3.3. Modélisation de la corrélation
conditionnelle:
Ce chapitre de notre recherche sera consacré au
traitement des différents résultats obtenus à partir de la
mise en oeuvre du modèle de corrélation conditionnelle dynamique
« DCC-GARCH ». En premier lieu on va essayer de
présenter les résultats empiriques des estimations du
modèle DCC-GARCH (1.1) obtenus pour chaque secteur d'activité et
faire une conclusion en fournissant une brève comparaison des
résultats.
Nous avons jusqu'à présent, analysé
indépendamment les variations du rendement des indices dans un cadre
univarié, sans tenir compte des interactions avec l'indice principal
« MASI ». D'ailleurs, Nous avons expliqué les raisons de la
volatilité importante des rentabilités des valeurs des
différents secteurs. Cela peut être expliqué par la
durée prolongée de confinement et d'arrêt de
l'activité économique. En fait, la forte interdépendance
entre les marchés via les phénomènes de contagion, est
souvent exacerbée par les crises2.
Notre étude contribue à l'ensemble des
connaissances en introduisant une méthode efficace d'estimation du
risque dans un marché dynamique. Ce modèle offre une nouvelle
façon de modéliser le risque de contagion plutôt que
d'utiliser les méthodes traditionnelles. En outre, il est
suggéré que seuls les modèles dynamiques devraient
être considérés pour l'estimation de
l'interdépendance dans un marché boursier dynamique. De
même, les investisseurs et les experts financiers peuvent augmenter leur
confiance dans le marché en adoptant ce modèle DCC-GARCH pour
l'estimation du risque.
Ainsi, nous allons essayer d'aborder le
phénomène de contagion, en procédant à l'analyse
des mécanismes de transmission de la volatilité de l'indice
« MASI », en tant que marché générateur de
crise, vers les autres indices sectoriels. Nous allons faire appel à un
modèle GARCH multivarié à corrélations
conditionnelles dynamiques (DCC-GARCH).
Les modèles à volatilité conditionnelle
que nous avons exploités précédemment sont des
modèles univariés. Ils se contentent d'analyser une seule
série financière ignorant les interactions avec les autres
séries. Ainsi, l'analyse de la volatilité, en tant que proxy de
risque, doit se faire dans une optique de risques multiples. Tant que les
modèles GARCH univariés ne tiennent pas compte de la
corrélation entre les indices, nous allons passer aux modèles
multivariés afin de capter les liens dynamiques entre ces indices.
Ces modèles nous permettent également d'analyser
les interdépendances éventuelles entre les différents
indices boursiers étudiés et de cerner les mécanismes de
transmission des chocs. C'est dans cette optique que s'inscrit ce chapitre
ayant pour objectif principal d'appréhender la transmission des chocs du
marché des actions à travers l'indice principal « MASI
» en tant qu'indice générateur de crise, vers les autres
indices sectoriels.
Dans notre analyse empirique en se basant sur le coefficient
de corrélation non conditionnel et sur le coefficient de
sensibilité (béta) nous avons prouvé l'existence d'une
forte interdépendance entre le marché des actions et les indices
des différents secteurs d'activité de l'économie
nationale
Nous allons donc utiliser le modèle DCC-GARCH pour
cerner le phénomène de contagion financière.
2 Idier, (2011)
Mohammed EL MASSAADI FSJES-Agdal MSDG/Finance 2021-2022
Page 75 sur 113
| 
