CM Finance Appliquée

CHAPITRE 1 : Régression Linéaire Simple (RLS)

créer un dossier:

une ou plusieurs entreprises:

analyser cours de l’action

1H chaque cours pour travailler sur votre dossier

ce qui demande un travail régulier

présentation, historique,

prochaine séance, petite présentation de ce qu’on a préparer (elle note chaque

cours, et note la rédaction, une petite partie libre en fonction de nos inspirations)

si on fait un peu plus on gratte plus de point.

diapo 1: but,

pour prédiction ou optimisations.

diapo 2:

2 variables au minimum

y = dépendance, qu’n va expliqué ,andogène, on va régresser

x= indépendance, explicative, qui va expliquer y (les deux sont liés par une équation
affine), le nb heures passé a réviser va expliquer le score, variable exogène, variable
prédicteur, le régresseur (celui qu irégresser variable y)

y = régression simple

régression multiple = pluseurs variables

graphique va déterminer si régression linéaire, ou non linéaire faudra déteminer la

forme)

M galton a crée la regression.

idee de base: taille des futures peut etre prédite par la taille des parents.

si variable y supérieur à un = multiple

= 1 , simple
rég lin simple:

on part d’une variable y, apporte la réponse à la variable x qui elle va expliquer, et

prédire Y.

Objectif: expliquer l’évolution de Y par celle de X.

droite c’est une multitude de points collés ensemble avec plusieurs coordonnées

chacun va avoir x et y comme coordonnée.

limité aux extremités.

ca continue toujours. Elle est sans épaisseur (plate) d(où la fonction affine)

x est fonction affine de x

droite c’est y = ax + b.

détermination équation d’une droite (y = x+b):

sachant qu’on conait A et autre point b

a, on lappelle coef directeur, aussi pente de la droite (déterminer la pente et

direction, et indique de combien évolue la var y si x augmente d’une unité).

dy/dx

a = yx - ya/xb - xa

b, constante, ordonnée à lorigine, y = a(0) + b , y = b

y = a connu x et b connu (comment vérifier si c’est des bons paramètres)

point a appartient à la droite y, les coordonnées doivent donc vérifier cette équation

a = xa = a connu xa + b connu

b = yb = a connu xb + b connu

ya = a connu xa + b connu

ya = a connu (0) + b connu

ya = b connu

Exemple:

on doit déterminer une droite de type y = ax + b

x = temps de révision

y = score que vous allez obtenir

on connait 2 observations:

élève A = révisé 1h, 2 comme note A(1,2)

élève B = révisé 3h, 4 comme note B(3,4)

sur graphique on trace.

maintenant donner les coordonnées de cette droite=

pour trouver :

3 - 2 / 3 - 1 = 2/2 = 1 y = 1x + b

pour trouver b, c’est ou la droite coupe l’ordonné Y (quand 0)

y = a connu x + b connu

ya = axA + b

2 = a(1)+ b

1=b

y = x+1

y = aplha + beta X

Autre exercice:

on a nos x et y

on va estimer la droite qui passe en yt1(1,6) et yt2 (5,2)

on trace notre droite

y = aplha + beta X

y = betax + aplha. (donc y = ax + b équivalent)

yt1 = aplha - X

yt1 = aplha - Xt1

6 = aplha - 1(1)
6 + 1 = aplha

7 = aplha

y=7-X

si on a compris = réexpliquer de manière clair et juste.

a= coef direc b= ordonnée à l’origine

b = valeur de y quand x est 0 sur graph.

pour déterminer equation avec coordonnées connu,

2 observations de 2 variables qu’on connait.

a la base, faire une représentation graphique.

si x = 2, grace a cette droite on saura combien on aura de note.

une fois qu on a ces points, on trace, et a partir de ces points on va déterminer l

equation pour prédire l’ensemble des points.

aplha = ordonnée à l’origine = valeur de x quand il vaut 0 sur l’ordonnée |

béta = cef directeur

(ici inversé que y = ax + b)

rls = sert a estimer les parametres. permet aussi de valider (prévoir ce qui va se
passer dans le future)

régression dans plusieurs domaine. (comme finance)

choisir 2 variables

(example: mcdo, taux de colesthérole et diabète)

1. il faut faire une représentation graphique de 2 observations. (exemple:

bavardage, note)
2. on va observer la forme du nuage de points., si ressemble a rien, peut etre
pas de liens entre les deux variables

Si ca monte, positif ,si descend, négatif

plus il est resseré, plus le lien est fort ca notre équation sera vérifiée.

étant donnée, qu’ on a un nuage de points, on va avoir une doite approximative.

fonction linéaire = droite.

la variable y qui sera déterminer par les 2 variables (les 2 observations)

y = donc variable dépendante

x variable indépendante

diapo 11.

diapo 12

diapo 13

on introduit un résidut (ou l’erreur) cat tout les points ne sont pas alignés.

on prend l’équation linéaire et on introduit ce bruit.

aplha ordo origne estimé

béta coef directeur

epsilone = bruit , résidu, indépendante de Xi. = inexacttude de notre modèle.

on va devoir estimer tout

epsilone va varier pour chaque point.

y = aplha + betax + epsilone

epsilone = ecart entre valeur réelle et valeur estimée (prédit par le modèle) =
constitue l’erreur pour un point là.

autre exemple de 2 variables:

temps, montant

révision:

qu’est ce que la régression:

on a essayé de trouver une equation.

alpha = ordonnée à l’origine.

beta = pente de la droite

rl = droite au baricentre et on introduit l’erreur epsilone.

epsilone mesure l’erreur que l’on peut avoir

déterminer l’équation de regression avec nuage de points, avec la méthode de
moindre carrés

Moindres Carrées Ordinaires (MCO)

y = aplha + betaX (pente) + epsilone

2 = 1(1) + b

variables aléatoire Y par rapport à X.

on introduit le résidut, on a cette erreur car il ya des erreurs de mesure,on esssai de

généralisé par rapport à un échantillon limité.

aplha =

chapeau dessus = estimée.

aplha chapeau = Y barre (moyenne des observation y) - beta chapeau (prévision de

la pente) * X barre (moyenne du X)

(car les points ne sont pas alignés, donc on doit trover aproximativement les valeurs
Aplha et Beta)

explication:

Y = Aplha + beta X

aplha = Y - Beta X

on met juste chapeau de ça.

beta =

chapeau dessus = estimée.

beta chapeau = COVariance (X,Y)/ V(X)

signification: estimateur de la pente de la droite de régression = si on bouge x d’une

unité, il y aura sa valeur réelle mais on aura sa valeur estimée.

(rien de compliqué)

principe MCO (méthode des moindres carrés):

trouvr les coordonnées alpha et beta de la droite de régression qui passe au plus
pres d’un nuage ed points

essayer de réduire la distance entre chaque point par rapport à la droite, avoir le
moins d’erreur possible
somme des épsilone au carrée ,

epsilone = ecart entre valeur reelle(observée) et valeur estimé

pour faire des estimations avec nuages de points, on met quelques hypothèses sur
les estimateurs là.

aplha chapeau et beta chapeau en fonction de l’échantillon.

ces estimateurs doivent etre non biaisés.

espérance donne aplha et beta réelle.

Variance tend vers zéro.

propriété:

non baisé = ce qu’ on aura estimé, em moyenne ca donne la valeur réelle

convergent = quand on augmente le nombre d’observation, la variance tend vers 0

efficace = celui qui a la variance minimale

(tout sera calculé sur logiciel (avantage) et interpréter ces résultats (pas compliqué))

hypothèses: comme points pas alignés, on introduit l’erreur, modèle un peu modifié.

il faut avoir un modèle qui puisse être linéaire.

H1 = on additionne les hypothèses

H2:

Y doit être quantitative (qu’on peut mesurer), continue, non bornée et mesurées sans
erreur.

X doit être quantitative, dichotomique, mesurées sans erreur.

les erreurs epsilon suit loi normale, doivent être variable centré réduite, indépendant
de la variable dépendance

en moyenne si on additionne toutes ces erreurs, y aura zéro erreur car on tombera
sur la droite.

en moyenne on fera pas tellement d’erreurs.

la variance des erreurs est constante.

epsilon indépendante de X.
suivent loi normale

centré, en moyenne vaut zéro

de même variance constante

2 hypothèses sont sur les variables x et y

le reste sur epsilon.

Groupe de 3 personnes pour les dossiers:

on choisi l’entreprise principale, elle doit être cotée (pour accéder facilement au
données publiques).

et dire pourquoi on a choisi (par rapport à quel contexte?)

entrer les données de x et y, et le résultat sort, on devra interpréter.

présenter entreprise coté (indicateurs pour dire voilà comment se porte société,
concurrents, quels secteurs d activités (expansion ou déclin et pourquoi), comment
se compose actionnariat et la gouvernance, (est il leader ou dernier (parts sur
marché))

justifier pourquoi on a choisi l’entreprise là

on devra envoyer dossier mais aussi présenter oralement.

extraction des données

Total Energies:

évolution du cours entre:

prix baril pétrole

prix gaz

prix électricité

prix de l’énergie

NOUV

y = ax + b

a = yb - ya/xb - xa

ou a=ya - yb/xa - xb
A appartient à Y: ya = a xa + b b = ya - a xa

B appartient à Y: yb = a xb + b b = yb - a xb

Valeur de l’action Accord, en date du 1er Octobre 2023 ou le jour après. et 1/09/2023

Valeur du CAC40 en date du 1er Octobre 2023 ou jour le d’après et de 1/09/2023

prendre le cours de cloture ajusté.

(screenshot)

1/10/2023 1/09/2023

(7029,70: 31,20) (7135,06 : 31,94)

CAC 40, Accord CAC 40, Accord

c’est un couple d’observation.

on cherche les coordonnées de la droite y = ax + b

a = variation de Accord quand cac 40 augmente de a

ya - yb/xa-xb

=31,94 - 31,2/7135,06-7029,70

= 0,007

maintenant, on cherche l’ordonnée à l’origine, valeur de y quand x vaut zéro.

A appartient à la droite (Y), y a = a xa + b

et ya - a xa = b

ou

yb = axb + b

et yb - axb = b

31,2 - 0,07 x 7029,7 = b

b = - 18

Y = 0,007 x - 18

si pour CAC 40 = valeur est de 10000,

y = 0,007 x 10000 - 18

y = 52.

on va corcer un peu les choses

extraction des valeurs d’Accord, 1er mai 2021 de tote les valeurs mensuelles, 1er
octobre 2023.

Après graphique pour voir l’évolution dans le temps.

(Excel sur ordinateur, dossier Finance Appliquée)

OBJECTIF: Expliquer les variations ACCORD/CAC40

NOUV

regression linéaire simple, regression linéaire multiple:

analyser, controler, prévoir, estimer

faire le nuage de points

si beta = 0, pas de relation, et horizontale, le modèle ne tiens pas la route

Si beta > 0, relation positive de la corrélation

Si beta < 0, relation négative de la corrélation

somme des écarts doit toujours être nulle.

méthode des Moindres Carrés Ordinaires:

trouver estimateur de aplha chapeau et beta chapeau

estimation d’epsilone

aplha chapeau (moyenne) = aplha

beta chapeau (moyenne) = beta

somme des erreurs = 0

beta = cov (x, y)/ V x

ca doit etre non biaisé (moy estimateur = valeur lui meme à chaque fois), convergent
(plus on aug tail ech, plus variante tant vers 0), efficace (var minimale)
application concrete a partir Sharpe

Sharpe =

estimer le rendement de l’action future.

gérant de portefeuille ou grand trader, utilise Sharpe.

hypothèses irréalisables et irréalistes.

plus actif est volatil, plus il est risqué, plus il est intéressant de trader.

celui qui trouve meilleur modele de Sharpe.

Rendement d’une action=

Valeur finale - valeur initale / valeur initiale

extraire prix, ensuite faire rendement, ensuite modele de Sharpe.

résumé rapide:

Sharpe: toujours meme mécanisme de calcul:

● rendement d’un titre par rapport au rendement du marché

● ou rendement d’un portefeuille par rapport au rendement du marché

H0 : hypothese nulle, beta = 0, pas de liens entre les 2 variables, les 2 sont
indépendante.

H1 = hypo chercheur/alternative, les 2 variables sont liés, un a un impact sur l’autre.

Permet de décider si on rejette ou pas H0, et donc beta égal à 0, ou différent de 0.

Si beta supérieur à 0: test unilatéral

Si beta inférieur à 0: test unilatéral

Si lien positif ou négatif entre les deux variables = test bilatéral

Seuil de signification = risque de se tromper sur l’hypothèse H0 (croire qu’il y a une

relation alors qu’il y en a pas) Ont le fixe sans calculer: 1%, soit 5%, soit 10%.

Taux d’erreur acceptable.

Plus c’est bas, et meilleur sera votre modèle.

pour rejeter H0, il faut que le risque de se tromper soit inférieur au seuil de
signification.
Coef de corrélation de Pearson:

compris entre -1 et 1. si se rapprochede ses deux valeurs, lien très fort.

corrélation n’explique pas forcément la relation de causalité.

il y a un lien de causalité entre les deux là enfaite.

exemple avec les ventes de glaces, piqures de moustiques et l’été, lien de causalité
entre les deux là.

Déterminer une valeur critique, qu’on lie dans la table de student (dépend du seuil de
signification choisi; et degres de liberté = nombre d’échatillion - 2 car on perd en
information)

unilatéral,

bilatéral, diviser le seuil de signification en 2.

formulation de règle de décision diapo 45

la décision diapo 46

diapo 47 étape ultime: vérifier la qualité de votre modèle, avec le coef de

détermination diapo 49

avec un coef de détermine… cela signifique que …. des variations des variables sont
expliqués par le modèle. mais cela ne traduit pas forcément un modèle de corrélation
linéaire.

Dossier contenu diapo 51.

rendement de votre entreprise par rapport au rendement du CAC 40. justifiez chaque
choix. parce que …., avant il y avait sa vraiment de pertinence. ou voir avant telle
crise et après telle crise.

Une 30ene d’observation minimum

A mettre dans le dossier:

interpretation en 1 demi page:

stat descr

coef correlation

sct
beta

Regression Linéaire Multiple:

4-5 variables max

Aplhachapeau (estimé, rendement du titre)

beta chapeau

autant de beta que de variables indépendantes.

k = nb

test de Fisher

n= observation

k = variables indépendantes

Ho = 0 pas de lien significatif

H1: Inverse

Le Beta = la pente. si = 0 pas de relation entre deux variables.

ici t: on a plusieurs variables donc (n-k-1) donnera le degré de liberté. et si on

applique cela sur une régression linéaire simple, c’est n-k-1 et n-1-1 = n-2 avec k =
nombres devariables indépendantes.

r2: s’améliore a partir du moment ou on rajoute des variables indépendante.

p = nb de variables explicatives

r2 ajusté: toujours positif car élevé au carré, permet de comparer deux modèle. R2
supérieur, explique mieux la variabe explicative donc c’est un meilleur modèle

R2 ajusté supérieur est le meilleur modèle.

et cela veut dire que l’autre variable ajouté n’explique pas mieux le modèle.

Parler du R2 et R2 justé dans la Régression Linéaire Multiple.

interpretation générale:

sous forme d’équation ou tableau.

Le bonus du dossier: enlever les variables non significative de SPSS après

refaire avec que les variables significatives.

possible de comparer avec le modèle avec variables non significatives avec le

modèle sans variables justificatives.

PLAN:

présentation de l’entreprise

liste d’hypothèses (des variables pouvant avoir une influence sur que Ri de notre
société)

II

Obligatoire: RLS, selon modèle de Sharp (Ri vs Rm) entreprise vs indice obligatoire
et un autre facultatif.

● retenir 1 seule hypothèse

III (partie libre):

RLM.

reprendre Ri, Rm, ajouter d’autres variables.

comme un autre Rm, ou mettre d’autres variables.

faire au moins 3 ou 4 variables.

ANOVA:

regression SCE

Student SCR

TOTAL SCT

constante = aplha

beta par marché

Beta de l’autre variable

paz regardé coef standartisés.

t student
Sig = probabilité, comparer à ce seuil de sgnificativité

mettre significatif ou pas et les etoiles et la forme des equations.

si pas significatif (NS), enlever et refaire pour que le modèle est mieux expliqué.

utiliser 50 observations

Remarque:

quand ca affiche 0,000, c’est en dessous de 0,0005.

Donc ne pas dire que c’est égal à zero.

Autre remarque:

Sur SPSS, ca affiche 0,05 et 0,05 c’est 0,0005.