Le Traité d'Économétrie Financière est un ouvrage qui vise à combler un manque dans la littérature

francophone en économétrie appliquée à la finance. Les deux premiers chapitres posent les bases
théoriques et méthodologiques nécessaires pour comprendre les modèles économétriques utilisés
en finance. Le Chapitre 1 est consacré aux rappels statistiques, tandis que le Chapitre 2 introduit le
modèle linéaire à deux variables, un outil fondamental en économétrie.

Chapitre 1 : Rappels Statistiques

Ce chapitre a pour but de réviser en profondeur les concepts statistiques fondamentaux nécessaires à
la modélisation financière. Chaque section est conçue pour rappeler et consolider les connaissances
du lecteur, en mettant l'accent sur leur application concrète dans le domaine de la finance

1. Notion de Variable Aléatoire

 Définition :
Le chapitre commence par définir rigoureusement ce qu'est une variable aléatoire, en insistant sur le
fait qu'il s'agit d'une variable dont la valeur est le résultat numérique d'un phénomène aléatoire.
Cette notion est essentielle car elle constitue la base de toute modélisation qui prend en compte
l'incertitude. Des exemples concrets de variables aléatoires financières (rendements d'actifs, taux
d'intérêt futurs, etc.) sont donnés pour illustrer le concept.

 Distinction : Une variable déterministe est parfaitement prévisible (ex : y=mx+b), tandis
qu'une variable aléatoire inclut une composante stochastique (ex : y=mx+b+e, où e est une
erreur aléatoire).

 Exemple : Les rendements boursiers sont des variables aléatoires continues, car ils peuvent
prendre n'importe quelle valeur dans un intervalle donné.

2. Statistiques Descriptives
Cette section aborde les différentes manières de résumer et de décrire un ensemble de données.
 Mesures de tendance centrale :
La moyenne, la médiane et le mode sont présentés comme des outils complémentaires pour
identifier la valeur typique d'une variable. Le chapitre explique quand il est plus approprié d'utiliser
l'une ou l'autre de ces mesures (par exemple, la médiane est plus robuste que la moyenne en
présence de valeurs extrêmes).
1
o Moyenne : 𝑥̅ = 𝑇 ∑𝑛𝑖=1 𝑥𝑖

 Propriété : La moyenne est sensible aux valeurs extrêmes.

o Médiane : Valeur qui sépare l'échantillon en deux parties égales.

 Propriété : La médiane est robuste aux valeurs extrêmes.

o Mode : Valeur la plus fréquente dans un échantillon.

 Propriété : Une distribution peut avoir plusieurs modes (bimodale,

trimodale, etc.).
 Mesures de dispersion :
La variance et l'écart-type sont définis comme des indicateurs de la variabilité des données autour de
la moyenne. L'importance de ces mesures pour évaluer le risque est soulignée.
1 𝑇
o Variance: 𝑠 2 = ∑𝑗=1(𝑥 − 𝑥̅ )2
𝑇−1

 Propriété : La variance est toujours positive.=

o Écart-type: 𝑠 = √𝑠 2
 Propriété : L'écart-type est dans la même unité que les données.
𝑆
o Coefficient de variation : 𝑐𝑣 = × 100
𝑥

 Propriété : Le CV permet de comparer la variabilité de deux variables

mesurées dans des unités différentes.
 Asymétrie et Aplatissement :

Le skewness (asymétrie) et le kurtosis (aplatissement) sont introduits pour caractériser la forme de la

distribution des données. Un skewness positif indique une distribution étalée vers la droite, tandis
qu'un kurtosis élevé suggère une distribution avec des queues plus épaisses (plus de valeurs
extrêmes). Ces mesures sont cruciales pour évaluer si une distribution est normale ou non.

o Asymétrie (Skewness) : Mesure l'asymétrie de la distribution.

𝐸[(𝑥−𝜇)3 ]
 Formule : 𝜎3

 Interprétation : Une distribution symétrique a un coefficient d'asymétrie de

0. Une distribution asymétrique à droite a un coefficient positif, et à gauche,
un coefficient négatif.

o Aplatissement (Kurtosis) : Mesure l'épaisseur des queues de la distribution.

𝐸[(𝑥−𝜇)4]
 Formule : 𝜎4

 Interprétation : Une distribution normale a un aplatissement de 3. Un

aplatissement supérieur à 3 indique des queues plus épaisses que la normale
(leptocurtique), et inférieur à 3, des queues plus minces (platicurtique).
3. Modèles Probabilistes

Le chapitre passe ensuite en revue les principales lois de probabilité utilisées en finance.

 Lois de probabilité discrètes :

Les lois de Bernoulli, binomiale et de Poisson sont présentées, avec des exemples d'application à des
problèmes financiers (par exemple, la loi de Bernoulli pour modéliser le succès ou l'échec d'un
investissement, la loi de Poisson pour modéliser le nombre d'événements rares).
o Binomiale :

 Exemple : Nombre de succès dans nn essais indépendants avec

probabilité pp de succès.

o Poisson : 𝑃 (𝑥 = 𝐾) = 𝐶𝑇𝑘 𝑝𝑘 (1 − 𝑝)𝑇−𝑘

 Exemple : Nombre d'événements rares dans un intervalle de temps.

  Lois de probabilité continues :

Les lois uniforme, exponentielle et normale sont étudiées en détail. Une attention particulière est
accordée à la loi normale, en raison de son importance centrale en finance. Les concepts bivariés
(covariance, corrélation) sont introduits pour mesurer la relation entre deux variables aléatoires.
(𝑥−𝜇)2
1 −
o Normale : f(x)= √2𝛱𝜎 2 ⅇ 2𝜎2

 Propriétés : Symétrique, moyenne = médiane = mode.

1
o Uniforme : f(x)=𝑎−𝑏 pour a ≤x≤ b

 Propriétés : Toutes les valeurs dans l'intervalle ont la même probabilité.

o Chi-carré : χ2(n) est la somme de n variables normales au carré.

 Propriétés : Utilisée dans les tests d'hypothèses.

o Student : t(n) est le ratio d'une normale et d'une chi-carré.

 Propriétés : Utilisée dans les tests de petits échantillons.

o Fisher : F(m,n) est le ratio de deux chi-carré indépendantes.

 Propriétés : Utilisée dans les tests de comparaison de variances.

4. Estimation et Tests

 Estimation par Moindres Carrés Ordinaires (MCO) :

𝑇
o Objectif : Minimiser la somme des carrés des erreurs S(β)=∑𝑖=1(𝑦𝑖 − 𝛽1 − 𝛽2 𝜘𝑖 )2
cov(𝑥,𝑦)
o Estimateurs : 𝛽̂1 = 𝑦̅ − 𝛽̂2 𝑥̅ et 𝛽̂2 = Var(𝑥)

o Propriétés : Les estimateurs sont sans biais, linéaires, et ont la variance minimale
parmi tous les estimateurs linéaires sans biais (théorème de Gauss-Markov).
 Maximum de Vraisemblance :

o Objectif : Maximiser la fonction de vraisemblance L(β,σ2 ∣ y)

∑𝑒̂𝑖2
o Estimateurs : 𝛽̂ = (𝑥 𝑇 𝑥)−1 𝑥 𝑇 𝑦 et 𝜎̂ 2 =
𝑛−2

o Propriétés : Les estimateurs sont asymptotiquement efficaces et sans biais.

 Tests d'hypothèses :
̂2 −𝛽2
𝛽
o Test t : 𝑡 = ~ 𝑡(𝑛 − 2)
̂2 )
√𝑣̂(𝛽

 Interprétation : Si ∣t∣>tc, on rejette l'hypothèse nulle H:β2=0

o Test F : ~ 𝐹(𝑞, 𝑛 − 𝑘)

 Interprétation : Si F> FcF >Fc, on rejette l'hypothèse nulle H0:β2=β3=⋯=βk=0

o Test de Jarque-Bera : Test de normalité basé sur l'asymétrie et l'aplatissement.
 𝑛 (𝐾𝑢𝑟𝑡𝑜𝑠𝑖𝑠−3)2
 Formule : JB=6 (𝑆𝑘ⅇ𝑤𝑛ⅇ𝑠𝑠 2 + 4
)~𝑥 2 (2)

 Interprétation : Si JB>𝑥𝑐2 , on rejette l'hypothèse de normalité.

5. Applications
 Exemple : Estimation de la moyenne et de la variance des dépenses mensuelles sur cartes de
crédit. Les auteurs montrent comment utiliser les tests de normalité (Jarque-Bera) pour
vérifier si les données suivent une distribution normale.

Chapitre 2 : Le Modèle Linéaire à Deux Variables

Ce chapitre est une introduction détaillée au modèle linéaire simple, un outil de base de
l'économétrie. Il examine en profondeur la spécification, l'estimation, les propriétés et l'utilisation de
ce modèle.

1. Spécification du Modèle

Le chapitre commence par définir précisément le modèle linéaire à deux variables, en explicitant les
hypothèses concernant la relation entre la variable dépendante (y) et la variable indépendante (x),
ainsi que les hypothèses sur les erreurs (résidus). Ces hypothèses sont cruciales car elles déterminent
les propriétés des estimateurs.

 Formulation : Le modèle linéaire à deux variables s'écrit yt= β1 + β2xt +et, où yt est la
variable dépendante, 𝑥𝑡 la variable explicative, et ⅇ𝑡 l'erreur résiduelle.
 Hypothèses :

o Les erreurs sont indépendantes et identiquement distribuées (IID) avec une moyenne
nulle et une variance constante (homoscédasticité).

o 𝑥𝑡 Est non stochastique et 𝐶𝑜𝑣(𝑥𝑡, ⅇ𝑡) = 0.

2. Estimation par MCO
Une présentation détaillée de la méthode des moindres carrés ordinaires (MCO) pour estimer les
paramètres du modèle (l'ordonnée à l'origine et la pente). Le chapitre explique comment minimiser
la somme des carrés des erreurs pour obtenir les estimations des MCO. Objectif Trouver les
estimateurs𝛽1 ⅇ𝑡 𝛽2 qui minimisent la somme des carrés des
erreurs.
 Formules :
cov(𝑥,𝑦̇ )
o 𝛽̂2 =
var(𝑥)

o 𝛽̂1 = 𝑦 − 𝛽̂2 𝑥̅
 Propriétés des MCO :

o Sans biais : E(β) =β

o Efficacité : Les MCO ont la variance minimale parmi tous les estimateurs linéaires
sans biais (théorème de Gauss-Markov).
3. Tests et Intervalles de Confiance
Le chapitre explique comment effectuer des tests d'hypothèses sur les paramètres du modèle (par
exemple, tester si la pente est significativement différente de zéro) et comment construire des
intervalles de confiance pour ces paramètres. Ces tests et intervalles permettent d'évaluer la
significativité statistique des résultats.

 Test t : Pour tester si un coefficient est significativement différent de zéro.

̂2 −𝛽2
𝛽
o t= ~𝑡(𝑇 − 2)
̂2 )
√𝑣̂(𝛽

𝑡𝑐
 Intervalle de confiance : 𝛽̂2 ± √𝑣̂(𝛽̂2 ) où tc est la valeur critique de la distribution tt.

4. Prévision

Le chapitre aborde l'utilisation du modèle linéaire pour prédire les valeurs futures de la variable
dépendante. Il distingue entre la prévision de la valeur espérée (E(y0)) et la prévision de la valeur
réelle (y0), et explique comment calculer les intervalles de prévision.
 Prévision de E(y0): Estimation de la valeur moyenne de yy pour une valeur donnée de x0x0.

o 𝑦0 = 𝛽1 + 𝛽2 𝑥0
1 (𝑥 −𝑥̅ )2
o Variance de la prévision : 𝑣̂(𝑦0 ) = 𝜎̂ 2 [𝑇 + ∑(𝑥0 2]
𝑡 −𝑥̅ )

 Prévision de y0 : Prédiction de la valeur individuelle de y pour une valeur donnée de x0, en

tenant compte de l'erreur résiduelle.
 5. Mesures du degré d'ajustement :
Le chapitre présente les mesures couramment utilisées pour évaluer la qualité de l'ajustement du
modèle aux données.
 Coefficient de détermination (R²) : Le R² mesure la proportion de la variance de la
variable dépendante expliquée par le modèle. Un R² élevé indique que le modèle
explique bien la variabilité des données.
 R² ajusté : Le R² ajusté est une version du R² qui pénalise l'ajout de variables
explicatives non significatives. Il est donc plus approprié que le R² pour comparer des
modèles avec un nombre différent de variables.

Conclusion

Les deux premiers chapitres du Traité d'Économétrie Financière fournissent une introduction solide
aux concepts statistiques et économétriques de base. Le Chapitre 1 rappelle les notions essentielles
de probabilité et de statistique, tandis que le Chapitre 2 introduit le modèle linéaire à deux variables,
un outil fondamental pour l'analyse de régression. Ces chapitres sont riches en exemples pratiques,
notamment dans le domaine financier, ce qui les rend accessibles et utiles pour les étudiants et les
professionnels de la finance