Beruflich Dokumente
Kultur Dokumente
Directeur de recherches
Mr. ALOUI Chaker
Elaboré par
ABDELJAOUED Mariem
Octobre 2006
Etude de la causalité volatilité - volume de transaction sur le marché
interbancaire des changes tunisien : enseignements de la microstructure
et essai de validation empirique
Résumé : L’objet de cette étude est de tester une éventuelle causalité entre le volume de
transactions et la volatilité des principales devises traitées sur le marché interbancaire tunisien. Le
support empirique comprend les parités suivantes TND/USD, TND/EUR, TND/GBP et
TND/JPY pour la période globale de 1994-2004. Méthodologiquement, nous avons intégré, dans un
premier temps, la variation du volume de transactions dans les équations de la moyenne et de la
variance des modèles GARCH, EGARCH et GJR-GARCH. Dans un deuxième temps, nous avons
appliqué l’approche de Cheung et Ng (1996) permettant de cerner le phénomène d’asymétrie et de
tester l’hypothèse de causalité dans la moyenne et la variance. Les résultats issus de la première
approche n’aboutissent pas souvent à la vérification de la causalité, exception faite pour les parités
TND/EUR et TND/GBP qui confirment l’existence d’une causalité respectivement dans la
moyenne et dans la variance. En revanche, l’approche de Cheung et Ng (1996) dégage des résultats
forts intéressants confirmant la présence d’une part, de la causalité tant au niveau de la variance qu’au
niveau de la moyenne et d’autre part des effets de feed back.
Mots clés : Microstructure, Volume de transactions, Volatilité, Cross Correlation Function,
modélisation GARCH, EGARCH et GJR-GARCH.
JEL classification : F4, G12, C14, F31
Abstract This study provides empirical evidence on the relationship between trading volume and
volatility in Tunisian foreign exchange market. It uses data set that includes daily data on exchange
rate and trading volume for the tunisian exchange rate (TND/USD, TND/EUR, TND/GBP and
TND/JPY), covering the period (1994-2004). Methodologically, we have integrated, in first time, the
trading volume variation in the equation mean and variance of GARCH, EGARCH and GJR-
GARCH models. Then, we employed the robust two-step procedure proposed by Cheung and Ng
(1996) to detect the causality in mean and variance. We do not find evidence of significant impact of
trading volume on volatility by using the first method unless for TND/EUR and TND/GBP where
we find respectively causality in mean and variance. However, the results of Cheung and Ng (1996)
approach seem to be interesting by the detection of causality both in mean and variance, and this for
all currencies vis-à-vis tunisian exchange rate. We also find feed back phenomena.
Key words: Microstructure, Trading Volume, Volatility, Cross Correlation Function, GARCH,
EGARCH and GJR-GARCH models. .
JEL classification : F4, G12, C14, F31
Introduction générale
L e marché des changes est en constante évolution. Il est, dès lors, naturel de constater que
certains modèles macroéconomiques n’expliquent qu’une très faible partie de la variabilité du
taux de change. En effet, depuis plusieurs années, la détermination du taux de change soulevait
une polémique contreversante dans la mesure où les modèles macroéconomiques reposant sur des
données fondamentales de l’économie parviennent plutôt mal à expliquer ou à prévoir la dynamique
du taux de change. Plusieurs auteurs se sont alors intéressés sur l’efficacité et la pertinence de ces
indicateurs qui s’avèrent être dérisoires. Un tel constat fait il y a une vingtaine d’années par Meese et
Rogoff (1983), n’a conduit qu’assez récemment à un changement de direction dans l’analyse du
change, fondé sur la théorie de la microstructure des marchés de change. En effet, Meese er Rogoff
(1983), ont montré, dans leur étude comparative de divers modèles de taux de change, qu’aucun
modèle structurel, alors existant, ne surclassait de façon systématique une simple marche aléatoire
sur le court et le moyen terme, même en utilisant les valeurs futures des variables explicatives.
Obstfeld et Rogoff (2000), quant à eux, ont mis le point sur le fait que la relation observée entre le
taux de change et pratiquement toutes les variables macroéconomiques est généralement très faible.
Une conférence, portant sur le thème de la microstructure des marchés des changes organisée
récemment par Frankel, Galli et Giovannini (2006), survole la littérature traditionnelle dans le but
de souligner la pauvreté des performances empiriques des modèles monétaires (modèle à prix rigides,
modèle à prix flexibles) et des modèles d’équilibre du portefeuille.
Pour toutes ces raisons, la modélisation microéconomique du marché des changes représente un
mouvement radical loin de la modélisation traditionnelle de dynamique du taux de change. Cette
théorie de la microstructure a été initialement formalisée par Kyle (1985) et Glosten et Milgrom
(1985), elle s’intéresse à la manière avec laquelle le marché est organisé, à l'interaction résultante des
différents participants et à l'impact qu'ils portent sur les mouvements des prix. Cette nouvelle
approche, préconise l’emploi de nouvelles variables explicatives de la dynamique du taux de changes,
tels que le volume de transactions, la volatilité, les flux d’ordre et les Bid-Ask spreads, au lieu de se
concentrer sur les fondements de l’approche macroéconomique tels que l’inflation, le taux d'intérêt,
etc.
Dans le cadre de cette nouvelle approche, plusieurs auteurs se sont intéressés sur l’étude de la
corrélation entre les différents outils de la microstructure. Lyons (2000), s’est beaucoup impliqué sur
la dynamique des flux d’ordre et le spread qu’il considère comme étant les deux icônes de cette
théorie novatrice. Lyons (1995), Yao (1998) et Bjonnes et Rime (2000) se sont penchés sur la
présence de l’information privée dans le marché de change extérieur. Galati (2000), Tauchen et Pitts
(1983), Epps et Epps (1976) et bien d’autres, ont traité l’interaction entre le co-mouvement de la
volatilité et du volume des transactions, ce travail s’inscrit dans le même sillage. En effet, notre étude
traite la question de la causalité entre le volume de transactions (Trading) et la volatilité des cours de
changes des principales parités traitées sur le marché interbancaire tunisien vis-à-vis du dinar. Ce qui
nous amène à nous poser la question suivante : le volume de transactions peut-il être assimilé à une
variable déterminante de la dynamique de change interbancaire ?
Pour appréhender au mieux une telle problématique, nous emprunterons un plan en trois chapitres :
Le premier chapitre traite de la jonction entre l’approche fondamentale et l’approche
microstructurelle. En effet, nous commencerons par présenter les modèles de base de la théorie
macroéconomique traditionnelle. Tout d’abord, nous exposerons le modèle de Mundell (1963) et
Fleming (1962), viendront ensuite, les modèles monétaires de base englobant d’une part, le modèle
monétaire à prix flexible initié par Frankel (1976), Mussa (1976), Bilson (1978), Kouri (1976), Girton
et Roper (1981) et Hodrick (1978) et d’autre part, le modèle de Dornbusch (1976), encore appelé
modèle à prix rigide. Nous terminerons cette revue par les modèles d’équilibre de portefeuille. Le
modèle de Meese et Rogoff (1983), considéré comme le point de départ de la nouvelle théorie de la
microstructure dont les outils clôtureront ce premier chapitre, sera exposé en dernier.
Le chapitre deux présente un balayage des travaux empiriques traitant des différents modèles
microstructurels. Nous mettront en évidence les principales idées de l’approche microstructurelle et
ce en présentant les démarches d’une série de modèles, en autre, les modèles de Lyons (2000), Evans
et Lyons (2004, 2005), Madhavan et Smidt (1991). Nous concentrons par la suite nos investigations
dans la présentation des principaux modèles traitant de la causalité entre volume de transactions et
volatilité des cours de change, à savoir le modèle de Kyle (1985), le modèle d’Admati et Pfleiderer
(1988), qui est une extension du modèle de Kyle (1985), le modèle de Subrahmanyam (1989-1991) et
enfin le modèle de Galati (2000).
Le dernier chapitre, est d’ordre empirique, nous testerons l’hypothèse de l’éventuelle présence d’une
causalité unidirectionnelle ou bidirectionnelle entre le volume de transactions et la volatilité. Le
support empirique de notre étude se compose d’une série de données sur les taux de change en
terme de Dinar tunisien des principaux partenaires commerciaux de la Tunisie à savoir le dollar
américain USD, la livre sterling GBP, l’euro EUR et le yen japonais JPY. Ces
données couvrent une période globale allant du 11 mars 1994 au 13 mai 2004 et comporte aussi des
données relatives aux volumes de transactions journaliers afférents aux quatre parités initialement
citées. Méthodologiquement, nous procéderons en deux étapes : tout d’abord, l’estimation de modèle
de type GARCH. Il s’agit principalement des modèles : GARCH de Bollerslev (1986), EGARCH de
Nelson (1991) et GJR-GARCH de Glosten, Jagannathan et Runkle (1993) qui tiennent compte du
caractère asymétrique qui existe dans les séries temporelles à haute fréquence. Ensuite, nous
appliquerons la méthode de Cheung et Ng (1996) qui avance que l’approche de corrélation croisée
(CCF) offre des informations utiles sur l’interaction entre les séries temporelles. Nous adopterons
cette approche parce qu’elle tient compte du caractère asymétrique et du phénomène de causalité
dans la moyenne conditionnelle ainsi que dans la variance conditionnelle. Certaines de ces
informations peuvent être exploitées dans le but de construire un modèle plus performant afin de
décrire la dynamique des données des séries temporelles relatives au volume de transactions et à la
volatilité.
Chapitre 1
De l’échec de l’approche fondamentale
à l’approche de la microstructure
«To repeat a central fact of life, there is remarkably little evidence that macroeconomic variables have consistent strong
effects on floating Exchange rates, except during extraordinary circumstances such as hyperinflations. Such negative
findings have led the profession to a certain degree of pessimism vis-à-vis exchange-rate research»..
P our reprendre l’idée exposée ci-dessus par ces deux auteurs, les modèles standards de la
macroéconomie ont généralement échoué dans l’obtention de bonnes explications dans les
variations de court terme du taux de change. Cet échec a généré une motivation dans le sens
où, d’une part, l’examen du soutien microéconomique des marchés des changes internationaux est
nécessaire et d’autre part pour rendre plus intense la compréhension du marché à savoir comment
fonctionne t–il ? Ou comment les politiques peuvent être effectives pour accroître leurs efficiences ?
Afin d’analyser l’approche microstructure du marché des changes, il est nécessaire de comprendre,
de prime abord, les différents concepts afférents à ce marché et à la microstructure. Les modèles
macroéconomiques traditionnels excluent la problématique de détermination des prix.
Généralement, ces modèles font l’hypothèse qu’un commissaire priseur walrasien collecte l’ensemble
des ordres et détermine ainsi le prix d’équilibre selon la loi de l’offre et de la demande O’Hara (1995
p. 4). Ce commissaire priseur walrassien n’est en fait qu’une idée permettant de se déconnecter de la
réalité de la formation des prix. En outre, dans ces modèles traditionnels, l’information est
considérée comme complète, gratuite et publique. Alors que le marché des changes est un marché
continu, fragmenté et gouverné par les prix.
L’une de ses autres caractéristiques est qu’il comporte des dealers multiples qui se font la
concurrence. Dans la réalité, le commissaire priseur walrassien est alors remplacé par plusieurs
dealers et chacun d’entre eux détient une information non observable par l’autre. De ce fait, il est
nécessaire de trouver de nouveaux modèles permettant de saisir ce qui échappe aux théories
macroéconomiques traditionnelles. Cette approche des marchés des changes internationaux prend en
considération des variables autres que les fondamentaux économiques parce que les facteurs tels que
l’organisation des marchés de change, le comportement des traders, touchent directement les prix.
L’approche de la microstructure se voit alors attribuer le rôle d’éclairer cette zone d’ombre qui
submerge et handicape la compréhension de la dynamique du taux de change.
Cette première partie est organisée en deux sections. La première section a pour but de présenter les
modèles de base dans la détermination macroéconomique du taux de change. L’approche
microstructure du marché des changes et ses outils seront développés dans la deuxième section.
L’ambition de cette première partie est de clarifier aux lecteurs ce concept moderne de l’approche de
la microstructure tout en énumérant les limites des modèles macroéconomiques traditionnels.
i BP
IS LM
io BP
y
Y0
Ce schéma est inspiré du modèle de Varoudakis(1994), pp : 205
X = X (Y , R ) X y* 0, X R 0 Exportations (1.5)
2- marché de la monnaie :
Md
= L(Y , i ) Ly 0, Li ≺ 0 Demande de monnaie (1.6)
P
Ms =Md =M Equilibre de marché de la monnaie (1.7)
3- équilibre extérieur :
BP = CA + CP = 0 Balance des paiements (1.8)
CA= PX – EP*Q Balance courante (1.9)
CP = K( i – i* – E(e) ) K i = -K i* = -KE(e) >0 (1.10)
Md : demande de monnaie
Y : revenu national Ms : offre de monnaie
Q : importations M : monnaie
I : consommations i : taux d’intérêt nominal
G : dépenses publiques BP : balance des paiements
X : exportations CA : balance courante
R : taux de change réel (= EP*/P) CP : balance des capitaux
E : taux de change nominal i * : taux d’intérêt étranger
P : prix nationaux E(e) : dépréciation anticipée de la monnaie
P*: prix étrangers Y* : revenu national étranger
p = i – i* – E (∆e) (1.15)
Désignons par :
Bj, le stock des actifs nationaux libellés en monnaie nationale détenus par l’investisseur j
B*j, le stock des actifs nationaux libellés en monnaie étrangère détenus par l’investisseur j
s , le taux de change
Deux cas peuvent se présenter Bj = 0 ou B*j < 0, c'est-à-dire que les agents peuvent être créanciers
ou débiteurs. On a donc :
Bj/ s B*j = β (i – i* – E (∆e)) (1.16)
Une baisse du taux de dépréciation anticipé du taux de change ou une augmentation du différentiel
d’intérêt accroît la part des actifs nationaux par rapport aux actifs étrangers. La littérature nous
permet à ce stade de distinguer entre deux types de modèles :
i. Les modèles avec uniformité des préférences
ii. Les modèles avec préférence pour les actifs nationaux
Le premier type de modèle suppose que tous les agents qu’ils soient résidents ou non résidents
détiennent les mêmes fonctions de demande d’actifs puisque ces derniers ont la même fonction
d’utilité et qu’ils consomment des biens identiques. Mais ce qui éloigne ce modèle de la théorie de
détermination du taux de change est que l’hypothèse relative à l’anticipation de change est absente.
Dès lors les versions les plus simplistes supposent que les anticipations sont statiques (E (∆e)=0). Le
deuxième type de modèle suppose que les agents- pouvant à la base détenir les deux sortes de titres
dans leurs portefeuilles c'est-à-dire, les uns libellés en monnaie nationale et les autres en devises -
préfèrent affecter la majeure partie de leurs richesses à la détention d’actifs nationaux. Ceci suggère
alors qu’il faut définir pour chaque actif autant de fonction de demande qu’il y a de pays, si l’on veut
bien supporter l’homogénéité des préférences des agents dans un même pays. Le risque de change et
surtout le degré d’aversion des agents à ce dernier, les poussent à détenir leur richesse en monnaie
domestique.
Tableau 1.1. Racine carrée de l’erreur moyenne de prévision à l’horizon de six mois.
Modèle
Cours de Marche Modèle hybride
Cours à terme monétaire
change aléatoire (monétaire et portefeuille)
à prix flexible
Ces résultats, nous permet de constater que les résultats fournis par la marche aléatoire sont
beaucoup plus efficaces que ceux des autres modèles. Meese et Rogoff ont ensuite tenté d’améliorer
les performances des modèles des fondamentaux mais ceci s’est malheureusement soldé par des
échecs répétitifs. Ils ont par la suite effectué d’autres analyses qui ont abouti à des résultats plutôt
innovateurs et ce en considérant qu’à des horizons inférieurs à un an la marche aléatoire reste la seule
explication cohérente quant à la détermination des variations du cours de change, mais le nouveau
point culminant est qu’à long terme, ces variations se trouvent dépendantes des variables
économiques fondamentales. Ce constat n’ayant pas encore été infirmé de façon convaincante, dès
lors, des progrès substantiels ont été accomplis dans le champ de la modélisation en macroéconomie
internationale. Ainsi, les travaux développés au sein du courant de la nouvelle macroéconomie
internationale, à partir des travaux d’Obstfeld et Rogoff (1995), montrent que les modèles d'équilibre
général intertemporel permettent d'expliquer un certain nombre de faits stylisés internationaux. En
particulier, Hairault, Patureau et Sopraseuth (2001) montrent qu'un modèle de petite économie
ouverte intégrant l'existence d'imperfections sur le marché du crédit contribue à expliquer l'extrême
volatilité du taux de change nominal. Obstfeld et Rogoff (2000) ont, en outre, mis l’accent sur le fait
que l’écart constaté entre le taux de change, d’une part, et les variables macroéconomiques, d’autre
part, est évidemment très faible, ce phénomène a été alors nommé l’énigme de la déconnexion du
taux de change. Afin de lever le voile sur cette énigme quatre grandes raisons ont été avancées :
i Premièrement, certains auteurs expliquent ce phénomène de déconnexion par
l’éventuelle instabilité temporelle des paramètres estimés provoquée par exemple à la suite d’un
changement au sein du régime de politique économique comme l’ont indiqué Sarno et Taylor (2002,
p 135), ou du fait que les agents ne réagiraient pas de la même façon face aux variations
macroéconomiques.
ii Deuxièmement, la parité des pouvoirs d’achat et celle des taux d’intérêt, hypothèses
prédominantes dans les modèles de base de la détermination du taux de change, ont été mises à
l’écart dans de nombreux travaux et ce à cause de leurs limites dans la mesure où ces hypothèses ne
peuvent être vérifiée ni à court terme ni à moyen terme et encore plus à long terme (Taylor et Taylor,
2004).
iii Troisièmement, une relation non linéaire entre le taux de change et les variables
macroéconomiques est adaptée par un groupe d’auteurs qui pensent que cette non linéarité est
susceptible d’améliorer la capacité de prévision des modèles structurels de taux de change.
iv Quatrièmement, Flood et Rose (1995), mettent l’accent sur un concept clé en finance
internationale à savoir la volatilité du taux de change. En effet, l’observation de tous ces paramètres
a permis de constater que le taux de change nominal est beaucoup plus volatile que les différentes
variables macroéconomiques des modèles traditionnels. Ces propos avancés mettent alors un doute
réel quant à l’efficacité de ces modèles à déterminer le taux de change, néanmoins, ceci représente
peut être une indication qu’il existe des variables importantes qui ont été omises dans ces modèles.
Certains auteurs ont avancé plusieurs possibilités expliquant cet oubli des variables pertinentes à
savoir l’irrationalité des acteurs du marché, la présence de chocs macroéconomiques non observables
qui se répercutent sur le taux de change, les bulles spéculatives, etc.
Section 2 : La modélisation microéconomique de marchés des
changes : l’approche microstructurelle
2
Les termes bid-ask spread et fourchette des prix ont une même signification
négociation sur le marché des changes n’est pas transparent et les écarts entre les cours acheteur et
vendeur dépendent des coûts de traitement des ordres et de gestion des stocks assumés par les
teneurs de marché. Contrairement, aux modèles macroéconomiques, où seule l’information publique
est prise en considération, les modèles microstructurels n’excluent pas l’hypothèse que certains
agents puissent avoir accès à des informations privées au sujet des facteurs fondamentaux ou de la
liquidité dont ils peuvent tirer profit à court terme. Par conséquent, les transactions des agents bien
informés peuvent avoir une plus forte incidence sur les taux de change que celles des acteurs non
informés. Nous traiterons tous ces aspects de cette nouvelle approche plus en détails, dans cette
nouvelle partie.
2.1. La structure du marché des changes :
2.1.1. Les acteurs du marché :
Dans plusieurs études, l’explication de la dynamique de court terme des taux de change repose sur la
présence prépondérante, à un moment donné, d’un certain type d’acteurs sur le marché. L’approche
de la microstructure des marchés des changes s'est concentrée généralement sur trois types différents
d'agents:
i. Les revendeurs ou les teneurs de marché travaillant dans les grandes banques
commerciales et d’investissement, opèrent dans le marché interbancaire et proposent un prix
acheteur et un prix vendeur pour les quantités de monnaies qu’ils sont disposés à échanger.
ii. Les courtiers, opérant dans le marché interbancaire, n’exercent aucune fonction de
tenue de marché et facilitent plutôt les transactions anonymes entre les contreparties. Les courtiers
traditionnels négociant par téléphone sont de plus en plus remplacés depuis quelques années par des
plateformes électroniques de négociation, notamment celles d’Electronic Broking System (EBS) et de
Reuters.
iii. Les clients, commercialisant avec les banques, mais n'ayant pas accès au marché
interbancaire, encore appelés clients finaux.
Le flux d’ordre représentant l’une des principales variables explicatives de taux de change est mesuré
par le flux cumulatif des transactions. En effet, chaque opération se voit attribuer un signe qui
permettra de déterminer instantanément l’initiateur de cette dernière. Quand le signe est positif ceci
veut dire que l’acheteur s’est engagé dans la transaction en premier, par contre s’il est négatif cette
charge revient au vendeur. Autrement dit, une somme positive durant une période donnée dénote
des pressions prédominantes à l’achat et une somme négative représente des pressions à la vente. Les
variables opérant dans l’approche de la microstructure et en particulier les flux d’ordre, peuvent
fournir une mesure beaucoup plus exacte des variations du taux de change et donc satisfaire les
attentes du marché. Chris D’Souza (2001 p. 10). Cette définition doit être, en outre, ajustée pour les
marchés qui n’ont pas de dealers. Ces marchés financiers doivent remplacer des dealers par des
« limits order book » encore appelés « ordres à prix limites » accumulés par les courtiers ce qui fait que
cette forme de transaction soit indirecte. Par opposition à la façon directe c'est-à-dire sur le marché
interbancaire, et donc aux ordres au prix de marché, les ordres à prix limites fixent un prix maximum
pour les ordres d’achat ou minimum concernant les ordres de vente pour l’échange. Les ordres à prix
limite sont du côté passif de la transaction exactement comme la position du teneur du marché sur le
marché interbancaire.
Lyons (2000) a avancé que les flux d’ordres tels qu’utilisés dans la finance représentent une variante
d’un terme clé dans l’économie à savoir excès de la demande, Lyons précise que le flux d’ordre n’est
qu’une variante et non un synonyme de ce terme puisque par définition et à l’équilibre, l’excès de la
demande s’annule alors que les flux d’ordres ne s’annulent pas nécessairement. Dans les marchés
organisés, tel que le marché de change extérieur, les ordres sont initiés contre les faiseurs du marché.
Ces derniers jouent un rôle d’absorption des déséquilibres entre les acheteurs et les vendeurs. En
somme, le rôle de ces faiseurs de marché représente la frontière qui fait que les flux d’ordres et
l’excès de demande ne se rejoignent pas.
2.3.1.1 L’importance de l’information dans les flux d’ordre :
Plus spécifiquement, les modèles microstructurels ont posé la question quant à la façon par laquelle
les flux d’ordre sont à leur tour déterminés ou mesurés. La variable qui se distingue alors est
l’information. En effet, tous les auteurs, adhérents à cette nouvelle approche, se sont attardés sur
cette variable clé, intéressante de part son rôle dominant et essentiel dans l’explication et l’efficacité
des flux d’ordres et en particulier l’information que le marché monétaire doit agréger. Au total,
l’approche microstructurelle représente une alternative nouvelle par rapport à l’approche
macroéconomique en incluant aux fondements traditionnels de nouveaux atouts à son actif. En
effet, la valeur explicative des flux d’ordres est plus grande lorsque ces derniers réunissent un
faisceau d’informations éparses et essentiellement sur les variables macroéconomiques. C’est un rôle
d’agrégation qui permet de faire le lien entre les données fondamentales telles que la production,
l’inflation et bien d’autres indicateurs de l’économie et le comportement du taux de change. Lyons
(2000) a modélisé ce processus de l’information en deux étapes : la première étape est une phase
d’analyse ou d’observation des fondamentaux par des participants du marché mais qui ne sont pas
les teneurs de ce derniers (tels que les individus avec des informations spéciales, les fonds mutuels,
etc., Les flux d’ordre contiennent alors des informations sur les fondamentaux venant directement
de ceux qui les analysent, ensuite, grâce à ces flux d’ordre munis de l’information tant convoitée par
les teneurs de marché, ces derniers fixent les prix en se basant sur leurs propres interprétations ; on
parle alors d’un véritable mécanisme de transmission de l’information.
Dans les modèles macroéconomiques des marchés de change extérieur, les taux de change sont
déterminés par l'information publique, en échangeant des activités qui sont complètement sans
rapport. En général ces modèles ont un pouvoir explicatif réduit pour des horizons plus courts que
six mois qui peut être dû à l'existence possible d'information privée. Les revendeurs dans le marché
considèrent les flux d’ordre des clients comme étant la source la plus importante d'information
privée. Dans un cadre d’asymétrie de l’information, les flux d’ordre permettent d’appréhender la
réaction du marché à la publication de données macroéconomiques. A mesure que les déterminants
macroéconomiques des taux de change se modifient, les opérateurs ajustent leurs attentes et
rééquilibrent leurs portefeuilles en conséquence. Ce qui finit par influencer les taux de change.
L’information publique ainsi que l’information privée se voient alors délivrées et divulguées par les
flux d’ordre. Cette interprétation a été étrange et étonnante pour les économistes qui considèrent en
effet qu’il y a une parfaite symétrie de l’information et que cette dernière est publiquement connue.
Pour ces derniers, l’information privilégiée n’est pas prise en compte alors que comme l’a souligné
Lyons (1997), un opérateur qui a pu tisser des liens étroits avec la banque centrale dans le cadre
d’une intervention aura un avantage momentané sur le reste du marché avant que l’annonce de
l’intervention ne soit réalisée officiellement.
Nous pouvons, en outre, ajouter que l’absence jusqu’à nos jours d’instances régulatrices qui
imposent aux participants de rendre public leurs échanges augmente et renforce l’opacité du marché.
A leur tour, Evans et Lyons (2003) estiment qu’au moins la moitié de la réaction des taux de change
aux nouvelles macroéconomiques s’explique par l’information que fournissent les flux d’ordre. Et
que ces derniers traduisent d’une manière efficace les prévisions des agents concernant les variables
macroéconomiques. En conséquence, d’après Evans et Lyons (2004)., le flux d’ordre des clients
finaux fournit de meilleures prévisions de l’évolution des taux de change au comptant que les
modèles de taux de change traditionnels.
contenu informatif des flux d’ordres en se fondant sur la réaction à long terme du taux de change
aux transactions. Ses résultats indiquent qu’environ 40% de la volatilité du taux de change est
attribuable à des transactions non prévisibles. En dépit de cette proportion élevée, le flux d’ordres a
une répercussion sur le taux de change qui est significative à la fois aux niveaux statistiques et
économiques.
2.3.2 Le spread :
Le spread représente le deuxième centre d’intérêt de cette approche de la microstructure et qui a reçu
une part considérable d’attention. D’après Lyons, ceci vient du fait de l’existence dans la théorie de
trois raisons à savoir : scientifique, pratique et historique. Analysons respectivement ces trois
logiques. Primo, la raison scientifique est en rapport avec les données. Les données du spread sont un
élément du cœur de la plupart des ensembles de données. Ce qui rend ce dernier une cible prête pour
les hypothèses testables. Secundo, les praticiens s'inquiètent intensément de la gestion des coûts de
leurs échanges, ce qui a influencé naturellement le cours de la recherche dans l’approche de la
microstructure. Et tertio, la raison historique vient du fait que depuis le commencement, le champ
de la microstructure a cherché à se séparer de la littérature. La compétition et le partage du risque par
les multiples fournisseurs de la liquidité déterminent le spread dans beaucoup de marchés financiers.
Bien que les Spreads reçoivent beaucoup d'attention, beaucoup de modèles de la microstructure ne
l'incluent pas dans leurs analyses, tel que les modèles de Kyle (1985).
La théorie de la microstructure identifie trois canaux avec lesquels le bid-ask spread est déterminé à
savoir : les coûts de transactions (transaction costs), les coûts d’inventaire (inventory costs) et les coûts de
l’information (information costs). En premier, les modèles des coûts des transactions, assumaient
l'existence de coût de "relation directe prévisible" comme le service de la compensation exigé par les
faiseurs de marché. Ces coûts peuvent inclure, le coût de souscriptions à l'information électronique
et les systèmes de transactions tel que le Reuters. Quand le revendeur anticipe l'augmentation du
volume des transactions pour la prochaine période, il s’attend à une hausse de son profit.
Cependant, la compétition entre revendeurs le forcera à resserrer son spread. Par conséquent, le
volume prédictible réduit le spread Demsetz (1968). Les modèles des coûts d’inventaire cherchent à
ajuster les prix tout en prenant en considération le risque averse afin de contrôler l’inventaire de leurs
actifs.
L’idée de base est qu'un revendeur avec un plus grand inventaire de la monnaie qu'il désire, établira
un prix inférieur pour attirer des acheteurs, c’est ce que les experts ont appelés
« quote shading »3. Dans un marché, où il y a de multiples revendeurs, un revendeur peut contrôler
aussi l'inventaire à travers l’entretien des relations commerciales avec les autres revendeurs, Garman
(1979), Amihud et Mendelson (1980), Ho and Stoll (1983).
Le modèle du coût de l’information considère les problèmes de la sélection adverses quand quelques
revendeurs détiennent de l'information privée. Lorsque les revendeurs reçoivent des transactions, ils
révisent leurs attentes et l'ensemble s'étend pour les protéger contre les négociants bien renseignés.
Le premier à amener le concept de l'information asymétrique était Bagehot (1971). Dans son article,
Bagehot a distingué entre négociants bien renseignés et ceux qui sont mal informés. Le faiseur de
marché perd toujours à mieux traiter avec les revendeurs bien renseignés parce qu'ils feront du
commerce seulement quand ils gagnent. Les gains de ce dernier surviennent du bid-ask spread. Le
spread peut être vu par conséquent comme un coût de l'information.
3
Prenons un exemple afin de clarifier cette notion : supposons que les quotes d'un faiseur de marché sont 1.8050-53 pour
DEM/USD, un autre revendeur contacte le faiseur de marché voulant acheter des dollars, et les achète à 1.8053. Après la
transaction, le faiseur de marché veut acheter des dollars pour réduire son exposition à la variation du taux de change. Au lieu
d'acheter à autres quotes des revendeurs, il peut couvrir ses propres quotes pour induire d'autres revendeurs de vendre à ses parts.
Par exemple, il peut afficher la cotation 1.8051-54, la rendre plus attirante pour les autres revendeurs afin de vendre à 1.8051
au lieu du prix antérieur de 1.8050. Le spread survient comme un prix pour dédommager le faiseur de marché pour n'être pas
capable de tenir le portefeuille préféré.
2.3.3. Le volume de transactions :
Le volume de transaction dans le marché de change extérieur est important parce qu’il renforce
l’existence et l’importance de l’hétérogénéité des anticipations. Lyons (1996), a montré que le volume
de transaction peut avoir un impact sur les prix. De ce fait, deux théories compétitives essayent
d’expliquer la sensibilité du volume de transactions. Le premier concept est celui de
« l’incertitude » (the uncertainty view) qui suggère que le volume élevé des transactions indique la
transmission rapide du processus d’information. La seconde théorie, trouve au contraire qu’un
volume élevé de transaction implique la circulation d’une partie minime de l’information.
Cette dernière théorie est plus connue sous le nom de « hot potato view » ou le concept de la « patate
chaude », qui suggère que suite à l’ordre d’un client, le partage des risques entre les teneurs de
marché les conduit à se passer une « patate chaude » jusqu’à ce qu’elle atteigne un teneur de marché
la désirant autrement dit jusqu’à ce qu’un teneur de marché veuille bien assumer le risque encouru. A
ce propos Lyons (2000) avance :
« Hot potato trading is the passing of unwanted positions from dealer to dealer following an initial customer trade.
This passing of unwanted positions is a consequence of dealer risk management». Lyons (2000, p. 12)
Cette expression a été en réalité découverte quelques années auparavant par Burnham (1991) qui
explique que « When hit with an incoming order, a currency dealer seeks to restore its own equilibrium by going to
another market maker or the broker market for a two way price. A game of hot potato has begun…It is this search
process for a counterparty who is willing to accept a new currency position that accounts for a good deal of the volume in
the foreign exchange market ». Burnham (1991, p. 125)
Les travaux empiriques sur le marché des changes souffrent de problèmes, du fait que c’est un
marché décentralisé, ce qui rend les données référents aux volumes de transaction difficilement
disponibles. Pour surmonter ce problème, plusieurs études se sont appropriées les données relative s
aux marchés à terme, afin de les utiliser comme valeurs approximatives du volume de transaction
interbancaire. A cet égard, Grammatikos et Saunders (1986), Batten et Bhar (1993) et Jorion
(1996) ont pu établir des conclusions et ce en se servant de ces données. Hartman, quant à lui, a
utilisé la base de données de la « central bank survey of foreign exchange and derivatives activity », dans son
premier article paru en 1998, et la base de données de la banque du Japon, pour son étude de 1999.
D’autres alternatives se sont offertes à Goodhart et Figliuoli (1991) et Bollerslev et Domowitz
(1993), qui ont directement exploité les informations affichées par le système électronique Reuters. La
base de données collectée à partir des cotations intra-quotidiennes de haute fréquence sur les
marchés de gré à gré, a servi principalement dans l’élaboration des travaux réalisés par Lyons (1995).
Conclusion
La revue de la littérature montre que des progrès ont été réalisés dans la compréhension de
l'évolution des taux de change, bien que de nombreuses questions et énigmes demeurent irrésolues.
La recherche macroéconomique est allée de l'avant malgré les obstacles rencontrés, et les modèles
sont devenus de plus en plus complexes, avec l'ajout de fondements microéconomiques et de
rigidités parallèlement à la prise en compte d'une gamme plus étendue de variables. En même temps,
les chercheurs se sont attaqués à divers problèmes empiriques et théoriques, comme la modélisation
de taux de change dont la relation avec les variables macroéconomiques est variable dans le temps ou
non linéaire. Même si le critère de succès de ces modèles reste leur valeur explicative et prédictive,
l'approche macroéconomique continue d'apporter un éclairage théorique sur le comportement du
taux de change. Du point de vue macroéconomique, d'importantes énigmes subsistent, notamment
celle de la déconnexion des taux de change.
L'approche microstructurelle relâche les hypothèses des modèles macroéconomiques et se concentre
sur la structure de l'information, le comportement des agents ainsi que sur le rôle des institutions et
des règles de décision dans la dynamique de court terme des taux de change. Cet axe de recherche
fait ressortir l'importance du flux d'ordres comme mécanisme d'agrégation de l'information dispersée
concernant les variables macroéconomiques. Les modèles de taux de change où le flux d'ordres est
l'une des variables explicatives produisent de meilleures prévisions qu'une marche aléatoire à des
horizons allant de un jour à un mois. Bien que les facteurs à l'origine des variations du flux d'ordres
— asymétrie de l'information au sujet des variables macroéconomiques ou chocs de liquidité
temporaires — ne fassent pas l'unanimité, le fait que le flux d'ordres permette de prévoir directement
l'évolution des variables macroéconomiques confirme son rôle comme mécanisme d'agrégation de
l'information dispersée. Les études d'Evans et Lyons (2004) et de Carlson et Osler (2005), qui relient
des caractéristiques microstructurelles — comme le flux d'ordres et l'hétérogénéité des agents — aux
variables macroéconomiques à plus long terme, constituent un pas dans la bonne direction. Alors
que les modèles macroéconomiques peuvent expliquer les variations du taux de change à des
horizons de plusieurs années, les modèles microstructurels ne parviennent encore à décrire que la
dynamique de très court terme. Si le flux d'ordres reflète l'expression au niveau microéconomique
des facteurs macroéconomiques influant sur l'économie réelle, il devrait être possible de rendre
compte du comportement du taux de change à des horizons plus lointains.
Références
Cheung, Y.-W ; Chinn, M. et Pascual, A. (2005). « Empirical exchange rate models of the
1990s: are any ait to survive? », Journal of International Money and Finance. (à paraître).
Evans, M (2002). « FX trading and exchange rate dynamics », Journal of Finance, vol. 57,
pp: 2405-2447.
Evans, M., et R. Lyons (2002). « Order flow and exchange rate dynamics », Journal of Political
Economy, vol. 110, pp: 170-180.
Evans, M., et Lyons, R. (2003). « How is macro news transmitted to exchange rates? »,
document de travail no 9433, National Bureau of Economic Research.
Evans, M., et Lyons, R. (2004). « A new micro model of exchange rate dynamics », document
de travail no 10379, National Bureau of Economic Research.
Evans, M et Lyons, R (2004). « Exchange rate fundamentals and order flow », Université de
Georgetown. (Disponible sur le site http://www.faculty.haas.berkley.edu/lyons.
Fleming, J. (1962), « Domestic financial policies under fixed and fiscal policies », IMF Staff
Papers 9, pp: 369-379.
Flood, R et Rose, A (1995). « Fixing exchange rates: a virtual quest for fundamentals ».
Journal of Monetary Economics, vol. 36, pp: 3-37.
Frankel, J et Froot, K (1988). « Chartists, fundamentalists and the demand for dollars »,
Greek Economic Review, vol. 10, pp: 49-102
Froot, K et Ramadorai, T (2001). « The information content of international portfolio
flows », document de travail n°8472, National Bureau of Economic Research.
Froot, K et Ramadorai, T (2005). « Currency returns, intrinsic value, and institutional
investor flows », Journal of Finance, Vol. 60, pp : 1535-1566.
Garman, M (1976). « Market microstructure ». Journal of Financial Economics. Vol. 3, pp : 257-
275.
Girton, L et Roper, D (1981). « Theory and implications of currency substitution », Journal of
Money, Credit and Banking. Vol. 1, pp : 12-30.
Glosten, L et Milgrom, P (1985). « Bid, Ask and transaction prices in a specialist market with
heterogeneously Informed Agents ». Journal of Financial Economics. Vol. 4, pp : 71-100.
Goodhart, C et Figliuoli, L (1991). « Every Minutes Counts in Financial Markets ». Journal of
International Money and Finance. Vol. 10, pp : 23-52.
• Grammatikos, T et Saunders, A (1986). « Futures price variability: a test of maturity and
volume Effect » Journal of Business, Vol. 59, pp: 319-330.
• Hartman, P (1998). « Trading volume and transaction costs from the short run to the long
run ». dans Currency Composition and Foreign exchange markets. Cambridge University Press
Hartman, P (1999). « Trading volume and transactions costs in the foreign exchange
markets ». Journal of Banking and Finance, Vol. 23, pp : 801-824.
Hairault, J.O ; Patureau, L ; Sopraseuth, T (2002) « Le surajustement du taux de change: une
évaluation quantitative en équilibre général », Revue Economique, Vol. 53, pp. 689-697
Ho, T et Stoll, R (1981). « Optimal dealer pricing under transactions and return uncertainty ».
Journal of Financial Economics. Vol. 9, pp : 47-73.
Hodrick. R (1978). « An empirical analysis of the monetary approach to the determination of
exchange rate », dans Johnson. G et Frankel, the economics of exchange rate, Addison
Wesley.
• Jorion, P (1996). « Risk and turnover in the foreign exchange market » in Frankel, Galli
et Giovanni The Microstructure of Foreign Exchange Markets, University of Chicago Press,
Chicago, pp: 19-36.
• Kouri, P (1976). « The exchange rate and the balance of payments in the short run and in the
long run : a monetary approach». Journal of Economics, vol. 78, pp : 280-304.
• Kyle, S (1985). « Continuous auctions and insider trading ». Econometrica. Vol. 53, pp : 1315-
1335.
• Lewis, K (1995). « Puzzles in international financial markets ». Handbook of International
Economics. Edité par Grossman. G et Rogoff. K.
• Lyons, R (1995). « Tests of microstructural hypothesis in the foreign exchange market».
Journal of Financial Economics. Vol. 39, pp : 321-351.
• Lyons, R (1996). « Foreign exchange volume : sound and fury signifying nothing ?» dans
Frankel et al. (1996), pp : 183-201.
• Lyons, K (1997). « A simultaneous trade model of the foreign exchange hot potato». Journal
of international Economics. Vol. 42, pp : 275-298.
• Lyons, R (2000). « The microstructure approach to exchange rates ». MIT Press, Cambridge,
Mass, Manuscript.
• Meese, R. et Rogoff, K (1983). « Empirical exchange rate models of the seventies: do they fit
out of sample? », Journal of International Economics, vol. 14, pp: 3-24.
• Meese, R. et Rogoff, K (1985). « Was it real? The exchange rate-interest differential relation,
1973-1984», document de travail no 1732, National Bureau of Economic Research.
• Mundell, R (1963). « Capital mobility and stabilization policy under fixed and flexible
exchange rates », Canadian Journal of Economics and Political Science, Vol. 29, pp: 475-485.
• Mussa, M (1976). « The exchange rate, the balance of payments, and monetary and fiscal
policy under a regime of controlled floating ». Journal of Economics, vol. 78, pp : 229-248.
• Obstfeld, M., et Rogoff, K (1995). « Exchange rate dynamics redux », Journal of Political
Economy, vol. 103, pp: 624-660.
• Obstfeld, M., et Rogoff, K. (2000). « The six major puzzles in international macroeconomics:
Is There a Common Cause? », NBER Macroeconomics Annual, vol. 15, pp: 339-390.
• Taylor, A. et Taylor, M. (2004). « The purchasing power parity debate », Journal of Economic
Perspectives, vol. 18, pp: 135-158.
Evans et Lyons (2005), ont présenté dans un nouvel article les modèles macroéconomiques et
microstructurels. Le modèle macroéconomique qu’ils examinent siège autour de deux principaux
traits à savoir
(i) Le facteur de la remise (b) qui est proche de l’unité, et
(ii) L’information concernant les valeurs futures des fondements qui arrive
simultanément à tous les agents qui révisent alors leurs prévisions.
Engel et West (2004), notent que le premier trait est le propre de deux des plus grands modèles
utilisés dans la macroéconomie, à savoir : le modèle monétaire et le modèle de la règle de Taylor.
Fondamentalement les principes sont donnés par l’équation suivante :
ƒt = (pt – pt*) - 1/φ0 [ρt+ φ1( ytg – yt*g)+ φ2(πt - πt*) + ut- ut*] (2.5)
Evans et Lyons (1995), se sont concentrés dans la résolution du problème de détermination du taux
de change et ce en examinant comment l’information est agrégée dans la dynamique de l’équilibre
général. Comme les autres modèles macroéconomiques d’équilibre général enrichissent d’une part la
structure des préférences et d’autre part la structure de production, ces derniers, s’intéressent à la
structure de l’information. A cet effet, la microstructure représente le point de départ de ce modèle
qui est modélisé par l’identification des activités réelles où l’information originelle est dispersée. Les
différents résultats qui relèvent de la détermination pragmatique et compliquée du taux de change
incluent, selon ces deux auteurs, plusieurs aspects tels que : les écarts persistants entre taux de change
et les fondements macroéconomiques, l’excès de la volatilité relative à ces derniers, les mouvements
du taux de change sans l’approche des « news », la présence minime ou presque inexistante des
mouvements du taux de change quand le phénomène des « news » macroéconomiques se produit. Ils
avancent à ce sujet : “The new micro approach we propose here connects the two. The model embeds a micro process
of information aggregation into a macro DGE setting” Evans et Lyons (2004, p. 34)
1.2. Le rôle de l’information dans la microstructure :
1.2.1. Le modèle de Madhavan et Smidt (1991) :
Le modèle proposé par Madhavan et Smidt (1991), considère une économie de change pure où il
n’existe pas de risque avec un actif risqué et une liquidation dont la valeur est stochastique. La
transaction des actifs risqués se fait dans un espace temporel qui varie entre 1 et T où, (t = 1,2,…,
T). Le modèle vise à déterminer la décision de fixation des prix représentative d’un dealer4 (i).
Chaque période est caractérisée par la réception d’un ordre appelé « incoming order » quand le dealer
4
Dans tout ce qui suit, nous utiliserons le terme dealer pour désigner un opérateur de change.
fixe sa cotation. « Incoming order » veut dire que le contact bilatéral a été initié par la contrepartie du
dealer dénotée j. Le dealer (j) dispose d’une information privée au moment où il contacte le dealer (i),
tandis que ce dernier n’a pas accès à cette information privée lorsqu’il cote ses prix. Afin de rendre
cette asymétrie flexible à son égard, le dealer (i) cote les prix qui peuvent être sous réserve de la taille
de l’ordre. Le dealer (j) décide si les transactions seront effectuées et quel nombre sera traité. Après la
transaction, le dealer (i) peut réviser sa cotation pour la prochaine transaction, qui sera basée sur de
nouvelles informations publiques. L’information totale relative au prix de l’actif risqué au temps (T)
est dénotée (V). Cette dernière est composée d’une série de variables, telles que les différentiels
t
d’intérêt et qui peuvent être formulées ainsi : Vt = ∑ ri
i =0
5 Le Dealing 2000-1 est un système électronique de transactions bilatérales, produit par REUTERS. Ce système est
matérialisé par des conversations électroniques durant lesquelles des transactions et des cotations peuvent être électroniquement
exécutées.
monnaie, le prix doit augmenter suffisamment pour induire la vente. Les flux d’ordre cumulatifs sont
créés par l’utilisation de la direction et de la taille de tous les échanges électroniques initiés par les
courtiers et exécutés par le département du marché de change. Si les flux d’ordre sont cumulatifs, les
auteurs s’attendent à ce que ces derniers soient cointégrés avec les prix.
1.2.2.2. Le modèle de Roll (1984) :
Si le marché est efficient et que les coûts de transactions sont nuls, le prix de marché observé
contient alors toutes les informations pertinentes. D’après Roll (1984, p. 1128), un changement dans
le prix se produit si et seulement si les participants dans le marché détiennent une information non
anticipée. Quand les transactions sont coûteuses à effectuer, le faiseur de marché ou le dealer doit
être compensé. Cette compensation habituelle inclue le bid-ask spread et une petite partie du prix qui
englobe la valeur sous-jacente de l’actif. Le marché reste efficient du point de vue informations si la
valeur sous-jacente de l’actif varie d’une façon aléatoire. Dans son étude, Roll (1984), considère que
cette valeur sous-jacente peut être considérée comme le centre du spread. Quand les informations
arrivent, le prix demandé ainsi que le prix offert se déplacent vers des niveaux différents de telle
sorte que leur moyenne représente une nouvelle valeur d’équilibre. Ainsi, la moyenne du bid-ask
spread varie aléatoirement dans un marché efficient. Le schéma ci-dessous, illustre les combinaisons
possibles d’un prix du marché observé durant des périodes de temps successives. Ainsi, le prix au
temps (t-1) représente une vente pour le faiseur de marché, à son bid, et delà aucune information
n’arrive au marché.
Prix de
vente
t-1 t t+1
Roll (1984, p 1128)
Le modèle d’estimation de la fourchette effective développé par Roll (1984) repose sur la covariance
entre les mouvements des prix successifs, induite par le passage des prix de transaction de l’une à
l’autre des limites de prix. Les hypothèses de cette modélisation sont fortement restrictives, où la
fourchette des prix est stationnaire, les transactions ont lieu aux meilleures limites et les sens
successifs des transactions sont indépendants. Sous ces conditions, si le spread est de la taille (S), la
covariance entre deux mouvements de prix successifs est donnée par l’équation ci-dessous :
S2
Cov (∆pt, ∆pt-1) = − (2.11)
4
Pour obtenir une estimation du spread relatif, Roll (1984, p. 1130) a utilisé les rentabilités plutôt que
les différences de prix. La covariance s’exprime dans ce qui suit en terme de rentabilité :
S2 S4
Cov (Rt+1, Rt ) = − − (2.12)
4 16
Avec (S) la fourchette relative, le terme (S4) est négligeable, et dès lors, un estimateur immédiat de la
fourchette de prix effective pour un titre (j) et la période (n) est donné par :
(
Sˆ Rj ,n = 2 − Cˆ j ,n ) (2.13)
Cˆ j ,n représente l’autocovariance estimée des rentabilités du titre (j) sur la période (n). S’il est
préférable de disposer d’un grand nombre de données, cet estimateur présente l’avantage d’être
indépendant de leurs fréquences. Aussi est-il possible de considérer des rentabilités quotidiennes.
Afin de vérifier directement que les estimations résultantes du spread sont valides, il devient
nécessaire de collecter le bid-ask spreads dans les données disponibles sur le marché. Mais les résultats
peuvent être validés indirectement en reliant la mesure implicite du spread avec la taille de la firme.
Depuis que la taille de la firme est corrélée positivement avec le volume, et que le volume est
négativement relié au spread [Demsetz (1968), Copland et Galai (1983)], Roll (1984, p. 1131), prévoit
de trouver une forte corrélation négative entre le spread mesuré et la taille mesurée. Il faut toutefois,
noter que dans le modèle de Roll, la fourchette est supposée stationnaire. Cette condition n’est
généralement pas vérifiée pour les données quotidiennes et cela induit des covariances quotidiennes.
A cet effet, Georges, Kaul et Nimalendran (1991), dans leur modèle, ont levé l’hypothèse de
stationnarité de la fourchette. Pour cela, ils calculent la différence entre la rentabilité du cours coté et
celle de la limite inférieure de la fourchette.
RDt = Rt - RBt (2.14)
La covariance entre ces écarts de rentabilité successifs est égale à :
Cov (RDt, RDt-1 ) = - S2/4 (2.15)
La dérivation de l’estimateur du spread effectif est donc immédiate :
Sˆ Gj ,n = 2 − Cˆ ej ,n (2.16)
Avec Cˆ ej ,n l’autocovariance estimée des écarts de rentabilité pour le titre j pour la période n.
Outre les prix de transaction, l’estimation de la fourchette de GKN, nécessite donc le recours aux
meilleures limites du carnet d’ordre correspondantes, mais reste indépendante de la fréquence des
données.
1.2.3. Le rôle de l’information dans la dynamique des flux d’ordres : le modèle d’Evans et
Lyons (2004) :
Le modèle élaboré par Evans et Lyons (2004 p. 7), appartient à cette récente revue de la littérature,
qui a émergé afin d’expliquer l’efficacité absolue des flux d’ordre signés dans la détermination du
taux de change. L’objectif de ce modèle, est alors de montrer pourquoi les transactions des flux
d’ordre signés ont un meilleur pouvoir d’explication que les variables macroéconomiques. L’idée de
base est que dans une situation où l’information est dispersée, les flux de transaction agrégée
fournissent un signal très fort lors du changement des fondamentaux macroéconomiques. Dans ce
qui suit nous présenterons les grands traits de leurs démarches :
( )
∞
U t , z = Et , z ∑ β iU C t +i , z , Cˆ t +i , z (2.17 )
i =o
L’équation (2.11) indique les préférences de tous les agents indexés par « z », qui sont partagés en
des agents domestiques et des agents étrangers. Evans et Lyons ont concentré leur étude sur le
marché américains et le marché de la Grande Bretagne. Le coefficient 0<β<1 représente un facteur
subjectif de réduction, U (.) est une fonction concave de l’utilité. Les préférences des agents sont
identiques sous les hypothèses que les produits US sont dénotés par C t , z et les produits UK par Cˆ t , z
et Et , z dénote les anticipations conditionnées par les informations détenues par les agents Z au
temps t. la figure 2.1 ci-dessous, résume l’approche initiée par Evans et Lyons (2004)
Q T Q T Q T Q T
µ~ : désigne la quantité échangée aléatoirement par les opérateurs non informés. Elle est
~
indépendante de V .
~
x : est la quantité échangée par un informed trader ;
~
S : est le prix du titre.
La contribution de Kyle consiste à étudier, d’une part, la stratégie optimale d’un opérateur informé
dans le choix de la quantité ~
x qu’il désire échanger étant donnée l’information qu’il en dispose.
D’autre part, selon Kyle, la stratégie optimale d’un teneur de marché ne distingue pas la quantité x
échangée par l’initiée de celle des autres opérateurs notée u. celle-ci vient, en fait camoufler
l’information de l’opérateur initié. Dans ce cas, le teneur de marché finira par observer la quantité
agrégée (x+u) et fixe le prix. De ce fait, chaque teneur de marché se trouve face à deux problèmes ;
le premier (i) est celui de la sélection adverse (opérateur informé/non informé) et le deuxième (ii) est
celui de la concurrence des autres teneurs de marché. Dans un contexte de concurrence pure et
parfaite, la solution à ce jeu -entre le teneur de marché et l’opérateur initié- se ramène à un équilibre
(~
)
(x*, S*) tel que : la quantité échangée (x*) maximise le profit de l’initié : π = V − S * x * , nous avons
alors:
[
E π ( x*, S *) / V = V
~
] E[π (x*, S *) / V~ = V ] (2.18)
Selon Kyle, le cours S* doit vérifier la condition d’efficience semi-forte, car l’initié à une information
non reflétée dans les cours :
~
(
S * = E V / x * +u~ ) (2.19)
La solution proposée par Kyle est analytique. Elle se présente comme suit :
σu ~
x * (V *) =
σ0
(
V − S0 ) (2.20)
σ
S * ( x * +u~ ) = S 0 + 1 / 2 0 ( x * +u~ )
(2.21)
σu
L’interprétation de l’équation ci-dessus implique que la quantité optimale échangée (x*) est
inversement proportionnelle à la valeur de l’information mesurée par ( σ 0 ) (i.e. l’opérateur initié
préfère échanger de petites quantités (x*) pour dissimuler ses informations). Le terme ( σ 0 ) permet
de définir la profondeur du marché (i.e. le volume nécessaire pour induire une variation unitaire du
cours actuel). Ainsi pour se protéger, un teneur de marché sera conduit à varier le cours (variation à
la hausse ou à la baisse) par une quantité inversement proportionnelle au niveau de la liquidité
(mesurée par le terme σ u / σ 0 ). Par ailleurs, il y a lieu de noter que la moitié de l’information privée
(1 / 2σ 0 ) est incorporée dans le prix de transaction. Le bid-ask étant mesuré par deux fois la valeur
absolue de la différence de prix et de la valeur moyenne :
σ0
2 S * −S 0 = x * +u~ (2.22)
σu
La dérivation de Kyle a été appliquée aux cas de marché à plusieurs fixing au cours de la
journée « sequential auctions » et au cas d’un marché à la criée en continu « continuous auctions». Les
résultats obtenus se résument comme suit: s’agissant du cas du marché à plusieurs fixing, l’auteur
abouti à une situation d’équilibre ayant les caractéristiques suivantes:
Ainsi chaque opérateur observe λt (variable exogène) et décide de la quantité à échanger. Les coûts de
~2 ~
()
transactions supportés par un LDT sont mesurés par λt E Y , avec Y , la quantité de devise qu’il
veut échanger. Pour un LDT, le problème se ramène à choisir un moment optimum (t*) permettant
de minimiser les coûts de transactions. Cela revient, en fait, à minimiser λ*t .En effet, les deux
auteurs notent que l’augmentation du volume de transaction des « liquidity discretionary traders »
survient en réponse à la concentration globale des ordres. Ceci contribuera non seulement, à attirer
les opérateurs informés qui maximisent leurs profits en utilisant les informations qu’ils détiennent
sans pour autant la dévoiler mais aussi les opérateurs non informés qui leur permettront de
minimiser leurs coûts de transaction. Par ailleurs, selon Admati et Pfleiderer un accroissement du
volume de transaction engendre une intensification de la compétitivité entre les opérateurs informés
et une baisse des coûts de transactions. Au total les enseignements majeurs qui se dégagent du
modèle d’Admati et Pfleiderer sont les suivants :
Le comportement des discretionary traders s’accompagne généralement par :
i. un accroissement du volume de transactions total à une date (t*).
ii. une baisse des coûts de transaction.
iii. une plus grande profondeur de marché.
iv. une plus grande volatilité des cours.
v. un Bid-Ask spread plus étroit.
vi. une meilleure précision informative.
Néanmoins, la théorie d’Admati et Pfleiderer (1988) ne permet pas d’identifier précisément la
période de concentration des ordres. Selon ces auteurs cette période peut correspondre à l’ouverture
et/ ou à la clôture du marché. Théoriquement, ceci s’explique par l’impatience des « liquidiy traders » à
satisfaire un besoin urgent de titres (ou de devise). Empiriquement, ceci s’explique par le
comportement du volume et de la variance à l’ouverture et à la clôture de chaque séance sur le
NYSE (New york stock exchange). A ce propos, les auteurs avancent :
« that the pattern that have been observed empirically can be explained in terms of the optimizing decisions of these
traders » Admati et Pfleiderer (1988, p. 4)
« [...] Contracts with the model of Admati and Pfleiderer (1988), which predicts that spreads should be lowest at the
beginning of the day » Subrahmanyam (1989, p. 18)
Ainsi Brock et Kleidon (1992) rapportent une évidence qui semble contredire les enseignements du
modèle d’Admati et Pfleiderer. Selon ces auteurs, le spread et le volume admettent des courbes en U,
un accroissement du volume est accompagné par un accroissement du coût de transaction. D’après
Subrahmanyam (1988), un tel résultat confirme bien son extension du modèle d’Admati et Pfleiderer
(1988) au cas de l’aversion au risque des « informed traders ». Dès lors une intensification de l’activité
des « informed traders » se traduit en une faible liquidité du marché et un coût de transaction plus
élevé. Pour aboutir à une telle confirmation il a fallut à Subrahmanyam d’introduire une hypothèse
supplémentaire selon laquelle il y a plus d’ « informed traders » durant les débuts de journées qu’à
n’importe quel moment du jour Subrahmanyam (1989, p. 17).
Galati (2000) avance que la corrélation positive entre le volume de transactions et la volatilité,
trouvée pour la majorité des taux de change, est probablement considérée comme une réflexion sur
le changement dans le nombre des traders dans un marché. Ces changements paraissent plutôt s’être
produit aux alentours des années 90, quand les banques se sont implantées en masse dans les
marchés émergents et surtout à cause de l’avènement de la crise asiatique, et ceci quand la
dégradation soudaine du volume de transactions s’est accompagnée d’un déclin significatif dans le
nombre des traders Galati (2000, p. 10). Un autre argument plausible dans l’explication de la
corrélation positive est que les deux variables sont influencées par l’arrivée de nouvelles
informations. L’auteur, a aussi mis l’accent sur l’importance de la qualité de la période d’étude
sélectionnée. En effet, il considère que la corrélation entre le volume de transactions et la volatilité
peut être positive dans une période qualifiée de normale mais qui peut s’inverser du côté négatif
quand la période devient stressante.
Afin de tester les hypothèses avancées ci-dessus, Galati (2000) utilise une estimation à partir d’un
modèle GARCH (1.1) et donc pouvoir décrire à la fin la volatilité attendue. Le modèle proposé par
Galati peut être présenté sous la forme suivante :
Rt = µ + rt , r → N (0, ht ), (2.24)
ht = α 0 + α 1 rt 2−1 + β ht −1 (2.25)
Où R t est le rendement, (µ) représente la moyenne et (ht) la valeur conditionnelle au temps t. Afin
de mesurer le volume de transaction attendu, Galati (2000) utilise l’analyse de Box-Jenkins pour
sélectionner une représentation d’une série temporelle pour le volume, qui sont sous une forme
logarithmique, les tests ADF suggèrent qu’elles sont stationnaires. Les modèles AR, dans la plupart
des cas du premier ordre, paraissent les mieux appropriés pour représenter les séries. Ces modèles
permettent aux volumes des transactions d'être fendu dans une composante qui peut être anticipée
ou inattendue. L’équation de régression estimée peut alors prendre la forme suivante :
Rt2+1 = α + β 2 Et (v ) + β 3 [vt +1 − Et (v )] + β 4 t + β 5 wt + ξ t +1 (2.26)
Où la volatilité totale Rt2+1 est définie comme le rendement au carré, et les volumes (en logarithme)
sont décomposés en une composante anticipée Et (v) et une composante non anticipée [v t+1 – Et (v)]
et ce en utilisant les séries d’autocorrélation régressive et leurs résidus. Une tendance temporelle et
linéaire et une variable dummy qui capture les effets des week-ends sont aussi incluses. L’équation
(2) est alors augmenté par un terme représentant la volatilité anticipée (h ) nous auront alors
t+1
et ( σ w2 ). A la fin de chaque période t, le dealer (j), celui qui demande une cotation, reçoit un signal
privé ( Ĉ jt ) provenant de (Vt). Dans le marché de change l’une des sources potentielles de
l’information privée au niveau des dealers, provient des flux d’ordre des clients non revendeurs,
parce que chaque revendeur détient ses propres informations relatives à son flux d’ordre personnel.
7
Le terme modèle des événements incertains est une traduction du modèle « the event-uncertainty »
proposé par Lyons (1995, p. 5).
Conclusion
L’objectif de ce deuxième chapitre, était de fournir une vue d’ensemble des différents travaux
empiriques émanant de cette nouvelle approche de détermination du taux de change à savoir la
microstructure. En effet, plusieurs auteurs se sont penchés sur l’analyse de la dépendance du taux de
change aux variables clés de la microstructure. Lyons (2000) s’est intéressé à l’étude des flux d’ordres
qu’il considère comme la variable motrice de cette approche. Cette dernière paraît se soucier de la
détermination du taux de change, et l'effet paraît être persistant. Dans le même sillage, Evans et
Lyons (2004) ont élaboré un modèle afin d’expliquer l’efficacité absolue des flux d’ordres signés dans
la détermination du taux de change. L’objectif de ce modèle, est alors de montrer pourquoi les
transactions des flux d’ordre signés ont un meilleur pouvoir explicatif que les variables
macroéconomiques. Madhavan et Smidt (1991), Glosten et Harris (1988), Galati (2000) bien d’autres
se sont intéressés à l’étude du bid-ask spread, de l’effet de l’information, du volume de transactions. A
cet égard, Galati (2000) montre clairement la corrélation positive entre les spreads et la volatilité. Et
que dans la plupart des cas, les spreads ainsi que le volume de transactions sont corrélés négativement,
ce qui, par ailleurs, contredit les conclusions obtenues dans la littérature et en particulier par
Glassman (1987). Par ailleurs, dans ce deuxième chapitre, nous avons mis l’accent, sur les travaux
qui étudient l’hypothèse de corrélation entre la volatilité des cours de change et le volume de
transactions d’une part sur le marché de la bourse et d’autre part sur le marché des changes. En effet,
Copland (1977), Kyle (1985), Karpoff (1987), Galati (2000) et bien d’autres ont montré l’existence
d’un co-mouvement de ces deux variables indiquant la présence d’une corrélation entre volume et
volatilité. Cette revue de la littérature, nous permettra, dans le chapitre suivant, de vérifier la
concordance de notre étude empirique avec les conclusions de la littérature.
Références
Bessembinder, H (1994). «Bid-Ask spread in the interbank foreign exchange markets», Journal
of Financial Economics. Vol. 35, pp: 317-348.
Brock, W et Kleidon, A (1992). « Periodic market closure and trading volume : a model of
intraday bids asks », Journal of Economic dynamics and control, Vol. 16, pp : 451-489.
Clark, PK (1973). « A subordinated stochastic process model with finite variance for
speculative prices », Econometrica Vol. 41, pp: 135-155.
Copland, T (1977). «A probability model of asset trading», Journal of Financial and Quantitative
Analysis. Vol. 12, pp: 563-578.
Copland, T et Galai, D (1983). «Information effects on the bid-ask spread», Journal of finance.
Vol. 38, pp: 1457-1469.
Easley, D et O’Hara, M (1992). «Time and the process of security price adjustment», Journal
of finance. Vol. 47, pp: 577-605.
Engel, C et West, K (2005). « Exchange rate and fundamentals», Journal of Political Economy
Vol. 113, pp: 485-517.
Engel, C et West, K (2004). « Taylor rules and the the Deutschmark-Dollar real Exchange
Rate », document de travail, n° 10995, National Bureau of Economic Research.
Epps, TL et Epps, ML (1976). «The stochastic dependence of security price changes and
transaction volumes: implications for the mixture-of-distributions hypothesis», Econometrica.
Vol. 44, pp: 305-321.
Evans, M (2002). « FX trading and exchange rate dynamics », Journal of Finance, vol. 57,
pp: 2405-2447.
Evans, M et Lyons, R (2002). « Order flow and exchange rate dynamics », Journal of Political
Economy, Vol. 110, pp: 170-180.
Evans, M et Lyons, R (2003). « How is macro news transmitted to exchange rates? »,
document de travail no 9433, National Bureau of Economic Research.
Evans, M et Lyons, R (2004). « A new micro model of exchange rate dynamics », document
de travail no 10379, National Bureau of Economic Research.
Evans, M et Lyons, R (2004). « Exchange rate fundamentals and order flow », Georgetown
University.
Galati, G (2000). « Trading volumes, volatility and spreads in foreign exchange markets:
evidence from emerging market countries» Bank of International Settlement, document de travail
n° 93, pp: 1-32.
Georges, T ; Kaul, G et Nimalendran, M (1991). « Estimation of the bid-ask spread and its
components: a new approach », Review of Financial Studies, pp: 623-656.
Glosten, R et Harris, E (1988). « Estimating the components of the bid-ask spread» Journal of
Financial Economics. Vol. 21, pp: 123-142.
Glassman, D (1987). «Exchange rate risk and transaction costs: evidence from bid-ask
spreads», Journal of international Money and Finance. Vol. 6, pp: 479-490.
• Goodhart, C (1988). « The foreign exchange market: a random walk with a dragging anchor »
Economia. Vol. 55, pp: 437-460.
• Grammatikos, T et Saunders, A (1986). « Futures price variability: a test of maturity and
volume effect » Journal of Business. Vol. 59, pp: 319-330.
• Jorion, P (1996). « Risk and turnover in the foreign exchange market » in Frankel, Galli et
Giovanni The Microstructure of Foreign Exchange Markets, University of Chicago Press, Chicago,
pp: 19-36.
• Karpoff, J (1987). «The relation between price changes and trading volume: a survey» Journal
of Financial and Quantitative Analysis. Vol. 22, pp: 109-126.
Kyle. AS (1985). « Continuous auctions and insider trading» Econometrica. Vol. 53, pp: 1315-
1335.
Madhavan, A (2000). «Market Microstructure: A survey», Journal of financial markets. Vol.3, pp:
205-258.
Melvin, M et Yin, X (2000). «Public information arrival, exchange rate volatility and quote
frequency », the Economic Journal. Vol. 110, pp : 644-661.
Roll, R (1984). « A simple implicit measure of the effective bid-ask spreads in an efficient
market», Journal of Finance. Vol. 39, pp: 1127-1139.
Subrahmanyam, A (1991). « Risk aversion, market liquidity, and price efficiency ». Review of
Financial Studies, Vol. 4, pp : 416-441.
Yao, J (1998). «Market making the interbank foreign exchange market » document de travail
S-98-3, Stern School of Business, N.Y.U.
Chapitre 3
Dynamique de change et trading interbancaire :
un essai de validation empirique
A près avoir présenté les points les plus saillants de la littérature empirique portant sur la
dynamique du taux de change, nous essayerons dans ce dernier chapitre de mener une étude
empirique portant essentiellement sur l’étude de l’existence d’une corrélation entre la variable
volume de transactions et celle de la volatilité qui nous permettra de répondre à la problématique de
notre étude. Pour cela, nous commencerons tout d’abord par une analyse descriptive ainsi que
graphique des données propres aux deux séries de notre étude, nous permettant ainsi de déterminer
la stationnarité ainsi que la normalité des distributions de ces séries. Nous essayerons dans un
deuxième volet de tester l’hypothèse de l’éventuelle présence d’une causalité unidirectionnelle ou
bidirectionnelle entre le volume et le cours de change et ce dans un premier temps en utilisant les
modèles de la famille ARCH/GARCH afin de détecter un éventuel caractère asymétrique. Et nous
consoliderons notre étude, dans un second temps, par l’application de l’approche innovante de la
fonction de corrélation croisée avancée par Cheung et Ng (1996) qui nous permettra d’approfondir
notre analyse. L’apport de cette dernière approche réside dans la possibilité de tester conjointement
les deux hypothèses de causalité dans la moyenne et dans la variance entre le volume de transactions
et les cours de change interbancaires. La procédure de Cheung et Ng (1996) tient également compte
d’un éventuel phénomène d’asymétrie et de persistance souvent rencontré dans les séries financières
de haute fréquence. Sur cette base, l’organisation du chapitre sera comme suit : la première section
dressera un aperçu sur les tendances d’évolution du marché des changes interbancaire tunisien et ce
depuis son lancement au mois de mars 1994. L’étude des propriétés statistiques (stationnarité,
asymétrie et normalité) du cours spot, du rendement et du volume de transactions pour les quatre
devises fera l’objet de la section 2. La section 3 présentera une brève revue de la littérature portant
sur les processus de type GARCH et sur la dynamique des rendements interbancaire. Dans la section
4, nous testerons l’hypothèse de causalité entre volume de transactions et cours de change. Nous
Comme le montre le tableau ci-dessus, le dollar américain, durant toute la période allant de 1994 à
1999, n’a cessé de progresser et d’avoir une part dominante dans les transactions sur le marché des
changes tunisien passant de l’ordre de 38.5% en 1994 à 59.1% en 1999, soit une appréciation de la
part de l’USD de 53.5% en cinq ans. L’introduction de l’euro sur le marché de change international
en 1999 a commencé en force, puisque ce dernier a accaparé dès le départ une part égale à 31%.
D’autant plus que cette date coïncide avec celle où le dollar américain a commencé à céder la sienne
au profit de l’euro pour finir en 2004 avec des parts égales à 42.4% pour le USD et 54.5% pour
l’EUR. Par ailleurs bien que l’euro a raflé la place de leader pour le dollar américain, la part des
opérations de ce dernier n’a pas connu une véritable baisse, vu les engagements financiers de la
Tunisie libellés en USD. Loin derrière ces parités, le yen japonais détenant une part de marché
minuscule par rapport à celles de l’euro et du dollar américain a quant à lui connu une dégradation
assez importante de sa part de marché passant de 6.6% en 1994 à 0.9% en 1999. Contrairement à
l’USD, le JPY n’a pas souffert de l’introduction de l’euro et a vu sa part de marché s’accroître pour
atteindre 4.7% en 2000. Cette expansion s’est vite achevée par une décadence de la part du JPY
terminant l’année 2004 avec une dépréciation de 72.34%. De plus nous consolidons cette analyse
par l’illustration ci-dessous :
Figure 3.1. Répartition du volume de transaction entre devises
sur le marché des changes tunisien.
100
Part en %
90
80 Yen japonais
70
60 Euro
50
40
30
20 Dollar
10 EURO
0
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
En 2005 et durant les sept premiers mois de 2006, comme le montre le tableau 3.2, la tendance est
restée la même avec une légère dominance pour l’euro au premier semestre de 2006. En effet, en
2005, la part de l’euro, traitée sur le marché interbancaire tunisien, est passée à 52.26% contre
45.65% pour le dollar américain. Les autres devises, incluant le yen japonais et la livre sterling,
détiennent une part minuscule de 2.07%, ceci est expliqué par l’engagement commercial et financier
de la Tunisie avec des partenaires essentiellement européens d’une part et des partenaires traitants en
dollar d’autre part. Néanmoins, pour les sept premiers mois de 2006, nous remarquons que l’euro a
accaparé une part égale à 68.03% contre 29.05% pour le dollar américain.
Tableau 3.2. Répartition par devise des transactions sur le marché des changes
(opérations en compte et au comptant) en MD
2005 7 Mois 2006
Devises Marché Marché
BCT Total BCT Total
interbancaire interbancaire
USD 4216 361 4577 2488 340 2828
EUR 4826 214 5040 3284 796 4080
JPY 127 0 127 80 0 80
Autres 65 191 256 31 34 65
Total 9234 766 10000 5883 1170 7053
. Source des données: Rapports annuels de la BCT
Section 2 : Etude des propriétés statistiques des rendements
interbancaires et du volume de transactions
A travers cette section, nous nous proposons d’étudier le comportement du Dinar vis-à-vis des
principales devises. Pour se faire, nous allons tester la normalité et la stationnarité des séries des
cours de change ainsi que leurs séries de rendements. Nous nous pencherons par la suite sur le
volume de transactions de ces différentes devises sur le marché interbancaire tunisien dont nous
essayerons de tester la stationnarité.
Notre support empirique se compose d’une série de données portant essentiellement sur les taux de
change en terme de Dinar tunisien des principaux partenaires commerciaux de la Tunisie à savoir le
dollar américain (USD), l’euro (EUR), la livre sterling (GBP), et le yen japonais (JPY).Ces données
couvrent une période allant du 11 mars 1994 au 13 mai 2004, exception faite pour l’euro dont les
données chiffrées débutent en 1999, année de l’entrée en vigueur de cette monnaie sur le marché de
change international, de ce fait, les données relatives au cours journaliers TND/EUR couvrent la
période allant du 04 janvier1999 au 13 mai 2004. De plus, notre support empirique comporte des
données relatives aux volumes de transactions journaliers afférents aux quatre parités initialement
citées. Ces données couvrent la période allant de 1997 à 2004, même remarque pour le volume de
transactions journalier relatif à l’euro dont les données débutent en 1999. La taille de chaque série se
présente dans les tableaux suivants :
9
L’abréviation du Dinar tunisien se présente comme suit : TND
2.1.2. Méthodologie
Nous allons commencer par l’étude de l’évolution des cours de change à partir des graphiques
et des histogrammes y référents. Nous poursuivrons par la présentation de quelques statistiques
descriptives des séries en question ainsi que l’analyse de la normalité et du degré d’aplatissement de
ces séries à travers les tests de Skewness, de Kurtosis et de Jarque-Bera. L’analyse des tests de racine
unitaire viendra par la suite pour étudier la stationnarité de ces séries. Nous procéderons par la suite
à l’application des modèles de type GARCH et ce pour détecter un éventuel caractère asymétrique.
Finalement, nous utiliserons l’approche de Cheung et Ng (1996) qui servira à tester l’éventuelle
causalité entre la volatilité et le volume de transactions au niveau de la moyenne ainsi que la variance
conditionnelle.
2.2. Analyse préliminaire des cours spot
Dans ce qui suit, nous allons procéder à l’analyse graphique des différents cours de change
interbancaire au sein de notre support empirique. Cette analyse nous permettra de dégager les
tendances de ces derniers.
2.2.1. Analyse graphique des cours de change des différentes parités :
De prime abord, nous commencerons par la visualisation de l’évolution du cours de change du dollar
américain :
1.6
1.5
1.4
1.3
1.2
1.1
1.0
0.9
500 1000 1500 2000 2500
11 mars 1994 13 mai 2004
cours moyen journalier TND/USD
La visualisation, au travers de la figure 3.2, de l’évolution de la parité du dollar vis-à-vis du dinar sur
la place de Tunis appelle aux commentaires suivants : Le cours journalier interbancaire du dollar est
passé de 1.053 TND durant les premiers mois de fonctionnement du marché interbancaire des
changes (mars 1994) à 1,2823 à la fin de la période enregistrée dans la série de notre support
empirique, à savoir en mai 2004, soit une appréciation moyenne de 21,77% du dollar sur une
période de 10 ans. Pourtant, en décortiquant partiellement le graphique ci-dessus, nous
remarquons que le cours interbancaire du dollar a connu une multitude de tendances baissières ainsi
que haussières au cours de cette même période. Cette instabilité est raccordée à la dynamique de
l’environnement international, qui ne cesse de connaître des changements économiques, politiques et
bien d’autres qui influent d’une manière directe sur le billet vert étant donné son importance sur la
scène internationale. En effet, le cours a commencé son évolution par une baisse atteignant 0,911300
TND en septembre 1995 soit un taux d’appréciation10 de 13.45% du dinar tunisien. Ensuite, le dollar
a connu une tendance haussière sur une longue période qui s’est interrompue en 1999 avec l’entrée
en vigueur de l’euro, son principal concurrent, sur le marché international des changes, se dépréciant
alors, à un cours égal à 1.09 TND. Soutenu par une croissance vigoureuse, le dollar américain s’est
affermi et a commencé son ascension touchant son plus haut niveau en 2001 à 1,514700 TND soit
un taux d’appréciation de 43.84% du dollar, qui a fini par s’interrompre au début de 2003 pour se
stabiliser en 2004 à un cours égal 1,2823 TND. D’après les statistiques descriptives présentées dans
le tableau récapitulatif 3.5, nous mettons l’accent sur l’importance de la volatilité du cours de change
TND/USD. En effet, le dollar présente un écart type avoisinant de très près le zéro égal à 0.176809.
Cette volatilité du dinar vis-à-vis du dollar s’explique par des facteurs tenant à la conjoncture
économique en Tunisie et dans le reste du monde. Dans ce qui suit, nous présenterons l’illustration
de l’évolution de la livre sterling :
Figure 3.3.Evolution du cours journalier interbancaire
De la livre sterling vis-à-vis du Dinar
2.2
2.1
2.0
1.9
1.8
1.7
1.6
1.5
1.4
500 1000 1500
11 mars 1994 13 mai 2004
cours moyen journalier TND/GBP
L’évolution de la parité TND/GBP a été marquée tout au long de la période d’observation par une
tendance à majorité ascendante sauf pour quelques exceptions comme le montre la figure ci-dessus.
En effet, débutant son évolution par un cours égal à 1.5615 TND, la livre sterling a connu une
première dépréciation de 7.4% atteignant un seuil minimal de 1.4459 TND. La livre sterling se
distingue par un écart type égal à 0.240169 supérieur à celui du dollar américain ce qui montre que
cette dernière est moins volatile que le dollar américain, ceci est d’ailleurs confirmé par l’allure de la
10
Le taux d’appréciation = {(cours initial – cours final)/Cours initial} x 100
courbe. En 1998, cette parité commence son ascension avec une appréciation de 37.62% atteignant
1.9899 TND, cette phase sera suivie d’un léger recul, représentant sa deuxième dépréciation, au
cours de 1.7929 TND puis reprend son appréciation touchant en 2003 son maximum de 2.1834
TND pour finalement se stabiliser en mai 2004 à un cours égal à 2.128. La livre sterling se distingue
par rapport aux différentes parités étudiées au niveau de notre travail par une tendance d’évolution
claire, contrairement au yen japonais dont la courbe d’évolution se présente sous la forme suivante :
13
12
11
10
7
250 500 750 1000 1250 1500
11 mars 1994 13 mai 2004
cours moyen journalier TND/YJP
L’évolution journalière de la parité TND/JPY, a été marquée par une série de dépréciations. En
effet, l’allure de la courbe de la parité TND/JPY appariait instable. Commençant son évolution au
1 mars 1994 par un cours égal à 10,1082 TND, ce dernier se stabilise avant de connaître vers le
milieu de l’année suivante, une légère appréciation s’élevant à un cours égal à 11.1298 TND. Cette
période de progression s’est vite achevée par une dépréciation du cours touchant ainsi son minimum
égal à 7.8592 TND soit une appréciation de 29.38% du dinar. Et à partir du 11 août 1998, le yen
japonais va connaître sa plus grande ascension à savoir une croissance vertigineuse de 75.69% au
détriment du dinar tunisien permettant au yen d’atteindre son cours maximum de 13.80790 TND.
Finalement, à la date du 25 octobre 2000, la courbe accuse une nouvelle dégradation moins
importante que la précédente donnant ainsi au dinar une légère appréciation à un cours égal à
11.2705 TND en date du 13 mai 2004. Nous terminons notre analyse graphique par celle de l’Euro,
dernière recrue du marché de changes international :
Figure 3.5. Evolution du cours journalier interbancaire
De l’Euro vis-à-vis du Dinar
1.55
1.50
1.45
1.40
1.35
1.30
1.25
1.20
250 500 750 1000 1250
04 janvier 1999 13 mai 2004
cours moyen journalier TND/EUR
A la différence des autres parités, l’euro représente la dernière des recrues du marché des changes
international. En effet, entrée en vigueur en 1999, l’euro n’a cessé de bouleverser l’évolution des
autres parités présentes sur le marché des changes. Comme nous l’avons annoncé pour le dollar
américain qui a accusé un fléchissement de son cours suite à l’introduction de l’euro, la courbe
représentée ci-dessus se distingue des autres par une allure à tendance croissante. L’euro débute son
ascension primaire par un cours égal à 1.2873 TND. Cette évolution n’est pas très importante
puisque jusqu’en avril 2002 le cours de l’euro a connu un taux d’appréciation égal à 1.41%.
Finalement, touchant son maximum en février 2004, le cours atteint 1.5447 soit un taux de
dépréciation du dinar depuis le début de la période d’observation de 20.77%.
µ4
β2 = 2
(3.2)
µ2 2
Si la distribution est normale et le nombre d’observations est grand (n > 30) on aura :
⎛ 6⎞ ⎛ 24 ⎞
(3.3)
1
β1 2 → N ⎜⎜ 0, ⎟
⎟ β 2 → N ⎜⎜ 3, ⎟
n ⎟⎠
et
⎝ n ⎠ ⎝
2.2.2.2. Commentaires :
Le tableau ci-après englobe l’ensemble des statistiques descriptives inhérentes à la distribution des
cours de changes interbancaires des devises étudiées vis-à-vis du Dinar tunisien.
Tableau 3.5. Statistiques descriptives de la dynamique journalière des cours de change du Dinar.
Moy. Max. Min. Ecart-type Skewness Kurtosis J-B11
USD 1.191450 1.514700 0.911300 0.176809 0.118542 1.740709 174.5334
EUR 1.336674 1.544700 1.236700 0.089718 0.954671 2.467669 219.6944
GBP 1.804885 2.183400 1.445900 0.240169 -0.112024 1.494564 186.6740
JPY 10.17004 13.80790 7.859200 1.294663 0.664381 2.551832 136.5873
11
J-B désigne la statistique de Jarque et Bera. Statistiques fournies par le Eviews 4.0
Tout au long de la période d’étude, le cours de change TND/EUR a varié entre (1. 2367) et (1.5447)
avec une moyenne de (1.3366) et un écart type de (0.0897). Cette valeur assez faible de l’écart type
traduit la forte sensibilité du Dinar face à la monnaie européenne unique. Le cours TND/USD a,
quant à lui, varié entre (0.9113) et (1.5147) avec une moyenne de (1.1914) et un écart type de
(0.1768). Le taux de change TND/JPY est le moins stable puisqu’il est caractérisé par un écart type
assez élevé de l’ordre de (1.294). La parité TND/GBP quant à elle, détient un écart type se situant
autour de (0.2401), avec un cours ayant varié entre (1.445900) et (2.183400) avec une moyenne de
(1.804885). Par ailleurs, nous constatons que presque que toutes les parités sont visiblement volatiles
à l’exception de l’euro. Ces résultats viennent confirmer nos déductions sur la volatilité de ces quatre
parités à partir des figures de la distribution des quatre séries objets de notre étude. Les valeurs
positives des coefficients de Skewness pour l’Euro (0.95467), le Dollar (0.11854) et le Yen japonais
(0.664381) indiquent des distributions étalées vers la droite. Ceci signifie que ces cours réagissent
d’avantage à un choc négatif qu’à un choc positif. Cette asymétrie pourrait s’expliquer par la non
linéarité du processus d’évaluation de ces cours. Ce rapprochement entre non-linéarité et asymétrie
revient au fait qu’un modèle linéaire de type gaussien possède des distributions symétriques. En ce
qui concerne le test d’aplatissement, nous remarquons une insuffisance de la Kurtosis pour toutes les
séries de notre étude, ces coefficients sont nettement inférieurs à 3. Cela signifie que la fonction de
densité Kernel des trois séries en question est platikurtique, c’est à dire qu’elles possèdent des queues
moins épaisses et moins pointues que celles de la distribution normale. La valeur de la statistique de
Jarque et Bera calculée pour les quatre séries de l’échantillon excèdent nettement la valeur tabulée de
la loi de Khi deux à deux degrés de liberté (5.9915). Ce qui implique le rejet de l’hypothèse nulle de
normalité des distributions des séries étudiées.
-1
-2
-3
500 1000 1500 2000 2500
800
400
-400
-800
-1200
250 500 750 1000 1250 1500
-1
-2
-3
500 1000 1500
0.8
0.4
0.0
-0.4
-0.8
-1.2
250 500 750 1000 1250
L’analyse, d’une part, de la figure 3.6 représentant les histogrammes des fréquences des distributions
des logarithmes des rendements et d’autre part, des statistiques descriptives des cours de changes
calculées dans le tableau 3.6, renvoie aux constatations suivantes :
Tout d’abord, nous remarquons que quelque soit la parité retenue au niveau de notre étude, les
graphiques ainsi que les valeurs des statistiques calculées sont étroitement éloignées de ceux d’une loi
normale. Le coefficient de Skewness est positif pour la majorité des parités et très proche de zéro,
exception faite pour la livre sterling dont le coefficient d’asymétrie est négatif (-0.1316). Ces valeurs
confirment la non adéquation avec les résultats d’une distribution normale. Bien que l’asymétrie ne
soit pas bien claire principalement sur les histogrammes, où toutes les parités présentent une courbe
à l’allure en cloche, on constate que les valeurs de la Kurtosis sont élevées par rapport à celles d’une
loi normale (principalement remarquable sur la livre sterling 6.206173 et le yen japonais 6.654067).
Afin de renforcer nos constations, nous mettons l’accent sur le fait que les queues de la distribution
sont parfois plus épaisses. Ceci peut être visualisé sur l’ensemble des courbes référents aux
différentes parités étudiées principalement celle du yen japonais. L’hypothèse de normalité des
logarithmes des rendements est catégoriquement rejetée puisque, nous constatons que les valeurs
calculées du test de J-B sont très élevées comme le montre le tableau ci-dessus. En somme, l’analyse
que nous avons menée dans cette partie montre que l’hypothèse de normalité de la distribution est
non appropriée pour modéliser la loi des rendements. Comme nous l’avons développé
précédemment, l’asymétrie est due au fait que le coefficient de Skewness était différent de zéro et
que le signe à majorité positif montre que les distributions des séries sont étalées vers la droite. Ce
constat est enfin renforcé par la présence de queues de distribution plus épaisses c'est-à-dire que la
fréquence des rendements illustre des variations extrêmes des cours. Finalement, on notera
également le caractère leptokurtique des séries de rendements. A l’issu d’un grand cumul des études
empiriques, on admet que les distributions sont souvent légèrement asymétriques et affichent une
leptokurtosis.
2.4. Stationnarité des cours de change et des rendements :
2.4.1. Présentation des tests :
A ce niveau d’état d’avancement de notre étude, il est primordial d’analyser la stationnarité des séries
des cours de change journaliers du dinar tunisien par rapport au reste des monnaies étudiées ainsi
que leurs rendements. A cet effet, il faut tester l’hypothèse nulle d’absence de racine unitaire. Les
tests de Dickey-Fuller (1979) permettent non seulement de détecter l’existence d’une tendance (tests
de racine unitaire) mais aussi de déterminer la bonne manière de stationnariser une chronique. La
règle de décision est basée sur la comparaison de la valeur dégagée par la statistique de Dickey
et Fuller aux valeurs critiques à différents seuils. Si la valeur de la statistique est supérieure à la valeur
critique, l’hypothèse nulle de non-stationnarité est alors acceptée. A ces tests, nous ajoutons celui de
Philips et Perron (1988). Ce dernier est construit sur une correction non paramétrique des
statistiques de Dickey-Fuller pour prendre en compte des erreurs hétéroscédastiques. Avant
d’appliquer les tests cités ci-dessus, pour les quatre séries de cours de change ainsi que leurs
rendements, il nous a fallu détecter l’ordre de retard pour chaque série étudiée afin de vérifier
l’existence ou non d’une tendance et d’une constante. En effet, l’analyse des profils des
corrélogrammes12 des fonctions d’autocorrélations et d’autocorrélations partielles peut beaucoup
nous renseigner sur la nature du processus générateur de la dynamique du cours de changes, à savoir
les processus autorégressifs (AR), les processus de moyennes mobiles (MA) et les processus mixtes
autorégressifs et moyennes mobiles (ARMA). D’autant plus que ces processus détiennent tous des
fonctions d’autocorrélations et d’autocorrélations partielles. Ces dernières nous permettront de
dégager le nombre de retards des processus. A ces corrélogrammes nous ajouterons les résultats de
deux critères d’information à savoir d’Akaike (1979) et de Schwarz (1978). Notons que les fonctions
d’autocorrélations ont tendance à décroître exponentiellement au fur et à mesure que l’ordre de
retard augmente. Les résultats d’application de ces critères pour les séries des cours de change ainsi
que les rendements sont consignés dans les tableaux 3.7 et 3.8. En effet, en visualisant les
corrélogrammes des fonctions d’autocorrélations partielles de la série relative aux cours de changes
ainsi que les résultats des critères AIC et SIC affichés dans le tableau 3.7, nous constatons que l’ordre
de retards des différentes parités à savoir le USD, l’EUR, le JPY et la GBP est le même et égal à (1).
Egalement, le tableau 3.8, présentant l’ordre de retard de la série des rendements, montre que le
nombre de retard est unanimement égal à (1) pour toutes les parités.
12
Tous les corrélogrammes appartenant à toutes les séries de notre étude sont présentés en Annexe II.
Tableau 3.7.Critères de choix de l’ordre de retard des processus autorégressifs
des cours de change interbancaire.
AR (1)13 AR (2) AR (3) AR (4) AR (5) AR (6) AR (7)
AIC14 SIC15 AIC SIC AIC SIC AIC SIC AIC SIC AIC SIC AIC SIC
USD -7.558 -7.554 -7.56 -7.553 -7.559 -7.55 -6.101 -6.089 -5.878 -5.864 -5.69 -5.67 -5.52 -5.5
EUR -8.531 -8.524 -8.54 -8.528 -7.592 -7.577 -7.323 -7.303 -7.111 -7.088 -6.994 -6.916 -6.79 -6.76
GBP -6.489 -6.483 -5.897 -5.889 -5.529 -5.517 -5.294 -5.28 -5.107 -5.09 -4.93 -4.91 -4.81 -4.78
JPY -1.867 -1.86 -1.871 -1.862 -0.846 -0.833 -1.870 -1.854 -0.342 -0.322 -0.165 -0.142 -0.01 0.014
Toutes ces valeurs ont été données par le Eviews 4.0
Les résultats des tests de Dickey-Fuller Augmenté (ADF) et de Phillips-Perron (PP) en niveau et en
différence sont portés dans le tableau (3.9) ci-après :
Tableau 3.9. Tests de Racine Unitaire pour les rendements des cours de change des diverses
parités vis-à-vis du Dinar tunisien.
En niveau En différence
Retard Retard
Cst. Cst. et trend Sans Cst. et trend
(a) (a)
ADF PP ADF PP ADF PP
USD -0.939 -0.915 -1.286 -1.249 (1) -34.933 -48.351 (1)
EUR 0.892 0.807 -2.080 -2.123 (1) -28.978 -39.463 (1)
GBP -0.533 -0.575 -2.629 -2.748 (1) -33.049 -48.843 (1)
JPY -1.248 -1.312 -1.791 -1.836 (1) -28.883 -43.957 (1)
1% -3.43 1% -3.96 1% -2.56
Valeurs
critiques
5% -2.86 5% -3.41 5% -1.93
10% -2.56 10% -3.12 10% -1.61
ADF et PP désignent respectivement les tests de Dickey-Fuller augmenté et de Phillips et Perron.
(a) représente l’ordre du retard du processus autorégressif dégagé des tableaux ci-dessus. Le terme en différence remplace celui du
rendement du cours de change et en niveau celui du cours de change. Les valeurs critiques ainsi que toutes les données ont été
extraites par Eviews 4.0.
Les tests de racine unitaire ADF et PP prouvent que les quatre séries de cours de change
TND/EUR, TND/USD, TND/JPY et TND/GBP ont exhibé un comportement non stationnaire
aux seuils de 1%, 5% et 10%. En effet, Les valeurs des statistiques calculées pour les quatre séries de
parité, que ce soit avec la présence d’une constante, d’un terme de tendance ou les deux
conjointement, excèdent les valeurs critiques retenues par les opérateurs des tests à différents seuils.
Exemple au seuil de 1%, les valeurs calculées pour chacune des parités étudiées sont strictement
supérieures à la valeur critique de 1%. Pour l’USD nous avons une valeur calculée égale à (-0.939)
strictement supérieure à la valeur critique au seuil de 1% (-3.43). Nous pouvons conclure, donc, que
les cours de change des quatre parités TND/EUR, TND/USD, TND/JPY et TND/GBP suivent
un processus de marche aléatoire. Cela confirme les résultats des travaux de Boothe et Glassman
(1987) qui ont garanti la non-stationnarité des cours de change et donc ont recommandé de
s’intéresser plutôt au rendement de ces cours. En différence, nous pouvons constater que les valeurs
des statistiques calculées pour le test de Dickey-Fuller Argumenté ainsi que pour celle de Philips et
Perron sont toutes négatives et largement en deçà des valeurs critiques retenues par l’opérateur de
test aux seuils de 1%, 5% et 10%. Prenons à titre d’exemple, les valeurs données par la statistique de
PP, pour les rendements des cours de change TND/EUR, TND/USD, TND/GBP et TND/JPY
sont respectivement (-39.463), (-48.351), (-48.843) et (-43.957) et sont strictement inférieures à la
valeur critique au seuil de 1% (-2.56). A ce stade d’avancement, nous pouvons dire que nos
conclusions relatives à la stationnarité des cours de change s’ajustent avec celles trouvées dans la
littérature empirique. Nous sommes donc face à des séries temporelles à variance et moyenne non
constantes dans le temps et qu’il faut, par conséquent, stationnariser, et dont les rendements sont
stationnaires, toutes parités confondues. Au total, nous pouvons conclure sur le fait que les séries
des diverses parités vis-à-vis du dinar tunisien sont intégrées d’ordre 1 (I (1)).
2.5. Volume de transactions interbancaire: une analyse préliminaire
D’une manière analogue aux séries relatives aux cours de change, nous entamerons dans cette
section, une nouvelle analyse descriptive portant sur le volume de transactions des différentes parités
étudiées. Les chiffres utilisés tout au long de cette analyse seront exprimés en millions de dinars.
Nous commencerons tout d’abord par une analyse descriptive des données afférentes aux volumes
de transactions. Le tableau ci-dessous appelle les commentaires suivants :
Les statistiques descriptives consignées dans le tableau 3.10 portant sur la dynamique des volumes de
transactions suggèrent ce qui suit :
Le dollar américain occupe la première position, en termes de fréquence des échanges c'est-à-dire en
nombre d’observations et ce durant la période d’étude (1997-2004). En effet, le dollar constitue la
devise la plus demandée sur le marché de change interbancaire jusqu’à l’avènement de l’euro. C’est
alors que la tendance s’est tournée vers cette nouvelle monnaie au détriment du dollar américain,
comme nous l’avons souligné au tout début de ce chapitre empirique. Avec un volume moyen de
15386470MD, le dollar a cédé sa place de leader en 1999 à l’euro qui s’est approprié la part de
marché la plus importante et dont le volume moyen a atteint en quelques années 14273620 MD,
basculant entre un minimum de 8317828 MD et un maximum de 1.48.108 MD. La livre sterling ainsi
16
MD = millions de dinars
que le Yen japonais présentent, comme le montre le tableau 3.10, des volumes de transactions
moyens modérés. Cette tendance tient essentiellement aux parts relativement faibles des transactions
commerciales et financières effectuées avec la Grande Bretagne et le Japon.
17
Les corrélogrammes sont représentés en Annexe II.
Tableau 3.11. Critères de choix de l’ordre de retard des processus autorégressifs des volumes de transactions
AR (1)18 AR (2) AR (3) AR (4) AR (5) AR (6) AR (7)
AIC19 SIC20 AIC SIC AIC SIC AIC SIC AIC SIC AIC SIC AIC SIC
USD 34.070 34.080 34.073 34.088 34.074 34.094 34.762 34.788 34.694 34.725 34.075 34.111 34.76 34.8
EUR 35.797 35.805 35.785 35.797 35.781 35.797 36.394 36.414 35.77 35.795 35.773 35.801 36.46 36.49
GBP 29.726 29.734 29.718 29.731 30.302 30.319 30.434 30.455 30.428 30.453 29.715 29.74 30.39 30.42
JPY 34.07 34.08 34.073 34.088 34.074 34.09 34.077 34.102 34.073 34.103 34.075 34.11 34.76 34.8
Toutes ces valeurs ont été données par Eviews 4.0.
Tableau 3.12. Critères de choix de l’ordre de retard des processus autorégressifs des variations des volumes de transactions
AR (1) AR (2) AR (3) AR (4) AR (5) AR (6) AR (7)
AIC SIC AIC SIC AIC SIC AIC SIC AIC SIC AIC SIC AIC SIC
USD 37.287 37.29 35.915 35.921 36.956 36.965 36.894 36.906 35.8 35.816 36.945 36.963 36.93 36.95
GBP 30.03 30.04 29.906 29.914 29.882 29.895 29.860 29.877 29.84 29.862 31.03 31.06 31.01 31.04
EUR 36.066 36.07 35.971 35.979 35.912 35.924 35.87 35.886 35.86 35.88 37.07 37.09 37.06 37.08
JPY 35.739 35.749 34.317 34.327 34.268 34.283 34.208 34.229 34.199 34.225 35.447 35.478 35.37 35.40
Toutes ces valeurs ont été données par le logiciel Eviews 4.0
18
AR (p) : Processus autorégressifs d’ordre p ; p= 1,2,…,7
19
AIC : Critère d’information d’Akaike
20
SIC : Critère d’information de Schwarz
Les tests de racine unitaire ADF et PP appliqués à ces quatre séries, montrent que les résultats
obtenus en niveau, relatifs aux volumes de transactions des différentes parités étudiées, ont étalé un
comportement stationnaire et ce quelque soit le seuil de significativité retenu (i.e 1%, 5% et 10%).
Les valeurs des statistiques calculées de ces séries sont nettement plus inférieures que les valeurs
critiques retenues. Nous pouvons conclure, donc, que les volumes de transactions des quatre devises
à savoir EUR, USD, GBP et JPY sont stationnaires. Au total, nous pouvons affirmer que les séries
de variation du volume de transactions sont bien intégrées d’ordre zéro I(0).
Tableau 3.13. Tests de Racine Unitaire pour les variations du volume de transaction des
différentes parités.
En niveau
Cst. Cst. et trend Retard (a)
ADF PP ADF PP
USD -24.752 -34.396 -25.400 -35.078 (1)
EUR -11.002 -31.152 -12.592 -32.452 (5)
GBP -11.59 -32.206 -11.644 -32.23 (6)
JPY -20.781 -28.344 -21.065 -28.608 (1)
1% -3.43 1% -3.96
Valeurs
5% -2.86 5% -3.41
critiques
10% -2.56 10% -3.12
ADF et PP désignent respectivement les tests de Dickey-Fuller augmenté et de Phillips et Perron.
(a) représente l’ordre du retard du processus autorégressif dégagé des tableaux ci-dessus. Le terme en différence remplace celui du
rendement du cours de change et en niveau celui du cours de change. Les valeurs critiques ainsi que toutes les données ont été
extraites par Eviews 4.0.
yt = X 't β t + ξ t (3.6)
ξ t = µ t ht (3.8)
ht = α 0 + α 1ξ té−1 + δ 1 ht −1 (3.9)
Les conditions nécessaires et suffisantes pour que la variance conditionnelle soit égale à 0 sont α0, α1
et δ1 >0. Pour que la variance non conditionnelle existe, il faut aussi que α0 + δ1<1. Les
caractéristiques d’un modèle GARCH (1,1) sont :
y t = X t' β t + ξ t (3.10)
L’équation (3.9 ) est fonction de variables exogènes plus un terme d’erreur. ht représente la variance
conditionnelle qui est expliquée par les informations passées.
Cette variance conditionnelle spécifiée dans l’équation (2) est en fonction des trois termes suivants :
- α 0 : la moyenne
- les informations portant sur la volatilité provenant d’une période antérieure. Ces
informations sont représentées par le terme résiduel ξ t2−1 (un terme ARCH).
Le GARCH (1,1) réfère à la présence d’un ordre premier dans le terme GARCH et un ordre premier
dans le terme ARCH. Un modèle ARCH ordinaire est un cas spécial des caractéristiques GARCH
dans lequel il n’y a pas de retards au niveau de la variance prévisionnelle dans l’équation de la
variance conditionnelle. Cette spécification est toujours interprétée dans le contexte financier, où un
agent ou un trader prédit la période de la variance en formant une moyenne pondérée, la variance
prévisionnelle de la dernière période (le terme GARCH) et les informations relatives à la volatilité
observée dans la période antérieure (le terme ARCH). On peut exprimer la variance conditionnelle
comme moyenne pondérée de tous les retards des résidus carrés :
∞
σ t2 =
w
+α∑β ξ t2− j
j −1
(3.11)
(1 − β ) i =t
Le terme d’erreur dans le rendement au carré est donné par :
ν t = ξ t2 − σ t2 (3.12)
En substituant les deux équations nous obtenons :
ξ t2 = w + (α + βξ t2−1 + ν t − βν t −1 ) (3.13)
Les processus GARCH arrivent à cerner de manière satisfaisante la dynamique interbancaire de
change. L’effet GARCH sur les rentabilités interbancaires de change subsiste à la prise en compte du
volume de transactions en tant que variable explicative dans l’équation sous-jacente à la variance
conditionnelle. Ceci amène à conclure à la présence d’un effet positif du volume de transactions sur
la dynamique interbancaire. En 1986, Engle et Bollerslev ont étendu cette modélisation au cas des
processus asymétriques en variance EGARCH.
3.2. Le processus EGARCH :
La spécification de la variance conditionnelle du modèle EGARCH ou GARCH exponentiel
proposée par Nelson (1991) se présente sous la forme suivante:
ξ t −1 ξ
log σ t2 = w + β log σ t2−1 + α + γ t −1 (3.14)
σ t −1 σ t −1
La présence de l’effet de levier ou « leverage effect » peut être testé par l’hypothèse que γ >0 et l’impact
est dit asymétrique si γ ≠ 0 comme nous l’avons déjà vu ci-dessus.
Nelson suppose d’une part, que le terme (ξ ) suit une distribution généralisée des erreurs et d’autre
part que les caractéristiques du logarithme de la variance conditionnelle diffèrent légèrement de celles
citées au-dessus :
ξ t −1 ξ
log σ t2 = w + β log σ t2−1 + α −
2
+ γ t −1 (3.15)
σ t −1 π σ t −1
L’estimation de ce modèle sous l’hypothèse de normalité des erreurs prendra la forme suivante :
p q ξt− j ξt− j
log σ t2 = w + ∑ β i log σ t2−1 + ∑ α j −
2
+γ j (3.16)
i =1 i =1 σ t− j π σ t− j
y t = x't γ + σ t2 γ + ξ t (3.19)
Dans l’équation (3.19), le terme x’t représente les variables exogènes ou prédéterminées qui sont
incluses dans l’équation. Supposons qu’on introduise la variance conditionnelle dans l’équation, on
obtient alors le modèle ARCH-M (ARCH in mean) de Engel, Lilien et Robins (1987). La variante
dans le modèle ARCH-M est que les caractéristiques utilisent la déviation standard conditionnelle à
la place de la variance conditionnelle. Le modèle ARCH-M est toujours utilisé dans les applications
financières où le rendement espéré dans un actif est relié au risque de l’actif espéré. Le coefficient
estimé dans le risque espéré est la mesure du risque rendement. La jonction entre les études portant
sur les propriétés temporelles des variations de change et les modèles d’hétéroscédasticité
conditionnelle montre que le processus simple de marche aléatoire affecté d’une Kurtosis excessive
et d’une hétéroscédasticité variable dans le temps semble cerner la dynamique de change sur des
horizons de court terme. Partant de cette conclusion, d’autres études menées par Boothe, Kaen et
Koveos (1982) et Cheung (1993) ont cherché à améliorer la performance de ces modèles en intégrant
l’hypothèse d’une éventuelle présence d’une intégration fractionnaire et donc d’une mémoire longue
dans les variations quotidiennes de change. A cet égard, la recherche empirique s’est orientée vers
une nouvelle piste qui consiste à intégrer le phénomène de dépendance de long terme au travers des
processus de type GARCH fractionnairement intégrés FIGARCH
Tableau 3.14. Synthèse des études empiriques portant sur la modélisation du volume de transactions journalier
Rt = µ t + rt , rt → N (0, ht )
transactions du taux de change du dollar statistiquement significatifs aux
et de sept autres monnaies appartenant seuils de 1%, 5% et10%, dans
à des pays émergents à sa voir le peso ht = α 0 + α r 2
1 t −1 + βht −1 tous les taux de change des sept
Colombien, le peso mexicain, le real pays émergents.
Rt rendement, µ t est la moyenne, ht est la variance conditionnelle au
brésilien, le rupee indien, le rupiah Les résultats montrent
Galati (2000) temps t.
indonésien, le shekel israélien et le rand l’existence d’une corrélation
de l’Afrique du Sud. La période s’étend positive entre le volume de
du 1 janvier 1998 au 30 juin 1999 transactions et la volatilité des
cours de change.
La période allant de janvier 1990 à Le processus utilisé à ce niveau est celui du GJR-GARCH (1,1) En absence de volume de
décembre 2004. Les taux change transactions, le processus GJR-
Rt = µ + ξ t , ξ t / Ω t −1 → N (0, ht )
considérés sont : NZD/AUD, GARCH affirme que le
NZD/USD. ht = α 0 + α ξ 2
1 t −1 + β1 ht −1 + γDξ 2
t −1 + σ 1 AFt −1 + σ 2 ∆TVt phénomène de persistance de
Daniel FS
D est une variable dummy égal à 1 si il y a une diminution es prix, volatilité ainsi que l’effet du
Choi et Tian
levier existe.
Yong Fu ∆TVt représente la différence première de l’indice de stock du
volume de transaction journalier, AFt-1 est la valeur absolue du
rendement journalier des cours de change.
Données intra-quotidiennes relatives Le modèle proposé est un modèle GARCH (1,1) : modélisation du Les estimations du processus
aux marchés de Tokyo et de New logarithme des rendements des cours de change. GARCH concluent à la présence
York, cours JPY/USD, allant du 3 du phénomène de persistance de
Engle, Ito et ξ t ,τ ψ t ,τ → N (0, ht ,τ ) , ht ,τ = ω i + α i ξ i2,t −1 + β i hi ,t −1 + γ iη i2,t −1
octobre 1985 au 26 septembre 1986. la volatilité s’explique par la
Lin (1990)
présence d’informations privées
et l’hétérogénéité des
anticipations.
Section 4 : Causalité volume de transactions- cours de change : une
approche par les modèles de type GARCH asymétriques
Après avoir détecté la présence du caractère asymétrique obtenu à partir des statistiques
préliminaires, nous passerons dans cette nouvelle section à la modélisation des différentes séries
et ce grâce à l’application des processus de la famille de GARCH. En effet, cette section, nous
permettra d’associer à chaque série de notre étude le processus autorégressif le mieux adapté. Par
la suite, nous introduisions la variable volume de transactions dans l’équation de la moyenne et de
la variance.
En effet, en comparant, les résultats consignés dans le tableau 3.16 présentant les estimations du
modèle GJR-GARCH, avec ceux du modèle EGARCH présentés ci-haut, nous trouvons que
pour la GBP, le coefficient γ TARCH est négatif et statistiquement significatif au seuil de 1%. De
plus, la valeur absolue du maximum de vraisemblance (le coefficient de loglikelihood) dans le
processus EGARCH est supérieure à celle du modèle TARCH. − 1341.515 EGARCH >
− 1339.578 TARCH . Dès lors, nous pouvons donc conclure que la livre sterling est statistiquement
significative suivant le modèle GJR-GARCH. L’euro, quant à lui, suit un processus EGARCH
(1,1), en effet, le coefficient γ EGARCH est négatif et statistiquement significatif au seuil de 10%,
alors que γ TARCH n’est pas significatif. De même pour le dollar américain, dont la modélisation
suit un processus EGARCH (1,1), puisque γ EGARCH est négatif et statistiquement significatif au
seuil de 1% alors que γ TARCH est positif et statistiquement significatif au seuil de 1%, comme le
montre le tableau 3.17. Mais en comparant les coefficients du loglikelihood, nous trouvons que
celui du processus GJR-GARCH est supérieur à celui de EGARCH
− 1521.839 EGARCH < − 1524 TARCH , ce qui confirme que le USD suit un processus EGARCH
⎛ v ⎞
∆vt = log⎜⎜ t ⎟⎟ (3.20)
⎝ vt −1 ⎠
Tableau 3.18. Introduction de la variable Trading dans l’équation moyenne et dans la variance
de la parité TND/EUR
EURO
Q 2 (20)
γ Loglike-
coefficients ω (C) β Trading Q(20) lihood
S K
Le tableau 3.18 montre que la variable volume de transaction, présente une significativité
statistique au seuil de 10%, lors de son introduction dans l’équation moyenne. Ce qui atteste de la
présence de corrélation entre cette dernière et la variable rendement propre à la parité
TND/EUR. Par contre,
Tableau 3.19. Introduction de la variable Trading dans l’équation moyenne et dans la variance
de la parité TND/USD
DOLLAR
γ Q 2 (20)
Loglike-
coefficients ω (C) β Trading Q(20) lihood
S K
Toutes ces données ont été extraites par le logiciel Eviews 4.0. *, ** et *** représentent les différents seuils de significativité
respectivement 10%,5% et 1%. S et K représentent les coefficients de Skewness et de la Kurtosis. Trading représente la
variable variation volume de transactions.
Tableau 3.21. Introduction de la variable trading dans l’équation moyenne et dans la variance
de la parité TND/JPY
Yen Japonais
Loglike-
coefficients ω (C) β α Trading Q(20) Q 2 (20) S K
lihood
2.89 2.9 2.8 2.8 2.73 2.74 2.69 2.7 2.68 2.69 2.67 2.69 2.66 2.68
Euro
2.95 2.96 2.86 2.87 2.78 2.79 2.74 2.76 2.73 2.75 2.72 2.75 2.71 2.74
Livre sterling
3.70 3.71 3.60 3.61 3.53 3.55 3.51 3.53 3.47 3.49 3.45 3.47 3.43 3.46
21
Les corrélogrammes sont présentés en Annexe III.
Nous devons noter qu’à ce niveau d’avancement, les ordres de retards obtenus par les critères
AIC et SIC ne sont pas statistiquement significatifs lors de leurs introductions dans le logiciel
Eviews, ce qui nous renvoie à considérer les ordres de retard propres aux corrélogrammes. La
visualisation de ces derniers, préconise un ordre de retard égal à 1 et ce toutes parités confondues.
Nous pouvons conclure que la variation du volume de transactions suit un processus
autorégressif d’ordre 1 AR(1). Comme nous l’avons entrepris pour la variable rendement des
cours de change, nous allons procéder dans ce qui suit à la modélisation de la variation du volume
de transactions pour les quatre parités étudiées.
Dans ce qui suit, nous allons procéder à la détermination du processus autorégressif d’ordre (1)
le mieux adapté à chaque parité. Les résultats des différents tests sont consignés dans les tableaux
3.23, 3.24 et 3.25.
Nous commençons notre analyse par la livre sterling qui présente un coefficient propre à l’effet
de levier non statistiquement significatif et ce pour le processus EGARCH ainsi que GJR-
GARCH comme le montre les tableaux 3.24 et 3.25. Ceci implique que l’impact n’est pas
asymétrique, donc le processus GARCH (1,1) est retenu pour la livre sterling avec (α+β) le
coefficient se symétrie proche de 1. Nous remarquons aussi que pour la majorité des devises, et
ce quelque soit le processus utilisé, les statistiques Q(20) sont statistiquement significatives au
seuil de 1%, ce qui rejette l’hypothèse d’absence d’autocorrélation des erreurs. Par contre, les
statistiques Q 2 (20) sont statistiquement non significatives, exceptions faites pour l’euro et le yen
japonais. Pour le Yen japonais, nous constatons que, premièrement le coefficient de symétrie
(α+β) est proche de 1, deuxièment, il existe un effet de levier positif et statistiquement significatif
au seuil de 1% au niveau du processus EGARCH (1,1) et troisièmement, l’impact asymétrique
subsiste dans le processus TARCH puisque le coefficient γ est négatif et statistiquement
significatif au seuil de 1%. De ce fait, nous allons diriger notre analyse vers les coefficients de
maximum de vraisemblance pour n’en retenir que la valeur la plus petite. Nous avons donc
− 2191 EGARCH < − 2192 TARCH < − 2196 GARCH Ceci implique que nous allons retenir le processus
Par ailleurs, l’Euro ainsi que le Dollar américain suivent un processus GARCH (1,1). Pour l’USD
nous avons constaté que les coefficients γ EGARCH et γ TARCH sont non statistiquement
significatifs, ce qui
Le tableau ci-dessous résume l’ensemble des modélisations établies toutes parités confondues et
ce pour les deux variables rendement des cours de change et variations du volume de
transactions :
GJR-
Rendement EGARCH(1,1) EGARCH(1,1) GARCH(1,1)
GARCH(1,1)
Variation du volume
GARCH(1,1) GARCH(1,1) GARCH(1,1) EGARCH(1,1)
de transactions
Section 5 : Etude de la causalité volume–volatilité via l’approche
de Cheung et Ng (1996)
Dans cette section, nous allons reporter les résultats des différents tests de causalité basés sur la
procédure de Cheung et Ng (1996). La fonction d’autocorrélation croisée ou CCF « cross correlation
function » proposée par ces deux auteurs, a pour objet d’analyser la causalité entre la moyenne
conditionnelle et la variance conditionnelle. La procédure de ce test repose sur la standardisation
des résidus et des résidus carrés estimés à partir de modèles individuels de type AR (k)-GARCH
(p, q), AR (k)-EGARCH (p, q), etc.
P2 P3
ht = β 0 + ∑ β i ξ t2−i + ∑ γ i ht −i où ξ t t −1 → N (0, ht ) (3.23)
i =1 i =1
d’erreur hétéroscédastique avec sa variance conditionnelle ht , P1, P 2etP3 sont les paramètres
de retard.
En utilisant les notations de l’équation (3.22 ) et (3.23) , les résidus standardisés sont défins
par
ξt . La causalité dans la moyenne est testée en utilisant les coefficients de corrélations
ht
croisées entre les résidus standardisés, tandis que la causalité dans la variance est investie en
utilisant les résidus carrés standardisés. Nous pouvons aussi constaté que sous l’hypothèse de
non causalité, la corrélation croisée, à des retards différents, est indépendamment et normalement
distribuée dans un large échantillon. Par ailleurs, il n’y a aucune évidence de la causalité dans la
moyenne (dans la variance) lorsque tous les termes de la corrélation croisée calculés à partir des
résidus standardisés (résidus carrés), et ce quelque soit le nombre de retard, ne sont pas
significativement différents de zéro.
D’après Cheung et Ng (1996), la procédure de corrélation croisée est fragmentée en deux étapes,
nous avons donc :
• La première étape implique l’estimation des modèles des séries temporelles univariées, qui
permet la variation temporelle dans la moyenne conditionnelle ainsi que dans la variance
conditionnelle.
• La deuxième étape de l’approche CCF est d’analyser la causalité dans la moyenne et dans
la variance basée sur les résultats empiriques du processus utilisé.
{ }
E ( X t +1 − µ x ,t +1 ) / I t ≠ E {( X t −1 − µ x ,t +1 ) / J t }
2
(3.24)
l’information I t . Pour que le phénomène de « feed back » au niveau de la variance se produit il faut
que respectivement X influence Y et de même Y influence X et ceci peut être obtenu si et
seulement si :
{ } {
E ( X t +1 − µ x ,t +1 ) / I t ≠ E ( X t +1 − µ x ,t +1 ) / J t + Yt +1
2 2
} (3.25)
De même, nous définissons la causalité dans la moyenne de Yt vers X t +1 si :
X t = µ x ,t + h x ,t ε t et Yt = µ Y ,t + hY ,t ξ t (3.27 )
ε t et ξ t représentent des processus de bruit blanc avec une moyenne nulle et une variance
unitaire.
De plus, la moyenne et la variance conditionnelles sont formulées comme suit :
∞
µ z ,t = ∑ ϕ z ,i (θ z ,h )Z t −1 (3.28)
i =0
{ }
∞
hz ,t = ϕ z ,0 + ∑ ϕ z ,i (θ z ,h ) ( Z t −1 − µ z ,t −1 ) 2 − ϕ z , 0 (3.29)
i =0
Où, θ z, w est un vecteur dont les paramètres sont de dimensions p z , w X 1 . En outre, nous
et Z = X , Y .
Les équations (4) et (5) présentent les spécificités des modèles de séries temporelles incluant le
modèle ARMA (Autoregressive moving average) pour la moyenne et les modèles GARCH pour
la variance. L’étape suivante de la méthodologie consiste à tester la causalité en définissant les
résidus carrés standards pour les séries X t et Yt , ceux-ci sont donnés par :
(
U t = (X t − µ x ,t ) / hx ,t = ε t2
2
) (3.30)
= ((Y − µ ) )
/ h y ,t = ξ t2 (3.31)
2
Vt t y ,t
De plus, nous définissons rUV (k ) comme les séries de corrélations croisées des résidus carrés
standardisés et rεξ (k ) comme les séries de corrélation croisées des résidus standardisés au temps
lag k. Les quantités rUV (k ) et rεξ (k ) sont utilisés dans le but de tester la causalité respectivement
dans la variance et dans la moyenne comme le définit la CCF. Dès lors, nous pouvons tester deux
hypothèses indépendantes.
Premièrement, nous pouvons tester l’hypothèse nulle de la non causalité dans la variance contre
l’alternative de l’hypothèse de causalité au temps lag k. De ce fait, La statistique de la CCF est
donnée comme suit :
* et ** indiquent respectivement la significativité au seuil de 5% et de 1%. Test réalisé par le logiciel Eviews 4.0
Nous constatons un effet de feed back pour toutes parités confondues, le lag ainsi que le lead
présentent les mêmes coefficients statistiques, ceci indique que la causalité est bidirectionnelle
entre le volume de transaction et le rendement de change. En d’autres termes, les variations du
volume de transactions sur le marché interbancaire semblent affecter la dynamique interbancaire
journalière de change. Pour la livre sterling nous remarquons que le volume de transactions cause
instantanément le rendement interbancaire puisque le lag à (i=0) est significatif à 1%, par
ailleurs, cet effet de causalité s’estompe après une journée. A i=1 le coefficient du lag devient non
statistiquement significatif. D’autre part, nous remarquons que l’effet du lead, c’est lorsque le
rendement cause le volume de
transactions persiste sur la totalité de la période retenue à savoir i=20. Quant au yen japonais,
nous déduisons que la période de causalité persiste jusqu’au dix-neuvième jour, période à partir
de laquelle le coefficient lag devient non statistiquement significatif et donc la causalité s’atténue.
Le dollar affiche des coefficients lag et lead statistiquement significatifs aux seuils de 5% et 1% et
ce tout au long de la période. L’effet de la causalité entre le rendement et le volume de
transactions du dollar américain persiste et ce dans les deux sens. Finalement, l’euro confirme
l’existence de la causalité dans la moyenne, tant pour le lag que pour le lead. Par ailleurs, cette
causalité s’arrête au onzième jour (i=11) et au sixième jour (i=6) respectivement pour les
coefficients lag et lead qui deviennent non statistiquement significatifs.
* et ** indiquent respectivement la significativité au seuil de 5% et de 1%. Test réalisé par le logiciel Eviews
4.0
Le tableau 3.28 résume les différentes statistiques de la fonction de corrélation croisée faites à
partir des résidus aux carrés et ce dans le but de tester la causalité dans la variance entre le
volume de transactions et la volatilité des cours de change. Comme nous l’avons constaté dans le
tableau 3 .28 l’effet de « feed back » est enregistré pour toutes les parités. Ce qui confirme la
relation de causalité entre le volume de transactions et la volatilité des cours de change. Le dollar
affiche un coefficient lag statistiquement significatif qui atteste de la présence d’une causalité entre
le volume de transactions et la volatilité du cours de change du dollar, néanmoins, cette causalité
est persistante et ne s’achève qu’au vingtième jour puisque le coefficient devient non
statistiquement significatif. Par contre, l’euro exhibe un coefficient statistiquement significatif qui
confirme l’existence d’une causalité entre le volume de transactions et la volatilité. Cet effet, n’est
pas persistent tant pour le lead que pour le lag, puisque leurs coefficients deviennent non
significatif au-delà de respectivement du premier et du deuxième jour. Le yen japonais confirme
aussi l’existence d’une relation entre volume et volatilité dont l’effet ne dure que deux jours
comme le montre le tableau ci-dessus. Pour finir, la livre sterling, qui par le phénomène de feed
back confirme la présence de la relation, dégage un coefficient lag statistiquement significatif
jusqu’à une période ne dépassant pas les quatre jours période après laquelle le volume de
transactions ne cause plus la volatilité des cours de change.
Conclusion
Au niveau de ce dernier chapitre, nous avons essayé de répondre concrètement à la
problématique de ce mémoire et ce de détecter la présence d’une éventuelle corrélation entre le
volume de transactions et le cours de changes des différentes parités à savoir : TND/EUR,
TND/USD, TND/JPY et TND/GBP. Les tests appliqués à ces deux séries ont montré que
toutes les parités sont visiblement volatiles à l’exception de l’euro qui renferme la valeur de l’écart
type la plus proche de zéro. En somme, l’analyse que nous avons menée dans cette partie montre
que l’hypothèse de normalité de la distribution est non appropriée pour modéliser la loi des
rendements. Les tests de racine unitaire ADF de Dickey-Fuller (1979) et PP de Philips et Perron
(1988), prouvent que les quatre séries de cours de change TND/EUR, TND/USD, TND/JPY et
TND/GBP ont exhibé un comportement non stationnaire aux seuils de 1%, 5% et 10%. Cela
confirme les résultats des travaux de Boothe et Glassman (1987) qui ont garanti la non-
stationnarité des cours de change et ont donc recommandé de s’intéresser plutôt au rendement
de ces cours, qui s’avèrent stationnaires dans notre analyse, nous pouvons donc conclure que la
série est intégré d’ordre 1. La variable volume de transactions ainsi que la variation du volume de
transactions, des quatre devises à savoir EUR, USD, GBP et JPY sont stationnaires. Au total, les
séries du volume de transactions sont bien I(0). L’application des modèles de type
ARCH/GARCH, a montré que pour la série des rendements les parités TND/EUR, TND/JPY,
TND/USD et TND/GBP suivent respectivement les processus suivants EGARCH(1,1),
GARCH(1,1), EGARCH(1,1) et GJR-GARCH (1,1). Quant à la série volume de transactions, la
majorité des parités suivent un processus GARCH(1,1) exception faite pour le yen japonais qui
suit un processus EGARCH(1,1). Les résultats de l’approche de la corrélation croisée de Cheung
et Ng (1996) ont bien détecté la présence d’une corrélation, toute parité confondue, entre le
volume de transactions et le rendement des cours de changes et ce au niveau de la moyenne
conditionnelle. De même, cette approche confirme, l’existence d’une corrélation entre le volume
de transactions et la volatilité des cours de changes et ce au niveau de la variance conditionnelle.
Ceci rejoint les conclusions de Galati (2000), de Kyle (1985), Tauchen et Pitts (1983), Epps et
Epps (1976) et bien d’autres qui ont attesté à l’existence d’un co-mouvement de la volatilité et du
volume des transactions. L’approche de la CCF, confirme aussi l’existence de l’effet de feed back,
suggérant que le volume de transactions influence la volatilité des cours de change et que cette
dernière agit de la même manière sur le volume de transactions.
Références
du Yen japonais
Logarithme de la variation du volume de transactions
du Dollar