L’approche VAR

Cadre méthodologique : Nous avons choisir d’utiliser le model VAR, pour étudier la transmission des chocs entre marché boursiers. Ils seraient cependant plus pertinent d’analyser d’abord les propriétés des séries, celles-ci seraient indispensable pour une étude qui cherche à utiliser le modèle VAR. 

Analyser des propriétés des séries

Andersen et al(2000), sont les premiers à utiliser des données intra journalières pour estimer la volatilité, ont identifié quelques caractéristiques importantes inhérentes à celleci.En utilisant des données des hautes fréquences de l’indice Dow jones, ces auteurs ont montré que la distribution non conditionnelle de la volatilité est asymétrique.Ces régularités empiriques sont très importantes surtout pour le choix du modèle d’estimation adéquate. Par exemple pour estimer un modèle VAR, il est indispensable que les données utilisées suivent une loi normale ou très proche d’une normale, c’est la raison ou laquelle nous jugeons nécessaire de vérifier que nos données respectent ces propriétés avant de passer à l’étape d’estimation du modèle VAR. Ainsi cette étude est basée sur l’analyse des coefficients de Skewness, de Kurtosis et du test de normalité Jarque-Bera.L’ensemble des résultats est synthétisé dans le tableau(11). 

Distribution des séries

Nous allons étudier les coefficients de Skewness, de Kurtosis et le test de normalité de Jarque-Bera de la volatilité réalisée ceux-ci renseignent respectivement sur l’asymétrie, l’aplatissement et la normalité d’une distribution. Cette étude consistera à comparer les coefficients de Skewness et de Kurtosis des séries à ceux d’une normale c’est-à-dire zéro (0) pour le Skewness et trois(3) pour le Kurtosis.La première remarque que l’on peut faire au regard des résultats figurant dans le tableau 11 est que, pour toute les séries, les valeurs de Skewness et du Kurtosis tournent respectivement autour de 0 et 3, valeur prises par ces coefficients pour une normale. Comme nous pouvons le constater, le coefficient de Skewness et non nul pour tous les indices, mais proches de zéro il varie entre (-0.15 et 0.02) période tranquille et de (-0.18 et 0.75)période tranquille et de (-0.81 et 0.75) période de crise traduisant ainsi une quasi-symétrie des séries, c’est-à-dire, il s’agit des distributions étalées vers la gauche et d’autre vers la droite période  tranquille sauf le coefficient de la Tunisie qui est supérieure de 0 (1.90) la distribution est éloigné vers la droite par contre en période de crise tous les distributions sont étalées vers la droite. Pour ses valeurs variant de (4.02 et 4.5) sont légèrement supérieures à la normale ce qui suggère donc que la distribution des séries n’est pas véritablement leptortique et que les queues des distributions ne semblent pas être non plus très épaisses par rapport à celles d’une normale, sauf pour le Maroc et la Tunisie qui représentent des coefficients de Kurtosis plus élevés. La queue de c’est deux séries est plus épaisses que la normale. En période de crise les coefficients de Kurtosis sont très élevés c’est-à-dire largement supérieure de 3 pour toutes les séries de rendements des indices boursiers.Cet excès de Kurtosis témoigne une forte probabilité d’occurrence des points extrêmes, la queue des séries de volatilité est plus épaisse que la normale. L’analyse des coefficients de Kurtosis et de Skewness laissent présager que les séries de rendement sont approximativement gaussiennes en période tranquille. Par contre en période de crise, il en découle de ces constatations que les séries ne semblent pas gaussiennes car leurs coefficients de Skeweness et de Kurtosis sont très éloignés de ceux d’une normale. Les tests de normalité de Jarque-Bera pour les deux périodes confirment la normalité de nos séries, ces tests rejetant l’hypothèse nulle de normalité. La colonne du tableau qui rapporte les résultats du test donne les statistiques t et les valeurs p,valeurs entre parenthèses.les statistiques t sont très grandes les p valeurs sont toutes inférieures au seuil de 5%.