Techniques quantitatives – M1 Shipping

Distribution des rendements

1. La distribution des rendements de compagnies cotées et des rendements du CAC40 à

différentes fréquences

En premier lieu, pour parvenir à ces résultats (plus bas) nous avons procédé à plusieurs étapes :

- Choix d’étudier l’action des sociétés « Peugeot, Carrefour et L’Oréal » ainsi que l’indice du
CAC40 sur une période commençant début 2000’s à aujourd’hui.
- Nous avons fusionné et organisé des données grâce au logiciel Excel en suivant
scrupuleusement les étapes données sur le sujet.
- Conversion des données obtenus grâce à la fusion sur Excel en format. Xlxs
- Exploitation des données sur Gretl.

A. Reporter les statistiques descriptives (chaque actif pour chaque fréquence)

CAC 40 Mean Médiane Max Min Skewness Exc.

Kurtosis
(+3)
Journalier -2,9272e- 0.0002959 0.10595 -0.094715 -0.034571 5.2386
005 1
Hebdo -0.00018389 0.0024134 0.12432 -0.25050 -0.91926 6.6630
Mensuel -0.00064539 0.0072214 0.12588 -0.19225 -0.63384 0.90650

Ici, nous avons les statistiques concernant les rendements la bourse française du CAC40,
nous allons les expliquer une par une, pour cette exemple :

- « Mea » correspond au rendement moyen, et nous observons qu’en modifiant la fréquence,

c’est-à-dire, que l’on compresse la période étudiée (du jour au mois), le rendement moyen à
tendance à augmenter même s’il reste négatif !
- « Médiane » nous dit que, par exemple, pour des données journalières, 50% des rendements
est en dessous de 0.0003 (0.03%) et 50% est au-dessus de 0.0003 (0.03%) ! Même chose ici,
la médiane à tendance à augmenter en compressant la période étudiée !
- « Max » équivaut au rendement maximum observé sur une période donnée, par exemple, si
nous regardons les données hebdomadaires, on voit que le rendement maximum observé est
de 0.1243.
- « Min » à l’inverse, correspond au rendement minimum observé sur une période donnée, par
exemple toujours pour les données hebdomadaires, le rendement minimum observé est de -
0.2505.
- « Skewness » ou en français : Asymétrie. Est utile dans un test de Khi-deux, en effet, il
correspond à une mesure de l’asymétrie de la distribution, s’il est égal à 0 le graphique de
distribution empirique sera symétrique et si l’asymétrie d’une distribution est positive, la
 queue de droite (à valeurs hautes) est plus longue ou grosse, et si négative, la queue de
gauche (à valeurs basses) est plus longue ou grosse. Ici, on voit clairement que le graphique
de distribution, normalement devra avoir s’allonger vers la gauche.
- « Kurtosis » ou coefficient d’aplatissement, correspond à la répartition des données autour
de leur centre de probabilité, pour une loi normale il est égale à 3, plus la valeur croit plus la
concentration est forte, autrement dit, moins la courbe obtenue est plate. (Cf. graphique de
la question C). Attention !! Les données observées dans le tableau doivent s’additionner avec
3 car le logiciel Gretl place l’équivalent du kurtosis en loi normale à 0. Ex : donnée affichée
2 donc donnée réelle 5. Ici, le coefficient d’aplatissement diminue donc se rapproche d’une
loi normale.

Peugeot Mean Médiane Max Min Skewness Exc.

Kurtosis
(+3)
Journalier 3.3959e- 0.00000 0.13872 -0.20052 -0.093485 3.9119
005
Hebdo 6.2449e- 0.0014200 0.27290 -0.26228 -0.11915 2.3929
005
Mensuel 0.00063132 0.0098132 0.41725 -0.38006 -0.23847 1.3432

Après avoir posé les bases avec l’identification des statistiques descriptives pour le marché du CAC40,
voyons ce qu’il en ait pour 3 entreprises françaises constituant le CAC 40, choisies au hasard :

L’entreprise Peugeot enregistre un rendement moyen positif et en augmentation si l’on prend du

recul sur la période (du jour au mois). Il en ait de même pour la médiane, cependant l’écart entre la
valeur du rendement le plus élevé et le moins élevé se creuse ! Concernant la distribution
empirique : L’asymétrie s’allonge, de plus en plus, sur la gauche. Pour finir l’aplatissement, quant à
lui, s’abaisse de plus en plus, autrement dit, la courbe tend à être de plus en plus plate
(élargissement de la distribution).

L’Oréal Mean Médiane Max Min Skewness Exc.

Kurtosis
(+3)
Journalier 0.00028878 0.00031165 0.13749 -0.11786 0.024816 4.4606
Hebdo 0.0014732 0.0021438 0.12433 -0.14138 -0.28937 1.5953
Mensuel 0.0069541 0.0090068 0.20552 -0.17880 -0.32614 1.4373

La 2e entreprise choisie est l’Oréal, sa situation théorique ressemble à l’entreprise Peugeot traitée
plus haut. Cependant, l’asymétrie bascule, en effet, sur les données journalières on voit que la
distribution des valeurs hautes est plus grande, dès lors que l’on change la fréquence l’asymétrie
bascule vers la gauche. De plus, grâce au kurtosis, on voit bien la dispersion des données augmenter
(la courbe s’aplatie).
 Carrefour Mean Mediane Max Min Skewness Exc.
Kurtosis
(+3)
Journalier -0.00022706 -7,0776e-005 0.11342 -0.14074 -0.10117 3.8908
Hebdo -0.0010305 0.00025183 0.16723 -0.28338 -0.54592 3.9581
Mensuel -0.0047556 -0.0048766 0.16870 -0.31828 -0.46049 1.1235

Pour le groupe Carrefour, c’est différent. Le rendement moyen est toujours négatif ! La courbe de
distribution est asymétrique à gauche tout en s’aplatissant !

B. Représentation graphique des séries de rendements à la fréquence hebdomadaire

Ici, nous avons une représentation graphique temporelle du marché français (CAC40) comprenant les
rendements pondérés, hebdomadaires, avec les rendements en ordonnés et la période en abscisse.

0,15

0,1

0,05

-0,05
RT

-0,1

-0,15

-0,2

-0,25

-0,3
2000 2002 2004 2006 2008 2010 2012 2014 2016 2018

Sur ce graphique, on observe bien la « valeur MIN : 0.2505 » courant 2009, certainement dû à
l’épisode de la crise des subprimes ! Cependant on observe que le marché français à quand même
relativement bien absorbé la crise, en effet on voit les variations positives/négatives s’atténuer sur la
durée.

Maintenant, c’est l’entreprise Peugeot dont nous observons les données :

 0,3

0,2

0,1
RT

-0,1

-0,2

-0,3
2004 2006 2008 2010 2012 2014 2016 2018

Hormis la crise de 2009 qui à très sérieusement impacté l’entreprise, on observe une très grande
instabilité concernant les rendements. Nous observons un effet « YO-YO » très soutenue ! De même
que pour l’indice du CAC40, on voit une digestion progressive de la crise, à partir de 2014, l’instabilité
se calme petit à petit.

Ps : Les données pour l’entreprise Peugeot sont prises à partir de 2002 car il y avait des erreurs de
saisies et donc, cela faussait nos calculs.
 Penchons-nous sur le cas du groupe Carrefour :

0,2

0,15

0,1

0,05

0
RT

-0,05

-0,1

-0,15

-0,2

-0,25

-0,3
2000 2005 2010 2015

Toujours, comme la plupart des entreprises du CAC40, le groupe a fortement été impacté par la
crise ! De plus, la forte baisse observée début 2018 correspond à une crise de l’hypermarché, les
français ayant accès au Marketplace sur internet, Carrefour n’as pas su répondre à temps afin de
s’aligner sur ce nouveau mode de consommation, il a fallu un peu de temps pour relancer l’activité
grâce aux courses à domicile notamment.
 Qu’en est-il pour le groupe l’Oréal ? :

0,15

0,1

0,05
RT

-0,05

-0,1

-0,15
2000 2005 2010 2015

La très grande volatilité des rendements de l’entreprise l’Oréal est très facilement observable ! Cette
volatilité se maintient dans le temps avec 2 pics de rendements positifs (+0.1), cependant on observe
un nombre conséquent de pics de rendements négatifs proche de -0.1 avec un point plancher en
2009, conséquence de la crise encore.
 C. Représentation graphique de la distribution théorique d’une loi normale

En 1er lieu, nous nous intéresserons à la distribution des rendements de l’entreprise Peugeot :
25 10 6
RT Test de normalité: RT Test de normalité: RT
Test de normalité:
N(3,3959e-005 0,024631) N(6,2449e-005 0,056848) N(0,00063132 0,1091)
Chi-deux(2) = 1186,949 [0,0000] Chi-deux(2) = 120,557 [0,0000] Chi-deux(2) = 13,764 [0,0010]
9

5
20 8

7
4

15 6

Densité
Densité
Densité

5 3

10 4

2
3

5 2
1

0 0 0
-0,2 -0,15 -0,1 -0,05 0 0,05 0,1 -0,2 -0,1 0 0,1 0,2 -0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4

RT RT RT

Nous sommes dans une logique de présentation ou les rendements journaliers sont à gauche,
hebdomadaires au milieu et mensuels à droite. (Et restera toujours la même !)

La forme de ce graphique est définie par 2 données statistiques observées plus haut (Cf. cas A) :

- Kurtosis ou Aplatissement
- Skewness ou Asymétrie

Sachant que tous ce qui se trouve sous la courbe est considéré comme suivant le marché, à sa
gauche est en dessous (mois bien) et à sa droite, mieux que le marché !

Nous avons observé une baisse de la valeur du kurtosis pour l’entreprise Peugeot, le graphique
confirme cette observation, en effet, on voit bien que les données s’étalent au fur et à mesure que le
kurtosis baisse. Les données sont plus dispersées !

Cependant, nous n’arrivons pas trop à distinguer l’épaississement de la queue gauche, certainement
dû à la taille des graphiques (gain de place) …

35 18 10
Test de normalité: RT Test de normalité: RT RT
Test de normalité:
N(0,00028878 0,016042) N(0,0014732 0,030161) N(0,0069541 0,054449)
Chi-deux(2) = 1710,191 [0,0000] Chi-deux(2) = 67,910 [0,0000] Chi-deux(2) = 16,370 [0,0003]
16 9
30

8
14

25
7
12

6
20
Densité
Densité

Densité

10

5
8
15
4

6
10 3

4
2
5
2
1

0 0
0
-0,1 -0,05 0 0,05 0,1 -0,15 -0,1 -0,05 0 0,05 0,1
-0,15 -0,1 -0,05 0 0,05 0,1 0,15 0,2
RT RT
RT

La situation de l’Oréal concernant ces graphiques (ci-dessus) suit la même tendance que Peugeot, vu
plus haut. Nous observons que sur des données de rendements mensuels, la dispersion est beaucoup
moins concentrée que sur les données observées sur du plus court terme (hebdomadaire et
journalier)
 Pour le graphique à l’échelle mensuel, nous avons un bâtonnet (quelques rendements) au-dessus du
marché et 2 bâtonnets sous le marché.

35 14
RT Test de normalité: RT 9
Test de normalité: RT
N(-0,00022706 0,019058) N(-0,0010305 0,041907) Test de normalité:
Chi-deux(2) = 1392,073 [0,0000] Chi-deux(2) = 229,303 [0,0000] N(-0,0047556 0,072969)
Chi-deux(2) = 11,552 [0,0031]
8
30 12

25 10

Densité
20

Densité
5

6 4
15

3
4
10
2

2
5 1

0 0
0 -0,3 -0,25 -0,2 -0,15 -0,1 -0,05 0 0,05 0,1 0,15 -0,3 -0,2 -0,1 0 0,1 0,2
-0,15 -0,1 -0,05 0 0,05 0,1
RT RT
RT

Il en est de même pour le groupe Carrefour ! Ici on voit clairement l’épaississement de la queue
gauche sur la fréquence mensuelle des rendements.
45 18
RT 12
Test de normalité: RT Test de normalité: RT
N(-0,00018389 0,029257) Test de normalité:
N(-2,9272e-005 0,014241) Chi-deux(2) = 348,383 [0,0000] N(-0,00064539 0,05046)
Chi-deux(2) = 2110,796 [0,0000] Chi-deux(2) = 13,931 [0,0009]
40 16

10

35 14

30 12 8
Densité
Densité

25 10

20
8

15 4
6

10
4
2

5
2

0 0
-0,1 -0,05 0 0,05 0,1 0 -0,2 -0,15 -0,1 -0,05 0 0,05 0,1 0,15
-0,25 -0,2 -0,15 -0,1 -0,05 0 0,05 0,1
RT RT
RT

Nous finirons par un regard sur le marché français via l’indice agrégé du CAC40. Il y a une légère
différence concernant le marché français, en effet, lors de la comparaison entre le graphique
journalier (à droite) et hebdomadaire (au milieu), il y a une plus forte concentration (à l’inverse des
tendances des autres cas étudiés plus haut).

Conclusion : On constate qu’en analysant des rendements sur une fréquence journalière, il y a
beaucoup d’instabilité alors que sur du plus long terme, donc mensuel, c’est beaucoup plus stable. La
fréquence hebdomadaire est un peu le lien entre les 2, c’est plus stable que sur une fréquence
journalière mais moins que sur une fréquence mensuelle.
 D. Représentation graphique de la courbe « Quantile-Quantile »

Ce graphique nous dessine une droite bleu ainsi qu’une courbe rouge composée d’une multitude de
points, représentant la distribution des rendements. La droite bleu représente la loi normale, c’est-à-
dire, que plus la courbe rouge se superpose sur le bleu plus cela veut dire que la distribution suit une
loi normale.
Graphique Q-Q pour RT Graphique Q-Q pour RT Graphique Q-Q pour RT

0,15 0,3 0,5

y=x y=x y=x

0,4
0,1
0,2

0,3
0,05

0,1 0,2
0

0,1

-0,05 0

-0,1
-0,1 -0,1

-0,15
-0,2

-0,2
-0,2
-0,3

-0,25 -0,3 -0,4

-0,1 -0,08 -0,06 -0,04 -0,02 0 0,02 0,04 0,06 0,08 0,1 -0,2 -0,15 -0,1 -0,05 0 0,05 0,1 0,15 0,2 -0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4
Quantiles de loi normale Quantiles de loi normale Quantiles de loi normale

Notre logique de présentation est toujours la même, la fréquence journalière à gauche,

hebdomadaire au milieu et mensuelle à gauche.

On observe très facilement pour l’entreprise Peugeot (graphique au-dessus), que plus la prise de
recul est importante et plus la distribution suit une loi normale, les extrémités se recentre sur la
droite bleu.

Sur la fréquence mensuelle, la distribution suit quasi parfaitement une loi normale, hormis quelque
« Outliers » observés à chaque fin de courbe bleu.

Il serait intéressant de pouvoir observé la distribution au travers d’une fréquence annuelle pour voir
si la distribution correspondrait encore plus à une loi normale (ou à l’inverse par heure), afin de
confirmer notre hypothèse.

Les courbures observées aux extrémités de la courbe rouge sont dues aux valeurs extérieurs au
graphique de distribution (Cf. partie C.) correspondant à notre entreprise observée. En effet, les
valeurs hautes (au-dessus du marché) seront traduites sur le graphique par une courbure à droite au-
dessus de la courbe bleu et les valeurs basses (en dessous du marché), littéralement à l’inverse.

Graphique Q-Q pour RT Graphique Q-Q pour RT

Graphique Q-Q pour RT
0,15 0,15
y=x 0,25
y=x y=x

0,2
0,1 0,1

0,15

0,05 0,05 0,1

0,05
0 0

-0,05 -0,05 -0,05

-0,1

-0,1 -0,1

-0,15

-0,15 -0,15 -0,2

-0,06 -0,04 -0,02 0 0,02 0,04 0,06 -0,1 -0,08 -0,06 -0,04 -0,02 0 0,02 0,04 0,06 0,08 0,1 0,12 -0,15 -0,1 -0,05 0 0,05 0,1 0,15 0,2
Quantiles de loi normale Quantiles de loi normale Quantiles de loi normale
 L’entreprise suit toujours cette même logique et confirme ce que nous avons observé au-dessus (CF.
Peugeot).

Il y a présence de quelques « outliers » sur les 3 fréquences.

Graphique Q-Q pour RT Graphique Q-Q pour RT Graphique Q-Q pour RT
0,15 0,2 0,3
y=x y=x y=x

0,15
0,2
0,1
0,1

0,1
0,05
0,05

0 0

0
-0,05
-0,1
-0,1
-0,05

-0,15 -0,2

-0,1 -0,2
-0,3

-0,25

-0,15 -0,4
-0,08 -0,06 -0,04 -0,02 0 0,02 0,04 0,06 0,08 -0,3 -0,25 -0,2 -0,15 -0,1 -0,05 0 0,05 0,1 0,15 0,2 0,25
-0,15 -0,1 -0,05 0 0,05 0,1 0,15
Quantiles de loi normale Quantiles de loi normale
Quantiles de loi normale

Voici les graphiques représentant le groupe carrefour (au-dessous). La courbe rouge à tendance à
s’aplatir, l’effet vague s’atténue, et les extrémités ont tendance à se rapprocher de la droite bleu.

Si notre distribution ne suit pas une loi normale, notre régression ne sera pas optimale, il y aura des
biais ce qui rendras notre poursuite dans l’économétrie peu fiable !
 2. Distribution des rendements des indices financiers (année plancher 2002). Comparaison
des marchés financiers « matures » avec les marchés « émergents »

En 1er lieu, pour parvenir à ces résultats (plus bas) nous avons procédé à plusieurs étapes :

- Choix d’étudier des indices matures « U.S, Allemagne et France » ainsi que des indices
émergents « Brésil, Indonésie, Hong-Kong » sur une période commençant début 2002 à
aujourd’hui.
- Nous avons supprimé le choix de l’indice boursier de Singapour car trop récent !
- Nous avons fusionné et organisé des données grâce au logiciel Excel en suivant
scrupuleusement les étapes données sur le sujet.
- Conversion des données obtenus grâce à la fusion sur Excel en format. Xlxs
- Exploitation des données sur Gretl.

« Indices
matures »
Mean Médiane Max Min Skewness Exc.
Kurtosis
(+3)
DAX (All) 0.0015349 0.0044074 0.14942 -0.24347 -0.85978 7.4533
CAC (Fr) 0.00017867 0.0026348 0.12432 -0.25050 -1.0572 7.5068
S&P (Us) 0.00097487 0.0023435 0.12951 -0.14908 -0.43110 5.2215
« Indices
émergents »
Brésil 0.0022273 0.0046379 0.16842 -0.22324 -0.36169 3.2825
Jakarta 0.0029560 0.0045079 0.11587 -0.23297 -1.0703 7.1534
HK 0.0012877 0.0037634 0.11719 -0.17815 -0.35461 3.3420

Nous avons organisé ces indices en 2 sous-groupes, il nous faut pour pouvoir les comparer,
dégager une tendance générale pour chacun des sous-groupes !

Ci-dessous on retrouve ce qu’on a fait dans la partie 1. ! Les commentaires seront les mêmes ainsi
nous passons directement à une conclusion !
 - DAX
81
TR :étilamron ed tseT Graphique Q-Q pour RT
)147920,0 6435100,0(N 0,15
]0000,0[ 313,093 = )2(xued-ihC 0,15
y=x
61

0,1 0,1
41

0,05
0,05
21

étisneD
01 0

-0,05

RT
8 -0,05

-0,1
6
-0,1

-0,15
4
-0,15
-0,2
2
-0,2
-0,25
0 -0,1 -0,08 -0,06 -0,04 -0,02 0 0,02 0,04 0,06 0,08 0,1
51,0 1,0 50,0 0 50,0- 1,0- 51,0- 2,0- 52,0- Quantiles de loi normale
-0,25
TR 2004 2006 2008 2010 2012 2014 2016 2018

- CAC 40
20
Test de normalité: RT 0,15
N(0,00017867 0,028876) Graphique Q-Q pour RT
Chi-deux(2) = 323,919 [0,0000]
18 0,15
y=x
0,1

16 0,1

0,05

14 0,05

0
12 0

-0,05
10 -0,05

RT
-0,1 -0,1
8

6 -0,15 -0,15

4 -0,2
-0,2

2 -0,25
-0,25

0 -0,3
-0,1 -0,08 -0,06 -0,04 -0,02 0 0,02 0,04 0,06 0,08 0,1 -0,3
-0,25 -0,2 -0,15 -0,1 -0,05 0 0,05 0,1
Quantiles de loi normale 2002 2004 2006 2008 2010 2012 2014 2016 2018
RT

- USA
0,15
25 Graphique Q-Q pour RT
Test de normalité: RT
N(0,00097487 0,025303) 0,15
Chi-deux(2) = 351,239 [0,0000] y=x

0,1

20
0,1

0,05

15
0,05
RT

10 0
-0,05

-0,05
5
-0,1

-0,1
-0,15
0
2002 2004 2006 2008 2010 2012 2014 2016 2018
-0,15 -0,1 -0,05 0 0,05 0,1
RT

-0,15
-0,1 -0,08 -0,06 -0,04 -0,02 0 0,02 0,04 0,06 0,08 0,1
Quantiles de loi normale
 - Brésil
Graphique Q-Q pour RT
0,2
14
RT 0,2
Test de normalité:
y=x
N(0,0022273 0,0362)
Chi-deux(2) = 179,440 [0,0000]

0,15 0,15
12

0,1 0,1
10

0,05
0,05
8
0

RT
6 -0,05

-0,05
-0,1
4

-0,15 -0,1

2
-0,2
-0,15

0 -0,25
-0,2 -0,15 -0,1 -0,05 0 0,05 0,1 0,15 -0,15 -0,1 -0,05 0 0,05 0,1 0,15 -0,2
RT Quantiles de loi normale

-0,25
2002 2004 2006 2008 2010 2012 2014 2016 2018

- Jakarta
Graphique Q-Q pour RT
0,15
y=x 0,15
25
Test de normalité: RT
N(0,002956 0,029295)
0,1
Chi-deux(2) = 284,842 [0,0000]
0,1

0,05
20
0,05

0
15
-0,05

RT
-0,05
-0,1
10
-0,1
-0,15

-0,15
5 -0,2

-0,2
-0,25
-0,1 -0,08 -0,06 -0,04 -0,02 0 0,02 0,04 0,06 0,08 0,1
0
-0,2 -0,15 -0,1 -0,05 0 0,05 0,1 Quantiles de loi normale
-0,25
RT 2004 2006 2008 2010 2012 2014 2016 2018

- H.K
0,15
Graphique Q-Q pour RT

18 0,15
Test de normalité: RT y=x
N(0,0012877 0,028656)
Chi-deux(2) = 178,254 [0,0000] 0,1
16
0,1

14 0,05

0,05
12

0
0
10
RT

8 -0,05
-0,05

-0,1 -0,1

-0,15 -0,15
2

0 -0,2
-0,15 -0,1 -0,05 0 0,05 0,1 -0,1 -0,08 -0,06 -0,04 -0,02 0 0,02 0,04 0,06 0,08 0,1 -0,2
RT
2004 2006 2008 2010 2012 2014 2016 2018
Quantiles de loi normale
Conclusion : Grace aux graphiques, on voit clairement que les indices des pays « matures »
absorbent beaucoup mieux la crise que les indices des pays dit « émergents ».

Cela est due au faite que les marchés occidentaux sont beaucoup plus liquides que ceux des pays
émergents.

De plus, un pays industrialisé concentre plusieurs acteurs pour un centre d’activité alors que pour les
pays qui émergents la multi pluralité des acteurs est encore difficile. Quand un secteur est en crise le
peu d’acteurs présent sur les marchés des pays émergents aggrave la situation !