB 0.000114 1.3804
CO -0.000348 0.7148 RI 0.000811 0.3443
CS 4.14 10-5 1.9252 RNO 0.001004 1.1208
DG 0.000892 0.4216 SAN -0.000151 0.9734
DX 0.000505 0.9944 SGO 0.000351 1.2294
EAD 0.000109 1.3846 SK 0.000638 0.4064
EF 0.000825 0.3953 STM -0.000617 1.6524
EN 5.06 10-5 1.0978 SU 0.000408 0.7892
EX -0.000684 1.6706 SZE -0.000396 1.6397
FP 0.00026 0.9041 TF1 0.000222 1.2522
FTE -0.000591 1.6920 TMM -0.000219 1.4801
GLE 0.000589 1.4374 UG 0.00016 0.9661
D’après le tableau en remarque que la plupart des titres (65%) présentent une sensibilité
supérieure à 1. Ce qui signifie que ce sont des titres offensifs, quand le taux de rendement du
marché augmente d’un point, le taux de rendement des titres augmente de plus d’un point, et
inversement, ces titres amplifient les mouvements du marché. Le reste des titres possèdent des
coefficients β inférieurs à l’unité, ce qui signifie qu’ils sont des titres défensifs qui atténuent
les fluctuations du marché.
Une fois les paramètres obtenus, il donc possible de calculer les rentabilités anormales, RA it,
puis les rentabilités anormales moyennes, RAMt :
111
D’après le graphique n° 7, on remarque les RA it sont relativement variables puisqu’elles

fluctuent entre -0.0033 et 0.0053.
La méthodologie consiste ensuite à cumuler la moyenne des résidus afin de mesurer l’effet
global de l’événement et de constater son évolution.
Le graphique n° 8 montre que l’annonce de distribution de dividendes à un effet positif sur les
cours de bourse, on observe, en effet, une hausse jusqu’à T = 1. Mais, les cours ne se
stabilisent pas après l’annonce, donc l’information n’est pas instantanément intégrée dans les
prix.
Notre méthodologie consiste ensuite à réaliser un test moyen afin de déterminer si la

rentabilité anormale moyenne obtenue est significativement différente de 0 à la date
d’annonce. On test donc l’hypothèse H0 selon laquelle il y a absence de rentabilité anormale
moyenne à la date de l’annonce.
L’utilisation du modèle de marché pour estimer les rentabilités anormales suppose l’utilisation
d’un test de Student à N-1 degrés de liberté.
112
~ tN-1
Puisque dans notre étude le nombre de degré de liberté est supérieur à 30, la règle du « Two t
rule of thumb » indique que si le t Student calculé est supérieur à 2 ou inférieur à -2, on peut
rejeter l’hypothèse H0 au risque de première espèce de 5%. C’est à dire qu’on rejette
l’hypothèse selon laquelle RAMt = 0.
Bien que le test de Student montre, qu’en ce qui concerne l’effet moyen cumulé, les résultats
sont significatifs au moment de l’annonce ( t RAMc = 6.651 > 2), il faut noter la non
significativité qui concerne le RAMt obtenu en T = 0 (1.235 < 2). L’information semble être
intégrée sur une période relativement longue.
Le dernier problème évoqué concerne la hausse observée autour du 6 ème jour après l’annonce.
Normalement, la courbe des RAMc devrait se stabiliser après l’événement si on considère que
toute l’information est intégrée rapidement et complètement dans les cours et que seule
l’arrivée d’une nouvelle information peut entraîner des nouvelles variations de cours. Après
consultation des différents résultats obtenus sur les titres individuels, nous n’avons pas détecté
de raison à ce phénomène temporaire.
Après l’application des études événementielles, on parvient à la conclusion suivante : Le

marché boursier français n’est pas efficient au sens semi fort.
113
SECTION 4 : ETUDE DU COMPORTEMENT MIMETIQUE DES

INVESTISSEURS
Nous avons essayé, dans le deuxième chapitre de comprendre les mécanismes de la

construction des phénomènes mimétiques sur les marchés. Nous voulons, maintenant,
confronter les modélisations avec la réalité des données. Hélas, la littérature empirique sur le
sujet reste symbolique et nous manquons de références dans la construction de nos tests. Il
reste indéniable que nous devons manipuler deux types de variables.
Dès lors, deux variables seront retenues pour mener notre analyse empirique sur le mimétisme
à savoir le volume d’échange et les prix. D’ailleurs, il s’agit des seules variables quantifiables
en relation avec le comportement du suivisme.
En premier lieu, nous allons tester le comportement mimétique à l’aide des tests traditionnels
de corrélation. En deuxième lieu, nous étudions la relation prix-volume au moyen de
techniques économétriques, à savoir : le test de corrélation prix-volume, les tests de causalité
et les tests de corrélation volatilité-volume.
1. Les tests de corrélation :

L’étude des corrélations est importante pour toute étude des séries financières et est encore
plus importante pour l’étude du phénomène de mimétisme. En effet, comme on l’a vu au
deuxième chapitre, le comportement mimétique mené par certains investisseurs peut être à
l’origine de la corrélation observée au niveau des rendements boursiers.
La cross-autocorrélation des rendements et des volumes a été bien documentée dans la

littérature financière, cependant l’identification de ses sources reste un problème. Chan (1993)
a introduit l’imparfaite information sur les signaux relatifs aux différents titres comme
explication de la cross-autocorrélation des rendements des titres. Cipriani et Guarino (2001)
ont démontré le rôle des phénomènes de mimétisme et de contagion dans l’explication de la
corrélation des rendements des différents titres.
L’annexe n° 9 représente la cross-corrélation entre les rendements des titres composant le

portefeuille.
On remarque que les rentabilités des différents titres sont positivement corrélées. Cependant
la corrélation reste faible (que 6% des titres représentent des corrélations supérieures à 0.5).
La corrélation la plus élevée est 0.743 entre la société générale et BNP Paribas. Ce résultat est
logique car les deux titres appartiennent au même secteur.
La corrélation positive entre les différents titres peut être interprétée comme une évidence de
l’existence d’un phénomène de contagion entre les différents titres. Un Krach boursier au
niveau d’un titre est transmis aux autres titres. Cette constatation a été confirmée par
plusieurs études qui ont conclu à la transmission d’un Krach d’un titre à un autre, d’un secteur
à un autre ou d’un marché à un autre.
Tout comme les séries de rendement, une étude d’autocorrélation a été menée sur les séries de
volumes. L’étude de l’autocorrélation des volumes échangés est sans doute importante pour
statuer sur l’existence du comportement mimétique. En effet, plusieurs études tel que Blume,
Easly et Ohara (1992) se sont intéressés à l’étude du rôle informatif des volumes échangés.
Un volume inhabituel peut transmettre une information en faveur ou en défaveur du titre
114
échangé. Cet acte sera alors suivi par les autres investisseurs et on assiste à une
autocorrélation au niveau des volumes.
Les coefficients de corrélation jusqu’à l’ordre de 20 sont présentés dans le tableau n° 15
Tableau n° 15 : Les coefficients de corrélation des volumes

ρ(1)7 ρ(2) ρ(3) ρ(4) ρ(5) ρ(6) ρ(7) ρ(8) ρ(9) ρ(10) ρ(11) ρ(12) ρ(13) ρ(14) ρ(15) ρ(16) ρ(17) ρ(18) ρ(19) ρ(20)
AC -37.7 -9.2 -0.8 -2.3 0.7 0.2 3 -4.1 -3.7 6.2 -2.4 -1 1.9 -3.5 3.9 -3.1 5.1 -4.2 -2.6 4.2
AF -33 -11 -1.2 -0.9 0.8 -1.9 1 -1.9 -2.3 1.3 4.6 -6.2 1.4 4 -4.5 0.8 3.2 -4.1 -1.4 4.5
AGF -40.3 -5.1 -2.1 -6.1 4.1 -1.5 -0.8 -0.8 -4.1 5.2 -2.3 -1.5 -1 1.8 0.4 2.7 -0.3 -3 -0.2 3.1
AI -43.1 -4.7 0.3 -2.7 5.3 -5.1 2.6 -3.6 -0.6 5.5 -4.6 1.8 -0.9 -0.6 1.3 -0.8 4.5 -7.6 -1 7
BNP -39.4 -8.7 -1.2 0.8 3.1 -0.4 -0.8 -5.2 0.2 6 -2.5 -3.5 0.2 1.6 0.6 1.5 -2.2 -3.2 3.3 5.5
BN -38.0 -9.8 3.2 -3.6 -0.6 2.6 -2.9 -2.9 0.7 6.4 -4.5 2.4 -4.1 2.2 -0.8 -0.4 3.8 -3.5 -5.8 8
CAP -33.3 -14.8 1.2 -4.3 8.1 -4.5 1.4 -6.4 -2.5 8.1 0.8 -1.4 -6.7 0.1 8.1 -0.3 -0.9 -5.2 -2 10.5
CA -36.7 -8.2 -3 -0.9 3.3 0.1 -3.9 -1 -1.6 7.3 -2.1 -3.2 -3.4 0.8 3.6 0.9 0 -0.2 -7.9 12.2
CGE -35.9 -9.4 -4.7 -2.7 13.6 -6.5 -5.2 0.5 -2.6 7 -6 4.6 -4.6 -0.4 6.3 -1.1 -3.3 0.5 -0.4 2.3
CO -33.8 -11.6 -1.3 -0.6 4 -7 1.3 -2 -1.1 3.9 -2.4 1.3 -1.8 -0.2 3.6 -1.7 2.2 -4.7 2.9 2.6
CS -34.1 -9 -3.6 -5.9 9.6 -2.6 -4 -3.8 1.7 6.7 -1.7 -4.1 -1.1 1 2.7 3.6 -2.1 6.2 0.6 5.2
DG -38.3 -9.2 -0.6 0 4.5 -4 -0.5 -3.5 -2.3 6.6 -2.3 -0.8 1.1 -0.8 0.8 -0.5 -0.3 0.7 -0.6 2.1
DX -36.4 -9.8 -1.6 -0.6 0.4 0.4 -0.2 -0.9 -2.1 4.3 -0.5 -1.7 -3.8 -1 4.2 2.9 -2.8 -1.9 2.8 1.1
EAD -34.5 -5.8 -5.6 -2.3 2.9 -2 1.2 -2.6 -7.3 10.4 -1.6 -2.4 -3.1 1.1 4.5 -2.2 0.2 -3.1 -0.4 4.1
EF -41 -4.9 -3.4 2.8 -3.4 2.2 -2 1.1 -4 5.9 -4.7 1.1 0.7 1.8 -4 3.3 0.7 -2.1 0.5 3.4
EN -36.8 -7.5 -4.5 0.3 3.7 -1.9 -3 0.7 -3 5.6 -0.6 -4.6 -1.4 2.1 2.1 -1..6 1.4 0.3 -1.4 4
EX -34.9 -6.8 -3.8 -1.9 5 -3.5 -0.4 -2.3 -1.6 3.1 0.2 -2.7 -5.6 3.9 5.4 -0.7 -1.3 -1.8 -2.4 6.4
FP -35.7 -11.3 -2.4 0.7 1.5 3.9 -1 -7.5 -2.8 -8.8 -1.5 -2.7 -1 1 1.8 0.6 -2.3 -1.9 -1.6 9.2
FTE -29.1 -13.9 -3.5 -2.9 2.1 -1.3 -3.4 -1.9 -1.7 5.2 -5.6 1.2 -2.2 -2 5.2 -0.4 -1.2 -3 -1.9 4.6
GLE -40.9 -4.6 -5 -2.6 1.7 -6 -3.6 1.9 -3.7 7.4 -2.5 -2.9 -2.4 4.9 -5 -1.1 0 -1 -0.4 7.2
HO -39.8 -5.6 -3 3.1 -2 -0.7 -6 -1.9 2.7 -2.4 0.8 1.4 -3.8 1.1 1.3 -0.6 1.8 -2.2 -0.8 3.3
LG -35.8 -10.3 -1.6 -1 3.6 -2.6 3 -5.8 -3.3 6.5 -2.9 2.6 -4.1 1.4 1.7 1.8 -3.6 -1.8 -1.9 8.4
MC -38.9 -7.8 -1.2 -2.5 -5.4 -1.8 -1.6 -0.8 -2.8 5.6 -2.2 -0.2 -1.3 0 2.9 -0.1 -0.1 -5.8 -3 6.9
ML -39.9 -4.8 -2.8 -3.1 4.1 -1.2 -3.3 2.4 0.1 -2.1 0.8 1.6 -3.5 -1.1 5.1 -4.9 5.7 -3.3 -0.1 -1.1
MMB -39 -6.7 -2.1 -3.3 -6 -0.2 -3 -3.5 1 4.5 -4.3 2.7 -2.8 -1.2 2.5 2.7 0.7 -5.4 1.2 6.5
MMT -37.2 -7.3 -6.2 -2.7 6.7 -2.2 2.1 0.7 -4 -2.9 5.3 -3.2 2 -2.5 2.3 -4.1 4.9 -0.6 1.8 1
OR -42.3 -2.2 -5.3 3.7 -0.5 1.3 -4.9 -1.8 -0.4 6.9 -3.7 -0.1 -1.6 0.4 2.6 0.7 -1.1 -3.6 -1.6 6.8
PP -36.7 -10.5 -4.9 5.5 -0.6 0.1 -0.5 -0.6 -4.8 3.9 -1.3 -0.1 4.2 -5.2 3.2 -0.4 -1.3 -4 4.8 0.2
PUB -33.3 -15 2.6 -3.7 4.2 0.4 -1.7 -2.5 -3.1 5.6 -2.5 -2.2 0.1 -1.6 5 3 -3.3 -1.6 -2 -1.9
RI -37.1 -10.3 -4.5 3.5 3.9 -4.3 -0.2 -2.3 -1 3.7 1.4 -3.5 0.5 -2.9 4.5 -1.6 5.4 -5.5 -3.1 5.6
RNO -35.4 -11.6 0.9 -1 2.6 -2.9 0.4 -6.3 3.5 1.3 -2.9 2.9 -2.7 -3.7 7.7 1.5 -5 -0.9 0 3.5
SAN -37.6 -6.6 -3.3 -0.7 1.3 0.4 -0.5 -1.9 -2 4.9 -2.1 2.8 -0.4 -2.5 7.7 -1.5 -0.3 -3 -0.4 1
SGO -38.5 -8.7 -0.5 1 0.4 -2.1 -2 0.4 1.2 0.4 -2.9 4.6 0.5 4.5 -1.9 2.4 1.7 0 -4.2 8.2
SK -39.7 -6.3 -3.9 2.4 -0.2 1.8 -3.3 3 -5.9 2.4 2 -5.1 4.2 -2.2 -1.7 1.5 2.8 -3.8 5.1 -4
STM -34.7 -8.8 -6.2 -1.4 6.1 -2.3 1.4 -5.5 -2 9.7 -2.7 -2.7 -3 -2.2 5.8 -2.1 -4.1 -0.1 -1.3 10.3
SU -38.3 -8 -2.5 -0.3 3.4 -1.2 -1.4 2.3 -4.6 2.2 -0.3 -5.2 3.7 -7 6.2 0.6 -0.3 -4.6 0.3 3.4
SZE -37.8 -8.5 -2.3 -0.3 5.4 -1.5 -5.5 -0.2 -1.2 5 2.4 -6.6 1.7 -4.4 7.1 0.6 -0.2 -7.6 0.6 3.2
TF1 -35.4 -9.9 -2.6 -0.9 3.7 -3.9 1 1.1 -4.2 3.9 0.5 1.6 -6.2 -3.1 11 -5.2 -2.4 -0.2 1.9 2.5
TMM -37.7 -3.6 0.5 -5.4 3.4 -1 -0.2 -3.3 -0.8 4.8 -2.2 -2.9 4.6 -5.5 2.5 4.2 -6 -0.6 -0.4 6.4
UG -36.7 -12 1.3 -1.2 6.3 -6.6 1.1 -5.1 0 8.4 -6.1 -1.5 2.7 -2.9 7.5 -3.7 -2.9 0.1 -1.5 4.9
CAC40 -33.9 -12.6 -1.6 5.5 14.6 -5.1 -3.4 -5.2 -2.9 15.2 -6.1 -4.5 -3.8 -2 13 -0.6 -4 -5.7 -2.5 15
D’après le tableau en remarque une forte autocorrélation surtout au retard 1, mais qui est
négative. Ce résultat met en doute sur la présence d’un comportement mimétique, car selon
Hirshleifer, Subrahmanyam et Titman (1994) le volume échangé par les investisseurs mal
informés à la date t est positivement corrélé avec le volume échangé par les investisseurs bien
informés à la date t-1.
Comme pour les rendements, nous avons étudié la matrice de corrélation des volumes, les
résultats sont reportés dans l’annexe n° 15.
On constate des corrélations positives entre les titres. Cependant les coefficients sont faibles
(99% des coefficients sont inférieurs à 50%) et varies entre 0.038 et 0.613. Ce dernier est
enregistré (tout comme pour les rendements) entre la société générale et BNP Paribas qui
appartiennent au même secteur à savoir le secteur bancaire. Les faibles corrélations entre les
titres appartenant à des secteurs différents favorisent les stratégies de diversification des
portefeuilles pour diminuer les risques.
7
Les coefficients de corrélation présentés dans le tableau n° sont divisés par 10-2
115
Le test de corrélation n’est pas suffisant pour affirmer l’existence d’un comportement
mimétique, pour cette raison en fait recours à d’autres tests économétriques d’une plus
grande puissance.
2. La corrélation prix-volume :
Plusieurs articles présentent des tests de dépendance simple entre le volume et les variations
de prix. On peut notamment citer Epps et Epps (1976). D’autres articles testent la dépendance
entre le volume et la valeur absolue des variations des prix. Enfin, une troisième série
d’articles montre une corrélation positive entre le volume est le carré des variations des prix,
comme Clark (1973). Dans tous les cas, les auteurs trouvent des corrélations positives entre
les grandeurs testées.
Lee et Roy (2002) ont examiné la relation contemporaine ainsi que la relation dynamique
entre le rendement et le volume pour étudier le phénomène de contagion (spill over) sur les
marchés domestiques et ainsi qu’entre les marchés internationaux.
Pour étudier la relation contemporaine entre le rendement et le volume, ils ont estimé le
système suivant :
Rt = a0 + a1 Vt + a2 Vt-1 + a3 Rt-1 + et
Vt = b0 + b1 Rt + b2 Vt-1 + b3 Vt-2 + µt
Avec : Vt le volume échangé à la date t et Rt le rendement à la date t.
Nous avons estimé ce système pour notre échantillon, les résultats sont reportés dans le
tableau n° 16
116
117
On remarque que pour 18 entreprises (45% de notre échantillon) les coefficients a 1, a2, a 3 et b1
ne sont pas significatifs, ce qui signifie que le cours en t n’est pas expliqué ni par le volume
en t, ni le volume retardé ni par cours retardé (résultat déjà conclu dans la section précédente).
Pour le reste de l’échantillon, on remarque une relation contemporaine positive (dans la
plupart des cas) entre le rendement et le volume échangé (coefficients a 1 et b1 significatifs).
Pour ces titres (la plupart), le rendement n’est pas expliqué par le volume retardé d’une
période.
Le volume échangé est expliqué par le volume passé (retardé d’une ou de deux périodes) pour
tous les titres (à l’exception de Carrefour). Un volume élevé pendant une période est donc
suivi par une augmentation du volume échangé durant les périodes suivantes. Ce résultat
confirme la proposition de Hirshleifer, Subrahmanyam et Titman (1994) qui affirme que le
volume échangé par les investisseurs non informés (suiveurs) à une période est positivement
corrélé avec le volume échangé par les investisseurs informés (meneurs) pendant la période
précédente.
Pour l’indice CAC 40, le seul coefficient significatif est b 3, donc seul le volume retardé de
deux périodes qui peut expliquer le volume d’échange. Donc il n’existe pas une relation
contemporaine entre le rendement et le volume d’échange.
Les résultats ne sont pas identiques pour les différents titres, certains éprouvent l’existence
d’un comportement imitatif et d’autre non. Pour cela, nous avons envisagé de mener un test
de causalité qui met en évidence la relation dynamique entre le rendement et le volume.
3. Test de causalité prix-volume :

Comme on l’a vu au chapitre précédent, dans le modèle mimétique à deux signaux, les agents
à faible qualité d’information ne suivent pas aveuglement le meneur. En effet, ils exigent à
celui-ci une certaine qualité du signal pour l’imiter (seuil mimétique). Pour manifester sa
compétence, le meneur a alors intérêt à bluffer. Plusieurs manières de bluffer sont évoquées ;
la seule qui semble quantifiable est celle qui s’appuie sur des volumes anormaux de
transactions. Nous postulons, en effet, que le bluffeur incite le suiveur à l’imiter au moyen
d’ordres artificiellement gonflés ou, au contraire, volontairement et discrètement scindés.
Cette technique ne présente d’intérêt que si le volume influence significativement le cours.
Les tests les plus généraux, capables de mesurer ce type d’influence sont les tests de causalité.
3.1. Principe du test de causalité au sens de Granger :

Le test de causalité au sens de Granger est un test de causalité linéaire. Selon Granger (1969),
pour détecter la relation de causalité entre deux variables X t et Yt, il faut tester l’hypothèse
nulle H0 :
Contre l’hypothèse alternative H1 :
L’hypothèse nulle H0 désigne que Xt ne cause pas Yt. Si H0 est rejetée, alors Xt cause Yt au
sens de Granger. Ceci signifie que la prédictibilité de la série Y t est améliorée lorsque les
informations courantes et passées relatives à Xt sont incorporées dans l’analyse.
La statistique du test de causalité est la suivante :
118
Où :
SCRr : somme des carrés des résidus du modèle contraint
SCRu : somme des carrés des résidus du modèle non contraint
P : nombre de retards
n : nombre d’observations
k : nombre de variables indépendantes.
Sous H0 on a F suit une loi de Fisher ; donc F doit être comparée à F* (k, n-k-1). Lorsque
F>F*, on rejette l’hypothèse nulle et on accepte donc la causalité entre les deux variables.
3.2. Application du test de causalité :

Après avoir présenté le principe du test de causalité, il est opportun d’appliquer ce test sur le
couple prix-volume en vue de statuer sur la présence d’une relation de causalité entre ces deux
variables. Les résultats du test appliqué sur les données du marché boursier français, pour des
retards 4, 8 et 12, sont présentés dans le tableau n° 17:
Tableau n° 17 : Résultats du test de causalité sur le couple cours – volume
e=4 e=8 e = 12
Hypothèse nulle H0
F-statistic probabilité F-statistic probabilité F-statistic probabilité
AC : Le volume ne cause pas le cours 0.526 0.716 0.287 0.970 0.645 0.804
Le cours ne cause pas le volume 1.948 0.099 1.159 0.320 0.955 0.489
AF: Le volume ne cause pas le cours 0.015 0.958 0.329 0.955 0.309 0.988
AGF: Le volume ne cause pas le cours 1.700 0.147 0.890 0.523 0.918 0.526
AI: Le volume ne cause pas le cours 2.333 0.053 1.707 0.092 1.520 0.109
BNP: Le volume ne cause pas le cours 0.313 0.868 0.702 0.689 0.945 0.499
BN: Le volume ne cause pas le cours 6.415** 4.1e-5 3.202** 0.001 2.635 0.001
CAP: Le volume ne cause pas le cours 0.781 0.537 0.573 0.800 0.501 0.915
CA: Le volume ne cause pas le cours 1.694 0.148 2.593 0.008 2.180 0.010
CGE: Le volume ne cause pas le cours 1.154 0.329 1.289 0.244 1.198 0.278
CO: Le volume ne cause pas le cours 2.570 0.036 1.418 0.183 1.397 0.159
CS: Le volume ne cause pas le cours 0.926 0.447 1.368 0.205 1.465 0.130
Le cours ne cause pas le volume 4.766* 0.0008 3.256** 0.001 2.893 0.0005
DG: Le volume ne cause pas le cours 1.635 0.162 1.213 0.287 1.057 0.393
DX: Le volume ne cause pas le cours 0.313 0.869 0.558 0.812 0.599 0.843
EAD: Le volume ne cause pas le cours 0.476 0.752 0.999 0.434 1.146 0.317
EF: Le volume ne cause pas le cours 0.976 0.419 1.532 0.141 1.486 0.122
EN: Le volume ne cause pas le cours 1.301 0.267 0.931 0.489 2.179 0.010
EX: Le volume ne cause pas le cours 4.225** 0.002 2.612 0.007 2.083 0.015
Le cours ne cause pas le volume 3.668** 0.005 2.925 0.003 2.794 0.0008
FP: Le volume ne cause pas le cours 0.531 0.712 0.634 0.748 0.746 0.706
FTE: Le volume ne cause pas le cours 1.619 0.166 1.352 0.212 1.117 0.340
119
GLE: Le volume ne cause pas le cours 0.167 0.955 0.221 0.987 0.245 0.995
HO: Le volume ne cause pas le cours 2.218 0.064 1.990 0.044 2.526 0.026
Le cours ne cause pas le volume 3.272** 0.011 1.878 0.059 1.571 0.093
LG: Le volume ne cause pas le cours 0.696 0.594 0.935 0.486 1.049 0.399
MC: Le volume ne cause pas le cours 0.429 0.787 1.061 0.387 0.890 0.556
Le cours ne cause pas le volume 5.928* 9.9e-5 3.538** 0.0004 2.491 0.003
ML: Le volume ne cause pas le cours 0.579 0.677 0.413 0.913 0.405 0.962
MMB: Le volume ne cause pas le cours 3.242** 0.011 1.447 0.172 1.698 0.061
MMT: Le volume ne cause pas le cours 2.768 0.026 0.464 0.881 0.353 0.978
OR: Le volume ne cause pas le cours 2.768 0.026 1.636 0.109 1.622 0.079
PP: Le volume ne cause pas le cours 1.762 0.133 1.914 0.054 1.540 0.103
PUB: Le volume ne cause pas le cours 0.349 0.844 0.553 0.816 0.466 0.934
RI: Le volume ne cause pas le cours 2.109 0.077 1.147 0.328 1.037 0.410
RNO: Le volume ne cause pas le cours 0.354 0.841 0.265 0.976 0.445 0.945
SAN: Le volume ne cause pas le cours 0.540 0.705 0.497 0.858 0.381 0.970
SGO: Le volume ne cause pas le cours 0.813 0.516 0.911 0.505 1.544 0.101
SK: Le volume ne cause pas le cours 4.100** 0.002 2.419 0.013 2.229 0.008
STM: Le volume ne cause pas le cours 0.708 0.586 0.669 0.718 0.808 0.641
SU: Le volume ne cause pas le cours 0.461 0.763 0.525 0.837 0.727 0.725
Le cours ne cause pas le volume 3.051** 0.016 3.264** 0.001 2.216 0.009
SZE: le volume ne cause pas le cours 2.219 0.064 2.045 0.038 1.376 0.170
TF1: Le volume ne cause pas le cours 1.029 0.390 0.869 0.541 0.966 0.478
TMM: Le volume ne cause pas le cours 4.03** 0.002 2.945 0.0028 2.272 0.007
UG: Le volume ne cause pas le cours 1.018 0.396 0.789 0.612 0.776 0.675
CAC40: Le volume ne cause pas le cours 0.271 0.896 0.246 0.981 0.250 0.995
NB : *, ** correspondent respectivement à la significativité au seuil 1% et 5%.
D’après le tableau, on remarque pour la majorité des titres ainsi pour l’indice CAC 40, le
rejet tant du lien cours-volume que du lien volume-cours. Nous ne décelons donc aucune trace
de causalité directe entre le cours et le volume. Faut-il conclure à l’absence de tout effet de
mimétisme ?
Pour répondre à cette interrogation, en entent mettre en œuvre, dans ce qui suit, les tests sur la
persistance des effets ARCH en présence ou non de la variable volume.
4. Mimétisme, volume et volatilité :

Plusieurs travaux ont utilisé des modèles de la famille GARCH afin de tester la relation prix
volume. L’article de Lamoureux et Lastrapes (1990) est parmi les cités ; en utilisant un
échantillon de 20 titres courants, ils ont détecté une autocorrélation positive entre le volume
dans échangé et la volatilité des cours. Ils ont aussi constaté que l’introduction du volume
dans l’expression de la variance conditionnelle annule l’effet GARCH. L’hétéroscédasticité
est alors interprétée comme une manifestation de l’autocorrélation des volumes.
120
Moschetto (1998), en s’inspirant de l’étude de Najaud et Yung (1991) qui est similaire à celle
de Lamoureux et Lastrapes (1990) mais appliquée sur le marché des contrats à terme, a
utilisé le modèle GARCH (1,1) pour étudier empiriquement le comportement mimétique sur
des données du notionnel Matif à travers la relation prix-volume.
La démarche de Moschetto (1998) consiste à modéliser les séries de rendements par un

modèle de type GARCH en premier lieu puis à introduire le volume dans l’expression de la
variance conditionnelle.
La première regression est donnée par :
La deuxième régression intègre l’effet volume dans l’expression de la variance conditionnelle.
Avec
vt désigne le volume d’échange ;

vm.t désigne le volume pondéré par une moyenne mobile de 60 jours ;
µ, ξ, α, β et δ sont des paramètres à estimer ;
avec ct le cours de compensation à l’instant t ;
ψt-1 désigne l’information en t-1.
Nous allons, donc, s’inspirer de cette étude pour proposer un modèle qui décrit le
comportement mimétique sur le marché Français.
4.1. Estimation du modèle sans introduction du volume :

Etant donné les propriétés statistiques des séries des cours, étudiées dans la deuxième section
de ce chapitre, on envisage de modéliser les rentabilités (variations logarithmiques des cours)
selon un modèle ARMA pour l’expression de la moyenne et un modèle GARCH pour la
variance.
Formellement le modèle est présenté comme suit :
Avec ~ N (0, ht)

Et
(Processus GARCH)
121
Les innovations du processus ARMA sont supposés avoir une densité normale, tandis que la
variance conditionnelle est modélisée par un processus GARCH.
Les résultats de l’estimation sont donnés par le tableau n° 18. Les deux dernières lignes
représentent le Skewness et le Kurtosis calculés sur les résidus du modèle ARMA-GARCH
estimé.
Tableau n° 18 : Estimation du modèle ARMA (p,q) – GARCH (1,1)
µ θ Φ ζ α β α+ β S K
AC 0.068 0.924 -0.954 0.050 0.065 0.922
0.982 -0.258 5.452
[2.232]* [25.793]* [-32.40]* [5.60]* [12.10]* [14.04]*
AF 0.057 0.020 0.034 0.077 0.110 0.885
0.995 -0.290 5.987
[1.064] [0.737] [1.237] [3.511]* [10.105]* [76.90]*
AGF 0.088 -0.417 0.365 0.0178 0.067 0.929
0.996 -0.045 4.331
[2.742]* [-1.341] [1.143] [3.461]* [8.452]* [110.19*]
AI 0.0439 0.7829 -0.872 0.0123 0.049 0.929
0.995 -0.609 7.492
[2.158]** [12.387]* [-17.95]* [2.876]* [8.679]* [181.18]*
BNP 0.056 0.948 -0.987 0.0296 0.069 0.922
0.991 -0.318 6.116
[4.487]* [81.67]* [-194.4]* [-4.405]* [8.289]* [117.17]*
BN 0.035 0.652 -0.718 0.028 0.077 0.912
0.989 0.271 6.761
[1.312] [4.017]* [-4.83]* [6.929]* [13.712]* [168.6]*
CAP 0.0012 -0.0056 0.054 0.0259 0.0351 0.962
0.997 -0.338 6.689
[0.0164] [-0.211] [1.954]*** [2.594]* [7.209]* [205.4]*
CA -0.006 0.654 -0.694 0.019 0.058 0.935
0.993 0.036 4.596
[-0.183] [3.307]* [-3.665]* [3.202]* [8.678]* [132.02]*
CGE -0.040 0.076 -0.048 0.144 0.068 0.921
0.989 -0.312 6.935
[-0.497] [0.169] [-0.108] [6.708]* [7.432]* [94.35]*
CO -0.017 0.022 -0.063 0.026 0.047 0.941
0.988 0.013 4.318
[-0.496] [0.803] [-2.492]** [2.961]* [6.278]* [105.30]*
CS 0.080 0.0159 -0.030 0.038 0.084 0.914
0.998 0.114 6.057
[1.711]*** [0.594] [1.059] [2.887]* [9.129]* [107.03]*
DG 0.131 -0.043 -0.079 0.009 0.015 0.979
0.994 0.449 5.235
[3.970]* [-1.71]*** [-3.659]* [3.913]* [5.540]* [320.3]*
DX 0.093 0.925 -0.947 0.015 0.060 0.937
0.997 -0.282 7.930
[3.730]* [21.75]* [-26.630]* [3.665]* [8.837]* [155.5]*
EAD 0.121 0.052 0.005 0.073 0.093 0.900
0.993 0.109 4.309
[2.159]** [1.940]*** [0.193] [3.355]* [9.165]* [87.903]*
EF 0.085 0.288 -0.50 0.095 0.092 0.88
0.972 0.200 7.624
[3.072]* [2.598]* [-5.197]* [5.290]* [13.243]* [85.649]*
EN 0.079 -0.918 0.947 0.031 0.081 0.914
0.995 -0.187 5.743
[2.234]** [-22.152]* [28.85]* [5.723]* [9.205]* [120.36]*
EX 0.042 -0.920 0.910 0.014 0.066 0.932
0.998 -0.081 3.984
[0.977] [-14.83]* [13.712]* [1.999]** [8.170]* [127.27]*
FP 0.080 0.58 -0.675 0.025 0.084 0.908
0.992 -0.162 3.520
[2.982]* [4.981]* [-6.333]* [2.838]* [6.774]* [69.687]*
FTE -0.038 -0.037 0.058 0.033 0.053 0.943
0.996 -0.017 6.209
[-0.695] [-1.471] [2.128]** [4.205]* [7.200]* [121.59]*
GLE 0.097 0.922 -0.944 0.025 0.086 0.911
0.997 -0.235 4.247
[3.468]* [24.987]* [-30.021]* [2.954]* [7.719]* [87.085]*
HO 0.042 -0.028 -0.120 0.020 0.051 0.94 0.991 -0.132 4.435
122
[1.113] [-1.102] [-4.775]* [3.153]* [7.833]* [139.06]*

LG 0.023 0.238 -0.320 0.040 0.066 0.922
0.988 -0.411 5.681
[0.645] [1.068] [-1.475] [4.928]* [7.365]* [94.55]*
MC 0.074 0.044 -0.026 0.023 0.073 0.921
0.994 0.127 3.701
[1.810]*** [0.295] [-0.174] [2.857]* [8.182]* [102.67]*
ML 0.046 -0.693 0.669 0.076 0.066 0.913
0.979 -0.069 5.959
[1.126] [-3.155]* [2.946]* [4.451]* [8.001]* [90.44]*
MMB 0.070 -0.926 0.913 0.015 0.064 0.931
0.995 0.093 3.970
[1.859]*** [-23.257]* [20.413]* [2.683]* [7.764]* [111.13]*
MMT 0.030 0.017 -0.013 0.005 0.034 0.964
0.998 0.267 4.175
[0.605] [0.652] [-0.547] [1.672]*** [9.954]* [327.984]*
OR 0.016 0.240 -0.366 0.023 0.074 0.919
0.993 -0.294 4.147
[0.513] [1.529] [-2.409]** [2.741*] [6.763]* [77.905]*
PP 0.022 -0.011 0.034 0.025 0.058 0.935
0.993 -0.168 5.684
[0.530] [-0.408] [1.243] [4.541]* [8.916]* [141.35]*
PUB 0.051 0.033 -0.015 0.010 0.068 0.931
0.999 -0.001 3.975
[1.008] [1.287] [-0.584] [1.218] [8.068]* [120.855]*
RI 0.091 0.227 -0.422 0.036 0.062 0.926
0.988 0.188 5.552
[3.165]* [2.045]** [-3.989]* [4.294]* [11.20]* [134.522]*
RNO 0.072 0.951 -0.978 0.051 0.088 0.903
0.991 -0.146 4.483
[3.391]* [54.268]* [-85.026]* [3.375]* [8.911]* [86.093]*
SAN 0.065 0.758 -0.837 0.050 0.071 0.915
0.986 -0.202 4.431
[2.322]** [10.357]* [-13.657]* [4.565]* [7.622]* [92.467]*
SGO 0.085 0.921 -0.970 0.032 0.143 0.865
1.008 -0.581 7.681
[6.064]* [65.697]* [-107.17]* [3.090]* [9.735]* [66.013]*
SK 0.044 0.814 -0.848 0.025 0.044 0.948
0.992 0.113 6.480
[1.229] [5.894]* [-6.690]* [4.595]* [11.025]* [230.125]*
STM -0.057 -0.050 0.050 0.039 0.036 0.931
0.994 0.027 3.528
[-0.952] [-1.86]*** [1.816]*** [2.660]* [6.283]* [90.010]*
SU 0.077 -0.023 -0.046 0.011 0.049 0.948
0.997 -0.174 4.995
[2.069]** [-0.891] [-1.74]*** [2.454]** [9.435]* [175.09]*
SZE 0.081 0.680 -0.746 0.152 0.163 0.810
0.973 -0.172 5.765
[2.543]** [5.116]* [-6.158]* [6.640]* [9.485]* [45.036]*
TF1 -0.013 -0.016 0.011 0.042 0.059 0.932
0.991 0.085 7.097
[-0.250] [-0.569] [0.460] [6.993]* [11.247]* [135.288]*
TMM 0.014 0.005 0.018 0.027 0.068 0.929
0.997 -0.089 3.829
[0.250] [0.215] [0.738] [2.119]** [7.193]* [102.108]*
UG 0.025 0.986 -0.997 0.124 0.096 0.866
0.926 -0.157 5.431
[2.578]* [339.216]* [-62463]* [7.927]* [6.691]* [45.305]*
CAC 0.049 -0.005 -0.056 0.010 0.085 0.909
0.994 -0.362 3.962
40 [2.081]** [-0.188] [-2.138]** [2.747]* [8.039]* [79.25]*
NB : le nombre entre parenthèses correspond à la statistique de Student. *, **, *** correspondent respectivement
à la significativité au seuil 1%, 5% et 10%.
D’après le tableau on remarque que les coefficients α et β sont significatifs au seuil de 1%

pour tous les titres de l’échantillon ainsi que pour l’indice CAC 40 ce qui démontre la
présence d’un effet GARCH.
Le coefficient β dans l’équation de variance est nettement supérieur au coefficient α dans

tous les cas. Ceci affirme que la réponse de la volatilité future aux chocs importants de la
tendance du marché est relativement faible.
La persistance de la volatilité conditionnelle mesurée par (α + β) est proche de l’unité pour la

majorité des titres suggérant que la structure de l’information courante révèle un pouvoir
prédictif important de la volatilité pour de longs horizons.
Le Skewness et le Kurtosis sont assez élevés par rapport à ceux de la loi normale.
4.2. Estimation du modèle avec introduction du volume :
123
Afin de détecter l’effet du volume sur la volatilité du rendement, on introduit le volume

comme variable explicative dans l’équation de la variance.
L’équation de la moyenne reste la même et l’équation de la variance devient :
Avec v représente le volume.

Dans une première estimation, on introduit le volume courant vt et dans une deuxième on
introduit le volume décalé d’une période d’une période vt-1.
Etant donnée les titres présentent un modèle GARCH (1, 1) pour la variance, alors l’équation
précédente s’écrit :
4.2.1. Introduction du volume au retard 0 :

Les résultats de l’estimation avec introduction du volume courant dans l’expression de la
variance sont donnés par le tableau n° 19
Tableau n° 19 : Résultats de l’estimation avec introduction de Vt
µ θ Φ ζ α β δ α+ β S K
0.070 0.643 -0.689 0.081 0.085 0.892 0.0041
AC 0.977 -0.150 4.449
[1.781]*** [3.380]* [-3.916]* [4.735]* [10.52]* [18.375]* [14.891]*
-0.129 -0.034 0.020 3.027 0.215 0.391 0.027
AF 0.606 -0.225 6.182
[-1.973]** [-1.028] [0.745] [24.25]* [6.919]* [13.412]* [19.45]*
0.036 -0.394 0.339 0.012 0.055 0.939 0.004
AGF 0.994 -0.028 3.916
[1.418] [-1.475] [1.237] [3.725]* [7.92]* [136.07]* [19.76]*
0.014 0.623 -0.747 0.566 0.175 0.639 0.010
AI 0.814 -0.593 6.916
[0.505] [6.896]* [-10.49]* [108.47]* [8.551]* [46.53]* [31.151]*
0.041 -0.0107 -0.013 2.365 0.127 0.471 0.020
BNP 0.598 -0.089 5.736
[0.541] [-0.030] [0.038] [8.62]* [4.312]* [7.845]* [9.697]*
0.005 0.535 -0.662 0.495 0.208 0.568 0.007
BN 0.776 0.054 6.286
[0.215] [4.510]* [-6.66]* [7.620]* [9.141]* [14.11]* [29.45]*
-0.0328 -0.024 0.048 4.585 0.181 0.433 0.0389
CAP 0.614 -0.064 4.784
[-0.364] [-0.94] [1.487] [16.10]* [5.715]* [12.028]* [23.50]*
-0.050 -0.019 -0.023 2.651 0.103 0.467 0.024
CA 0.57 -0.128 4.806
[-0.645] [-0.053] [-0.063] [105.59]* [3.807]* [14.81]* [7.790]*
0.010 -0.096 0.115 0.061 0.035 0.957 0.009
CGE 0.992 -0.247 6.380
[0.128] [-0.146] [0.176] [3.758]* [7.102]* [152.81]* [15.63]*
-0.020 0.013 -0.10 0.025 0.029 0.956 0.009
CO 0.985 0.0341 3.657
[-0.607] [0.509] [-3.88]* [2.537]** [5.118]* [100.13]* [16.808]*
0.076 0.010 -0.039 0.478 0.242 0.699 0.016
CS 0.941 0.381 7.840
[1.519] [0.328] [-1.395] [9.406]* [7.455]* [29.02]* [8.171]*
0.092 -0.068 -0.120 0.746 0.22 0.530 0.011
DG 0.75 0.692 7.511
[3.336]* [-2.50]** [-3.845]* [11.30]* [9.45]* [19.76]* [22.35]*
0.015 0.038 -0.021 1.099 0.271 0.457 0.011
DX 0.728 -0.253 5.849
[0.311] [0.076] [-0.043] [32.61]* [9.386]* [31.44]* [10.31]*
0.026 -0.012 -0.044 0.143 0.154 0.824 0.015
EAD 0.978 0.059 3.714
[0.704] [-0.413] [-1.69]*** [4.763]* [9.098]* [49.702]* [14.83]*
0.049 0.216 -0.46 0.050 0.052 0.928 0.008
EF 0.98 -0.059 6.599
[1.844]*** [2.115]** [-5.09]* [5.809]* [9.771]* [131.24]* [19.891]*
0.048 0.128 -0.098 3.507 0.119 0.407 0.027
EN 0.526 -0.039 5.480
[0.566] [0.205] [-0.156] [41.68]* [4.570]* [12.43]* [7.896]*
-0.0763 0.259 -0.316 4.950 0.129 0.446 0.051
EX 0.575 0.072 6.335
[-0.756] [0.663] [-0.816] [5.411]* [3.746]* [4.932]* [29.62]*
0.076 0.555 -0.673 0.797 0.270 0.456 0.009
FP 0.726 -0.020 3.763
[2.543]** [5.766]* [-8.324]* [8.449]* [6.172]* [9.855]* [8.629]*
FTE -0.104 -0.038 0.042 7.557 0.112 0.466 0.063 0.578 0.294 5.656
124
[-0.712] [-1.136] [1.150] [4.761]* [2.809]* [4.351]* [9.011]*

0.0114 0.032 -0.051 2.198 0.225 0.382 0.016
GLE 0.607 -0.235 5.019
[0.192] [0.028] [-0.045] [9.51]* [4.696]* [5.747]* [9.297]*
0.003 -0.037 -0.175 0.334 0.203 0.736 0.011
HO 0.939 0.066 4.848
[0.091] [-1.22] [-5.77]* [7.893]* [13.77]* [882.19]* [06.88]*
0.027 -0.117 0.0263 0.843 0.277 0.504 0.009
LG 0.781 -0.133 4.197
[0.683] [-0.408] [0.092] [11.599]* [10.013]* [21.79]* [9.062]*
0.050 0.142 -0.141 0.305 0.095 0.894 0.009
MC 0.989 0.100 3.280
[1.406] [0.929] [-0.910] [2.82]* [8.737]* [80.99]* [15.89]*
0.022 -0.723 0.695 0.329 0.107 0.789 0.008
ML 0.896 -0.048 5.566
[0.509] [-3.753]* [3.42]* [9.056]* [7.81]* [38.44]* [8.0009]*
0.069 -0.031 -0.013 0.288 0.209 0.734 0.0091
MMB 0.943 0.135 3.971
[1.576] [-0.057] [-0.025] [10.365]* [11.56]* [88.35]* [15.44]*
0.027 0.016 -0.032 0.0073 0.044 0.952 0.004
MMT 0.996 0.209 3.803
[0.563] [0.617] [-1.24] [1.316] [7.829]* [170.11]* [14.00]*
0.023 0.0812 -0.212 0.0249 0.0715 0.918 0.004
OR 0.989 -0.246 3.694
[0.769] [0.514] [-1.355] [2.532]** [6.312]* [115.74]* [10.25]*
0.033 -0.020 0.018 0.024 0.061 0.928 0.004
PP 0.989 -0.044 5.072
[0.796] [-0.718] [0.667] [3.314]* [8.692]* [115.74]* [10.25]*
-0.017 0.030 -0.010 5.108 0.080 0.438 0.038
PUB 0.518 -0.093 4.665
[-0.167] [0.977] [-0.347] [3.813]* [3.077]* [3.209]* [18.44]*
0.071 0.214 -0.41 0.030 0.046 0.938 0.005
RI 0.984 0.049 4.491
[2.41]** [1.96]** [-3.999]* [5.446]* [9.928]* [158.38]* [16.77]*
0.033 -0.0094 -0.0081 3.546 0.034 0.487 0.030
RNO 0.521 -0.150 4.960
[0.380] [-0.0092] [-0.0079] [96.91]* [1.467] [18.155]* [5.600]*
0.060 0.748 -0.825 0.307 0.155 0.757 0.009
SAN 0.912 -0.060 3.626
[1.981]** [9.328]* [-12.21]* [6.426]* [6.130]* [24.10]* [8.386]*
-0.030 0.151 -0.1825 2.035 0.171 0.464 0.020
SGO 0.635 -0.721 10.826
[0.380] [0.191] [-0.232] [10.934]* [4.785]* [8.634]* [20.53]*
0.015 0.799 -0.84 0.140 0.054 0.899 0.007
SK 0.953 -0.146 5.904
[0.408] [6.555]* [-7.584]* [6.197]* [8.801]* [88.94]* [13.899]*
-0.070 -0.061 0.035 6.449 0.103 0.431 0.050
STM 0.534 0.107 4.286
[-0.628] [-1.94]*** [0.990] [3.880]* [2.560]** [2.93]* [12.19]*
0.073 -0.027 -0.034 0.018 0.081 0.913 0.007
SU 0.994 -0.125 4.105
[2.161] [-1.073] [-1.295] [2.288] [8.238]* [88.94]* [19.88]*
-0.055 -0.048 -0.046 3.724 0.143 0.459 0.032
SZE 0.602 -0.256 6.040
[-0.057] [-0.1323] [-0.129] [6.185]* [4.496]* [5.960]* [7.682]*
-0.057 -0.031 -0.002 0.066 0.086 0.900 0.009
TF1 0.986 -0.050 4.840
[-1.206] [-1.141] [-0.095] [5.536]* [10.84]* [113.79]* [11.47]*
0.005 0.021 0.013 0.156 0.109 0.866 0.011
TMM 0.975 -0.077 3.572
[0.085] [0.796] [0.492] [5.197]* [14.16]* [187.07]* [4.77]*
0.023 0.841 -0.868 0.277 0.124 0.774 0.009
UG 0.898 -0.193 4.880
[0.701] [6.461]* [-7.33]* [5.404]* [5.613]* [21.84]* [15.61]*
0.006 0.005 -0.032 1.031 0.0967 0.4572 0.010
CAC 40 0.5539 -0.206 4.909
[0.153] [0.167] [-1.17] [35.32]* [3.527]* [12.11]* [21.38]*
On remarque que le coefficient δ positif et significatif au seuil de 1% pour tous les titres de
l’échantillon ainsi que pour l’indice CAC 40. Ceci signifie que l’augmentation du volume
échangé a pour effet une augmentation de la volatilité de la rentabilité du titre en question. Le
signe positif du coefficient δ est conforme aux résultats de Lamoureux et Lastrapes (1990).
La significativité de δ est compatible avec la notion du mimétisme. En effet, comme on l’a
démontré dans le chapitre précédent, le meneur peut agir indirectement sur le cours d’un actif
en passant des ordres d’achat de volume inhabituel. Ce comportement est suivi par les autres
investisseurs et entraînera une variation du cours de l’actif en question.
On remarque que l’effet GARCH résiste à l’introduction du volume. En effet, α et β testent
significatifs au seuil de 1% ou de 5% pour tous les titres de l’échantillon étudié. Ces résultats
confirment ceux de Moschetto (1998), on peut donc déduire que l’effet GARCH est
compatible avec l’influence du volume. Toutefois, on peut remarquer que la persistance de
125
l’effet GARCH diminue pour tous les titres de l’échantillon. En effet, on constate une
diminution de (α + β) pour toutes les séries. Les effets GARCH (ou la persistance de la
volatilité) perdent alors de leur importance en introduisant le volume courant dans la structure
de l’information conditionnelle. La persistance de la volatilité est donc expliquée en partie par
les volumes échangés.
Les deux dernières lignes du tableau font monter le Skewness et le Kurtosis. On remarque que
les valeurs diminuent avec l’introduction du volume dans l’équation de la variance. Ce
résultat correspond à celui de Lamoureux et Lastraps (1990) qui ont remarqué que le volume
explique la non normalité des distributions des rendements.
4.2.2. Introduction du volume au retard 1 :

Pour tester l’effet du volume décalé d’une période, nous avons envisagé d’estimer le modèle
en introduisant le volume au retard 1 dans l’équation de la variance. Les résultats de
l’estimation sont donnés par le tableau n° 20.
Tableau n° 20 : Résultats de l’estimation avec introduction de Vt-1
µ θ Φ ζ α β δ α+ β S K
0.068 0.924 -0.95 0.049 0.065 0.923 0.0004
AC 0.988 -0.261 5.451
[2.19]** [25.54]* [-32.01]* [5.276]* [11.24]* [130.46]* [0.285]
0.052 0.019 0.033 0.075 0.098 0.894 0.005
AF 0.992 -0.296 5.934
[0.961] [0.692] [1.198] [3.453]* [9.132]* [76.05]* [4.983]*
0.084 -0.395 0.343 0.019 0.061 0.933 0.003
AGF 0.994 0.002 4.244
[2.66]* [-1.14] [0.968] [3.946]* [7.985]* [116.53]* [4.415]*
0.043 0.783 -0.87 0.011 0.049 0.947 -0.0006
AI 0.996 -0.605 7.406
[2.168]** [12.47]* [-18.05]* [2.58]* [8.83]* [184.46]* [-0.65]
0.092 0.258 -0.334 0.396 0.233 0.646 0.006
BNP 0.879 -0.188 5.197
[2.845]* [1.657]*** [-2.20]** [79.10]* [9.352]* [39.91]* [4.695]*
0.025 0.651 -0.717 0.022 0.064 0.926 0.003
BN 0.99 0.191 6.319
[0.94] [3.948]* [-4.760]* [5.651]* [11.35]* [161.53]* [6.344]*
0.0003 -0.008 0.051 0.025 0.032 0.964 0.012
CAP 0.996 -0.380 7.021
[0.042] [-0.318] [1.746]*** [2.728]* [6.30]* [194.19]* [4.32*]
-0.003 0.695 -0.735 0.017 0.055 0.939 0.003
CA 0.994 0.005 4.364
[-0.122] [3.789]* [-4.229]* [3.146]* [8.028]* [132.10]* [3.937]*
-0.046 0.011 0.015 0.120 0.052 0.937 0.013
CGE 0.989 -0.291 6.692
[-0.566] [0.023] [0.030] [5.587]* [6.732]* [105.61]* [4.292]*
-0.023 0.024 -0.070 0.021 0.044 0.946 0.0041
CO 0.99 -0.014 4.209
[-0.675] [0.852] [-2.64]* [2.343]** [5.597]* [98.48]* [3.924]*
0.086 0.015 -0.029 0.033 0.076 0.922 0.006
CS 0.998 0.170 6.182
[1.816]*** [0.579] [-1.036] [2.82]* [8.034]* [98.32]* [3.013]*
0.121 -0.041 -0.07 0.008 0.006 0.988 0.007
DG 0.994 0.476 4.735
[3.621]* [-1.72]*** [-3.06]* [4.803]* [2.894]* [380.34]* [11.20]*
0.095 0.022 -0.008 0.4512 0.223 0.669 0.008
DX 0.892 -0.319 8.090
[2.205]** [0.048] [-0.018] [9.851]* [8.544]* [25.83]* [17.75]*
0.112 0.047 0.011 0.107 0.094 0.892 0.01
EAD 0.986 0.104 4.106
[1.961]** [1.684]* [0.436] [4.012]* [7.76]* [70.43]* [4.823]*
0.092 0.0252 -0.471 0.072 0.072 0.909 0.004
EF 0.981 0.241 7.871
[3.184]* [2.181]** [-4.578]* [4.88]* [9.961]* [92.61]* [5.181]*
0.076 0.246 -0.207 0.024 0.068 0.927 0.004
EN 0.995 -0.118 5.221
[1.919] [0.664] [-0.551] [4.730]* [8.201]* [122.6]* [9.662]*
0.036 0.899 -0.914 0.014 0.062 0.935 0.001
EX 0.997 -0.082 4.031
[0.95] [11.01]* [-12.168]* [2.004]** [7.84]* [129.9]* [1.215]
0.073 0.579 -0.672 0.019 0.071 0.922 0.003
FP 0.993 -0.176 3.514
[2.75]* [4.87]* [-6.24]* [2.616]* [6.213]* [76.07]* [3.295]*
-0.044 -0.036 0.056 0.038 0.054 0.941 0.006
FTE 0.995 -0.032 6.083
[-0.797] [-1.43] [1.99]** [4.34]* [6.870]* [112.69]* [3.486]*
GLE 0.093 0.929 -0.94 0.023 0.081 0.916 0.003 0.997 -0.227 4.203
126
[3.258]* [26.88]* [-31.88]* [2.84]* [7.604]* [91.41]* [4.087]*

0.028 -0.028 -0.123 0.022 0.042 0.949 0.0055
HO 0.991 0.083 4.275
[0.716] [-1.067] [-4.741]* [3.529]* [6.642]* [138.94]* [8.576]*
0.021 0.200 -0.285 0.033 0.055 0.934 0.004
LG 0.989 -0.043 5.642
[0.599] [0.904] [-1.32] [4.805]* [6.61]* [103.02]* [5.389]*
0.077 0.047 -0.032 0.024 0.067 0.926 0.004
MC 0.993 0.135 3.684
[1.898]*** [0.313] [-0.21] [3.099]* [7.739]* [15.977]* [3.119]*
0.046 -0.694 0.671 0.077 0.067 0.912 -0.002
ML 0.979 -0.073 5.857
[1.141] [-3.23]* [3.017]* [4.448]* [8.248]* [92.10]* [-2.05]**
0.055 -0.92 0.914 0.014 0.060 0.935 0.0036
MMB 0.995 0.070 3.896
[1.453] [-22.91]* [20.298] [2.509]** [7.334]* [114.85]* [4.856]*
-0.001 0.015 -0.028 0.256 0.217 0.768 0.006
MMT 0.985 0.299 4.535
[-0.037] [0.540] [-0.97] [14.69]* [15.01]* [105.36]* [16.05]*
0.011 0.202 -0.333 0.025 0.071 0.921 0.003
OR 0.992 -0.303 4.106
[0.373] [1.291] [-2.18]** [2.94]* [6.36]* [75.87]* [2.625]*
0.011 -0.011 0.038 0.025 0.058 0.935 0.004
PP 0.993 -0.011 3.955
[0.288] [-0.40] [1.308] [4.70]* [8.568]* [138.01]* [5.717]*
0.048 0.031 -0.018 0.0139 0.065 0.0933 0.003
PUB 0.998 -0.098 5.389
[0.950] [1.160] [-0.675] [1.607] [7.739]* [120.97]* [2.730]*
0.089 0.194 -0.401 0.039 0.061 0.927 0.004
RI 0.987 0.192 5.468
[3.191]* [1.800]*** [-3.928]* [4.277]* [9.92]* [123.83]* [5.076]*
0.070 0.983 -0.979 0.047 0.082 0.909 0.004
RNO 0.991 -0.159 4.432
[3.322]* [55.39]* [-87.27]* [3.242]* [8.465]* [87.31]* [2.404]**
0.065 0.755 -0.333 0.064 0.079 0.904 0.007
SAN 0.983 -0.185 4.124
[2.471]** [9.747]* [-12.81]* [4.499]* [6.985]* [71.29]* [6.757]*
0.088 0.922 -0.969 0.029 0.134 0.872 0.002
SGO 1.006 -0.581 7.782
[6.013]* [63.99]* [-102.35]* [2.95]* [9.068]* [66.14]* [1.842]***
0.037 0.961 -0.979 0.136 0.084 0.880 0.004
SK 0.964 0.007 6.387
[1.47] [168.28]* [-998.28]* [6.372]* [9.447]* [79.70]* [5.722]*
-0.073 -0.049 0.051 0.052 0.075 0.918 0.006
STM 0.993 0.040 3.478
[-1.281] [-1.82]*** [1.812]*** [2.813]* [6.163]* [75.17]* [2.959]*
0.071 -0.026 -0.041 0.012 0.047 0.949 0.004
SU 0.996 -0.200 4.921
[1.904]*** [-1.030] [-1.55] [2.528]** [9.546]* [183.39]* [3.902]*
0.081 0.677 -0.743 0.152 0.163 0.811 0.0001
SZE 0.974 -0.172 5.768
[2.529]** [5.050]* [-6.081]* [6.537]* [8.683]* [43.88]* [0.066]
0.0001 -0.016 0.011 0.035 0.052 0.941 0.007
TF1 0.993 0.008 6.432
[0.0037] [-0.577] [0.455] [5.468]* [10.003]* [155.16]* [11.048]*
-0.016 0.009 0.016 0.032 0.066 0.929 0.009
TMM 0.995 -0.088 3.801
[-0.315] [0.354] [0.644] [2.409]** [6.779]* [96.968]* [4.655]*
0.036 0.328 -0.343 0.308 0.146 0.765 0.010
UG 0.911 -0.112 5.020
[0.983] [0.335] [-0.353] [9.251]* [4.565]* [36.57]* [19.20]*
0.046 -0.007 -0.058 0.009 0.078 0.916 0.001
CAC 40 0.994 -0.364 3.940
[2.00]** [-0.27] [-2.21]** [2.73]* [7.381]* [81.03]* [4.195]*
On remarque que, pour les titres : Accor, Air liquide, Vivendi et Suez, le coefficient δ n’est
pas significatif, donc la volatilité est exprimée par le volume présent et le volume retardé n’a
pas d’effet sur la volatilité.
Pour les autres titres, le coefficient δ est positif et significatif au seuil de 1% et 5%. C’est le
volume d’hier qui a un effet sur la volatilité d’aujourd’hui.
Globalement, on peut conclure à l’existence du comportement mimétique pour tous les titres
étudiés ainsi que pour l’indice CAC 40. En effet, le volume est significatif au moins au retard
0 ou au retard 1 pour tous les titres.
Conclusion :
127
Ce chapitre était un chapitre purement empirique. Son but essentiel était l’étude de
l’efficience et du mimétisme au sein de la Bourse de Paris.
Nous avons, tout d’abord, étudié les propriétés statistiques des séries. Plusieurs conclusions
ont été tirées : les séries sont toutes stationnaires, ce qui est un résultat classique dans la
littérature financière. Nous avons aussi décelé le caractère leptokurtique des distributions de
rendements. En plus, un test d’hétéroscédasticité sur les séries de rentabilités montre
l’existence d’un effet GARCH.
Nous avons envisagé d’examiner l’efficience du marché Français. Quatre tests de la forme
faible ont été alors appliqués : le test d’autocorrélation, le test de runs, le test de rapport de
variance et le test BDS. Tous ces tests ont abouti au même résultat : les rentabilités sont
indépendantes. Le marché boursier français est donc efficient au sens faible.
Ce résultat nous a poussé à tester la deuxième forme de l’efficience à savoir la forme semi
forte. Nous avons étudié l’impact de l’annonce de distribution de dividendes sur l’évolution
des cours boursiers, et ce en suivant la méthodologie classique des études événementielles. La
méthode des résidus moyens cumulés nous a conduit au résultat suivant : la Bourse de Paris
n’est pas efficiente au sens semi fort.
Enfin, nous avons étudié le comportement mimétique sur le marché financier français. Quatre
moyens ont été choisis : le test de corrélation et cross-corrélation, la corrélation prix-volume,
le test de causalité de Granger et la corrélation prix-volatilité à travers les modèles de type
GARCH. Les résultats paraissent divergents : le test de Granger n’a détecté aucune trace de
mimétisme. Ce résultat est nuancé par celui du test de corrélation prix-volume et prix-
volatilité. En effet ces deux tests, ont détecté un comportement imitatif au sein de la Bourse
de Paris.
Ces résultats sont un peu ambigus, et confirment le flou attaché aux études sur le mimétisme.
Cependant, on peut confirmer l’existence de ce phénomène au moins au retards 0 et 1.
128

chapitre 3

Transféré par

Droits d'auteur :

Formats disponibles

chapitre 3

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

chapitre 3

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3 : Validation empirique sur le marché boursier français

SECTION 1 : PRESENTATION DE LA BOURSE DE PARIS

1. Les origines de la Bourse de Paris :

Tout redémarre en 1801, année de l’officialisation de la bourse avec 71 agents de change. Le

2. Organisation et fonctionnement du marché :

2.1. Les acteurs

En plus de ces organismes on trouve d’autres intervenants sur le marché :

- Les investisseurs institutionnels : Un investisseur institutionnel est un établissement

2.2. Les indices :

Les trois principaux indices de marché de la Bourse de Paris sont :

- Définition du CAC 40 : Le CAC 40 (cotation assistée en continu) est l'indice de référence de

Le cours du CAC40 résulte du calcul d'une moyenne, pondérée par la capitalisation de

2.3. La cotation électronique :

SECTION 2 : ETUDE DES PROPRIETES STATISTIQUES DES SERIES

Pour les cours, on procède, très classiquement, à la différenciation logarithmique :

Tableau n° 5 : Statistiques descriptives des rentabilités boursières

Moyenne Médiane Maximum Minimum Ecart type

2. Test de l’hypothèse de normalité :

- Les tests du Skewness et de Kurtosis :

égale à : = et le coefficient de Kurtosis : =

Si la distribution est normale et le nombre d’observations grand :

On construit alors les statistiques :

et que l’on compare à 1,96 au seuil de 5%.

Si les hypothèses H0 : (symétrie) et (aplatissement normal) sont vérifiées alors

- Le test de Jarque et Bera :

Le tableau n° 6 fournit les résultats des différents tests de normalité

Du fait de ces caractéristiques, et ainsi que l’illustre la statistique de Jarque-Bera, nettement

Tableau n° 6 : Test de normalité

3. Tests de l’hypothèse de stationnarité:

3.1. Les tests de Dickey-Fuller simples :

[1] xt = Φ1 xt-1 + εt Modèle autorégressif d’ordre 1

3.2. Les tests de Dickey-Fuller Augmentés :

Modèle [1] : Δxt = ρxt-1 - Φj Δxt-j+1 + εt

Modèle [2] : Δxt = ρxt-1 - Φj Δxt-j+1 + c + εt

Modèle [3] : Δxt = ρxt-1 - Φj Δxt-j+1 + bt + εt

3.4. Les résultats obtenus :

Tableau n° 7 : Résultats du test de stationnarité sur les rentabilités boursières

Statistique ADF2 Statistique PP

Tableau n° 8 : Résultats du test de stationnarité sur les volume

Statistique ADF Statistique PP

SECTION 3 : ETUDE DE L’EFFICIENCE DU MARCHE FINANCIER

Dans un premier temps, on appliquera divers tests d’homoscédasticité. Ces derniers ne

Afin de tester la présence de variance conditionnelle hétéroscédastique dans les séries de

Avec α0 > 0, αi ≥ 0 pour i = 1,….. , q

La première équation correspond à l’équation de la moyenne où et sont

Tableau n° 9 : Résultats du test ARCH

2. Les rentabilités boursières sont-elles autocorrélées ?

2.1. Tests d’autocorrélation :

d’observations de la série, q est le nombre de retards, désigne l’estimation du

Rk désignant la rentabilité en k (c’est-à-dire la différence première logarithmique des prix).

statistique de Box-Pierce corrigée de l’hétéroscédasticité n’est significativement différente de

2.2. Test des runs :

suit une loi normale centrée réduite.

Tableau n° 11 : Test runs

BNP 761 42 714 835 799.02 359.78 1.896

2.3. Test de mémoire : le test de rapport de variance

Où εt est un bruit blanc :

Une estimation convergente de la moyenne µ et de la variance σ2 est donnée par

est l’estimateur centré non biaisé de la variance des différences premières de Xt

On construit alors la statistique suivante :