professeur jean-christian lambelet assistant : … · le modèle à facteurs multiples, ou...
Post on 16-Sep-2018
215 Views
Preview:
TRANSCRIPT
QUELLES SONT LES VARIABLES QUI AFFECTENT LES SECTEURS DU SPI1?
"Modèles Macroéconomiques"
Professeur Jean-Christian Lambelet
Assistant : Alexander Mihailov
ABSTRACT
La présente étude utilise le modèle à facteurs multiples pour expliquer le lien entre les
rendements des différents secteurs du SPI et certains indicateurs macroéconomiques. On trouve
que les variables S&P 500, le cours du baril de brent ainsi que le taux de change CHF/USD sont
souvent significatives. Néanmoins, les résultats des régressions montrent que les autres
variables macroéconomiques à savoir, le taux de chômage, le prix des obligations des
entreprises suisses, l’inflation et la production industrielle, ont des effets nettement plus ambigus.
Une explication proposée sera d’évoquer le caractère international des sociétés suisses, dont les
revenus se font essentiellement à l’étranger et sont ainsi moins affectés par la conjoncture
économique de la Suisse. Il sera également montré qu’il existe un lien de causalité entre l’indice
américain S&P 500 et le SPI.
1 Sujet proposé et présenté par Philippe Ziegler, le 15 mai 2002.
2
TABLES DES MATIERES
I. INTRODUCTION ............................................................................................................................................. 3
II. SURVOL DE LA LITTÉRATURE ................................................................................................................ 4
III. ELÉMENTS THÉORIQUES ........................................................................................................................ 5
3. 1. SINGLE INDEX MARKET MODEL (SIMM) .................................................................................................... 5 3. 2. DÉCOMPOSITION DU RISQUE ........................................................................................................................ 7 3. 3. MULTIPLE INDEX MARKET MODEL (MIMM) .............................................................................................. 7
3.3.1. Description du modèle ......................................................................................................................... 7 3.3.2. Constatations empiriques..................................................................................................................... 9
IV. RÉSULTATS EMPIRIQUES ........................................................................................................................ 9
4.1. INDICES ET DONNÉES UTILISÉS...................................................................................................................... 9 4.2. ESTIMATION DU MODÈLE À FACTEUR UNIQUE............................................................................................. 11 4.3. TYPES DE DONNÉES UTILISÉES POUR LE MODÈLE À FACTEURS MULTIPLES................................................. 13 4.4. RÉSULTATS EMPIRIQUES DU MODÈLE À FACTEURS MULTIPLES .................................................................. 15
4.4.1. SPI Banks........................................................................................................................................... 16 4.4.2. SPI Buildings ..................................................................................................................................... 16 4.4.3. SPI Chemicals & Pharmaceutical ..................................................................................................... 17 4.4.4. SPI Food ............................................................................................................................................ 17 4.4.5. SPI Industry et SPI Other Industrials ................................................................................................ 18 4.4.6. SPI Insurance..................................................................................................................................... 18 4.4.7. SPI Light Electric and Electronics..................................................................................................... 18 4.4.8. SPI Machinery ................................................................................................................................... 19 4.4.9. SPI Miscellaneous services................................................................................................................ 19 4.4.10. SPI Services ..................................................................................................................................... 19 4.4.11. SPI Utility ........................................................................................................................................ 19 4.4.12. Indice SPI......................................................................................................................................... 19
4.5. COMMENTAIRES GÉNÉRAUX SUR LES RÉSULTATS....................................................................................... 20
V. CONCLUSION............................................................................................................................................... 22
VI. ANNEXES ..................................................................................................................................................... 23
6.0. COMPOSITION DE L’INDICE SPI................................................................................................................... 23 6.1. REPRÉSENTATION GRAPHIQUE DES SECTEURS DU SPI ................................................................................ 24 6.2. REPRÉSENTATION GRAPHIQUE DES VARIABLES MACROECONOMIQUES..................................................... 246 6.3. RÉSULTATS DES RÉGRESSIONS.................................................................................................................... 27
VII. BIBLIOGRAPHIE ...................................................................................................................................... 28
3
I. INTRODUCTION
De nos jours, il est de plus en plus fréquent d'entendre, par le biais des médias, que la publication
de bons ou de mauvais indicateurs économiques donne la tendance journalière des marchés
financiers. Par exemple, combien de fois a-t-on pu lire ou entendre des phrases du type :
" U.S. stocks soared Friday morning after a report showing an end to more than six months of job cuts gave
investors hope that an economic recovery may finally be under way." - CNN, Mars 2002 -
Il semblerait donc, que certains indicateurs économiques aient une influence plus au moins
importante sur les marchés financiers. L’étude suivante a pour but de déterminer les facteurs
macroéconomiques qui influencent les différents secteurs du Swiss Performance Index.
Dans cette étude, il sera essentiellement question d'utiliser des indicateurs macroéconomiques
pour essayer d'expliquer les rendements des actifs financiers suisses. La démarche utilisée sera
dans un premier temps de présenter un rapide survol littéraire, puis d'expliquer les divers
modèles évoqués ci-dessus et enfin de tester ces modèles et de commenter les résultats obtenus.
L'approche utilisée sera basée sur le modèle à facteurs multiples, ou Multi-Index Model, qui est
une généralisation du Single Index Market Model (SIMM).
Comme on le verra plus loin, l'indice du marché suisse, le Swiss Performance Index est
essentiellement un indice composé par des entreprises appartenant aux secteurs bancaire,
pharmaceutique & chimique, de l'alimentation et de l'assurance. Une approche sectorielle sera
utilisé puisqu'il parait normal que des entreprises d'un même secteur réagissent de la même
façon à des variations économiques. Une estimation de ces secteurs reviendra plus au moins à
estimer l'ensemble du marché puisqu'on retrouve dans ces secteurs les dix plus grandes
entreprises en Suisse qui constituent environ 80% de la capitalisation boursière totale de la
Suisse.
4
II. Survol de la Littérature
Le modèle à facteurs multiples, ou Multi-Index Model, est une généralisation du Single Index
Market Model (SIMM), modèle développé par Sharpe2 (1964), mais imaginé par Markowitz3. Le
modèle à facteur unique se caractérise par le fait que le seul facteur à influencer le rendement
d’un titre est sa sensibilité par rapport au marché. En d'autres termes, il s'agit simplement de voir
qu'elle est la sensibilité d'un titre par rapport au marché. Ce modèle sera très vite amélioré par de
nombreuses études empiriques montrant que d’autres éléments peuvent également affecter les
rendements des actifs financiers. Fama et French4 montrent par exemple que des paramètres
tels que la taille de l'entreprise, la croissance des actifs, le niveau d'endettement ou encore la
volatilité des bénéfices peuvent aussi être envisagés.
La démarche de l’approche sectorielle est motivée par plusieurs études économétriques, comme
par exemple celle de King5 en 1966, qui montre que les variations de prix d’actifs dans une même
industrie sont influencées par des effets au-delà de celui du marché. En utilisant des données
mensuelles pour 63 firmes américaines sur la période de 1927 à 1960, il trouve que 50% de la
volatilité de ces titres est expliquée par l'indice du marché, et que 20% de la variance résiduelle
peut-être expliquée par une affiliation sectorielle. Meyers (1973) et Livingston (1977) confirmeront
ces résultats quelques années plus tard. Ces constatations conduiront au développement de
modèles multifacteurs, qui incorporent des facteurs autres que le marché.
Diverses études ont par la suite essayé de déterminer des facteurs autres que celui du marché
pouvant affecter les prix des actifs. Pari et Chen6 (1984) testent le modèle du Arbitrage Pricing
Theory (APT) sur 2'090 firmes entre 1975 et 1980. Ils trouvent que des facteurs tels que la
volatilité des prix du pétrole ou le risque de défaut.
Dans une étude relativement similaire, Bae et Duvall7 (1996) appliquent le modèle à facteurs
multiples au secteur de l’aéronautique des USA. En utilisant des facteurs tels que le S&P, l'indice
des prix à la consommation, l'indice de production industrielle et le nombre d'avions livrés, ils
2 Sharpe, W., "Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk", Journal of Finance, Vol. 19, N°3, September 1964, pp. 425-442. 3 Ce modèle est également plus connu sous le nom de modèle de marché 4 Fama, E. and K. French, "The Cross-Section of Expected Stock Returns", Journal of Finance, vol. 4, pp. 427-465, 1992 5 King, Benjamin F., " Market and Industry Factors in Stock Price Behaviour ", Journal of Business 39, N°1, 1966 6 Pari, Robert A. and Son-Nan Chen, " An Empirical test of the Arbitrage Pricing Theory", Journal of Financial Research 7, N°2, Summer 1984, pp. 121-130
5
trouvent que seul l'indice du marché, le nombre d'avions livrés et parfois l'indice des prix à la
consommation jouent un rôle significatif. Ils en concluent néanmoins, que le modèle à facteurs
multiples a un pouvoir explicatif supplémentaire que le simple modèle à facteur unique.
C’est en s’inspirant principalement de leur étude que l’on va essayer de déterminer les variables
macroéconomiques affectant les secteurs du SPI.
III. ELÉMENTS THÉORIQUES
Puisque le modèle employé dans notre étude est directement dérivé du Single Index Market
Model, il parait judicieux de commencer par introduire ce modèle avant d'aborder le Multi-Index
Market Model. Une fois le modèle de marché expliqué, on rappellera brièvement les différents
types de risques que les marchés financiers encourent et ceci, pour mieux comprendre les
motivations derrières les modèles à facteurs multiples.
3. 1. Single Index Market Model (SIMM)
L'observation de l'évolution des prix des actions révèle que lorsque le marché a une tendance à
la hausse, le prix de la plupart des actions a également tendance à monter. A l'inverse lorsque la
tendance est à la baisse, le prix des actifs financiers est aussi à la baisse. Cette simple
considération suggère qu'il existerait une relation entre le rendement d'un actif financier et le
rendement du marché.
Le SIMM suppose que cette relation est de type linéaire et peut s'écrire de la façon suivante :
avec ,,, titmiiti rR ��� ����
� �2222
22
0)((
ji si 0)(et )( ,0)(
imii
mm
jitt
rErE
EEE
�
�
����
�
�����
���
���
����
Equation N°1
où Ri,t, est le rendement de l'actif "i",
rm,t, est le rendement du marché,
i est la sensibilité du titre "i" par rapport au marché
i l’écart-type ou volatilité de l'actif "i"
7 Bae, Duvall, "An empirical analysis of market and industry factors in stock returns of U.S. aerospace industry", Journal of Financial and Strategic Decisions, Summer 1996
6
Quant à ���� t, il s'agit des composantes de rendement indépendantes du marché où t est un
bruit blanc gaussien. Ces deux termes peuvent être assimilés au rendement spécifique de l'actif,
����� ����� � ����ésente le rendement spécifique espérée et t la composante aléatoire du
rendement spécifique. Il est important de noter que le paramètre �������������� ��������éré de
t soit nulle. On constate donc, que l'équation du SIMM scinde en deux parties le rendement d'un
actif, à savoir une partie qui est due au marché et une autre qui lui est indépendante.
L’hypothèse cruciale dans ce modèle et que i ��� j sont indépendants, ce qui revient à dire que
ji si 0)( ��jiE �� . En d’autres termes, l'unique raison à la variation commune de l’actif "i" et
l’actif "j" provient exclusivement du fait de leur variation commune avec le marché. Il n’existe pas
d’autres effets que celui du marché qui expliquerait que deux actifs varient dans le même sens.
Par exemple, on ne pourra pas invoquer que l’évolution du titre UBS et Crédit-Suisse, suite à une
baisse des taux d’intérêts, soit due à ce changement. Cela signifie que la covariance entre le titre
UBS (=i) et Crédit-Suisse (=j) sera donnée par l’expression suivante : 2, mjiji ���� ��� .
D'un point de vu mathématique ajoutons aussi que le paramètre i, c'est-à-dire la sensibilité du
titre "i" par rapport au marché, représente la pente de la droite de régression et que celle-ci est
donnée à l'aide de la formule:
2
,,
m
imii )Var(Marché
)ActionCov(Marché
�
���
Equation N°2
7
3. 2. Décomposition du risque
Le modèle de marché décompose le risque en deux parties, comme indiqué sur le graphique ci-
dessous, à savoir le risque du marché et le risque spécifique.
Le risque de marché ou risque systématique est dû, comme son nom l'indique, à l'influence du
marché. Ce risque est aussi appelé risque non diversifiable. Le risque spécifique ou risque
diversifiable est composé d’autres type des risques liés aux caractéristiques du secteur ou de
l'industrie à laquelle appartient l'action. Ce risque peut être mesuré dans le modèle de marché à
l'aide de l'écart-type des résidus.
Au vu de la décomposition du risque ci-dessus, il semble normale de vouloir essayer d'enrichir le
modèle à facteur unique classique en lui rajoutant des facteurs supplémentaires en vue de
réduire le risque spécifique qui n’est pas pris en compte par le modèle de marché.
3. 3. Multiple Index Market Model (MIMM)
3.3.1. Description du modèle Comme on l’a vu, le marché n'est pas le seul facteur influençant simultanément un groupe d’actifs
boursiers. Il semblerait que ce facteur explique environ 30 à 50% des variations de prix de
chaque titre. Ceci suggère que d'autres facteurs influencent périodiquement l'évolution des cours
d'un ensemble de titres. Ainsi, certains titres vont être plus sensibles aux mouvements du taux
d'intérêts que d'autres et ce, quelle que soit l'évolution du marché. Bien que la notion de secteur
d'activité soit floue pour un bon nombre d'entreprises diversifiées, il n'empêche que les cours des
sociétés appartenant à un secteur très spécifique ont tendance à être influencés par des causes
communes. L'exemple classique est le cours des pétrolières qui a tendance à subir l'évolution du
��������� �����������
�������� ��
��� ��� ���� �
�
���� ��������� �
���������� ����� �
���������� �
��������� ��� �
�
����������������� �
�
� ����� ������� ���������
������������������ ����
���������� ����
������������ �
�������� ����� �������
8
cours de pétrole. Dès lors, il parait légitime de vouloir décrire le comportement du cours d'un titre
ou d'un groupe de titres par un modèle multifacteurs. Chaque titre ou secteur aura un rendement
qui sera influencé par plusieurs facteurs communs, mais avec une sensibilité différente. En
d'autres termes, il n'existe plus un seul facteur commun le marché (voir SIMM), mais plusieurs
facteurs tels que l'inflation, le taux d'intérêts, la taille de la société ou encore sa capitalisation
boursière.
Les modèles à facteurs multiples expliquent donc le rendement d’un titre par sa sensibilité au
marché ainsi que par des sensibilités autres que cette dernière. De ce fait, il s’agira de déterminer
les variables macroéconomiques, financières ou industrielles, qui influencent le cours d’un titre.
Cette approche peut être modélisée pour un actif "i" au temps t, par l'équation à J facteurs
suivante :
2,
1
2,
2,
2,
2,
2,
22
22,
21
21,
2
1,,,,,,22,,11,,
......
......
i
J
kkIkiiJIJiIiIii
J
ktkkiititJJititiiti IIIIR
�������������
�������
�
�
�
�
�����������
������������
Equation N°3
La signification des variables est la même que dans le modèle à facteur unique. Les hypothèses
���� ������ t, sont aussi identiques à savoir que ),0(~ 2�
�� Nt et que le terme d’erreur n’est
pas corrélé avec un quelconque indice � � j , 0)(( ��� jj IEIE � . De plus, le rendement
spécifique de l'actif est composé par les termes ���� t.
On suppose que les indices ne sont pas corrélés entre eux, c’est-à-dire que
� � ji que teliet j , 0))(())(( ����� iijj IEIIEIE . Ceci n’est bien entendu pas le cas en
réalité, mais comme le suggère Elton et Gruber8, il est possible de transformer un groupe
d’indices corrélés en un ensemble non corrélés. Ainsi pour des questions de simplifications
d’écriture le modèle présenté ici comporte cette hypothèse supplémentaire.
Enfin, on relèvera que l’ensemble des bêtas sont constants et ne dépendent pas de l’unité temps9.
8 Elton, Edwin J., and Gruber, Martin J. "Modern Portfolio Theory and Investment Analysis", John Wiley & Sons, 4ème édition, pp.148-149 9 Une autre approche aurait été de modéliser des bêtas variables, comme le suggère Krueger et Rahbar, dans leur papier "Explanation of Industry Returns Using the Variable Beta Model", Journal of Financial and Strategic Decisions, Summer 1995
9
3.3.2. Constatations empiriques Il est intéressant de noter l’efficacité de ce type de modèles, car ils se situent entre le modèle à
facteur unique et "le vrai modèle", puisqu’il s’agit de trouver des éléments qui améliorent le
modèle à facteur unique et qui permettent d’expliquer au mieux la variation des prix des actifs
financiers.
Elton et Gruber10 (1971) trouvent qu’en ajoutant des indices au Single Index Model, cela conduit
à une diminution de la performance prévisionnelle de ces modèles. Même si ajouter des indices
significatifs au modèle à facteur unique entraîne une meilleure explication des variations
historiques du prix des actifs financiers, il en est tout autre au niveau de la prédiction. En effet, ils
montrent que la matrice de corrélation prédite est moins bonne et qu’il existe une sous-évaluation
au niveau des rendements prédits par ce type de modèles. Ils en concluent que l’apport de
nouveaux indices dans le modèle à facteur unique introduit, en général, plus de bruit que
d’informations réelles au niveau de la prédiction.
IV. RÉSULTATS EMPIRIQUES
4.1. Indices et données utilisés Avant d'aborder la méthodologie employée, il est important de relevé qu'en Suisse, il existe deux
grands indices boursiers, le Swiss Market Index11 (SMI) et le Swiss Performance Index12 (SPI). Si
aujourd’hui on entend plus souvent parler du SMI, le SPI a l’avantage de comporter plusieurs
sous-indices établi selon divers critères, comme par exemple le secteur économique ou encore le
type d'industrie. Puisqu’il semblerait à priori que les cours des sociétés appartenant à un secteur
spécifique ont tendance à être influencés par des causes communes, une approche sectorielle
sera utilisée. Ainsi, on utilisera les différents sous-indices du SPI, pour essayer de déterminer les
éléments qui influencent ces mouvements.
La répartition sectorielle définie par le Swiss Exchange (SWX) pour l’indice SPI, est indiquée
dans le tableau ci-dessous. Les chiffres entre parenthèses correspondent à la pondération des
titres dans le SPI :
10 Elton, Edwin J., and Gruber, Martin J. "Improved Forecasting Through the Design of Homogenous Groups", Journal of Business, 44, N°4 (1971) 11 Le SMI est un indice non corrigé des dividendes et pondéré en fonction de la capitalisation boursière. Il compte jusqu'à 30 titres liquides d'entreprises à forte capitalisation du marché suisse des actions (dénommés blue chips), titres qui représentent environ 80% de la capitalisation totale 12 Le SPI est un indice corrigé des dividendes qui contient toutes les actions cotées des sociétés suisses (ainsi que de la Principauté du Liechtenstein) sur les marchés principal et secondaire de la SWX (sans les sociétés d'investissement). Le SPI reflète ainsi l'évolution de la valeur d'un portefeuille largement diversifié. Ses principaux composants sont dans l’annexe.
10
SWISS PERFORMANCE INDEX TITRES LES PLUS IMPORTANTS13
SPI BANKS UBS (12.07%), CS Group (7.82%)
SPI BUILDINGS Holcim (1.53%), Zschokke
SPI CHEMICALS & PHARMACEUTICAL Novartis (19.36%), Roche (11.14%), Syngenta (1.18%)
SPI FOOD Nestlé (16.48%)
SPI INDUSTRY Gebertit (0.18%)
SPI INSURANCE Swiss Re (5.15%), Zurich F.S. (3.25%), Rentenansalt (0.62)
SPI LIGHT ELEC & ELECTRON ABB (1.69%)
SPI MACHINERY Sulzer (0.15%)
SPI MISCELLANEOUS SERVICES SGS Surveillance (0.22%))
SPI OTHER INDUSTRIAL Lonza (0.45%)
SPI SERVICES Richemont (1.73%)
SPI TRANSPORT SairGroup (n.a)
SPI UTILITIES Motor Colombus (0.049%)
Malheureusement, elle ne correspond pas à la nouvelle répartition sectorielle introduite par le
Swiss Exchange en août 2000. Ceci s'explique par le fait que Datastream, source de toutes les
données utilisées dans cette étude, ne soit pas encore passé à cette mise à jour.
Pour les données sectorielles, deux types d'échantillons ont été utilisés pour estimer le modèle de
marché et le modèle à facteurs multiples:
A) Le premier échantillon de données a été collecté de façon mensuelle, sur une période
allant du mois de janvier 1990 au mois de juillet 2001. L'échantillon contient donc 138
observations qui correspondent au dernier jour ouvrable à la fin de chaque mois. Ces
données ont été utilisés uniquement pour l'estimation du modèle de marché.
B) Le deuxième contient aussi 138 données mais ce sont des données moyennes. En effet
pour chaque mois, il a été calculé la valeur moyenne de l’indice et ceci dans le but que
les effets des indicateurs macroéconomiques soient mieux reflétés à travers les cours
boursiers. En prenant simplement la valeur du dernier jour ouvrable de l’indice sectoriel,
une perte d’information importante se serait faite14. Cette base de donnée sera donc
utilisée pour estimer le modèle à facteurs multiples.
Pour des raisons qui paraissent évidentes, le secteur des transports dont le principal composant
était SairGroup, ne sera pas traité. Ainsi, on a exactement douze secteurs et par conséquence
douze régressions.
13 On tient à faire remarquer que les entreprises indiquées ont énormément évoluée et que par le biais des fusions et acquisitions, cette liste correspond à la situation prévalant ces dernières années. 14 Précisons qu’un grand nombre de variables macroéconomquies n’étaient pas significatifs avec l'échantillon (A) et que le résultat a été sensiblement amélioré à l’aide de l’échantillon des moyennes mensuelles.
11
4.2. Estimation du modèle à facteur unique
A l'aide d'une simple régression de type OLS, il est possible d'estimer le modèle à facteur unique.
Pour chacun des secteurs du SPI, on estime l’influence du rendement du marché (indice SPI),
sur le rendement du secteur.
On a vu que le SIMM s’écrivait comme : avec ,,, titmiiti rR ��� ���� ),0(~ 2�
�� Nt . Les
résultats obtenus sont les suivants :
SPI EQUATION R2 DW
SPI BANKS
Variable Coefficient Std. Error t-Statistic Prob.
C -0.003055 0.003135 -0.974485 0.3313 P_SPI 1.317679 0.062014 21.24813 0.0000
0.745658
1.952683
SPI BUILDINGS
Variable Coefficient Std. Error t-Statistic Prob.
C -0.003121 0.003280 -0.951388 0.3429 P_SPI 0.952919 0.064889 14.68544 0.0000
0.583403
1.978817
SPI CHEMICALS & PHARMA.
Variable Coefficient Std. Error t-Statistic Prob.
C 0.005466 0.002295 2.381432 0.0185 P_SPI 0.855182 0.045407 18.83377 0.0000
0.697274
1.644884
SPI FOOD
Variable Coefficient Std. Error t-Statistic Prob.
C 0.004556 0.002795 1.630226 0.1051
P_SPI 0.755979 0.055286 13.67387 0.0000
0.548353
2.205582
SPI INDUSTRY
Variable Coefficient Std. Error t-Statistic Prob.
C 0.002649 0.001295 2.044943 0.0426 P_SPI 0.850288 0.025626 33.18038 0.0000
0.877285
1.989763
SPI INSURANCE
Variable Coefficient Std. Error t-Statistic Prob.
C -0.003351 0.002984 -1.122950 0.2632 P_SPI 1.304850 0.059028 22.10568 0.0000
0.760371
1.902710
SPI LIGHT ELEC & ELECTRON
Variable Coefficient Std. Error t-Statistic Prob.
C -0.003842 0.004374 -0.878465 0.3811 P_SPI 1.142005 0.086515 13.20013 0.0000
0.530836
1.654046
SPI MACHINERY
Variable Coefficient Std. Error t-Statistic Prob.
C -0.005840 0.003393 -1.721057 0.0872 P_SPI 1.020317 0.067122 15.20096 0.0000
0.600072
1.656541
SPI MISC. SERVICES
Variable Coefficient Std. Error t-Statistic Prob.
C -0.003571 0.002824 -1.264685 0.2079 P_SPI 0.913913 0.055859 16.36119 0.0000
0.634801
1.815793
SPI OTHER INDUSTRIAL
Variable Coefficient Std. Error t-Statistic Prob.
C -0.007181 0.003641 -1.972142 0.0504 P_SPI 0.935444 0.072031 12.98676 0.0000
0.522712
1.798611
SPI SERVICES
Variable Coefficient Std. Error t-Statistic Prob.
C -0.003912 0.002050 -1.907773 0.0583 P_SPI 1.242149 0.040561 30.62389 0.0000
0.858951
2.016626
SPI UTILITIES
Variable Coefficient Std. Error t-Statistic Prob.
C 0.003037 0.002845 1.067588 0.2874 P_SPI 0.419104 0.056282 7.446548 0.0000
0.264745
1.662986
12
Les rendements des indices pour chaque secteur ont été calculés en prenant la différence du
logarithme naturel. Ainsi, pour chaque indice on a défini le rendement mensuel pour la période �t
comme )()( tttt PLnPLnr �����
.
On constate que la relation estimée semble être plausible puisque tous les bêtas sont significatifs
et que l'on ne se trouve pas en présence de corrélation sérielle du premier ordre, puisque la
statistique du Durbin-Watson pour cette régression se situe entre [1.52;1.56]15. Un examen plus
approfondi des résidus, à l'aide d'un corrélogramme, confirme cette hypothèse ainsi que la non
existence de corrélation d'ordres supérieures. Néanmoins, on peut être assez dubitatif quant aux
valeurs trouvées pour le secteur énergétique (SPI UTILITIES) qui pose problème.
Les bêtas calculés sont économiquement cohérents dans la mesure ou les secteurs les plus
sensibles aux variations du marché sont ceux qui on eu les rendements les plus importants (voir
graphique des indices sectoriels, dans l’annexe), à savoir, les banques (1.32), les assurances
(1.30). les services (1.24), l'électronique et électrotechnique (1.14), les machines (1.02), la
construction (0.95), les autres industries (0.94), les autres services (0.91), les pharmaceutiques &
chimiques (0.86), la construction (0.85), l'alimentation (0.76) et l'énergie (0.42). En effet, les titres
à fortes croissances comme par exemple les technologiques, les banques, les assurances
devraient théoriquement avoir des bêtas plus élevés que les secteurs plus "défensifs", comme
l'alimentation ou les pharmaceutiques. Ceci s'explique par le fait que les revenus de ces secteurs
sont relativement constants et moins sensibles à la conjoncture économique, ce qui n'est
évidemment pas le cas des secteurs technologiques ou des banques par exemple. Une
discussion plus approfondie de ces résultats se fera aussi dans la partie concernant l’estimation
du modèle à facteurs multiples.
Une autre manière de calculer ces valeurs est d'utiliser simplement la définition des bêtas. On
voit, à l'aide du tableau de la page suivante, que les deux manières de calculer les bêtas
conduisent à des valeurs proches et cohérents, malgré le fait que la variable indépendante ne
soit pas totalement exogène. En effet, l’indice SPI n’étant pas fortement diversifié le secteur le
plus important, c’est-à-dire celui de la chimie et pharmacie, représente tout de même plus 30%
du SPI.
15 ���� ����������������������������������������� ��������������� aucune table donnait la valeur exacte pour n=138 et k=1. Il faudrait donc légèrement extrapoler cet intervalle vers le haut pour qu’il soit un peu plus juste.
13
Cov( Xi ; SPI) Bêta selon équation N°2 Bêta estimé par l'équation N°1
BANKS 0.002221 1.266 1.318
BUILD 0.001735 0.989 0.953
FOOD 0.001202 0.685 0.756
INDUSTRY 0.001509 0.860 0.850
INSURANCE 0.002215 1.263 1.305
LIGHT 0.002140 1.220 1.142
MACHINERY 0.001884 1.074 1.020
MISCSERVICES 0.001716 0.978 0.914
OTHERINDUSTRIALS 0.001795 1.023 0.935
PHARMA 0.001527 0.871 0.855
SERVICES 0.002135 1.217 1.242
UTILITY 0.000747 0.426 0.419
SPI 0.001754 1.000 1.000
4.3. Types de données utilisées pour le modèle à facteurs multiples
Il a été évoqué dans la partie théorique, que le facteur de marché n'est pas le seul facteur
influençant simultanément un ensemble de titres boursiers. Il semblerait que d'autres facteurs
influencent périodiquement l'évolution du cours d'un ensemble de titres. Ces facteurs peuvent
être multiples, mais on ne considérera que des variables macroéconomiques ainsi que l’indice
boursier américain S&P 500. Les indicateurs retenus se trouvent ci-dessous et ont été choisis
selon les différentes études empiriques, citées notamment lors du survol littéraire. A cela, on a
pris la liberté d’ajouter deux variables, la balance des biens et services et le taux de chômage.
Leur représentation graphique se trouve dans l'annexe, et l'équation à estimer est la suivante :
ti, t8 t7 t6 t5
t4 t3 t2 t1t
USDIPINFLATIONCORPORATE
CHOMAGEBRENTBBSERVICESSNP500
������������������tR
Equation N°4
Huit variables exogènes sont utilisées dans cette équation pour expliquer le rendement de
chaque secteur. Elles proviennent toutes de la base de donnée de Datastream. Les variables
sont donc les suivantes :
- SNP500: Il s'agit du rendement de l'indice américain S&P 500 pris à la fin de chaque
��������������������� 1 mesure donc la sensibilité du secteur par rapport au rendement
du S&P 500. On s'attend à ce que le signe du coefficient soit positif. En d'autres
termes, qu'il existe une relation positive entre les rendements du S&P 500 et ceux des
différents secteurs suisses.
- BBSERVICES: Cette variable représente la balance des biens et services de la
Suisse exprimée en centaine de millions de francs suisses. Sa fréquence étant
14
normalement trimestrielle, il a fallu la transformer pour obtenir une série mensuelle.
Ceci a été fait à l'aide de la méthode "cubic spline", dont le but est de lisser une série
de points (un peu comme on le ferai avec une moyenne mobile) et non pas de
trouver un polynôme représentant le mieux ces points. On s'attend à ce que le
coefficient estimé, 2 soit aussi de signe positif dans la mesure où plus les entreprises
nationales exportent et plus leurs revenus seront importants.
- BRENT: Comme son nom l'indique cette variable mesure la variation du prix du baril
��� ������ ��� �������� ��� ������������� 3, devrait avoir un signe négatif car une
augmentation du prix entraîne un coût supplémentaire pour les entreprises.
- CHOMAGE: Il s'agit simplement de la variation du taux de chômage mensuel en
Suisse. Il est légitime de penser que plus le niveau de chômage est élevé et plus
l'économie tourne au ralenti, ce qui signifie que le coefficient, 4, devrait être de signe
négatif.
- CORPORTATE Cette variable exprime la variation mensuelle des prix moyens des
obligations des entreprises suisses. Il s'agit d'un indice composite de chez Merill
Lynch. A première vue, on s'attend à ce que le coefficient, 5, soit de signe négatif,
car lorsque les marchés des actions sont à la baisses le prix des obligations
augmente.
- INFLATION: Cette variable représente une mesure de l'inflation. Celle-ci est faite à
l'aide de l'indice des prix à la consommation. D'importantes augmentations
causeraient de l'inflation, qui a un effet négatif sur les bénéfices des entreprises. Ainsi,
��������������� 6, devrait être de signe négatif.
- IP: Représente la production industrielle suisse. Cette mesure a été préféré au PIB,
car ce dernier n'étant publié que trimestriellement, une interpolation aurait de ce fait
été nécessaire, alors que la production industrielle est publiée mensuellement. Le
������������ 7, devrait être de signe positif étant donné qu'une augmentation de IP
signifie que l'économie se porte plutôt bien.
- USD: ��� ��� ��� �� ��!���� �"�� ���#$%&'(����� ������������ 8, devrait être de signe
positif puisqu’une dépréciation du franc suisse rend la Suisse plus compétitive à
l'étranger. De plus, une dépréciation du franc suisse augmente sensiblement les
revenus des sociétés Suisse, qui négocient une grande partie de leur affaires en $ US.
Les variables choisies permettent de tenir compte de deux effets. Premièrement, elles permettent
de refléter une situation nationale, à travers les variables BBSERVICES, INFLATION, CHOMAGE,
CORPORATE et IP. Deuxièmement, elles dépendent également de la conjoncture internationale
15
via les variables BRENT, SNP500 et USD. On verra que cette distinction apparemment anodine
sera importante16.
Avant d'estimer le modèle, la matrice de corrélations des différentes variables exogènes est
examinée. D'après le tableau ci-dessous, on constate que des problèmes de multicollinéartié ne
devraient pas être importants dans notre modèle:
BBSERVICE BRENT CHOMAGE CORPORATE INFLATION USD SNP500 IP
BBSERVICE 1.000 -0.023 -0.280 -0.066 -0.530 0.304 0.032 -0.031
BRENT 1.000 -0.231 0.202 -0.023 -0.047 -0.102 0.110
CHOMAGE 1.000 -0.177 0.605 0.104 0.048 -0.170
CORPORATE 1.000 0.017 -0.064 -0.060 0.061
INFLATION 1.000 0.028 -0.030 -0.173
USD 1.000 0.122 -0.172
SNP500 1.000 0.004
IP 1.000
4.4. Résultats empiriques du Modèle à facteurs multiples
Comme, il a été mentionné auparavant l'équation à estimer pour l'ensemble des secteurs du SPI
est la suivante:
ti, t8 t7 t6 t5
t4 t3 t2 t1t
USDIPINFLATIONCORPORATE
CHOMAGEBRENTBBSERVICESSNP500
������������������tR
Les résultats figurent à la fin de l’étude, dans l’annexe. A titre de rappel, les rendements utilisés
pour chaque secteur sont des moyennes mensuelles. Afin d’analyser les résultats de cette
régression, il parait plus aisé de discuter chacune de ces équations séparément, puis d’en tirer
une conclusion générale. Cette façon de faire peut paraître répétitive, mais elle permet de mieux
caractériser chaque secteur. Rassurez-vous, les secteurs les moins importants seront rapidement
analysés!17
Il paraissait important à ce stade d’évoquer la variable INFLATION qui par son signe et son
coefficient élevé pose problème, même si parfois, elle est significative à 10%. Après avoir
longuement cherché les causes de ce problème, on a préféré, faute de mieux, garder cette
variable dans le modèle par honnêteté « scientifique ». Aucune explication rationnelle n’a été
trouvée et on en fera abstraction.
16 Il est claire que la classification de ces variables pourrait être sujet de discussion, puisque cela a été fait de façon subjective. Néanmoins, on a sélectionné ces variables en partant de la théorie et de la spécificité de l'économie et de la bourse Suisse. 17 De plus, le lecteur pourra directement passer au point 4.5, si celui-ci trouve la lecture longue et fastidieuse.
16
On évoquera également ici le problème d'autocorrélation des résidus. Comme, on peut le
constater le test du Durbin-Watson se trouve pour l'ensemble des régressions, hormis pour SPI
UTILITIES, dans la région critique. Ainsi aucune conclusion peut être directement tirée de ce test.
Un examen approfondi des résidus, par le biais d'un corrélogramme suggère qu'il n'existe pas de
corrélation des résidus, excepté pour SPI UTILITIES.
4.4.1. SPI Banks A titre de rappel, ce secteur est principalement composé des sociétés UBS et Crédit-
Suisse Groupe. Il s’agit du deuxième secteur le plus important en Suisse, derrière
l’industrie pharmaceutique.
On constate que trois variables sont significatives à un niveau de 10%. L’indice S&P 500
américain est de signe positif ce qui était attendu. Par rapport aux autres secteurs, il a le
coefficient le plus élevé, ce qui confirme le résultat obtenu lors de l’estimation du modèle
de marché, où le secteur des banques étaient déjà le secteur avec la sensibilité la plus
élevée par rapport au marché Suisse.
Les changements de prix du baril de brent affecte aussi et de façon négative le secteur
des banques. Si le signe est logique, il est assez difficile de comprendre pourquoi une
telle variable influence de manière significative des entreprises essentiellement orientées
vers le secteur des services.
Il semblerait aussi qu’il existe une relation positive avec le taux de change CHF/USD. Une
explication possible serait que ces banques, dont la principale activité se trouve en-
dehors de la Suisse, bénéficient lors d’une dépréciation du franc suisse une amélioration
sensible de leurs résultats étant donné qu’elles publient toutes leurs résultats en franc
suisse.
Il est étonnant de constater que la balance des biens et services ainsi que la variation du
prix des obligations ne sont pas significatives, puisque ce secteur est à la fois très orienté
vers les services, et qu’une bonne partie du chiffre d’affaires des banques est étroitement
liée à la bonne tenue des marchés financiers18.
4.4.2. SPI Buildings Le secteur de la construction est un petit secteur en Suisse, dont les titres les plus
importants sont Holcim (fabricant de ciment) et Zschokke. Malgré que Holcim soit une
entreprise internationale, les autres sont plutôt nationales et il n’est pas étonnant de
constater que toutes les variables économiques soient significatives, hormis l’indice de
production, ce qui peut paraître étrange.
17
Les signes de l’ensemble des paramètres sont en concordance avec l’intuition donnée,
lors de la description des variables. Notons aussi que c’est une des rares régressions
pour laquelle la variable CHOMAGE est significative.
4.4.3. SPI Chemicals & Pharmaceutical Le secteur de la chimie et de la pharmacie est le secteur le plus important en Suisse. Par
conséquence, il est aussi le secteur le plus important du SPI. A lui seul, il représente plus
de 30% de toutes les capitalisations boursières en Suisse. Avec l’industrie alimentaire,
c’est un secteur qualifié de défensif, car sa croissance ne dépend que faiblement de
l’activité économique mondiale. De ce fait, il est peu sensible par rapport aux variations du
S&P 500 et du SPI, car les acteurs financiers auraient plus tendance à acheter ces titres
en présence de signe de ralentissement économique. C’est pourquoi, le coefficient du
S&P 500 trouvé est aussi l’un des plus faible. Par ailleurs, une autre caractéristique est
que ce secteur soit aussi à forte exportation, intensif en capital et consommateur de
pétrole (surtout le secteur chimique).
Dès lors, il n’est pas étonnant de voir que les variables significatives sont le SNP500,
BRENT, CORPORATE, IP et USD. Il parait évident que si le cours du baril augmente, les
marges bénéficiaires des entreprises diminuent. Une partie des médicaments sont
produits en Suisse et il en va de même pour l’industrie chimique, ce qui expliquerait que
IP soit significatif. En revanche, cela n’explique pas pourquoi BBSERVICES ne l’est pas.
Quant à CORPORATE et USD, l’explication est la même que pour le secteur des
banques.
4.4.4. SPI Food Cette industrie est essentiellement composé par le leader mondial de l’alimentation,
Nestlé. Ce manque de diversification peut être à l’origine du faible R2, de cette régression.
Nestlé produit la quasi totalité de ces produits à l’étranger et le marché Suisse ne
représente qu’une petite partie de ses revenus. Normalement, le modèle utilisé ne devrait
pas être des meilleurs. On s’attendrait à ce que les variables "nationales" jouent un faible
rôle.
En regardant nos résultats, on constate que c’est l’une des moins bonnes régressions.
Les variables significatives sont SNP500, CORPORATE, IP et USD. Il est difficile de tirer
des conclusions pour IP, d’après ce qui vient d’être dit. En ce qui concerne les trois autres,
ces résultats sont conformes aux attentes.
18 Pour être plus précis, il est claire qu’avec des marchés en forte baisse une bonne partie des activités des banques sont affectées (IPO…). De plus, on constate que le prix des obligations augmentent lorsque les marchés des actions baissent, car les acteurs financiers ont tendance à se tourner vers le marché obligataire.
18
4.4.5. SPI Industry et SPI Other Industrials
On considère ici les deux secteurs ensembles, car ils sont très semblables et pas très
importants. Ainsi, on se s'attardera pas trop longtemps sur ces deux indices.
On s'attend à ce que ces secteurs soient sensibles à la conjoncture et donc sensibles aux
variables CHOMAGE, IP et BRENT. Malheureusement, on constate que ce n'est pas le
cas pour le SPI OTHER INDUSTRIAL et que la variable CHOMAGE n'est pas significative
pour les deux secteurs.
4.4.6. SPI Insurance
Autre secteur phare de l’économie Suisse, le secteur des assurances. Ce secteur est très
similaire à celui des banques et on s’attendrait donc à avoir certaines ressemblances au
niveau des variables significatives. En effet, de plus en plus d’assurances offrent des
services financiers et courent donc les mêmes risques que les banques.
Il n’est donc pas étonnant de constater que la sensibilité de ce secteur par rapport au
S&P 500 soit plus au mois la même que celle du secteur des banques. D’ailleurs ce fut
déjà le cas lors de l’estimation des bêtas à l’aide du modèle de marché.
Si CORPORATE n’était pas significatif lors de l’analyse du secteur bancaire, ce n’est plus
le cas ici, ce qui est rassurant. En contre partie, la variable USD n’est plus significative,
alors que IP l’est devenue sans véritables explications, étant donné que ces sociétés
prodiguent des services.
4.4.7. SPI Light Electric and Electronics
A nouveau, il s’agit d’un secteur relativement petit dont le titre le plus important est le
groupe ABB. Les autres sociétés sont nettement plus petites et même négligeables par
rapport au groupe ABB. C’est peut-être ce qui explique que seuls les variables
BBSERVICES et USD sont significatives. Il est intéressant de noter que c’est le seul
secteur avec celui des Utilities qui n’est pas sensible aux variations du prix du pétrole.
Ces résultats doivent aussi être pris avec précaution, puisque le titre ABB a connu
d’importantes hausses suite à sa création, lors d’une fusion, mais également une
importante correction ces dernières années. On voit très clairement cet effet sur le
graphique SPIELECTRIC de l’annexe.
19
4.4.8. SPI Machinery L’industrie des machines est peu important en Suisse, mais par définition dépend de la
santé de l’économie mondiale. C’est un secteur à croissance limitée et de ce fait peu suivi
par les analystes financiers19.
De manière générale, il est un peu surprenant de voir que ce secteur ne soit pas sensible
à certaines variables, comme le CHOMAGE et IP.
4.4.9. SPI Miscellaneous services L’un des titres principaux est SGS Surveillance, entreprise qui comme son nom l’indique
prodigue de la « surveillance » aux entreprises. Sans vouloir faire quelconque publicité, ils
sont à l’origine du label ISO. En dehors de cette société, on trouve des entreprises
comme Edipresse ou encore Kuoni.
On remarque que seuls CORPORATE et IP ne sont pas significatifs. Cette dernière
constatation n’est pas anormale dans la mesure où ces entreprises offrent des services.
Ces entreprises n’offrant que des « biens de luxes », qui par définition ne sont pas biens
indispensables, il est normal qu’elles soient sensibles à la croissance et au bon
fonctionnement de l’économie, ce qui est clairement le cas.
4.4.10. SPI Services
Les résultats sont presque identiques au SPI Autres Services. Il n’est donc pas étonnant
que l’on retrouve une majorité des variables significatives similaires. CHOMAGE n’est
plus significatif et ceci est peut-être dû au fait que le principal composant de ce secteur
est la société Richemont, qui a une grande partie de ces activités en-dehors de la Suisse,
hormis peut-être la fabrication de cigarettes et de montres. Malgré cela, on remarque que
la balance des biens et services n’est tout juste pas significatives à 10%, mais qu’elle joue
tout de même un rôle.
4.4.11. SPI Utility
Il s’agit essentiellement du secteur de l’énergie en Suisse et compte tenu des résultats
relativement mauvais et de part sa petite taille, il serait osé d’en tirer des conclusions. Le
volume de titres échangés est également très faible, voire même nul certains jours. Ainsi,
on préfère mettre de côté ce secteur et ne pas l’analyser.
4.4.12. Indice SPI
On voit que pour l'indice de marché le modèle spécifié donne les meilleurs résultats. En
effet, on observe que seul la variable CHOMAGE et la constante ne sont pas
19 Voir aussi le graphique dans l’annexe, pour voir que c’est un indice à faible rendement.
20
significatives à 10%, mais aussi que le R2 ajusté est également l'un des plus élevés. Une
explication sera évoquée dans le chapitre suivant.
Les coefficients ainsi que leurs signes sont conformes aux attentes et à ce stade, il serait
rébarbatif de les rediscuter, étant donné qu'ils affectent de la même façon les sociétés.
4.5. Commentaires généraux sur les résultats
On s'aperçoit que les résultats sont relativement différents selon les secteurs considérés.
Néanmoins, on constate qu'il existe une seule variable, l'indice S&P 500, qui est significative pour
l'ensemble des onze secteurs. De plus, le signe est à chaque fois positif, ceci suggère donc, que
les marchés financiers sont liés entre eux et que le marché américain influence fortement le
marché Suisse. Cette conclusion se vérifie aisément en appliquant le test de causalité de
Granger au SPI et au S&P 500. En effet, d'après le tableau ci-dessous on rejette l'hypothèse
nulle que le S&P 500 ne cause pas d'effet sur le SPI selon Granger 20 :
Pairwise Granger Causality Tests Sample: 1989:01 2001:12 Lags: 1 Null Hypothesis: Obs F-Statistic Probability SNP500 does not Granger Cause SPI 155 8.58080 0.00392 SPI does not Granger Cause SNP500 1.03075 0.31160
De plus, certaines variables comme le baril de pétrole brent ainsi que le taux de change
CHF/USD, sont significatifs dans de nombreux cas, contrairement au taux de chômage ou à la
production industrielle, que l’on rappelle a été préférée au PIB.
Une explication serait qu’aujourd’hui les sociétés suisses, et en particulier les grandes
multinationales comme l’UBS, Novartis ou Nestlé, sont des entreprises dont l’activité principale
réside en dehors de la Suisse. La conjoncture Suisse n’est donc pas d’une grande importance
pour ces grandes sociétés dont les revenus se font essentiellement à l’étranger. Ainsi, les
indicateurs économiques suisses ne sont pas primordiaux pour la croissance de ces sociétés, ce
qui se reflète à travers ces résultats. En effet les variables les plus significatives, à savoir S&P
500, BRENT et USD, sont des variables « mondiales » et pas uniquement « suisses ».
20 Plusieurs remarques s’imposent. Premièrement, le test de causalité a été fait sur la série dont on a pris en compte que les dernières valeurs mensuelles. En prenant la série des valeurs moyennes, on perd de l’information et le test de Granger ne permet pas de rejeter l’une des deux hypothèses nulles. Deuxièmement, en appliquant le test de Granger aux variables sectorielles (i.e. SPI Banks avec S&P 500 ), on trouve des résultats difficilement acceptable, dans la mesure où l’on doit rejeter la plupart du temps l’hypothèse nulle SPI Secteurs does not Granger Cause SNP500.
21
Contrairement au marché domestique américain qui est l'un des plus grands au monde et ou
certaines variables nationales semblent jouer un rôle, peut-être parce que celui-ci représente
pour de nombreuses sociétés un marché clef, cela ne semble pas être le cas en Suisse.
Une autre explication serait de différencier le type d’investisseurs. La Suisse est mondialement
réputée pour la gestion privée. Ces types investisseurs se basent avant tout sur des anticipations
au niveau des fondamentaux21 des entreprises que sur les variables macroéconomiques. Ceci
est peut-être moins le cas dans les autres pays, et particulièrement aux Etats-Unis où les
spéculateurs jouent certainement un rôle plus important.
On évoquera également la composition des indices utilisés. Comme il a déjà été dit à travers
cette étude, il existe pour un grand nombre de secteurs deux ou trois entreprises majeures. La
pondération dans chaque secteur sera dominée en grande partie par ces sociétés, qui sont la
plupart du temps de grandes multinationales. Le cas extrême étant le SPI Food, où Nestlé a une
pondération dépassant les 95% ! Dès lors, il est claire que les autres entreprises, moins
importantes mais peut-être plus sensibles à la conjoncture suisse, ne réussissent pas à affecter
de manière déterminante l’indice sectoriel. Le manque de diversification des indices sectoriels
biaiseraient les résultats, dans la mesure ou l'évolution de l'indice dépendrait essentiellement de
la croissance d'une seule société.
Cette dernière remarque expliquerait peut-être pourquoi les résultats obtenus lors de l'utilisation
du modèle à facteurs multiples pour le Swiss Performance Index sont nettement meilleurs. La
"diversification" de l'indice permet d'éliminer le risque qualifié de "Micro Factor", lors de la
décomposition du risque. Ainsi, l'effet des indicateurs macroéconomiques est plus important et
par conséquent mieux modélisable.
21 On entend par fondamentaux, des caractéristiques spécifiques aux entreprises, comme par exemple les cash flows futurs, la croissance interne, la marge bénéficiaire ou encore le niveau de dividende.
22
V. Conclusion
Dans ce papier, on a pu répondre partiellement à une question qui nous intriguait depuis un
certain temps, à savoir si les indicateurs macroéconomiques ont des effets sur les marchés
financiers ou pas.
On qualifie notre réponse comme partielle, puisque l’on a considéré uniquement le marché
Suisse et que l’on a la conviction qu’aux USA, il doit certainement exister un lien entre les
variables macroéconomiques et les indices boursiers. Pour démontrer cela, il aurait certainement
fallu développer un modèle plus complexe incluant les anticipations des individus, un peu comme
le fait la théorie de l’Arbitrage Pricing Theroy (APT), ou considérer des données journalières en
sachant le jour et l’heure à laquelle les indicateurs deviennent connus par les agents.
De nombreuses façons permettent de modéliser et de considérer "le risque macroéconomique",
comme cela a été évoqué à travers cette étude, et il n’existe pas de méthodes optimales.
Néanmoins à l’aide d’un modèle certainement des plus modestes, le modèle à facteurs multiples,
les résultats obtenus sont tout de même satisfaisants. En effet, on constate que les variations du
S&P 500, les changements de prix du baril de pétrole et le taux de change sont souvent
significatifs à 10%. Quant aux autres variables, il semblerait qu’elles jouent un rôle dans certains
secteurs, sans toutefois pouvoir en tirer de conclusion générale.
Je tiens à remercier tout particulièrement l’assistant du cours, Alexander Mihailov, ainsi que le
Professeur Jean-Christian Lambelet, pour leurs nombreux conseils et le temps mis à ma
disposition.
23
VI. Annexes
6.0. Composition de l’indice SPI
Rang
Société
Prix
Capitalisation Boursière
Poids
1 NOVARTIS 63.95 CHF 175’098’888’482 19.936
2 NESTLE 63.50 CHF 144’726’815’700 16.478
3 UBS 82.80 CHF 106’029’296’568 12.072
4 ROCHE GS+I 128.50 CHF 97’812’794’950 11.137
5 CS GROUP 60.60 CHF 68’709’871’454 7.823
6 SWISS RE 156.00 CHF 45’219’864’161 5.149
7 ZURICH FINANCIAL 358.50 CHF 28’563’460’164 3.252
8 RICHEMONT 37.75 CHF 15’216’587’100 1.733
9 ABB LTD N 14.15 CHF 14’777’810’153 1.683
10 SWISSCOM N 495.00 CHF 12’560’501’250 1.430
11 ADECCO N 1’140.00 CHF 12’114’929’724 1.379
12 HOLCIM I 78.50 CHF 10’443’221’510 1.189
13 SYNGENTA N 97.60 CHF 10’320’533’412 1.175
14 SERONO -B- I 1’459.00 CHF 10’097’810’766 1.150
15 CIBA SC N 122.25 CHF 7’391’712’060 0.842
16 BALOISE N 129.50 CHF 5’660’346’664 0.644
17 RENTENANSTALT N 550.00 CHF 5’454’249’570 0.621
18 SWATCH I1 157.75 CHF 5’405’224’875 0.615
19 CLARIANT N 35.80 CHF 4’842’213’488 0.551
20 GIVAUDAN N 540.00 CHF 4’083’954’228 0.465
TOTAL CHF 784’530’086’279 89.325
Source : www.swx.ch, données prises le 14.03.2002
On constate donc que les 20 plus grandes capitalisations boursières en Suisse représentent environ 90% de la capitalisation totale en Suisse.
24
6.1. Représentation graphique des Secteurs du SPI
0
1000
2000
3000
4000
5000
6000
89 90 91 92 93 94 95 96 97 98 99 00 01
SPI
0
1000
2000
3000
4000
5000
88 90 92 94 96 98 00
SPIBANKS
0
1000
2000
3000
4000
88 90 92 94 96 98 00
SPIBUILD
0
2000
4000
6000
8000
88 90 92 94 96 98 00
SPIELECTRIC
0
2000
4000
6000
8000
88 90 92 94 96 98 00
SPIFOOD
0
2000
4000
6000
8000
88 90 92 94 96 98 00
SPIINDUSTRY
0
1000
2000
3000
4000
5000
6000
7000
88 90 92 94 96 98 00
SPIINSURANCE
500
1000
1500
2000
2500
3000
3500
4000
88 90 92 94 96 98 00
SPIMACH
25
500
1000
1500
2000
2500
3000
88 90 92 94 96 98 00
SPIMISC
500
1000
1500
2000
2500
3000
88 90 92 94 96 98 00
SPIOTHER
0
2000
4000
6000
8000
10000
12000
14000
88 90 92 94 96 98 00
SPIPHARMA
0
1000
2000
3000
4000
5000
88 90 92 94 96 98 00
SPISERVICES
0
500
1000
1500
2000
2500
88 90 92 94 96 98 00
SPITRANSPORT
500
1000
1500
2000
2500
3000
88 90 92 94 96 98 00
SPIUTILITIES
200
400
600
800
1000
1200
1400
1600
88 90 92 94 96 98 00
SNP500
0
1000
2000
3000
4000
5000
6000
89 90 91 92 93 94 95 96 97 98 99 00 01
SPI
26
6.2. Représentation graphique des variables macroéconomiques
0
1
2
3
4
5
6
88 89 90 91 92 93 94 95 96 97 98 99 00 01
UC
75
80
85
90
95
100
105
110
88 90 92 94 96 98 00
PC
-2000
0
2000
4000
6000
8000
88 90 92 94 96 98 00
BBSN
1.0
1.2
1.4
1.6
1.8
88 89 90 91 92 93 94 95 96 97 98 99 00 01
USD
90
95
100
105
110
115
89 90 91 92 93 94 95 96 97 98 99 00 01
IP
10
15
20
25
30
35
40
89 90 91 92 93 94 95 96 97 98 99 00 01
BRENT
80
90
100
110
120
130
140
150
160
1990 1992 1994 1996 1998 2000
CORPORATE
27
6.3.
Rés
ult
ats
des
rég
ress
ion
s
ti,
t8
t7
t6
t5
t4
t3
t2
t1
tU
SDIP
INFL
AT
ION
CO
RPO
RA
TE
CH
OM
AG
EB
RE
NT
BB
SER
VIC
ES
SNP5
00�
��
��
��
��
��
��
��
��
�t
R
IND
US
TR
IE
1
2 3
4 5
6
7
8
R
2 AJU
ST
É
DW
SP
I BA
NK
S
-0.0
2513
5 (-
1.38
1722
) 0.
6949
35
(6.2
4868
8) *
6.
12E
-06
(1.5
4880
9)
-0.1
0679
7 (-
2.35
234)
**
-0.0
6785
3 (-
0.62
595)
-0
.114
276
(-1.
0852
99)
1.72
5402
(1
.566
039)
0.
2413
51
(1.3
1070
5)
0.39
7500
(1
.758
215)
***
0.
2876
71
1.
7954
32
S
PI B
UIL
DIN
GS
-0
.032
128
(-1.
9756
) **
* 0.
5457
01
(5.4
8885
4) *
6.
66E
-06
(1.8
8608
4) *
**
-0.1
0567
1
(-2.
6036
22)
**
-0.2
4829
8 (-
2.56
2272
) **
-0
.155
435
(-1.
6513
02)
***
2.60
7822
(2
.647
72)
**
0.05
7881
(0
.351
623)
0.
6978
12
(2.9
891)
*
0.
3148
76
1.
5308
24
S
PI
CH
EM
ICA
LS &
PH
AR
MA
. -0
.009
408
(-0.
7272
01)
0.38
1868
(4
.828
221)
*
3.91
E-0
6 (1
.392
757)
-0
.111
113
(-3.
4413
94)
* 0.
0734
(0
.952
123)
-0
.148
476
(-1.
9828
06)
**
1.05
8531
(1
.350
966)
0.
2438
48
(1.8
621)
***
0.
3137
08
(1.6
8917
3) *
**
0.
3029
21
2.
0515
97
S
PI
FO
OD
0.
0093
68
(0.7
3615
9)
0.26
7775
(3
.441
914)
*
1.41
E-0
7 (0
.050
875)
-0
.041
368
(-1.
3025
47)
-0.0
4447
1 (-
0.58
6456
) -0
.123
767
(-1.
6802
97)
***
-0.0
6452
2 (-
0.08
3715
) 0.
2098
13
(1.6
5282
5) *
**
0.54
200
(2.9
6691
5) *
0.
1596
25
1.
7507
49
S
PI
IND
US
TR
Y
-0.0
1493
6 (-
1.42
4569
) 0.
3954
56
(6.1
6956
) *
4.79
E-0
6 (2
.103
709)
**
-0.0
8717
4 (-
3.33
1497
) *
-0.0
0317
2 (-
0.05
0772
) -0
.135
433
(-2.
2316
72)
**
1.19
0627
(1
.874
988)
***
0.
1464
02
(1.3
7947
) 0.
4275
03
(2.8
4033
6) *
0.
3850
50
2.
0639
90
S
PI
INS
UR
AN
CE
-0
.002
268
(-0.
1361
32)
0.66
1332
(6
.493
605)
*
1.70
E-0
6 (0
.470
944)
-0
.147
67
(-3.
5518
52)
* -0
.140
218
(-1.
4125
25)
-0.2
2736
6 (-
2.35
7995
) **
0.
5420
34
(0.5
3723
) 0.
4634
37
(2.7
4832
5) *
* 0.
2875
43
(1.2
0238
8)
0.
3492
66
1.
8234
94
S
PI
LIG
HT
ELE
C &
ELE
CT
RO
N
-0.0
5591
2 (-
3.33
4402
) *
0.65
8903
(6
.427
478)
*
1.16
E-0
5 (3
.188
131)
*
-0.0
5000
3 (-
1.19
4856
) -0
.135
908
(-1.
3601
55)
-0.0
2208
3 (-
0.22
7525
) 3.
7400
87
(3.6
8271
3) *
-0
.058
274
(-0.
3433
23)
0.85
1259
(3
.536
354)
*
0.
3729
36
1.
7277
72
S
PI
MA
CH
INE
RY
-0
.060
001
(-3.
6554
33)
* 0.
5829
64
(5.8
0938
5) *
0.
0000
13
(3.5
8245
5) *
-0
.087
153
(-2.
1274
79)
**
-0.1
0900
5 (-
1.11
4451
) -0
.126
992
(-1.
3366
39)
3.34
0341
(3
.360
056)
*
-0.1
6254
0 (-
0.97
8273
) 0.
5761
58
(2.4
4514
8) *
*
0.
3573
47
1.
4245
79
S
PI
MIS
C. S
ER
VIC
ES
-0
.024
006
(-1.
7383
44)
***
0.58
4475
(6
.922
894)
*
5.48
E-0
6 (1
.828
132)
***
-0
.082
151
(-2.
3835
94)
**
-0.1
5229
1 (-
1.85
0638
) **
* -0
.105
354
(-1.
3180
26)
1.60
4366
(1
.918
193)
***
-0
.031
467
(-0.
2251
05)
0.69
4234
(3
.501
895)
*
0.
3834
31
1.
7812
22
SP
I O
TH
ER
IND
US
TR
IAL
-0.0
6311
3 (-
4.44
5357
) *
0.57
9976
(6
.681
957)
*
1.36
E-0
5 (4
.409
836)
*
-0.1
0474
9 (-
2.95
6239
) *
-0.1
2695
(-
1.50
0558
) -0
.056
388
(-0.
6861
72)
3.14
8281
(3
.661
292)
-0
.150
434
(-1.
0467
71)
0.61
1479
(3
.000
201)
*
0.
4401
76
1.
4960
46
SP
I S
ER
VIC
ES
-0
.019
016
(-1.
2721
97)
0.67
0822
(7
.340
699)
*
4.71
E-0
6 (1
.451
039)
-0
.111
782
(-2.
9964
01)
* -0
.113
575
(-1.
2750
82)
-0.1
4299
3 (-
1.65
2713
) **
* 1.
3908
49
(1.5
3630
5)
0.24
2373
(1
.661
858)
***
0.
4464
13
(2.0
8037
7) *
*
0.37
5894
1.87
2358
SP
I U
TIL
ITIE
S
-0.0
1255
(-
1.08
7194
) 0.
1573
93
(2.2
3025
6) *
4.
07E
-06
(1.6
5228
) **
* -0
.006
297
(-0.
2185
76)
-0.0
5080
4 (-
0.73
8574
) -0
.181
423
(-2.
7152
59)
* 0.
9530
49
(1.3
6317
2)
0.17
9071
(1
.532
508)
0.
3663
63
(2.2
1082
6) *
*
0.
1280
93
1.
0885
43
IN
DIC
E S
PI
-0.0
1665
4 (-
1.51
6212
) 0.
5011
77
(7.4
6355
5) *
4.
81E
-06
(2.0
1817
2) *
* -0
.096
386
(-3.
5161
4) *
-0
.045
792
(-0.
6996
29)
-0.1
3756
3 (-
2.16
3748
) *
1.25
2588
(1
.882
91)
***
0.17
8747
(1
.657
695)
***
0.
4381
42
(2.7
7871
9) *
0.
4313
23
2.07
7078
- Le
s t-
stat
son
t ent
re p
aren
thès
es
- Le
s va
leur
s av
ec (
*) s
ont s
igni
ficat
ives
à 1
%, a
vec
(**)
son
t sig
nific
ativ
es à
5 %
, ave
c (*
**)
sont
sig
nific
ativ
es à
10
%
- P
our
le te
st d
u D
W, p
our
v=10
et n
=10
0, l'
inte
rval
le e
st d
e (1
.46;
1.90
) et
pou
r v=
5 et
n=
100
(1.5
7;1.
78)
28
VII. Bibliographie � Bae, Duvall, "An empirical analysis of market and industry factors in stock returns of U.S.
aerospace industry", Journal of Financial and Strategic Decisions, Summer 1996 � Elton, Edwin J., and Gruber, Martin J. "Modern Portfolio Theory and Investment Analysis",
John Wiley & Sons, 4ème édition � Elton, Edwin J., and Gruber, Martin J. "Improved Forecasting Through the Design of
Homogenous Groups", Journal of Business, 44, N°4 (1971) � Fama, E. and K. French, "The Cross-Section of Expected Stock returns", Journal of Finance,
vol. 4, pp. 427-465, 1992 � King, Benjamin F., " Market and Industry Factors in Stock Price Behaviour ", Journal of
Business 39, N°1, 1966 � Krueger et Rahbar, "Explanation of Industry returns Using the Variable Beta Model", Journal
of Financial and Strategic Decisions, Summer 1995 � Pari, Robert A. and Son-Nan Chen, " An Empirical test of the Arbitrage Pricing Theory",
Journal of Financial Research 7, N°2, Summer 1984, pp. 121-130 � Sharpe, W., "Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk",
Journal of Finance, Vol. 19, N°3, September 1964, pp. 425-442.
top related