par rapport à la VaR-normale.
En général, les VaR qui tiennent compte des queues de
distributions épaisses des rendements, arrivent mieux à capturer les risques extrêmes.
De cette étude simple, nous n’avons appliqué que le modèle de Bangia et al. (1999)[31]
dont nous avons déjà exposés les critiques mis à son égard. L’utilisation de la mesure de
Roll ne permet pas de rendre compte des coûts de transactions implicites (notamment
l’impact sur les prix). Vu qu’il n’y a pas de consensus entre les chercheurs sur la vraie
mesure de liquidité, l’application de toute méthode LVaR reste critiquable.
En conclusion, aucun des modèles ou des mesures ne parviennent à saisir complètement
les besoins d’une mesure du risque de liquidité, car à travers les contraintes de modélisa-
tion, les modèles ignorent inévitablement certains aspects du risque de liquidité au profit
d’un autre. L’implication de cela est que le risque de liquidité ne peut être mesuré qu’avec
un éventail de mesures. Le modèle de Bangia et al. (1999)[31] nécessite une mesure de
l’impact sur le prix. Les modèles OLS doivent saisir la largeur et la profondeur et doivent
donc être contrôlés en conjonction avec la fourchette et le volume échangé. L’idée générale
est qu’un modèle qui nécessite beaucoup de modélisation de données devrait être enrichi
d’une mesure / d’un modèle qui soit rapide et facile à mettre en œuvre car les exigences
de données ne devraient pas être trop lourdes pour rendre l’implémentation accessible.
Conclusion
Après avoir mis en évidence, dans le second chapitre, la présence du risque de liquidité
sur le marché français, nous avons présenté dans ce chapitre les différentes modalités d’in-
tégration de la liquidité dans les modèles de gestion des risques. Les modèles classiques
de gestion de risque ne tiennent pas souvent compte du risque de liquidité, mais des ex-
tensions de ces modèles ont été développées pour pallier ce problème. Nous avons passé
en revue ces principaux modèles et nous avons effectué quelques applications simples.
Nous avons appliqué en premier temps le modèle LCAPM sur l’indice CAC 40. En utilisant
la mesure de liquidité de Roll, nous avons effectué une analyse des différents coefficients
βk du modèle LCAPM. Mis à part pour le coefficient β3 qui traduit la relation entre les
rendements de l’actif et la liquidité du marché, l’application du modèle LCAPM sur les
actions du CAC 40 n’a pas donné des résultats probants.
En deuxième lieu, nous avons insisté sur le rôle de la liquidité dans les choix d’investisse-
ment. En partant du modèle de Markowitz, la prise en compte de la liquidité peut se faire
de plusieurs manières. Nous avons effectué une application simple du choix du portefeuille
231
avec une contrainte de liquidité. Après avoir défini les mesures de la liquidité pour les titres
et pour le portefeuille, nous avons comparé la répartition optimale des portefeuilles avec
et sans contraintes de liquidité. Les résultats obtenus montrent que l’optimisation du por-
tefeuille en prenant en compte la dimension liquidité réduit l’exposition d’un portefeuille
au risque de liquidité sans pour autant sacrifier une proportion importante du rendement
espéré par unité de risque.
En dernière section du troisième chapitre, nous avons passé en revue les principaux mo-
dèles de la Value-at-Risk avec intégration de la composante liquidité. Nous avons effectué
une petite application du modèle LVaR de Bangia et al. (1999)[31]. La revue de la littéra-
ture nous a amené à conclure qu’aucun des modèles ne parviennent à saisir complètement
le risque de liquidité. Les modèles d’ajustement de la fourchette nécessitent une mesure
de l’impact sur le prix. Les modèles OLS ne saisissent pas la largeur et la profondeur du
marché. Un modèle LVaR doit tant que possible tenir compte de ces considérations, en
étant facile à implémenter.
232
Conclusion générale
Notre travail avait pour objectif principal de quantifier l’ampleur du risque de liquidité
sur le marché du CAC 40. Nous fournissons une vision globale du risque de liquidité en
abordant au maximum tous les contours du concept de la liquidité. Cette thèse ne se
focalise pas sur un champ particulier du risque de liquidité. Elle aborde le thème de la
liquidité dans une perspective généraliste qui touche à la fois le contexte générale de la
liquidité (microstructure des marchés, réglementations...), la quantification de la liquidité
sur le marché français et les outils disponibles pour une bonne gestion du risque de liqui-
dité.
L’étude de la liquidité a nécessité en premier lieu l’exploration des éléments théoriques
relatifs au concept de la liquidité de marché. Ensuite, nous avons procédé à l’étude em-
pirique qui a comporté deux volets : un premier volet relatif à l’étude des propriétés
temporelles de la liquidité et un deuxième volet relatif à la gestion de risque de liquidité.
Les crises financières que nous avons étudiées témoignent la nécessité de la mise en
place des mesures adéquates de risques de liquidité. Cette tache est d’autant plus difficile
pour des marchés financiers dont la structure change en permanence. Nous avons vu que
la liquidité est un concept complexe et multidimensionnel pour lequel il n’ y a pas de
consensus entre les chercheurs sur sa mesure exacte. Les mesures de la liquidité du mar-
ché sont diverses et changent en fonction de la dimension à laquelle on s’intéresse.
Le recours à la théorie de la microstructure des marchés nous a permis d’identifier les
composantes du risque de liquidité. Le risque de liquidité ne peut être réduit aux coûts
de transactions, mais ceux-ci déterminent en grande partie son ampleur.
Nous avons également vu que l’évolution des règles de trading et l’émergence de nouvelles
technologies ont conduit en particulier à la fragmentation des marché et à la croissance
du trading automatisé. Cela a impacté de manière significative le processus de formation
de prix et par conséquent, la liquidité du marché a été elle aussi impactée.
À travers l’étude des cycles de la crise de liquidité, nous avons relevé une interdé-
233
pendance entre la liquidité de marché, la liquidité de financement et l’économie réelle.
Cette forte interaction entre ces éléments en période de crise provoque un cercle vicieux
qui accélère la propagation des crises. Ces crises financières et le nouveau écosystème
de trading ont poussé les instances de régulation à une vague réglementaire structurante
pour l’industrie financière, notamment car ces réglementations revoient en profondeur les
méthodologies du calcul des risques. Cependant, comme nous l’avons vu, ces nouvelles
contraintes réglementaires risquent d’être handicapantes à la fois pour le secteur bancaire
et pour l’économie réelle.
Notre étude sur le CAC 40 a montré que la liquidité a tendance à se comporter dif-
féremment selon les circonstances des marchés. La persistance de la liquidité est décelée
grâce à la présence de mémoire longue dans les mesures de liquidité. D’un coté, la persis-
tance pour les mesures de liquidité relatives au volume témoigne de la capacité du mar-
ché à résister à des volumes importants sans que cela impact significativement les prix.
D’autre part, la mémoire longue dans les mesures de liquidité relatives à la fourchette
bid-ask indique la persistance des coûts de transaction. La persistance de la liquidité nous
a conduit à conclure qu’un choc de la liquidité ne s’estompe donc pas instantanément,
et les investisseurs continueront à subir les conséquences sur une période plus ou moins
longue. Néanmoins, la présence d’une structure de dépendance de court terme et de long
terme dans la liquidité indique aussi que celle ci ne suit pas une marche aléatoire et elle
est donc prévisible.
Nous avons également établi une dépendance négative entre les rendements et mesures
de liquidité, mais les résultats sont sensibles à la conjoncture économique. Les tests de
causalité effectués entre les rendements et les mesures de liquidité ont débouché sur des
résultats mitigés. Pour les mesures liées à la fourchette, nous a aussi établi l’existence
d’une causalité bidirectionnelle, et pour les mesures liés au volume, nous avons obtenu
une causalité unidirectionnelle.
Pour le volet gestion de risque, nous avons présenté les tentatives d’incorporation de la
liquidité dans les modèle CAPM, Markovitz et Value at Risk. Nous avons ensuite appliqué
certains de ces modèles sur le CAC 40.
L’introduction de la liquidité dans le CAPM se fait via le modèle LCAPM. Ce dernier
n’était pas significatif pour les 36 actions que nous avons retenues.
L’intégration la liquidité dans le processus d’optimisation de portefeuille se fait via trois
méthodes : le filtre de liquidité, les contraintes de liquidité et l’optimisation directe d’une
fonction objectif de moyenne-variance-liquidité. Nos résultats ont montré que l’optimisa-
tion du portefeuille en prenant en compte la dimension liquidité réduit l’exposition d’un
234
portefeuille au risque de liquidité sans pour autant sacrifier une proportion importante
du rendement espéré par unité de risque.
L’incorporation de la liquidité dans les modèles Value-at-Risk se fait soit par les modèles
d’ajustement par la fourchette, par les modèles d’ajustement paramétrique ou par les
modèles de stratégie de liquidation optimale. Or, nous avons conclu à travers la littéra-
ture qu’aucun des modèles ne parvient à saisir complètement les besoins d’une mesure
du risque de liquidité, car à travers les contraintes de modélisation, les modèles ignorent
inévitablement certains aspects du risque de liquidité au profit d’un autre. L’application
du modèle LVaR pour les actions du CAC 40 a produit des estimations fiables de la LVaR
mais trop restrictives.
Au total, bien que la littérature développe une série de modèles de la gestion du risque
de liquidité, ceux-ci n’ont pas connu beaucoup de succès. La multitude des approches et
la divergence des résultats laisse pour l’instant les praticiens sceptiques.
En termes de gestion de risque d’une institution financière, un contrôle efficace de la li-
quidité doit s’inscrire dans une politique de liquidité qui favorise d’abord le critère de la
liquidité, quitte à renoncer à certaines considérations liées à la rentabilité. Mettre en place
pour chaque portefeuille un score de liquidité serait, entre autres, une mesure à adopter.
Cette thèse contribue à la littérature sur la liquidité de plusieurs manières. Tout
d’abord, nous avons passé en revue la littérature la plus récente sur les effets de l’in-
troduction du MiFID 1 et MiFID 2 sur les marchés. Nous avons discuté les derniers
travaux abordant les conséquences de la fragmentation des marchés boursiers, le trading
haute fréquence, les "dark pool" et la réglementation Bâle sur la liquidité. Ensuite, nous
avons étudié les mesures de liquidité dans un cadre comparatif. Nous avons vérifié que la
liquidité est persistante et varie dans le temps, ce qui a une implication majeure sur la
possibilité de prévoir sa variation dans le temps. Nous avons appliqué le modèle LCAPM
sur le marché CAC 40. Le modèle a la particularité d’inclure divers types de risques de
liquidité dans un modèle unique.
Ce travail ouvre la voie à plusieurs perspectives de recherches :
Le champ de l’enquête est limité aux marchés boursiers, il ne prend pas en compte les
autres classes d’actifs, comme les obligations et les produits dérivés. Une des applica-
tions possibles en dehors de cette thèse consiste à étudier aussi la liquidité des autres
instruments financiers comme les obligations, ou la liquidité des actifs sur les autres com-
partiments d’Euronext, notamment Euronext Growth. L’intérêt d’une telle démarché est
que sur Euronext Growth, on peut avoir des actions extrêmement illiquides.
Le principal défi pour la gestion du risque de liquidité est la définition d’une mesure
235
appropriée de la liquidité. Cette mesure doit tenir compte du maximum des aspects de
la liquidité tirés de la théorie de la microstructure des marchés. Une voie de recherche
possible consiste à fournir une mesure qui tient compte à la fois du risque de liquidité de
financement et du risque de liquidité de marché, étant donné que ces deux aspects sont
fortement liés.
Du fait de la non disponibilité des données sur les transactions par bloc d’actifs, nous
n’avons pas pu estimer certaines mesures de la liquidité relatives à l’impact sur le prix.
Nous n’avons pas pu aussi appliquer les modèles de liquidation optimale. Du fait de la
transparence croissante des marchés, et de la diminution du coût de l’information, nous
espérons que l’application de certains de ces modèles sur le marché français, apporte plus
d’enseignement sur l’état de la liquidité.
Les études futures sur la liquidité du marché français doivent évaluer l’impact de la l’in-
troduction des réglementation MiFID 2 et Bâle IV sur le marché.
Les méthodes de gestion de risque de liquidité peuvent être améliorées avec l’utilisation
de la CoVaR, ou des méthodes d’estimation plus robustes du LCAPM comme la méthode
des moments généralisée.
Enfin, les marchés européens des actions étant très fragmentés, il serait intéressant de
mesurer la liquidité en utilisant les carnets d’ordres fournis par les plateformes alterna-
tives (BATS, Chi-X Europe, Turquoise...) et de comparer la liquidité entre les différentes
platefromes.
236
Annexes
Figure 3.8 – Résultats des estimations des modèles autoregressives (1)
237
Action Nombre de violations VaR à 99%
VaR-normal VaR-CF VaR-Student LVaR
AC 26 16 12 19
ACA 21 10 9 13
AI 23 14 12 13
AIR 19 5 2 5
ATO 28 17 16 18
BN 16 9 7 9
BNP 26 17 13 15
CA 29 14 13 16
CAP 23 11 12 15
CS 25 14 11 15
DG 18 9 7 11
DSY 29 11 14 17
EL 18 6 8 10
EN 19 6 10 12
ENGI 21 7 8 10
FP 26 21 14 19
HO 18 7 7 10
KER 26 10 10 18
LR 28 17 10 14
MC 26 10 9 14
ML 21 12 10 11
OR 21 9 8 10
ORA 13 4 5 7
PUB 22 10 9 11
RI 25 13 12 14
RMS 28 12 10 15
RNO 24 7 8 9
SAF 20 9 8 13
SAN 23 12 8 9
SGO 21 13 11 14
STM 27 11 9 11
SU 28 17 7 14
SW 25 17 10 15
UG 17 11 7 10
VIE 18 9 9 11
VIV 18 7 7 7
Table 3.23 – Le nombre de violations des VaR à 99%.
238
Figure 3.9 – Résultats des estimations des modèles autoregressives (2)
Figure 3.10 – Le modèle VAR(6) entre les rendements et la mesure de liquidité Roll.
239
Figure 3.11 – Le modèle VAR(8) entre les rendements et la mesure de liquidité HL.
240
