Intégration financière internationale face à une stratégie de diversification de portefeuille

INTRODUCTION GENERALE

INTRODUCTION GENERALE

L

e monde de la Finance a connu un grand bouleversement avec l'apparition du modèle de l?évaluation des actifs financiers (MÉDAF) proposé par Sharpe (1964), Lintner (1965) et Mossin (1966). Ce modèle présente une relation simple telle que le rendement est expliqué par la prime de risque du marché. Cette prime

est la rentabilité supplémentaire que les investisseurs exigent de percevoir pour acheter des actions plutôt que des bons du Trésor ou des obligations d?Etat, pas ou faiblement risqués. C?est la compensation exigée par un investisseur pour rémunérer le risque propre aux investissements en action. Ce risque se décompose lui -même en risque systématique (ou risque de marché) qui affecte plus ou moins toutes les actions d?un marché boursier et en risque spécifique (ou risque intrinsèque) qui est indépendant des phénomènes affectant l?ensemble des titres et qui caractérise le risque propre à une entreprise ou à un secteur d?activité. Jusqu'à aujourd'hui, le MÉDAF est l'un des modèles d'évaluation les plus utilisés par la communauté financière, en dépit des critiques qui lui ont été adressées. C'est que divers chercheurs ont avancé que le béta du MÉDAF est insuffisant pour expliquer le rendement ; et que certains facteurs fondamentaux y jouent un rôle complémentaire. D'autres trouvent que le MÉDAF se fonde sur des hypothèses assez réductrices.

L'apparition du Modèle d'évaluation par Arbitrage l?APT, développé par Ross (1976), est l'une des premières réponses concrètes aux critiques du MÉDAF. Grouer et Al (1976) montrent qu?il ya des versions plus internationales du modèle proposées par Solnik (1974), Sercu (1980), Stulz (1981), Adler et Dumas (1983). Grouer et Al (1981) étudient un MEDAFI à segmentation partielle où les primes de risque sont déterminées par une combinaison de facteurs internationaux de risque. De méme, l?un des résultats théorique les plus importants qui à contribué à la suivie du MEDAF est celui de Dybvig et Ross (1985) et Hansenet Richard (1987) qui ont montré que la version conditionnelle du MEDAF est appropriée même si le MEDAF traditionnel mis en couse.

De plus, le modèle de Fama French présente une extension du MEDAF qui s?inspire des modèles multifactoriel : ces derniers expriment le rendement en fonction de plus qu?un facteur et de donner le maximum d?informations pour bien mesurer et prédire le rendement. Markowitz formalise le problème du choix de l?investisseur en supposant que celui-ci optimise ses placements en tenant compte non seulement de la rentabilité espérée de son portefeuille mais aussi de son risque mesuré par la variance de sa rentabilité. Cette théorie de

portefeuille nous enseigne que le risque non systématique peut être éliminé en diversifiant. Un portefeuille d?actions offre un couple rentabilité-risque meilleur qu?un titre individuel. En effet, contrairement à la rentabilité anticipée du portefeuille qui est par définition égale à la moyenne pondérée des rentabilités anticipées des différents titres qui y sont introduits, la variance (le risque) du portefeuille est inférieure à la somme pondérée des variances (des risques) des titres pris individuellement. Une corrélation faible entre les titres individuels aboutit à un meilleur rapport rentabilité-risque.

Au niveau national, la théorie de portefeuille de Markowitz (1952,1959) nous enseigne que l?inclusion des titres peu corrélés dans un portefeuille réduit grandement son risque. Au plan international, Les bénéfices des stratégies de diversification de portefeuilles ont été montrés depuis les travaux pionniers de Grubel (1968) et Solnik (1974). Ces bénéfices sont souvent attribués aux corrélations plus faibles entre marchés financiers nationaux qu?entre titres individuels du même marché. De nombreux travaux empiriques ont montré que la diversification internationale réduit davantage le risque qu?un portefeuille purement domestique. En effet, aussi longtemps que les marchés financiers sont affectés par des facteurs spécifiques du risque, les corrélations entre ces marchés sont relativement faibles et les gains attendus des stratégies de diversification internationale sont importants.

L?analyse de corrélation est importante parce qu?elle est utilisée pour vérifier la diversification d?un portefeuille. Cette corrélation est mesurée par le degré d?intégration entre les marchés financiers, s?il ya une faible corrélation, le gain de la stratégie de diversification à l?international sera important. Cette intégration des marchés financiers a fait l'objet de notre étude qui tien leur importance du fait qu'en présence d'une intégration financière entre les marchés.

Quelle est l'impact de l'intégration des marchés financiers sur la stratégie de diversification de portefeuille à l'internationale ?

Pour répondre à cette question, notre travail comporte trois chapitres, le premier sera consacré à exposer les modèles d?évaluation des actifs financiers à l?échelle nationale et internationale et les mesures du risque d?un portefeuille. Le deuxième sera réservé aux différents types de justifications proposées dans la littérature financière pour expliquer les effets de la diversification à l?international, le biais domestique et l?impact de l?intégration des marchés

financiers. Le troisième chapitre est basé sur létude de l?intégration des marchés financiers et ces implications sur le risque de la diversification internationale. Nous visons par ce travail la participation à un débat concernant cette énigme.

CHAPITRE 1
LES MODELES D'EVALUATION DES ACTIFS FINANCIERS

CHAPITRE 1

LES MODELES D'EVALUATION DES ACTIFS FINANCIERS

C

e chapitre aborde l?évolution récente des méthodes d?évaluation des actifs financiers en matière de choix de portefeuille optimal. Les recherches de Markowitz des années cinquante, ont marqué le point de départ de la théorie

moderne relative à la gestion des actifs financiers et au fonctionnement des marchés, bien que connu, il a affiné l?approche moyenne - variance et le concept de la diversification. Ceci constitue la première étape de la théorie moderne de portefeuille, quand à la seconde étape, nous pouvons poser la question suivante : quelle est la mesure la plus adéquate qui satisfait au mieux les préférences de l?investisseur, à cet égard de nombreuses études faites commencent l?approche moyenne - variance de Markowitz (1952) en passant par le modèle d?évaluation des actifs financiers de Sharpe (1964), Lintner (1965), et Mossin (1966) jusqu?au modèle à trois facteurs de Fama French (1993).

Dans le méme cadre de l?approche moyenne - variance de Markowitz (1952), la sélection d?un portefeuille qui satisfait à la préférence des investisseurs et leurs attitudes face au risque est bien expliqué par le modèle le plus connu et le plus utilisé par ces investisseurs qui font leurs choix en fonction de l?espérance de rentabilité et la variance de rentabilité. Mais il existe des travaux qui ne confirment pas les résultats de l?approche moyenne - variance, Prat (1964), Feldstein, Levy (1974). Ils montrent que le choix de portefeuille individuel selon l?approche moyenne - variance tend vers la diversification.

Quand à la diversification, elle présente une source de gain pour les investisseurs, ce critère de choix dépasse la diversification nationale à la diversification internationale qui est en lien avec d?autres conditions comme le degré d?intégration des marchés financiers Loyze et Server (2003), Azman et Al (2002), Harvey et Ng (2003).

Les difficultés de l?approche moyenne - variance sant les principales couses de renforcement des travaux de recherche et la naissance d?autres méthodes d?évaluation des actifs financiers le MEDAF de Sharpe (1964), Lintner (1965) et Mossin (1966). Ce modèle est développé en (1992 - 1993) par Fama French qui a ajouté deux facteurs au modèle de base.

Ce chapitre sera organisé comme suit : dans la première section on va étudier l?approche traditionnelle de Markowitz (1952). D?une part, le modèle d?évaluation des actifs financiers, et de l?autre part le MEDAF. De même, dans cette partie nous nous intéressons au MEDAF conditionnel et les études faites sur le MEDAF à l?internationale, le modèle a trois facteurs de Fama French (1993) et l?APT. Enfin, notre étude sera faite pour le choix et la sélection d?un portefeuille.

1.1 : L'approche traditionnelle de Markowitz (1952)

La théorie de portefeuille de Markowitz est le modèle de gestion le plus connu et le plus utilisé. Ce modèle suggère que les investisseurs font leurs choix en fonction de l?espérance de rentabilité et de la variance des rentabilités, selon une étude faite par Olga B (2009) le portefeuille optimal et définie comme celle de la variance minimale pour un niveau de rentabilité donnée. Le résultat essentiel du modèle de Markowitz (1952) est le concept de diversification. Cette théorie appelée aussi « moyenne - variance » est compatible avec la théorie d?utilité espérée sous certaines hypothèses, et que les rendements suivent une loi normale.

Pratt (1964), Feldstein, Levy (1974) n?est confirmé au résultat de l?approche moyenne - variance que si les investisseurs plus averses au risque, le rendement sera plus élevé. Suite à l?étude d?Olga B (2009), le choix de critère de rendement - risque suppose que tous les moments d?ordre supérieur à deux et la distribution jointe des rentabilités ne soient pas pris en compte, alors le portefeuille optimal est basé sur une information considérablement réduite. « Les écarts positifs par rapport à la moyenne de richesse espéré en autant d?importance que les écarts négative, or le risque est plus souvent associer avec le risque de perdre qu?avec le risque de gagner. » Libby et Fishburn (1977).

La théorie de portefeuille de Markowitz a donné naissance à l?équilibre des actifs financiers développés par Sharpe (1964), Lintner (1965) et Mossin (1966). Ce modèle montre que le risque total d?un titre se décompose par un risque de marché appelé risque systématique ou non diversifiable et un risque liée au titre, lui-même est appelé risque diversifiable ou spécifique.

La MEDAF stipule que les agents optent les mémes portefeuilles d?actifs risqués qui prennent
l?appellation de portefeuille du marché. L?objet des investisseurs de réduire le risque est
d?augmenter la rentabilité, ce comportement de choix de portefeuille revient à construire un

portefeuille diversifié pour éliminer le risque spécifique des titres et ne garder que le risque systématique du marché.

1.1.2 : Le portefeuille de H. Markowitz

Le modèle de Markowitz (1952) comme taus les modèles se caractérise par une présentation simplifiée à une réalité complexe dont le but d?une description du profit, et qui consiste exclusivement à la mesure du degré d?aversion ou risque c à d plus l?investisseur averse au risque, plus le rendement de portefeuille est élevé, dans le couple rendement risque les investisseurs cherchent à réaliser le meilleur compromis possible entre le rendement espéré et le risque correspond.

Blume et Friend (1975) ; Barber et Odean (2000) ; Kumar et Geotzman (2003) ; Polkovnichenko (2005) montrent que le portefeuille de H.Markowitz est très peu diversifié, aussi une approche alternative fondé sur le concept « safety first " Roy (1952) ; Baumol (1963) ; Arzacet et Bawa (1977) suggère de ne prendre en compte que le « downside risk " Bawa (1975) ; Menesez, Gies, Tressler (1980) dans ce cas, seuls les écarts négatifs par rapport à un certin niveau souhaité sont mesuré. Dans ce même cadre de mesure de risque an distingue :

1.1.2.1 : Volatilité

La volatilité s?interprète comme le degré de variation moyenne des prix d?un actif ou d?un fond, de plus elle se définit comme l?écart-type annualisé de ses variations. En fait, plus cette variation est élevé plus l?actif considéré est risqué, d?ailleurs elle trouve son origine sur les facteurs internes et externes de l?actif considéré. Etant donné que certaine action dont les fondamentaux sont faibles, ont une volatilité supérieure au marché, c à d betas supérieur à un.

1.1.2.2 L ll 'écaI1 ll1%p

Dans la théorie moderne du portefeuille, nous utilisons l?écarte type du rendement R comme mesure du risque

cy = _ ~) = )

Ou représente le rendement espère ~

= E(R) =

Supposons que vous ayons deux titres x1 et x2 et que x1 est la pondération du premier titre (0 x 1) Nous pouvons déduire par la pondération du second titre est 1-x1

-

R^-p =

Le rendement espère de portefeuille se calcule comme suit + (1- x1) ^-R

Ou ^-R le rendement espère du titre i

L?écart type du portefeuille est donnée par

⁶pd (x16 1) 2 + [(1 - x1)6 2] + [(2x(1 - x)6 16 ₂ )]

Ou 6 _i est l?écart types des rendements des titres i et p les corrélations des deux titres Cas générale

Le rendement espère du portefeuille se calcule R^- p= R^-Tx

Alors la variance du portefeuille est comme suit 6 _p=x^T

1.1.2.3 : Variance de portefeuille :

C?est la moyenne des carrées des écarts a la moyenne

6 _p=var( R_p)= x 16 ₁ + x 26 ₂ + 2x1x2cov(x1x2)

=x 16 1	+ (1	- x1) 26 2	+ 2x1(1 - x1)co v(x1, x2)
=x^210" ^21	+ (1	- x1)^2(122	+^2x1(1 -^x1) Pxix2^0"1^0" 2

cov(xi,x2)

On suppose 6 -6 et [11 > [12 et on pose p(x1, x2) =

⁶²p = 6 21[x ₁ + (1- x1) + 2x1(1 - x1) _P(x1, x2)]

1.1.2.4 : Minimisation de la variance du portefeuille

=- - 2a -- ) -- )~

Si ) lo a _p a a et E ( _p)

Si ~ -- alors

Donc a p = 0 et E ( _p) =

1.1.2.5 : La corrélation

La corrélation consiste à mesurer l?interaction entre deux variables, le résultat de cette mesure s?appelle « Le coefficient de correlation »

La mesure d?un coefficient de corrélation peut varier entre +1 et -1

~ ~ Y) y

Y YY YY

Y)= N ) Y -Y)

~

N )

N Y Y)

CO ~ =

~ - ~ ~ -y) = y

Avec var(x) = ~ ~

~ = Var(y) = ~ ~ ~ ~

~ = ~~

- Plus de 0 ,75 cette mesure implique que les deux actifs reagissent de façon très similaire aux conditions du marche et que leurs rendements iront generalement dans la même direction

- Entre 0,25 et 0,75 implique que les deux actifs rependent de façon assez similaire aux conditions du marche.

- Entre zero et 0,25 les actifs reagissent differemment à la condition du marche et leurs rendements ont tendance à demeurer indépendants l?un de l?autre

- Moins de zero les actifs reagissent differemment à la condition du marche et leurs rendements evaluent en direction opposee.

1.1.2.6 : Mesure de la VaR

Value at risque est proposé par Baumol (1963), c?est le niveau de la perte maximale, cette mesure est devenue très populaire ses dernières années Duffi et Pan (1997), Jarian (2000), Linsmeier et Person (2000), Hull (2008) la mesure de la VaR correspond au montant de la perte qui ne devrait être dépassée au seuil de confiance t% sur un horizon de N jours. Olga B (2008), la VaR est définie pour une seule valeur de la probabilité 1-t contrairement à la contrainte dans les modèles de Safety first, en autre la VaR fait partie des mesure du risque qui sont utilisées afin de déterminé le capital requis.

Dans ce contexte Artzner, Delbaem, Eber et Heath (1999) proposent quatre propriétés qu?une mesure de risque doit satisfaire pour être qualifiée, l?une de ces propriétés sous additive c à d la mesure du risque doit diminuer à l?effet de diversification, la VaR ne satisfait pas à cette propriété Olga B (2008).

La mesure de la VaR est devenue très populaire dans les années (1980) et confronté aux nombreux tests de confirmité et de comparaison avec d?autres mesures de risque à l?égard de ces tests différents approche ont été proposé Harlow (1991) Shapiro (2001), Yiu (2004).

Basak et Shapiro (2001) développent un modèle mono périodique aussi Alexander et Baptista (2002) comparent les portefeuilles obtenu dans le cadre d?un modèle moyenne - VaR avec les issus du modèle de Markowitz (1952) qui consiste à maximisé les pertes maximale définie par la VaR.

1.1.2.7 : Ratio de risque / Performance

La théorie financière propose de nombreux indicateurs de performance dont l?objet est la prise en compte de la relation entre le risque et la rentabilité, notons qu?il existe trois ratios, Sharpe (1966), Traynor (1965) et le de Jensen (1968). Ce sont les exemples standards de critère de performance prenant en compte la relation rentabilité risque, même si le premier défini le risque a partir de l?écart-type des rentabilités alors que les autres prennent en considération le beta d?un portefeuille analysé.

Dans ce même cadre ces indicateurs supposent l?existence d?un actifs sans risque et : ou celle d?un portefeuille de marché, il suppose en fait l?idée de diversification optimal en référence à la théorie du portefeuille de Markowitz (1952 - 1959) ou au MEDAF.

Quant ou ratio de Sharpe il est noté }, pour un portefeuille y est défini par :

~ = ~

~

Ou , le ratio de Sharpe d?un portefeuille ~ Le rendement d?un portefeuille

f Le taux sans risque

a, Le risque de portefeuille y

-si le ratio de Sharpe est négatif ça signifie qu?un placement dont le rendement est inferieur à celui du taux sans risque.

Par la suite le ratio de Traynor d?un portefeuille y défini comme suit :

T_y = ~ ~

P. Roger et M. Merli (2001) montrent que le point de différence avec le ratio précédent réside
dans la mesure du risque qui normalise l?excès de rentabilité. Quand un portefeuille situé sur

la droite de marché des capitaux aura un T_~ égale à - f.

T_~ Représente un avantage par rapport au précédent ratio c?est que si un investisseur possède
une capacité de gestion supérieur à la moyenne. T_~ Sera supérieur à la l?excès de rentabilitédu portefeuille du marché.

Enfin, de Jensen, ce coefficient est fondé sur la même idée que le ratio de Traynor en ayant une formulation additive alors que la formulation de Sharpe était multiplicative. Le coefficient de Jensen est défini pour un portefeuille y par :

~ ~ - _f - ~ - f)

Notons qu?un portefeuille possédant un coefficient significativement positif car il se situe au dessus de la droite du marché des capitaux.

1.2 1 [11 lip 1II01II4vDMINEKII IIII IIEWV 1KIKIIIIKID ( ' $ )

1.2.1 : Definition

Le monde de la finance à connu un important bouleversement avec l?apparition du modèle d?évaluation des financiers (MEDAF) ou le CAPM (Capital Asset Pricing Model en anglais) proposé par Sharpe (1964), Lintner (1965) et Mossin (1966), c?est le modèle le plus connu et le plus utilisé.

Une conclusion simple est facilement compréhensible telle que le rendement est expliqué par la prime de risque de marché, on utilise ce modèle pour estimer le cout du capital, l?élaboration des stratégies d?investissement et l?évaluation des performances des portefeuilles. Sharpe (1964) et Lintner (1965) élabore un modèle d?évaluation qui reflète l?équilibre général du marché réalisé à partir de la confrontation entre l?offre et la demande.

La formule du MEDAF dans sa version simple et facile s?écrit comme suit : E(Ri) = Rf + fii E RM~ -- Rf)

Dont fii (E(RM) -- Rf) = prime de risque du titre

(E(RM) -- Rf) = prime de marché

Les fi sont estimé par MCO (Méthode des moindre carrée)

Quant à fii, c'est la mesure du risque systématique, non spécifique et non diversifiable de l'actif. Cette variable reflète le risque d'un actif, qui est d'ailleurs évalué par rapport au risque du portefeuille du marché. fii Se calcule comme suit :

)

)

Avec fimarche =¹ et fiactif sans risque =O.

Notons qu'il existe une relation positive entre le rendement d'un actif et le risque représenté par le béta. De plus, il est important de signaler que le risque n'est plus fonction de la variance de l'actif en question, mais plutôt une fonction de la covariance entre l'actif et le marché. Par ailleurs, le fii peut être négatif (surtout dans les grands marchés).

On veut mesurer de la contribution du titre au risque de portefeuille M On part du risque totale de M

~ =

~

~ ou ~ = cov ( , )

~

~ =

~

~ cov ( , ) =

~ cov ( , )

Car =

En normalisation, on obtient :

~

1 = ~

~

~~

) Represente la contribution normalisee du titre i ou risque du portefeuille de

marche, on appelle le du titre i

Si t le titre i est attenue les variations de M (Moins risque que la moyenne)

Si _t 1 le titre i est amplifie les variations de M (plus risque que la moyenne)

Si _t 0 est possible mais rare

v Tout titre rapporte le taux sans risque plus une prime de risque

v Cette prime de risque est la fonction de la prime de marche et du Beta du titre, alors que l?utilisation du MEDAF dans la gestion de portefeuille se fait à trouver deux strategies.

v Stratégie d?investissement passif : portefeuille indexe

v Stratégie d?investissement Actif : recherche activement les valeurs sous-evaluees ou sur - evaluees, pour en tirer un profit rapide

1.2.2 : Les hypothèses de MEDAF

Le marche comporte N actifs risques de rentabilite i-- i oi) et un actif sans risque de taux d?intéret _f exogène.

-Les prix des actifs cotés sur le marché sont des prix d?équilibre. (le CAPM est modèle d?équilibre (vs APT))

-Tous les investisseurs sur le marché sont rationnels au sens de Markowitz (utilisent tout le critère moyenne-variance)

- L?univers d?investissement est le méme pour tous les investisseurs (mémes titres pris en considération (=> prise en compte de tous les titres)

- Les anticipations des investisseurs sont homogènes (tous les investisseurs font les mêmes prévisions (espérance de rendement, risque) et possèdent tout le même horizon de placement)

-Les seules différences permises par le modèle concernant les investisseurs :

- aversion pour le risque - richesse initiale

- Chaque investisseur, pris individuellement, est preneur de prix (Price- taker) : leurs transactions ne peuvent affecter les prix de marché.

- Il y a une divisibilité complète des actifs.

- Les marchés de capitaux sont parfaits (pas de frais de transaction, liquidité assurée) - Il n?y a pas d?impôt

- Les investisseurs peuvent prêter ou emprunter au même taux

1.2.3 : Validation empirique du MEDAF

Colmart, Gillet et Szafarz (2009) « efficience des marchés, concept, bulles spéculatif et image comptable » en étudier la validation empirique du modèle comme suit est que le point de départ c?est la relation linéaire entre la rentabilité attendue ₁ et le risque systématique ,

1) f . ) - f

C?est une relation transversale (Cross- Section)

~ ~ ~ ~ ~ ~

Avec i = 1... .n

Y à comparer avec f

y à comparer avec ) - f

Ce résultat empirique à rencontré de nombreux problèmes économétriques, grâce à ces problèmes Roll(1977), Fama et French (1992 ,1995)

1.2.4 : Régression en série chronologique

Le point de départ Steve A (2007) est le modèle suivant :

- _r ) - _r )

Ou la constante dans la régression est le portefeuille X et ce qu?on prend pour le

portefeuille du marché.

Pour que la régression soit strictement valide et non une approximation à une relation non linéaire, une conséquence testable de la version du MEDAF est la constante dans la régression devrait être égale à zéro, aussi qu?il ne devrait pas y avoir de variable explicative au - delà du facteur beta qui aide à prédire le rendement espéré.

Finalement, il ya aussi des tests économétriques en linéarité qu?on peut appliquer afin de confirmer ou infirmer le MEDAF.

1.2.5 : Le MEDAF de Black (1972)

En 1970, pour contourner le problème de manque de linéarité de l?hypothèse de prêt / emprunt à un taux d?intérêt sans risque unique, Black a testé une version du modèle dans la quelle cette hypothèse est remplacer par celle de la possibilité de vente à découvert potentiellement illimité des actifs risqué.

J.clerical (2009) montre que ses résultats lui de permettent de définir le portefeuille à zéro beta et à variance minimale comme étant le portefeuille efficient a corrélation nulle avec le portefeuille du marché, il redéfinit des lors le prime du risque au rendement excédentaire des actifs et des portefeuilles par rapport à ce zéro- beta et non plus en fonction du taux d?intérêt sans risque.

Dans ce même article Black (1972) montre que la condition d?équilibre de non arbitrage implique que la condition des portefeuilles efficients choisis par les investisseurs, pondérés par leur proportion respective dans la richesse investie agrégé, ne peut mener qu?à la définition du portefeuille de marché.

1.2.6 : Les anomalies et les critiques de MEDAF

La critique la plus connue sans doute celle de Roll (1977), il remarque qu?il est impossible de calculer avec exactitude la rentabilité du portefeuille du marché.

Stambough (1982) à montré empiriquement que les tests du marché sont dans les faits moins sensibles au choix du proxy, ou l?indice de marché de Roll (1977) ne le prévoyait.

Les analyses théorique de Kandel et Stambough (1987) et de Skamken (1987) montrent que les erreurs de mesurées sur le portefeuille de marché n?affectent les résultats des testes du modèle que si la corrélation entre l?indice de marché utilisé et le vrai portefeuille de marché est diffusément faible.

Bassu (1977) qui montre l?existence de l?effet PER les portefeuilles qui ont de petit PER ont des rentabilités moyennes plus élève que celles prévues à l?aide de CAPM.

Banz(1981), l?effet taille ou le fait que les actions à faible capitalisation ont des rentabilités moyenne supérieure à celle des prédites par le CAPM.

Reiganum (1981) confirme l?existence de ces deux effets et montre qu?il est relié.

Keim (1983) confirme l?existence de l?effet taille et montre qu?il est aussi relié à l?existence d?un effet janvier, aussi on distingue d?autres effets comme l?effet sur réaction de Debondt et Thaler (1985) et l?effet momentum de Jagadeesh et Titman (1993).

Reinganum (1981), Lakonishok et Shapiro (1986), Chopra et Ritter (1989), Fama et French (1992) ils ont mentionné l?existence d?une certaine relation entre les betas des actifs et les rentabilités moyennes. Black (1993), Chan et Lakonishok (1993), Pettengil, Sundaram et Mathur (1995), Grundy et Malkiel (1996), confirment la mort de la beta.

Le CAPM versus le modèle de neutralité ou risque avec l?existence d?une région critique pour la prime du risque du marché.

1.2.7 : Le MEDAF conditionnel

La version conditionnelle du MEDAF est appliquée au marché émergent de la période 1990 à
2005, Joelle R (2007) à mis en évidence la variabilité des moments conditionnel des
rendements boursières, permettent aussi la variation de la prime du risque. Il constitue en

outre un outil pertinent dans l?analyse de l?intégration en ayant recourt au variable d?informations dites variables internationales.

Le MEDAF conditionnel à utilise pour l?évaluation des rentabilités des marchés, toutes les différentes études théoriques et empiriques ont abouti à une conclusion en faveur de la variabilité des paramètres variant dans le temps dans le cadre du MEDAF conditionnel qui est basé sur le principe suivant :

La relation entre la rentabilité d?un titre particulier et la rentabilité espérée du portefeuille du marché ne serait valable que conditionnellement à l?information disponible.

Dans sa version traditionnelle le MEDAF est donné par l?expression suivante :

E ( 1) - f . 1) - f ~

Tandis que le MEDAF conditionnel s?exprimera comme suit :

1 - f i - f ~

Les variables et les coefficients de régression s?interprètent.

1 Est l?espérance de rentabilité de t qui est en fonction des informations disponibles en

t-1

f Le taux sans risque, Buckberg (1993) à testé un MEDAFC appliqué au marché émergent de la période 1977 à 1991 il obtient un résultat non significatif. A l?exception des variables aléatoires « Independent et identiquement distribuer » les moments conditionnel il en le même facteur beta même si la beta conditionnels est constant, il nécessairement ou beta non conditionnel.

En se qui concerne le lien de causalité entre les deux modèles, il est noté que la pertinence du modèle conditionnel n?implique pas à celle du modèle non conditionnel aussi que l?efficience au sens « moyenne- variance » du modèle conditionnel n?implique pas à celle du modèle non conditionnel.

Un des résultats théorique les plus important qui a contribué à la suivie du MEDAF est celui de Dybvig et Ross (1985) et Hansenet Richard (1987) qui ont montré que la version conditionnelle du MEDAF est appropriée même si le MEDAF traditionnel est mis en couse.

1.2.8 : Le mod~le d'évaluation des actifs financiers à l'internationale (MDAFI,

Arouri M (2009) affirme que la première génération du MEDAFI repose sur l?hypothèse que les investisseurs independamment de leurs nationalites utilisent le même indice des prix pour deflate les rentabilites des differents actifs financiers. Ces modèles constituent des transpositions nominales du MEDAF domestique, le portefeuille de tout les investisseurs est la combinaison du portefeuille du marche mondial est l?actif sans risque. Grouer et Al (1976), aussi ont distingue des versions plus internationales du modèle propose par Solnik (1974), Sercu (1980), Stulz (1981), Adler et Dumas (1983). Grouer et Al (1981) etudient un MEDAI à segmentation partielle où les primes de risque sont determinees par une combinaison de facteurs internationaux du risque. Les auteurs trouvent que le risque du taux de change est apprecie internationalement pour quelques marches emergents. La conclusion de cette etude dont être consideree avec precaution. Plus recemment, phylaktis et Ravazola (2004) proposent un MEDAFI à deux regimes qui specifient explicitement le risque de change comme facteur de risque. Ce modèle considère que les marches sont strictement segmentes dans un premier temps et doivent parfaitement integrer dans un second temps. Arouri (2009) à presente une version conditionnelle du modèle international d?évaluation des actifs financiers qui tient compte des deviations de la parite des pouvoirs d?achat et d?une éventuelle segmentation financière partielle. Il prend le MEDAFI à integration financière propose par Adler et Dumas (1983).

Concederons un univers avec L+1 pays et N=n+L+1 avec n l?actif risqué, l?actifs sans risque de marche et L+1 l?actifs sans risque du pays de la monnaie de reference.

Ils designent par le prix de l?actifs X mesurer dans la monnaie du pays de référence C. ~ La rentabilite nominale de cet actif exprime dans la monnaie de reference.

Le modèle s?écrit comme suit.

i i ~ ) ai i

i

Ou ~ suit un processus de Wiener standard.

1. 3 : Le modèle de Fama French (1993)

1.3.1 : La logique du modèle à trois facteurs de FF (1993)

Le modèle de Fama French présente une extension du MEDAF s?inspire des modèles multifactoriel exprime le rendement en fonction de plus qu?un facteur et de donner le maximum d?information pour bien mesurer et prédire le rendement.

Le MEDAF prévoit une relation linéaire et positive entre le rendement anticipé sur les titres et le niveau du risque systématique, dans la mesure où le risque spécifique peut être réduit au moyen d?une diversification adéquate, seul ce risque est rémunéré par le marché et permet d?expliquer les différences de rendement entre les titres.

Le modèle de FF (1993) repose sur un facteur de risque essentiel, la beta qui relie le rendement des titres au rendement du marché. L?intérêt de cette relation dépend dans la plupart des cas par l?hypothèse de non stationnarité. L?instabilité et la variabilité du beta, Miller et sholes (1972) c à d que les variables de nature spécifique à un modèle jouent un rôle complémentaire pour beta, dans le but final est de donner la meilleure et la plus complète explication possible du rendement.

I limaiem (2009), dans le modèle de FF il existe trois facteurs différents influencent le rendement des actifs, la prime du risque des marchés, le ratio valeur comptable / valeur de marché noté (VG/VM) et la capitalisation boursière (GB), les deux facteurs ajoutés par FF qui sont de caractère comptable et financier. Ges deux facteurs sont classés parmi les déterminants les plus importants, les plus populaires, ainsi que les plus utilisés.

L?utilisation de ces variables ne trouve pas l?explication théorique, elle se justifie par le fait que la variable explicative représente des mesures déguisées de beta qui seraient moins attachées d?erreurs de mesure que la beta estime lui-même.

Le principal avantage de l?évolution fondamental selon Rasemberg et Guy (1976) c?est qu?elle tient compte de sa structure des firmes et étrenne peu d?erreur d?estimation, cette méthode et correspond à des données comptables pour les fines et disponibles pour le marché, c?est conformément à cette approche que FF (1992) développe le modèle de rentabilité à trois facteurs.

1.3.2 : Le modèle à trois facteurs de Fama French (1993).

La mise en difficulté de beta et l?observation des anomalies de rentabilité conduisent FF (1992) à entrevoir une modélisation des rendements des titres et les variables attachées à l?action et à l?obligation, FF(1993) confirme ce résultat par l?examen de la relation longitudinale entre la rentabilité et les trois facteurs de marché.

Le facteur marché affiche un rOle important dans la rentabilité, la CB et le ratio VC/VM s?ajoute ou premier facteur, FF(1993) parvient à améliorer l?explication de la rentabilité, et conclue que les deux variables fondamentales complètent la beta.

Fama French (1995) étudie la relation de la taille de la firme et la relation avec les bénéfices, ils trouvent que les deux variables liées aux principaux déterminants du bénéfice.

L?expression finale du modèle à trois facteurs de FF (1993) s?écrit comme suit :

i) -- f i ) -- f i M ) i M )

i) L?espérance de rentabilité des titres i

f Taux de rendement de l?actif sans risque

) Espérance de rendement du portefeuille du marché

M ) La prime de rentabilité espérée liée à la taille de la firme (Smoll Minus Big) M ) La prime de rentabilité espéré liée ou ratio VC/VM (High Minus Low)

i, i, i Les coefficients du risque associes aux trois facteurs

FF trouve que les deux variables ajoutées expriment une partie non négligeable du risque et expliquent une partie importante de la rentabilité ce qui confirme l?insuffisance de la prime du risque des marchés dans l?explication de rendements mieux que le portefeuille du marché alors que Moley (2000), Bellalah et Besbes (2006) trouvent un résultat différent sur le marché français, ils constatent que le portefeuille du marché joue un rOle prépondérant par rapport à la CB et le ratio VC/VM. Par ailleurs FF ont montré qu?il ya une relation significative positive entre le rendement et le ratio VC/VM alors que la relation entre la CB et le rendement significatif est négatif. Banz (1981) montre que les titres à petite capitalisation considérée comme étant plus risqué et ayant un cOut de capital plus élevé.

1.3.3 : [S 111110X1[3IBEX[7Kp1i1 [(L5S 37

Arbitrage Pricing Théory (APT) développé par Ross (1976), c?est l?une des réponses concrètes aux critiques du MEDAF. Dans le meme cadre d?apparition il s?agit d?une relation d?équilibre entre le rendement attenu d?un actif et un facteur du risque pou un CAPM classique, par la suite parmi ces facteurs on distingue l?attendu et l?inattendu. En fait, le modèle APT est modèle multi-facteurs est part de l?hypothèse que le rendement d?un titre pour une date t peut être explique par plusieurs facteurs de risque

1(t) = Ri + E^icic=ithic Fic( ) +

Par la suite, les betas ont la même interprétation et se calculent de la même manière que le modèle CAPM, bien que les hypothèses du modèle APT soient légèrement différentes de celle du modèle d?évaluation des actifs financiers. D?ailleurs pour déterminer les facteurs du modèle APT on distingue deux approches : l?une par utilisation du facteur économique et l?autre par utilisation des facteurs statistiques. En fait du point de vue statistique, les tests empiriques montrent que le modèle APT est le meilleur que le modèle CAPM.

De même N xella Ricci et C Hurson montre que le CAPM attribué à Sharpe (1964), Lintner (1965) et Mossin (1966) relient linéairement le rendement attendu de l?actif E(Ri) à son risque dit 13i marquant sa rentabilité au mouvement de l?économie globale prise comme unique facteur déterminant soit :

) = Rf + 13i(E(RM) -- Rf)

De plus ce modèle réside mal aux tests empiriques, d?après les critiques de Roll (1977) sur la testabilité de ce dernier. En fait la mise en évidence de l?instabilité des paramètres du risque. Bref, la relation d?équilibre dans le marché serait décrite par le CAPM, d?où la nécessité d?une meilleurs description dont celle fourni par L?APT de Ross (1976). L?APT propose une relation multifactorielle entre risque et rendement, elle nécessite moins d?hypothèses restrictives que le CAPM. L?argument de Ross veut que l?arbitragiste ne soit pas récompensé le portefeuille en proportion VVides écarts de prix perçus ne lui procure aucun enrichissement, ne possède aucun risque 13 et ne génère aucun rendement complémentaire. Etant donnée que l?argument d?arbitrage est considéré comme la capacité de crée des espérances de portefeuille dans le cadre d?une structure factorielle stricte, Huberman (1982) montre que l?erreur d?évaluation est borné supérieurement. De plus, l?argument d?équilibre au l?aversion ou risque de l?investisseur serait reliée. Cannar (1982), Dybvig (1982) et Grinblatt et Titman

(1982) ont développé une borne inferieure ou supérieur pour l?écart d?évaluation qui est fonction du dégré d?aversion au risque. En fait L?APT fondé sur l?équilibre offre une base conceptuelle plus forte que l?APT fondée sur l?arbitrage.

1. 4 : Choix et sélection de portefeuille.

La sélection d?un portefeuille se base sur des stratégies de choix dépend à l?attitude face au risque et l?exigence des agents est la façon de prévoir et d?évaluer le risque, ces différents aspects expliquent la diversité des approches dans la gestion de portefeuille.

La détermination des prix des actifs s?avère une tache plus difficile, à condition de rester dans le cadre d?un modèle précis. Donc il est possible de déterminer des portefeuilles optimaux et les prix d?équilibre, parmi les modèles les plus utilisés et la plus classique par exemple la théorie de portefeuille de Markowitz (1952) et le modèle d?équilibre des actifs financiers de Sharpe (1964), Lintner (1965), Mossin (1966) aussi l?approche alternative Safety first.

1.4.1 : La sélection de portefeuille efficient

Benzion, Haruvy et Shavit (2004) ont fait une étude sur la capacité des individus à former un portefeuille situé sur la frontière efficiente déterminée sur trois types d?actions, action, obligation et un put sur cette action et que la rentabilité espérées sous la forme d?une loterie. Les résultats de cette étude montrent que les portefeuilles formés par les praticiens convergent rapidement vers celles des portefeuilles situés sur la frontière efficiente lorsque les possibilités de couvertures sont limitées. La vitesse de cet ajustement dépend positivement des incitations, d?où l?existence du rendement élevé des portefeuilles qui situé sur la frontière efficiente. Get ajustement se fait sur la base de règle de décision, telles que EWA (Expérience Weighted Attraction de Gamerer et Ho 1999), et à relier a l?hypothèse d?aversion myope ou perte de Benartzi et Thaler (1995) et Thaler et Al (1997), selon laquelle l?attractivité de l?actif risqué diminue avec la fréquence d?évaluation des portefeuilles par les praticiens, Marie - Hélène Broihonne, Maxime Merlie et Patrick Roger (2006).

Ges auteurs montrent que ce résultat a énormément d?impact dans le contexte actuel où les investisseurs, via internet, évaluent la performance de leurs actifs sur une base hebdomadaire alors que la gestion traditionnelle consistait le plus souvent à investir dans des fonds qui étaient évalué annuellement.

Barber et Odean (2002) montrent à cet égard que la fréquence d?ajustement de ces portefeuilles opté pour une gestion en ligne conduit à des échanges excessives. L?aversion ou la perte expliquée également la stratégie du call couvert est jugée inefficient dans le cadre de l?approche moyenne - variance, Leggio et Lien (2002). Maxime Merlie et Patrick Roger (2006).

Le choix de portefeuille selon l?approche moyenne - variance ne sont pas efficaces de même pour les investisseurs qui utilisent la théorie des perspectives, Levy et Levy (2004) ont utilise les relations de dominance stochastique montre que les hypothèses différent qui fonde l?approche moyenne - variance et la théorie des perspective conduit de manière paradoxale à définir des ensembles de choix efficaces. Ce qui nous amenons à étudier d?autre méthodes d?évaluation.

Conclusion

De façon générale, nous pouvons dire que de nombreuses théories et travaux, convergent soit en fonction des méthodes d?évaluation des actifs financiers soit en fonction des stratégies et de sélection d?un portefeuille optimal. Nous concluons donc, que les choix et les stratégies des analystes et des investisseurs montrent que l?activité économique en termes de résultat et de perspective de croissance joue un rôle déterminant dans l?évaluation des risques que présente la détention d?un titre, les analyses des sources de la volatilité montrent que la variance des primes anticipés résulte principalement de disparité entre les titres.

De plus, dans le domaine de prise de décision concernant le choix de portefeuille à été faite par Markowitz (1952), c?est le premier qui invoqué l?existence d?un point de référence. La théorie de Markowitz à tout de même ses limites participe à la naissance d?autres modèles d?évaluation des actifs financiers, le MEDAF de Sharpe (1964), Lintner (1965) et Mossin (1966). Enfin, et suite les critiques et les anomalies des deux premiers modèles d?évaluation, plusieurs recherches se sont succédées. Elles ont montré qu'il existe certains facteurs, à part le portefeuille du marché, qui expliquent le rendement. Le modèle à trois béta de FF (1992, 1993) est l'un des plus populaires modèles résultants de ces recherches.

CHAPITRE 2

DIVERSIFICATION INTERNATIONALE DE PORTEFEUILLE
ET INTEGRATION FINANCIERS

CHAPITRE 2

DIVERSIFICATION INTERNATIONALE DE PORTEFEUILLE ET
INTEGRATION FINANCIERS

D

es les années cinquante la diversification du portefeuille à été formulée par Markowitz (1952-1956) comme un problème de programmation quadratique en même temps une dérivation standard qui a été introduite comme mesure de risque.

En fait, Markowitz formalise le problème du choix de l?investisseur en tenant compte de la rentabilité espérée de son portefeuille et son risque qui est mesuré par la variance de sa rentabilité. Cette théorie de portefeuille nous enseigne que le risque peut être illuminé en diversifiant un portefeuille d?action offre un couple rentabilité risque meilleur qu?un titre individuel. En effet, contrairement à la rentabilité anticipée des différents titres qu?y sont introduit la variance de portefeuille est inferieur à la somme pondéré des variances des titres pris individuellement Arouri H (2005). Dans ce même cadre et au niveau international de nombreuses études montrent que la diversification internationale réduit d?avantage le risque qu?un portefeuille purement domestique. En fait on distingue que les marchés financiers sont affecté par des facteurs spécifiques de risque, la corrélation entre les marchés sont relativement faible et le gain de diversification à l?internationale est important. Quant a la diversification l?internationale et les réformes des dernières années sur les marchés financiers dont l?objectif principal est d?aller vers une plus grande ouverture, cette libéralisation se caractérisait notamment par la levée des restrictions des mouvements internationaux des capitaux.

Etant donnée que la diversification internationale est un phénomène récent mais elle est en relation avec le degré d?intégration des marchés enter eux. Cette intégration soit au marché développé et au marché émergent, donc le véritable essor de l?investissement international de portefeuille date de 1974 avec la décision de Morgan Guaranty d?investir une partie de ces fonds de pension à l?extérieur des USA. Selon la théorie moderne de portefeuille la diversification internationale permet d?éliminer les risques systématiques provenant des placements limités au marché domestique Solnik (1998-2003). Le chapitre sera organisé comme suit. Dans une première section, on s'intéressera à la diversification du portefeuille à l?internationale. Dans une deuxième, on va étudier l?intégration des marchés financiers et la diversification à l?internationale.

2. 1 : Diversification internationale de portefeuille.

2.1.1 : Principe de la diversification

Blume, Crockett et Friend (1974), Blume et Friend (1975), Caval et Markowitz (1999), Barber et Odean (2000), Benartzi (2001), Kumar et Geotzmann (2003), Polkovnichenko (2005) ont montre que la diversification est le résultat de l?approche moyenne - variance de Markowitz (1952) suggère que le portefeuille parfaitement diversifiable est composé de tous les titres négociés sur le marché. D?ailleurs de nombreuses études faites sur des investisseurs et la nature de leurs choix montrent que leurs portefeuilles sont composés par des titres individuels, ce qui n?est pas optimal au sens moyenne - variance, alors que Leggio et Lien (2002), Haigh et List (2005) montrent en doute l?applicabilité en pratique du principe de diversification.

2.1.2 : La diversification internationale de portefeuille.

Depuis les travaux de Markowitz (1952), les investisseurs ont reconnu les avantages de la diversification. Solnik (1974) en particulier a montré quun portefeuille diversifié efficacement à linternational permet une réduction de moitié du risque pour le méme nombre de titres. Campbell(1991) a confirmé que la diversification internationale de portefeuille permet à atteindre des portefeuilles présentant un meilleur couple rentabilité-risque si on examinent les coefficients de corrélation entre les marchés nationaux. Ainsi, létude de Campbell (1991) montre que de nombreux portefeuilles (français, américain, suisse, espagnol, etc.) sont dominés par le portefeuille mondial.

Solnik et Longin (1998) insistent cependant sur le fait quen période de crise, et donc de forts rendements négatifs, les avantages associés à la diversification internationale sont moindres. Les deux auteurs déclarent « Our empirical results indicate that the case for international risk diversification may have been somewhat overstated, since the risk protection brought by spreading assets across markets is reduced when it is needed most, i.e. in periods of extreme Price movements».

De plus la diversification internationale sert à la réalisation des gains importants pour la répartition du portefeuille à des actifs à l?étranger et de réduire le risque de perte, mais ce gain de diversification est lié avec la corrélation qui existe entre les marchés des capitaux, c à d s?il ya une faible corrélation entre les marchés le gain du capital sera important et s?il ya une forte corrélation le gain sera faible.

Vu la globalisation, l?ouverture des barrières à l?entrée et la libéralisation des marchés des capitaux provoquent une forte corrélation, ce qui implique une diminution des gains de la diversification des portefeuilles internationales, ce résultat de bénéfice dépend de la corrélation entre les marchés. D?ailleurs l?objet de notre étude est de mesuré l?intégration des marchés financiers développés et émergents est de conclure le gain de la diversification internationale, si les marchés sont intégrés alors le gain potentiel sera faible et si les marchés sont segmenté alors la diversification internationale jouera un rôle très important.

Daly (2003), Books, Forbes et Mody(2003), Aggarwol et Kyow (2005) ont testé l?intégration entre les marchés financiers émergents et les marchés développés par un échantillon composé d?un ensemble de marchés existant dans la base économique sur une période de cinq ans, cette étude montre qu?il ya une forte intégration entre les pays développés c à d que la corrélation entre les marchés développés est forte, ce qui réduit le gain de la stratégie de diversification à l?international.

2.1.3 : Le MEDAF et ces implications pour la diversification internationale

Dans le même cadre des travaux de Markowitz (1952-1956) portant sur l?optimisation de la richesse par le critère moyenne- variance et de la diversification de portefeuille, Sharpe (1964), Lintner (1965) et Mossin (1966) ont introduit le modèle d?évaluation des actifs financiers (MEDAF). Ce modèle permet de déterminer la rentabilité espérée des titres en fonction de leur sensibilité au risque de marché ou risque systématique en se basant sur l?hypothèse d?aversion au risque et choisissent des portefeuilles efficients en terme de moyenne- variance.

En fait la relation fondamentale du modèle d?évaluation des actifs financiers établit que les rendements exercés d?un titre ou d?un portefeuille par rapport à l?actif sans risque sont une fonction linéaire des rendements en excès du marché et en supposant que les comportements des courts des actifs financiers sont compatibles avec le concept de marché unique de capitaux. Solnik (1974) présente une extension internationale du MEDAF. Le modèle international d?évaluation des actifs financiers (MEDAFI) offre un outil d?analyse permettant de spécifier empiriquement et de manière jointe à l?évaluation de la nature d?intégration des marchés financiers.

) -- f ) ~ )

) -- f

E(Rit) Est la rentabilité du titres i entre (t-1) et Rwt celle du portefeuille de marché mondiale et Rft (le taux de rentabilité de l?actifs sont risque).

2.1.4 I L5A37 CD:XX: Io:ANAeIi:AeI:DAio:Dl.

Le modèle darbitrage de Ross, et des modèles multifactoriels en général, ont été développées pour les portefeuilles internationaux, afin de remédier aux critiques du modèle international déquilibre des actifs financiers. En effet, les facteurs intervenant dans ces modèles proviennent dune liste plus large de facteurs. En plus des facteurs nationaux sajoutent des facteurs internationaux ainsi que des facteurs spécifiques pour les taux de change.

Les hypothèses sont celles des modèles darbitrage du cadre national auxquelles sajoutent quelques hypothèses supplémentaires liées au contexte international. Par la suite, les investisseurs font les mêmes anticipations sur les variations des taux de change. Ils supposent un même modèle factoriel pour les rentabilités des actifs exprimés dans la monnaie de leurs pays dorigine. Dans chaque pays, il existe un actif sans risque. La rentabilité de cet actif exprimée dans la monnaie dun autre pays. Il convient alors de vérifier si le modèle factoriel dexplication des rentabilités dépend ou non de la monnaie dans laquelle celles-ci sont exprimées.

2.1 .5 : La corrélation est la diversification internationale

La stratégie de diversification de Markowitz est fondée sur le nombre des titres individuel d?un portefeuille et les variances de leurs rendements respectif avec celui du portefeuille. Cette stratégie combinait des titres ayant des rendements non corrélés en considération des risques des titres individuels pris séparément.

Quant à la corrélation plus la covariance est négative, plus le risque totale du portefeuille est faible aussi, plus le risque totale de portefeuille est faible aussi, plus le nombre des titres inclus augmente plus le risque total démunie. En fait la corrélation des marchés joue un rôle important dans la diversification internationale, en général la corrélation entre les différents marchés développés reste positive. Dans ce même cadre en combinant des marchés développés avec des marchés émergents il est possible de trouves des corrélations faible ou négative, cela permet de minimiser le risque total et d?augmenter le rendement globale d?un portefeuille.

2.1.6 : Les gains associés à la diversification internationale.

L?existence de cycles économiques différents selon les zones géographiques considérées doit permettre de diversifier le risque national et donc, de générer des gains. Pour la plupart des auteurs, la diversification internationale de portefeuilles permet d?optimiser le couple rentabilité / risque. Cela est principalement dû au fait que les marchés financiers covarient faiblement entre eux. Si on examine les coefficients de corrélation (Campbell, 1991) entre les marchés nationaux, si la corrélation entre les pays étudiés est faible le gain de la stratégie de diversification à l?international est fort. Dès lors, la diversification internationale de portefeuille permet d?atteindre des portefeuilles présentant un meilleur couple rentabilité/risque. Ainsi, l?étude de Campbell (1991) montre que de nombreux portefeuilles sont dominés par le portefeuille mondial.

2.1.7 : Les avantages et les limites de la diversification internationale.

2.1.7.1 : Les avantages de la diversification internationale.

Dans une étude faite par Raya F (2008) depuis les travaux de Markowitz (1952), les professionnels ont reconnu les avantages de la diversification. Etant donnée que Solnik (1974) a montré qu?un portefeuille diversifier à l?internationale permet une réduction de moitié du risque pour le même nombre de titres, ce résultat est confirmé par Compbell (1991) qui ajoute que la diversification internationale de portefeuille présente un meilleur couple rentabilité - risque si on étudié bien le coefficient de corrélation entre les marchés internationaux et montre aussi que de nombreux portefeuilles sont dominés par le portefeuille mondial. Solnik et Login (1998) insistent sur le fait qu?en période de crise les avantages de diversification internationale sont moindres que dans l?état normal.

2.1.7.2.1 : Le risque de diversification internationale

Face à la diversification internationale on distingue plusieurs risques qui se manifestent par des pertes grâce a la variation du taux de chaque devise de ces marchés par rapport à la monnaie nationale de pays de l?investisseur et le risque de la volatilité.

2.1.7.1.2 : Le risque de change et le risque de volatilité

Selon Madura (1992) le risque de change résulté des fluctuations de différentes devises, pour améliorer la performance du portefeuille il faut investir dans les marchés internationaux qui sont faiblement corrélé. En fait, Kim et Al (1994) ont étudié la notion de volatilité et ils ont défini comme étant l?amplitude de variation constatée sur un période donnée, et ont montré que la libéralisation des marchés des capitaux engendre une housse de la volatilité par contre ce résultat n?est pas vérifiable auprès de Santis et Al (1996).

2.2 : Intégration des marchés financiers et la diversification internationale.

Le facteur principal de la diversification internationale est souvent attribué à la corrélation faible entre les marchés financiers nationaux qu?entre les titres individuels d?un méme marché. D?ailleurs ces dernières années les marchés financiers ont subi des réformes profondes c?est d?aller vers une plus grande ouverture, en fait ces réformes en menés à des changements radicaux du milieu financier et ont amorcé le processus d?intégration financiers, K Fadhlaoui (2006), de même tels phénomène ont favorisé le rapprochement des comportements globaux des marchés, cela est traduit par une forte corrélation entre ces marchés, ainsi que par une grande volatilité des actifs.

2.2.1 : intégration des marchés financiers

Au début des années quatre vingt l?environnement financiers international a connu des transformations est des mutations profondes, cela et marqué par l?accélération du rythme de circulation des biens, des services et des capitaux entre les marchés. D?ailleurs, le secteur financier a été également touché par la libéralisation et l?ouverture à l?internationale des institutions financières et une orientation des marchés financiers vers des nouveaux produits et instrument financiers. De même ces développements sont le résultat des mouvements de déréglementation, désintermédiation et le décloisonnement des marchés, de plus les innovations sur le marché financier et technologique. Quant au phénomène de globalisation à

favorisé l?augmentation des liens entre les différents places boursiers aussi bien en poids d?actifs étrangers sous forme de corrélation entre leurs indices.

De méme, l?intégration financière implique l?absence d?une différance entre les primes de risque sur les actifs financiers. Par ailleurs deux marchés financiers sont intégrés lorsqu?ils évoluent d?une manière combiné c à d si la corrélation entre ces deux marchés est élevé le gain de la diversification internationale. La montée du degré d?intégration des marchés financiers est expliqué dans une large mesure par le rôle des investisseurs internationaux, qui opéré sur les différent marchés des capitaux et accroitre les Co-mouvement des capitaux entre les différent marchés. Bekaert et Harvey (2002), Yi (2003), en revanche Kose, Pasard et terrones (2003) soutiennent l?idée selon laquelle l?augmentation des liens entre les marchés financiers n?est qu?un résultat direct de l?intégration économique adopté par la plupart des pays. Books, Forbes et Mody (2003) ont montré les Co-mouvement entre les marchés financiers. Dans ce même cadre et suite à la saturation des marchés domestiques, financiers les pays commencent par la liberté de circulation des capitaux par la règle de 3D [déréglementation, décloisonnement et désintermédiation] qui met en place de la mondialisation financiers.

2.2.1.1 : La déréglementation monétaire et financière

Sous prisions de tout restriction juridique en fait La déréglementation monétaire et financière, c?est l?absence de réglementation dans le système financier international et l?accélération de la mobilité géographique des capitaux.

D?ailleurs, les investisseurs internationaux choisissent ?investir dans un marché bien déterminé. De plus, la déréglementation à été considérée comme s?inscrivant dans le cadre d?un processus de reformes plus larges.

2.2.1.2 : Le décloisonnement

Le décloisonnement c?est l?absence des barrières entre les pays dons le quel on distingue deux étapes. D?une part, une ouverture entre les différents marchés internationaux tels que le marché monétaire financier et d?autre part, une ouverture externe par rapport au marché financier international. Quant, au décloisonnement on distingue une meilleure rentabilité, diversité des placements et des projets d?investissement. Grâce à cet effet le système financier international est devenu un méga marché.

2.2.1.3 : Désintermédiation financiers

C?est le recours direct au marché financier sans intermédiation bancaire. En fait, c?est la finance directe c à d l?absence du rôle de la banque qui permet à l?institution financière non bancaire d?accélérer au marché.

2.2.2 : l'intégration des marchés développé

En utilisant le modèle d?évaluation des actifs financiers MEDAF à beta conditionnel Bekaert, Harvey et Ng (2003) ont montré dans une étude d?intégration des marchés Européens et American qu?il possède une corrélation plus élevée et le beta conditionnel du marché Européen avec le portefeuille du marché American qui est significativement différent de zéro, ce qui confirme le dégré d?intégration entre les marchés Européen et ceux de USA . De même, Heimonen (2002) à prouvé à l?existence d?une intégration entre les marchés des capitaux de USA ainsi que ceux de Royaume Uni et L?Allemagne.

De plus, Baele, Grombez, et Shoors (2003) ont analysé l?intégration des marchés financiers de l?Europe est avec ceux de l?union Européenne ainsi qu?avec l?USA, ils trouvent une forte corrélation entre les marchés des capitaux. Par la suite Fraser et Oyefeso (2002) ont étudié l?interaction de court et de long terme entre les marchés des capitaux Européens, Britannique, et Américain, ils ont prouvé une convergence bilatérale de court et de long terme entre ces marchés. Ils ont constaté l?existence d?une orientation de la tendance vers les marchés des titres d?USA, en outre ils ont examiné la convergence de long terme entre les marchés et ont montré que sur le long terme les titres sur le marché du Royaume Uni sont parfaitement corrélés. De même Aggarwal et Kyaw (2005) ont examiné l?intégration au niveau des trois marchés de capitaux de la région de NAFTA (le marché Canadien, Américain et Mexicain) à période avant et après la formation de cette région en 1993, le résultat à prouvé que ces marchés sont devenus beaucoup plus intégrés.

2.2.3 E T IFQ+.11rDtFIKI TIVP DifKpV IP 11.11ent.

Bien qu?il n?existe pas une définition précise des marchés émergents, nous pouvons indiquer qu?ils présentent souvent des caractéristiques communes en matière de croissance économique, de réformes fiscales, de processus de privatisation, de réglementation et de libéralisation.

« .... La performance des marchés émergents s?est relevé plus résistance en 2007 que celle des marchés d?action des pays développés, les marchés émergents deviennent de mois en mois dépendant des perspectives de croissance mondiale et la principale source de risque résident aujourd?hui d?avantage dans les pays émergents. » (Christian Deseglise, responsable mondiale de l?activité des marchés émergents de la gestion d?actifs de HSBC), selon lui la résidence relative des marchés émergents est une conséquence directe des améliorations fondamentales apporté dans ces régions au cours des dernières années. De même des pays émergents continuent à enregistrer une croissance robuste, soutenue par la forte croissance de la chine, Inde et la Russie, selon le FMI, les marchés émergents connaissent une croissance de 8% en 2007 et de 7,6% en 2008.

En fait, Divecho, Drak et Stefek (1992), Diwan, Errunza, Sembet (1992), Harvey (1993- 1995), Sappenfield et Speidell (1992) ont mis en évidence les inertes des pays émergents dans une stratégie de diversification internationale. Levine et Zervos (1996) ont prouvé empiriquement que l?intégration financière permet à une augmentation de la croissance économique et d?apaiser la volatilité des rendements boursiers et de stimuler la capitalisation des marchés financiers dans les pays émergents.

Les pays émergents ont connu une croissance économique formidable et un développement spectaculaire de leurs marchés a partir des années 90, cela s?explique par l?afflux d?un grand nombre d?investisseurs sur ces marché suite aux mouvement de libéralisation adoptés par ces pays. Cette stratégie d?afflux d?investissement étranger a généré la baisse de la volatilité de ces marchés émergents ainsi qu?une réduction des coûts de capitaux et permettant ainsi le développement d?un mouvement d?intégration aussi bien entre eux qu?avec les marchés développés.

De même, Azman et Al (2002) ont montré en étudient les marchés de l?Indonésie, la Malaisie,
la Thaïlande et du Singapour que ces marchés ne sont pas parfaitement intégrés. Par
conséquent il existe des opportunités de gain sur le long terme à partir de la diversification

internationale sur ces marchés sud et asiatique. Bekaert, Harvey et Ng (2003) ont prouvé en utilisant le modèle d?évaluation des actifs financiers à double indices l?existence d?une intégration régionale importante au sien des marchés sud asiatique. De plus, Jang et Sul (2002) ont confirmé l?existence d?une intégration importante au siens de ces marchés.

2.2.4 : Intégration des marchés émergents - marchés développé.

Le processus de libéralisation entamé par les pays émergents est motivé principalement par le souci de développement de leur marché financier domestique ainsi que par l?intégration de leur économie dans l?économie mondiale. Cela a nécessité des changements réglementaires importants afin de faciliter l?accès des investisseurs étrangers aux marchés domestiques ainsi que l?accès des investisseurs domestiques aux marchés étrangers. Pour l?investisseur international, l?intégration des marchés génère des opportunités de diversification beaucoup plus bénéfiques (Bekaert et Harvey (1995)). En effet, l?ouverture de ces marchés émergents permet à attirer les investisseurs étrangers et à augmenter les flux des capitaux vers eux. Ainsi, on assiste de plus en plus à une intégration de ces marchés dans le marché international, par conséquent, la corrélation avec les marchés développés augmente et les taux de rendement s?affaiblissent (Bekaert et Harvey (2000), Bailey et Lim (1992). Pour les économies émergentes, la libéralisation permet l?augmentation du nombre des investisseurs étrangers ce qui favorise l?allégement du défaut d?épargne de ces pays et l?accroissement de la liquidité qui entraîne à son tour la réduction du coüt de la dette et l?amélioration de la rentabilité de certains projets (Henry (2000).

Defusco et al (1996) ont montré que le marché américain et les marchés émergents du bassin pacifique, de l?Amérique Latine et du méditerrané ne sont pas intégrés entre eux. Cette indépendance implique l?existence des gains à long terme à partir de la diversification internationale sur ces marchés.

Gilmore et McManus (2002) ont examiné les liens de court et de long terme entre le marché américain et les trois marchés émergents de l?Europe centrale (la République Tchèque, la Hongrie et la Pologne). Ils ont prouvé que ces marchés ne sont pas intégrés entre eux mais à l?inverse ils sont parfaitement segmentés. Cela signifie que ces marchés représentent une source de diversification internationale considérable pour l?investisseur américain. Serrano et Rivero (2002) ont examiné les liens de long terme entre les marchés de l?Amérique latine et le marché américain sur la période de janvier 1995 à février 2002. Ils ont prouvé l?existence des liens et des Co-mouvements de long terme entre ces marchés. L?existence d?un tel Co-

mouvement implique un certain degré d?intégration entre eux ce qui affecte négativement les gains potentiels de long terme pour un investisseur américain sur ces marchés. Plus généralement, l?ouverture des marchés financiers et l?arrivée massive des capitaux étrangers ont contribué largement au développement des marchés boursiers émergents. En effet, à l?instant où l?intégration des marchés développés augmente et que les gains de diversification internationale sur ces marchés tendent à se réduire, les marchés émergents apparaissent comme un choix stratégique pour les investisseurs internationaux. Le potentiel élevé qu?offrent ces marchés émergents en termes de rendement et d?opportunité de diversification a permis la création et le développement de nombreux fonds d?investissement spécialisés dans ces marchés.

Gilmore et Mc Manus (2002) ont examiné de court et de long terme entre le marché Américain et les trois marchés émergent de l?Europe centrale (la république Tchèque, al Hongerie et la Pologne), ils ont prouvé que ces marchés ne sont pas intégrés entre eux.

De même, les travaux de Sappenfield et Speidell (1992) qui ont été réalisés a partir des données trimestrielles de mars 1986 à mars 1991, converties en dollars sur 18 marchés émergents et 18 marchés développés en raison de l?impact mondial d?événements globaux tels le Krach d?octobre 1987 ou l?invasion du Koweït en Aout 1990. Par ailleurs, Diwon, Errunza et Sembet (1994) tracent les frontières efficiente construites a partir des trois univers possibles. Marchés développés, marchés émergents et la combinaison entre les deux en utilisant des rendements hebdomadaire historique bien que les bénéfices de la diversification ne soient pas aussi grands que précédemment, ils restent très importants et conformément la supériorité d?un portefeuille au marché développé.

De plus, Groslambert (1998) qui étudié le cas des pays émergents montre que les bourses de ses pays sont plus corrélées avec la bourse des pays développés lorsque ces derniers sont en baisse ou lorsqu?elle présente une grande volatilité. Le gain de la diversification est lié au niveau de l?intégration ou de la segmentation des marchés nationaux.

Par ailleurs, dans un marché parfaitement intégré sont déterminé par des facteurs mondiaux des risques, alors l?intégration financière des marchés nationaux rend d?une coté la diversification international de portefeuille plus efficace et facilitant le passage de l?un à l?autre.

2.2.5 : Les mesures d'intégration des marchés financiers basés sur le MEDAF

Étant donné que le modèle d?évaluation des actifs financiers et le modèle d?arbitrage international sont utilisés pour l?estimation des valeurs des actifs financiers cotés sur divers marchés financiers et la validation de l?hypothèse d?intégration des marchés financiers. Par ailleurs l?intégration des marchés financiers s?identifie par l?absence d?un écart entre les primes de risque pour les actifs financiers identiques échangé sur les différentes places financières. D?ailleurs lorsque les places financières sont intégrées, les actifs financiers ayant la caractéristique en terme de risque et procurent des rendements identiques. De même, si ces marchés sont segmentés alors les actifs financiers identiques en terme de risque et ne procurent pas nécessairement des rendements espérés identiques s?ils ne sont pas échangé sur un même marché national.

Dans une étude faite par K Fadlaoui (2006) Bekaert, Harvey et Ng (2003) ont utilisé le modèle d?évaluation des actifs financiers à beta conditionnel pour mesurer le degré d?intégration entre les marchés européens, des USA et de Royaume Uni, ils ont prouvé que les marchés Européens possèdent la corrélation conditionnelle la plus élevée avec USA, ce qui confirme leur intégration aux marchés américains.

2.2.6 : Mesures d'intégration des marchés financiers basés sur le coefficient de corrélation

Pour examiner l?intégration des marchés financiers on utilise le coefficient de corrélation des rendements. En fait, plus ce coefficient est proche de l?unité, plus l?hypothèse d?intégration est acceptée. Etant donnée, qu?un tel résultat signifie que les marchés incorporent l?information de manière identique, ce qui résulte que la diversification internationale n?est utile et il n?ya pas de gain important à cette stratégie. Levy et Sarnat (1970) et Solnik (1974) ont identifié les avantages à court terme de la diversification internationale.

2.2.7 : Mesures d'intégration basée sur la Co-intégration.

Granger (1986) a étudié l?importance entre les marchés financiers internationaux dans un contexte du non stationnarité des séries temporelles. Dans ce même cadre Engle et Granger (1987) ont montré qu?il ya une combinaison linéaire de deux ou plusieurs séries non stationnaires peut être stationnarité. Si cette combinaison existe, les séries non stationnaires sont dites Co-intégrées.

De plus, Allen et Macdonald (1995) ont examiné les liens entre les marchés Asiatiques et ont confirmé leur segmentation. Gallagher (1995) n?a pas trouvé une relation de Co-intégration entre les marchés des capitaux Irlandaise, Allemand et de Royaume Uni, aussi Chau, Ng et Al (1994) pour les marchés de G7, Kearney (1998) pour les marchés Irlandaises et les marchés Européens. De même, Ratanopakorm et Sharma (2002), Manning (2002) pour les marchés Américains, Européens et du sud Asiatique ont trouvé une intégration significative.

2.3 : Le phénomène du Home bais

Dans la première partie de ce chapitre nous avons essayé détudier le phénomène dintégration/Co-intégration des marchés des capitaux développés et émergents et ses implications sur les gains potentiels des stratégies de diversification internationale de portefeuille. Malgré les bénéfices qu?offre cette dernière, les investisseurs manifestent une certaine préférence pour les actifs domestiques.

Ce phénomène est mesuré comme suit :

Home bais = part des actifs domestiques - capitalisation de marché de capitaux Avec ;

La part des actifs domestiques = la valeur des actions domestiques échangées / la valeur totale des actions domestiques et étrangères échangées.

La part des actifs domestiques est égale à la valeur des actions domestiques échangées divisées par la valeur totales des actions domestiques et étrangères échangées.

La capitalisation du marché des capitaux = la capitalisation domestique totale /la capitalisation de marché mondiale.

Phigure1 : La diversification domestique et diversification à l'international

2.3.1 : Modèle de Merton (1987)

Lasymétrie dinformations joue un rôle important en matière de choix de portefeuille. Effectivement, la bonne information peut être considérée comme un avantage naturel pour les investisseurs locaux, par rapport aux investisseurs étrangers, cet avantage provient d?un différentiel dinformations. Les investisseurs nationaux sont mieux informés que les investisseurs étrangers des spécificités du marché national.

Le modèle développé par Merton (1987) est un modèle déquilibre de marché avec information incomplète. Le rendement espéré dun actif financier i est donné par léquation suivante :

Ri = r + i + âi E (Rm - r - m)

Avec :

Ri : le rendement espéré de lactif i ;

Rm : le rendement espéré du portefeuille de marché domestique ; r : le taux dintérêt sans risque ;

âi = cov (Ri , Rm)/var (Rm ) : le béta de lactif i ;

i : le cout dinformation à léquilibre pour le titre ;

m : le cout dinformation moyen pour tous les actifs au marché

Pour les deux types de coûts informationnels, on a choisi une fourchette de coûts aléatoires qui varient dans le temps.

Les investisseurs sélectionnent les titres en fonction du cout à payer pour linformation. La recherche dinformation est couteuse et de ce fait réduit dautant le rendement espéré du portefeuille. Cest pourquoi un agent économique préfère composer son portefeuille avec des actifs dont linformation est moins coûteuse (Extension du modèle de Merton (1987), modèle de Shapiro (2001)), cest-à-dire des actifs nationaux et de préférence de grandes sociétés. Ainsi, si le cout de linformation dépasse le gain de la diversification internationale, il sera plus intéressant, en termes de couple rendement-risque, dinvestir dans des actifs nationaux.

2.3.2 : Les avantages d'investir domestiquement

Black (1974) a développé un modèle d?évaluation d?actifs à l?international en présence d?une imposition sur les investisseurs étrangers. Ces taxes sont égales pour les positions langes et à découvert mais elles varient d?un pays à un autre, Black (1974) a prouvé que l?existence de cette taxe qui varie d?un pays à un pays à l?autre peut expliquer la préférence des individus aux actifs domestiques.

Stulz (1981) à critiqué l?approche de black (1974) puisque d?après ce dernier, les investisseurs sont imposés sur la position longue mais ils perçoivent un impôt sur les positions à découvertes courtes. C?est la raison pour laquelle Stulz (1981) à proposé un modèle avec des niveaux de taxes positives quelle que soit la nature de position, il a conclu que les investisseurs préfèrent les actifs domestiques car le gain réalisé suite à la diversification international n?excède pas les coûts générés par la taxe.

Cooper et Kaplanis (1994) développent une extension du modèle d?Adler et Dumas (1983)qui incorporent le risque d?inflation et les coûts de transactions, les autres trouvent que la préférence pour les titres domestiques persiste même dans les cas où les investisseurs auraient une aversion au risque très faible. Par ailleurs, les coûts de transactions sont trouvés par les auteurs très élevés par rapport à ceux effectivement observés. Cooper et Kaplanis (1994) en tirent que certes la présence des barrières à l?investissement international limites l?attrait de la

diversification international mais les transactions n?apportent pas de réponses définitives l?angine du bais domestique.

Les résultats des explications institutionnelles de la préférence pour les titres domestique sont clairement insuffisants.

Conclusion

Dans ce chapitre on a essayé de présenter les études qui mettent en évidence le phénomène dintégration des marchés des capitaux développés et émergents et ses implications sur les gains potentiels des stratégies de diversification internationale de portefeuille. Laccroissement de lintégration financière favorise laugmentation des corrélations entre les marchés nationaux ce qui réduirait les gains des stratégies de diversification internationale.

Gilmore et McManus (2002) et Bekaert, Harvey et Ng (2003) ont démontré que les marchés développés sont intégrés entre eux alors que les marchés émergents sont segmentés aussi bien entre eux quavec les marchés développés. Cela implique que ces marchés émergents représentent encore une source importante de diversification internationale de portefeuilles. Bekaert et al. (2003) montrent que les mouvements des marchés développés et particulièrement du marché américain sont contagieux. Les chocs sont transmis rapidement et affectent significativement les marchés développés et les marchés émergents.

Lexistence des différents marchés doit permettre de diversifier le risque national et donc de produire des gains, puisque les marchés financiers covarient faiblement entre eux. Pour la plupart des auteurs, la diversification internationale de portefeuilles permet doptimiser le couple rentabilité / risque. Simplement, malgré ces gains potentiels, il ya un autre phénomène à prendre en considération, qui peut, lui aussi, influer les avantages de diversification internationale.

CHAPITRE 3

INTEGRATION, CO-INTEGRATION DES MARCHES FINANCIERS
ET SES IMPLICATIONS SUR LE RISQUE DE LA DIVERSIFICATION

INTERNATIONALE : UNE ANALYSE EMPIRIQUE

CHAPITRE 3

INTEGRATION, CO-INTEGRATION DES MARCHES FINANCIERS ET SES
IMPLICATIONS SUR LE RISQUE DE LA DIVERSIFICATION
INTERNATIONALE : UNE ANALYSE EMPIRIQUE

L

a stratégie de diversification de portefeuille internationale a été adoptée par les investisseurs depuis longtemps comme étant un outil efficace pour améliorer le rendement de leurs portefeuilles. Elle permet d?une part de réaliser des gains

importants en partageant le portefeuille à des actifs étrangers et des actifs domestiques et d?autre part de réduire son risque total. Ces bénéfices sont le résultat des corrélations faibles entre les différents marchés nationaux qu?entre les titres individuels d?un méme marché. En effet, les gains de la diversification internationale sont fonction de l?interdépendance entre les marchés nationaux. Lorsque ces derniers ont des corrélations élevées entre eux les gains seront faibles ou même inexistants. En revanche, lorsque les corrélations entre les marchés nationaux sont faibles les gains seront importants. D?ailleurs, l?accentuation des phénomènes de déréglementation et de libéralisation des marchés des capitaux a provoqué une forte intégration des économies dans le monde entier. De ce fait, les indices boursiers des marchés nationaux sont devenus de plus en plus corrélés entre eux. Cela ne pouvait que réduire les avantages de la diversification internationale. Dans ce contexte, on constate une diminution de l?intérêt de la diversification internationale sur les marchés développés à cause de leur forte intégration ce qui pousse les investisseurs à s?orienter vers les marchés émergents en raison de leur potentiel de croissance élevé et de leur segmentation aussi bien entre eux qu?avec les marchés développés.

Dans ce qui suit, nous commencerons cette étude de la stratégie de gain de la diversification de portefeuille à l?internationale qui est en relation avec le degré d?intégration entre les pays. Après la définition du cadre d?analyse et la méthodologie de notre échantillon, on va analyser graphiquement les évolutions des indices boursiers et on estimera les statistiques descriptives. Ensuite, nous étudions la stationnarité des séries des indices boursiers on applique les tests ADF. Puis on va faire le test de co-intégration.

3.1 : Méthodologie

Pour examiner la relation dinterdépendance entre les marchés développé est les marchés émergents et ces implication sur le gain de la diversification a l?internationale de portefeuille an a fait recours à la théorie de Johansen (1988) aussi aux les tests de Engle et Granger pour mesuré le degré d?intégration entre ces marchés tout ou long de la période d?étude du gain de la diversification à l?internationale de portefeuille.

Le test de co-intégration consiste tout d?abord à examiner la stationnarité des indices boursiers. En effet, la non stationnarité de ces séries et la condition préalable pour l?étude de la co-intégration. Dans ce même cadre il faut que les séries doivent être intégrées de même ordre.

D?ailleurs on a utilisé les tests de racine unitaire pour étudier la stationnarité des séries, ensuite on a recours à la détermination du nombre optimal du retard (F) du modèle autorégressif (VAR) qui sert à déterminer l?ordre maximal d?intégration, une fois la non stationnarité des séries des indices boursiers est vérifiée et les séries sont intégrés de même ordre, nous pouvons appliquer le test de co-intégration de Johansen (1988)

3.1.1 : Les donnes

Ce chapitre sera consacré à la présentation des caractéristiques et des propriétés statistiques des séries financiers de notre étude qui porte sur des séries temporelles d?indices boursiers de 11 marchés développés et de 12 marchés émergents répartis dans le tableau 1 , qui on subit des reformes et d?aller vers une plus grande ouverture, cela provoque par l?accélération du rythme de circulation des biens, des services et des capitaux. Le secteur financier a été touché par la libéralisation caractérisée par l?ouverture à l?international, ce phénomène a favorise l?augmentation des liens entre les différentes places boursières. Ces indices couvrent la période 11.03.2007 jusqu?au 12.03.2010 ce qui donne 1250 observations par marché, ils ont été extrait de la base de donnée MCSI. Nos échantillons constitués de 23 marchés se répartissent comme suit :

LES MARCHES DES CAPITAUX ET LEURS INDICES BOURSIERS

Zone géographique	Pays	Indice boursiers
Amérique du nord	Etats-Unis Canada	S&P 500 S&P / TSX
Amérique latine	Brésil Mexique Argentine	Bovespa IPC Merval
Europe	Royaume -Uni France Allemagne Italie Suisse Pays Bad Belgique	FTSE 100 CAC 40 DAX MIB 30 SSMI AEX BEL20
Pacifique /Asie	Australie Japon Hong Kong Chine Inde Indonésie Malaisie Corée Singapour	All Ordinaries Nikkei 225 Hang Seng Shang. Comp BSE 30 JKSE KLSE KS11 STI
Afrique	Egypte Tunisie	EGX/30 TUNINDEX

Tableau 1 : les marchés des capitaux et leurs indices boursiers :

Les cours sont exprimés en dollar américain pour éliminer les problèmes relatifs aux variations des taux de change. Et ils sont utilisés pour générer des séries de rendements financiers en utilisant la formule suivante :

= 1 -- )

Avec :

: Le rendement de lindice pour le jour t.

: Le cours de lindice en dollars pour le jour t.

: Le cours de lindice en dollars pour le jour t-1. 3.2 : Les analyses graphiques

La première description de l?évolution des cours des indices boursiers considérés dans notre échantillon est fournie par les représentations graphiques qui correspondent relativement aux pays développés et aux pays émergents.

3.2.1 : Les évolutions des indices boursiers des différentes zones étudiées

Dans un premier temps et à travers cette analyse graphique, nous tentons de mettre en exergue la volatilité des marchés boursiers développée qui, malgré leur contribution a évolué jusqu?à 2010. Selon les figures des évolutions des indices boursiers (voir annexes 1) pour la majorité des pays étudiés, les indices boursiers sont caractérisés par des grandes vagues de progressions brutalement interrompues par des crises profondes et renouvelées ce qui nous amène à supposer l?existence des relations de co-intégration éventuelle entre les différent marchés.

Dans le méme cadre d?évolution des indices boursiers pour l?Amérique du nord, l?Asie et l?Australie (voir annexes 1) on constate qu?il ya une évolution commune pour la quasi- totalité des marché étudiés sauf quelques indices comme qui présentent une tendance baissière.

Cependant, l?évolution des indices boursiers relatifs aux pays émergents présente une évolution partielle et partagent la méme tendance d?évolution sur la période d?étude on exclut quelques indices qui présentent des tendances baissières grace à l?affection des crises (voir annexes 1).

3.3 : Estimation des statistiques descriptives

3.3.1 : Aspect théoriques du test de normalité

Les différents tests de normalité tels que décrits par Bourbonnais (2004, pp.230) sont au nombre de trois. Il sagit du coefficient d?aplatissement, le coefficient d?asymétrie et du test de Jarque -Béra.

3.3.1.1 : Le test d'aplatissement

Soit = ~ ~ ~ ~

~~

~

Le moment centré d?ordre k, le coefficient de Kurtosis est

K= = ~

Si la distribution est normale et le nombre d?observation est grand (n>30) alors :

K?N (0; ~ ~ ). On construit alors la statistique V2 = que lon compare à 1.96 (valeur

~

normale au seuil de 5%).

En ce qui concerne le Kurtosis, lorsque (K) est supérieur à zéro la distribution correspondante est leptokurtique par rapport à une distribution normale ce qui signifie que l?on observe beaucoup de valeurs extrêmes qui sont éloignées de la moyenne. Cela se traduit graphiquement par des queues de distribution relativement épaisses.

Lorsque (K) est inférieur à zéro, la distribution correspondante est platykurtique et contient plus d?observations moyennes qu?une distribution normale.

3.3.1.2 F Et eEIeNtEd'IN P ABE

Soit = _nr_iⁱ₌ i - )

Le moment centré dordre k, le coefficient de Skewness.

S= =

Si la distribution est normale et le nombre dobservation est grand (n>30) alors : S ? N (0 ; ₇)

On construit alors les statistiques : V1 = que l?on compare à 1.96 (valeur normale au

seuil de 5%).

Pour la loi normale centré réduite, le coefficient Skewness prend la valeur zéro. Cela correspond à une distribution symétrique.

Si S >0, la distribution correspondante est oblique à gauche ou étalée à droite.

Si S<o, la distribution correspondante est oblique à droite ou étalée à gauche. Si les hypothèses H0 :V1 = 0(symétrie) et V2= 0(aplatissement normal) sont vérifiées alors V1 = 1.96 et V2=1.96 ; dans le cas contraire, lhypothèse de normalité est rejetée.

3.3.1.3 : Test de Jarque #177; Béra

Le test de normalité de Jarque - Béra est fondé sur les coefficients de la loi normale. La formulation est très simple par rapport au test d?Agostine, il s?agit d?un test qui synthétise les résultats suivants.

Si S et K obéissent à des lois normales, alors les quantités S = ~ 4 -- 3

Suit un X² à deux degrés de liberté.

- Si S > on rejette l?hypothèse

3.3.2 : Statistique descriptive des rendements des pays développés. Cas de l'Amérique du nord :

Pays	Canada	Etats-Unis
Indice	S&P/TSX	S&P500
Mean	-8.00E-05	-0.000314
Median	0.000976	0.000796
Maximum	0.093703	0.109572
Minimum	-0.097880	-0.094695
Std. Dev.	0.015134	0.015498
Skewness	-0.660214	-0.352457
Kurtosis	10.95233	12.72696
Jarque-Bera	3062.330	4482.086
Probability	0.000000	0.000000
Sum	-0.090433	-0.355675
Sum Sq. Dev.	0.258810	0.271399
Observations	1250	1250

Tableau 2 : Statistique descriptive des rendements : cas de l?Amérique du nord

	Cas de l'Europe.
Pays		France	Pays Bad	Allemagne	Royaume-Uni	Suisse	Italie
Indice		CAC40	AEX	DAX	FTSE100	SSMI	MIB30
Mean		-0.000211	-0.000280	-2.19E-06	-0.000294	-8.31E-05	-0.000641
Median		0.000437	0.000698	0.001187	0.000233	0.000506	0.000727
Maximum		0.105946	0.100283	0.107975	0.093842	0.107876	0.107647
Minimum		-0.094715	-0.095903	-0.074335	-0.092646	-0.081078	-0.088168
Std. Dev.		0.015790	0.016148	0.015390	0.014605	0.013494	0.015448
Skewness		0.057303	-0.228170	0.148754	-0.122022	0.076123	-0.094326
Kurtosis		10.99068	11.78109	11.38429	11.21591	10.94044	11.31418
Jarque-Bera		3137.323	3798.141	3457.654	3079.643	2972.353	3152.599
Probability		0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
Sum		-0.249175	-0.330340	-0.002583	-0.321477	-0.093988	-0.701037
Sum Sq. Dev.		0.293706	0.307159	0.279009	0.233147	0.205755	0.260850
Observations		1250	1250	1250	1250	1250	1250

Tableau 3 : Statistique descriptive des rendements : cas de l?Europe.

	Cas de l'Asie.
Pays		Japon	Hong Kong
Indice		NIKKEI	HANGSENG
Mean		-0.000414	6.99E-05
Median		0.000362	0.000712
Maximum		0.132346	0.134068
Minimum		-0.121110	-0.135820
Std. Dev.		0.018031	0.019724
Skewness		-0.455882	0.059662
Kurtosis		11.49515	11.00585
Jarque-Bera		3327.531	2922.249
Probability		0.000000	0.000000
Sum		-0.453455	0.076421
Sum Sq. Dev.		0.355354	0.425232
Observations		1250	1250

Tableau 4 : Statistique descriptive des rendements : cas de l?Asie.

Les tableaux (2,3 et 4) regroupent les statistiques descriptives des rendements journaliers des indices boursiers, libellés en dollar américain, des marchés développés retenus dans l?échantillon. Nous constatons d?après ces tableaux que pour ces marchés, le rendement moyen le plus élevé est attribué à la bourse de Hong Kong 6.99E-05 tandis que celui le plus faible est enregistré ou suisse ; soit -8.31E-05. Le rendement maximal varie de 0.134068 à Hong Kong à 0.093703 en Canada, alors que le rendement minimal fluctue entre -0.074335 et -0.135820 au Hong Kong. En terme de risque, la bourse de suisse possède le risque le moins élevé ; soit 0.013494 alors que celui le plus élevé est marqué à la bourse de Hong Kong avec un écart type de 0.019724.

En ce qui concerne l?aplatissement, les valeurs de Kurtosis sont toutes positives, la distribution correspondante est leptokurtique par rapport à une distribution normale, ce qui se traduit graphiquement par des queues de distributions relativement épaisses. Les valeurs de la statistique de Kurtosis indiquent que les séries d?indices boursiers présentent un caractère épaisse ou leptokurtique. Les coefficients de Skewness indiquent que la distribution est asymétrique à gauche et rejettent la distribution normale pour la majorité des séries. Par conséquent, l?hypothèse de normalité n?est pas vérifié et le test de Jarque-Béra confirme bien ce résultat et rejette significativement la distribution normale des rendements des indices boursiers pour tous les marchés formant cette zone.

3.3.3 : Statistique descriptive des rendements des pays émergents.

	Cas de l'Europe et de l'Amérique latine.
pays		Brésil	Mexique	Argentine	Belgique
Indice		BOVESPA	IPC	MERVAL	BEL20
Mean		0.000505	0.000426	-0.000176	-0.000344
Median		0.001386	0.001557	0.001036	0.000383
Maximum		0.136766	0.104407	0.104316	0.092213
Minimum		-0.120961	-0.072661	-0.129516	-0.083193
Std. Dev.		0.021347	0.016467	0.020048	0.014474
Skewness		-0.045771	0.120414	-0.715403	-0.297856
Kurtosis		8.297069	7.568743	8.843892	9.397980
Jarque-Bera		1378.807	954.1235	1650.038	2028.323
Probability		0.000000	0.000000	0.000000	0.000000
Sum		0.595092	0.466160	-0.192161	-0.405414
Sum Sq. Dev.		0.536829	0.296367	0.439321	0.246776
Observations		1250	1250	1250	1250

Tableau 5 : Statistique descriptive des rendements des pays émergents : l?Europe et de l?Amérique latine.

Le tableau (5) regroupe les statistiques descriptives des rendements journaliers des indices boursiers, libellés en dollar américain, des marchés émergents retenus dans l?échantillon. On constate d?après ce tableau que pour les marchés de l?Amérique Latine et l?Europe, le rendement moyen le plus élevé est attribué à la bourse du Brésil 0.000505 tandis que celui le plus faible est enregistré en Belgique, soit -0.000344 .Le rendement maximal varie de 0.136766 ou Brésil à 0.092213 en Belgique alors que le rendement minimal fluctue entre -0.083193 et -0.129516. En terme de risque, la bourse de Belgique possède le risque le moins élevé ; soit 0.014474, alors que celui le plus élevé est marqué à la bourse du Brésil avec un écart type de 0.021347.

En ce qui concerne l?aplatissement, les valeurs de Kurtosis sont toutes positives, la distribution correspondante est leptokurtique par rapport à une distribution normale, ce qui se traduit graphiquement par des queues de distributions relativement épaisses. Les valeurs de la statistique de Kurtosis indiquent que les séries d?indices boursiers présentent un caractère épaisse ou leptokurtique. Les coefficients de Skewness indiquent que la distribution est asymétrique à gauche et rejettent la distribution normale pour la majorité des séries. Par conséquent, l?hypothèse de normalité n?est pas vérifié et le test de Jarque-Béra confirme bien

ce résultat et rejette significativement la distribution normale des rendements des indices boursiers pour tous les marchés formant cette zone.

	&as de l'Asie.
Pays		Australie	Inde	Indonésie	Malaisie	Singapour	Corée	Chine
Indice		ALLORDINARIES	BSE30	JKSE	KLSE	STI	KS11	SHANGCOMP
Mean		3.89E-05	0.000603	0.000517	0.000188	7.11E-05	-1.98E-05	0.000490
Median		0.000608	0.001292	0.001433	0.000521	0.000659	0.001218	0.001100
Maximum		0.053601	0.159900	0.076234	0.198605	0.075305	0.112844	0.099603
Minimum		-0.085536	-0.116044	-0.109539	-0.192464	-0.092155	-0.111720	-0.092562
Std. Dev.		0.012985	0.019706	0.016876	0.012622	0.014966	0.016532	0.020715
Skewness		-0.574728	0.082154	-0.691188	-0.286785	-0.326623	-0.574911	-0.287002
Kurtosis		7.856285	8.887322	9.079709	110.8972	8.304624	10.13952	5.652760
Jarque-Bera		1223.446	1704.026	1771.998	530687.0	1346.162	2383.771	347.1517
Probability		0.000000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
Sum		0.045909	0.711224	0.566145	0.205810	0.080438	-0.021641	0.554468
Sum Sq. Dev.		0.198628	0.457431	0.311284	0.174120	0.253110	0.298741	0.484908
Observations		1250	1250	1250	1250	1250	1250	1250

Tableau 6 : Statistique descriptive des rendements des pays émergents : cas de l?Asie.

D?après les résultats présentés dans, Tableau (6) les rendements journaliers varient entre 7.11E-05 en Singapour et -1.98E-05 en Corée. Par ailleurs la volatilité des marchés de capitaux est mesurée par l?écart-type des rendements des indices boursiers. En effet, le marché le moins risqué est le marché de Malaisie soit 0.012622 et le marché le plus risqué est le marché de la Chine ave un écart type de 0.020715 .Les coefficients d?asymétrie, généralement significativement négatifs, indiquent que la distribution des séries est étalée vers la gauche, ce qui illustre bien le fait qu?un choc négatif a plus d?impact qu?un choc positif. On signale également le caractère leptokurtique des séries des rentabilités étudiées. En effet, le Kurtosis est positif (k >3) pour toutes les séries. L?excès de Kurtosis témoigne d?une probabilité des points extrêmes, donc une distribution à queue épaisse. Les résultats montrent une certaine réserve quant à la validité de l?hypothèse normalité. Cette conclusion est renforcée par le test de Jaque Bera.

	&as de l'Afrflue.
pays		Tunisie	Egypte
indice		TUNINDEX	EGX30
Mean		0.001005	0.000880
Median		0.000840	0.000000
Maximum		0.360477	1.076939
Minimum		-0.357687	-1.068751
Std. Dev.		0.016158	0.049646
Skewness		0.042204	0.406581
Kurtosis		432.2329	373.2062
Jarque-Bera		8682350.	6732743.
Probability		0.000000	0.000000
Sum		1.137040	1.037575
Sum Sq. Dev.		0.295039	2.903405
Observations		1250	1250

Tableau 7 : Statistique descriptive des rendements des pays émergents : cas de l?Afrique.

D?après, le tableau (7) le rendement le plus important a été réalisé sur le marché Tunisien avec une moyenne de 0.001005, et le plus faible en Egypte avec une moyenne de 0.000880 ; le marché de Tunisien est le moins volatil avec un écart -type de 0.016158, en revanche, le marché le plus risqué est celui de l?Egypte 0.049646 vu qu?il réalise l?écart-type le plus élevé. Les distributions de rendements présentent toutes, une asymétrie (Skewness) négative, les distributions des rendements des indices étant étirés vers la gauche ou oblique à droite, le coefficient daplatissement (Kurtosis) est positif et supérieur à trois quel que soit le pays étudié, la distribution correspondante est leptokurtique par rapport à une distribution normale, ce qui se traduit graphiquement par des queues de distribution relativement épaisses.

3.3.4 : Étude des corrélations des rendements relatives aux pays de notre échantillon

La théorie standard de la diversification est fondée sur le nombre de titres individuels d?un portefeuille et les covariances de leurs rendements respectifs avec celui de portefeuille. Pour minimiser le risque sans sacrifier le rendement, la stratégie consiste à combiner des titres ayant des rendements non corrélés. Plus le nombre de titres appartenant au portefeuille augmente, plus le risque total diminue. Aussi, plus la covariance est négative, plus le risque total du portefeuille est faible. En effet, des études empiriques montrent que les corrélations des titres d?un pays peuvent évoluer soit à la hausse où à la baisse. Par contre, au niveau international, on peut toujours choisir d?investir dans des pays dont les marchés sont relativement indépendants. Par ailleurs, on va effectuer une étude sur la variation des corrélations dans le temps. Pour ce fait, on va étudier la variation de degré de dépendance entre les différents pays. Le degré d?indépendance est mesuré par le degré de corrélation intermarché.

3.3.4.1 : Corrélations des rendements relatives aux Pays développés

zone de l'Amérique du Nord

Le tableau (17 Annexe 2) présente les coefficients de corrélation entre les rendements des indices boursiers des marchés développés de zone de l?Amérique du Nord. Ce tableau, montre que les marchés développés sont fortement corrélés entre eux. Exemple la Canada enregistre une corrélation de 0.34788 avec l?Etats-Unis.

zone de l'Europe

Le tableau (16 Annexe 2) présente les coefficients de corrélation entre les rendements des indices boursiers des marchés de l?Europe. Ce tableau, montre que les marchés développés sont fortement corrélés entre eux. On remarque que la Suisse enregistre une corrélation de 0.61690 avec le marché de pays Bad. La France enregistre la plus grande corrélation avec les pays Bad. En ce qui concerne l?Allemagne, elle est positivement corrélée avec l?Italie.

3.3.4.2 : Corrélations des rendements relatives aux Pays émergents zone de l'Asie.

Le tableau (18 Annexe 2) présente la matrice des corrélations des rendements journaliers des indices boursiers des marchés émergents de la zone d?Asie. On observe que les corrélations entre les différents pays sont positives et moyennement élevées sauf quelques exceptions.

La lecture du tableau montre que la corrélation la plus élevée entre le Japon et l?Indonésie. Pour le couple Corée, chine on enregistre une corrélation de 0.10038 .Il existe une corrélation faible entre la chine et Hong Kong, aussi entre Corée et Malaisie.

=14J1de l' IriTXI.

Les corrélations entre les différents marchés boursiers, tels qu?elles figurent sur le tableau (20Annexe 2) sont assez faibles, soit de l?ordre de 0.0005490 pour le couple l?Egypte et la Tunisie.

3. 4 : Etude de la stationnarité des séries des indices boursiers : Test de racine unitaire.

3.4.1 : Aspect théorique des tests de stationnarité

Avant d?effectuer les tests de Co-intégration, il faut d?abord tester la stationnarité des séries de base des indices boursiers. Pour cela, on utilisera les tests Ducky- Fulle simple, Ducky- Fuller Augmenté (APF), le test de Philips- Perron (PP) et le test de Philips, Perron, Kwiatkowski, Schnidt et Shin (KPSS).

Les résultats montrent que les indices boursiers en niveau sont non stationnaires. En effet, les valeurs de la statistique ADF et celui de PP, en niveau, sont toutes supérieures à leurs valeurs critiques pour les divers seuils de significativité. En revanche, en passant à la différence première, toutes ces valeurs deviennent inférieures aux différents seuils critiques, prouvant ainsi la stationnarité de toutes les séries d?indices boursiers en différences premières et par conséquent elles sont intégrées d?ordre un.

3.4.1.1 : Test de Ducky- Fuller simple.

Le test de Ducky - Fuller (1979) est le test de racine unitaire ou de non stationnarité qui permet de savoir si une série est stationnaire ou non aussi permet de déterminer la bonne manière de stationnarité sous les hypothèses suivantes :

Processus non stationnaire, il correspond à une de ces formes de non stationnarités.

(1)

(2)

(3) +bt + C +

Ou = 1

: < 1 Processus non stationnaire, il correspond à une de ces formes de non stationnarité.

(1) D -- )

(2) D -- )

(3) D -- ) t

Ou -- ) = 0

3.4.1.2 : Test de Ducky #177; Fuller Augmente

Dans le test Ducky - Fuller que nous avant étudier le processus est hypothèse un bruit blanc. En fait ce test permet de prendre en compte l?autocorrélation possible de la série différenciée via une correction en utilisant les valeurs retardées. D?ailleurs, les hypothèses du test de Ducky- Fuller augmenté se définissent de la falcon suivante :

Processus non stationnaire, il correspond à une de ces formes de non stationnarité < 1

avec une estimation de moindre carrée ordinaire (MCO).

(1) A ~ ~

~ A _

(2) D ~ ~

~ ~ _ ~

(3) D ~ ~

~ A _ b ~

Ou , = 1 et ~ iid (0,a ~)

: < 1

3.4.1.3 : Test de Philips - perron (PP)

Le test de Philips - Perron (1988) permet de prendre en compte à la fois l?autocorrélation et l?hétéroscidasticité des erreurs. En fait il s?agit d?une correction non paramétrique, il est plus robuste vis-à-vis les erreurs de spécification, de plus il est moins précis que le test ADF.

Le déroulement du test de Philips - Perron s?effectue en quatre étapes, commençant par :

1- Estimations par la méthode de moindre carrée ordinaire

2- La détermination de la variance

a

~ ~

3- L?estimateur du facteur correctif appelé aussi variance de long- terme

= ~ = - ~ =

4- Calcule de statistique de Philips et Perron avec

t1" ~ ) d

+

k )~ . ~

~

K=

3.4.1.4 : Le test de Philips, Perron, Kwiatkowski, Schnidt et Shin (KPSS).

Le test de KPSS (1992) est testé sous l?hypothèse nulle d?absence de racine unitaire contre l?hypothèse de racine unitaire. D?ailleurs Kwiatkowski et al (1992) décompose la série en une somme déterministe : d?un marché aléatoire et d?un terme d?erreur stationnaire sous l?hypothèse nulle et la variance de marché égal à zéro.

Puis - que est stationnaire, autour d?une tendance sous

= 0 alors est stationnaire autour d?un niveau sous

3.4.1.4 : Analyse des tests de racine unitaire.

Analyse de test de Ducky- Fuller simple pour les pays développés

		Statistique ADF
Pays	Indice boursiers	ADF en niveau	ADF en différence première
Etats-Unis	S&P 500	-1,994	-60,791
Canada	S&P / TSX	-2,401	-58,175
Royaume -Uni	FTSE 100	-1,826	-60,494
France	CAC 40	-1,816	-6,937
Allemagne	DAX	-1,660	-58,957
Italie	MIB 30	-1,764	-58,966
Suisse	SSMI	-1,910	-58,813
Pays Bad	AEX	-1,604	-6,253
Australie	All Ordinaries	-1,467	-59,636
Japon	Nikkei 225	-2,276	-59,210
Hong Kong	Hang Seng	-1,850	-54,177

Tableau 8 : résultats du test ADF pour les pays développés.

L?annexe (3) relatif au test ADF au sein de la zone développée fait ressortir une valeur de t statistique inférieure en valeur absolue aux valeurs critiques pour les trois seuils (1%,5% et 10%). Les indices boursiers de ces pays sont donc non stationnaires. En conséquence à cette non stationnarité, nous passons du test niveau à la première différenciation (variation de l?indice). Les t statistiques des pays de l?Europe de l?Est étudiés sont largement supérieures en valeur absolue aux différents seuils critiques déjà énumérés. Nous concluons que les indices relatifs à ces pays sont intégrés d?ordre (1) ou I(1).

Le test PP suit la même procédure que le test ADF. Nous retrouvons les mêmes résultats que ceux du paragraphe précédent. Le test ADF et le test PP montrent que notre variable étudiée, soit lindice ne devient stationnaire que suite à une première différenciation. Notre variable est intégrée dordre 1 dans les deux cas ci précédemment étudiés. Le test KPSS se base sur le test de multiplicateur de Lagrange (LM) fondé sur lhypothèse nulle de stationnarité. Nous rejetons H0 si cette statistique est supérieure aux valeurs critiques.

	Analyse de test de Ducky- Fuller simple pour les pays émergents.
			Statistique ADF
Pays		Indice boursiers	ADF en niveau	ADF en différence première
Brésil		Bovespa	-1,544	-56,534
Mexique		IPC	-2,058	-60,195
Argentine		Merval	-1,961	-58,934
Egypte		EGX/30	-1,944	-34,813
Tunisie		TUNINDEX	-2,335	-49,653
Chine		Shang. Comp	-1,862	-42,844
Inde		BSE 30	-1,922	-60,479
Indonésie		JKSE	-2,013	-56,170
Malaisie		KLSE	-1,698	-59,871
Corée		KS11	-2,054	-60,648
Singapour		STI	-1,612	-60,364
Belgique		BEL20	-1,562	-6,540

Tableau 9 : résultats du test ADF pour les pays émergents.

L?annexe (3) relatif au test ADF au sein de la zone émergente fait ressortir une valeur de t statistique inférieure en valeur absolue aux valeurs critiques pour les trois seuils (1%,5% et 10%) à l?exception de la chine et linde qui furent stationnaires en niveau. Les indices boursiers de ces pays sont donc non stationnaires. En conséquence à cette non stationnarité, nous passons au test en niveau à la première différenciation (variation de lindice). Les t statistiques des pays de lEurope de lEst étudiés sont largement supérieurs en valeur absolue aux différents seuils critiques déjà énumérés. Nous concluons que les indices relatifs à ces pays sont intégrés dordre (1) ou I(1).

Le test PP suit la même procédure que le test ADF. Nous retrouvons les mêmes résultats (Annexes 3) que ceux du paragraphe précédent. Le test ADF et le test PP montrent que notre variable étudiée, soit l?indice ne devient stationnaire que suite à une première différenciation. Notre variable est intégrée dordre 1 dans les deux cas ci précédemment étudiés. Le test KPSS se base sur le test de multiplicateur de Lagrange (LM) fondé sur l?hypothèse nulle de stationnarité. Nous rejetons H0 si cette statistique est supérieure aux valeurs critiques.

3.5 : Les tests de co-intégration

Les modèles de co-intégration, en faisant appel soit à la méthode d?Engle et Granger (1987), soit à la méthode de Johansen (1988,1991). Dans ce qui suit nous souhaiterons savoir si nos séries sont co-intégrées ou pas, et donc, si respectivement elles présenteront la même racine unitaire ou des racines unitaires multiples. « Rappelons que les séries non stationnaires peuvent à court terme présenter des fluctuations importantes. Mais à long terme, une combinaison linéaire les unit pour une relation d?équilibre de long terme La présence d?une ou de plusieurs relations de co-intégration nous autorise donc à aller plus loin et d?estimer un certain modèle à correction d?erreur permettant de spécifier la dynamique de court terme des variables en présence en vue datteindre l?équilibre stable de long terme » Aloui et al (2006) pp ; 214. L?objectif de létude des relations de co-intégration est dexpliquer la relation dun point vue économique entre les diverses séries. Notons cependant que deux séries non stationnaires sur le long terme peuvent être co-intégrées. Pour estimer la co-intégration des séries sur le long terme, nous pouvons procéder à un test de co-intégration multi varié, ou encore appelé test de Johansen (1988) et/ ou à un test de co-intégration bi varié d?Engle et Granger (1987) ; et sur le court terme, nous procéderons au test du VECM (Modèle de Vecteur à Correction d?Erreur)

3.5.1 : Test de Co-intégration multi- variée de Johansen (1988) :

Dans le cas dutilisation de plusieurs séries, nous utiliserons le test de co-intégration multi varié de Johansen(1988).

L?idée sous-jacente à la théorie de co-intégration, comme le souligne Engle et Granger(1987) est qu?une combinaison linéaire de deux séries non stationnaires pourrait être stationnaires, Nous parlons alors de relation de co-intégration qui pourrait être interprétée comme une relation d?équilibre de long terme entre les séries co-intégrées. Pour tester la présence de cointégration, nous adopterons lapproche multi variée de la co-intégration développée par Johansen (1988).Pour ce faire, nous considérons le modèle à correction d?erreur suivant :

ÄÕt=Â0+ Â1 ÄÕt-1+ Â2 ÄÕ t-2+Âp-1ÄÕt-p+1+ÐYt-1+ît

^Oü

Õt: un vecteur contenant N variables toutes I(1) et Ði (i=1..., p) sont de taille (N*N). Pour que léquation soit équilibrée, une condition nécessaire est que Ðp Õt-p soit I(0) soit alors. Ðp = -âá

á: est une matrice (r, N) qui contient r vecteurs dintégration (r le rang de co-intégration) â: est une matrice (N,r) qui contient le poids associé à chaque vecteur de co-intégration Sil existe r relations de co-intégration, alors

Rg (Ðp) = r

3.5.2 : Test de co-intégration de Granger

Deux étapes fondamentaux pour saisir le test de co-intégration de deux séries suivant le test d?Engle et Granger, d?une part on teste l?ordre de d?intégration des variables, dans ce méme cadre il faut que les séries doivent être intégrées de même ordre. Pour être co-intégré on détermine le degré d?intégration selon le test ADF.

D?autre part nous estimerons la relation long terme, pour cela le résidu de la régression doit être stationnaire afin d?accepter la relation de stationnarité selon le test ADF. En fait lorsque les séries sont non stationnaires en niveau, et en procédant à la différenciation première. Ses séries peuvent devenir stationnaires et donc intégrées dordre 1 lors de la relation de cette condition.

3.5.3 : Détermination du nombre optimal de retard

Pour analyser l?impact de l?intégration financière sur le gain de la diversification internationale, il est nécessaire de savoir si les marchés convergent entre eux, d?où la nécessité d?étudier s?éparament la convergence des marchés des pays développés et celle des marchés émergents, par la suite nous analyserons la convergence des marchés développés et émergents à la fois. Or pour pouvoir étudier l?intégration des marchés il est nécessaire de déterminer le nombre de retard optimal du modèle autorégressif VAR : les critères AIC et VAR ont été utilisés.

3.5.4 : Modélisation VECM et test de causalité au sens de Granger

Engle et Granger(1987) ont démontré que toutes les séries co-intégrées peuvent être représentées par un VECM. D?abord, nous essayerons de synthétiser les grandes étapes relatives à l?estimation d?un modèle de VECM :

1. Détermination du nombre de retards p du modèle en niveau ou en log selon les critères AIC ou SC ;

2. Estimation de la matrice Ð et tests de Johansen permettent de connaitre le nombre de relation de co-intégration ;

3. Identification des relations de co-intégration, c'est-à-dire les relations de long terme entre les variables ;

4. Estimation par la méthode du maximum de vraisemblance du modèle vectoriel à correction derreur et validation à laide du test usuel : significativité des coefficients et vérification que les résidus sont des bruits blancs (test de Ljung-Box).

En suite, nous pouvons vérifier que lestimation par les MCO de la relation de long terme fournit des résultats à peu près similaires(en termes de significativité et de valeurs estimées des coefficients) à ceux obtenus par la méthode du maximum de vraisemblance.

3.5.5 : Test de causalité ou sens de Granger

Soit le modèle VAR (P) pour le quelle les variables t sont stationnaire

Y

Y

Ce test consiste à poser ces deux hypothèses :

Ne couse pas si l?hypothèse est acceptée c à d :

4

Ne couse pas si l?hypothèse est acceptée c à d :

3.5.6 : Le modèle de correction des erreurs.

Si on a deux séries co-intégrées ( - - ~ -- > I(0))

On peut estimer le modèle à correction d?erreurs (MCE) suivant : ~_y ~ - - ~

Avec < 0

On peut remarquer que le paramètre doit être négatif pour qu?il y ait un retour de à sa valeur d?équilibre de long terme qui est ( - ~ )

En fait, lorsque est supérieur à ( - ~ )

Il n?ya pas une force de rappel vers l?équilibre de long terme si a

Le MCE permet de modéliser conjointement les dynamiques de court terme. La dynamique de court terme s?écrit :

y

3.6 : Analyse de la Co-intégration

La détermination du nombre de retard (P) du modèle vectoriel autorégressif VAR(P) est une étape importante dans notre étude empirique sur l?intégration des marchés. Pour le cas des marchés développés, on a un VAR dordre 4 puisque les critères AIC (Akaike information criterion) et SC (Schwarz criterion) sont minimaux pour un P = 4. Pour ce qui concerne les pays émergents on a aussi un VAR d?ordre 4 puisque les critères sont nominaux pour un P= 4

3.6.1 : Détermination du nombre optimal de retard

Lors de la détermination du nombre optimal de retard on va ce limité au VAR (4). Zone de l'Afrique

	VAR 1	VAR 2	VAR 3	VAR 4
AIC	28.522	28.447	28.279	28.245
SC	28.547	28.488	28.336	28.319

Tableau n°10 : nombre optimal de retard du modèle VAR : Zone de l?Afrique

D?après ce tableau, on constate que le nombre de retard qui minimise les critères « Al C » et « SC » est P =4

Zone de l'Europe

	VAR 1	VAR 2	VAR 3	VAR 4
AIC	84.418	83.89	83.63	84.328
SC	84.648	84.328	84.269	84.164

Tableau n°11 : nombre optimal de retard du modèle VAR : Zone de Europe

D?après ce tableau, on constate que le nombre de retard qui minimise les critères « Al C » et « SC » est P =4

	Zone de l'Amérique du Nord
		VAR 1	VAR 2	VAR 3	VAR 4
AIC		30.42	30.149	30.042	29.97
SC		30.44	30.19	30.10	30.05

Tableau n°12 : nombre optimal de retard du modèle VAR : Zone de l?Amérique du Nord

D?après ce tableau, on constate que le nombre de retard qui minimise les critères « Al C » et « SC » est P =4

	Zone de l'Asie
		VAR 1	VAR 2	VAR 3	VAR 4
AIC		133.77	133.07	132.789	132.54
SC		137.14	133.77	133.826	133.91

Tableau n°13 : nombre optimal de retard du modèle VAR : Zone de l?Asie

D?après ce tableau, on constate que le nombre de retard qui minimise les critères « AIC » et « SC » est P =4

3.6.2 : Test de Co-intégration.

Zones géographiques	Nombre de relation de Co-intégration
Amérique de nord	1
Europe	4
Asie	7
Afrique	1

Tableau 14 : Résultat du test de Co-intégration.

Le test de Co-intégration multi - variée pour l?indice S&P 500 et les autres indices boursiers des différents marchés de notre échantillons sera effectué pour un nombre de retard .Les résultats montrent qu?il ya une relation de co-intégration (Annexe 4) cela s?explique par les réformes mises en place de ces dernières années dans les différents marchés et la levée des restrictions visons la globalisation des marchés.

D?ailleurs la détermination des tests de causalité au sens de Granger a montré que les couples des marchés S&P 500 et les différents marchés présente des relations bidirectionnelles sur le long terme, donc tout choc se répercutera sur chaque pays, ainsi le recours au test de causalité de Granger nous nous permet d?identifier le sens de la causalité entre ces marchés Cointégrés. En fait, ces diverses relations de Co-intégration peuvent avoir une autre explication qui prend origine de crises financières où on peut parler d?une augmentation de l?intégration financière pour effet de Co-intégration.

3.6.3 : L'analyse du test de causalité

On dit que la variable X couse au sens de Granger la variable Y si et seulement si la connaissance du passé de X améliore la prévision de Y à tout horizon. Dans notre étude on va tester le lieu de causalité entre le rendement de l?indice S&P 500 et les autres rendements des indices boursiers, pour ce faire on va comparer la probabilité obtenue ci-dessous de test de Granger par rapport à 5%.

En comparent par exemple l?indice S&P 500 et l?indice SPTSX on déduit les résultats suivants.

Pairwise Granger Causality Tests Date: 05/30/11 Time: 12:29 Sample: 1 1249

Lags: 2

Null Hypothesis: Obs F-Statistic Prob.

SPTSX does not Granger Cause SP500 1126 2.68042 0.0690

SP500 does not Granger Cause SPTSX 43.2690 8.E-19

Si P < 0,1 on rejette donc il ya un sens de cousalité

Sens de causalité	causalité
SPTSX ? SP500	Oui
SP500 ? SPTSX	Oui

Tableau 15 : Résultat du test decausalité : cas de l?Amérique du Nord.

3.6.4 : L'impact de l'intégration sur la diversification internationale de portefeuille.

Le test de Co-intégration de Johansen entre les marchés développés tel que présenté sur l?annexe 4 montre labsence de relation de Co-intégration au seuil critique de 5%. En effet, la trace statistique est inférieure aux deux valeurs critiques.

Cette absence de Co-intégration sinterprète par labsence de relation déquilibre stable de
long terme entre ces différentes bourses. Cela signifie donc de la segmentation de ces marchés

entre eux sur le long terme. Par ailleurs, les tests de Co-intégration de ces marchés asiatiques avec les marchés développés indiquent labsence des relations de Co-intégration ce qui se traduit par leurs segmentations avec les marchés développés. Dans son article Kais Fadhlaoui, 2006, p 19 explique que : « Ces résultats peuvent être expliqués par, dune part, lapparition récente de ces marchés qui sont déjà dans le stade primaire de leur développement et dautre part, par les faibles relations des économies de ces pays entre eux et avec les marchés développés. »

L?annexe 4 montre que le test de Co-intégration pour les marchés émergents indique lexistence dune relation de Co-intégration au seuil de 5%. Cela implique que ces marchés évoluent dans la même tendance à long terme. Cette indépendance peut être liée aux effets de long terme de la crise financière qui a frappée ces marchés. Le test de Co-intégration entre les marches de l?Europe montre quil existe une relations de Co-intégration entre ces marchés. En revanche, les tests de Co-intégration des marchés développés révèlent la présence d?une relations de Co-intégration entre la France-allemagne, Royoume -Uni - Suisse, Italie - pays Bad. Le test de Co-intégration pour les marchés émergents de l?Afrique montre qu?il y a une relation de Co-intégration.

Conclusion

Dans ce chapitre nous avons détudié le phénomène dintégration/Co-intégration des marchés des capitaux développés et émergents et ses implications sur les gains potentiels des stratégies de diversification internationale de portefeuille. L?accroissement de lintégration financière favorise l?augmentation des corrélations entre les marchés nationaux ce qui réduirait les gains des stratégies de diversification internationale. Nos résultats prouvent que les marchés développés sont intégrés entre eux grâce à la forte corrélation ce qui laisse les investisseurs chercher des autres pays pour diversifier leurs portefeuilles qui représentent une faible corrélation pour augmenter le gain de la diversification. Alors que les marchés émergents sont segmentés aussi bien entre eux qu?avec les marchés développés. Ces conclusions sont conformes avec la majorité des études menées sur le thème de l?intégration des marchés financiers tel que celle de Gilmore et McManus (2002) et Bekaert, Harvey et Ng (2003), Fadhlaoui K (2006). Cela implique que ces marchés émergents représentent encore une source importante de la diversification internationale de portefeuille.

D?ailleurs, malgré les recommandations de la théorie financière incitant à la diversification internationale, les investisseurs ne diversifient que partiellement leurs portefeuilles à linternational et quils ont une certaine préférence pour les actifs domestiques.

CONCLUSION GENERALE

CONCLUSION GENERALE

T

out au long de ce mémoire on a étudié les modèles d?évaluations des actifs financiers, la diversification et l?impact de l?intégration des marchés des capitaux développés et émergents et ses implications sur les gains potentiels des stratégies de

diversification internationale de portefeuille. Théoriquement on a étudié le modèle d?évaluation des actifs financiers et suite au critiques et aux anomalies adressées à ce modèle on a testé d?autres versions comme le MEDAFI (le modèle d?évaluation des actifs financiers à l?international), le MEDAF conditionnel, l?APT et le modèle de Fama French (1993), le but c?est le portefeuille optimal pour un investisseur qui cherche à maximiser leurs rentabilités. D?ailleurs, pour assurer cette rentabilité il faut diversifier le portefeuille par des titres domestiques sur le plan national, mais à l?international ça dépend de la corrélation entre les marchés financiers. Alors que L?accroissement de l?intégration financière favorise l?augmentation des corrélations entre les marchés nationaux ce qui réduirait les gains des stratégies de diversification internationale. Nos résultats prouvent que les marchés développés sont intégrés entre eux alors que les marchés émergents sont segmentés aussi bien entre eux qu?avec les marchés développés. Ces conclusions sont conformes avec la majorité des études menées sur le thème de l?intégration des marchés financiers tel que celle de Gilmore et McManus (2002) et Bekaert, Harvey et Ng (2003). Cela implique que ces marchés émergents représentent encore une source importante de diversification internationale de portefeuille. Cependant, il faut tenir compte des transmissions des chocs surtout suite aux nombreuses crises qui ont frappé les marchés financiers ces dernières années.

BIBLIOGRAPHIE

BIBLIOGRAPHIE

Abou (A) et Prat (G) (1997) A propos de la rationalité des anticipations boursières : quel niveau d'agrégation des opinions ? Revue d'Economie Politique n°5, pp. 647-69.

Abou (A) et Prat (G), (1997) Formation des anticipations boursières : "consensus" versus opinions individuelles, Journal de la Société de Statistique de Paris, n°2, pp. 13-22.

Abou (A.), (1997) Prix, production et cours boursiers aux Etats-Unis : une mise en perspective des processus anticipatifs pour un panel d'experts sur la période 1952-1996, Communication présentée à la Journée "Aspects microéconomiques des anticipations" du GDR "Monnaie et Financement", 24p.

Barari, M. (2003), «Measuring equity market integration using time-varying integration score: the case of Latin America», Institute for international integration studies, trinity college, Dublin, Ireland.

Bekaert, G. Harvey, C.R. et Ng, A. (2003), Market integration and contagion?, NBER Working Paper, N° 9510.

Black (F.), (1972) Capital Equilibrium with restricted borrowing, Journal of Business, n°45, pp.444-54.

Bourguinat H., (1999), « Finance internationale », PUF

Brealey R. Myers S., (2003), « Principes de Gestion Financière », Pearson Education.

Chou, R.Y., Ng, V. K. et Pi, L. K. (1994), Cointégration of international stock market indices?, IMF Working Papers 94.

Cobbaut R (1997), « Théorie Financière », Economica.

FADHLAOUI.K.(2006) « Diversification internationale et intégration financière : Lintérêt des marchés émergents ».

Forbes, K. et Rigobon, R. (2000), contagion in Latin America: definitions, measurement and policy implications?, NBER Working Paper , N° 7885.

Gilmore, C. G. et McManus, G. M. (2002), International portfolio diversification: US and central European equity markets?, Emerging Markets Review, Vol. 3, PP. 69-83.

Heaney, R., Hooper, V. et Jaugietis, M. (2002), Regional integration of stock markets in latin America?, Journal of Economic Integration, Vol. 17, PP.745-760.

Heimonen, K. (2002), Stock market integration; evidence on price integration return convergence?, Applied Financial Economics.Vol. 12, PP. 415-429.

Henry, P. B. (2000), Stock market liberalisation, economic reform and emerging equity prices?, Journal of Finance, Vol. 55, PP.529-564.

Jean-Marie CLUCHIER 11/08/2008 « Construction de portefeuille et diversification "

Kais FADHLAOUI (2006) Diversification internationale et intégration financière : L?intérêt des marchés émergents

Lahouel NOUREDDINE (2006) working paper « Evaluation des Options avec Prime de Risque "

Malkiel, B. et Mei, J. (1998), Global bargain hunting: the investors guide to profits in emerging markets?, Simon & Schuster, New York.

Manning, N. (2002), Common trends and convergence? South East Asian equity markets, 1988-1999?, Journal of International Money and Finance, Vol. 21, PP.183-202. Markowitz, «portfolio sélection ", Journal of Finance, mars 1952. Mathis J., (2001), « Marchés internationaux des capitaux et Gestion dactifs», Economica

Nihat AKTAS (2004) La « finance comportementale " un état des lieux

Olga Bourachnikova (2009) « la théorie comportementale de portefeuille vs. Le modèle moyenne -variance. " Working paper

Prat (G.), (1992) Anticipations et évaluation des actions, in "Monnaie, taux d'intérêt et anticipations", H. Kempf et W. Marois ed. Economica.

Prat (G.), (1982)La bourse et la conjoncture économique, Economica.

Roll.R et S.A.Ross, (1977) ?An empirical investigation of the arbitrage pricing theory?.

Roll.R, (1977) « A critique of the asset pricing theorys test: part 1 .on past and potential testability of theory », Journal of financial Economics, vol.4, pp.129-176.

Solnik,B.(1983),international Arbitrage Pricing Theory» Journal of Finance,Vol.38,pp.449- 457

ANNEXES

075

⁰⁰⁰

12

⁰⁷

Annexes 1 : L'évolution des indices bousiers des différentes zones étudiées

Annexe 2 : Corrélations des rendements des pays développé.

	Zone de l'Europe
		BE20	CAC40	AEX	DAX	FTSE100	SSMI	MIB30
BE20		1	0.6341	0.6591	0.2998	0.5409	0.5317	0.1917
CAC40			1	0.9480	0.2508	0.6580	0.6218	0.2274
AEX				1	0.2356	0.6669	0.6169	0.2478
DAX					1	0.3337	0.2472	0.2371
FTSE100						1	0.680	0.1934
SSMI							1	0.2332
MIB30								1

Tableau 16 : corrélations des rendements des zones à économies de l?Europe. Zone de l'Amérique du nord

	SPTSX	SP500
SPTSX	1	0.3478
SP500		1

Tableau 17 : Corrélations des rendements des zones à économies de l?Amérique du nord Corrélations des rendements des pays émergents.

Zone de l'Asie.

	ALLO RDIN ARIE	BSE30	HANG SENG	JKSE	KLSE	NIKK EI225	KS11	SHANGC OMP	STI
ALLORDIN ARIE	1	0.0780	0.2012	-0.0081	0.0212	0.1927	0.1054	0.0407	0.0330
BSE30		1	0.0755	0.2088	0.1506	0.2159	0.1484	0.0688	0.0981
HANGSENG			1	0.0335	0.0183	0.0885	0.4107	0.0998	0.2865
JKSE				1	0.0417	0.2818	0.0161	0.1294	0.2714
KLSE					1	0.1700	0.0473	0.0661	0.0597
NIKKEI225						1	0.0725	0.0658	0.1111
KS11							1	0.1003	0.2069
SHANGCO MP								1	0.0368
STI									1

Tableau 18 : Corrélations des rendements de la zone de l?Asie

=W CI l* P pUTuERINine.

	BOVESPA	IPC	MERVAL
BOVESPA	1	0.4583	0.3461
IPC		1	0.3091
MERVAL			1

Tableau 19 : Corrélations des rendements de la zone de l?Amérique latine

	=MICR* IUTME
		EGX30	TUNINDEX
EGX30		1	0.0005
TUNINDEX			1

Tableau 20 : Corrélations des rendements de la zone de l?Afrique

Annexe 3 : Test de Ducky- Fuller simple pour les pays développé Zone de l'Europe.

Royaume - Uni (Au niveau et En différence)

Null Hypothesis: FTSE100 has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 14 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.826981 0.6912

Test critical values: 1% level -3.965494

5% level -3.413454

10% level -3.128769

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(FTSE100)

Method: Least Squares

Date: 05/30/11 Time: 11:41

Sample (adjusted): 16 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	183.4527	97.62340 1.879188	0.0605
@TREND(1)	-0.035537	0.034634 -1.026059	0.3051
R-squared	0.424041	Mean dependent var	0.590202
Adjusted R-squared	0.416475	S.D. dependent var	524.0094
S.E. of regression	400.2847	Akaike info criterion	14.83590
Sum squared resid	1.95E+08	Schwarz criterion	14.90636
Log likelihood	-9144.167	Hannan-Quinn criter.	14.86240
F-statistic	56.04575	Durbin-Watson stat	1.999134
Prob(F-statistic)	0.000000

84

Null Hypothesis: D(FTSE100) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -60.49416 0.0001

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(FTSE100,2)

Method: Least Squares

Date: 05/30/11 Time: 11:41

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	1.976530	25.75440 0.076745	0.9388
@TREND(1)	-0.001926	0.035679 -0.053976	0.9570
R-squared	0.746154	Mean dependent var	0.012260
Adjusted R-squared	0.745746	S.D. dependent var	900.5584
S.E. of regression	454.0940	Akaike info criterion	15.07689
Sum squared resid	2.57E+08	Schwarz criterion	15.08922
Log likelihood	-9404.977	Hannan-Quinn criter.	15.08152
F-statistic	1829.772	Durbin-Watson stat	2.315436
Prob(F-statistic)	0.000000

-France (Au niveau et En différence)

Null Hypothesis: CAC40 has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 1 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.816092 0.6966

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(CAC40)

Method: Least Squares

Date: 05/30/11 Time: 11:40

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	24.92624	12.67051 1.967264	0.0494
@TREND(1)	-0.010028	0.005739 -1.747345	0.0808
R-squared	0.012690	Mean dependent var	-0.097075
Adjusted R-squared	0.010309	S.D. dependent var	63.15981
S.E. of regression	62.83341	Akaike info criterion	11.12205
Sum squared resid	4911358.	Schwarz criterion	11.13849
Log likelihood	-6936.160	Hannan-Quinn criter.	11.12823
F-statistic	5.329845	Durbin-Watson stat	2.004031
Prob(F-statistic)	0.001192

Null Hypothesis: D(CAC40) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 21 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.937211 0.0000

Test critical values: 1% level -3.965543

5% level -3.413478

10% level -3.128783

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(CAC40,2)

Method: Least Squares

Date: 05/30/11 Time: 11:40

Sample (adjusted): 24 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	2.653840	3.733518 0.710815	0.4773
@TREND(1)	-0.004404	0.005150 -0.855177	0.3926
R-squared	0.559084	Mean dependent var	0.003415
Adjusted R-squared	0.550654	S.D. dependent var	94.19919
S.E. of regression	63.14482	Akaike info criterion	11.14810
Sum squared resid	4796683.	Schwarz criterion	11.24810
Log likelihood	-6815.362	Hannan-Quinn criter.	11.18573
F-statistic	66.32210	Durbin-Watson stat	1.997613
Prob(F-statistic)	0.000000

-Allemagne (Au niveau et En différence)

Null Hypothesis: DAX has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 12 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.660388 0.7682

Test critical values: 1% level -3.965482

5% level -3.413448

10% level -3.128765

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(DAX)

Method: Least Squares

Date: 05/30/11 Time: 11:40

Sample (adjusted): 14 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	75.84281	38.81177 1.954119	0.0509
@TREND(1)	-0.018582	0.018921 -0.982116	0.3262
R-squared	0.550101	Mean dependent var	1.290493
Adjusted R-squared	0.544947	S.D. dependent var	351.0504
S.E. of regression	236.8102	Akaike info criterion	13.78445
Sum squared resid	68528616	Schwarz criterion	13.84654
Log likelihood	-8510.680	Hannan-Quinn criter.	13.80780
F-statistic	106.7263	Durbin-Watson stat	2.003564
Prob(F-statistic)	0.000000

Null Hypothesis: D(DAX) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -58.95777 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(DAX,2)

Method: Least Squares

Date: 05/30/11 Time: 11:41

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	7.184216	17.48378 0.410908	0.6812
@TREND(1)	-0.008515	0.024221 -0.351552	0.7252
R-squared	0.736286	Mean dependent var	0.007748
Adjusted R-squared	0.735862	S.D. dependent var	599.7965
S.E. of regression	308.2615	Akaike info criterion	14.30217
Sum squared resid	1.18E+08	Schwarz criterion	14.31450
Log likelihood	-8921.557	Hannan-Quinn criter.	14.30681
F-statistic	1738.010	Durbin-Watson stat	2.276823
Prob(F-statistic)	0.000000

Italie (Au niveau et En différence)

Null Hypothesis: MIB30 has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 3 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.764548 0.7215

Test critical values: 1% level -3.965428

5% level -3.413422

10% level -3.128749

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(MIB30)

Method: Least Squares

Date: 05/30/11 Time: 11:41

Sample (adjusted): 5 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	438.5926	233.8361 1.875641	0.0609
@TREND(1)	-0.248286	0.123222 -2.014937	0.0441
R-squared	0.435372	Mean dependent var	-7.232592
Adjusted R-squared	0.433095	S.D. dependent var	1518.526
S.E. of regression	1143.345	Akaike info criterion	16.92611
Sum squared resid	1.62E+09	Schwarz criterion	16.95080
Log likelihood	-10538.96	Hannan-Quinn criter.	16.93539
F-statistic	191.2272	Durbin-Watson stat	1.945528
Prob(F-statistic)	0.000000

Null Hypothesis: D(MIB30) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -58.96631 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(MIB30,2)

Method: Least Squares

Date: 05/30/11 Time: 11:42

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	22.44923	75.89679 0.295786	0.7674
@TREND(1)	-0.053148	0.105147 -0.505460	0.6133
R-squared	0.736342	Mean dependent var	-0.010144
Adjusted R-squared	0.735918	S.D. dependent var	2604.015
S.E. of regression	1338.174	Akaike info criterion	17.23840
Sum squared resid	2.23E+09	Schwarz criterion	17.25073
Log likelihood	-10753.76	Hannan-Quinn criter.	17.24304
F-statistic	1738.513	Durbin-Watson stat	2.273582
Prob(F-statistic)	0.000000

Suisse (Au niveau et En différence)

Null Hypothesis: SSMI has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 14 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.910137 0.6486

Test critical values: 1% level -3.965494

5% level -3.413454

10% level -3.128769

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(SSMI)

Method: Least Squares

Date: 05/30/11 Time: 11:42

Sample (adjusted): 16 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	107.5393	50.91261 2.112234	0.0349
@TREND(1)	-0.035588	0.021736 -1.637277	0.1018
R-squared	0.505069	Mean dependent var	0.755789
Adjusted R-squared	0.498567	S.D. dependent var	351.6663
S.E. of regression	249.0217	Akaike info criterion	13.88663
Sum squared resid	75530357	Schwarz criterion	13.95709
Log likelihood	-8557.992	Hannan-Quinn criter.	13.91313
F-statistic	77.68427	Durbin-Watson stat	2.014279
Prob(F-statistic)	0.000000

Null Hypothesis: D(SSMI) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -58.81346 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(SSMI,2)

Method: Least Squares

Date: 05/30/11 Time: 11:42

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	6.862434	17.52060 0.391678	0.6954
@TREND(1)	-0.009322	0.024272 -0.384040	0.7010
R-squared	0.735333	Mean dependent var	-0.004968
Adjusted R-squared	0.734908	S.D. dependent var	599.9786
S.E. of regression	308.9116	Akaike info criterion	14.30639
Sum squared resid	1.19E+08	Schwarz criterion	14.31872
Log likelihood	-8924.186	Hannan-Quinn criter.	14.31102
F-statistic	1729.512	Durbin-Watson stat	2.276471
Prob(F-statistic)	0.000000

Pays - Bad (Au niveau et En différence)

Null Hypothesis: AEX has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.604094 0.7912

Test critical values: 1% level -3.965410

5% level -3.413413

10% level -3.128744

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(AEX)

Method: Least Squares

Date: 05/30/11 Time: 11:39

Sample (adjusted): 2 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	1.684029	0.969984 1.736141	0.0828
@TREND(1)	-0.000794	0.000500 -1.586054	0.1130
R-squared	0.002679	Mean dependent var	-0.026085
Adjusted R-squared	0.001078	S.D. dependent var	5.447239
S.E. of regression	5.444302	Akaike info criterion	6.229415
Sum squared resid	36931.98	Schwarz criterion	6.241737
Log likelihood	-3887.270	Hannan-Quinn criter.	6.234048
F-statistic	1.673276	Durbin-Watson stat	2.089362
Prob(F-statistic)	0.188053

Null Hypothesis: D(AEX) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 21 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.253836 0.0000

Test critical values: 1% level -3.965543

5% level -3.413478

10% level -3.128783

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(AEX,2)

Method: Least Squares

Date: 05/30/11 Time: 11:39

Sample (adjusted): 24 1250

Included observations: 1227 after adjustments

Variable		Coefficient	Std. Error t-Statistic	Prob.
C		0.174247	0.321836 0.541414	0.5883
@TREND(1)		-0.000298	0.000444 -0.670792	0.5025
R-squared		0.535947	Mean dependent var	0.001899
Adjusted R-squared		0.527074	S.D. dependent var	7.937139
S.E. of regression		5.458337	Akaike info criterion	6.251532
Sum squared resid		35841.51	Schwarz criterion	6.351528
Log likelihood		-3811.315	Hannan-Quinn criter.	6.289158
F-statistic		60.40758	Durbin-Watson stat	1.996748
Prob(F-statistic)		0.000000
	=TnFOdFOl'AP pUiINFOdN OITUd.

Etats #177; Unis (Au niveau et En différence)

Null Hypothesis: SP500 has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 11 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.994753 0.6031

Test critical values: 1% level -3.965476

5% level -3.413445

10% level -3.128763

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(SP500)

Method: Least Squares

Date: 05/30/11 Time: 11:35

Sample (adjusted): 13 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	47.39653	23.84044 1.988073	0.0470
@TREND(1)	-0.011710	0.009706 -1.206422	0.2279
R-squared	0.430783	Mean dependent var	-0.025380
Adjusted R-squared	0.424737	S.D. dependent var	142.1047
S.E. of regression	107.7808	Akaike info criterion	12.20932
Sum squared resid	14218850	Schwarz criterion	12.26723
Log likelihood	-7543.570	Hannan-Quinn criter.	12.23110
F-statistic	71.25552	Durbin-Watson stat	2.005217
Prob(F-statistic)	0.000000

Null Hypothesis: D(SP500) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -60.79157 0.0001

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(SP500,2)

Method: Least Squares

Date: 05/30/11 Time: 11:35

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	0.238642	6.975842 0.034210	0.9727
@TREND(1)	-0.000486	0.009664 -0.050290	0.9599
R-squared	0.748007	Mean dependent var	-0.005609
Adjusted R-squared	0.747602	S.D. dependent var	244.8209
S.E. of regression	122.9961	Akaike info criterion	12.46458
Sum squared resid	18834403	Schwarz criterion	12.47691
Log likelihood	-7774.900	Hannan-Quinn criter.	12.46922
F-statistic	1847.808	Durbin-Watson stat	2.324240
Prob(F-statistic)	0.000000

Canada (Au niveau et En différence)

Null Hypothesis: SPTS has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 15 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.401543 0.3785

Test critical values: 1% level -3.965500

5% level -3.413457

10% level -3.128770

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(SPTS)

Method: Least Squares

Date: 05/30/11 Time: 11:35

Sample (adjusted): 17 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	691.8556	290.1728 2.384288	0.0173
@TREND(1)	-0.015644	0.134818 -0.116039	0.9076
R-squared	0.395955	Mean dependent var	1.940640
Adjusted R-squared	0.387511	S.D. dependent var	2150.225
S.E. of regression	1682.802	Akaike info criterion	17.70879
Sum squared resid	3.44E+09	Schwarz criterion	17.78344
Log likelihood	-10908.32	Hannan-Quinn criter.	17.73687
F-statistic	46.88801	Durbin-Watson stat	1.998171
Prob(F-statistic)	0.000000

Null Hypothesis: D(SPTS) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -58.17555 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(SPTS,2)

Method: Least Squares

Date: 05/30/11 Time: 11:36

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable		Coefficient	Std. Error t-Statistic	Prob.
D(SPTS(-1))		-1.462133	0.025133 -58.17555	0.0000
C		7.108130	107.6266 0.066044	0.9474
@TREND(1)		-0.007065	0.149102 -0.047383	0.9622
R-squared		0.731066	Mean dependent var	0.008173
Adjusted R-squared		0.730634	S.D. dependent var	3656.309
S.E. of regression		1897.641	Akaike info criterion	17.93701
Sum squared resid		4.48E+09	Schwarz criterion	17.94934
Log likelihood		-11189.70	Hannan-Quinn criter.	17.94165
F-statistic		1692.197	Durbin-Watson stat	2.229257
Prob(F-statistic)		0.000000
	=14J1de l' \le.

Japon (Au niveau et En différence)

Null Hypothesis: NIKKEI225 has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 13 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.276598 0.4460

Test critical values: 1% level -3.965488

5% level -3.413451

10% level -3.128767

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(NIKKEI225)

Method: Least Squares

Date: 05/30/11 Time: 11:48

Sample (adjusted): 15 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	681.0832	288.1342 2.363771	0.0182
@TREND(1)	-0.290507	0.155949 -1.862832	0.0627
R-squared	0.389351	Mean dependent var	-0.786707
Adjusted R-squared	0.381844	S.D. dependent var	2111.932
S.E. of regression	1660.463	Akaike info criterion	17.68044
Sum squared resid	3.36E+09	Schwarz criterion	17.74671
Log likelihood	-10910.51	Hannan-Quinn criter.	17.70537
F-statistic	51.85840	Durbin-Watson stat	2.010682
Prob(F-statistic)	0.000000

Null Hypothesis: D(NIKKEI225) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -59.21019 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(NIKKEI225,2) Method: Least Squares

Date: 05/30/11 Time: 11:48

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(NIKKEI225(-1))	-1.475883	0.024926 -59.21019	0.0000
C	11.45422	107.5707 0.106481	0.9152
@TREND(1)	-0.020487	0.149025 -0.137477	0.8907
R-squared	0.737941	Mean dependent var	0.128165
Adjusted R-squared	0.737520	S.D. dependent var	3702.033
S.E. of regression	1896.653	Akaike info criterion	17.93597
Sum squared resid	4.48E+09	Schwarz criterion	17.94830
Log likelihood	-11189.05	Hannan-Quinn criter.	17.94061
F-statistic	1752.924	Durbin-Watson stat	2.239170
Prob(F-statistic)	0.000000

Hong Kong (Au niveau et En différence)

Null Hypothesis: HANGSENG has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 9 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.850196 0.6795

Test critical values: 1% level -3.965464

5% level -3.413440

10% level -3.128760

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(HANGSENG) Method: Least Squares

Date: 05/30/11 Time: 11:46

Sample (adjusted): 11 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	406.6069	213.7837	1.901955	0.0574
@TREND(1)	0.046825	0.141427	0.331092	0.7406
R-squared	0.328427	Mean dependent var		6.139226
Adjusted R-squared	0.322411	S.D. dependent var		2024.743
S.E. of regression	1666.683	Akaike info criterion		17.68469
Sum squared resid	3.41E+09	Schwarz criterion		17.73426
Log likelihood	-10952.51	Hannan-Quinn criter.		17.70333
F-statistic	54.59483	Durbin-Watson stat		1.999527
Prob(F-statistic)	0.000000

Null Hypothesis: D(HANGSENG) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -54.17722 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(HANGSENG,2) Method: Least Squares

Date: 05/30/11 Time: 11:46

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable		Coefficient	Std. Error t-Statistic	Prob.
D(HANGSENG(-1))		-1.404331	0.025921 -54.17722	0.0000
C		17.02203	104.7772 0.162459	0.8710
@TREND(1)		-0.014058	0.145154 -0.096848	0.9229
R-squared		0.702165	Mean dependent var	-0.027548
Adjusted R-squared		0.701687	S.D. dependent var	3382.387
S.E. of regression		1847.394	Akaike info criterion	17.88334
Sum squared resid		4.25E+09	Schwarz criterion	17.89567
Log likelihood		-11156.20	Hannan-Quinn criter.	17.88798
F-statistic		1467.585	Durbin-Watson stat	2.242268
Prob(F-statistic)		0.000000
	=14J1de l' XV.raXie.

Australie (Au niveau et En différence)

Null Hypothesis: ALLORDINARIES has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 21 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.467237 0.8403

Test critical values: 1% level -3.965537

5% level -3.413475

10% level -3.128781

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(ALLORDINARIES) Method: Least Squares

Date: 05/30/11 Time: 11:45

Sample (adjusted): 23 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	74.73087	44.00287 1.698318	0.0897
@TREND(1)	-0.023159	0.019929 -1.162078	0.2454
R-squared	0.444970	Mean dependent var	0.583469
Adjusted R-squared	0.434367	S.D. dependent var	321.6468
S.E. of regression	241.9059	Akaike info criterion	13.83433
Sum squared resid	70456235	Schwarz criterion	13.93426
Log likelihood	-8470.276	Hannan-Quinn criter.	13.87193
F-statistic	41.96748	Durbin-Watson stat	2.008419
Prob(F-statistic)	0.000000

Null Hypothesis: D(ALLORDINARIES) has a unit root Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -59.63607 0.0001

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(ALLORDINARIES,2) Method: Least Squares

Date: 05/30/11 Time: 11:45

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(ALLORDINARIES(-1))	-1.481406	0.024841 -59.63607	0.0000
C	3.840850	15.87432 0.241954	0.8089
@TREND(1)	-0.004965	0.021992 -0.225764	0.8214
R-squared	0.740704	Mean dependent var	-0.016106
Adjusted R-squared	0.740287	S.D. dependent var	549.2115
S.E. of regression	279.8892	Akaike info criterion	14.10907
Sum squared resid	97530790	Schwarz criterion	14.12140
Log likelihood	-8801.057	Hannan-Quinn criter.	14.11370
F-statistic	1778.230	Durbin-Watson stat	2.289054
Prob(F-statistic)	0.000000

Annexe 3 : Test de Ducky- Fuller simple pour les pays émergents. =14J1de l' sie.

Chine (Au niveau et En différence)

Null Hypothesis: SHANGCOMP has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 8 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.862654 0.6732

Test critical values: 1% level -3.965458

5% level -3.413437

10% level -3.128758

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(SHANGCOMP) Method: Least Squares

Date: 05/30/11 Time: 11:48

Sample (adjusted): 10 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	27.59611	17.76672	1.553247	0.1206
@TREND(1)	0.008979	0.021867	0.410618	0.6814
R-squared	0.095162	Mean dependent var		1.459919
Adjusted R-squared	0.087806	S.D. dependent var		261.9954
S.E. of regression	250.2288	Akaike info criterion		13.89145
Sum squared resid	77015803	Schwarz criterion		13.93687
Log likelihood	-8608.647	Hannan-Quinn criter.		13.90853
F-statistic	12.93594	Durbin-Watson stat		2.004366
Prob(F-statistic)	0.000000

106

Null Hypothesis: D(SHANGCOMP) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -42.84485 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(SHANGCOMP,2) Method: Least Squares

Date: 05/30/11 Time: 11:49

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(SHANGCOMP(-1))	-1.191745	0.027815 -42.84485	0.0000
C	4.418153	14.55463 0.303556	0.7615
@TREND(1)	-0.004428	0.020163 -0.219583	0.8262
R-squared	0.595869	Mean dependent var	-0.033197
Adjusted R-squared	0.595219	S.D. dependent var	403.3439
S.E. of regression	256.6170	Akaike info criterion	13.93545
Sum squared resid	81986068	Schwarz criterion	13.94778
Log likelihood	-8692.719	Hannan-Quinn criter.	13.94008
F-statistic	917.8407	Durbin-Watson stat	2.043789
Prob(F-statistic)	0.000000

Inde (Au niveau et En différence)

Null Hypothesis: BSE30 has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 10 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.922157 0.6422

Test critical values: 1% level -3.965470

5% level -3.413442

10% level -3.128762

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(BSE30)

Method: Least Squares

Date: 05/30/11 Time: 11:46

Sample (adjusted): 12 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	386.7169	189.7420	2.038119	0.0418
@TREND(1)	0.126252	0.173709	0.726804	0.4675
R-squared	0.469041	Mean dependent var		8.715706
Adjusted R-squared	0.463844	S.D. dependent var		2485.619
S.E. of regression	1820.036	Akaike info criterion		17.86154
Sum squared resid	4.06E+09	Schwarz criterion		17.91528
Log likelihood	-11052.22	Hannan-Quinn criter.		17.88175
F-statistic	90.25262	Durbin-Watson stat		1.999471
Prob(F-statistic)	0.000000

Null Hypothesis: D(BSE30) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -60.47994 0.0001

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(BSE30,2)

Method: Least Squares

Date: 05/30/11 Time: 11:46

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(BSE30(-1))	-1.492129	0.024671 -60.47994	0.0000
C	17.13955	122.3764 0.140056	0.8886
@TREND(1)	-0.007632	0.169535 -0.045017	0.9641
R-squared	0.746065	Mean dependent var	0.033934
Adjusted R-squared	0.745657	S.D. dependent var	4278.398
S.E. of regression	2157.701	Akaike info criterion	18.19388
Sum squared resid	5.80E+09	Schwarz criterion	18.20621
Log likelihood	-11349.98	Hannan-Quinn criter.	18.19851
F-statistic	1828.911	Durbin-Watson stat	2.316810
Prob(F-statistic)	0.000000

Indonésie (Au niveau et En différence)

Null Hypothesis: JKSE has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 14 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.013647 0.5927

Test critical values: 1% level -3.965494

5% level -3.413454

10% level -3.128769

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(JKSE)

Method: Least Squares

Date: 05/30/11 Time: 11:47

Sample (adjusted): 16 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	46.19886	25.05773	1.843697	0.0655
@TREND(1)	0.034505	0.026487	1.302719	0.1929
R-squared	0.347868	Mean dependent var		1.268267
Adjusted R-squared	0.339302	S.D. dependent var		315.9742
S.E. of regression	256.8344	Akaike info criterion		13.94841
Sum squared resid	80344012	Schwarz criterion		14.01887
Log likelihood	-8596.143	Hannan-Quinn criter.		13.97491
F-statistic	40.60757	Durbin-Watson stat		1.988491
Prob(F-statistic)	0.000000

Null Hypothesis: D(JKSE) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -56.17038 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(JKSE,2)

Method: Least Squares

Date: 05/30/11 Time: 11:47

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(JKSE(-1))	-1.429039	0.025441 -56.17038	0.0000
C	2.502160	16.09798 0.155433	0.8765
@TREND(1)	-0.000553	0.022301 -0.024777	0.9802
R-squared	0.717055	Mean dependent var	-0.908245
Adjusted R-squared	0.716600	S.D. dependent var	533.1589
S.E. of regression	283.8286	Akaike info criterion	14.13702
Sum squared resid	1.00E+08	Schwarz criterion	14.14935
Log likelihood	-8818.500	Hannan-Quinn criter.	14.14166
F-statistic	1577.574	Durbin-Watson stat	2.209962
Prob(F-statistic)	0.000000

Malaisie (Au niveau et En différence)

Null Hypothesis: KLSE has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 14 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.698175 0.7518

Test critical values: 1% level -3.965494

5% level -3.413454

10% level -3.128769

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(KLSE)

Method: Least Squares

Date: 05/30/11 Time: 11:47

Sample (adjusted): 16 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	34.71808	20.15121	1.722878	0.0852
@TREND(1)	0.006475	0.010456	0.619253	0.5359
R-squared	0.456684	Mean dependent var		0.359490
Adjusted R-squared	0.449547	S.D. dependent var		161.9445
S.E. of regression	120.1507	Akaike info criterion		12.42904
Sum squared resid	17583285	Schwarz criterion		12.49950
Log likelihood	-7657.932	Hannan-Quinn criter.		12.45555
F-statistic	63.98687	Durbin-Watson stat		1.980349
Prob(F-statistic)	0.000000

Null Hypothesis: D(KLSE) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -59.87130 0.0001

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(KLSE,2)

Method: Least Squares

Date: 05/30/11 Time: 11:47

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(KLSE(-1))	-1.484428	0.024794 -59.87130	0.0000
C	0.305564	7.999655 0.038197	0.9695
@TREND(1)	0.000297	0.011082 0.026778	0.9786
R-squared	0.742213	Mean dependent var	-0.008349
Adjusted R-squared	0.741799	S.D. dependent var	277.5792
S.E. of regression	141.0477	Akaike info criterion	12.73847
Sum squared resid	24768579	Schwarz criterion	12.75080
Log likelihood	-7945.808	Hannan-Quinn criter.	12.74311
F-statistic	1792.286	Durbin-Watson stat	2.314763
Prob(F-statistic)	0.000000

Corée (Au niveau et En différence)

Null Hypothesis: KS11 has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 9 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.054947 0.5699

Test critical values: 1% level -3.965464

5% level -3.413440

10% level -3.128760

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(KS11)

Method: Least Squares

Date: 05/30/11 Time: 11:48

Sample (adjusted): 11 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	49.51816	22.51641	2.199203	0.0280
@TREND(1)	0.004518	0.012941	0.349103	0.7271
R-squared	0.444393	Mean dependent var		0.569685
Adjusted R-squared	0.439416	S.D. dependent var		198.2979
S.E. of regression	148.4699	Akaike info criterion		12.84827
Sum squared resid	27069186	Schwarz criterion		12.89785
Log likelihood	-7953.929	Hannan-Quinn criter.		12.86692
F-statistic	89.29042	Durbin-Watson stat		2.001550
Prob(F-statistic)	0.000000

Null Hypothesis: D(KS11) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -60.64842 0.0001

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(KS11,2)

Method: Least Squares

Date: 05/30/11 Time: 11:48

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(KS11(-1))	-1.494235	0.024638 -60.64842	0.0000
C	1.417299	9.753594 0.145310	0.8845
@TREND(1)	-0.001041	0.013512 -0.077027	0.9386
R-squared	0.747117	Mean dependent var	0.007388
Adjusted R-squared	0.746711	S.D. dependent var	341.7039
S.E. of regression	171.9722	Akaike info criterion	13.13494
Sum squared resid	36820155	Schwarz criterion	13.14727
Log likelihood	-8193.205	Hannan-Quinn criter.	13.13958
F-statistic	1839.115	Durbin-Watson stat	2.320236
Prob(F-statistic)	0.000000

Singapour (Au niveau et En différence)

Null Hypothesis: STI has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 7 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.612052 0.7881

Test critical values: 1% level -3.965452

5% level -3.413434

10% level -3.128756

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(STI)

Method: Least Squares

Date: 05/30/11 Time: 11:49

Sample (adjusted): 9 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	40.81677	24.63973 1.656543	0.0979
@TREND(1)	-0.002505	0.013262 -0.188918	0.8502
R-squared	0.377451	Mean dependent var	0.567593
Adjusted R-squared	0.372903	S.D. dependent var	211.2849
S.E. of regression	167.3154	Akaike info criterion	13.08566
Sum squared resid	34489158	Schwarz criterion	13.12692
Log likelihood	-8116.193	Hannan-Quinn criter.	13.10117
F-statistic	82.99555	Durbin-Watson stat	2.007061
Prob(F-statistic)	0.000000

Null Hypothesis: D(STI) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -60.36464 0.0001

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(STI,2)

Method: Least Squares

Date: 05/30/11 Time: 11:49

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(STI(-1))	-1.490682	0.024695 -60.36464	0.0000
C	1.711690	10.42473 0.164195	0.8696
@TREND(1)	-0.001381	0.014442 -0.095630	0.9238
R-squared	0.745341	Mean dependent var	0.006322
Adjusted R-squared	0.744932	S.D. dependent var	363.9398
S.E. of regression	183.8051	Akaike info criterion	13.26803
Sum squared resid	42061493	Schwarz criterion	13.28036
Log likelihood	-8276.251	Hannan-Quinn criter.	13.27267
F-statistic	1821.945	Durbin-Watson stat	2.302288
Prob(F-statistic)	0.000000

=WHI l'AP pUIue latine.
Brésil (Au niveau et En différence)

Null Hypothesis: BOVESPA has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 15 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.544407 0.8139

Test critical values: 1% level -3.965500

5% level -3.413457

10% level -3.128770

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(BOVESPA)

Method: Least Squares

Date: 05/30/11 Time: 11:31

Sample (adjusted): 17 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	1155.162	716.1063	1.613115	0.1070
@TREND(1)	0.879554	0.734394	1.197660	0.2313
R-squared	0.425773	Mean dependent var		35.09157
Adjusted R-squared	0.417746	S.D. dependent var		8494.015
S.E. of regression	6481.409	Akaike info criterion		20.40574
Sum squared resid	5.11E+10	Schwarz criterion		20.48040
Log likelihood	-12572.34	Hannan-Quinn criter.		20.43383
F-statistic	53.03711	Durbin-Watson stat		1.985285
Prob(F-statistic)	0.000000

Null Hypothesis: D(BOVESPA) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -56.53415 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(BOVESPA,2)

Method: Least Squares

Date: 05/30/11 Time: 11:31

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(BOVESPA(-1))	-1.439331	0.025460 -56.53415	0.0000
C	30.36987	430.6823 0.070516	0.9438
@TREND(1)	0.027810	0.596651 0.046609	0.9628
R-squared	0.719665	Mean dependent var	-0.455128
Adjusted R-squared	0.719214	S.D. dependent var	14330.59
S.E. of regression	7593.664	Akaike info criterion	20.71042
Sum squared resid	7.18E+10	Schwarz criterion	20.72275
Log likelihood	-12920.30	Hannan-Quinn criter.	20.71505
F-statistic	1598.055	Durbin-Watson stat	2.270286
Prob(F-statistic)	0.000000

Mexique (Au niveau et En différence)

Null Hypothesis: IPC has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 9 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.058490 0.5679

Test critical values: 1% level -3.965464

5% level -3.413440

10% level -3.128760

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(IPC) Method: Least Squares

Date: 05/30/11 Time: 11:32 Sample (adjusted): 11 1250 Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	644.0286	259.1141	2.485502	0.0131
@TREND(1)	0.153498	0.221016	0.694510	0.4875
R-squared	0.435315	Mean dependent var		26.27262
Adjusted R-squared	0.430257	S.D. dependent var		2890.722
S.E. of regression	2181.955	Akaike info criterion		18.22346
Sum squared resid	5.85E+09	Schwarz criterion		18.27304
Log likelihood	-11286.55	Hannan-Quinn criter.		18.24211
F-statistic	86.06039	Durbin-Watson stat		1.991266
Prob(F-statistic)	0.000000

Null Hypothesis: D(IPC) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -60.19589 0.0001

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(IPC,2)

Method: Least Squares

Date: 05/30/11 Time: 11:32

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(IPC(-1))	-1.488549	0.024728 -60.19589	0.0000
C	30.13728	146.1662 0.206185	0.8367
@TREND(1)	-0.011471	0.202492 -0.056651	0.9548
R-squared	0.744277	Mean dependent var	0.215481
Adjusted R-squared	0.743866	S.D. dependent var	5092.203
S.E. of regression	2577.148	Akaike info criterion	18.54916
Sum squared resid	8.27E+09	Schwarz criterion	18.56149
Log likelihood	-11571.67	Hannan-Quinn criter.	18.55379
F-statistic	1811.773	Durbin-Watson stat	2.335918
Prob(F-statistic)	0.000000

Argentine (Au niveau et En différence)

Null Hypothesis: MERVAL has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 11 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.961026 0.6214

Test critical values: 1% level -3.965476

5% level -3.413445

10% level -3.128763

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(MERVAL)

Method: Least Squares

Date: 05/30/11 Time: 11:32

Sample (adjusted): 13 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	61.68896	31.73533	1.943858	0.0521
@TREND(1)	0.003945	0.018111	0.217839	0.8276
R-squared	0.422839	Mean dependent var		0.774515
Adjusted R-squared	0.416709	S.D. dependent var		296.1339
S.E. of regression	226.1677	Akaike info criterion		13.69167
Sum squared resid	62609846	Schwarz criterion		13.74959
Log likelihood	-8461.147	Hannan-Quinn criter.		13.71346
F-statistic	68.97900	Durbin-Watson stat		2.007269
Prob(F-statistic)	0.000000

Null Hypothesis: D(MERVAL) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -58.93437 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(MERVAL,2)

Method: Least Squares

Date: 05/30/11 Time: 11:32

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(MERVAL(-1))	-1.472249	0.024981 -58.93437	0.0000
C	0.365839	15.00572 0.024380	0.9806
@TREND(1)	0.001219	0.020788 0.058650	0.9532
R-squared	0.736132	Mean dependent var	0.071210
Adjusted R-squared	0.735708	S.D. dependent var	514.6466
S.E. of regression	264.5766	Akaike info criterion	13.99654
Sum squared resid	87150962	Schwarz criterion	14.00887
Log likelihood	-8730.841	Hannan-Quinn criter.	14.00118
F-statistic	1736.630	Durbin-Watson stat	2.299443
Prob(F-statistic)	0.000000

=14J1de l' IriTXIT

Tunisie (Au niveau et En différence)

Null Hypothesis: TUNINDEX has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 22 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.335111 0.4139

Test critical values: 1% level -3.965693

5% level -3.413552

10% level -3.128826

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(TUNINDEX)

Method: Least Squares

Date: 05/30/11 Time: 11:51

Sample (adjusted): 24 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	127.6034	56.27143	2.267641	0.0235
@TREND(1)	0.238132	0.092467	2.575327	0.0101
R-squared	0.379909	Mean dependent var		2.507024
Adjusted R-squared	0.367275	S.D. dependent var		383.5347
S.E. of regression	305.0789	Akaike info criterion		14.29958
Sum squared resid	1.10E+08	Schwarz criterion		14.40541
Log likelihood	-8576.198	Hannan-Quinn criter.		14.33944
F-statistic	30.07167	Durbin-Watson stat		2.000385
Prob(F-statistic)	0.000000

Null Hypothesis: D(TUNINDEX) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -49.65332 0.0000

Test critical values: 1% level -3.965434

5% level -3.413425

10% level -3.128751

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(TUNINDEX,2) Method: Least Squares

Date: 05/30/11 Time: 11:52

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
D(TUNINDEX(-1))	-1.329997	0.026786 -49.65332	0.0000
C	1.027881	22.37258 0.045944	0.9634
@TREND(1)	0.004084	0.031056 0.131489	0.8954
R-squared	0.664999	Mean dependent var	0.023671
Adjusted R-squared	0.664460	S.D. dependent var	680.4216
S.E. of regression	394.1400	Akaike info criterion	14.79370
Sum squared resid	1.93E+08	Schwarz criterion	14.80605
Log likelihood	-9206.076	Hannan-Quinn criter.	14.79834
F-statistic	1232.726	Durbin-Watson stat	2.199634
Prob(F-statistic)	0.000000

Egypte (Au niveau et En différence)

Null Hypothesis: EGX30 has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 4 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.449064 0.8461

Test critical values: 1% level -3.965434

5% level -3.413425

10% level -3.128751

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(EGX30)

Method: Least Squares

Date: 05/30/11 Time: 11:51

Sample (adjusted): 6 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	40.40381	18.90378 2.137340	0.0328
@TREND(1)	-0.011852	0.018759 -0.631801	0.5276
R-squared	0.112462	Mean dependent var	3.179462
Adjusted R-squared	0.108161	S.D. dependent var	226.2490
S.E. of regression	213.6633	Akaike info criterion	13.57229
Sum squared resid	56517208	Schwarz criterion	13.60111
Log likelihood	-8441.749	Hannan-Quinn criter.	13.58313
F-statistic	26.14504	Durbin-Watson stat	1.988037
Prob(F-statistic)	0.000000

Null Hypothesis: D(EGX30) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -34.81357 0.0000

Test critical values: 1% level -3.965416

5% level -3.413416

10% level -3.128746

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(EGX30,2)

Method: Least Squares

Date: 05/30/11 Time: 11:51

Sample (adjusted): 3 1250

Included observations: 1250 after adjustments

Variable		Coefficient	Std. Error t-Statistic	Prob.
D(EGX30(-1))		-0.987878	0.028376 -34.81357	0.0000
C		13.96180	12.82819 1.088369	0.2766
@TREND(1)		-0.017236	0.017769 -0.969978	0.3322
R-squared		0.493283	Mean dependent var	-0.338117
Adjusted R-squared		0.492469	S.D. dependent var	317.3484
S.E. of regression		226.0828	Akaike info criterion	13.68208
Sum squared resid		63636233	Schwarz criterion	13.69441
Log likelihood		-8534.618	Hannan-Quinn criter.	13.68672
F-statistic		605.9964	Durbin-Watson stat	1.989895
Prob(F-statistic)		0.000000
	Zone de l'Europe

Belgique (Au niveau et En différence)

Null Hypothesis: BEL20 has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.562716 0.8071

Test critical values: 1% level -3.965410

5% level -3.413413

10% level -3.128744

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(BEL20)

Method: Least Squares

Date: 05/30/11 Time: 11:40

Sample (adjusted): 2 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
BEL20(-1)	-0.002561	0.001639 -1.562716	0.1184
C	12.59213	7.271996 1.731592	0.0836
@TREND(1)	-0.007121	0.004008 -1.776428	0.0759
R-squared	0.002892	Mean dependent var	-0.379271
Adjusted R-squared	0.001291	S.D. dependent var	42.14806
S.E. of regression	42.12084	Akaike info criterion	10.32136
Sum squared resid	2210610.	Schwarz criterion	10.33368
Log likelihood	-6442.690	Hannan-Quinn criter.	10.32599
F-statistic	1.806707	Durbin-Watson stat	1.972537
Prob(F-statistic)	0.164624

Null Hypothesis: D(BEL20) has a unit root

Exogenous: Constant, Linear Trend

Lag Length: 21 (Automatic based on Modified SIC, MAXLAG=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.540594 0.0000

Test critical values: 1% level -3.965543

5% level -3.413478

10% level -3.128783

*MacKinnon (1996) one-sided p-values. Augmented Dickey-Fuller Test Equation Dependent Variable: D(BEL20,2)

Method: Least Squares

Date: 05/30/11 Time: 11:40

Sample (adjusted): 24 1250

Included observations: 1250 after adjustments

Variable	Coefficient	Std. Error t-Statistic	Prob.
C	1.357337	2.497141 0.543557	0.5868
@TREND(1)	-0.002682	0.003448 -0.777831	0.4368
R-squared	0.504682	Mean dependent var	0.031410
Adjusted R-squared	0.495212	S.D. dependent var	59.57730
S.E. of regression	42.32875	Akaike info criterion	10.34818
Sum squared resid	2155443.	Schwarz criterion	10.44817
Log likelihood	-6324.606	Hannan-Quinn criter.	10.38580
F-statistic	53.29309	Durbin-Watson stat	1.998207
Prob(F-statistic)	0.000000

Annexe 4 : Test de Co-intégration

Détermination du nombre de retard L'Afrique

	VAR 1	VAR 2	VAR 3	VAR 4
AIC	28.522	28.447	28.279	28.245
SC	28.547	28.488	28.336	28.319

Co-intégration

Date: 05/30/11 Time: 12:08

Sample (adjusted): 5 1250

Included observations: 1250 after adjustments Trend assumption: Linear deterministic trend Series: TUNINDEX EGX30

Lags interval (in first differences): 1 to 3

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.010609 17.06710 15.49471 0.0288

At most 1 0.003083 3.831361 3.841466 0.0503

Trace test indicates 1 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None 0.010609 13.23574 14.26460 0.0722

At most 1 0.003083 3.831361 3.841466 0.0503

130

Max-eigenvalue test indicates no cointegration at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

TUNINDEX EGX30

-0.001294 0.000120

0.000111 -0.000451

Unrestricted Adjustment Coefficients (alpha):

D(TUNINDEX) 37.78661 -0.856175

D(EGX30) 1.115461 11.92958

1 Cointegrating Equation(s): Log likelihood -17510.11

Normalized cointegrating coefficients (standard error in parentheses)

TUNINDEX EGX30

1.000000 -0.092706

(0.09328)

Adjustment coefficients (standard error in parentheses)

D(TUNINDEX) -0.048887

(0.01346)

D(EGX30) -0.001443

(0.00793)

VECM

Vector Error Correction Estimates

Date: 05/30/11 Time: 12:10

Sample (adjusted): 5 1250

Included observations: 1250 after adjustments Standard errors in ( ) & t-statistics in [ ]

Cointegrating Eq:	CointEq1
TUNINDEX(-1)	1.000000
EGX30(-1)	-0.092706
	(0.09328)
	[-0.99387]
C	-1999.875
Error Correction:	D(TUNINDEX)	D(EGX30)
CointEq1	-0.048887	-0.001443
	(0.01346)	(0.00793)
	[-3.63280]	[-0.18206]
D(TUNINDEX(-1))	-0.458310	0.004906
	(0.02934)	(0.01728)
	[-15.6209]	[ 0.28388]

D(TUNINDEX(-2)) -0.367095 0.008873

(0.02976) (0.01753)

[-12.3342] [ 0.50612]

D(TUNINDEX(-3)) -0.201106 0.004213

(0.02796) (0.01647)

[-7.19282] [ 0.25584]

D(EGX30(-1)) 0.035288 0.027945

(0.04840) (0.02851)

[ 0.72911] [ 0.98023]

D(EGX30(-2)) 0.008266 -0.310527

(0.04613) (0.02717)

[ 0.17917] [-11.4271]

D(EGX30(-3)) 0.000116 0.037777

(0.04850) (0.02857)

[ 0.00238] [ 1.32244]

C 5.306338 (10.4074)	3.904617 (6.13027)
[ 0.50986]	[ 0.63694]
R-squared 0.235406	0.096835
Adj. R-squared 0.231066	0.091708
Sum sq. resids 1.66E+08	57438218
S.E. equation 366.4228	215.8335
F-statistic 54.23165	18.88560
Log likelihood -9083.490	-8426.654
Akaike AIC 14.65188	13.59332
Schwarz SC 14.68491	13.62635
Mean dependent 2.692554	3.046640
S.D. dependent 417.8668	226.4676
Determinant resid covariance (dof adj.)	6.25E+09
Determinant resid covariance	6.17E+09
Log likelihood	-17510.11
Akaike information criterion	28.24836
Schwarz criterion	28.32267

^CausalitéPairwise Granger Causality Tests

Date: 05/30/11 Time: 12:14 Sample: 1 1250

Lags: 2

Null Hypothesis: Obs F-Statistic Prob.

LNEGX30 does not Granger Cause TUNDEX 1195 0.35261 0.7029

TUNDEX does not Granger Cause LNEGX30 0.26659 0.7660

L'Europe

	VAR 1	VAR 2	VAR 3	VAR 4
AIC	84.418	83.89	83.63	84.328
SC	84.648	84.328	84.269	84.164

Co-integration

Date: 05/30/11 Time: 12:21

Sample (adjusted): 5 1250

Included observations: 1250 after adjustments

Trend assumption: Linear deterministic trend

Series: AEX BEL20 CAC40 DAX FTSE100 MIB30 SSMI Lags interval (in first differences): 1 to 3

Unrestricted Cointegration Rank Test (Trace)

Hypothesized			Trace		0.05
No. of CE(s)	Eigenvalue		Statistic		Critical Value		Prob.**
None *	0.164028		481.9300		125.6154		0.0001
At most 1 *	0.105691		258.6972		95.75366		0.0000
At most 2 *	0.051739		119.5148		69.81889		0.0000
At most 3 * 0.028793 53.32009 47.85613									0.0141
At most 4 0.007990 16.91762 29.79707									0.6461
At most 5 0.005310 6.921606 15.49471									0.5868
At most 6 0.000231 0.287433 3.841466									0.5919
Trace test indicates 4 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05 No. of CE(s) Eigenvalue Statistic Critical Value									Prob.**
None * 0.164028 223.2328 46.23142									0.0000
At most 1 * 0.105691 139.1824 40.07757									0.0001
At most 2 * 0.051739 66.19468 33.87687									0.0000
At most 3 * 0.028793 36.40247 27.58434									0.0029
At most 4 0.007990 9.996014 21.13162									0.7451
At most 5 0.005310 6.634173 14.26460									0.5333
At most 6 0.000231 0.287433 3.841466									0.5919
Max-eigenvalue test indicates 4 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):
AEX BEL20 CAC40 DAX									FTSE100			MIB30		SSMI
0.034568		-0.000769		-0.000404		0.000212		-0.004491			-8.35E-05		0.001268
-0.007753		-0.000220		0.011351		-0.001289		-0.000295			-0.000628		-0.002328
0.021450		0.003925		-0.004807		-0.001709		0.000575			-0.000409		0.002591
-0.040584		0.010464		-0.003706		0.000933		-0.000365			-0.000121		-0.001267
-0.072717		0.001981		0.005398		0.000509		-2.67E-05			-5.53E-05		0.000418
-0.027666		-0.001601		0.003155		-0.000900		-4.89E-05			0.000232		-7.66E-05
0.005651		0.000136		-0.000372		-0.000217		-7.14E-05			0.000113		-3.23E-05

Unrestricted Adjustment Coefficients (alpha):

D(AEX) 0.023321 -0.096130 0.455220 0.611344 0.034319 0.235723 0.011370

D(BEL20) 0.729314 0.201091 2.118592 -0.814212 -0.869777 2.724958 -0.077413

D(CAC40) 1.258077 -1.711614 6.453219 7.176462 -1.277136 2.190449 0.114149

D(DAX) 2.895387 58.92608 27.07687 -6.041505 0.194546 -0.649005 1.155793

D(FTSE100) 152.5412 18.68268 -23.50317 11.07254 -0.178076 3.241806 -0.043924

D(MIB30) 2.990069 275.1332 133.9618 -6.465772 10.05649 -7.144862 -4.690851

D(SSMI) -39.72783 44.46723 -35.06098 18.60810 -8.209885 4.514054 -0.088367

1 Cointegrating Equation(s): Log likelihood -51840.25

Normalized cointegrating coefficients (standard error in parentheses)

AEX BEL20 CAC40 DAX FTSE100 MIB30 SSMI

1.000000 -0.022232 -0.011678 0.006143 -0.129930 -0.002417 0.036681

(0.01952) (0.02468) (0.00461) (0.00817) (0.00151) (0.00685)

Adjustment coefficients (standard error in parentheses)

D(AEX) 0.000806

(0.00525)

D(BEL20) 0.025211

(0.03993)

D(CAC40) 0.043489

(0.06088)

D(DAX) 0.100088

(0.23014)

D(FTSE100) 5.273059

(0.36829)

D(MIB30) 0.103361

(1.07477)

D(SSMI) -1.373316

(0.27042)

136

2 Cointegrating Equation(s): Log likelihood -51770.66

Normalized cointegrating coefficients (standard error in parentheses)

AEX	BEL20	CAC40	DAX	FTSE100	MIB30	SSMI
1.000000	0.000000	-0.649325	0.076453	-0.056158	0.034232	0.152423
		(0.05177)	(0.01187)	(0.02102)	(0.00358)	(0.01758)
0.000000	1.000000	-28.68091	3.162474	3.318224	1.648457	5.205995
		(2.30712)	(0.52886)	(0.93683)	(0.15967)	(0.78342)
Adjustment coefficients (standard error in parentheses)
D(AEX)	0.001551	3.25E-06
	(0.00538)	(0.00012)
D(BEL20)	0.023652	-0.000605
	(0.04092)	(0.00092)
D(CAC40)	0.056759	-0.000590
	(0.06237)	(0.00141)
D(DAX)	-0.356750	-0.015204
	(0.22818)	(0.00515)
D(FTSE100)	5.128217	-0.121348
	(0.37696)	(0.00851)
D(MIB30)	-2.029675	-0.062899
	(1.06562)	(0.02405)
D(SSMI)	-1.718058	0.020738
	(0.27345)	(0.00617)
3 Cointegrating Equation(s):		Log likelihood	-51737.56
Normalized cointegrating coefficients (standard error in parentheses)
AEX	BEL20	CAC40	DAX	FTSE100	MIB30	SSMI
1.000000	0.000000	0.000000	-0.007651	-0.116156	-0.006389	0.039775
			(0.00399)	(0.00769)	(0.00067)	(0.00560)
0.000000	1.000000	0.000000	-0.552417	0.668088	-0.145809	0.230287
			(0.06727)	(0.12951)	(0.01126)	(0.09424)
0.000000	0.000000	1.000000	-0.129525	-0.092401	-0.062560	-0.173485
			(0.01692)	(0.03257)	(0.00283)	(0.02370)
Adjustment coefficients (standard error in parentheses)
D(AEX)	0.011316	0.001790	-0.003289
	(0.00627)	(0.00061)	(0.00187)
D(BEL20)	0.069097	0.007710	-0.008196
	(0.04777)	(0.00462)	(0.01423)
D(CAC40)	0.195184	0.024736	-0.050958
	(0.07251)	(0.00701)	(0.02159)
D(DAX)	0.224061	0.091062	0.537560
	(0.26482)	(0.02561)	(0.07887)
D(FTSE100)	4.624063	-0.213589	0.263477
	(0.43980)	(0.04253)	(0.13098)
D(MIB30)	0.843868	0.462847	2.477955
	(1.23559)	(0.11949)	(0.36798)
D(SSMI)	-2.470133	-0.116863	0.689341
	(0.31697)	(0.03065)	(0.09440)
4 Cointegrating Equation(s):		Log likelihood	-51719.36
Normalized cointegrating coefficients (standard error in parentheses)
AEX	BEL20	CAC40	DAX	FTSE100	MIB30	SSMI
1.000000	0.000000	0.000000	0.000000	-0.132189	-0.005210	0.036280
				(0.00726)	(0.00061)	(0.00508)
0.000000	1.000000	0.000000	0.000000	-0.489538	-0.060646	-0.022055
				(0.06563)	(0.00549)	(0.04588)
0.000000	0.000000	1.000000	0.000000	-0.363828	-0.042591	-0.232651
				(0.03766)	(0.00315)	(0.02633)
0.000000	0.000000	0.000000	1.000000	-2.095564	0.154165	-0.456795
				(0.22497)	(0.01883)	(0.15728)

Adjustment coefficients (standard error in parentheses)

D(AEX) -0.013495 0.008187 -0.005555 -7.88E-05

(0.00872) (0.00168) (0.00194) (0.00035)

D(BEL20)	0.102141		-0.000810			-0.005178	-0.004486
	(0.06687)		(0.01292)			(0.01485)	(0.00270)
D(CAC40)	-0.096068		0.099830			-0.077557	-0.001861
	(0.10082)		(0.01948)			(0.02239)	(0.00408)
D(DAX)	0.469251		0.027844			0.559952	-0.127284
	(0.37064)		(0.07162)			(0.08232)	(0.01499)
D(FTSE100)	4.174692		-0.097728			0.222439	0.058817
	(0.61549)		(0.11893)			(0.13670)	(0.02489)
D(MIB30)	1.106277		0.395191			2.501919	-0.589132
	(1.72993)		(0.33427)			(0.38422)	(0.06997)
D(SSMI)	-3.225329		0.077850			0.620373	0.011535
	(0.44271)		(0.08554)			(0.09833)	(0.01791)
5 Cointegrating Equation(s):			Log likelihood			-51714.36
Normalized cointegrating coefficients (standard error in parentheses)
AEX	BEL20		CAC40			DAX	FTSE100		MIB30		SSMI
1.000000	0.000000		0.000000			0.000000	0.000000		-0.001402		-0.071257
									(0.00235)		(0.01491)
0.000000	1.000000		0.000000			0.000000	0.000000		-0.046543		-0.420295
									(0.01051)		(0.06669)
0.000000	0.000000		1.000000			0.000000	0.000000		-0.032111		-0.528627
									(0.00758)		(0.04810)
0.000000	0.000000		0.000000			1.000000	0.000000		0.214531		-2.161544
									(0.04413)		(0.28006)
0.000000	0.000000		0.000000			0.000000	1.000000		0.028807		-0.813503
									(0.01839)		(0.11668)
Adjustment coefficients (standard error in parentheses)
D(AEX)	-0.015990		0.008255			-0.005370	-6.13E-05		-3.87E-05
	(0.01399)		(0.00171)			(0.00210)	(0.00036)		(0.00068)
D(BEL20)	0.165389		-0.002533			-0.009873	-0.004928		-0.001798
	(0.10724)		(0.01312)			(0.01610)	(0.00277)		(0.00525)
D(CAC40)	-0.003198		0.097300			-0.084450	-0.002510		-0.004021
	(0.16168)		(0.01978)			(0.02427)	(0.00417)		(0.00791)
D(DAX)	0.455104		0.028230			0.561002	-0.127185		-0.012661
	(0.59448)		(0.07273)			(0.08926)	(0.01534)		(0.02910)
D(FTSE100)	4.187641		-0.098080			0.221477	0.058726		-0.708188
	(0.98722)		(0.12077)			(0.14822)	(0.02547)		(0.04832)
D(MIB30)	0.374996		0.415113			2.556201	-0.584017		-0.015672
	(2.77461)		(0.33943)			(0.41659)	(0.07159)		(0.13581)
D(SSMI)	-2.628328		0.061585			0.576058	0.007359		0.138582
	(0.70976)		(0.08683)			(0.10656)	(0.01831)		(0.03474)
6 Cointegrating Equation(s):			Log likelihood			-51711.04
Normalized cointegrating coefficients (standard error in parentheses)
AEX	BEL20		CAC40			DAX	FTSE100		MIB30		SSMI
1.000000	0.000000		0.000000			0.000000	0.000000		0.000000		-0.081534
											(0.00688)
0.000000	1.000000		0.000000			0.000000	0.000000		0.000000		-0.761600
											(0.06325)
0.000000	0.000000		1.000000			0.000000	0.000000		0.000000		-0.764096
											(0.04443)
0.000000	0.000000		0.000000			1.000000	0.000000		0.000000		-0.588376
											(0.16111)
0.000000	0.000000		0.000000			0.000000	1.000000		0.000000		-0.602261
											(0.03729)
0.000000	0.000000		0.000000			0.000000	0.000000		1.000000		-7.333040
											(0.94100)
Adjustment coefficients (standard error in parentheses)
D(AEX)	-0.022512		0.007877			-0.004626	-0.000273		-5.02E-05		-0.000149
	(0.01458)		(0.00173)			(0.00215)	(0.00039)		(0.00068)		(0.00012)
D(BEL20)	0.090000		-0.006895			-0.001276	-0.007381		-0.001931		-0.000274
	(0.11162)		(0.01322)			(0.01647)	(0.00295)		(0.00524)		(0.00092)
D(CAC40)	-0.063799		0.093793			-0.077540	-0.004482		-0.004128		-0.001959
	(0.16857)		(0.01996)			(0.02487)	(0.00445)		(0.00791)		(0.00139)
D(DAX)		0.473060		0.029269	0.558954			-0.126601		-0.012629		-0.047766
		(0.62023)		(0.07344)	(0.09151)			(0.01638)		(0.02910)		(0.00512)
D(FTSE100)		4.097953		-0.103270	0.231705			0.055809		-0.708347		-0.015467
		(1.02993)		(0.12196)	(0.15195)			(0.02721)		(0.04832)		(0.00849)
D(MIB30)		0.572667		0.426550	2.533661			-0.577587		-0.015323		-0.229325
		(2.89469)		(0.34277)	(0.42708)			(0.07646)		(0.13581)		(0.02387)
D(SSMI)		-2.753214		0.054360	0.590299			0.003296		0.138361		-0.011063
		(0.74039)		(0.08767)	(0.10923)			(0.01956)		(0.03474)		(0.00611)

VECM

Vector Error Correction Estimates

Date: 05/30/11 Time: 12:21

Sample (adjusted): 5 1250

Included observations: 1250 after adjustments Standard errors in ( ) & t-statistics in [ ]

Cointegrating Eq: CointEq1

AEX(-1) 1.000000

BEL20(-1) -0.022232

(0.01952)

[-1.13919]

CAC40(-1) -0.011678

(0.02468)

[-0.47323]

DAX(-1) 0.006143

(0.00461)

[ 1.33296]

FTSE100(-1) -0.129930

(0.00817)

[-15.9069]

MIB30(-1) -0.002417

(0.00151)

[-1.60295]

SSMI(-1) 0.036681

(0.00685)

[ 5.35757]

C 208.2633

Error Correction: D(AEX) D(BEL20) D(CAC40) D(DAX) D(FTSE100) D(MIB30) D(SSMI)

CointEq1 0.000806 0.025211 0.043489 0.100088 5.273059 0.103361 -1.373316

(0.00525) (0.03993) (0.06088) (0.23014) (0.36829) (1.07477) (0.27042)

[ 0.15345] [ 0.63138] [ 0.71433] [ 0.43489] [ 14.3178] [ 0.09617] [-5.07843]

D(AEX(-1)) 0.196660 2.852896 1.830724 0.964952 -0.339623 -9.602110 3.048412

(0.08552) (0.65001) (0.99107) (3.74646) (5.99525) (17.4959) (4.40212)

[ 2.29955] [ 4.38898] [ 1.84722] [ 0.25756] [-0.05665] [-0.54882] [ 0.69249]

D(AEX(-2)) -0.145930 -0.079490 -2.079784 1.774018 5.336141 1.045396 3.471691

(0.08568) (0.65126) (0.99296) (3.75361) (6.00670) (17.5293) (4.41052)

[-1.70311] [-0.12206] [-2.09452] [ 0.47262] [ 0.88836] [ 0.05964] [ 0.78714]

D(AEX(-3)) 0.026540 -1.062147 0.088737 2.944510 -3.677627 31.48520 0.702597

(0.08521) (0.64763) (0.98744) (3.73273) (5.97328) (17.4318) (4.38599)

[ 0.31148] [-1.64005] [ 0.08987] [ 0.78884] [-0.61568] [ 1.80620] [ 0.16019]

D(BEL20(-1)) 0.022909 -0.143406 0.254962 0.371046 0.725088 1.541486 0.687198

(0.00446) (0.03387) (0.05164) (0.19522) (0.31241) (0.91170) (0.22939)

[ 5.14058] [-4.23379] [ 4.93692] [ 1.90061] [ 2.32097] [ 1.69079] [ 2.99575]

D(BEL20(-2)) 0.006403 -0.031288 0.064764 0.529527 0.546551 1.726186 0.292853

(0.00463) (0.03517) (0.05363) (0.20273) (0.32441) (0.94673) (0.23821)

[ 1.38355] [-0.88955] [ 1.20764] [ 2.61203] [ 1.68474] [ 1.82331] [ 1.22941]

D(BEL20(-3)) 0.005314 0.008555 0.009840 0.476399 0.078105 2.846244 -0.045368

(0.00434) (0.03296) (0.05025) (0.18997) (0.30399) (0.88713) (0.22321)

[ 1.22544] [ 0.25957] [ 0.19581] [ 2.50783] [ 0.25693] [ 3.20836] [-0.20325]

D(CAC40(-1)) -0.029807 -0.040019 -0.332149 0.616962 -0.244969 0.717107 0.073005

(0.00732) (0.05562) (0.08481) (0.32058) (0.51301) (1.49712) (0.37669)

[-4.07306] [-0.71949] [-3.91658] [ 1.92449] [-0.47751] [ 0.47899] [ 0.19381]

D(CAC40(-2)) 0.008033 0.039834 0.083231 0.163735 -0.731970 1.687685 -0.103343

(0.00732) (0.05563) (0.08482) (0.32064) (0.51310) (1.49738) (0.37675)

[ 1.09744] [ 0.71604] [ 0.98127] [ 0.51065] [-1.42656] [ 1.12709] [-0.27430]

D(CAC40(-3)) -0.008977 0.066696 -0.070384 0.083483 0.218564 -1.375739 0.019420

(0.00727) (0.05528) (0.08429) (0.31863) (0.50989) (1.48801) (0.37440)

[-1.23426] [ 1.20644] [-0.83502] [ 0.26200] [ 0.42865] [-0.92455] [ 0.05187]

D(DAX(-1)) -0.000347 -0.006931 -0.005571 -0.732005 0.326012 -0.498287 0.076858

(0.00101) (0.00771) (0.01175) (0.04443) (0.07110) (0.20749) (0.05221)

[-0.34236] [-0.89915] [-0.47399] [-16.4750] [ 4.58521] [-2.40147] [ 1.47217]

D(DAX(-2)) -0.002407 -0.019322 -0.027662 -0.586939 0.172197 -0.777929 0.074634

(0.00112) (0.00850) (0.01296) (0.04897) (0.07837) (0.22870) (0.05754)

[-2.15310] [-2.27406] [-2.13520] [-11.9850] [ 2.19727] [-3.40149] [ 1.29700]

D(DAX(-3)) -0.000395 -0.000338 0.000121 -0.455492 0.083365 -0.936259 0.108990

(0.00098) (0.00746) (0.01138) (0.04302) (0.06885) (0.20092) (0.05055)

[-0.40169] [-0.04533] [ 0.01062] [-10.5869] [ 1.21082] [-4.65979] [ 2.15591]

D(FTSE100(-1)) 0.000283 0.004959 0.006435 -0.002136 -0.200321 -0.039135 -0.159889

(0.00064) (0.00484) (0.00738) (0.02789) (0.04464) (0.13027) (0.03278)

[ 0.44492] [ 1.02472] [ 0.87212] [-0.07658] [-4.48771] [-0.30042] [-4.87825]

D(FTSE100(-2)) -5.94E-05 0.003303 0.000200 -0.027275 -0.097493 -0.073939 -0.150426

(0.00056) (0.00423) (0.00644) (0.02435) (0.03897) (0.11374) (0.02862)

[-0.10689] [ 0.78162] [ 0.03097] [-1.11989] [-2.50152] [-0.65009] [-5.25650]

D(FTSE100(-3)) 2.37E-05 0.002730 0.001616 0.060033 0.009479 0.285405 0.055499

(0.00042) (0.00320) (0.00488) (0.01845) (0.02952) (0.08615) (0.02168)

[ 0.05630] [ 0.85284] [ 0.33117] [ 3.25428] [ 0.32111] [ 3.31293] [ 2.56042]

D(MIB30(-1)) -5.03E-05 0.000907 0.000141 -0.017571 0.013809 -0.647967 -0.006502

(0.00023) (0.00173) (0.00264) (0.00996) (0.01594) (0.04652) (0.01170)

[-0.22108] [ 0.52467] [ 0.05333] [-1.76397] [ 0.86633] [-13.9295] [-0.55550]

D(MIB30(-2)) 0.000540 0.004680 0.006431 -0.017226 0.021062 -0.421731 -0.000196

(0.00025) (0.00189) (0.00288) (0.01087) (0.01740) (0.05077) (0.01277)

[ 2.17462] [ 2.48115] [ 2.23612] [-1.58451] [ 1.21066] [-8.30672] [-0.01535]

D(MIB30(-3)) 0.000152 0.000460 0.000814 -0.019429 0.013038 -0.263843 -0.004297

(0.00022) (0.00168) (0.00257) (0.00970) (0.01553) (0.04532) (0.01140)

[ 0.68503] [ 0.27349] [ 0.31702] [-2.00200] [ 0.83955] [-5.82169] [-0.37679]

D(SSMI(-1)) -7.40E-05 -0.002428 -0.001010 0.029268 -0.136217 0.238025 -0.647691

(0.00054) (0.00412) (0.00628) (0.02374) (0.03799) (0.11086) (0.02789)

[-0.13647] [-0.58940] [-0.16086] [ 1.23289] [-3.58578] [ 2.14707] [-23.2201]

D(SSMI(-2)) -0.000582 -0.005066 -0.007380 0.016615 -0.097617 0.230174 -0.418012

(0.00061) (0.00460) (0.00702) (0.02653) (0.04246) (0.12392) (0.03118)

[-0.96047] [-1.10044] [-1.05137] [ 0.62617] [-2.29895] [ 1.85751] [-13.4072]

D(SSMI(-3)) -0.000441 -0.003412 -0.004692 0.010680 -0.047369 0.155393 -0.205658

(0.00053) (0.00401) (0.00611) (0.02310) (0.03696) (0.10787) (0.02714)

[-0.83699] [-0.85149] [-0.76784] [ 0.46238] [-1.28152] [ 1.44055] [-7.57734]

C -0.001863 -0.289613 (0.15218) (1.15664) [-0.01224] [-0.25039]						0.114079 (1.76352) [ 0.06469]			3.826050 (6.66646) [ 0.57393]			0.997372 (10.6680) [ 0.09349]		-11.95328 (31.1323) [-0.38395]				1.879133 (7.83315) [ 0.23990]
R-squared 0.048695 0.082476						0.048989			0.556566			0.489530		0.486890				0.388942
Adj. R-squared 0.031582 0.065971						0.031882			0.548589			0.480347		0.477660				0.377950
Sum sq. resids 35196.42 2033283.						4726747.			67545040			1.73E+08		1.47E+09				93255717
S.E. equation 5.364583 40.77422						62.16815			235.0085			376.0712		1097.485				276.1369
F-statistic 2.845558 4.997031						2.863642			69.77360			53.31048		52.75028				35.38397
Log likelihood -3849.444 -6376.620						-6902.174			-8559.078			-9144.894		-10479.36				-8760.027
Akaike AIC 6.215801 10.27226						11.11585			13.77541			14.71572		16.85772				14.09796
Schwarz SC 6.310454 10.36692						11.21050			13.87006			14.81037		16.95237				14.19261
Mean dependent -0.023114 -0.361790						-0.073836			1.313002			0.552167		-7.232592				0.715730
S.D. dependent 5.451357 42.18960						63.18351			349.7820			521.6912		1518.526				350.1160
Determinant resid covariance (dof adj.) 3.69E+27
Determinant resid covariance 3.24E+27
Log likelihood -51840.25
Akaike information criterion 83.48034
Schwarz criterion 84.17171
Causalité
Pairwise Granger Causality Tests
Date: 05/30/11 Time: 12:23
Sample: 1 1250
Lags: 2
Null Hypothesis:						Obs			F-Statistic			Prob.
BE20 does not Granger Cause AEX						1247			15.4092			2.E-07
AEX does not Granger Cause BE20									12.0595			6.E-06
CAC40 does not Granger Cause AEX						1247			7.00492			0.0009
AEX does not Granger Cause CAC40									5.95261			0.0027
DAX does not Granger Cause AEX AEX does not Granger Cause DAX				1239			0.46252 252.221			0.6298 1.E-92
FTSE100 does not Granger Cause AEX				1219			0.53042			0.5885
AEX does not Granger Cause FTSE100							6.58360			0.0014
MIB30 does not Granger Cause AEX				1235			14.8616			4.E-07
AEX does not Granger Cause MIB30							188.739			3.E-72
SSMI does not Granger Cause AEX				1239			3.57518			0.0283
AEX does not Granger Cause SSMI							3.69904			0.0250
CAC40 does not Granger Cause BE20				1247			8.15722			0.0003
BE20 does not Granger Cause CAC40							16.2514			1.E-07
DAX does not Granger Cause BE20				1239			1.05474			0.3486
BE20 does not Granger Cause DAX							127.902			3.E-51
FTSE100 does not Granger Cause BE20				1219			1.40439			0.2459
BE20 does not Granger Cause FTSE100							48.2435			7.E-21
MIB30 does not Granger Cause BE20				1235			15.1355			3.E-07
BE20 does not Granger Cause MIB30							97.8911			4.E-40
SSMI does not Granger Cause BE20				1239			3.41556			0.0332
BE20 does not Granger Cause SSMI							23.7874			7.E-11
DAX does not Granger Cause CAC40				1239			1.06033			0.3467
CAC40 does not Granger Cause DAX							255.165			2.E-93
FTSE100 does not Granger Cause CAC40				1219			2.04248			0.1302
CAC40 does not Granger Cause FTSE100							6.88765			0.0011
MIB30 does not Granger Cause CAC40				1235			12.4472			4.E-06
CAC40 does not Granger Cause MIB30							177.961			1.E-68
SSMI does not Granger Cause CAC40				1239			7.29282			0.0007
CAC40 does not Granger Cause SSMI							4.48664			0.0114
				146
FTSE100 does not Granger Cause DAX DAX does not Granger Cause FTSE100					1215		186.999 5.80865			2.E-71 0.0031
MIB30 does not Granger Cause DAX					1235		1.33238			0.2642
DAX does not Granger Cause MIB30							173.669			4.E-67
SSMI does not Granger Cause DAX					1231		102.042			1.E-41
DAX does not Granger Cause SSMI							6.00895			0.0025
MIB30 does not Granger Cause FTSE100					1211		10.7499			2.E-05
FTSE100 does not Granger Cause MIB30							249.484			2.E-91
SSMI does not Granger Cause FTSE100					1212		4.86855			0.0078
FTSE100 does not Granger Cause SSMI							1.15702			0.3148
SSMI does not Granger Cause MIB30					1227		134.987			1.E-53
MIB30 does not Granger Cause SSMI							14.6184			5.E-07
	I P pLiThF dh noLd
		VAR 1	VAR 2					VAR 3					VAR 4
AIC		30.42	30.149					30.042					29.97
SC		30.44	30.19					30.10					30.05

Co-integration

Date: 05/30/11 Time: 12:28

Sample (adjusted): 5 1250

Included observations: 1250 after adjustments Trend assumption: No deterministic trend Series: SP500 SPTS

Lags interval (in first differences): 1 to 3

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.072997 94.82575 12.32090 0.0001

At most 1 0.000305 0.380540 4.129906 0.6005

Trace test indicates 1 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 0.072997 94.44521 11.22480 0.0001

At most 1 0.000305 0.380540 4.129906 0.6005

Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level

**MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

SP500 SPTS

-0.006210 0.000661

0.000612 2.09E-05

Unrestricted Adjustment Coefficients (alpha):

D(SP500) 10.17572 -1.853936

D(SPTS) -404.7969 -16.70047

1 Cointegrating Equation(s): Log likelihood -18665.66

Normalized cointegrating coefficients (standard error in parentheses)

SP500 SPTS

1.000000 -0.106474

(0.00140)

Adjustment coefficients (standard error in parentheses)

D(SP500) -0.063193

(0.01978)

D(SPTS) 2.513849

(0.30529)

VECM

Vector Error Correction Estimates

Date: 05/30/11 Time: 12:28

Sample (adjusted): 5 1250

Included observations: 1250 after adjustments Standard errors in ( ) & t-statistics in [ ]

Cointegrating Eq:	CointEq1
SP500(-1)	1.000000
SPTS(-1)	-0.106474
	(0.00140)
	[-76.2824]
Error Correction:	D(SP500)	D(SPTS)
CointEq1	-0.063193	2.513849
	(0.01978)	(0.30529)
	[-3.19464]	[ 8.23434]

D(SP500(-1)) -0.694513 -2.559175

(0.03181) (0.49097)

[-21.8317] [-5.21247]

D(SP500(-2)) -0.459081 -2.230026

(0.03401) (0.52492)

[-13.4976] [-4.24828]

D(SP500(-3)) -0.216340 -0.246524

(0.02878) (0.44418)

[-7.51700] [-0.55501]

D(SPTS(-1)) -0.003336 -0.430587

(0.00235) (0.03622)

[-1.42173] [-11.8894]

D(SPTS(-2)) -0.001232 -0.233782

(0.00227) (0.03506)

[-0.54247] [-6.66885]

D(SPTS(-3)) -0.003383 -0.169750

(0.00188) (0.02896)

[-1.80309] [-5.86169]

R-squared 0.372979 0.345559

Adj. R-squared 0.369943 0.342390

Sum sq. resids 15663066 3.73E+09

S.E. equation 112.4353 1735.271

F-statistic 122.8352 109.0366

Log likelihood -7648.571 -11058.30

Akaike AIC 12.28824 17.76132

Schwarz SC 12.31704 17.79012

Mean dependent -0.030562 1.846926

S.D. dependent 141.6488 2139.849

Determinant resid covariance (dof adj.) 3.56E+10

Determinant resid covariance 3.52E+10

Log likelihood -18665.66

Akaike information criterion				29.98661
Schwarz criterion				30.05246
^CausalitéPairwise Granger Causality Tests
Date: 05/30/11 Time: 12:29
Sample: 1 1250
Lags: 2
Null Hypothesis:				Obs	F-Statistic		Prob.
SPTSX does not Granger Cause SP500				1126	2.68042		0.0690
SP500 does not Granger Cause SPTSX					43.2690		8.E-19
	I \iF1SIIifiThF
		VAR 1	VAR 2			VAR 3		VAR 4
AIC		133.77	133.07			132.789		132.54
SC		137.14	133.77			133.826		133.91

Co-integration

Date: 05/30/11 Time: 12:32

Sample (adjusted): 5 1250

Included observations: 1250 after adjustments

Trend assumption: Linear deterministic trend

Series: ALLORDINARIES BSE30 HANGSENG JKSE KLSE KS11 NIKKEI225 SHANGCOMP STI Lags interval (in first differences): 1 to 3

Unrestricted Cointegration Rank Test (Trace)

Intégration financière internationale face à une stratégie de diversification de portefeuille
Hypothesized No. of CE(s) Eigenvalue	Trace Statistic	0.05 Critical Value	Prob.**
None * 0.193499	973.0867	197.3709	0.0001
At most 1 * 0.154207	705.1337	159.5297	0.0000
At most 2 * 0.126327	496.4526	125.6154	0.0001
At most 3 * 0.087022	328.1820	95.75366	0.0000
At most 4 * 0.073948	214.7418	69.81889	0.0000
At most 5 * 0.059403	119.0180	47.85613	0.0000
At most 6 * 0.026600	42.71173	29.79707	0.0010
At most 7 0.004880	9.119399	15.49471	0.3545
At most 8 0.002424	3.024395	3.841466	0.0820
Trace test indicates 7 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized	Max-Eigen	0.05
No. of CE(s) Eigenvalue	Statistic	Critical Value	Prob.**
None * 0.193499	267.9530	58.43354	0.0000
At most 1 * 0.154207	208.6811	52.36261	0.0001
At most 2 * 0.126327	168.2706	46.23142	0.0000
At most 3 * 0.087022	113.4402	40.07757	0.0000
At most 4 * 0.073948	95.72386	33.87687	0.0000
At most 5 * 0.059403	76.30625	27.58434	0.0000
At most 6 * 0.026600	33.59233	21.13162	0.0006
At most 7 0.004880	6.095004	14.26460	0.6010
At most 8 0.002424	3.024395	3.841466	0.0820

Max-eigenvalue test indicates 7 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level

**MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):

ALLORDINARIES	BSE30	HANGSENG	JKSE	KLSE	KS11	NIKKEI225	SHA
0.001370	0.000269	-0.000315	0.001165	-0.014373	-0.001189	-0.000317	0.
0.000628	0.000527	-6.08E-05	-0.005301	0.007759	0.001715	-0.000295	-0.
-0.003074	0.000102	0.000480	-0.001628	-0.003130	-0.006400	0.000239	0.
0.000464	0.000407	-0.000217	0.001042	0.003013	-0.006451	0.000125	-4.
-0.002372	0.000157	-0.000443	-0.000529	-0.001264	0.003696	0.000121	-1.
-0.000811	0.000334	0.000146	-0.000494	-0.003241	0.001168	0.000416	0.
5.04E-05	5.74E-05	0.000260	0.000888	-0.002463	0.000185	-9.18E-05	-0.
-0.000694	0.000110	3.38E-05	0.000552	-0.000644	2.44E-05	-0.000128	0.
0.000490	-1.27E-05	4.19E-06	8.06E-05	3.93E-06	0.000276	1.31E-05	0.
Unrestricted Adjustment Coefficients (alpha):
D(ALLORDINARIES)	-12.61048	-24.32550	35.74549	-14.70375	25.40403	-6.116341	-10
D(BSE30)	-95.90700	-403.3727	156.0923	-226.5825	-69.97491	-216.4804	-33
D(HANGSENG)	300.1810	-0.551286	-285.2605	159.3466	176.1558	-101.4958	-82
D(JKSE)	23.56179	72.86116	35.39353	-28.24612	1.370294	-0.347172	-8.
D(KLSE)	45.28884	-0.196880	5.946693	-11.04083	-3.005862	7.444522	3.
D(KS11)	15.13820	1.702805	23.63166	29.15006	-11.81490	-13.61403	-0.
D(NIKKEI225)	200.7021	267.5029	-56.92639	-96.95929	-112.5904	-287.6652	48
D(SHANGCOMP)	-17.68201	23.30591	-21.71445	15.82100	13.71273	-0.111036	26
D(STI)	5.520858	1.803964	-21.58795	-6.281806	-28.99748	9.434907	-7.
1 Cointegrating Equation(s):		Log likelihood	-82592.82
Normalized cointegrating coefficients (standard error in parentheses)
ALLORDINARIES	BSE30	HANGSENG	JKSE	KLSE	KS11	NIKKEI225	SHA

1.000000 0.196338 -0.230075 0.850115 -10.48760 -0.867554 -0.231648 0.

(0.03513) (0.03310) (0.24692) (0.74455) (0.42662) (0.02326) (0.

Adjustment coefficients (standard error in parentheses) D(ALLORDINARIES) -0.017282

(0.00981)

D(BSE30) -0.131434

(0.07147)

D(HANGSENG) 0.411378

(0.06502)

D(JKSE) 0.032290

(0.01028)

D(KLSE) 0.062065

(0.00467)

D(KS11) 0.020746

(0.00591)

D(NIKKEI225) 0.275049

(0.06727)

D(SHANGCOMP) -0.024232

(0.00962)

D(STI) 0.007566

(0.00665)

2 Cointegrating Equation(s): Log likelihood -82488.48

Normalized cointegrating coefficients (standard error in parentheses)

ALLORDINARIES BSE30 HANGSENG JKSE KLSE KS11 NIKKEI225 SHA

1.000000		0.000000		-0.270743	3.688753	-17.46586	-1.966764	-0.158742		0.
				(0.04832)	(0.32622)	(1.12617)	(0.63215)	(0.03504)		(0.
0.000000		1.000000		0.207133	-14.45788	35.54198	5.598548	-0.371328		-2.
				(0.13398)	(0.90444)	(3.12230)	(1.75264)	(0.09716)		(0.
Adjustment coefficients (standard error in parentheses)
D(ALLORDINARIES)		-0.032553		-0.016208
		(0.01074)		(0.00421)
D(BSE30)		-0.384659		-0.238301
		(0.07666)		(0.03008)
D(HANGSENG)		0.411032		0.080479
		(0.07151)		(0.02806)
Intégration financière internationale face à une stratégie de diversification de portefeuille
D(JKSE)	0.078030		0.044723
	(0.01086)		(0.00426)
D(KLSE)	0.061942		0.012082
	(0.00514)		(0.00202)
D(KS11)	0.021815		0.004970
	(0.00650)		(0.00255)
D(NIKKEI225)	0.442979		0.194923
	(0.07308)		(0.02868)
D(SHANGCOMP)	-0.009601		0.007520
	(0.01053)		(0.00413)
D(STI)	0.008698		0.002436
	(0.00731)		(0.00287)

3 Cointegrating Equation(s): Log likelihood -82404.35

Normalized cointegrating coefficients (standard error in parentheses)

ALLORDINARIES BSE30 HANGSENG JKSE KLSE KS11 NIKKEI225 SHA

1.000000		0.000000		0.000000	-4.417774		26.33932	7.467030	-0.005741		-1.
					(0.51649)		(1.82718)	(0.95049)	(0.05642)		(0.
0.000000		1.000000		0.000000	-8.255953		2.028647	-1.618815	-0.488382		-0.
					(0.55976)		(1.98025)	(1.03011)	(0.06114)		(0.
0.000000		0.000000		1.000000	-29.94173		161.7959	34.84404	0.565117		-8.
					(2.96748)		(10.4980)	(5.46101)	(0.32414)		(1.
Adjustment coefficients (standard error in parentheses)
D(ALLORDINARIES)		-0.142417		-0.012562	0.022604
		(0.02413)		(0.00423)	(0.00407)
D(BSE30)		-0.864409		-0.222382	0.129665
		(0.17342)		(0.03041)	(0.02924)
D(HANGSENG)		1.287781		0.051386	-0.231460
		(0.15997)		(0.02805)	(0.02698)
D(JKSE)		-0.030752		0.048333	0.005117
		(0.02441)		(0.00428)	(0.00412)
D(KLSE)		0.043664		0.012689	-0.011415
Intégration financière internationale face à une stratégie de diversification de portefeuille
	(0.01165)		(0.00204)			(0.00196)
D(KS11)	-0.050817		0.007380			0.006460
	(0.01459)		(0.00256)			(0.00246)
D(NIKKEI225)	0.617942		0.189117			-0.106867
	(0.16587)		(0.02909)			(0.02797)
D(SHANGCOMP)	0.057138		0.005305			-0.006260
	(0.02383)		(0.00418)			(0.00402)
D(STI)	0.075049		0.000234			-0.012207
	(0.01647)		(0.00289)			(0.00278)
4 Cointegrating Equation(s):			Log likelihood			-82347.63

Normalized cointegrating coefficients (standard error in parentheses)

ALLORDINARIES BSE30 HANGSENG JKSE KLSE KS11 NIKKEI225 SHA

1.000000		0.000000		0.000000	0.000000		-2008.825		144.0679	-36.43127	89
							(146.779)		(82.4024)	(5.17381)	(1
0.000000		1.000000		0.000000	0.000000		-3801.294		253.6615	-68.56055	17
							(276.380)		(155.160)	(9.74208)	(3
0.000000		0.000000		1.000000	0.000000		-13631.65		960.6649	-246.3111	61
							(995.644)		(558.958)	(35.0953)	(1
0.000000		0.000000		0.000000	1.000000		-460.6764		30.92076	-8.245222	20
							(33.4247)		(18.7647)	(1.17818)	(4.
Adjustment coefficients (standard error in parentheses)
D(ALLORDINARIES)		-0.149243		-0.018545	0.025800		0.040741
		(0.02431)		(0.00510)	(0.00434)		(0.04054)
D(BSE30)		-0.969601		-0.314584	0.178910		1.536155
		(0.17356)		(0.03643)	(0.03099)		(0.28944)
D(HANGSENG)		1.361758		0.116228	-0.266092		0.983060
		(0.16067)		(0.03373)	(0.02869)		(0.26794)
D(JKSE)		-0.043866		0.036839	0.011256		-0.445819
		(0.02448)		(0.00514)	(0.00437)		(0.04082)
D(KLSE)		0.038539		0.008196	-0.009015		0.032617
		(0.01171)		(0.00246)	(0.00209)		(0.01952)
D(KS11)	-0.037284		0.019242			0.000124	0.000534
	(0.01443)		(0.00303)			(0.00258)	(0.02407)
D(NIKKEI225)	0.572929		0.149662			-0.085794	-1.192548
	(0.16711)		(0.03508)			(0.02984)	(0.27869)
D(SHANGCOMP)	0.064483		0.011743			-0.009698	-0.092301
	(0.02399)		(0.00504)			(0.00428)	(0.04001)
D(STI)	0.072133		-0.002322			-0.010841	0.025459
	(0.01661)		(0.00349)			(0.00297)	(0.02771)
5 Cointegrating Equation(s):			Log likelihood			-82299.76

Normalized cointegrating coefficients (standard error in parentheses)

ALLORDINARIES		BSE30		HANGSENG	JKSE		KLSE	KS11		NIKKEI225	SHA
1.000000		0.000000		0.000000	0.000000		0.000000	0.395232		-0.104617	-0.
								(0.18084)		(0.01056)	(0.
0.000000		1.000000		0.000000	0.000000		0.000000	-18.21000		0.180279	0.
								(1.45748)		(0.08509)	(0.
0.000000		0.000000		1.000000	0.000000		0.000000	-14.28136		0.197344	0.
								(1.24055)		(0.07243)	(0.
0.000000		0.000000		0.000000	1.000000		0.000000	-2.027176		0.085435	0.
								(0.19152)		(0.01118)	(0.
0.000000		0.000000		0.000000	0.000000		1.000000	-0.071521		0.018084	-0.
								(0.04057)		(0.00237)	(0.
Adjustment coefficients (standard error in parentheses)
D(ALLORDINARIES)		-0.209490		-0.014553	0.014535		0.027303	-0.195803
		(0.02933)		(0.00519)	(0.00532)		(0.04049)	(0.11861)
D(BSE30)		-0.803650		-0.325582	0.209938		1.573168	-2.834192
		(0.21036)		(0.03725)	(0.03814)		(0.29043)	(0.85082)
D(HANGSENG)		0.943991		0.143913	-0.344203		0.889882	-3.168266
		(0.19373)		(0.03431)	(0.03512)		(0.26747)	(0.78357)
D(JKSE)		-0.047115		0.037054	0.010648		-0.446544	0.029048
		(0.02969)		(0.00526)	(0.00538)		(0.04099)	(0.12009)
D(KLSE)		0.045667		0.007723	-0.007682		0.034207	-0.700527
	(0.01419)		(0.00251)			(0.00257)	(0.01960)	(0.05741)
D(KS11)	-0.009264		0.017385			0.005363	0.006783	-0.175560
	(0.01745)		(0.00309)			(0.00316)	(0.02409)	(0.07057)
D(NIKKEI225)	0.839946		0.131966			-0.035869	-1.132993	-0.780720
	(0.20225)		(0.03582)			(0.03667)	(0.27924)	(0.81804)
D(SHANGCOMP)	0.031962		0.013898			-0.015779	-0.099554	0.533271
	(0.02906)		(0.00515)			(0.00527)	(0.04012)	(0.11752)
D(STI)	0.140903		-0.006880			0.002017	0.040797	0.019949
	(0.01985)		(0.00351)			(0.00360)	(0.02740)	(0.08028)
6 Cointegrating Equation(s):			Log likelihood			-82261.61

Normalized cointegrating coefficients (standard error in parentheses)

ALLORDINARIES		BSE30			HANGSENG			JKSE				KLSE		KS11			NIKKEI225			SHA
1.000000		0.000000			0.000000			0.000000				0.000000		0.000000			-0.120703			-0.
																	(0.01067)			(0.
0.000000		1.000000			0.000000			0.000000				0.000000		0.000000			0.921444			0.
																	(0.11853)			(0.
0.000000		0.000000			1.000000			0.000000				0.000000		0.000000			0.778610			0.
																	(0.10298)			(0.
0.000000		0.000000			0.000000			1.000000				0.000000		0.000000			0.167943			0.
																	(0.01520)			(0.
0.000000		0.000000			0.000000			0.000000				1.000000		0.000000			0.020995			-0.
																	(0.00237)			(0.
0.000000		0.000000			0.000000			0.000000				0.000000		1.000000			0.040701			-0.
																	(0.00704)			(0.
Adjustment coefficients (standard error in parentheses)
D(ALLORDINARIES)		-0.204531			-0.016598			0.013643				0.030326		-0.175978			-0.073860
		(0.02986)			(0.00569)			(0.00541)				(0.04062)		(0.12073)			(0.07064)
D(BSE30)		-0.628118			-0.397976			0.178355				1.680137		-2.132483			-0.626154
		(0.21261)			(0.04055)			(0.03854)				(0.28925)		(0.85960)			(0.50300)
D(HANGSENG)		1.026289			0.109971			-0.359011				0.940033		-2.839273			0.972267
		(0.19693)			(0.03755)			(0.03569)				(0.26792)		(0.79619)			(0.46590)
D(JKSE)	-0.046834					0.036938				0.010597	-0.446372				0.030173			0.057300
	(0.03024)					(0.00577)				(0.00548)	(0.04114)				(0.12226)			(0.07154)
D(KLSE)	0.039631					0.010213				-0.006596	0.030529				-0.724658			-0.023427
	(0.01443)					(0.00275)				(0.00262)	(0.01963)				(0.05833)			(0.03414)
D(KS11)	0.001775					0.012833				0.003377	0.013510				-0.131431			-0.413938
	(0.01769)					(0.00337)				(0.00321)	(0.02407)				(0.07154)			(0.04186)
D(NIKKEI225)	1.073199					0.035767				-0.077838	-0.990850				0.151731			0.457850
	(0.20297)					(0.03871)				(0.03679)	(0.27614)				(0.82062)			(0.48019)
D(SHANGCOMP)	0.032052					0.013861				-0.015795	-0.099500				0.533631			0.148432
	(0.02960)					(0.00564)				(0.00536)	(0.04026)				(0.11965)			(0.07002)
D(STI)	0.133252					-0.003724				0.003393	0.036135				-0.010634			0.079051
	(0.02018)					(0.00385)				(0.00366)	(0.02746)				(0.08160)			(0.04775)
7 Cointegrating Equation(s):						Log likelihood				-82244.81
Normalized cointegrating coefficients (standard error in parentheses)
ALLORDINARIES	BSE30					HANGSENG				JKSE	KLSE				KS11			NIKKEI225		SHA
1.000000	0.000000					0.000000				0.000000	0.000000				0.000000			0.000000		0.
																				(0.
0.000000	1.000000					0.000000				0.000000	0.000000				0.000000			0.000000		-3.
																				(0.
0.000000	0.000000					1.000000				0.000000	0.000000				0.000000			0.000000		-2.
																				(0.
0.000000	0.000000					0.000000				1.000000	0.000000				0.000000			0.000000		-0.
																				(0.
0.000000	0.000000					0.000000				0.000000	1.000000				0.000000			0.000000		-0.
																				(0.
0.000000	0.000000					0.000000				0.000000	0.000000				1.000000			0.000000		-0.
																				(0.
0.000000	0.000000					0.000000				0.000000	0.000000				0.000000			1.000000		4.
																				(0.
Adjustment coefficients (standard error in parentheses)
D(ALLORDINARIES) -0.205035						-0.017172				0.011042	0.021448				-0.151340			-0.075712		0.
																				(0.
	(0.02984)			(0.00570)						(0.00570)	(0.04106)				(0.12185)			(0.07060)
D(BSE30)	-0.629794			-0.399883						0.169709	1.650622				-2.050579			-0.632310		0.
	(0.21259)			(0.04064)						(0.04065)	(0.29256)				(0.86815)			(0.50299)		(0.
D(HANGSENG)	1.022118			0.105226						-0.380517	0.866623				-2.635555			0.956955		-0.
	(0.19669)			(0.03760)						(0.03761)	(0.27067)				(0.80320)			(0.46536)		(0.
D(JKSE)	-0.047271			0.036441						0.008345	-0.454059				0.051505			0.055697		-0.
	(0.03022)			(0.00578)						(0.00578)	(0.04159)				(0.12343)			(0.07151)		(0.
D(KLSE)	0.039815			0.010423						-0.005646	0.033775				-0.733665			-0.022750		-0.
	(0.01442)			(0.00276)						(0.00276)	(0.01985)				(0.05890)			(0.03412)		(0.
D(KS11)	0.001742			0.012796						0.003209	0.012936				-0.129837			-0.414058		-0.
	(0.01770)			(0.00338)						(0.00338)	(0.02435)				(0.07226)			(0.04187)		(0.
D(NIKKEI225)	1.075661			0.038569						-0.065139	-0.947504				0.031444			0.466891		-0.
	(0.20290)			(0.03879)						(0.03879)	(0.27922)				(0.82858)			(0.48007)		(0.
D(SHANGCOMP)	0.033384			0.015376						-0.008930	-0.076065				0.468600			0.153320		-0.
	(0.02942)			(0.00562)						(0.00563)	(0.04049)				(0.12014)			(0.06961)		(0.
D(STI)	0.132885			-0.004142						0.001498	0.029666				0.007318			0.077702		-0.
	(0.02017)			(0.00385)						(0.00386)	(0.02775)				(0.08235)			(0.04771)		(0.
8 Cointegrating Equation(s):				Log likelihood						-82241.77
Normalized cointegrating coefficients (standard error in parentheses)
ALLORDINARIES	BSE30			HANGSENG						JKSE	KLSE				KS11			NIKKEI225		SHA
1.000000	0.000000			0.000000						0.000000	0.000000				0.000000			0.000000		0.
0.000000	1.000000			0.000000						0.000000	0.000000				0.000000			0.000000		0.
0.000000	0.000000			1.000000						0.000000	0.000000				0.000000			0.000000		0.
0.000000	0.000000			0.000000						1.000000	0.000000				0.000000			0.000000		0.
0.000000	0.000000			0.000000						0.000000	1.000000				0.000000			0.000000		0.
0.000000	0.000000			0.000000						0.000000	0.000000				1.000000			0.000000		0.
																					0.
0.000000			0.000000				0.000000		0.000000				0.000000			0.000000			1.000000
0.000000			0.000000				0.000000		0.000000				0.000000			0.000000			0.000000		1.
Adjustment coefficients (standard error in parentheses)
D(ALLORDINARIES)			-0.206264				-0.016977		0.011102				0.022424			-0.152480			-0.075669		0.
			(0.03023)				(0.00576)		(0.00571)				(0.04124)			(0.12193)			(0.07060)		(0.
D(BSE30)			-0.594264				-0.405514		0.167981				1.622394			-2.017626			-0.633556		0.
			(0.21529)				(0.04099)		(0.04066)				(0.29372)			(0.86837)			(0.50278)		(0.
D(HANGSENG)			1.055895				0.099873		-0.382159				0.839787			-2.604228			0.955770		-0.
			(0.19918)				(0.03792)		(0.03762)				(0.27174)			(0.80338)			(0.46515)		(0.
D(JKSE)			-0.042558				0.035694		0.008116				-0.457804			0.055876			0.055531		-0.
			(0.03061)				(0.00583)		(0.00578)				(0.04176)			(0.12346)			(0.07148)		(0.
D(KLSE)			0.042008				0.010075		-0.005752				0.032032			-0.731631			-0.022827		-0.
			(0.01461)				(0.00278)		(0.00276)				(0.01993)			(0.05892)			(0.03411)		(0.
D(KS11)			0.004071				0.012426		0.003096				0.011085			-0.127676			-0.414139		-0.
			(0.01792)				(0.00341)		(0.00339)				(0.02445)			(0.07229)			(0.04186)		(0.
D(NIKKEI225)			1.046323				0.043218		-0.063713				-0.924195			0.004234			0.467920		-0.
			(0.20550)				(0.03912)		(0.03881)				(0.28036)			(0.82887)			(0.47991)		(0.
D(SHANGCOMP)			0.039456				0.014414		-0.009225				-0.080890			0.474231			0.153107		-0.
			(0.02979)				(0.00567)		(0.00563)				(0.04064)			(0.12015)			(0.06956)		(0.
D(STI)			0.134764				-0.004440		0.001407				0.028173			0.009061			0.077636		-0.
			(0.02043)				(0.00389)		(0.00386)				(0.02787)			(0.08239)			(0.04770)		(0.

VECM

Vector Error Correction Estimates

Date: 05/30/11 Time: 12:33

Sample (adjusted): 5 1250

Included observations: 1250 after adjustments Standard errors in ( ) & t-statistics in [ ]

Cointegrating Eq: ^CointEqi

ALLORDINARIES(-1) 1.000000

BSE30(-1) 0.196338

(0.03513)

[ 5.58864]

HANGSENG(-1) -0.230075

(0.03310)

[-6.95054]

JKSE(-1) 0.850115

(0.24692)

[ 3.44292]

KLSE(-1) -10.48760

(0.74455)

[-14.0859]

KS11(-1) -0.867554

(0.42662)

[-2.03353]

NIKKEI225(-1) -0.231648

(0.02326)

[-9.95861]

SHANGCOMP(-1) 0.433636

(0.07780)

[ 5.57358]

STI(-1) 2.182948

(0.28198)

C	[ 7.74150] 4094.793
	D(ALLORDINA
Error Correction:	RIES)	D(BSE30)	D(HANGSENG)	D(JKSE)	D(KLSE)	D(KS11)	D
CointEq1	-0.017282	-0.131434	0.411378	0.032290	0.062065	0.020746
	(0.00981)	(0.07147)	(0.06502)	(0.01028)	(0.00467)	(0.00591)
	[-1.76194]	[-1.83892]	[ 6.32738]	[ 3.14152]	[ 13.2910]	[ 3.50876]	[
D(ALLORDINARIES(-1))	-0.648577	0.523284	-0.224502	-0.047129	-0.078627	-0.028931	-
	(0.03069)	(0.22363)	(0.20343)	(0.03216)	(0.01461)	(0.01850)
	[-21.1337]	[ 2.33993]	[-1.10361]	[-1.46547]	[-5.38138]	[-1.56385]	[
D(ALLORDINARIES(-2))	-0.401180	0.644307	-0.169185	-0.121554	-0.085849	-0.030494	-
	(0.03429)	(0.24984)	(0.22726)	(0.03593)	(0.01632)	(0.02067)
	[-11.7011]	[ 2.57890]	[-0.74444]	[-3.38320]	[-5.25932]	[-1.47546]	[
D(ALLORDINARIES(-3))	-0.212269	0.482392	-0.096007	0.079158	-0.086553	0.068994
	(0.02966)	(0.21612)	(0.19659)	(0.03108)	(0.01412)	(0.01788)
	[-7.15710]	[ 2.23204]	[-0.48835]	[ 2.54694]	[-6.12966]	[ 3.85907]	[

D(BSE30(-1)) 0.006037 -0.691396 0.005537 -0.001906 -0.001786 0.000130

(0.00429) (0.03127) (0.02845) (0.00450) (0.00204) (0.00259)

[ 1.40666] [-22.1082] [ 0.19464] [-0.42382] [-0.87429] [ 0.05034] [

D(BSE30(-2)) 0.000574 -0.540992 0.061736 0.009528 -0.001787 3.54E-05

(0.00458) (0.03340) (0.03038) (0.00480) (0.00218) (0.00276)

[ 0.12530] [-16.1988] [ 2.03215] [ 1.98388] [-0.81913] [ 0.01281] [

D(BSE30(-3)) 0.004268 -0.332318 0.038310 0.001209 -0.002117 -0.002325

(0.00395) (0.02881) (0.02621) (0.00414) (0.00188) (0.00238)

[ 1.07943] [-11.5347] [ 1.46183] [ 0.29186] [-1.12480] [-0.97557] [

D(HANGSENG(-1)) -0.010067 -0.042574 -0.563062 0.001247 0.011978 0.000200

(0.00475) (0.03458) (0.03146) (0.00497) (0.00226) (0.00286)

[-2.12133] [-1.23108] [-17.8991] [ 0.25070] [ 5.30147] [ 0.06975] [

D(HANGSENG(-2)) -0.008102 -0.054421 -0.367188 3.25E-06 0.006897 -0.000853

(0.00508) (0.03699) (0.03365) (0.00532) (0.00242) (0.00306)

[-1.59585] [-1.47104] [-10.9113] [ 0.00061] [ 2.85338] [-0.27886] [

D(HANGSENG(-3)) -0.001812 -0.007216 -0.169047 0.004764 0.003167 0.004027 -

(0.00445) (0.03242) (0.02949) (0.00466) (0.00212) (0.00268)

[-0.40735] [-0.22258] [-5.73190] [ 1.02181] [ 1.49496] [ 1.50154] [

D(JKSE(-1)) -0.001479 1.129301 -0.605538 -0.607721 0.003231 0.031138

(0.03030) (0.22081) (0.20086) (0.03175) (0.01443) (0.01827)

[-0.04882] [ 5.11431] [-3.01472] [-19.1381] [ 0.22397] [ 1.70467] [

D(JKSE(-2)) -0.009444 -0.041734 -0.333934 -0.367369 -0.011184 0.004415

(0.03344) (0.24368) (0.22166) (0.03504) (0.01592) (0.02016)

[-0.28243] [-0.17127] [-1.50651] [-10.4834] [-0.70247] [ 0.21902] [

D(JKSE(-3)) 0.004917 0.179374 -0.128975 -0.155022 -0.010925 -0.006684

(0.02928) (0.21336) (0.19408) (0.03068) (0.01394) (0.01765)

[ 0.16794] [ 0.84070] [-0.66453] [-5.05235] [-0.78369] [-0.37870] [

D(KLSE(-1)) -0.180497 -0.379257 4.380679 0.435628 -0.279480 0.245694

(0.09899) (0.72136) (0.65618) (0.10374) (0.04713) (0.05967)

[-1.82333] [-0.52575] [ 6.67602] [ 4.19936] [-5.92998] [ 4.11727] [

D(KLSE(-2)) -0.138371 0.898484 2.513913 0.483563 -0.159616 0.162138

(0.08846) (0.64460) (0.58636) (0.09270) (0.04211) (0.05332)

[-1.56423] [ 1.39386] [ 4.28733] [ 5.21652] [-3.79000] [ 3.04062] [

D(KLSE(-3)) -0.114223 0.150938 1.239412 0.177168 -0.066914 0.108560

(0.06706) (0.48867) (0.44452) (0.07027) (0.03193) (0.04042)

[-1.70328] [ 0.30888] [ 2.78823] [ 2.52110] [-2.09582] [ 2.68548] [

D(KS11(-1)) -0.073844 -1.020135 0.980640 -0.057213 -0.005239 -0.722083 -

(0.04836) (0.35241) (0.32057) (0.05068) (0.02302) (0.02915)

[-1.52690] [-2.89473] [ 3.05907] [-1.12893] [-0.22754] [-24.7688] [

D(KS11(-2)) -0.047981 -0.281880 0.433435 -0.038299 0.007127 -0.449274 -

(0.05567) (0.40564) (0.36899) (0.05833) (0.02650) (0.03356)

[-0.86193] [-0.69490] [ 1.17465] [-0.65655] [ 0.26891] [-13.3886] [

D(KS11(-3)) -0.037238 -0.170908 0.187575 -0.028723 0.008190 -0.223785 -

(0.04774) (0.34790) (0.31647) (0.05003) (0.02273) (0.02878)

[-0.77997] [-0.49125] [ 0.59271] [-0.57411] [ 0.36030] [-7.77570] [

D(NIKKEI225(-1)) -0.005322 0.059736 0.126654 0.010138 0.011704 0.003899 -

(0.00443) (0.03226) (0.02934) (0.00464) (0.00211) (0.00267)

[-1.20220] [ 1.85184] [ 4.31630] [ 2.18553] [ 5.55351] [ 1.46130] [

D(NIKKEI225(-2)) 0.009241 0.039673 0.097802 0.004527 0.006924 0.003061 -

(0.00484) (0.03525) (0.03206) (0.00507) (0.00230) (0.00292)

[ 1.91055] [ 1.12557] [ 3.05039] [ 0.89303] [ 3.00654] [ 1.04997] [

D(NIKKEI225(-3)) 0.003736 0.002131 0.083205 -0.002591 0.001383 0.006269 -

(0.00414) (0.03018) (0.02746) (0.00434) (0.00197) (0.00250)

[ 0.90201] [ 0.07059] [ 3.03048] [-0.59694] [ 0.70130] [ 2.51060] [

D(SHANGCOMP(-1)) 0.275524 1.460187 0.290867 -0.009179 0.003767 0.027456 -

(0.03005) (0.21898) (0.19920) (0.03149) (0.01431) (0.01812)

[ 9.16842] [ 6.66799] [ 1.46019] [-0.29147] [ 0.26327] [ 1.51561] [

D(SHANGCOMP(-2)) 0.039401 -0.795413 -0.434941 -0.054484 -0.017841 -0.037005 -

(0.03142) (0.22895) (0.20827) (0.03293) (0.01496) (0.01894)

[ 1.25403] [-3.47411] [-2.08838] [-1.65477] [-1.19266] [-1.95382] [

D(SHANGCOMP(-3)) 0.029752 -0.512194 -0.353870 -0.012373 0.004600 -0.080497 -

(0.03115) (0.22700) (0.20649) (0.03264) (0.01483) (0.01878)

[ 0.95506] [-2.25635] [-1.71374] [-0.37904] [ 0.31013] [-4.28668] [

D(STI(-1)) 0.045249 0.652464 -1.052226 0.034744 -0.047883 -0.071795

(0.04624) (0.33692) (0.30648) (0.04845) (0.02201) (0.02787)

[ 0.97867] [ 1.93656] [-3.43330] [ 0.71709] [-2.17524] [-2.57592] [

D(STI(-2)) 0.038708 0.055075 -0.590828 -0.013887 -0.047490 -0.093401

(0.05052) (0.36812) (0.33486) (0.05294) (0.02405) (0.03045)

[ 0.76623] [ 0.14961] [-1.76441] [-0.26233] [-1.97453] [-3.06711] [

D(STI(-3)) 0.024115 -0.185761 -0.292175 0.080433 -0.026362 -0.055093

(0.04348) (0.31682) (0.28819) (0.04556) (0.02070) (0.02621)

[ 0.55467] [-0.58633] [-1.01382] [ 1.76539] [-1.27358] [-2.10210] [

C 0.825267 19.48715 11.72583 2.462879 0.674493 1.318499 -

(7.15917) (52.1688) (47.4550) (7.50225) (3.40844) (4.31562)

[ 0.11527]	[ 0.37354]	[ 0.24709]	[ 0.32829]	[ 0.19789]	[ 0.30552]	[
R-squared 0.388153	0.460749	0.328087	0.307668	0.455971	0.420654
Adj. R-squared 0.374076	0.448342	0.312628	0.291739	0.443454	0.407325
Sum sq. resids 77676235	4.12E+09	3.41E+09	85299295	17606558	28226022
S.E. equation 252.6381	1840.969	1674.628	264.7448	120.2796	152.2929
F-statistic 27.57354	37.13688	21.22313	19.31527	36.42899	31.55877
Log likelihood -8646.146	-11120.81	-11002.82	-8704.469	-7721.440	-8015.480	-
Akaike AIC 13.92479	17.89697	17.70757	14.01841	12.44051	12.91249
Schwarz SC 14.04414	18.01632	17.82691	14.13775	12.55986	13.03183
Mean dependent 0.482825	8.362552	5.920722	1.226549	0.332014	0.537408	-
S.D. dependent 319.3287	2478.629	2019.866	314.5798	161.2283	197.8205
Determinant resid covariance (dof adj.)	3.76E+46
Determinant resid covariance	3.04E+46
Log likelihood	-82592.82
Akaike information criterion	133.0061

Schwarz criterion 134.1173

Causalité

Pairwise Granger Causality Tests Date: 05/30/11 Time: 12:33 Sample: 1 1250

Lags: 2

Null Hypothesis:		Obs	F-Statistic		Prob.
BSE30 does not Granger Cause ALLORDINARIE		1156	4.36975		0.0129
ALLORDINARIE does not Granger Cause BSE30			1.23135		0.2923
HANGSENG does not Granger Cause ALLORDINARIE		1194	1.84859		0.1579
ALLORDINARIE does not Granger Cause HANGSENG			38.3245		7.E-17
JKSE does not Granger Cause ALLORDINARIE		1156	1.66814		0.1891
ALLORDINARIE does not Granger Cause JKSE			1.04722		0.3512
KLSE does not Granger Cause ALLORDINARIE		1180	0.68969		0.5019
ALLORDINARIE does not Granger Cause KLSE			2.99836		0.0503
KS11 does not Granger Cause ALLORDINARIE		1184	4.37455		0.0128
ALLORDINARIE does not Granger Cause KS11			22.0771		4.E-10
NIKKEI225 does not Granger Cause ALLORDINARIE		1148	3.24389		0.0394
ALLORDINARIE does not Granger Cause NIKKEI225			1.09710		0.3342
SHANGCOMP does not Granger Cause ALLORDINARIE		1208	0.92917		0.3952
ALLORDINARIE does not Granger Cause SHANGCOMP			3.40938		0.0334
STI does not Granger Cause ALLORDINARIE		1215	3.22035		0.0403
ALLORDINARIE does not Granger Cause STI			6.78728		0.0012
HANGSENG does not Granger Cause BSE30		1125	0.18878		0.8280
BSE30 does not Granger Cause HANGSENG			10.0392		5.E-05
JKSE does not Granger Cause BSE30 BSE30 does not Granger Cause JKSE	1104			26.1222 3.74719		8.E-12 0.0239
KLSE does not Granger Cause BSE30	1123			6.16689		0.0022
BSE30 does not Granger Cause KLSE				14.4001		7.E-07
KS11 does not Granger Cause BSE30	1126			5.91924		0.0028
BSE30 does not Granger Cause KS11				10.6902		3.E-05
NIKKEI225 does not Granger Cause BSE30	1097			13.5299		2.E-06
BSE30 does not Granger Cause NIKKEI225				9.46306		8.E-05
SHANGCOMP does not Granger Cause BSE30	1146			1.49760		0.2241
BSE30 does not Granger Cause SHANGCOMP				0.63645		0.5294
STI does not Granger Cause BSE30	1144			10.4669		3.E-05
BSE30 does not Granger Cause STI				8.51489		0.0002
JKSE does not Granger Cause HANGSENG	1127			0.04334		0.9576
HANGSENG does not Granger Cause JKSE				10.6329		3.E-05
KLSE does not Granger Cause HANGSENG	1159			0.66933		0.5122
HANGSENG does not Granger Cause KLSE				0.35523		0.7011
KS11 does not Granger Cause HANGSENG	1167			4.90611		0.0076
HANGSENG does not Granger Cause KS11				5.58634		0.0039
NIKKEI225 does not Granger Cause HANGSENG	1129			0.14080		0.8687
HANGSENG does not Granger Cause NIKKEI225				3.07827		0.0464
SHANGCOMP does not Granger Cause HANGSENG	1185			0.73570		0.4794
HANGSENG does not Granger Cause SHANGCOMP				26.9575		4.E-12
STI does not Granger Cause HANGSENG	1190			6.76244		0.0012
HANGSENG does not Granger Cause STI				35.0109		2.E-15
KLSE does not Granger Cause JKSE	1147			6.22995		0.0020
JKSE does not Granger Cause KLSE				20.6849		1.E-09

168

KS11 does not Granger Cause JKSE JKSE does not Granger Cause KS11	1132	21.8117 5.61677	5.E-10 0.0037
NIKKEI225 does not Granger Cause JKSE	1101	11.6705	1.E-05
JKSE does not Granger Cause NIKKEI225		27.0345	3.E-12
SHANGCOMP does not Granger Cause JKSE	1138	2.72690	0.0659
JKSE does not Granger Cause SHANGCOMP		9.70568	7.E-05
STI does not Granger Cause JKSE	1155	34.9244	2.E-15
JKSE does not Granger Cause STI		2.90162	0.0553
KS11 does not Granger Cause KLSE	1148	3.49125	0.0308
KLSE does not Granger Cause KS11		1.55831	0.2109
NIKKEI225 does not Granger Cause KLSE	1117	14.8676	4.E-07
KLSE does not Granger Cause NIKKEI225		1.11680	0.3277
SHANGCOMP does not Granger Cause KLSE	1166	3.20636	0.0409
KLSE does not Granger Cause SHANGCOMP		2.12369	0.1201
STI does not Granger Cause KLSE	1184	5.68529	0.0035
KLSE does not Granger Cause STI		9.23541	0.0001
NIKKEI225 does not Granger Cause KS11	1126	0.39173	0.6760
KS11 does not Granger Cause NIKKEI225		15.2059	3.E-07
SHANGCOMP does not Granger Cause KS11	1173	2.05511	0.1285
KS11 does not Granger Cause SHANGCOMP		4.53632	0.0109
STI does not Granger Cause KS11	1176	4.59313	0.0103
KS11 does not Granger Cause STI		80.5746	2.E-33
SHANGCOMP does not Granger Cause NIKKEI225	1134	4.40740	0.0124
NIKKEI225 does not Granger Cause SHANGCOMP		1.71246	0.1809
STI does not Granger Cause NIKKEI225	1145	17.7276	3.E-08
NIKKEI225 does not Granger Cause STI		2.09098	0.1240
STI does not Granger Cause SHANGCOMP	1197	3.15280	0.0431

SHANGCOMP does not Granger Cause STI 3.08377 0.0462

TABLE DE MATIERE

Introduction generale 2

Chapitre 1 : les modèles d?évaluation des actifs financiers 6

1.1 : l?approche traditionnelle de markowitz (1952) 7

1.1.2 : le portefeuille de h. Markowitz 8

1.1.2.1 : volatilité 8

1.1.2.2 : l?écart type 8

1.1.2.3 : variance de portefeuille 9

1.1.2.4 : minimisation de la variance du portefeuille 10

1.1.2.5 : la corrélation 10

1.1.2.6 : mesure de la var 11

1.1.2.7 : ratio de risque / performance 11

1.2 : le modèle d?évaluation des actifs financiers (medaf) 13

1.2.1 : définition 13

1.2.2 : les hypothèses de medaf 14

1.2.3 : validation empirique du medaf 15

1.2.4 : régression en série chronologique 16

1.2.5 : le medaf de black (1972) 16

1.2.6 : les anomalies et les critiques de medaf 17

1.2.7 : le medaf conditionnel 17

1.2.8 : le modèle d?évaluation des actifs financiers à l?internationale (mdafi) 19

1. 3 : le modèle de fama french (1993) 20

1.3.1 : la logique du modèle à trois facteurs de ff (1993) 20

1.3.2 : le modèle à trois facteurs de fama french (1993) 21

1.3.3 : arbitrage pricing théory (l?apt) 22

1.4 : choix et sélection de portefeuille 23

1.4.1 : la sélection de portefeuille efficient 23

Chapitre 2 : diversification internationale de portefeuille et intégration financiers 27

2. 1 : diversification internationale de portefeuille 28

2.1.1 : principe de la diversification 28

2.1.2 : la diversification internationale de portefeuille 28

2.1.3 : le medaf et ces implications pour la diversification internationale 29

2.1.4 : l?apt dans un contexte international 30

2.1 .5 : la corrélation est la diversification internationale 30

2.1.6 : les gains associés à la diversification internationale 31

2.1.7 : les avantages et les limites de la diversification internationale 31

2.1.7.1 : les avantages de la diversification internationale 31

2.1.7.2.1 : le risque de diversification internationale 32

2.1.7.1.2 : le risque de change et le risque de volatilité 32

2. 2 : intégration des marchés financiers et la diversification internationale 32

2.2.1 : intégration des marchés financiers 32

2.2.1.1 : la déréglementation monétaire et financière 33

2.2.1.2 : le décloisonnement 34

2.2.1.3 : désintermédiation financiers 34

2.2.2 : l?intégration des marchés développés 34

2.2.3 : l?intégration des marchés émergent 35

2.2.4 : intégration des marchés émergents - marchés développé 36

2.2.5 : les mesures d?intégration des marchés financiers basés sur le medaf 38

2.2.6 : mesures d?intégration des marchés financiers basés sur le coefficient

De corrélation 38

2.2.7 : mesures d?intégration basée sur la co-intégration 38

2.3: le phénomène du home bais 39

2.3.1 : modèle de merton (1987) 40

2.3.2 : les avantages d?investir domestiquement 41

chapitre 3 : intégration, co-intégration des marchés financiers et ces implications sur le risque

de la diversification internationale : une analyse empirique 45

3.1 : méthodologie. 46

3.1.1 : les données. 46

3.2 : les analyses graphiques 48

3.2.1 : evolution des indices boursiers des différentes zones étudiées. 48

3.3 : estimation des statistiques descriptives relatives aux pays de notre échantillon 49

3.3.1 : aspect théoriques du test de normalité 49

3.3.1.1 : le test d?aplatissement 49

3.3.1.2 : le test d?asymétrie 50

3.3.1.3 : test de jarque - béra 50

3.3.2 : statistique descriptive des rendements des pays développé. 51

3.3.3 : statistique descriptive des rendements des pays émergents. 53

3.3.4 : étude des corrélations des rendements relatives aux pays de notre échantillon 56

3.3.4.1 : corrélations des rendements relatives aux pays développés 56

3.3.4.2 : corrélations des rendements relatives aux pays émergents 56

3. 4 : etude de la stationnarité des séries des indices boursiers :

Test de racine unitaire. 57

3.4.1 : aspect théorique des tests de stationnarité 57

3.4.1.1 : test de ducky- fuller simple. 58

3.4.1.2 : test de ducky - fuller augmente 58

3.4.1.3 : test de philips - perron (pp) 59

3.4.1.4 : le test de philips, perron, kwiatkowski, schnidt et shin (kpss). 59

3.4.1.4 : analyse des tests de racine unitaire. 60

3.5 : les tests de co-intégration 62

3.5.1 : test de co-intégration de granger 62

3.5.2 : test de co-intégration multi variée de johansen (1988) 63

3.5.3 : détermination du nombre optimal de retard 63

3.5.4 : modélisation vecm et test de causalité au sens de granger 64

3.5.5 : test de causalité ou sens de granger 64

3.5.6 : le modèle de correction des erreurs. 65

3.6 : analyse de la co-intégration 65

3.6.1 : détermination du nombre optimal de retard 66

3.6.2 : test de co-intégration. 67

3.6.3 : l?analyse du test de causalité 68

3.6.4 : l?impact de l?intégration sur la diversification internationale de portefeuille. 68

Conclusion générale 72