Du moment que la liquidité est une notion qui mêle à la fois (i) des considérations de

coûts, (ii) des considérations de volume, et (iii) des considérations temporelles, nous utili-
sons, dans cette étude, six différentes mesures de la liquidité, pour analyser la dépendance
entre de la liquidité et les rendements de l’indice du marché français CAC40. D’une part,
la plupart des études empiriques utilisent une seule mesure de liquidité. Or, cela présente
des limites comme l’indique Hasbrouck(2005)[169], et Goyenko et al. (2009)[157]. D’autre
part, cette étude concerne la période 2007-2018 incluant les trois crises de liquidité : la
crise des Subprimes de 2008, la crise de la dette de 2011, et plus récemment la récession
de 2016. Cela permettrait d’examiner comment la liquidité oscille en période de calme et
comment la liquidité évolue en cas de chocs violents sur le marché.

La modélisation VAR a été utilisées dans de nombreuses travaux sur la liquidité. Lo et

Hall (2015)[243], par exemple, utilisent le modèle VAR pour analyser la résilience à court
terme de la liquidité sur le marché australien. Kapingura et Ikhide (2011)[208] utilisent
le modèle vectoriel à correction d’erreur (VECM) pour analyser les principaux détermi-
nants de la liquidité du marché obligataire sud-africain. Ils démontrent, via la fonction de
réponse impulsionnelle et la décomposition de la variance du VECM, que les innovations
sur l’indice de marché, le volume des transactions et la volatilité ont un impact sur la
liquidité du marché des obligations. Burton (2017)[74] utilise également le VECM pour
estimer la dynamique de la liquidité mesurée par la fourchette bid-ask.

4.1 Cadre théorique de l’analyse

4.1.1 La modélisation Vector autoregression (VAR)

La représentation VAR (Vector Autoregressive) est une généralisation des modèles au-
toregréssifs (AR) et qui permet d’étudier les interdépendances entre plusieurs variables.
Ils ont été introduits par Sims(1980)[302] comme alternative aux modèles macroécono-
métriques d’inspiration keynésienne. Dans un modèle VAR, les variables sont traitées
symétriquement de manière que chacune d’entre elles soit expliquée par ses propres va-
leurs passées et par les valeurs passées des autres variables. La principale caractéristique
de la technique VAR est qu’elle dispose d’un modèle structurel moins restrictif, dans la
mesure où elle n’impose aucune répartition a priori des variables en variables endogènes et
variables exogènes.Ces modèles permettent d’analyser les effets d’une variable sur l’autre
au travers de simulations de chocs aléatoires.
La définition d’un processus VAR à k variables et p décalage (VAR(p)) est la suivante :

Yt = A0 + A1 Yt−1 + A2 Yt−2 + ... + Ap Yt−p + t (2.48)

140
    1   0  
y1,t a1,i a21,i ... ak1,i a1 1,t
 1
y2,t  a2,i a22,i ... ak2,i  a02  2,t 
      
       
 ...   .. .. .. ..   ...   ... 
       
avecYt =  ...  ; Ai6=j =  .. .. .. ..  ; A0 =  ...  ; t =  ...  (2.49)
       
       
       
       
 ...   .. .. .. ..   ...   ... 
       
1 2 k 0
yk,t ak,i ak,i ... ak,i ak k,t

Le processus vectoriel des innovations t est i.i.d et satisfait par conséquent les pro-
priétés suivantes : (
Ω j=0
E(t ) = 0 et : E(t t−1 ) = (2.50)
0 j 6= 0

Un modèle VAR est stationnaire, s’il satisfait les trois conditions :



 E(Yt ) = µ ∀t
V ar(Yt ) < ∞ (2.51)

Cov(Yt , Yt+k ) = E[(Yt − µ)(Yt+k − µ)] = Γk ∀t


On peut démontrer qu’un processus VAR(p) est stationnaire si le polynôme défini à partir
du déterminant : det(I − A1 z − A2 z 2 − ... − Ap z p ) = 0 a ses racines à l’extérieur du cercle
unité du plan complexe.

Dans le cadre de cette étude, nous appliquons la représentation VAR(p) en utilisant

deux variables les rendements et la variable mesurant la liquidité. Pour cette dernière, nous
prenons à chaque fois une des six variables calculées. Plus exactement, nous appliquons
le modèle VAR(p) suivant :
(
y1,t = a01 + pi=1 a11i y1,t−i + pi=1 a21i y2,t−i
j
P P
+ 1t
p p j (2.52)
y2,t = a02 + i=1 a12i y1,t−i + i=1 a22i y2,t−i + 2t
P P

Avec y1 = Returns la variable qui correspond

n aux rendements, et y2j la o
variable reflé-
tant la liquidité et est définie pour j = HL, Roll, CS, Lvolume, ADV, Lix .
Pour déterminer le nombre de retards optimal pour un VAR(p), on peut utiliser plusieurs
méthodes. Une des procédures repose sur l’estimation de tous les modèles VAR pour des
ordres p allant de 0 à un certain ordre h fixé de façon arbitraire. Pour chacun de ces

141
modèles, la méthode de sélection consiste à vérifier un maximum des critères suivants :
2mK 2
— Critère d’information d’Akaike (AIC) : AIC(p) = ln(det(Σ
e m )) +
n
e m )) + ln(n) mK 2
— Critère d’information Bayésien de Schwarz (SC) : SC(p) = ln(det(Σ n

— Critère d’information de Hannan et Quinn (HQ) : HQ(p) = ln(det(Σ e m ))+ ln(ln(n)) mK 2

n
h ik
— Critère de l’erreur de prédiction finale (FPE) : F P E(p) = n+Km+1
n−M k−1
det(Σ
e m)

— Ratio de vraissemblance (LR) : LR(p) = (n − c)log Σ

e1 − Σ
e2

avec n le nombre d’observations, Σ e m l’estimateur du maximum de vraisemblance de

la matrice de variance−covariance du bruit, m le nombre de retards, K le nombre de va-
riables. c est le nombre total de paramètres estimés dans le modèle VAR sous l’hypothèse
alternative. Σe 1 est l’estimation du maximum de vraisemblance de la matrice variance-
covariance des résidus dans le modèle VAR sous hypothèse nulle et Σ e 2 est l’estimation du
maximum de vraisemblance de la matrice variance-covariance des résidus dans le modèle
VAR sous l’hypothèse alternative.

4.1.2 Fonction de réponse impulsionnelle et décomposition de la variance

Les fonctions de réponse impulsionnelle (IRF) représentent l’effet d’un choc (ou in-
novation) sur les valeurs courantes et futures des variables endogènes. Un choc sur une
variable quelconque peut affecter directement cette variable, mais il se transmet également
à l’ensemble des autres variables au travers de la structure dynamique du VAR. L’idée
générale de l’analyse des chocs (ou fonction de réponse aux innovations) est de résumer
l’information concernant l’évolution d’une composante Ytj suite à une impulsion sur Yti ,
à la date t=0, en supposant que toutes les autres variables sont constantes pour t ≤ 0.
Les IRF nous informent sur les évolutions directionnelles des variables d’une part, et sur
l’ampleur de ces déviations d’autre part. Cette étude basée sur les fonctions de réponse
impulsionnelle, peut être complétée par une analyse de la décomposition de la variance
de l’erreur de prévision.

La décomposition de la variance de l’erreur de prévision est utilisée pour faciliter l’in-

terprétation d’un modèle VAR une fois que ce dernier a été estimé. La décomposition de
la variance indique la quantité d’informations que chaque variable contribue aux autres
variables de l’autorégression. Elle détermine dans quelle mesure la variance de l’erreur
de prévision de chacune des variables peut être expliquée par des chocs exogènes sur les
autres variables.

142
 Nous savons qu’un modèle autoregressif AR(1) a une représentation M A(∞). Par
analogie, et puisque la représentation VAR est une généralisation des modèles AR au cas
multivarié, on peut démontrer qu’un VAR(1) a une représentation V M A(∞). Grâce à
cette représentation V M A(∞) décrite à l’équation(18), on peut calculer la décomposition
de la variance.
" # " # ∞
" #" #
y1,t y¯1 X φ11 φ12 y1,t−i
= + (2.53)
y2,t y¯2 i=0
φ21 φ22 y2,t−i
La représentation VMA est généralement réécrite sous cette forme :
" #
y1,t − y¯1 = ∞
P P∞
φ11 y1,t−i + φ12 y2,t−i
Pi=0 i=0
(2.54)
y2,t − y¯2 = ∞
P∞
φ 
i=0 21 y1,t−i + i=0 φ12 y2,t−i

On insiste sur le fait que les écarts par rapport à la moyenne ne se produisent qu’en raison
de chocs causés au terme d’erreur . Ces écarts peuvent être exprimés en pourcentage pour
y1 comme suite :
Pp
i=0 φ11 y1,t−i
P∞ P∞ (2.55)
i=0 φ11 y1,t−i + i=0 φ12 y2,t−i

Et pour y2 : Pp
i=0 φ12 y2,t−i
P∞ P∞ (2.56)
i=0 φ11 y1,t−i + i=0 φ12 y2,t−i

Le calcul de ce pourcentage à différents intervalles de temps donne la décomposition de

la variance d’une série temporelle.

4.1.3 La causalité de Granger

Au niveau théorique, la mise en évidence de relations causales entre les variables écono-
miques fournit des éléments de réflexions causales à une meilleure compréhension des phé-
nomènes économiques. Connaître le sens de la causalité est aussi important que de mettre
en évidence une relation entre les variables économiques. Au sens de Granger(1969)[158],
une série « cause » une autre série si la connaissance du passé de la première améliore la
prévision de la seconde. Formellement, la variable y2 ne cause pas la variable y1 au sens
de Granger, si et seulement si :
E(y1,t+h /y1,t , y1,t−1 , ..., y1,1 ) = E(y1,t+h /y1,t , y1,t−1 , ..., y1,1 , y2,t , y2,t−1 , ..., y2,1 )

à partir de cette définition, on définit la mesure de causalité de y2 vers y1 :

143
 detV ()[y1,t \ y1,t−1 ]
Cy2 7→y1 = log (2.57)
detV ()[y1,t \ y1,t−1 , y2,t−1 ]
Où detV () désigne la matrice de variance covariance de l’erreur de prévision. De ce
fait, detV ()[y1,t \ y1,t−1 , y2,t−1 ] désigne la matrice de variance covariance de l’erreur de
prévision associée à la régression linéaire de y1,t et son passé y1,t−1 et sur le passé de y2,t .

Une version du test de Granger issue directement de la représentation autorégres-

sive VAR(p), propose d’estimer par la méthode des moindres carrés les deux équations
suivantes :
(
y1,t = Ψ + pi=1 φi y1,t−i + pi=1 γi y2,t−i + υt
P P
(2.58)
y2,t = α + pi=1 ξi y2,t−i + pi=1 ϕi y1,t−i + t
P P

Un test d’hypothèses permet de conclure sur le sens de la causalité. Ainsi la variable y2

cause au sens de Granger la variable y1 si l’hypothèse nulle H0 peut être rejetée au profit
de l’hypothèse alternative H1 :
(
H0 : γ1 = γ2 = ... = γp = 0
H1 : au moins un des γi 6= 0

Symétriquement, la variable y1 cause au sens de Granger la variable y2 si l’hypothèse

nulle H0 peut être rejetée au profit de l’hypothèse alternative H1 :
(
H0 : ϕ1 = ϕ2 = ... = ϕp = 0
H1 : au moins un des ϕi 6= 0

4.2 Analyse empirique

4.2.1 Description des données

Notre base de données contient des données journalières des rendements logarithmiques
pt
(Returnst = ln( pt−1 )) et des indicateurs de la liquidité calculés sur la période Janvier 2007
- Décembre 2018 soit au total 3131 observations quotidiennes. Les mesures de la liquidité
utilisées cette fois-ci sont : HL, CS, Roll, logarithme du volume, ADV et LIX.
L’évolution de la liquidité a été déjà commentée dans notre première étude sur la per-
sistance de la liquidité. Une analyse de corrélation entre les différents indicateurs de la
liquidité ainsi que les rendements, est répertoriée dans la table 2.11.

144
 On remarque que, mise à part la mesure LIX, les autres mesures de la liquidité évoluent
dans le même sens. De surcroît, elles sont faiblement mais négativement corrélées avec les
rendements. Pour les mesures basées sur la fourchette bid-ask, cela est expliqué par le fait
qu’une augmentation du coût de transaction conduit à à la diminution du rendement.

Rt HL CS Roll Lvolume ADV LIX

rendements 1 -0.13348 -0.06736 -0.03186 -0.06017 -0.00743 0.09806
HL -0.13348 1 0.43541 0.52130 0.58859 0.51903 -0.64015
CS -0.06736 0.43541 1 0.34347 0.38413 0.29523 -0.16041
Roll -0.03186 0.52130 0.34347 1 0.35904 0.64796 -0.28924
Lvolume -0.06017 0.58859 0.38413 0.35904 1 0.55955 0.10936
ADV -0.00743 0.51903 0.29523 0.64796 0.55955 1 -0.16682
LIX 0.09806 -0.64015 -0.16041 -0.28924 0.10936 -0.16682 1

Table 2.11 – Corrélation entre les variables utilisées dans l’analyse.

Modèle 1 Modèle 2 Modèle 3

t-Stat seuil1% seuil5% t-Stat seuil1% seuil5% t-Stat seuil1% seuil5%
Rt -57.836 -3.961 -3.411 -57.833 -3.432 -2.862 -57.842 -2.566 -1.941
HL -8.666 -3.961 -3.411 -7.937 -3.432 -2.862 -3.115 -2.566 -1.941
CS -11.401 -3.961 -3.411 -10.976 -3.432 -2.862 -4.417 -2.566 -1.941
Roll -7.372 -3.961 -3.411 -6.777 -3.432 -2.862 -3.389 -2.566 -1.941
Lvolume -9.811 -3.961 -3.411 -5.764 -3.432 -2.862 -2.299 -2.566 -1.941
ADV -6.275 -3.961 -3.411 -4.054 -3.432 -2.862 -1.084 -2.566 -1.941
LIX -10.605 -3.961 -3.411 -10.606 -3.432 -2.862 -2.345 -2.566 -1.941

Table 2.12 – Statistique du test et valeur critique à 5% et 1% du test ADF.

Pour la construction d’un modèle VAR, Il faut s’assurer que toutes les variables que
l’on incorpore dans notre modélisation VAR soient stationnaires. Pour chaque série, nous
vérifions la stationnarité moyennant le test de Dickey Fuller augmenté en suivant les trois
modèles décrits aux équations 2.32, 2.33 et 2.34), et en suivant la procédure du test dé-
taillée dans Dickey et al.(1986)[125].

La valeur du nombres de retards p utilisée dans ce test sera déterminée en minimisant

les critères d’informations d’Akaike et Schwarz. On observe sur la table 2.12 que, à part
la variable ADV, l’hypothèse nulle de l’existence d’une racine unitaire est rejetée quel que
soit le modèle retenu et pour les seuils 5% et 10%. Cela nous amène à affirmer que ces
séries sont stationnaires. Pour la variable ADV, la procédure du test nous nous indique que
la série ADV est engendrée par un processus non stationnaire I(1) de type DS (Differency
stationary). Pour stationnariser cette série, il convient donc de la différencier. Nous allons
donc utiliser par la suite dans le modèle VAR la variable D_ADVt = ADVt − ADVt−1 .

145
4.2.2 Le vecteur autorégressif

Nous allons appliquer, en prenant deux variables, le modèle VAR spécifié à l’équation
2.52. Avec y1 = Returns la variable qui correspond aux rendements, et y2 la variable
reflétant la liquidité. Pour cette dernière, nous utilisons à chaque fois une des six mesures
de liquidité : HL, Roll, CS, Lvolume, ADV, Lix. Nous allons estimer au total six modèles
VAR.

Dans un premier temps, nous devons déterminer le degré optimal de retard du modèle
VAR. A cette fin, nous avons estimé divers processus VAR pour des ordres de retards p
allant de 1 à 8. Nous utilisons ensuite les critères d’informations : le ratio de vraissem-
blanc (LR), le critère d’information d’Akaike(AIC), le critère d’information Bayésien de
Schwartz(SC), le critère d’information de Hannan et Quinn (HQ), et le critère de l’erreur
de prédiction finale (FPE). Le décalage optimal du VAR estimé est celui qui minimise les
statistiques AIC, SC et HQ, et qui maximise la statistique LR (Figure 2.12).

— Pour les variables Roll et Lvolume, on retient le modèle VAR(6).

— On choisit le modèle VAR(8) pour les variables HL et CS.
— Pour la mesure LIX, on retient le modèle VAR(7).
— Pour les variable D_ADV, on préfère le modèle VAR(5).

Les résultats des estimations des différents modèles VAR sont donnés en annexes (3.10,
3.11, 3.12, 3.13, 3.14 et 3.15) et sont résumés dans les tableaux 2.13 et 2.14. La variable
liquidité X est représentée à chaque fois par une des six mesures de liquidité : Roll, HL,
CS, Lvolume, D_ADV et LIX. (***) signifie que le paramètre est significatif au seuil de
1%. (**) signifie que le paramètre est significatif au seuil de 5%. (*) signifie que le para-
mètre est significatif au seuil de 10%.
On remarque sur les deux tableaux qu’un grand nombre des coefficients associés aux
termes retardés ne sont pas significativement différents de 0 puisque la valeur critique
tStudent de ces coefficients est inférieure (en valeur absolue) à la valeur critique lue dans
la table de Student pour les seuils α= 1% (à savoir 2.33), α= 5% (soit 1,96) et α= 10%
(soit 1,64). En général, nous avons une dépendance négative entre les rendements et me-
sures de liquidité. Comme on a pu le voir dans le tableau des corrélations, la mesure LIX
représente encore une exception.

Dans la plupart des estimations, les rendements dépendent négativement d’eux-mêmes

retardés, mais dépendent aussi négativement des mesures de liquidités avec p retards. Ce
qui est logique compte tenu qu’une large fourchette bid-ask traduit souvent des coûts de
transactions élevés qui se reflètent directement sur le rendement journalier. Cela confirme

146
 Figure 2.12 – Détermination du nombre optimal de retard du modèle VAR.

les résultats antérieurs observés sur le marché Américain (Amihud, 2002 [12], Goyenko et
al.2006[156]), Australien (Marshall et Young (2003)[257] Vu et al.(2015)[324]) et Japonais
(chang et al.(2010)[86]). Les résultats approuvent partiellement Copeland(1976)[102], Jen-
nings et al.(1981)[201] qui affirment que les nouvelles informations ne sont pas diffusées
à tous les acteurs du marché en même temps. Par conséquent, le volume de transactions
retardé contient des informations utiles pour prévoir le rendement actuel et le rendement
retardé contient des informations utiles pour prédire le volume actuel des transactions.

On remarque également une dépendance positive et significative entre les mesures de

liquidité et leurs propres valeurs retardés. Ce qui suggère (comme pour les rendements
d’ailleurs) l’existence d’un mécanisme auto-correctif dans le court terme.

Concernant les mesures de liquidité liées à la fourchette ask-bid, il y a une dépendance

147
 Rt X=Roll Rt X=HL Rt X=CS
Constante 0.00016 0.0002*** -0.0001 0.0024*** -0.0005 0.0037***
Rt(-1) -0.0359** -0.0052*** -0.0361** -0.1077*** -0.0301* -0.0755***
Rt(-2) -0.0468** -0.0063*** -0.0421** -0.0774*** -0.0426*** -0.0814***
Rt(-3) -0.0595*** -0.0046** -0.0419** -0.0625*** -0.0396** -0.059***
Rt(-4) 0.0169 -0.0043** 0.036* -0.0597*** 0.029 0.1085***
Rt(-5) -0.0671*** -0.002 -0.0619*** -0.0084 -0.0521*** -0.0642***
Rt(-6) 0.0018 -0.0071*** -0.0012 -0.0036 0.0163 -0.0537***
Rt(-7) 0.007 0.0033 0.0256 -0.01
Rt(-8) 0.0135 0.0017 0.0187 -0.021

X(-1) -0.3051* 0.7851*** 0.0027 0.2427*** 0.0587*** 0.0384**

X(-2) 0.4209** 0.1206*** 0.0231 0.1252*** 0.0346 0.0716***
X(-3) -0.2488 0.0067 0.056 0.0733*** 0.0554*** 0.0774***
X(-4) -0.1611 0.0653*** 0.0423 0.0783*** -0.054*** 0.0992***
X(-5) 0.6572*** -0.0168 -0.0947*** 0.1165*** 0.0243 0.1316***
X(-6) -0.3898** 0.005 -0.0722* 0.0774*** -0.0281 0.0645***
X(-7) -0.0054 0.0543*** -0.015 0.0599***
X(-8) 0.0538 0.0769*** -0.0313 0.0982***

Table 2.13 – (1) Estimation des six modèles VAR incluant les rendements et la variable X
désignant la liquidité.

significative entre elles et les rendements dans les deux sens. A contrario, les rendements
n’affichent pas une dépendance significative avec les mesures de liquidité calculées à par-
tir du volume des transactions. Cela veut dire que le marché français peut absorber un
volume important des transactions sans perturber de manière significative les prix. Cela
concorde avec les travaux de Gebka (2012)[148], qui trouve peu d’arguments en faveur du
rôle du volume sur le rendements. Lee et Rui (2002)[226] pensent même que le volume
des transactions ne peut pas être utilisé en tant que variables explicative des rendements.

Le test de stabilisation en modèle multivarié est utilisé pour vérifier les conditions de
stabilité des valeurs propres après estimation des paramètres du modèle VAR. La stabilité
d’un modèle VAR peut être vérifiée en calculant les racines de : (In −A1 L−A2 L2 −....)yt =
A(L)yt .
Le polynôme caractéristique est défini de la façon suivante : π(z) = In − A1 z − A2 z 2 − ....,
et la racine de |π(z)| = 0 nous donnera nécessairement des informations sur la stabilité
du processus. Le modèle VAR est stable si toutes les racines ont un module inférieur à
1. Nous avons calculé ces racines pour tous les modèles VAR (résultats en annexes 3.16,
3.17, 3.18, 3.19, 3.20 et 3.21). Tous les modules sont inférieurs à 1, nos modèles VAR
respectent les conditions de stabilité.

148
 Rt X=Lvolume Rt X=D_V Rt X=LIX
Constante 0.0083 2.9108*** 0.0006 -3951.49 0.0066 2.3184***
Rt(-1) -0.0341* -1.8918*** -0.0358** -7217861*** -0.037** 1.431***
Rt(-2) -0.0476*** -1.2055*** -0.0467** -7012598*** 0.0496*** 0.8391***
Rt(-3) -0.0543*** -0.99328*** -0.0533*** -6457904*** 0.0564*** 0.8345***
Rt(-4) 0.0212 -1.2728*** 0.0224 -2270768 0.0223 0.38*
Rt(-5) -0.0681*** 0.2481 -0.0689*** -5944207*** -0.0681*** -0.1223
Rt(-6) 0.0021 -0.1844 0.0037 -0.1248
Rt(-7) 0.017 0.0865
Rt(-8)

X(-1) 0.0003 0.5057*** 2.00E-10 0.4646*** 0.0018 0.2541***

X(-2) -0.0003 0.0556*** -6.28E-11 0.0644*** -0.0004 0.1422***
X(-3) 0.0002 0.0666*** 1.10E-10 -0.0150 -0.0002 0.0854***
X(-4) 0.0006 0.0741*** -3.03E-10 0.1134*** -0.0028* 0.062***
X(-5) -0.0007 0.2337*** -2.11E-11 0.1092*** 0.0022 0.0877***
X(-6) -0.0006 -0.0924*** -0.0003 0.0686***
X(-7) -0.0009 0.067***
X(-8)

Table 2.14 – (2)Estimation des six modèles VAR incluant les rendements et la variable X
désignant la liquidité.

Nous conduisons ensuite un test d’auto corrélation sérielle (ou test de Breusch-Godfred)
des résidus de nos modèles VAR. L’idée générale de ce test est la recherche d’une relation
significative entre les résidus et ces mêmes résidus décalés. Ainsi, nous testons l’hypothèse
H0 : absence d’auto corrélation, contre l’hypothèse H1 : Présence d’auto corrélation. La
statistique du test LM =N R2 suit une loi de khi-deux. Ce test (voir annexes 3.16, 3.17,
3.18, 3.19, 3.20 et 3.21) nous révèle que l’hypothèse nulle d’absence d’autocorrélation n’est
pas rejetée et cela est pour tous les retards et pour tous les modèles VAR que nous avons
estimés.

4.2.3 La causalité au sens de Granger

L’analyse de la causalité va nous permettre de savoir quelles sont les influences sta-
tistiquement significatives des deux variables (rendements et liquidité) entre elles. Nous
effectuerons la causalité au sens de Granger pour mettre en évidence ces influences si-
gnificatives et pour connaître également le sens d’une éventuelle causalité. On procède
donc au test de causalité (figure 2.13) à partir des six représentations VAR(p) estimées
précédemment.

Rappelons que dans le test Granger, on considère qu’une variable est la cause d’une
autre si la prédictibilité de la première est améliorée lorsque l’information relative à la
seconde est incorporée dans l’analyse.

149
 Nous testons : H0 : Absence de causalité entre les rendements et la liquidité.
Contre H1 : Présence de causalité entre les rendements et la liquidité.
Si la probabilité critique est supérieure au seuil α, on accepte l’hypothèse H0 .

Figure 2.13 – Test de causalité de Granger entre les rendements et la liquidité.

— Pour les mesures liées à la fourchette bid ask :

L’hypothèse nulle d’absence de causalité est rejetée dans tous les cas, il existe une
causalité dans les deux sens entre la liquidité et les rendements. Cette causalité bi-
directionnelle est appuyée par d’autres études notamment Chen et al.(2001)[87] et
Kumar et al.(2009)[218].

— Pour les mesures liées au volume de transactions :

on peut affirmer qu’il y a une causalité unidirectionnelle entre les rendements et la
liquidité. En effet, les rendements causent la liquidité, mais celle ci ne cause pas les
rendements. Ces résultats obtenus sont cohérents au seuil statistique de 5% avec les
conclusions tirées de l’estimation des modèles VAR. Cependant, les résultats sont
en totale contradiction avec Saatcioglu et Starks (1998)[297] qui constatent que le
volume des transactions sur le marché d’amérique latine cause les rendements, mais
que les rendements des actions ne causent pas de volume.

150