Anne 2007 - 2008

ETUDE DU COURS BOURSIER DE LACTION EXXON MOBIL

Christophe BARRAUD
Groupe 4

Table des matires

I.

Prsentation de la Socit Exxon Mobil................................................................3

II.

Donnes recueillies................................................................................................3

III.
1.
2.
3.
4.

Etude Statistique....................................................................................................4
Cration de la srie ...............................................................................................4
Analyse graphique.................................................................................................4
Analyse des autocorrlations ................................................................................5
Statistiques descriptives ........................................................................................6

IV.

Test de Stationnarit ..............................................................................................7

1. Le Test DFA ..........................................................................................................7
2. Le test PHILLIPS - PERRON..............................................................................17
3. Le test KPSS ........................................................................................................20

V.

Stationnarisation de la srie.................................................................................22

VI.

Vrification de lordre dintgration ...................................................................24

VII.

Interprtation des rsultats...................................................................................26

VIII.
1.
2.
3.
4.
5.
6.

IX.

Identification du processus pour la variable Z ....................................................27

Analyse du corrlogramme et statistiques de LJUNG - BOX .............................27
Test de moyenne ..................................................................................................28
Test de JARQUE - BERA ....................................................................................28
Le processus est il un AR(1) ? ..........................................................................29
Le processus est il un MA(1) ? .........................................................................30
Le processus est il un ARMA(1,1) ? .................................................................33
Tentative destimation du processus AR(1) ........................................................35

X.
1.
2.
3.
4.

Validation du processus.......................................................................................35
Test de LJUNG - BOX .........................................................................................35
Test de BREUSCH - GODFREY .........................................................................36
Test dhtroscdasticit .....................................................................................37
Test de JARQUE - BERA ....................................................................................39

XI.

Prvision ..............................................................................................................40
1. Prvision de la srie Z.........................................................................................40
2. Prvision du processus initial .............................................................................41

XII.

Interprtation des rsultats...................................................................................42

XIII.

Bibliographie .......................................................................................................43

I) Prsentation de la socit : EXXON MOBIL

Exxon Mobil (nomme ESSO au Canada, en France, en Suisse, en Belgique, en Afrique et
certains pays dAsie) est une socit Amricaine, sigeant Irving dans la banlieue de Dallas
dont lactivit principale est la production et la vente de carburants : lessence, le diesel, le
GPL pour les voitures, le Mazout domestique pour le chauffage des maisons et btiments, le
fuel lourd pour les centrales lectriques et enfin le gasoil pour les applications industrielles.
Par ailleurs, Exxon Mobil est aussi un important producteur de gaz naturel et de matires
premires ptrochimiques. Exxon Mobil rsulte de la fusion le 30 Novembre 1999, dExxon
Corporation et de Mobil Oil Corporation. Grce cette fusion, Exxon Mobil est devenue
lentreprise la plus riche du monde : son chiffre daffaire est quivalent au PIB de la Suisse et
de ce fait suprieur celui de 179 des 195 pays reconnus par lONU. Un autre point important
souligner est quExxon Mobil est aussi la plus grosse capitalisation boursire du monde, elle
reprsente environ 2% de la capitalisation du NYSE. Par consquent, Exxon Mobil est la plus
grosse des Supermajors ptroliers et dont les champs ptroliers et gaziers abritent prs de
22,4 milliards de barils ce qui constitue la rserve la plus importante pour une entreprise
prive. En ce qui concerne les donnes financires, encore une fois, Exxon Mobil est
impressionnante. Au dbut de lanne, Exxon Mobil a publi le plus gros bnfice net annuel
jamais ralis par une socit amricaine, malgr la baisse du ptrole la fin de lanne 2006.
En 2006, le groupe a dgag un bnfice de 39,5 milliards de dollars, battant ainsi son propre
record de 2005, 36,1 milliards de dollars soit une hausse de 9 %. De plus, la marge nette du
groupe dpasse les 10 %. Voici, un tableau qui rcapitule, les principaux rsultats financiers
dExxon Mobil sur les cinq dernires annes1.
Donnes financires en Millions de Dollars
Anne
Chiffre d'Affaires
Rsultat net

2002
204 506
11 460

2003
237 054
21 510

2004
291 252
25 330

2005
358 955
36 130

2006
377 665
39 500

De plus, les perspectives 2007 sont plus quencourageantes, avec les cours du ptrole qui ont
bondi de plus de 30 % depuis dbut 2007 et cette tendance ne semble pas pouvoir senrayer
dans la mesure o tout semble runi pour maintenir les cours du ptrole des sommets
toujours plus haut. On peut tout dabord voquer le fait que la croissance annuelle de la
demande mondiale de brut semble stre acclre depuis 3ans notamment cause de
lmergence de la Chine, ajout cela, la faiblesse des capacits excdentaire de production
qui narrivent pas se reconstituer et enfin le contexte gopolitique : Guerre en Irak, Tensions
au Venezuela. Tous ces phnomnes maintenant une hausse des cours du ptrole favorisent
les intrts dExxon Mobil et permettent de soutenir le cours boursier.

II) Donnes Recueillies

Afin de btir mon projet, jai slectionn les donnes journalires du cours de laction
dExxon Mobil (code ISIN : US30231G1022) cote la bourse de New York, du 3 Janvier
2007 au 7 aot 2007 soit 150 observations2. Le cours retenu la clture pour notre projet est
le cours ajust en raison des versements sur dividendes au cours de lanne. Les donnes sont
bien entendu en dollars.

1
2

Source : http://www.bloomberg.com
Source : http://fr.finance.yahoo.com/q/hp?s=XOM

III) Etude statistique

1) Cration de la srie
La premire tape va consister crer un nouvel espace de travail sous EVIEWS, puis de
crer une nouvelle srie que lon nomme EXXON, noter que jai dcid de crer une srie
UNDATED, la srie DAILY (5 DAYS WEEK) ntant pas appropri car la bourse de New
York ferme plusieurs jours dans lanne hormis les week-end. Ensuite, il nous reste importer
nos donnes. Enfin, afin damliorer la stationnarit de la variance, nous transformons notre
srie en logarithme.

2) Analyse graphique

Le graphique en logarithme du cours boursier de laction Exxon Mobil met en vidence une
tendance la hausse, ce qui traduit la bonne sant du groupe Exxon Mobil et la confiance que
les investisseurs placent dans le titre. En effet, sur le plan boursier, malgr les fluctuations, le
cours de laction a bondi de prs de 17 % sur la priode tudie, soutenue par laugmentation
des prix du ptrole et les bons rsultats de la firme. Toutefois on peut observer une lgre
baisse du cours de laction partir du mois de Juillet, la cause tant la crise de limmobilier
Amricain qui a fait souffl un vent de panique sur lensemble des places boursires. Sur le
plan conomtrique, cette tendance la hausse reflte que la srie nest pas stationnaire en
esprance, et de mme les fluctuations qui persistent dmontrent quelle nest pas stationnaire
en variance. Pour vrifier cette affirmation, nous allons procder lanalyse des
autocorrlations.

3) Analyse des autocorrlations

On va tester les hypothses suivantes :
H0 : i = 0

H1 : i 0

avec i = 1, , 30

Sur ce graphique, nous pouvons observer une dcroissance lente et progressive des
autocorrlations ce qui caractrise bien un processus non stationnaire. Par ailleurs, nous
pouvons nous appuyer sur la statistique de LJUNG - BOX et la probabilit critique qui lui est
associe. Ici, nous pouvons observer que les autocorrlations sont toutes significativement
diffrentes de 0, car la probabilit critique est toujours infrieure au seuil = 5%. On peut
mme ajouter quelle est toujours nulle, ce qui signifie que lon a 0 % de chances de rejeter
tort lhypothse nulle de nullit des coefficients dautocorrlation. Ce qui confirme encore une
fois que la srie nest pas stationnaire. Nous pouvons ajouter que le corrlogramme laisse
entrevoir un processus AR(1), car on observe une dcroissance exponentielle de la FAC et un
pic significatif pour le premier retard de la FAP, cependant cet AR(1) nest pas stationnaire, il
conviendra donc de stationnariser notre srie par la suite. Nous allons maintenant procder
lanalyse des statistiques descriptives de notre srie.

4) Statistiques descriptives

EVIEWS fournit de nombreux lments afin dtudier notre srie. Nous pouvons tout dabord
observer quici la valeur minimale de notre srie est : 4,238156 qui correspond 69,27 $, et la
valeur maximale est 4,533352 ce qui correspond 93,07 $. On voit que la moyenne :
4,361763, qui correspond 78,39 $, est assez proche du cours mdian 4,359901 qui
correspond 78,25 $ et on observe un cart type assez faible 0,07597 => 1,078 $, ce qui
montre que sur notre priode dtude, laction Exxon Mobil est un titre assez peu volatile.
Graphiquement on constate que notre srie nest pas asymtrique. Autre information que nous
pouvons interprter, la normalit de la distribution ; en effet, nous savons que pour une loi
normale, le coefficient dasymtrie (Skwness) doit tre gale 0 et le coefficient
daplatissement (Kurtosis) doit tre gale 3. Ici, on peut constater que la valeur du
coefficient dasymtrie est assez proche de 0 avec 0,204713, cependant le coefficient
daplatissement est gale 2,035634 ce qui est bien diffrent de 3. Cela laisse prsager que la
distribution des cours du titre ne suit pas une loi normale. Pour confirmer cette ide nous
disposons de la statistique de JARQUE - BERA dont le test a pour vocation de synthtiser les
tests de symtrie et daplatissement, et de sa probabilit associe. La probabilit fournie,
correspond la probabilit de se tromper en rejetant lhypothse nulle (les donnes suivent
une loi normale), ici elle est gale 0,032384. Pour un seuil = 5%, on rejette lhypothse de
normalit de la distribution.

IV) Les tests de stationnarit

1) Le test DFA
Avec le test de DICKEY - FULLER Augment, on va pouvoir tester la stationnarit de notre
srie en prenant en compte lautocorrlation des perturbations t. La procdure va dabord
consister choisir le nombre de retards optimal.
On va dterminer le nombre de retards optimal par le biais de la mthode de minimisation des
critres dinformation. Pour ce faire, avec EVIEWS, nous allons pratiquer le test de racine
unitaire pour les trois modles spcifis par DICKEY - FULLER et pour les diffrents retards
allant de p = 0 pmax. On prendra comme rfrence pmax = 5 en rfrence au nombre
dobservations disponibles.

p=0
p=1
p=2
p=3
p=4
p=5

Modle 1 : None
AIC
SCHWARZ
-5,749489 -5,729329
-5,761214 -5,720711
-5,742155 -5,681125
-5,724374 -5,642631
-5,707894 -5,605248
-5,698673 -5,574931

Modle 2 : Intercept
AIC
SCHWARZ
-5,702596
-5,742917
-5,754765
-5,69381
-5,735535
-5,54162
-5,718921
-5,616742
-5,70416
-5,580984
-5,697983
-5,553618

Modle 3 : Trend and intercept

AIC
SCHWARZ
-5,779128
-5,718646
-5,774246
-5,69324
-5,762352
-5,660637
-5,747115
-5,624501
-5,733562
-5,589858
-5,726144
-5,561154

On constate que le critre dAKAIKE conduit un retard optimal p* = 1 pour les modles 1,
2 et un retard optimal p* = 0 pour le modle 3, tandis que le critre de SCHWARZ conduit
un retard optimal p* = 0 pour les modles 1, 2 et 3 ; On est donc en prsence dune
contradiction de la part de ces 2 critres dinformation ce qui est souvent le cas dans la
pratique. Toutefois, selon un principe de parcimonie, il nous faut choisir le modle incluant le
minimum de paramtres estimer et qui permet de blanchir les rsidus. Ainsi, nous allons
garder un retard optimal tel que p* = 0. Dans le cas, o p = 0 est retenue, il convient de
procder au test de DICKEY - FULLER simple. Le Procdure consiste tester en premier le
modle le moins contraint, savoir le modle n3.

a) Test de DICKEY - FULLER sur le modle n3

Il faut rappeler que le modle 3 se prsente comme un modle avec constante et une tendance
dterministe :
xt = xt-1 + c + t + t
Nous allons donc procder au test de racine unitaire :
H0 : = 0

H1 : < 0

On teste lhypothse nulle = 0 (non stationnarit) contre lhypothse alternative < 0

(stationnarit) en se rfrant aux valeurs tabules par DICKEY et FULLER. Dans la mesure
o les valeurs critiques sont ngatives, la rgle de dcision est la suivante :

si la valeur calcule de la t-statistique associe est infrieure la valeur critique,

on rejette lhypothse nulle de non stationnarit.
si la valeur calcule de la t-statistique associe est suprieure la valeur critique,
on accepte lhypothse nulle de non stationnarit.

t = - 2,901713 > - 3,4405

Par consquent, on accepte donc lhypothse H0 de non stationnarit et de racine unitaire.
Ensuite, conformment la stratgie de test, nous allons procder au 2 tests dhypothses
jointes : H03 et H02.
H03 : (c, , ) = (c, 0, 0)
Nous allons devoir calculer la statistique de Fischer associe H0 :
F3 = [(SCR3c - SCR3)/2]/[SCR3/(149 - 3)]
SCR3 : Somme des carrs des rsidus du modle n3, non contraint estim par les MCO.
SCR3c : Somme des carrs des rsidus du modle n3 contraint sous lhypothse H03.

Nous commencerons par le calcul de SCR3 en entrant le programme suivant :

Nous obtenons les rsultats suivants :

Nous pouvons observer que la valeur du SCR3 pouvait tre obtenue laide du test DFA.
Nous allons maintenant calculer le SCR3c laide du programme suivant :

Nous obtenons les rsultats suivants :

Calcul de la statistique :
F3 = [(0,027404 - 0,025905)/2] / [(0,025905)/(146)] = 4,22416
F3 = 4.22416 < seuil = 5% = 6,49
Par consquent, on accepte lhypothse H03 pour le seuil = 5%. A noter que la valeur de la
statistique de Fisher F3 peut galement tre obtenu par le programme suivant :

10

Je voulais attirer votre attention sur la formule que jai utilis, dans la mesure o celle-ci est
diffrente de celle que vous nous avez envoy, dans laquelle le modle contraint avait pour
quation :
LS Y C LOGEXXON(-1)
Toutefois, la vue des documents dont je disposais, comme par exemple lexercice page 162
du livre Analyse des sries temporelles , jai appliqu la formule :
LS Y C
Maintenant, je vais continuer mon tude du modle 3, en procdant au test dhypothses
jointes suivant :
H02 : (c, , ) = (0, 0, 0)
Nous allons devoir calculer la statistique de Fischer associe H0 :
F2 = [(SCRc - SCR3)/3]/[SCR3/(149 - 3)]
Nous avons dj obtenue la valeur de SCR3 = 0,025905, nous allons maintenant chercher la
valeur de :
SCRc : somme des carrs des rsidus du modle n3 contraint sous lhypothse H02
Il nous est possible de lobtenir grce EVIEWS, et de trouver par la mme occasion notre
statistique de FISHER laide du programme suivant :

11

Calcul de la statistique :
F2 = [(0,027563 - 0,025905)/3] / [(0,025905)/(146)] = 3,115
F2 = 3,115 < seuil = 5% = 4,88
Nous acceptons lhypothse H02 pour le seuil = 5%, conformment la procdure de test,
nous allons maintenant estimer le modle n2.

b) Test de DICKEY - FULLER sur le modle n2

xt = xt-1 + c + t
Nous allons tester la prsence de racine unitaire :
H0 : = 0

H1 : < 0

Nous testons lhypothse nulle = 0 (non stationnarit) contre lhypothse alternative < 0
(stationnarit) en se rfrant aux valeurs tabules par DICKEY et FULLER.

12

t = - 0,989301 > - 2,8809

Par consquent, on accepte donc lhypothse H0 de non stationnarit et de racine unitaire.
Nous allons maintenant procder au test dhypothses jointes suivant :
H01 : (c, ) = (0, 0)
Nous allons devoir calculer la statistique de Fischer associe H01 :
F1 = [(SCRc SCR2)/2]/[SCR2/(149 - 2)]
SCR2 : Somme des carrs des rsidus du modle n2, non contraint estim par les MCO.
SCRc : Somme des carrs des rsidus du modle n3 contraint sous lhypothse H01.
Nous commencerons par le calcul de SCR2 en entrant le programme suivant :

Nous obtenons les rsultats suivants :

13

Remarque : SCR2 pouvait tre obtenu avec le test de DICKEY - FULLER prcdemment
utilis. Il nous reste trouver SCRc, or ce dernier est le mme que prcdemment, lorsque
nous avons cherch F2.

Calcul de la statistique :
F1 = [(0,027563 - 0,027223)/2] / [(0,027223)/(147)] = 0,91808
F1 = 0,91808 < seuil = 5% = 4,71
Par consquent, on accepte lhypothse H01 pour le seuil = 5%. A noter que la valeur de la
statistique de Fisher F3 peut galement tre obtenu par le programme suivant :

Nous pouvons remarquer que juste quici toutes nos statistiques de FISHER ont conduit
accepter H0, selon les diffrentes procdures prsentes dans le polycopi, il nous est possible
soit de procder un test de moyenne, soit deffectuer un nouveau test de racine unitaire sur
le modle 1. Pour ma part, jai dcid de commencer par un test de moyenne puis de
confirmer mes rsultats par la suite, grce au test de racine unitaire sur le modle 1

Test de moyenne :
A laide du logiciel EVIEWS, nous allons test lhypothse H0, autrement dit nous allons
tester la nullit de la moyenne de notre srie LOGEXXON, contre lhypothse alternative.
H0 : = 0

H1 : 0

14

Comme nous pouvons le voir, sur le graphique de notre srie, la probabilit critique associe
au test de moyenne est gale 0 et par consquent, infrieure au seuil critique = 5%. En
dautres termes, nous rejetons lhypothse H0 de nullit de la moyenne. Notre srie statistique
est donc une marche au hasard sans drive. Mme si ce nest pas vraiment ncessaire, nous
pouvons procder lestimation du modle n1 et pratiquer le test de racine unitaire de
DICKEY FULLER pour nous assurer de la pertinence de nos rsultats.

c) Test de DICKEY-FULLER sur le modle n1

xt = xt-1 + t
Pour le modle n1, il nous suffit uniquement de procder au test de racine unitaire :
H0 : = 0

H1 : < 0

Nous testons lhypothse nulle = 0 (non stationnarit) contre lhypothse alternative < 0
(stationnarit) en se rfrant aux valeurs tabules par DICKEY et FULLER. Dans la mesure
o les valeurs critiques sont ngatives, la rgle de dcision est la suivante :
-

si la valeur calcule de la t-statistique associe est infrieure la valeur critique,

on rejette lhypothse nulle de non stationnarit.
si la valeur calcule de la t-statistique associe est suprieure la valeur critique,
on accepte lhypothse nulle de non stationnarit.

15

t = 0,908663 > - 1,9420

Par consquent, on accepte donc lhypothse H0 de non stationnarit et de racine unitaire.
Notre srie est donc non stationnaire et intgre dordre 1 => I(1). Cest donc bien un
processus DS sans drive que lon peut prsenter sous la forme suivante :

LOGEXXONt = LOGEXXONt-1 + t
Nous allons maintenant procder au test de PHILLIPS - PERRON, afin de voir si nos
conclusions sont exactes.

16

2) Le test PHILLIPS - PERRON

Ce test est trs intressant car sa porte est plus gnrale que le test de DICKEY FULLER, il
prend en compte les erreurs autocorrles et htroscdastiques la fois. Avant destimer les
diffrents modles avec le test de PHILLIPS PERRON, nous devons dterminer le paramtre
de troncature, pour cela SCHWERT propose dutiliser deux valeurs de l, notes l4 et l12 :
l4 =

l12 = int[12*(T/100)^(1/4)]

o T est le nombre dobservations totales et int[xt] dsigne la partie entire de xt. NEWET et
WEST ont quant eux propos de choisir l tel que :
l = int [4*(T/100)^(2/9)]
Cependant on retient en gnral l = T^(1/4) ; on aurait donc l = 3,49. Ici, la version EVIEWS
3.1, slectionne directement la troncature avec l = 4. Nous allons procder au test de
PHILLIPS PERRON pour les 3 modles, nous suivrons la procdure habituelle et
commencerons par le modle le moins contraint, le modle n3, pour finir avec le modle le
plus contraint, le modle n1.
a) Test de PHILLIPS - PERRON sur le modle 3 :

17

t = - 2,981377 > - 3,4405

Nous acceptons lhypothse H0 de racine unitaire au seuil de 5%, la statistique de PHILLIPS
PERRON est suprieure la valeur critique calcule par EVIEWS. Nous allons maintenant
nous intresser au modle n2.
b) Test de PHILLIPS - PERRON sur le modle 2 :

t = - 0,926088 > - 2,8809

Nous acceptons lhypothse H0 de racine unitaire au seuil de 5%, la statistique de PHILLIPS
PERRON est suprieure la valeur critique calcule par EVIEWS. Nous allons maintenant
nous intresser au modle n1.

18

c) Test de PHILLIPS - PERRON sur le modle 1 :

t = 0,975489 > - 1,9420

Nous acceptons lhypothse H0 de racine unitaire au seuil de 5%, la statistique de PHILLIPS
- PERRON est suprieure la valeur critique calcule par EVIEWS. La srie de test que nous
venons dexcuter concident avec les tests de DICKEY - FULLER. Notre srie tudie est
donc non stationnaire. Il sagt dun processus DS sans drive => I(1).

19

3) Le test KPSS
KWIATKOWSKI, PHILLIPS, SCHMIDT et SHIN proposent un test fond sur lhypothse
nulle de stationnarit. Aprs estimation des modles n2 et n3, on calcule la somme partielle
des rsidus et on estime la variance de long terme comme pour le test de PHILLIPS PERRON. Pour la troncature, nous reprendrons l = 4. Le test se prsente donc sous la forme
suivante :
H0 : < 0
H1 : = 0
a) Test de KPSS sur le modle n3
Pour faire le test de KPPS, nous avons besoin de prendre une version dEVIEWS plus rcente
=> 4.1 qui va calculer la statistique LM que lon pourra par la suite comparer aux diffrentes
valeurs critiques. Nous obtenons les rsultats suivants :

20

Nous pouvons voir que la statistique LM est suprieure lensemble des valeurs critiques
pour les diffrents seuils = 1, 5 et 10%. Nous pouvons en conclure que lon rejette
lhypothse de stationnarit de la srie, ce qui est conforme aux observations que nous avons
formul.
b) Test de KPSS sur le modle n2
Grce EVIEWS, nous obtenons les rsultats suivants :

Encore une foison observe que la statistique LM est suprieure lensemble des valeurs
critiques pour les diffrents seuils = 1,5 et 10%. Nous rejetons lhypothse H0 de
stationnarit de la srie, ce qui concide avec lensemble de nos rsultats. La srie
LOGEXXON est bien une marche au hasard sans drive => I(1).

21

V) Stationnarisation de la srie
Comme nous lavons vu, notre srie tudie est un processus de marche alatoire sans drive,
pour stationnariser notre srie, nous allons utiliser les diffrences premires comme filtre. A
noter quil est ncessaire de stationnariser notre srie afin dviter une ventuelle rgression
fallacieuse (spurious regression). Pour cela, nous allons utiliser le programme suivant :

Nous allons maintenant tudier le corrlogramme de notre nouvelle srie afin de savoir si
celle-ci est bien stationnaire et tester les hypothses suivantes :
H0 : i = 0

H1 : i 0

avec i = 1, , 30

22

A noter que ce graphique pouvait tre obtenu via EVIEWS :

(View ; correlogram ; first difference)
Nous pouvons voir que les autocorrlations de notre nouvelle srie ne sont pas statistiquement
diffrentes de 0, les probabilits critiques associes sont toutes significativement suprieures
au seuil = 5%, de plus, sur le graphique, on peut voir que les ralisations de notre srie ne
sortent pas de lintervalle de confiance matrialis par des traits verticaux. Nous acceptons
lhypothse H0, dabsence dautocorrlations. Nous pouvons donc en conclure que notre
nouvelle srie est bien stationnaire. Nous pouvons tudier la reprsentation graphique de la
srie Z.

Nous pouvons voir que notre srie Z fluctue dsormais entre 0,03 et -0,05 soit une amplitude
de 0,07 ce qui correspond 1,083 $, notre srie a donc bien t stationnarise sur lensemble
de la priode.

23

VI) Vrification de lordre dintgration

Dans le but de sassurer de lordre dintgration de la srie (le nombre de fois o il a fallu la
diffrencier pour la rendre stationnaire), nous allons nouveau procder un test de
PHILLIPS - PERRON. Cette technique permettra de confirmer la bonne stationnarisation de
la srie. Nous testons bien entendu les hypothses suivantes :
H0 : = 0

H1 : < 0

Nous allons faire la mme procdure quauparavant, il nous suffit de lappliquer au modle
n1 et de choisir le test en diffrences premires. Nous obtenons le graphique suivant :

t = - 13,62039 < - 1,9420

24

Nous rejetons lhypothse H0 de racine unitaire au seuil de 5%, la statistique de PHILLIPS PERRON est infrieure la valeur critique calcule par EVIEWS. Par ailleurs, pour avoir une
confirmation, nous pouvons faire le test DICKEY FULLER sur le modle n1 en choisissant
le test en diffrences premires. Nous testons toujours les hypothses suivantes :
H0 : = 0

H1 : < 0

Nous obtenons les rsultats suivants :

t = - 13,6735 < - 1,9420

Nous rejetons lhypothse H0 de racine unitaire au seuil de 5%, la statistique de DICKEY FULLER est suprieure la valeur critique calcule par EVIEWS.
Dans les 2 cas, nous rejetons lhypothse H0 de non stationnarit et de racine unitaire,
autrement dit cela signifie que la srie Z est bien stationnaire, par consquent le cours de notre
action est intgr dordre 1.

25

VII) Interprtation des rsultats

Comme nous avons pu lobserver, le cours boursier de notre action Exxon Mobil est une
marche alatoire sans drive, ce rsultat est trs important car son interprtation va nous
permettre de faire le parallle avec des thories dveloppes en Finance. Pour commencer, le
fait que notre srie suive une marche alatoire sans drive implique que lon ne peut pas
prvoir comment va se comporter le cours de laction dans le futur, il nest donc pas possible
de tirer profit de linformation passe pour faire des prvisions, en dautres termes, les
performances passes ne peuvent pas prsager des performances futures. De ce fait, nous
pouvons faire un lien avec les tudes3 qui se sont dveloppes sur lefficience des marchs
financiers. En effet, dans les annes 1960, FAMA, a prolong la notion classique de march
pur et parfait du 19me sicle : un march financier est dit efficient si et seulement si
lensemble des informations disponibles concernant chaque actif financier cot est
immdiatement intgr dans le prix de cet actif . Autrement dit, le march est efficient
lorsque lensemble des informations pertinentes lvaluation des actifs financiers, disponible
la date t, est reflt dans le prix la date t. Par ailleurs, cette thorie implique que les
vnements anticips sont inclus dans le prix : seuls les vnements dit imprvisibles peuvent
influencer les prix. Ainsi, au sein des marchs efficients, les prix des actifs cts sont tels
quun investisseur ne puisse, en achetant ou vendant cet actif, en raliser un profit certain ,
cest ce que lon traduit comme labsence dopportunit darbitrage. Lanalyse de FAMA
suppose toutefois un certain nombre de conditions savoir que le march soit concurrentiel et
suffisamment large, que linformation se rpande instantanment et enfin que les oprateurs
ragissent correctement et quasi-immdiatement aux informations sils ont la capacit
cognitives de les interprter, ce qui est le cas des marchs boursiers. Cela signifie donc que les
cours de notre action Exxon Mobil quivalent toujours au juste prix et voluent selon une
marche alatoire sans drive au gr des surprises apportes par les nouvelles informations. Il
est impossible de prvoir lavance le prix de notre titre, puisque ds son existence,
linformation est intgre dans le cours du titre. La thorie dveloppe par FAMA est bien
entendu la base du modle du CAPM ou MEDAF4. Toutefois, il est important de souligner
que la relation entre marche alatoire et efficience nest pas une quivalence absolue. En effet,
si lhypothse de marche alatoire repose sur la thorie de lefficience, lhypothse de march
efficient nimplique pas que les prix suivent une marche alatoire. Par consquent, le fait que
les prix ne suivent pas une marche alatoire nentrane pas linefficience du march. Enfin, il
est utile dajouter que la thorie de lefficience des marchs est depuis peu, remise en cause
par une nouvelle discipline appele la Finance Comportementale, selon laquelle des erreurs
cognitives et motionnelles collectives faussent la formation des prix (exemple : phnomne
de spculation) et peuvent expliquer la volatilit excessive de certains titres.

3
4

Source : Lefficience des marchs financiers Gillet

Source : Lefficience informationnelle des marchs financiers Lardic Mignon

26

VIII) Identification du processus pour la variable Z

1) Analyse du corrlogramme et statistiques de LJUNG - BOX
Dans la premire partie, nous avons montr comment rendre stationnaire, un chantillon dun
processus alatoire non stationnaire, nous allons maintenant procder lanalyse de ce nouvel
chantillon. Nous commenons par r-analyser le corrlogramme et tester les hypothses
suivantes :
H0 : i = 0
H1 : i 0
avec i = 1, , 30

On peut tout dabord observer que tous les termes des fonctions dautocorrlation simple et
partielle ne sont pas significativement diffrents de 0. Ils sont tous situs dans lintervalle de
confiance matrialis par les traits verticaux. Par ailleurs, nous pouvons observer que la
probabilit critique de la statistique de LJUNG BOX est, pour tous les retards suprieures,
au seuil = 5%, de ce fait, nous pouvons accepter lhypothse H0 dabsence
dautocorrlation, ce qui prouve que notre rsidu est correctement blanchi. De mme, nous
pouvons affirmer que le corrlogramme de la srie LOGEXXON filtre par les diffrences

27

premires est caractristique dun bruit blanc5. Nous allons maintenant effectuer un test de
moyenne pour confirmer cette hypothse.
2) Test de Moyenne :
A laide du logiciel EVIEWS, nous allons test lhypothse H0, autrement dit nous allons
tester la nullit de la moyenne de notre srie Z, contre lhypothse alternative.
H0 : = 0

H1 : 0

Nous pouvons voir que la probabilit critique associe au test de nullit de la moyenne est de
0,3559 ce qui est largement suprieur au seuil critique = 5%, par consquent nous acceptons
lhypothse H0 de nullit de la moyenne, nous avons donc un bruit blanc centr. Nous allons
maintenant procder un test de JARQUE BERA afin de voir si notre bruit blanc est
gaussien ou non - gaussien.
3) Test de JARQUE BERA

Source : Economtrie Bourbonnais page 237

28

Rappelons que la probabilit critique associe au test de JARQUE - BERA, correspond la

probabilit de se tromper en rejetant lhypothse nulle (les donnes suivent une loi normale),
ici elle est gale 0. Pour un seuil = 5%, on rejette donc lhypothse de normalit de la
distribution. En effet, la distribution est beaucoup trop aplatie pour suivre une loi normale
(kurtosis : 4,786985), avec une asymtrie galement trop forte (skewness : -0,846663). Ici,
nous qualifierons notre distribution de leptokurtique dans la mesure o les queues de
distribution sont plus paisses que pour une loi normale, de mme nous pouvons qualifier
notre bruit blanc, de bruit blanc non gaussien. Par ailleurs, la vue du corrlogramme, on va
tout de mme essayer de voir si la srie filtre Z ne suit pas un processus AR(1), MA(1) ou
encore ARMA(1,1), car lon constate dune part que le premier terme des fonction
dautocorrlation simple et partielle semble tre relativement plus significatif que les autres, et
dautre part que lon pourrait interprter ces fonctions dautocorrlation simple et partielle
comme tant des sinusodes amorties (mme si a ne semble pas tre le cas premire vue).
4) Le processus est-il un AR(1) ?
On va raliser un test de significativit pour la variable AR(1). Ce test permet de dterminer
si la variable explicative est pertinente, cest dire quil sagit bien dun processus AR(1). On
pose les hypothses suivantes :
H0 : a = 0

H1 : a 0

Nous obtenons les rsultats suivants :

29

Statistique de test et loi sous H0 :

t-Statistic = t* = i/(i) suit une loi de Student (T - K) degrs de libert, o T correspond au
nombre dobservations et K renvoie au nombre de paramtres estimer, constante comprise.

Rgle de dcision pour un seuil = 5% :

Il faut comparer le t* avec le t thorique lue dans la table. Si t* > t alors on rejette H0, dans
ce cas la variable explicative est significativement diffrente de 0, donc la variable explicative
contribue significativement expliquer la variable Z. On dit donc quelle est significative. Le
logiciel EVIEWS nous donne la probabilit critique du t-Statistic (t*). Elle peut tre trouve
dans la table en cherchant la probabilit correspondant la valeur du t* pour un degr de
libert de (T - K). Donc ici, si la probabilit critique est suprieure au seuil = 5%, on
accepte H0 et le coefficient associ la variable AR(1) nest pas significativement diffrent
de 0, et inversement si la probabilit critique est infrieure au = 5%.

Conclusion du test :
Dans ce cas prcis, la probabilit critique est gale 0,1135 par consquent elle est suprieure
au seuil = 5%, et de ce fait, on peut en dduire que la variable AR(1) ntant pas explicative,
Z ne suit donc pas un processus AR(1). On peut aussi rajouter que la constante nest pas
significative car sa probabilit critique est gale 0,2495.

5) Le processus est-il un MA(1) ?

On va maintenant raliser un test de significativit pour la variable MA(1). Ce test permet de
dterminer si la variable explicative est pertinente, cest dire quil sagit bien dun processus
AM(1). On pose les hypothses suivantes :
H0 : a = 0

H1 : a 0

Nous gnrons la srie grce au programme suivant :

30

Nous obtenons les rsultats suivants :

On peut observer que constate la probabilit critique du t-Statistic (t*) associ la variable
MA(1) est suprieure au seuil = 5%, on accepte donc H0. La variable MA(1) ne contribue
pas expliquer de manire significative la variable Z, on peut en dduire que Z ne suit donc
pas un processus MA(1). On note aussi que la constante nest pas significative car sa
probabilit critique associe est elle aussi suprieure au seuil de 5 %

6) Le processus est-il un ARMA(1,1) ?

On va maintenant raliser un test de significativit pour la variable AR(1) et AM(1) en mme
temps. Ce test permet de dterminer si les variables explicatives sont pertinentes, cest dire
quil sagit bien dun processus ARMA(1,1). On pose les hypothses suivantes :
H0 : a1, 2 = 0 H1 : a1, 2 0
Nous gnrons la srie grce au programme suivant :

31

Nous obtenons les rsultats suivants :

On constate ici que les probabilits critiques des t-Statistic (t*) associs aux variables AR(1),
MA(1) et la constante sont toutes suprieures au seuil = 5%. Par consquent Z nest pas
non plus un processus ARMA(1,1). A noter que jai quand mme test en partant dun
processus ARMA(4,4) et de rduire mes ordres, mais aucun de mes modles ntaient
significatifs, ce qui prouve encore une fois que mon processus suit un bruit blanc ou encore un
processus ARIMA(0,1,0).
Toutefois, nous allons considrer que notre srie Z suit un processus AR(1) mme si ce nest
pas le cas, afin de pouvoir le modliser par une loi de reproduction et raliser des prvisions
car dans la mesure o un processus bruit blanc est caractris par labsence de processus
gnrateur, il est donc alatoire et imprvisible, ce qui signifie que lon ne peut en dduire une
rgle pour dterminer des valeurs futures.

32

IV) Tentative destimation du processus AR(1)

Nous commenons par retirer les 5 dernires observations de notre srie pour lesquelles on
construira des prvisions, cela nous permettra de comparer les ralisations effectives de la
srie aux valeurs prvues dans ltape de prvision. Nous commenons par gnrer la
nouvelle srie laide du programme suivant :

Nous obtenons les rsultats suivants :

Tout dabord, nous allons nous assurer que le processus est bien stationnaire. Nous devons
vrifier que la racine inverse du polynme associe la partie AR soit infrieure 1 en
module. Ici, on observe que la racine inverse associe la partie AR est gale (- 0,14), par
consquent, le processus tudi est bien stationnaire. On remarque que la probabilit critique
associe la statistique de Student de la variable AR est suprieure au seuil = 5%, ce qui
signifie que cette variable nest pas significative (ce qui parait logique, tant donn notre
tude prliminaire). De mme la constante nest pas significative, nous allons donc refaire
lestimation de notre modle sans la constante, nous obtenons les rsultats ci-dessous :

33

On peut tout dabord noter que la racine inverse associe la partie AR est gale (- 0,13), le
processus reste donc stationnaire. Toutefois, malgr que lon est retir la constance, la
probabilit critique associe la statistique de Student de la variable AR est suprieure au
seuil = 5%, ce qui signifie que cette variable nest toujours pas significative. Dans ce cas, il
nest pas ncessaire de raliser les tests dajout et domission de variables. A laide du logiciel
EVIEWS, nous allons gnrer le graphique qui nous donne les rsidus estims, la srie
observe et la srie ajuste. Pour cela, on va dans View puis actual, fitted, residual et
on slectionne graph . Ici actual est la srie observe, fitted est la srie estime et
residual le rsidu.

34

X) Validation du processus
1) Test de LJUNG BOX
Nous allons tester les hypothses suivantes :
H0 : i = 0

H1 : i 0

avec i = 1, , 30

Ici, nous pouvons observer que les plus - values associes aux statistiques de LJUNG - BOX
sont toutes suprieures 5%. On ne rejette pas lhypothse nulle de non corrlation des
erreurs. Le corrlogramme laisse donc prsager que nos rsidus suivent un bruit blanc. Afin
de nous assurer de labsence dautocorrlation des erreurs dordre suprieur 1, nous allons

35

procder au test de BREUSCH GODFREY, nous ne ferons pas le test de DURBIN

WATSON car lorsquon introduit un terme autorgressif, le test devient biais.
2) Test de BREUSCH - GODFREY
Comme nous lavons dj vu, le test de BREUSCH GODFREY permet de tester une
autocorrlation dun ordre suprieur 1 et reste valide en prsence de la variable dpendante
dcale en tant que variable explicative. Lide gnrale de ce test rside dans la recherche
dune relation significative entre le rsidu et ce mme rsidu dcal. Nous allons pratiquer le
test de BREUSCH - GODFREY pour les ordres 2, 3 et 4.

Hypothse de test :
H0 : = 0

H1 : 0

H0 : = 0 => absence dautocorrlation des erreurs dordre.

H1 : 0 => dpendance des erreurs.
Statistique de test :
LM = n*R2
n = nombre dobservation dans lquation intermdiaire
R2 = coefficient de dtermination calcul pour lquation intermdiaire

Rgle de dcision au seuil = 5% :

Si la p - value > 5%, alors on accepte H0, il ny pas dautocorrlation des erreurs dordre p.

p
2
3
4

LMobs
9.88E-05
0.154233
0.296624

p-value
0.999951
0.984616
0.990031

Pour tous les ordres observs, nous acceptons lhypothse H0 et donc labsence
dautocorrlation des erreurs. Nous allons maintenant procder des tests
dhtroscdasticit. Nous commencerons par nous intresser au corrlogramme des rsidus
au carr6, puis nous effectuerons le test ARCH de Engle et nous terminerons par le test de
White.

Source : Analyse des sries temporelles Bourbonnais page 258 - 259

36

3) Test dhtroscdasticit
Nous commenons par analyser le corrlogramme du rsidu au carr et tester les hypothses
suivantes :
H0 : i = 0

H1 : i 0

avec i = 1, , 30

A partir du corrlogramme, nous pouvons observer que la probabilit critique de la statistique

de LJUNG BOX est, pour tous les retards suprieures, au seuil = 5%, de ce fait, nous
pouvons accepter lhypothse H0 dabsence dautocorrlation. Par consquent, le
corrlogramme ne prsente pas les caractristiques dune htroscdasticit de type ARCH.

37

Afin de confirmer cette intuition, nous allons procder directement au test ARCH lui mme.
Rappelons que ce test permet didentifier une ventuelle htroscdasticit particulire de
type autorgressive ; cest--dire des sries o la variance instantane dpend du pass. Dans
le cas de sries de cours boursiers, ce type de test permet de dtecter dventuels phnomnes
spculatifs. La mthode du test consiste construire une rgression entre les rsidus au carr
et les rsidus au carrs dcals de lordre p. Il sagit en fait dun modle AR sur les carrs des
rsidus. On calcule ensuite le coefficient de dtermination de ce modle et on dmontre que la
quantit n*R2 obit asymptotiquement sous lhypothse de nullit de tous les coefficients de
rgression du modle un p degrs de libert.

Hypothse de test :
H0 : Absence dun effet ARCH(p)
H1 : Prsence dun effet ARCH(p)

Statistique de test :
LM = n*R2
n = nombre dobservation dans lquation intermdiaire.
R2 = coefficient de dtermination calcul pour lquation intermdiaire.

Rgle de dcision au seuil = 5% :

Si la p - value > 5%, alors on accepte H0, il ny pas deffet ARCH(p).

LMobs

p-value

1
2
3
4

3,205835
3,167857
3,391342
3,455419

0,073376
0,205168
0,335131
0,484689

Pour tous les ordres tests, nous acceptons lhypothse H0 dabsence deffet ARCH(p), il ny
a donc pas dhtroscdasticit. Afin de confirmer cette intuition, nous allons effectuer le test
de White.
Le Test de White est fond sur une relation significative entre le carr du rsidu et une ou
plusieurs variables explicatives en niveau et au carr au sein dune mme quation de
rgression. Soit n le nombre dobservations disponibles pour estimer les paramtres du
modle et R2 le coefficient de dtermination. Si lun de ces coefficients de rgression est
significativement diffrent de 0, alors on accepte lhypothse dhtroscdasticit. Nous
obtenons les rsultats suivants laide du logiciel dEVIEWS.

38

Nous pouvons voir que la probabilit critique est suprieure au seuil = 5%, par consquent
nous rejetons lhypothse dhtroscdasticit des erreurs, notre rsidu est bien
homoscdastique ce qui confirme que notre rsidu est un bruit blanc. Enfin, nous allons
effectuer le test de JARQUES BERA pour voir si notre rsidu est gaussien.
4) Test de JARQUE BERA

39

Pour un seuil = 5%, on rejette donc lhypothse de normalit de la distribution. En effet, la

distribution est beaucoup trop aplatie pour suivre une loi normale (kurtosis : 5,152228), avec
une asymtrie galement trop forte (skewness :-0,944252). Il sagit dune distribution
leptokurtique : les queues de distribution sont beaucoup plus paisses que pour une loi
normale. Notre rsidu est donc un bruit blanc non gaussien. Il est important de souligner que
cela peut poser un problme au niveau de lintervalle de prvision, toutefois dans le projet
nous ne corrigerons pas cette anomalie.

XI) Prvision
1) Prvision de la srie Z
Nous allons gnrer la prvision laide d EVIEWS par le biais de longlet FORECAST.
Nous allons obtenir une nouvelle srie ZF qui nous donnera la prvision pour les moments
146, 147, 148, 149 et 150.

On obtient la srie prvue en bleue et lintervalle de prvision de niveau 95% en rouge. On

peut noter que les deux premiers critres dvaluation RMSE et MAE sont relativement
faibles. Par ailleurs, il faut souligner que le coefficient de THEIL est assez lev (0,968804) et
se rapproche du seuil de 1, seuil significatif qui permet de comparer lefficacit de notre
prvision celle dune marche alatoire, ici je serais tenter de dire que notre modle ne sera
pas efficace car trs proche dune marche alatoire. Nous allons reprsenter sur un mme
graphique notre srie Z et la srie qui contient notre prvision ZF.

40

La courbe rouge reprsente la srie prvue et la courbe bleue reprsente la srie effective Z.
On se rend bien compte ici que la modlisation de la srie filtre Z nest pas satisfaisante car
les prvisions ne donnent aucune tendance sur lvolution de la srie, en effet les points
dinflexion ne sont pas estims. Cependant, on peut ajouter que la prvision nous donne
quand mme une sorte de moyenne de ce que seront les valeurs observes sur la priode de
prvision. La dfaillance de la prvision est donc logique puisque la srie filtre ne suit pas un
processus AR(1).

2) Prvision du processus initial

Une fois les prvisions du processus Z calcules, on peut construire sur cette base les
prvisions du processus initial. Notons Z le processus filtr et X le processus initial (non
filtr). Nous sommes dans le cas dun processus DS : (1 - L) X = Z o X = LOGEXXON.

X T^(1) = ZT^(1) + XT
X T^(1) = 0.001362 + 4.440178 = 4.441540
X T^(2) = ZT^(2) + ZT^(1) + XT
X T^(2) = - 0.000180 + 0.001362 + 4.440178 = 4.441360
X T^(3) = ZT^(3) + XT^(2) = 2.4E-05 + 4.441360 = 4.441384
X T^(4) = ZT^(4) + XT^(3) = -3E-06 + 4.441384 = 4.441381
X T^(5) = ZT^(5) + XT^(4) = 4E-07 + 4.441381 = 4.441381

41

Il nous suffit maintenant dappliquer la fonction exponentielle nos donnes et de les

comparer aux valeurs effectives, nous obtenons les rsultats suivants :

EXXON T^(1) = 84.905595 $

EXXON (146) = 85.50 $

EXXON T^(2) = 84.890314 $

EXXON (147) = 84.84 $

EXXON T^(3) = 84.892351 $

EXXON (148) = 81.75 $

EXXON T^(4) = 84.892096 $

EXXON (149) = 83.21 $

EXXON T^(5) = 84.892096 $

EXXON (150) = 85.36 $

Comme nous pouvons le constater, il existe des carts entre les prvisions et les valeurs
observes, ceux-ci rsultent probablement du fait que le processus suivi par Z ntait pas un
processus AR(1).

XII) Interprtation des rsultats

Nous avons dmontr que notre srie Z suit un processus de bruit blanc non gaussien, et de
ce fait, est caractris par labsence de processus gnrateur, cest donc un processus
totalement alatoire et imprvisible. En effet, nous avons tent de raliser des prcisions en
traitant notre srie Z comme un processus AR(1), et les rsultats se sont avrs dcevants.
Cette tude permet de mettre en vidence que dans le cas dun actif dont le cours suit une
marche alatoire pure, les prix de laction la priode t et la priode t 1 diffre
uniquement parce quune nouvelle information, imprvisible en t 1, est arrive en t,
provoquant un changement des anticipations des agents, et donc un changement des prix des
actions. Cela renvoie la dfinition de lefficience informationnelle et au fait qu tout
moment le cours boursier reflte toute linformation disponible concernant la vie de la firme
ainsi que linfluence des vnements sur les performances futures de la firme. De ce fait,
aucun investisseur, ni aucun analyste ne peut prvoir de faon certaine lvolution des cours
dun actif financier. Mathmatiquement, nous pouvons formaliser cette ide de la manire
suivante :
Pour tout , E(Pj, t + 1 | t) = Pj, t
Avec Pj, t le prix du titre j la priode t et une information quelconque.
Il en rsulte quen moyenne, la meilleure prvision dvolution du prix dun actif financier
la priode t + 1 reste son prix connu la priode t. Cette impossibilit de prvoir de faon
certaine lvolution du prix dun titre partir des cours passs peut amener la remise en cause
de certaines pratiques pourtant trs utilises dans les salles de march des banques et des
socits de bourse ainsi que chez les investisseurs institutionnels : lanalyse technique et
lanalyse fondamentale. Pour conclure, nous pouvons souligner le fait que la modlisation de
sries financires par des modles ARMA(p,q) ne semble pas approprie, dans la pratique, on
sorientera plus vers des modles du type ARCH ou GARCH.

42

Bibliographie
Sites Internet :
http://www.dauphine.fr/dfrea/master_ace/marie.bessec_teaching.htm
http://www.bloomberg.com
http://www.boursorama.com
http://www.latribune.fr
http://www.yats.com/doc/pairs-trading-fr-ppt.pdf

Ouvrages :
Lefficience des marchs financiers Gillet
Lefficience informationnelle des marchs financiers Lardic Mignon
The Econometrics of Financial markets - Campbell - Lo - MacKinlay
Analyse des sries temporelles Bourbonnais Terraza
Economtrie Bourbonnais
Economtrie des sries temporelles Bresson Pirotte
Economtrie des sries temporelles macroconomiques et financires Lardic Mignon

43