Interdépendances entre les Prix du Pétrole Brut

et les Marchés Boursiers.

Kamel Malik Bensafta

Maître de Conférence HDR à l’Université de Chlef (Algérie).
Chercheur Associé au LEO (Laboratoire d’Economie d’Orléans, France).
Phone: +213553218129
Email : [email protected]

Gervasio Semedo
Maître de Conférence HDR à l’Université François Rabelais de Tours (France).
Chercheur Associé au LEO (Laboratoire d’Economie d’Orléans, France).
Email : [email protected]

1
Interdépendances entre les Prix du Pétrole Brut
et les Marchés Boursiers.

RESUME : ce papier traite la question de transmission des prix et

des incertitudes de prix du pétrole brut et les marchés boursiers.
L’application d’une modélisation GARCH multivariée a montré
que les chocs de prix du pétrole et les incertitudes sur ce marché
sont transmises vers les marchés américains et européens. Il
apparait également l’effet global du marché américain. Nos
résultats montrent l’importance de la part asymétrique de la
transmission des chocs de volatilité.
JEL Classification : Q4, G15, C32.
Mots clés : marché de l’énergie, volatilité, VAR, MGARCH

Interdependence among Crude Oil Prices and

Stock Markets.

ABSTRACT: in this paper we study prices and uncertainty

transmission between crude oil prices and stocks markets. An
MGARCH model shows that oil shocks and uncertainty spillover
to US market and aggregate European market. Our results indicate
an important asymmetric transmission of volatility between
markets.
Key Words: Energy products, Volatility, MGARCH, VAR,
Variance Regime.

2
 1. INTRODUCTION
Le pétrole brut est la source d’énergie la plus utilisée dans le monde. Cette utilisation en fait
un bien d’ordre stratégique pour les Etats et pour les entreprises de production. La hausse du prix du
pétrole depuis le début des années 2000 rend obligatoire la couverture contre les risques sur les
marchés des produits pétroliers. Les stratégies de couverture reposent sur la bonne estimation de la
volatilité des prix. De ce fait, une modélisation adéquate de la volatilité des prix du pétrole et des prix
du gaz naturelle est nécessaire. Les processus de type GARCH univarié permettent une estimation
acceptable de la volatilité des prix car ils décrivent fidèlement les caractéristiques de regroupement de
la volatilité et d’asymétrie (ENGEL, 1982, BOLLERSLEV, 1986). Les travaux empiriques des processus
de type GARCH confirment le caractère hétéroscedastique de la volatilité des produits pétroliers et des
indices boursiers1. Cependant, les modèles de type GARCH univariés souffrent de deux handicaps : un
biais lié aux variables omises et un biais de surestimation de la persistance des chocs de volatilité
(LAMOUREUX ET LASTRAPES, 1990). L’extension à la classe des processus GARCH multivariés
donne une première réponse au problème de biais de variables omises en permettant la mesure des
transmissions entre les prix et les volatilités des différents marchés.
Les prix des produits pétroliers et les indices boursiers ont ces caractéristiques et de fait, les
modèles de type GARCH sont de plus en plus utilisés dans l’estimation de la volatilité de ces prix
(GOODHART, 1988, KING ET WADHWANI, 1990, KING ET AL, 1994, KANG ET AL, 2009, NARAYAN ET
NARAYAN, 2007, ELDER ET SERLETIS, 2009, MOHAMMADI ET SU, 2010, WEI ET AL, 2010). Il existe
une littérature empirique importante traitant la modélisation GARCH de la volatilité des produits
pétrolier2. Concernant l’impact en moyenne, les études de JONES ET KAUL (1996) ET SADORSKY
(1999) trouvent une relation négative entre les prix du pétrole et les indices boursiers. Ces résultats
sont confirmés par les travaux de PARK ET RATTI (2008), MILLER ET RATTI (2009), CHEN (2009),
FILIS (2010), AROURI (2011) ET AROURI ET NGUYEN (2010). Par ailleurs, cet impact des marchés
pétroliers sur les marchés boursiers ne fait pas l’unanimité, car d’autres études ne trouvent pas de
relations significatives (JAMMAZI ET ALOUI, 2010; CONG ET AL., 2008; HAUNG ET AL., 1996).
La volatilité observée sur les marchés boursiers est simultanément observée sur les marchés de
matières premières comme le marché du pétrole. L'incertitude sur les marchés de produits pétroliers
est expliquée par des facteurs endogènes comme les capacités de production, les stocks et les
équilibres offre-demande. L’incertitude est également expliquée par des facteurs exogènes tels que
l’incertitude sur les marchés boursiers et spécialement, le marché américain et les marchés européens.
De nombreuses études empiriques ont établis la transmission entre les prix des produits pétroliers et
les marchés boursiers (BAILLIE ET MEYERS, 1991, SADORSKY, 1999, BOREINSTEIN ET AL, 1997, FAN
ET AL, 2008). Ces études souffrent d’un biais de surestimation de la persistance des chocs car elles ne
prennent pas en compte les changements de régime de la variance (LAMOUREUX ET LASTRAPE,
1990)3. Ewing et Malik (2002) utilisent un modèle BEKK-GARCH avec des changements de régimes
dans la variance pour l‘analyse de la transmission en moyenne et en variance entre les prix du pétrole
et le marché américain. Ce travail se limite à une modélisation bivarié. D’autres travaux empiriques
utilisent la modélisation multivariée pour des analyses de couverture dynamique et l’étude des
corrélations conditionnelles (CHANG ET AL, 2009, CHANG ET AL, 2010, LANZA ET AL, 2010, CHANG ET
AL, 2011, SADORSKY, 2012). Ces travaux se limitent également à des modèles bivariés.

1
Voir Wang et Wu (2012) pour une revue de littérature sur l’application des modèles GARCH univarié et multivarié dans la modélisation de
la volatilité des prix du pétrole
2
Voir par exemple Giot et Laurent, 2003, Aloui et Mabrouk, 2010, Adrangi et al., 2001; Kang et al., 2009;; Mohammadi and Su, 2010;
Morana, 2001; Narayan and Narayan, 2007; Sadorsky, 2006).
3
Ce biais est notamment responsable de la surévaluation des corrélations conditionnelles entre les marchés. A cause de ce biais, ces
modèles standards sous-estiment la part exogène de la volatilité. Les processus GARCH multivariés comme le BEKK-GARCH et le VECH
répondent à ce dernier objectif, mais souffrent tout de même du biais de surestimation de la persistance.

3
 Dans cette étude nous nous intéressons à la transmission des prix et des incertitudes entre les
marchés de pétrole NYMEX et IPE et les marchés boursiers. Notre analyse de la transmission porte
sur quatre indices : l’indice du prix du pétrole WTI, l’indice du prix du pétrole Brent, l’indice du
marché américain et l’indice agrégé des marchés européens. Nous comparons les estimations de
transmission obtenues à partir de quatre modélisations : le modèles VAR linéaire, le modèle BEKK de
ENGLE ET KRONER (1995), le modèle BEKK avec bris structurel en variance de BENSAFTA ET
SEMEDO (2009, 2011) noté BEKK-BSV4 et une nouvelle spécification GARCH quadrivarié avec des
changements de régime dans la variance et des transmissions asymétrique des chocs de volatilité noté
BEKK-TAV-BSV. Dans ce nouveau modèle, nous faisons une distinction dans la transmission de la
volatilité entre les marchés entre chocs positifs et chocs négatifs. Il est admis que les marchés sont plus
volatiles suite aux mauvaises nouvelles qu’en réaction aux bonnes nouvelles. Aussi, il est plausible
que cette asymétrie se retrouve dans la transmission de l’incertitude entre les marchés. Intuitivement,
l’introduction des régimes de variance améliore le modèle BEKK standard. La présence transmission
asymétrique de la volatilité améliore les estimations des transmissions en variance. La suite du
document est organisée comme suit : description du modèle économétrique dans la section 2,
présentation des résultats dans la section trois et une dernière section pour les conclusions.

2. Le modèle économétrique
BENSAFTA ET SEMEDO (2009, 2011) utilisent un modèle GARCH pour l‘analyse de la
volatilité des marchés boursiers en présence de ruptures structurelles en variance. Ces derniers
introduisent des ruptures en variance pour analyser la transmission en variance et la contagion en
période de crises. L’analyse des transmissions en variance montre que l’introduction des ruptures
structurelles en variance améliore les estimations des transmissions de l’incertitude entre les marchés
boursiers5. Dans cette étude, nous retenons un modèle GARCH quadrivarié avec des ruptures
structurelles en variance augmenté d’une transmission asymétrique de la volatilité6.

a. Moyenne conditionnelle
Dans le cadre multivarié de cette analyse, la transmission en moyenne est mesurée par les
coefficients des équations VAR de la moyenne conditionnelle. Soient ‫ݎ‬௧ le vecteur des rendements
logarithmiques des prix des marchés7 et ‫ݑ‬௧ le vecteur des résidus du modèle dynamique VAR (n1)8.
L’écriture du VAR (n1) est la suivante :

Φሺ‫ܮ‬ሻሺ‫ݎ‬௧ െ ߤሻ ൌ ‫ܥ‬ሺ‫ܮ‬ሻ࣡ሺܺ௧ ሻ ൅ ‫ݑ‬௧ (1)

Où Ф(L) est la fonction retard du processus VAR 9. La transmission des rendements entre les marchés
est décrite par les coefficients Ȱ୧୨୩ du processus VAR. Ces transmissions en moyenne indiquent des

4 4
Les changements de régime en variance ou ruptures structurelles en variance sont détectés par l’algorithme itératif ICSS de Inclan et Tiao
(1994) et Sansó et al (2004). Dans le modèle Bensafta et Semedo (2009), l’utilisation d’une spécification trivariée confirme le caractère
global du marché américain. L’introduction des régimes de variance corrige le biais de la surestimation de la persistante des chocs de
volatilité.
5
L’étude porte sur la crise asiatique de 1997, la crise technologique de 2000 et la crise terroriste de 2001. L’étude de la contagion montre
que les crises ne sont pas systématiquement contagieuses. Ils rejoignent ainsi les résultats de Forbes et Rigobon (2002) et la théorie non-
contingente des crises.
6
. il s’agit du modèle BEKK-BSV augmenté avec une transmission asymétrique des chocs de volatilité. Il est possible d’utiliser une
spécification MGARCH avec prime de risque, toutefois, ceci ne fait pas l’objet du papier. Pour des études sur la prime de risque du prix du
pétrole voir par exemple Feerson et Harvey (1995).
7
Les rendements sont ceux des prix du pétrole et du gaz naturel ainsi que les indices du marché américain et du marché européen agrégé.
8
n1 est l’ordre du processus VAR déterminé par le test LR séquentiel.
െ Φଵ  ‫ ڮ‬െ Φ୬ଵ ୬ଵ , où n1 est l’ordre du processus VAR déterminé par le test LR séquentiel.
9
Φሺሻ ൌ ୫

4
liens permanents ou interdépendances qui sont le résultat combiné de différents canaux10. Les
équations de la moyenne conditionnelle sont augmentées d’un regresseur exogène ࣡ሺܺ௧ ሻ pour saisir les
effets liés aux jours fériés (fermeture de marché) et les effets liés aux jours de la semaine11.

b. Variance Conditionnelle et Causalité en variance

Les résidus ‫ݑ‬௧ sont de moyenne nulle, non auto-corrélés au premier degré tel que :

ିଵȀଶ
‫ݑ‬௧ ൌ ‫ܪ‬௧ ߝ௧ (2)

Où ε୲ est un vecteur N-dimension d’éléments bruit blanc tel que ε୲ է ‹Ǥ ‹Ǥ †ࣨሺͲǡ ୲ ሻ et Ht la matrice
des variances-covariances conditionnelles de ut. Ht est symétrique et définie-positive. Évidement, les ut
ont une distribution conditionnelle D(…), étant donné ψ୲ିଵ l’ensemble informationnel à l’instant t-1,
la distribution conditionnelle est —୲ Ȁψ୲ିଵ է ሺͲǡ ୲ ሻ, où Ht est un processus MGARCH12. Pour la
classe des modèles de variances-covariances conditionnelles BEKK, Ht est définie comme suit :
௣ ௤ ௣

‫ܪ‬௧ ൌ ‫ ܥ ܥ‬൅ ′
෍ ‫ܣ‬′௜ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜
′
‫ܣ‬௜ ൅ ෍ ‫ܤ‬௜′ ‫ܪ‬௧ି௜ ‫ܤ‬௜ ൅ ෍ ‫ܩ‬௜′ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜
′ ′
‫ܦ כ‬ே௧ି௜ ‫ܦ‬ே௧ି௜ ‫ܩ‬௜ (3)
௜ୀଵ ௜ୀଵ ௜ୀଵ

‫ܥ‬ǡ ‫ܣ‬௜ ǡ ‫ܤ‬௝ ݁‫ܩݐ‬௝ sont des matrices de coefficients des équations des variances et covariances
conditionnelles. ‫ܦ‬ெ௧ି௜ est un vecteur de dimension M formé de variables indicatrices ሺ݀௜௧ ሻ13. Le
modèle augmenté des transmissions asymétriques des chocs de volatilité et des ruptures structurelles
est quant à lui défini par l’équation suivante :
௣ ௤ ௣
′
‫ܥ‬஻ ‫ܥ‬஻ ൅ ෍ ‫ܣ‬′௜ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜
′
‫ܣ‬௜ ൅ ෍ ‫ܤ‬௜′ ‫ܪ‬௧ି௜ ‫ܤ‬௜ ൅ ෍ ‫ܩ‬௜′ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜
′ ′
‫ܦ כ‬ெ௧ି௜ ‫ܦ‬ெ௧ି௜ ‫ܩ‬௜
‫ܪ‬௧ ൌ ᇣᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇤᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇥ
௜ୀଵ ௜ୀଵ ௜ୀଵ
ܵ‫ ܭܭܧܤ݀ݎܽ݀݊ܽݐ‬െ ݀݅ܽ݃‫ܿ݅ݎݐ݁݉݉ݕݏ݈ܽܽ݊݋‬
௣ ௤ ହ

෍ ॻ′௜ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜

′
ॻ௜ ൅ ෍ Ժ′௜ ‫ܪ‬௧ି௜ Ժ௜ ෍ሺߜ௜ ሻ௧௥ ‫ܦ‬௜ ߜ௜
൅ ൅ (4)
ᇣᇧᇧᇧᇧᇧᇧᇧᇧᇧᇤᇧᇧᇧᇧᇧᇧᇧᇧᇧᇥ
௜ୀଵ ௜ୀଵ ᇣᇧ
௜ୀଵᇧᇧᇤᇧᇧᇧᇥ

‫ݐ݈݅݅ݐ݈ܽ݋ݒ݁݀݊݋݅ݏݏ݅݉ݏ݊ܽݎݐ‬é ‫݁݊݅ܽ݉݁ݏ݈ܽ݁݀ݏݎݑ݋݆ݏݐ݂݂݁ܧ‬
௣

෍ ॻ८′௜ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜

′ ′
‫ܦ כ‬ெ௧ି௜ ‫ܦ‬ெ௧ି௜ ॻ८௜
൅ ᇣᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇤᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇥ
௜ୀଵ
‫݉ݕݏܽ݊݋݅ݏݏ݅݉ݏ݊ܽݎݐ‬é‫ݐ݈݅݅ݐ݈ܽ݋ݒ݁݀݁ݑݍ݅ݎݐ‬é
ॻ௜ , ॻ८௜ et Ժ௜ sont des matrices coefficients de transmission des chocs de volatilité, des chocs de
volatilité asymétriques et des volatilité d’ordre p et q14. Dans cette spécification, nous introduisons les
ruptures structurelles en variance dans la matrice ሺ‫ܥ‬஻ ሻ௧௥ ሺ‫ܥ‬஻ ሻǤCes régimes de variance sont détectés

10
Parmi ces canaux, il y a le comportement des investisseurs internationaux vis-à-vis des fondamentaux économiques d’un pays ou d’un
groupe de pays (Kodres et PRITSKER, 2002) ; l’effet de richesse et le canal de liquidité (Dornbusch et al. 2000).
11
߮ሺܺሻ ൌ σହ௜ୀଵሺߜ௜ ሻ௧௥ ‫ܦ‬௜ tel que est un vecteur de variable indicatrices des jours fériés et des jours de la semaine et le vecteur des
coefficients à estimer (voir l’annexe 2 pour les détails).
12
Il existe différentes spécifications de la matrice Ht parmi lesquelles le processus BEKK Diagonal D’ENGLE ET KRONER (1995) et Les processus à
Corrélation Conditionnelle Dynamique d’ENGLE (2002). BAUWENS ET AL. (2006) donnent une revue de littérature extensive des modèles
MGARCH
13
ሺ݀௜௧ ሻ ൌ ͳ݈‫ݑ݁ݑݍݏݎ݋‬௜௧ ൏ Ͳ݁‫ݐ‬ሺ݀௜௧ ሻ ൌ Ͳ‫݊݋݊݅ݏ‬, M est le nombre de marchés, q et p sont les ordres du processus de type GARCH et * le
produit élément par élément.
14
Voir en annexe I les détails sur la construction des matrices de transmission.

5
par l’algorithme ICSS hétéroscedastique15 (Voir les détails en annexe I). L’introduction de ces
ruptures nous permet une réduction de la persistance des chocs de volatilité dans un cadre multivarié.
Cette correction dans l’estimation de la persistance donne une mesure plus adéquate de la transmission
des chocs de volatilité entre les marchés. Cette transmission en variance qui permet d’estimer la
௣ ଵ ଶ
Causalité en Variance du marchés (1) vers le marché (2) est mesurée par la somme σ௜ୀଵ൫‫ݒܿݐ‬ଶǡ௜ ൯ ൅
ଶ
σ௤௜ୀଵ൫‫ݒݐ‬ଶǡ௜
ଵ
൯ . Lorsque le choc est négatif, la transmission en variance est mesurée par la somme
ଶ ଶ ଶ
σ௣௜ୀଵ൫‫ݒܿݐ‬ଶǡ௜
ଵ ௤ ଵ
൯ ൅ σ௜ୀଵ൫‫ݒݐ‬ଶǡ௜
௣
൯ ൅ σ௜ୀଵ൫‫ܽݒܿݐ‬ଵଶǡ௜ ൯ . Cette grandeur représente également la mesure de
persistance de la volatilité transmise16. Puisque l’analyse porte sur des données de fréquence
journalière, la matrice Ht contient un régresseur supplémentaire pour tenir comptes des effets liés aux
jours de la semaine « Day of the week effects », de l’effet week-end « Weekend effects » et des effets
de jours fériés« Holliday day effects»17 (annexe II).

c. Tests de transmission en moyenne et en variance

Pour tester la causalité entre les marchés aussi bien en moyenne qu’en variance, nous faisons
appel au test de Causalité au sens de Granger :
• La transmission en moyenne du marché (1) vers le marché (2) est mesurée par les coefficients
୩
Ȱଵଶ du modèle VAR (k allant de 1 à n1). Le test de transmission en moyenne revient à tester
୩
l’hypothèse de nullité des coefficients Ȱଵଶ . Le test de transmission en moyenne et en fait un
test de Non-Causalité au sens de Granger18 : hypothèse nulle d’absence de causalité en
୅େ୑
moyenne ACM notée  ଴ǡଵ՜ଶ .
Ǥ ሻ, ሺ‫ ݒܿܽݐ‬Ǥ ሻ Ǥ
• La transmission en variance est liée aux coefficients ሺ‫ݒܿݐ‬ଵଶ ଵଶ et ሺ‫ݒݐ‬Ǥଵଶ ሻ. Il y a
Ǥ ሻ,
causalité en variance du marché (1) vers le marché (2) lorsque les coefficients ሺ‫ݒܿݐ‬ଵଶ
Ǥ ሻ
ሺ‫ݒܿܽݐ‬ଵଶ Ǥ ሻ
et ሺ‫ݒݐ‬Ǥଵଶ sont significativement non-nuls19. Le test de transmission en variance est
en fait un test de Wald de Non-Causalité en variance20 : hypothèse nulle d’absence de
஺஼௏
transmission en variance ACV notée ‫ܪ‬଴ǡଵ՜ଶ .

d. Méthode d’estimation

Le modèles BEKK standard, le modèle BEKK-BSV et le modèle BEKK-BSV asymétrique sont

estimés en seules étape21. En considérant les vecteurs des erreurs ut suivant conditionnellement une loi
normale multi-variée, la fonction de densité jointe est le produit de toutes les densités conditionnelles
normales. En outre, la fonction de vraisemblance de la distribution jointe est la somme des log-
vraisemblance de ces distributions. Soit ft la distribution conditionnelle jointe et ‫ܮ‬ே್ sa fonction de
log-vraisemblance :
ே
݈‫݃݋‬ሺ‫ܮ‬ே್ ሻ ൌ σ௧ୀଵ
್
݈‫݃݋‬൫݂ሺ‫ݎ‬௧ Τߗ௧ିଵ Ǣ ߴሻ൯ (5)

15
Pour les détails sur la détection des changements de régime en variance par l’algorithme ICSS, voir INCLAN ET TIAO (1994), SANSO ET AL,
(2004), MALIK (2003) ET BENSAFTA (2010).
16
l’indice i indique l’ordre de retard dans la transmission.
17
Des effets significatifs sont trouvés dans le cas du marché américain par SOLNIK ET BOUSQUET (1990). Ces effets sont également
retrouvés dans les marchés européens (CHANG ET AL, 1993).
18
Le Test d’absence de transmission en moyenne est noté NTM (voir les détails du test en annexe III).
19
i est l’ordre du processus de transmission de (1) vers (2).
20
Le test d’absence de transmission en variance est noté NTV (voir les détails du test en Annexe III).
21
L’estimation en deux étapes ne peut pas être effectuée si nous cherchons à estimer une prime de risque en introduisant la variance
comme régresseur supplémentaire dans les équations de la moyenne conditionnelle.

6
 ିଵ
ͳ ሺ‫ݑ‬௧ ሻ௧௥ ൫‫ܪ‬௧ǡణ ൯ ‫ݑ‬௧
݈‫݃݋‬൫݂௧ ሺ‫ݎ‬௧ Τߗ௧ିଵ Ǣ ߴሻ൯ ൌ െʹ݈‫ ߨʹ݃݋‬െ ݈‫ ݃݋‬ቀ‫ݐ݁ܦ‬൫‫ܪ‬௧ǡణ ൯ቁ െ
ʹ ʹ
ଵ ே್ ௧௥ ିଵ
݈‫݃݋‬ሺ‫ܮ‬ே್ ሻ ൌ െ σ௧ୀଵ ቂͶ ݈‫݃݋‬ሺʹߨሻ ൅ ݈‫ ݃݋‬ቀ‫ݐ݁ܦ‬൫‫ܪ‬௧ǡణ ൯ቁ ൅ ሺ‫ݑ‬௧ ሻ ൫‫ܪ‬௧ǡణ ൯ ‫ݑ‬௧ ቃ
ଶ

Où ܰ௕ le nombre d’observations dans l’échantillon.

Le vecteur ߠ ൌ ‫݄ܿ݁ݒ‬ሺ‫ܣ‬௜ ǡ ‫ܤ‬௜ ǡ ‫ܥ‬஻ ǡ ‫ܩ‬௜ ǡ ॻ௜ ǡ Ժ௜ ǡ ॻ८௜ ǡ ߜሻ est le vecteur des paramètres inconnus à estimer22
et ‫ݑ‬௧ le vecteur des innovations normalement distribuées. Les produits ‫ݑ‬௜௧ ‫ݑ‬௝௧ ne sont pas indépendants
(dépendance du second ordre) et la distribution jointe des ‫ݑ‬ଵ௧ Ǣ‫ݑ‬ଶ௧ Ǣ ‫ݑ‬ଷ௧ Ǣ ‫ݑ‬ସ௧ pourrait ne pas être une loi
normale multi-variée. Pour cette raison, le vecteur paramètre θ est estimé par la méthode du Quasi-
Maximum de vraisemblance (QML) de BOLLERSLEV ET WOOLDRIDGE (1992). L’optimisation est
obtenue par l’algorithme BHHH (BERNDT ET ALII. 1974) adapté aux maximisations non linéaires
(ENGLE ET KRONER, 1995). Nous présentons dans ce qui suit, les principaux résultats.

3. DONNES ET RESULTATS
Les donnés représentent quatre indices : indice des prix du pétrole brute (WTI), indice des prix
du pétrole (Brent), l’indice MSCI du marché américain (MSCI-USA) et l’indice MSCI des marchés
européens agrégés (MSCI-EU). Le tableau 1 présente les statistiques descriptives des quatre séries de
rendements23. La fréquence des données est journalière et couvre la période de Juin 2007 à Octobre
2013, soit un total de 1305 observations. Les quatre séries d’indices sont intégrées d’ordre 1. Les
séries de rendements logarithmiques ο݈‫݃݋‬ሺ‫ ܫܥܵܯ‬െ ܷܵ‫ܣ‬ሻǡ ο݈‫݃݋‬ሺ‫ ܫܥܵܯ‬െ ‫ܷܧ‬ሻǡ ο݈‫݃݋‬ሺܹܶ‫ܫ‬ሻ et
ο݈‫݃݋‬ሺ‫ݐ݊݁ݎܤ‬ሻsont stationnaires au regard du test ADF.
Tableau 1
Les séries de rendements présentent des caractéristiques d’asymétrie et de queues larges typiques aux
séries macro-financières de haute fréquence. Les prix des marchés pétroliers sont plus volatiles que les
prix des marchés bousiers américain et européen. L’asymétrie des rendements est opposée dans les
deux types de marchés : les prix pétroliers présentent une asymétrie vers la droite alors que les prix
boursiers sont asymétriques vers la gauche. Le coefficient de Kurtosis s’éloigne largement de la valeur
normale pour les quatre séries indiquant la présence de valeur extrêmes. Ces caractéristiques
d’asymétrie et de queues épaisses conduisent à rejeter la normalité des données pour les quatre séries
(statistiques de Jarque-Bera).

3.1. Analyse de la moyenne

Les estimations des transmissions en moyennes obtenues avec le modèle VAR linéaire et les
trois modèles VAR non linéaires24 sont données dans le tableau 2 et le tableau 3. Au regard du test LR,
les modèles VAR non-linéaire sont préférables au modèle VAR linéaire. De ce fait, nous supposons
que les estimations des transmissions en moyenne entre les marchés obtenues par les spécifications
non-linéaires sont préférables car elles sont plus proches du modèle réel. Les résultats de ces
estimations sont les suivants :
Premièrement, la présence de retards dans les modèles VAR indique l’existence d’un temps nécessaire
pour le traitement de l’ensemble informationnel des rendements de prix. Une semaine est nécessaire
aux marchés pour décrypter et intégrer l’ensemble des informations disponibles.

Dans le modèle Quadri-varié, le vecteur des rendements est ‫ݎ‬௧ ൌ ሺ‫ݎ‬ௐ்ூǡ௧ ‫ݎ‬஻௥௘௡௧ǡ௧
22 ‫ݎ‬ா௎஺ǡ௧ ‫ݎ‬ா௨௥௢௣௘ǡ௧ ሻʹ . Les ordres du processus GJR-
GARCH et les ordres des regresseurs de transmission en variance sont ‫ ݌‬ൌ ‫ ݍ‬ൌ ͳǤ
23
Les résultats du test de stationnarité ADF montrent que les séries de prix et d’indices sont intégrées d’ordre 1 et sont de type DS. Les
séries de différences premières des logarithmes (rendements logarithmiques) sont stationnaires. Les résultats du test ADF ne sont pas
donnés mais ils sont disponibles auprès des auteurs.
24
L’ordre du processus VAR est déterminé par le test LR séquentiel.

7
Deuxièmement, il existe plusieurs transmissions significatives entre les quatre marchés25. La présence
de causalité entre les prix de pétrole est également vérifiée avec le test de causalité au sens de granger
que nous avons appelé test ACM. Les résultats du test montrent des causalités des marchés américain
et européen vers les prix du pétrole. Il y a également des causalités des prix du pétrole vers les trois
marchés. La plus forte causalité est repérée du marché américain vers le marché européen. Le test
ACM ne détecte aucune causalité du marché de Brent à Londres (tableau 3, panel C). L’effet des prix
du pétrole WTI sur le prix Brent est important et estimé à 34% 26. Il y a également un effet positif des
prix américain sur les prix du pétrole et sur les prix européens. 21% du prix du pétrole WTI, 21% du
prix du pétrole Brent et 50% des prix européens sont liés au prix du marché américain (tableau 2,
panel A). Concernant le marché européen, nous trouvons un impact négatif des prix européens sur le
prix du pétrole : 15 pour cent de la baisse des prix du pétrole WTI et 17 pour cent de la baisse des prix
du pétrole Brent sont liés à la hausse des prix européens. Ce résultat est similaire aux résultats obtenus
précédemment par AROURI (2011) ET AROURI ET NGUYEN (2010). Nos estimations ne montrent pas
des effets feed-back du marché de Brent27. Les transmissions entre les marchés sont également saisies
par les mesures de la transmission en moyenne de long terme TMLT 28. Ces mesures montrent que
plus de 38% du prix du Brent est déterminé par le prix du WTI. L’impact cumulé le plus important
concerne celui du marché américain sur le marché européen. Les prix de ce dernier sont à 51% définis
par les prix américains. Le marché américain détermine également 24% des prix WTI et 28% des prix
du Brent. L’impact cumulé du marché européen sur les prix du pétrole est négatif. A long terme, 10%
de baisse des prix du WTI et 12 de baisse des prix du Brent sont liées à la hausse des prix du marché
européen. Aucun effet des prix du pétrole et des prix européens n’est enregistré sur les prix
américains. Ces transmissions sont illustrées par les fonctions de réponses-impulsions cumulées
(FRIC)29 obtenues par le modèle BEKK-TAV-BSV (figure 1).
Tableau 2 et Tableau 3
Troisièmement, nos estimations montrent que les prix américains sont totalement exogènes par rapport
aux autres prix. Ce résultat est important car il permet ultérieurement d’estimer le modèle du marché
américain séparément des autres marchés.
Enfin, les estimations montrent que le prix du pétrole WTI subit un effet positif lié aux jours fériés et à
l’ouverture du marché le lundi. Ces effets ne sont pas enregistrés sur le marché de pétrole de Londres
et ne sont pas non plus détectés sur les marchés boursiers américains et européens (tableau 2, panel B).

25
Les quatre spécifications VAR fournissent des estimations de coefficients différents mais proches. Le texte donne la lecture des
transmissions issues du modèle BEKK-TAV-BSV. Les estimations complètes sont disponibles auprès de l’auteur.
26
Hamilton (2009) et Kilian (2007), montrent que l’impact des chocs de prix du pétrole sur les prix boursiers est différents selon que
l’origine des chocs soit du type « demand-side » ou du type supply-side ».
27
Ce résultat est également trouvé dans Pyndick (2004).
ିଵ
Transmission en Moyenne de Long-Terme TMLT est mesurée par Φ ൌ ൫ ହ െ σହ୧ୀଵ Φ୧ ൯ (Voir Luthekpol, 2001).
28

29
Les FRIC mesurent les réponses cumulées à 10 jours suite à un choc unitaire.

8
Figure 1. Fonction des Réponses-Impulsion Cumulées.

Réponses WTI Réponses Brent Réponses EUA Réponses EU

.6 .6 .6 .6

Chocs des prix .4 .4 .4 .4

WTI .2 .2 .2 .2

.0 .0 .0 .0

-.2 -.2 -.2 -.2

VAR
BEKK
BEKK-BSV
-.4 -.4 -.4 -.4 BEKK-TAV-BSV

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

.6 .6 .6 .6
Chocs des prix

.4 .4 .4 .4
Brent

.2 .2 .2 .2

.0 .0 .0 .0

-.2 -.2 -.2 -.2

-.4 -.4 -.4 -.4

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

.6 .6 .6 .6
Chocs des prix
américains

.4 .4 .4 .4

.2 .2 .2 .2

.0 .0 .0 .0

-.2 -.2 -.2 -.2

-.4 -.4 -.4 -.4

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

.6 .6 .6 .6
Chocs des prix

.4 .4 .4 .4
européens

.2 .2 .2 .2

.0 .0 .0 .0

-.2 -.2 -.2 -.2

-.4 -.4 -.4 -.4

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Les FRIC sont mesurées sur 10 jours suite à un choc initial unitaire.

9
 Figure 1 : Régimes de Variance

20 20
W TI EUA

10 10

0 0

-10 -10

-20 -20
2007 2008 2009 2010 2011 2012 2007 2008 2009 2010 2011 2012

20 20
EUROPE BRENT

10 10

0 0

-10 -10

-20 -20
2007 2008 2009 2010 2011 2012 2007 2008 2009 2010 2011 2012

Les régimes de variances sont obtenus par l’application de l’algorithme ICSS-H.

3.2. Analyse de la volatilité

L’analyse de la variance conditionnelle par le biais des modèles BEKK standard, le modèle
BEKK-BSV et le modèle BEKK-TAV-BSV permet la lecture de quatre aspects de la dynamique de la
volatilité des prix : les régimes de volatilité, la persistance de la volatilité, la transmission de la
volatilité et la transmission asymétrique de la volatilité.

a. Régimes de volatilité
Nous avons appliqué l’algorithme ICSS-H aux séries de rendement des prix du pétrole, des prix du
gaz, des indices MSCI américains et européens agrégé sur la période de Juin 2002 à Octobre 2013.
L’algorithme détecte les régimes suivants :
• Quatre régimes dans la volatilité des prix WTI et des prix du Brent ;
• Huit régimes dans la volatilité des prix américains (4 régimes) et
• Six régimes de volatilité des prix européens agrégés.
La lecture des résultats montre que la période allant de Septembre 2008 à Juin 2009 enregistre les plus
forts régimes de volatilité sur les quatre marchés. Celle-ci coïncide avec la crise des subprimes dans le
cas des marchés boursiers et la plus forte progression du prix du baril de pétrole dépassant les 140
dollars. Dans le cas du marché de pétrole WTI, la forte turbulence est enregistré jusqu’au début de
l’année 2010. Une deuxième période commune à de forte volatilité sur les deux marchés boursiers est
détectée au dernier trimestre de l’année 2011. Celle-ci coïncide avec la période de la crise de la dette
dans la zone euro. La figure 1 illustre ces périodes de turbulence estimées au moyen du troisième
modèle MGARCH (Tableau 5 et Figure 1).
L’estimation des volatilités montre que les prix du pétrole WTI et Brent sont plus volatiles que
les prix des marchés boursiers. Les périodes de volatilité communes détectées précédemment sont
retrouvées dans les estimations de la volatilité. Les pics d’incertitude sur les prix de pétrole et sur les
marchés boursiers sont estimés durant les dernier mois de l’année 2008. Ce résultat soupçonne d’une

10
part, une co-dépendance entre le prix du pétrole et les marchés américains et européens et d’autre part,
un phénomène de contagion en période de crise30.
Tableau 4
Quel est le meilleur modèle de volatilité non-linéaire?
Au regard du maximum de la fonction de vraisemblance, les deux modélisations de la variance
conditionnelle avec régimes de variance ou ruptures structurelles BEKK-BSV et BEKK-TAV-BSV
sont préférables à la modélisation standard BEKK. Le test de rapport de log-vraisemblance LR
confirme cette préférence (tableau 5).
Tableau 5

Figure 2. Volatilités estimées

50
Volatilité UE
Volatilité WTI
Volatilié Brent
40
Volatilité EUA

30

20

10

0
2007 2008 2009 2010 2011 2012

Les volatilités des prix sont estimées par le modèle BEKK-TAV-BSV.

Les régimes de variance sont retrouvés dans les estimations des coefficients ߱ des variances
conditionnelles. Le tableau 6 donne ces estimations pour les deux spécifications BEKK-BSV et
BEKK-TAV-BSV. Les estimations montrent la part importante de volatilité des premiers régimes qui
coïncident avec la période de la crise financière des subprimes (régime 1 des quatre marchés et régime
1 et 2 du marché américain).
Tableau 6

b. La persistance de la volatilité

Les coefficients de la variance conditionnelle sont significatifs dans les trois spécifications
MGARCH. Nos estimations montrent que l’asymétrie de la volatilité mesurée est plus importante sur
les marchés américains et le NYMEX comparativement aux marchés européens et au marché du
pétrole Brent31.
Concernant la question de la persistance, il est empiriquement admis que les marchés financiers y
compris les marchés de matière première sont caractérisés par une persistance historique des chocs

30
La contagion en période de crise des subprimes est retrouvée entre le marché américain et les marchés européens dans Bensafta et
Semedo (2011).
31
L’Asymétrie dans la volatilité du marché est estimée par le coefficient gama dans l’équation de la variance conditionnelle.

11
(WEI ET AL, 2010). Celle-ci traduit la mémoire de volatilité des marchés32. Les estimations de la
persistance obtenues par les trois modèles sont données dans le tableau 433. Les estimations des demi-
vies du marché de pétrole WTI obtenues par les trois modèles sont de trois semaines ouvrables. Le
modèle BEKK estime la persistance dans le cas du pétrole Brent à 16 jours alors qu’elle est de
seulement 10 jours pour les deux modèles BEKK-BSV et BEKK-TAV-BSV. Le modèle BEKK
standard surestime également la persistance des chocs sur le marché américain. Le modèle BEKK-
TAV-BSV estime cette persistance à deux semaines. Un résultat similaire est obtenu pour le marché
européen. La persistance est surestimée par le modèle standard (tableau 6, panel B).
Deux résultats sont à retenir de ces estimations :
Premièrement, le modèle sans ruptures structurelles a tendance à surestimer la persistance des chocs
de volatilité. Les résultats obtenus ici pour le cas des marchés du pétrole sont conformes à ceux
obtenus précédemment pour les marchés boursiers (LAMOUREUX ET LASTRAPE, 1990).
Deuxièmement, les chocs de volatilité sont plus persistants sur le marché de pétrole WTI34 et sur le
marché américain comparativement au marché de pétrole Brent (ICE) et le marché européens agrégé.
Il faut rappeler que la mesure de persistance est importante dans la prévision des volatilités, dans la
gestion des risques de produits pétroliers et dans la gestion de portefeuille (ELDER ET SERLETIS, 2008).
Ce résultat est important car il conduit à la sous-évaluation de la volatilité des produits énergétiques
dérivés. .

c. Causalité en variance
Concernant les causalités en variance, le tableau 7 donne les statistiques des tests ACV et les
estimations des transmissions des chocs de volatilité entre les quatre marchés. Ces résultats sont les
suivants :
Premièrement, les statistiques du test ACV montrent la présence de causalité en variance entre les prix
WTI et le marché américain. Il y a également des causalités des prix WTI et des prix américains vers
les prix Brent et vers le marché européen. Les statistiques ACV montrent aussi que e modèle BEKK
standard ne détecte pas certaines causalités en variance, comme par exemple les causalités des prix
WTI et du marché américain vers les prix du Brent (tableau 7, panel A).
Tableau 7
Deuxièmement, la causalité en variance la plus importante est mesurée du marché américain vers le
marché européen. Pour les marchés de l’énergie, le modèle standard estime que moins de 1% de la
volatilité du marché de pétrole WTI est transmise aux deux marchés boursiers et aucune volatilité
n’est transmise par le marché du Brent. Les modèles avec ruptures structurelles estiment le double la
transmission du marché du pétrole WTI vers les marchés boursiers. Les modèles BEKK-BSV et
BEKK-TAV-BSV estiment la transmission du marché américain vers le marché du pétrole à plus de
5% (modèle BEKK-BSV) et à 6% (modèle BEKK-TAV-BSV). Aucun modèle ne trouve de causalité
du marché Brent vers les autres marchés y compris le marché WTI. L’incertitude sur le marché du
Brent ne semble pas affectée les autres marchés (tableau 7, panel B).
Enfin, la mesure de la transmission asymétrique de la volatilité (modèle BEKK-TAV-BSV) indique
que la part de la transmission asymétrique est plus importante que la part de la transmission globale.
En effet, en présence de chocs négatifs, près de 10% de la volatilité du marché américain est transmise

32
La littérature empirique sur la persistance des chocs sur les marchés de produits énergétique n’est pas abondante. Voir par exemple les
travaux de Brunetti et Gilbert (2000); Tabak et Cajueiro (2007) et Kang et al (2009).
33
Les estimations complètes sont disponibles auprès des auteurs.
34
La persistance des chocs de prix du pétrole témoigne de la présence d’une tendance à la hausse de la volatilité. Ce résultat est conforme
à celui trouvé par Pindyck (2004).

12
au marché de pétrole WTI et 6% vers le marché Brent. Il y également de la transmission asymétrique
du marché américain vers le marché européen. Plus de 6% des perturbations du marché américain sont
transmises au marché européen en présence de mauvaise nouvelles La transmission est deux fois plus
importante que la transmission globale. Les chocs de volatilité liés aux mauvaises informations se
transmettent plus que les chocs liés aux bonnes informations.

4. Conclusion

Les modèles VAR linéaire sont fréquemment utilisés pour estimer les transmissions en
moyenne entre les variables macroéconomique et financière. Il s’agit souvent de l’application
systématique du modèle VAR linéaire alors que celle-ci présente des hypothèses trop restrictives
d’homogénéité de la variance ; de telles hypothèses sont difficilement satisfaites sur les longues
périodes et/ou lorsque la fréquence des données est importantes. Par ailleurs, dans la classe des
modèles VAR non linéaires, la présence de multiples régimes de variance n’est pas prise en compte.
Cette omission conduit aux biais de sous-estimation des transmissions du second ordre et d’une
surestimation de la persistance.
Dans ce papier, nous avons comparé les estimations des transmissions en moyenne et en
variance obtenues entre les marchés de produits énergétiques et les marchés boursiers en considérant
trois spécifications VAR non-linéaires : le modèle BEKK, le modèle BEKK avec rupture en variance
et le modèle BEKK avec rupture en variance et transmission asymétrique de la volatilité.
Le modèle VAR non linéaire utilisé ici permet la détection de l’impact global des prix du
marché américain sur les prix du pétrole, les prix du gaz et les prix européens. Il y a une causalité
significative des prix et de la variance du marché américain sur les prix et les variances des prix du
pétrole, des prix du gaz et du marché européen agrégé. De plus, l’analyse de l’asymétrie dans la
transmission montre que la part de la volatilité transmise dans le cas des chocs négatifs est deux fois
plus importante que celle des chocs positifs. Ce résultat est retrouvé dans le cas de la transmission du
marché américain vers le marché du pétrole et également dans sa transmission vers le marché
européen agrégé. Nos estimations montrent que 12% de l’incertitude du prix du pétrole et 9% de celle
du marché européen sont liées à la turbulence du marché américain.
Nos résultats renforcent l’hypothèse de globalité de la place boursière de New York et celle de
son impact sur les marchés européen et sur le marché de pétrole WTI. Le caractère exogène du marché
américain est de nouveau confirmé. Cette relation entre le marché de pétrole et le marché boursier
américain montre la nature complexe des prix du pétrole et des origines de son instabilité. Les
incertitudes sur les prix des produits énergétiques constituent un véritable enjeu pour les pays
exportateurs et les pays importateurs de ces matières premières. Une estimation adéquate des
turbulences sur les marchés de produit énergétique comme le pétrole peuvent être de grande
importance dans la construction des politiques macroéconomique de ces pays et notamment des pays
mono exportateurs de pétrole. Pour ces derniers, la dépendance vis-à-vis des recettes des produits
pétroliers est totale. Les variations non-anticipées dans les prix internationaux de ces produits peuvent
avoir des conséquences désastreuses en termes de politique publique, de stabilité économique et
sociale. Par ailleurs, l’absence de transmission entre les marchés boursiers et le marché de gaz naturel
rend possible les stratégies de diversification de portefeuilles d’investissement.
Enfin, l’analyse VAR non linéaire appliquée au marché de pétrole peut être reconduite dans le
cas de la relation du marché américain avec d’autres marchés énergétiques comme celui du charbon et
de l’électricité. Elle peut également aborder de nouveaux marchés de matière première comme les
métaux, les métaux précieux et les produits agricoles. L’interdépendance des marchés peut également
faire l’objet d’analyses ultérieures par le biais de l’étude de la dynamique des corrélations entre les
marchés.

13
Bibliographie

Adrangi, B., Chatrath, A., Dhanda, K.K., Raffiee, K., 2001. Chaos in oil prices? Evidence from futures
markets. Energy Economics 23, 405–425.
Aloui, C., Jammazy, R., Dhakhlaoui, I., 2008. Crude oil market shocks and stock market returns.
Journal of Energy Markets 3, 69–96.
Aloui, C., Mabrouk, S., 2010. Value-at-risk estimations of energy commodities via long memory,
asymmetry and fat-tailed GARCH models. Energy Policy 38, 2326–2339.
Arouri, M.E.H. (2011). Does crude oil move stock markets in Europe? A sectoral investigation.
Economic Modelling, 28, 1716-1725.
Arouri, M.E.H., Nguyen, D.K. (2010). Oil prices, stock markets and portfolio investment: Evidence
from sector analysis in Europe over the last decade. Energy Policy, 38(8), 4528-4539.
Baba, Y., Engle, R. F., Kraft, D, and K. Kroner, 1990, Multivariate simultaneous generalized ARCH,
Working paper, University of California San Diego.
Baillie, R.T., Myers, R., 1991. Bivariate GARCH estimation of the optimal commodity futures hedge. J.
Appl. Econ. 6, 109–124.
Bauwens, L., Laurent, S., Rombouts, J., 2003, Multivariate GARCH Models: A Survey. Journal of
Applied Econometrics21 (1), 79–109
Bensafta, M. K., 2010, Non-Stationary Variance and Volatility Causality. EconomicsBulletin30 (4),
2920-2935
Bensafta, M., K., G. Semedo, 2009. De la Transmission de la Volatilité à la Contagion entre Marchés
Boursiers : L'éclairage d'un modèle Var non linéaire avec Bris Structurels en Variance. Actualité
Economique, vol 85 (1), 12-76.
Bensafta, M. K., Semedo, G., 2011, Chocs, Chocs de Volatilité et Contagion entre les Marchés
Boursiers : Application d’un modèle ICSS-MGARCH. Revue Economique, Vol 62 n°2, 256-277.
Berndt, E. K., Hall, B. H., Hal, R. E., Hausman, J. A., 1974. Estimation and Inference in Nonlinear
Structural Models, Annals of Economic and Social Measurement 3-4, 653-665
Bollerslev, T., 1986. Generalized autoregressive conditional heteroskedasticity. J. Econ. 31, 307–327.
Bollerslev, T., Wooldridge, J., 1992, Quasi Maximum Likelihood Estimation and Inference in Dynamic
Models with Time-varying Covariances, Economic Reviews 11, 143-17
Borenstein, S., Cameron, C.A., Gilbert, R., 1997. Do gasoline prices respond asymmetrically to crude
oil price changes? Q. J. Econ. 112, 305–339.
Brunetti, C., Gilbert, C, L., 2000. Bivariate FIGARCH and fractional cointegration, Journal of Empirical
Finance, Elsevier, vol. 7(5), 509-530.
Chang, E, C., Pinegar, J, M., Ravichandran, R., 1993, International Evidence on the Robustness of the
Day-of-the-Week Effect, The Journal of Financial and Quantitative Analysis Vol. 28, No. 4 , pp.
497-513.
Chang, C.-L., McAleer, M., Tansuchat, R., 2009. Modeling Conditional Correlations for Risk
Diversification in Crude Oil Markets. Journal of Energy Markets Volume 4 (2), 29-51.
Chang, C.-L., McAleer, M., Tansuchat, R., 2010. Analyzing and forecasting volatility spillovers,
asymmetries and hedging in major oil markets. Energy Economics. 32, 1445–1455.
Chang, C.-L., McAleer, M., Tansuchat, R., 2011. Crude oil hedging strategies using dynamic
multivariate GARCH. Energy Economics. 33, 912–923.

14
Chen, S.S. (2009). Do higher oil prices push the stock market into bear territory? Energy Economics,
32(2), 490-495.
Cong, R. G., Wei, Y. M., Jiao, J. L., and Y. Fan (2008), “Relationships between oil price shocks and sock
market: an empirical analysis from China,” Energy Policy , 36, 3544-3553.
Dornbusch, R., Park, Y.C. and Claessens, S. (2000), “Contagion: Understanding How It Spreads”, The
World Bank Research Observer , 15(2), 177 -197.
Elder, J., Serletis, A., 2009. Oil price uncertainty in Canada. Energy Economics 31, 852–856.
Engle, R.F., 1982. Autoregressive conditional heteroskedasticity with estimates of the variance of
United Kingdom inflation. Econometrica. 50, 987–1007.
Engle, R.F., 2002. Dynamic conditional correlation: a simple class of multivariate generalized
autoregressive conditional heteroskedasticity models. Journal of Business Economics and
Statistics. 20, 339–350.
Engle, R.F., Kroner, K.F., 1995. Multivariate simultaneous generalized ARCH. Econometric Theory 11,
122–150.
Ewing, B.T., Malik, F., Ozfidan, O., 2002. Volatility transmission in the oil and natural gas markets.
Energy Economics 24, 525–538.
Fan, Y., Zhang, Y.J., Tsaic, H.T., Wei, Y.M., 2008. Estimating ‘value at risk’ of crude oil price and its
spillover effect using the GED-GARCH approach. Energy Economics. 30, 3156–3171.
Ferson, W., C. Harvey (1995). Predictability and time-varying risk in world stock markets. Research in
Finance, 13: 25-88.
Filis, G. (2010). Macro economy, stock market and oil prices: Do meaningful relationships exist
among their cyclical fluctuations? Energy Economics, 32(4), 877-886.
Forbes, K., Rigobon, R., 2002, No contagion, only interdependence: measuring stock market co-
movements. Journal of Finance, 57 (5), 2223-2261
Giot, P., Laurent, S., 2003. Market risk in commodity markets: a VaR approach. Energy Economics. 25,
435–457.
Goodhart, C., 1988. The international transmission o asset price volatility. In: Eisner, R., Gramely, L.
(Eds.), Financial Market Volatility. Federal Reserve Bank of Kansas City.
Huang, R.D., Masulis, R.W., Stoll, H.R., 1996. Energy shocks and financial markets. Journal of Futures
Markets 16, 39–56.
Inclan, C., Tiao, G. C., 1994, Use of cumulative sums of squares for retrospective detectionof changes
of variance. Journal of the American Statistical Association, 89, 913-923.
Jones, C.M., Kaul, G., 1996. Oil and the Stock Markets. Journal of Finance, vol. 51. American Finance
Association, pp. 463–491.
Kang, S.H., Kang, S.M., Yoon, S.M., 2009. Forecasting volatility of crude oil markets. Energy
Economics. 31, 119–125.
Kilian, Lutz, 2007. The Economic Effects of Energy Price Shocks, CEPR Discussion Papers 6559.
King, M.A., Wadhwani, S., 1990. Transmission of volatility between stock markets. Rev. Financ. Stud.
3, 5–33.
King, M.A., Sentana, E., Wadhwani, S., 1994. Volatility and links between national stock markets.
Econometrica 62, 901–933.
Kodres L., Pritsker M., 2002, A Rational Expectations Model of Financial Contagion , Journal of
Finance vol. 57 N2, 768-99.

15
Lamoureux, C . G . Lastrapes, W, D., 1990, Persistence in Variance, Structural Change, and the GARCH
Model , Journal of Business & Economic Statistics,8 (2) : 225-234.
Lanza, A., Manera, M., McAleer, M., 2006. Modeling dynamic conditional correlations in WTI oil
forward and futures returns. Finance Research. Letters. 3, 114–132.
Lütkepohl, H., 2005, New Introduction to Multiple Time Series Analysis. Berlin, Springer.
Malik, F., 2003, Sudden changes in variance and volatility persistence in foreign exchangemarkets.
Journal of Multinational Financial Management 13, 217–230.
Miller, J.I. Ratti, R.A. (2009). Crude oil and stock markets: Stability, instability, and bubbles. Energy
Economics, 31(4), 559-568.
Mohammadi, H., Su, L., 2010. International evidence on crude oil price dynamics: applications of
ARIMA-GARCH models. Energy Economics. 32, 1001–1008.
Morana, C., 2001. A semiparametric approach to short-term oil price forecasting. Energy Economics
23, 325–338.
Narayan, P.K., Narayan, S., 2007. Modelling oil price volatility. Energy Policy 35, 6549–6553.
Park, J. Ratti, R.A. (2008). Oil prices and stock markets in the U.S. and 13 European countries. Energy
Economics, 30, 2587-2608.
Pindyck, R.S., 2004. Volatility and commodity price dynamics. Journal of Futures Market 24, 1029–
1047.
Sadorsky, P., 1999. Oil Price Shocks and Stock Market Activity, Energy Economics, vol. 2, 449-469.
Sadorsky, P., 2006. Modeling and forecasting petroleum futures volatility. Energy Economics 28 (4),
467–488.
Sadorsky, P., 2012. Correlations and volatility spillovers between oil prices and the stock prices of
clean energy and technology companies. Energy Economics 34, 248–255.
Sanso, A., Arago, V., Carrion-i-Silvestre, J. L., 2004, Testing for changes in theunconditional variance
of financial time series. Revista de Economia Financiera 4, 32–53
Tabak, B.M., Cajueiro, D.O., 2007. Are the crude oil markets becoming weakly efficient over time? A
test for time-varying long-range dependence in prices and volatility. Energy Economics 29, 28–
36.
Wang Y., Wu, C., 2012. Forecasting energy market volatility using GARCH models: Can multivariate
models beat univariate models? Energy Economics, Volume 34, Issue 6, 2167–2181.
Wei, Y., Wang, Y., Huang, D., 2010. Forecasting crude oil market volatility: further evidence using
GARCH-class models. Energy Economics. 32, 1447–1484.

16
Annexes I : tableaux

Tableau 1 : analyse descriptive des données

Rendement Moy Max Min Std. Dev. Asy Kurtosis Jarque-Bera ADF
MSCI-USA -0.013 11.042 -9.514 1.652 -0.250 9.817 2540.147*** -60.183***
MSCI-EU -0.047 10.699 -10.178 1.908 -0.008 7.459 1081.270*** -26.574***
WTI 0.018 16.414 -12.827 2.699 0.081 7.906 1310.198*** -36.686***
Brent 0.025 18.130 -16.832 2.377 0.019 9.769 2491.792*** -36.501***
*** Significatif à 1%.

Tableau 2. Transmission en moyenne (modèle BEKK-TAV-BSV)

Panel A : estimation des effets de transmission en moyenne
WTI Brent EUA Europe
WTI (-1) 0.08% 34.40% *** -3.26% 1.87%
(-2) -5.62% 14.00% -1.85% 3.86%
(-3) 2.66% 1.26% -4.31% -0.45%
(-4) 7.72% * 5.67% *** 2.55% 5.65% **
(-5) -3.13% -2.31% -0.11% 2.49%
Brent (-1) 3.21% -23.73% 2.51% -2.27%
(-2) 4.88% -11.36% 3.41% -1.00%
(-3) -6.36% -1.76% -0.57% -2.10%
(-4) -4.94% -2.68% 0.49% -0.35%
(-5) 6.89% 4.89% 2.27% 1.31%
EUA (-1) 21.55% *** 21.00% *** -10.84% 50.07% ***
(-2) 5.81% 6.91% -4.00% 19.90%
(-3) -3.28% -3.19% -4.29% 6.21%
(-4) 7.54% 6.80% 3.06% 7.58%
(-5) 3.85% 8.53% 0.17% 8.08%
Europe (-1) -12.45% ** -17.70% *** 5.14% -31.02%
(-2) 2.02% 0.43% 1.35% -14.26%
(-3) -2.20% 1.78% 3.55% -7.97%
(-4) -1.50% -2.01% -1.49% -5.46%
(-5) -2.79% -2.58% -2.04% -5.49% ***
Constante 0.10% 5.37% 6.21% -0.59%
Panel D : Effet fermeture et effet jours de la semaine
Marché fermé 1.192 **** 0.368 -0.104 0.076
Effet Lundi 0.035 0.006 -0.044 -0.046
(..) Retard. ***, **, * Significatif à 1, 5 et 10%.
A Causalité du prix en ligne vers le pris en colonne.

17
Tableau 3 : Test de d’Absence de transmission en moyenne ATM et TMLT
ATM TMLT
VAR BEKK BEKK-BSV BEKK-TAV-BSV VAR BEKK BEKK-BSV BEKK-TAV-BSV
ܹܶ‫ ܫ‬՜ ‫ݐ݊݁ݎܤ‬ 149.49 *** 118.71 *** 140.53 *** 38.77 *** ܹܶ‫ ܫ‬՜ ‫ݐ݊݁ݎܤ‬ 57.51% 44.23% 42.62% 38.06%
ܹܶ‫ ܫ‬՜ ܷܵ 13.23 ** 7.74 5.66 6.64 ܹܶ‫ ܫ‬՜ ܷܵ 2.78% -2.21% -2.08% -3.13%
ܹܶ‫ ܫ‬՜ ܷ‫ܧ‬ 16.24 *** 8.17 7.85 6.34 ܹܶ‫ ܫ‬՜ ܷ‫ܧ‬ 10.29% 6.50% 6.08% 5.49%
‫ ݐ݊݁ݎܤ‬՜ ܹܶ‫ܫ‬ 48.40 *** 9.26 * 10.14 * 5.10 ‫ ݐ݊݁ݎܤ‬՜ ܹܶ‫ܫ‬ -23.38% 3.28% 1.95% 4.57%
‫ ݐ݊݁ݎܤ‬՜ ܷܵ 15.66 *** 3.25 3.93 1.88 ‫ ݐ݊݁ݎܤ‬՜ ܷܵ -1.60% 5.02% 5.13% 5.21%
‫ ݐ݊݁ݎܤ‬՜ ܷ‫ܧ‬ 5.70 1.34 1.73 2.22 ‫ ݐ݊݁ݎܤ‬՜ ܷ‫ܧ‬ -7.63% 0.10% 0.03% 1.20%
ܷܵ ՜ ܹܶ‫ܫ‬ 32.29 *** 12.27 ** 10.82 * 9.21 * ܷܵ ՜ ܹܶ‫ܫ‬ 19.16% 17.35% 16.91% 24.60%
ܷܵ ՜ ‫ݐ݊݁ݎܤ‬ 54.12 *** 15.14 *** 15.02 ** 6.51 ܷܵ ՜ ‫ݐ݊݁ݎܤ‬ 30.73% 20.60% 20.78% 28.69%
ܷܵ ՜ ܷ‫ܧ‬ 209.93 *** 97.61 *** 105.33 *** 73.71 *** ܷܵ ՜ ܷ‫ܧ‬ 45.87% 46.07% 46.78% 51.41%
ܷ‫ ܧ‬՜ ܹܶ‫ܫ‬ 20.56 *** 6.83 7.20 7.53 * ܷ‫ ܧ‬՜ ܹܶ‫ܫ‬ -31.17% -11.29% -9.83% -10.00%
ܷ‫ ܧ‬՜ ‫ݐ݊݁ݎܤ‬ 26.05 *** 14.59 ** 16.42 *** 3.45 ܷ‫ ܧ‬՜ ‫ݐ݊݁ݎܤ‬ -28.91% -13.68% -12.29% -12.25%
ܷ‫ ܧ‬՜ ܷܵ 10.44 * 4.19 4.38 5.39 ܷ‫ ܧ‬՜ ܷܵ -0.73% 3.72% 3.11% 3.24%
***, **, * Significatif à 1, 5 et 10%.

18
 Tableau 4. Régimes de variance
EUA Europe
Régime Début Fin Variance Régime Début Fin Variance
1 04/06/2007 12/09/2008 1.253 1 04/06/2007 03/09/2008 1.394
2 15/09/2008 02/12/2008 4.656 A 2 04/09/2008 08/12/2008 4.488 A
A
3 03/12/2008 01/06/2009 2.262 3 09/12/2008 15/07/2009 2.237 A
4 02/06/2009 26/04/2010 0.993 4 16/07/2009 29/07/2011 1.433
5 27/04/2010 03/09/2010 1.509 5 01/08/2011 30/11/2011 2.621 B
6 06/09/2010 01/08/2011 0.793 6 01/12/2011 01/06/2012 1.379
7 02/08/2011 30/11/2011 2.173 B
8 01/12/2011 01/06/2012 0.829
04/06/2007 01/06/2012 1.652 C 04/06/2007 01/06/2012 1.908 C
WTI BRENT
Régime Début Fin Variance Régime Début Fin Variance
1 04/06/2007 20/08/2009 3.249 1 04/06/2007 20/08/2008 1.853663
2 21/08/2009 11/01/2010 7.851 A 2 21/08/2008 02/04/2009 4.636211
3 12/01/2010 10/11/2011 2.259 3 03/04/2009 26/08/2010 2.13546 A
4 11/11/2011 01/06/2012 3.704 4 27/08/2010 01/06/2012 1.548966
C C
04/06/2007 01/06/2012 2.699 04/06/2007 01/06/2012
Régimes de variance obtenue par l’algorithme ICSS-H.
Légendes. Variance : est la mesure de la variance non-conditionnelle enregistrée durant le régime. A Crise des Subprimes. B
Crise de la dette de la zone euro. C La variance sur l’ensemble de la période.

Tableau 5 : Maximum de Vraisemblance, Tests LR et tests de diagnostiques.

BEKK BEKK-BSV BEKK-TAV-BSV
MV -6655.74 -6641.87 -6614.23
LR1 27.74 ***
LR2 83.02 ***
LR3 55.28 ***
Tests de diagnostiques des résidus
Test 1
Test 2
LR1 : teste LR du modèle BEKK-BSV vs BEKK. Sous l’hypothèse nulle, la statistique du test suit un
ଶ
߯ሺଵ଼ሻ . LR2 : teste LR du modèle BEKK-TAV-BSV vs BEKK. Sous l’hypothèse nulle, la statistique du test
ଶ
suit un ߯ሺଷ଴ሻ . LR3 : test LR du modèle BEKK-TAV-BSV vs BEKK-BSV. Sous l’hypothèse nulle, la
ଶ
statistique du test suit un ߯ሺଵଶሻ .

19
Tableau 6. Estimations de la variance conditionnelle
BEKK standard BEKK-BSV BEKK-TAV-BSV
Panel A: Régimes de volatilité
WTI Brent EUA UE WTI Brent EUA UE WTI Brent EUA UE
Régime 1 - - - - 2.076 *** 2.191 *** 0.275 *** 1.070 *** 3.634 *** 2.652 *** 0.100 0.572
Régime 2 - - - - 1.521 10.517 *** 10.112 * 2.290 1.619 10.463 *** 8.657 *** 0.566
Régime 3 - - - - 1.823 * 1.995 0.132 0.863 1.905 * 1.777 * 0.063 0.562
Régime 4 - - - - 0.723 1.822 0.162 0.864 0.821 *** 1.628 ** 0.045 0.658
Régime 5 - - - - 0.445 2.129 0.447 1.472
Régime 6 - - - - 0.174 1.144 0.056 0.897
Régime 7 - - - - 1.277 0.757
Panel B: Persistance et Demi-vie
Alpha ሺߙ௜ ሻ 0.048 *** 0.016 *** 0.003 *** 0.001 *** 0.022 *** 0.024 *** 0.000 * 0.001 * 0.020 ** 0.000 * 0.005 ** 0.001 *
Gama ሺߛ௜ ሻ 0.062 *** 0.018 *** 0.128 *** 0.090 *** 0.085 *** 0.028 *** 0.126 *** 0.080 *** 0.082 *** 0.054 *** 0.103 *** 0.061 ***
Beta ሺߚ௜ ሻ 0.877 *** 0.933 *** 0.893 *** 0.872 *** 0.895 *** 0.897 *** 0.873 *** 0.834 *** 0.896 *** 0.908 *** 0.886 *** 0.852 ***
Persistence ሺ߮௜ ሻ 0.955 0.958 0.961 0.918 0.960 0.935 0.937 0.874 0.957 0.935 0.942 0.883
Half-life ሺ‫ܮܪ‬௜ ሻ 15.199 16.333 17.221 8.087 16.941 10.362 10.610 5.168 15.866 10.376 11.615 5.589
MRV
***, **, * Significatif à 1, 5 et 10%. MRV Mean Reverting Variance est ‫ܧ‬ሺ݄௧ ሻ ൌ ‫ݓ‬ൗͳ െ ߮

Tableau 7 : test de causalité en variance, causalité en variance et causalité asymétrique en variance.

Panel A : test d’Absence de Causalité en variance ACV a Panel B : Transmission en variance TV
BEKK BEKK-BSV BEKK-TAV-BSV BEKK BEKK-BSV BEKK-TAV-BSV ACV TAV b
ࢃࢀࡵ ՜ ࡮࢘ࢋ࢔࢚ 0.427 1.176 0.452 NS NS NS ࢃࢀࡵ ՜ ࡮࢘ࢋ࢔࢚ 3.539 * 1.46%
ࢃࢀࡵ ՜ ࢁࡿ 10.705 *** 10.838 *** 7.889 *** 0,83% 1,71% 1.78% ࢃࢀࡵ ՜ ࢁࡿ 3.501 * 2.47%
ࢃࢀࡵ ՜ ࢁࡱ 4.116 * 4.803 * 3.209 * 1,21% 1,49% 1.41% ࢃࢀࡵ ՜ ࢁࡱ 3.576 * 1.46%
࡮࢘ࢋ࢔࢚ ՜ ࢃࢀࡵ 0.303 1.226 1.558 NS NS NS ࡮࢘ࢋ࢔࢚ ՜ ࢃࢀࡵ 0.071 NS
࡮࢘ࢋ࢔࢚ ՜ ࢁࡿ 0.179 0.395 0.177 NS NS NS ࡮࢘ࢋ࢔࢚ ՜ ࢁࡿ 0.118 NS
࡮࢘ࢋ࢔࢚ ՜ ࢁࡱ 0.028 0.049 0.030 NS NS NS ࡮࢘ࢋ࢔࢚ ՜ ࢁࡱ 0.186 NS
ࢁࡿ ՜ ࢃࢀࡵ 3.238 * 9.783 *** 6.233 ** 2,78% 5,24% 6.18% ࢁࡿ ՜ ࢃࢀࡵ 4.736 * 9.31%
ࢁࡿ ՜ ࡮࢘ࢋ࢔࢚ 1.738 5.368 * 5.576 * NS 4,32% 4.15% ࢁࡿ ՜ ࡮࢘ࢋ࢔࢚ 3.866 * 6.07%
ࢁࡿ ՜ ࢁࡱ 5.658 * 6.579 ** 11.221 *** 2,22% 2,21% 2.78% ࢁࡿ ՜ ࢁࡱ 3.123 * 6.50%
ࢁࡱ ՜ ࢃࢀࡵ 0.094 0.201 0.069 NS NS NS ࢁࡱ ՜ ࢃࢀࡵ 0.482 NS
ࢁࡱ ՜ ࡮࢘ࢋ࢔࢚ 0.193 0.044 0.868 NS NS NS ࢁࡱ ՜ ࡮࢘ࢋ࢔࢚ 3.111 * 2.82%
ࢁࡱ ՜ ࢁࡿ 0.237 0.386 0.755 NS NS NS ࢁࡱ ՜ ࢁࡿ 1.732 NS
a ଶ
Sous l’hypothèse nulle d’absence de causalité en variance, la statistique du test suit un ߯ሺଶሻ . b Causalité asymétrique en variance. Sous l’hypothèse nulle, la statistique du test suit un ߯ሺଵሻ
ଶ

20
Annexes II : modèle économétrique
Dans un cadre multivarié, la transmission en moyenne est mesurée par les coefficients VAR des
équations de la moyenne conditionnelle. Le modèle VAR est :
‫ݎ‬ଵ௧ ߤଵ ௡భ Φଵଵ
௞ ௞
‫ܮ‬ ǥ Φଵெ
௞ ௞
‫ܮ‬ ‫ݎ‬ଵ௧ ‫ݑ‬ଵ௧
൭ ‫ ڭ‬൱ ൌ ൭ ‫ ڭ‬൱൅෍൮ ‫ڭ‬ Φ௜௝ ‫ܮ‬
௞ ௞
‫ ڭ‬൲൭ ‫ ڭ‬൱ ൅ ൭ ‫ ڭ‬൱ A1
‫ݎ‬ெ௧ ߤெ ‫ݎ‬ ‫ݑ‬
௞ୀଵ
Φெଵ ‫ܮ‬
௞ ௞
‫ڮ‬ Φெெ ‫ܮ‬௞
௞ ெ௧ ெ௧

Où ‫ݎ‬௧ ൌ ሺ ଵ௧‫ݎ‬ ǥ ‫ݎ‬ெ௧ ሻ est un vecteur de rendements logarithmiques des indices MSCI, ߤ un vecteur de
௧௥

constante et ‫ݑ‬௧ ൌ ሺ‫ݑ‬ଵ௧ ǥ ‫ݑ‬ெ௧ ሻ௧௥ un vecteur de résidus canoniques. Les equations de la moyenne sont
augmentées avec un regresseur exogène comme des variables macroéconomiques et/ou des variables
monétaires. Cette écriture générale est :
Φሺ‫ܮ‬ሻሺ‫ݎ‬௧ െ ߤሻ ൌ ‫ܥ‬ሺ‫ܮ‬ሻ࣡ሺܺ௧ ሻ ൅ ‫ݑ‬௧ A2
Où Ф (L) est une function retard dans un processus VAR (n1) et ࣡ሺܺ௧ ሻ un vecteur de variables exogènes.
‫ܥ‬ሺ‫ܮ‬ሻ est une matrice de coefficient des variables exogènes. La transmission en moyenne est décrite par
les coefficients Φ୩୧୨ du processus VAR. dans notre cas, ܺ௧ est un vecteur de variables des effets de jour de
la semaine :
ܺ௧ ൌ ሼ‫ܦ‬௜௧ ሽ A3
Soit ‫ݑ‬௧ un vecteur d’innovation VAR non autocorrélé et :
ିଵȀଶ
‫ݑ‬௧ ൌ ‫ܪ‬௧ ߝ௧
Où ε୲ un vecteur de N-dimension d’éléments bruits blancs, tel que ε୲ է ‹Ǥ ‹Ǥ †ሺͲǡ ୲ ሻ et Ht une matrice des
variances-covariances conditionnelles définie par :
݄ଵଵ௧ ‫݄ ڮ‬ଵெ௧
‫ܪ‬௧ ൌ ቎ ‫ڭ‬ ݄௜௝௧ ‫ ڭ‬቏ A4
݄ଵெ௧ ‫݄ ڰ‬ெெ௧
Où ݄௜௜௧ les variances conditionnelles des M marchés (݅ ൌ ͳǡ ‫ܯ‬ሻ et ݄௜௝௧ les covariances conditionnelles
തതതതത
ሺ݅ ൌ ͳǡ ‫ܯ‬ǡ ݆ ൌ ͳǡ ‫݆ ് ݅݀݊ܽܯ‬ሻ. La matrice Ht du modèle BEKK-A-BSV est :
തതതതത തതതതത
௣ ௤ ௣
′
‫ܥ‬஻ ‫ܥ‬஻ ൅ ෍ ‫ܣ‬′௜ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜
′
‫ܣ‬௜ ൅ ෍ ‫ܤ‬௜′ ‫ܪ‬௧ି௜ ‫ܤ‬௜ ൅ ෍ ‫ܩ‬௜′ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜
′ ′
‫ܦ כ‬ெ௧ି௜ ‫ܦ‬ெ௧ି௜ ‫ܩ‬௜
‫ܪ‬௧ ൌ ᇣᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇤᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇥ
௜ୀଵ ௜ୀଵ ௜ୀଵ
ܵ‫ ܭܭܧܤ݀ݎܽ݀݊ܽݐ‬െ ݀݅ܽ݃‫ܿ݅ݎݐ݁݉݉ݕݏ݈ܽܽ݊݋‬
௣ ௤ ହ

෍ ॻ′௜ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜

′
ॻ௜ ൅ ෍ Ժ′௜ ‫ܪ‬௧ି௜ Ժ௜ ෍ሺߜ௜ ሻ௧௥ ‫ܦ‬௜ ߜ௜
൅ ൅ ᇣᇧ A5
ᇣᇧᇧᇧᇧᇧᇧᇧᇧᇧᇤᇧᇧᇧᇧᇧᇧᇧᇧᇧᇥ
௜ୀଵ ௜ୀଵ ௜ୀଵᇧᇧᇤᇧᇧᇧᇥ

‫ݐ݈݅݅ݐ݈ܽ݋ݒ݁݀݊݋݅ݏݏ݅݉ݏ݊ܽݎݐ‬é ‫݁݊݅ܽ݉݁ݏ݈ܽ݁݀ݏݎݑ݋݆ݏݐ݂݂݁ܧ‬
௣

෍ ॻ८′௜ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜

′ ′
‫ܦ כ‬ெ௧ି௜ ‫ܦ‬ெ௧ି௜ ॻ८௜
൅ ᇣᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇤᇧᇧᇧᇧᇧᇧᇧᇧᇧᇧᇥ
௜ୀଵ
‫݉ݕݏܽ݊݋݅ݏݏ݅݉ݏ݊ܽݎݐ‬é‫ݐ݈݅݅ݐ݈ܽ݋ݒ݁݀݁ݑݍ݅ݎݐ‬é
Où p et q sont les ordres du processus GARCH. La matrice ሺ‫ܥ‬஻ ሻ௧௥ ሺ‫ܥ‬஻ ሻrend compte des ruptures
structurelles en variance. Chaque élément de la diagonal de ‫ܥ‬஻ est :
ேோೕ
௜
൛‫ܥ‬஻௝௝ ൟ ൌ ߱଴௝ ൅ ෍ ߱௝௜ ܵ௝௧ A6
௜ୀଵ

ܵ௝௧௜ est une variable indicatrice du régime de variance “i” et ܴܰ௝ le nombre de régime du marché “j”. Les
régimes sont obtenus par l’algorithme ICSS-heteroscedastique. Pour les détails, voir INCLAN ET TIAO
(1993), SANSO ET AL, (2004), MALIK (2003), BENSAFTA (2010) ET BENSAFTA ET SEMEDO (2011).
La matrice ‫ܥ‬஻ est écrite comme suit :

21
 ேோభ
‫ۍ‬ ௝ ‫ې‬
‫߱ێ‬଴ଵ ൅ ෍ ߱ଵǡ௝ ܵଵǡ௧ ‫ڮ‬ Ͳ ‫ۑ‬
‫ێ‬ ௝ୀଵ ‫ۑ‬
‫ܥ‬஻ ൌ ‫ێ‬ ‫ڭ‬ ‫ڰ‬ ‫ڭ‬ ‫ۑ‬ A7
ேோಾ
‫ێ‬ ‫ۑ‬
௝
‫ێ‬ ߱ெିଵ ‫ڮ‬ ߱଴ெ ൅ ෍ ߱ெǡ௝ ܵெǡ௧ ‫ۑ‬
‫ۏ‬ ௝ୀଵ ‫ے‬
Les ‫ܯ‬ሺ‫ ܯ‬െ ͳሻȀʹ éléments ߱௜ dans ‫ܥ‬஻ assurent que ሺ‫ܥ‬஻ ሻ′ ሺ‫ܥ‬஻ ሻ soit définie semi-positive. ‫ܣ‬௜ ǡ ‫ܤ‬௝ ݁‫ܩݐ‬௝ sont les
matrices coefficients des équations des variances-covariances conditionnelles :
ߙଵ௜ ‫Ͳ ڮ‬ ߚଵ௜ ‫Ͳ ڮ‬ ߛଵ௜ ‫Ͳ ڮ‬
‫ܣ‬௜ ൌ ൥ ‫ڭ‬ ‫ڰ‬ ‫ ڭ‬൩ ;‫ܤ‬௜ ൌ ൥ ‫ڭ‬ ‫ڰ‬ ‫ ڭ‬൩ ; ‫ܩ‬௜ ൌ ൥ ‫ڭ‬ ‫ڰ‬ ‫ ڭ‬൩ ;
Ͳ ‫ߙ ڮ‬ெ௜ Ͳ ‫ߚ ڮ‬ெ௜ Ͳ ‫ߛ ڮ‬ெ௜

ଶ ଶ
ߙଵ௜ ‫ݑ‬ଵ௧ି௜ ‫ڮ‬ ߙଵ௜ ߙெ௜ ‫ݑ‬ଵ௧ି௜ ‫ݑ‬ெ௧ି௜
‫ܣ‬௧௥ ௧௥
௜ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜ ‫ܣ‬௜ ൌ቎ ‫ڭ‬ ‫ڰ‬ ‫ڭ‬ ቏
ߙଵ௜ ߙெ௜ ‫ݑ‬ଵ௧ି௜ ‫ݑ‬ெ௧ି௜ ‫ڮ‬ ଶ ଶ
ߙெ௜ ‫ݑ‬ெ௧ି௜ A8

ߚଵ௜ଶ ݄ଵଵ௧ି௜ ‫ڮ‬ ߚଵ௜ ߚெ௜ ݄ଵெ௧ି௜

‫ܤ‬௜௧௥ ‫ܪ‬௧ି௜ ‫ܤ‬௜ ൌ቎ ‫ڭ‬ ‫ڰ‬ ‫ڭ‬ ቏
ߚଵ௜ ߚெ௜ ݄ଵெ௧ି௜ ‫ڮ‬ ߚெ௜ଶ
݄ଶଶ௧ି௜ A9

ଶ ଶ ଶ
ߙଵ௜ ‫ݑ‬ଵ௧ି௜ ‫ܦ‬ଵ௧ି௜ ‫ߙ ڮ‬ଵ௜ ߙெ௜ ‫ݑ‬ଵ௧ି௜ ‫ݑ‬ெ௧ି௜ ‫ܦ‬ଵ௧ି௜ ‫ܦ‬ெ௧ି௜
‫ܩ‬௜௧௥ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜
௧௥
‫כ‬ ௧௥
‫ܦ‬ெ௧ି௜ ‫ܦ‬ெ௧ି௜ ‫ܩ‬௜ ൌ቎ ‫ڭ‬ ‫ڰ‬ ‫ڭ‬ ቏
ଶ ଶ ଶ A 10
ߙଵ௜ ߙெ௜ ‫ݑ‬ଵ௧ି௜ ‫ݑ‬ெ௧ି௜ ‫ܦ‬ଵ௧ି௜ ‫ܦ‬ெ௧ି௜ ‫ڮ‬ ߙெ௜ ‫ݑ‬ெ௧ି௜ ‫ܦ‬ெ௧ି௜

‫ݑ‬௧ est un vecteur des innovations.‫ܦ‬ெ௧ି௜ un vecteur de dimension M de variables dumy ሺ݀௜௧ ሻ tel que:
ͳ‫ݑ݅ݏ‬௜௧ ൏ Ͳ

൫݀௜ǡ௧ ൯ ൌ ൜
Ͳǡ ‫݊݋݊݅ݏ‬
* est le produit élément par élément.
ॻ௜ ; ॻ८௜ ݁‫ݐ‬Ժ௜ sont des matrices de coefficients de transmission en variance :
௜ ௜ ௜
Ͳ ‫ݒܿݐ ڮ‬ெǡଵ Ͳ ‫ݒܿݐ ڮ‬ெǡଵ Ͳ ‫ݒݐ ڮ‬ெǡଵ
ॻ௜ ൌ ቎ ‫ڭ‬ ‫ڰ‬ ‫ ڭ‬቏,ॻ८௜ ൌ ቎ ‫ڭ‬ ‫ڰ‬ ‫ ڭ‬቏, Ժ௜ ൌ ቎ ‫ڭ‬ ‫ڰ‬ ‫ ڭ‬቏
௜ ௜ ௜
‫ݒܿݐ‬ଵǡெ ‫ڮ‬ Ͳ ‫ݒܿݐ‬ଵǡெ ‫ڮ‬ Ͳ ‫ݒݐ‬ଵǡெ ‫ڮ‬ Ͳ
ॻ௜ est la matrice des coefficients de transmission des chocs de volatilité ൫‫ ݒܿݐ‬௜ ൯, ॻ८௜ est la matrice des
coefficients de transmission asymétrique des chocs de volatilité ൫‫ ݒܿݐ‬௜ ൯ et Ժ௜ la matrice des coefficients
de transmission de volatilité ൫‫ ݒݐ‬௜ ൯ :
ெ ଶ
‫ۍ‬ ቆ෍ ൫‫ݒܿݐ‬௝ǡଵ ௜
൯‫ݑ‬௝ǡ௧ି௜ ቇ ‫ڮ‬ ‫ېڮ‬
‫ێ‬ ௝ୀଶ ‫ۑ‬
ॻ௜ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜ ॻ௜ ൌ ‫ێ‬
ᇱ ᇱ
‫ڭ‬ ‫ڰ‬ ‫ۑڭ‬
‫ێ‬ ெ ெିଵ ‫ۑ‬
‫ێ‬ቆ෍ ൫‫ ݒܿݐ‬௜ ൯‫ݑ‬௝ǡ௧ି௜ ቇ ቆ෍ ൫‫ ݒܿݐ‬௜ ൯‫ݑ‬௝ǡ௧ି௜ ቇ ‫ڮ‬ ‫ۑڰ‬ A 11
௝ǡଵ ௝ǡெ
‫ۏ‬ ௝ୀଶ ௝ୀଵ ‫ے‬

ெ ଶ
‫ۍ‬ ቆ෍ ൫‫ݒܿܽݐ‬௝ǡଵ ௜
൯‫ݑ‬௝ǡ௧ି௜ ‫ܦ‬௝ǡ௧ି௜ ቇ ‫ڮ‬ ‫ېڮ‬
‫ێ‬ ௝ୀଶ ‫ۑ‬
݇Ǣ ॻ८ᇱ௜ ‫ݑ‬௧ି௜ ‫ݑ‬௧ି௜
ᇱ
ॻ८௜ ൌ ‫ێ‬ ‫ڭ‬ ‫ڰ‬ ‫ۑڭ‬ A 12
‫ێ‬ ெ ெିଵ ‫ۑ‬
‫ێ‬ቆ෍ ൫‫ ݒܿܽݐ‬௜ ൯‫ݑ‬௝ǡ௧ି௜ ‫ܦ‬௝ǡ௧ି௜ ቇ ቆ෍ ൫‫ ݒܿܽݐ‬௜ ൯‫ݑ‬௝ǡ௧ି௜ ‫ܦ‬௝ǡ௧ି௜ ቇ ‫ڮ‬ ‫ۑڰ‬
௝ǡଵ ௝ǡெ
‫ۏ‬ ௝ୀଶ ௝ୀଵ ‫ے‬

22
 ெ ଶ
௜
‫ۍ‬෍ ൫‫ݒݐ‬௝ǡଵ ‫ې‬
൯ ݄௝௝ǡ௧ି௜ ‫ڮ‬ ‫ڮ‬
‫ ێ‬௝ୀଶ ‫ۑ‬
Ժ′௜ ‫ܪ‬௧ି௜ Ժ௜ ൌ ‫ێ‬ ‫ڭ‬ ‫ڰ‬ ‫ڭ‬ ‫ۑ‬ A 13
‫ێ‬ ெିଵ ଶ
‫ۑ‬
‫ێ‬ ‫ڭ‬ ௜
‫ ڮ‬෍ ൫‫ݒݐ‬௝ǡெ ൯ ݄௝௝ǡ௧ି௜ ‫ۑ‬
‫ۏ‬ ௝ୀଵ ‫ے‬

ଶ ଶ
La causalité en variance est mesurée par la somme σ௜ୀଵ൫‫ ݒܿݐ‬௜ ൯ ൅ σ௜ୀଵ൫‫ ݒݐ‬௜ ൯ . La transmission
௣ ௤

ଶ ଶ ଶ
asymétrique est mesurée par la somme σ௜ୀଵ൫‫ ݒܿݐ‬௜ ൯ ൅ ൫‫ ݒܿܽݐ‬௜ ൯ ൅ σ௜ୀଵ൫‫ ݒݐ‬௜ ൯ . C’est également une mesure
௣ ௤

de persistance en transmission en variance. La matrice ‫ܪ‬௧ contient le regresseur σହ௜ୀଵሺߜ௜ ሻ௧௥ ‫ܦ‬௜ ߜ௜ pour
permettre des effets « day-of-the-week » et des effets « Holiday ».
‫ܦ‬௜ est une matrice diagonal ‫ ܯݔܯ‬dont les éléments ൛‫ܦ‬௝௝௧ ൟ ൌ ‫ܦ‬௜௧ sont :

‫ܦ‬௜௧ ൌ ሼ‫ܦ‬ଵ௧ Ǣ‫ܦ‬ଶ௧ Ǣ‫ܦ‬ଷ௧ Ǣ‫ܦ‬ସ௧ Ǣ‫ܦ‬ହ௧ ሽ A 14

‫ܦ‬ଵ௧ ൌ ͳ‫݅݀݊ݑ݈ݎݑ݋݌‬ǡ Ͳ‫݊݋݊݅ݏ‬
‫ ܦ ۓ‬ൌ ͳ‫݅݀ݎܽ݉ݎݑ݋݌‬ǡ Ͳ‫݊݋݊݅ݏ‬
ۖ ଶ௧
‫ܦ‬ଷ௧ ൌ ͳ‫݅݀݁ݎܿݎ݁݉ݎݑ݋݌‬ǡ Ͳ‫
݊݋݊݅ݏ‬
‫ ܦ ۔‬ൌ ͳ‫݅݀݁ݎ݀݊݁ݒݎݑ݋݌‬ǡ Ͳ‫݊݋݊݅ݏ‬
ۖ ସ௧
‫ܦە‬ହ௧ ൌ ͳ‫݂ݏݎݑ݋݆ݎݑ݋݌‬é‫݅ݎ‬è‫ݏ‬ǡ Ͳ‫݊݋݊݅ݏ‬
La matrice des coefficients ߜ௜ , la matrice des données ‫ܦ‬௜ et le regresseur ሺߜ௜ ሻ௧௥ ‫ܦ‬௜ ߜ௜ sont:
ଶ
ߜଵǡ௜ ‫Ͳ ڮ‬ ‫ܦ‬௜௧ ‫Ͳ ڮ‬ ߜଵǡ௜ ‫ܦ‬௜௧ ‫ڮ‬ Ͳ
ߜ௜ ൌ ቎ ‫ڭ‬ ‫ڰ‬ ‫ ڭ‬቏ ,‫ܦ‬௜ ൌ ൥ ‫ڭ‬ ‫ڰ‬ ‫ ڭ‬൩ , ሺߜ௜ ሻ ‫ܦ‬௜ ߜ௜ ൌ ቎ ‫ڭ‬
௧௥
‫ڰ‬ ‫ ڭ‬቏ A 15
Ͳ ‫ߜ ڮ‬ெǡ௜ Ͳ ‫ܦ ڮ‬௜௧ ଶ
Ͳ ‫ߜ ڮ‬ெǡ௜ ‫ܦ‬௜௧

Annexe III : Tests d’absence de causalité

Test d’absence de causalité en moyenne ACM

La causalité en moyenne du marché « i » vers le marché « j » est mesurée par les coefficients Φଵ௜௝ ǥΦ௡ଵ
௜௝
du VAR. l’hypothèse nulle d’absence de causalité en moyenne concerne la nullité de tous les coefficients
Φ௞௜௝ . Ceci est équivalent à un test de Non Causalité au sens de Granger :
Hypothèse nulle d’ACM de i vers j ‫ܪ‬଴ǡ௜՜௝
஺஼ெ

௡
஺஼ெ
‫ܪ‬଴ǡ௜՜௝ ǣ Φଵ௜௝ ൌ Φଶ௜௝ ൌ ‫ ڮ‬Φ௜௝భ ൌ Ͳ
ቊ ஺஼ெ
A 16
஺஼ெ
‫ܪ‬ଵǡ௜՜௝ ǣ ݊‫ܪ݊݋‬଴ǡ௜՜௝ 

Sous ‫ܪ‬଴ǡ௜՜௝
஺஼ெ
, la statistique du test suit un Fisher ࣠ሺ݊ଵ ǡ ܰ െ ʹ݊ଵ െ ͳሻ. (See Lütkepohl, 2005, p103).

Test d’absence de causalité en Variance ACV

La causalité en variance est liée aux coefficients ൫‫ݒܿݐ‬௜௝௞ ൯, ൫‫ݒܿܽݐ‬௜௝௞ ൯ et ൫‫ݒݐ‬௜௝௞ ൯. Il n’y a pas de causalité en en
variance du marché « i » vers le marché « j » lorsque les coefficients ൫‫ݒܿݐ‬௜௝௞ ൯, ൫‫ݒܿܽݐ‬௜௝௞ ൯ et ൫‫ݒݐ‬௜௝௞ ൯ ne sont pas
significativement différents de zéro. ACV est un test de Wald de Non Causalité en variance :
Hypothèse nulle d’ACV de i vers j ‫ܪ‬଴ǡ௜՜௝
஺஼௏

ଶ ௣ ଶ ଶ ௣ ଶ ଶ ௤ ଶ
‫ ܪ‬஺஼௏ ǣ ൫‫ݒܿݐ‬௜௝ଵ ൯ ൅  ‫ ڮ‬൅ ൫‫ݒܿݐ‬௜௝ ൯ ൅ ൫‫ݒܿܽݐ‬௜௝ଵ ൯ ൅  ‫ ڮ‬൅ ൫‫ݒܿܽݐ‬௜௝ ൯ ൅  ൫‫ݒݐ‬௜௝ଵ ൯ ൅  ‫ ڮ‬൅ ൫‫ݒݐ‬௜௝ ൯ ൌ Ͳ

൝ ଴ǡ௜՜௝ ஺஼௏ ஺஼௏
A 17
‫ܪ‬ଵǡ௜՜௝ ǣ ݊‫ܪ݊݋‬଴ǡ௜՜௝ 

Sous ‫ܪ‬଴ǡ௜՜௝
஺஼௏
, la statistique de Wald suit un ߯ ଶ ሺ‫ ݌‬൅ ‫ݍ‬ሻ.
.

23