1 Volatilité excessive sur les marchés financiers : essai d`explication

Volatilité excessive sur les marchés financiers : essai d’explication par la finance
comportementale. Cas de l’excès de confiance sur la Bourse de Tunis
BAYOUDH Feker*
HOUFI Mohamed Ali (LEGI-EPT)**
TISSAOUI Kaïs***
ZAMOURI Sana****
Février 2008
___________________________________________________________________________
Résumé
Nous pensons que l’élucidation du caractère excessif de la volatilité ne peut se faire
qu’à l’aune d’une description circonspecte des aspects psychologiques des investisseurs.
Notre intérêt est porté en particulier au biais de l’excès de confiance.
L’objectif de ce travail est d’identifier si la volatilité excessive des titres observée sur
le marché boursier tunisien résulte de l’excès d’échange des investisseurs surconfiants.
L’exploitation des résultats obtenus par l’ensemble des tests, sur la période janvier
1999 – octobre 2007, indique assez clairement l’importance de considérer ce biais dans
l’analyse des spécificités de la Bourse de Tunis. Il parait que l’excès de confiance admet une
influence plus prononcée sur la volatilité pour des intervalles temporels journaliers par rapport
à ceux hebdomadaires et mensuels.
Le caractère asymétrique de la dynamique de la volatilité en réponse aux chocs
positifs et négatifs est également vérifié.
Mots clés :
Volatilité, Excès de confiance, Efficience, Anomalies, Rationalité, Finance
comportementale, Effet d’endettement, GJR-GARCH.
Classification JEL : G10 , G12 , G14 , C22
*
Faculté des Sciences Juridiques, Economiques et de Gestion de Jendouba (Tunisie) et Institut Supérieur de
Gestion de Tunis.
Tél : (216)97325624. Email : [email protected]
**
Faculté des Sciences Juridiques, Economiques et de Gestion de Jendouba et LEGI-Ecole Polytechnique de
Tunis. Email : [email protected]
***
Faculté des Sciences Juridiques, Economiques et de Gestion de Jendouba. Email : [email protected]
****
Faculté des Sciences Juridiques, Economiques et de Gestion de Jendouba. Email : [email protected]
1
1. Introduction
L’idée véhiculée par la théorie de l’efficience est que les cours d’action sont
déterminés par la valeur actuelle escomptée des dividendes futurs anticipés selon le modèle
suivant :
Pt r =


i 1
i
Et ( Dt i )
Pt r : Prix rationnel anticipé.
1
avec k : le taux de rendement exigé.
 =
1 k
Dt : Dividende payé par l’action à la date t.
Les cours des titres sont donc supposés refléter les fondamentaux de l’entreprise. Toute
variation des prix est le reflet de l’arrivée de nouvelles informations influençant le processus
de formation des prix.
Dans le contexte d’un marché efficient, le niveau de volatilité des taux de rentabilité devrait,
d'un point de vue théorique, évoluer dans des marges raisonnables.
Toutefois, si l’on se réfère aux divers travaux de Shiller [1981, 1989], il apparaît que
les cours des actions exhibent une volatilité excessive relativement aux fondamentaux. Cette
aporie pointe comme parmi les plus répandues et les plus discutées des critiques formulées à
l’encontre de l’hypothèse de rationalité des investisseurs et d’efficience des marchés.
La première étude mettant en lumière l’existence de la volatilité excessive était celle
de Shiller [1981]. Ce dernier applique le test des bornes de la variance sur les séries S&P500
(1871-1979) et Dow Jones Industriel (1928-1979).
Les résultats rapportés par Shiller révèlent une volatilité des cours observés supérieure à celle
des prix rationnels ex-post.
Récemment, en France, le Conseil des Marchés Financiers (CMF), ayant soumis, fin
décembre 2002 pour consultation aux acteurs de la place, un rapport d’étape intitulé «
L’augmentation de la volatilité du marché des actions », a caractérisé le niveau de la volatilité
observée sur les principaux marchés financiers du monde et en particulier de la France
d’«excessif » notamment pour la période récente.
Faisant suite à une période1 caractérisée par des niveaux de volatilité très faibles, ce
mouvement a débuté dans la seconde partie des années quatre-vingt-dix2.
La volatilité excessive des cours des titres est un phénomène pathologique car, partant
du principe de rationalité, il semble improbable d’expliquer le niveau de volatilité des actifs
risqués en se basant purement et uniquement sur le comportement dynamique des
fondamentaux (Shiller [1981, 1989], Odean [1999], Barberis & Thaler [2003] et Chuang &
Lee [2006] et Glaser & Weber [2007]).
Une hypothèse toujours avancée par la finance standard consiste à voir dans
l’investisseur un agent économique dont le processus de décision ainsi que les anticipations
sont spécifiés de manière rationnelle. De ce fait, les caractéristiques psychologiques et
1
La première moitié de la décennie.
Sur le marché financier français Après avoir fortement augmenté entre 1997 et 1999, la volatilité s’est
temporairement stabilisée à un niveau élevé, avant de repartir à la hausse en 2001. La volatilité historique à un an
s’est ainsi établie à des niveaux supérieurs de 15 à 20 points de pourcentage au-dessus de sa moyenne estimée
sur quinze ans. En 2002 et 2003, la volatilité historique de l’indice CAC à un an a ainsi dépassé 38%, tandis que
celle à 20 jours atteignait ponctuellement 60%.
2
2
sociales des individus sont exclues du paradigme de la théorie des marchés efficients. En
particulier, les fluctuations des cours ne peuvent, à priori, provenir que des changements
d’anticipation sur la chaîne des flux ou alors du taux d’actualisation.
Or l’observation des marchés financiers réels nous livre un message très différent. En scrutant
l’histoire économique, il apparaît surprenant la récurrence des crises financières, des krachs
boursiers et des bulles spéculatives3, suivies de leur éclatement à partir de la bulle des tulipes
à la bulle Internet.
Bien que les bulles apparaissent avec différentes tailles et différentes couleurs, elles
partagent certaines caractéristiques communes. Elles conduisent la communauté financière à
porter une attention renouvelée au concept de volatilité et ravivent l’intérêt porté à la question
de son explication. L’analyse de ce phénomène est d’autant plus justifiée que les chocs
boursiers ne sont pas sans conséquences en termes de stabilité financière.
2. Essais d’explication de l’énigme de la volatilité excessive sur les marchés financiers
Diverses interprétations ont été suggérées pour expliquer l’excessive volatilité des
cours. L’explication la plus fréquemment avancée consiste à voir la volatilité comme la
conséquence de la variation des taux d’intérêt. Grossman & Shiller [1981] ont testé cette
conjecture en adoptant une version du modèle d’actualisation avec taux d’intérêt variable. Ce
dernier étant supposé varier avec la consommation des agents. Les auteurs montrent
cependant que les fluctuations de taux d’intérêt ne peuvent expliquer la violation de l’inégalité
de variance, ce qui est par ailleurs confirmé par Shiller [1981]. Selon cet auteur, la volatilité
des prix des actions paraît beaucoup élevée pour être attribuée à une quelconque information
nouvelle sur les dividendes anticipés. Une conclusion qui remet en cause l’hypothèse
d’efficience des marchés.
Une explication possible de l’énigme de la volatilité excessive des prix des titres est
que les investisseurs croient que le taux de croissance des dividendes est plus variable qu’il ne
l’est réellement. Quand ils observent une hausse des dividendes, ils croient rapidement que le
taux de croissance moyen des dividendes a augmenté. Leur exubérance pousse les cours vers
le haut par rapport aux dividendes ce qui fait augmenter la volatilité des cours. Ceci est une
application directe du biais de représentativité et en particulier de la version connue par la loi
des petits nombres où les gens s’attendent à ce que les petits échantillons reflètent les
propriétés de la population mère.
Une pléthore d’études empiriques avance l’idée que la volatilité excessive ne peut pas
être expliquée uniquement par des arguments de rationalité. Les limites des explications
classiques de la volatilité excessive des prix observés invitent expressément à envisager une
explication comportementale comme une représentation apurée du phénomène observé.
Selon Orléan [2001], les analyses historiques et théoriques de la volatilité sur les marchés
financiers doivent être épaulées par une approche complémentaire, celle de la psychologie.
C’est l’apport de la finance comportementale à travers laquelle des travaux éminents4
explorent l’effet des mécanismes psychologiques des investisseurs sur le processus de
formation des prix.
A cet effet, Stracca [2004, p.396] précise que : « More fundamentally, the « excess » volatility
of equity prices as stressed by Shiller [1981] and the large amount of trading in financial
markets world-wide are difficult to justify on purely « rational » grounds in the standard
expected utility sense. »
3
Crises 1929, 1987, 1997, Bulle Internet 2000... (Voir Tvede [2002] pour une liste historique des crises
financières dans le monde).
4
Gervais & Odean [2001], Odean [1999], Benos [1998], Daniel, Hirshleifer & Subrahmanyam [1998, 2001] …
3
L’enquête de Shiller [1989] auprès des opérateurs de marché confirme bien que la
psychologie est essentielle pour comprendre la dynamique des prix : pour 65% des opérateurs
interrogés, c’est d’abord la « psychologie de marché », avant les fondamentaux, qui
expliquerait la forte chute des cours en octobre 1987. Derrière le terme de « psychologie de
marché », les investisseurs englobent l’excès de confiance, les influences interpersonnelles, le
mimétisme et la contagion. Ces biais ont souvent été étudiés par tout un corpus de recherches
(Kahneman, Solvic & Tversky [1982] et Griffen & Tversky [1992], Benos [1998], Barber &
Odean [2000], Odean [1999], Caballé & Sakovics [2003], Biais et al [2005], Statman, Thorley
& Vorkink [2006]) qui propose deux explications différentes et complémentaires, à savoir que
d’une part, les investisseurs ne seraient pas « bayésiens5 » et d’autre part ils seraient par
ailleurs exagérément confiants dans leur jugement :
 En premier lieu, les agents n’auraient pas un comportement bayésien, c’est-à-dire
qu’ils réviseraient leurs opinions sans tenir compte de toute l’information passée. Ce
résultat corroborerait l’hypothèse selon laquelle la volatilité excessive des actifs
financiers proviendrait d’une sur-réaction à l’information nouvelle. En effet, le
processus d’apprentissage des agents est progressif. Ils réviseraient leurs opinions en
surpondérant l’information nouvelle, provoquant ainsi de fortes variations des cours.
Les phénomènes de sur-réaction mis en évidence par De Bondt & Thaler [1985], à
savoir qu’un titre qui a baissé dans le passé a une probabilité « anormale » de battre
l’indice dans le futur et réciproquement, sont importants dans la mesure où ils
introduisent de manière empirique les phénomènes psychologiques dans les décisions
financières ;
 En second lieu, les investisseurs seraient exagérément optimistes et auraient une très
grande confiance dans leur jugement ; en particulier, les agents auraient tendance à
confondre leurs souhaits avec la probabilité d’occurrence d’un évènement. Cette
confiance excessive proviendrait à la fois d’une attention insuffisante portée aux faits
et d’une surestimation de la part des investisseurs quant à leur aptitude d’analyse et
d’anticipation. La surestimation de la qualité de l’information dont dispose
l’investisseur et la surestimation de sa capacité à tirer un meilleur parti de
l’information disponible que d’autres investisseurs, le placent dans une position de
confusion entre performance individuelle et performance relative au marché. Au-delà
de cet épisode, la confiance excessive place désormais l’agent devant une dynamique
de volatilité haussière de manière à ce que plus il a confiance en un actif, plus il
l’achète, plus le prix monte et plus son optimisme semble justifié.
2.1. Aversion à la perte, effet argent de la maison et volatilité excessive
Un important substrat expérimental et empirique accumulé a ostensiblement prôné
pour l’idée que le comportement de l’investisseur est affecté par les résultats déjà réalisés et
les changements de la richesse. Toutefois la direction de la réaction aux gains/pertes
antérieures n’est pas encore bien définie puisque différentes théories psychologiques
proposent différentes réactions.
Thaler & Johnson [1990] étudient la façon dont la prise de risque est empiriquement
affectée par les gains et pertes antérieurs. Ils signalent que suite à la réalisation des gains, les
5
Selon le théorème de Bayes : les agents ne connaissant pas les probabilités des évènements futurs, font des
hypothèses de probabilité à priori sur la base de leurs croyances. Il s’agit de probabilités subjectives qui sont
amenées à être révisées lorsque des informations nouvelles liées à ces événements sont divulguées. Les individus
sont rationnels dès lors qu’ils utilisent cette règle pour réviser leurs anticipations en fonction du flux
d’informations susceptible d’engendrer une ré-allocation du portefeuille.
4
sujets deviennent moins averses au risque. Cette aversion augmente suite à la réalisation des
pertes. Ainsi le cumul des gains antérieurs atténue l’impact psychologique des pertes ce qui
réduit le taux de rendement exigé des titres forçant les prix à augmenter plus rapidement que
les dividendes. La volatilité des rendements se voit ainsi augmenter. Ils précisent que : « after
a gain, subsequent losses that are smaller than the original gain can be integrated with the
prior gain, mitigating the influence of loss aversion and facilitating risk-seeking. The intuition
behind this effect is captured by the expression in gambling parlance of 'playing with the
house money'.[…] The essence of the idea is that until the winnings are completely depleted,
losses are coded as reductions in a gain, as if losing some of 'their money' doesn't hurt as
much as losing one's own cash.» [p. 657].
L'effet de « house money » appelé également effet argent de la maison, rappelle l’effet
des gains récents au casino qui diminuent l’aversion au risque en donnant l’impression de
jouer avec « l’argent de la maison ». Cet effet se traduit donc par un goût pour le risque
supérieur en présence d'un gain préalable. Il se base sur l’idée selon laquelle gagner au début
peut mettre l’individu dans un état d'esprit positif qui favorise une prise de risque ultérieure.
Cet effet suggère ainsi, que les gains antérieurs, en offrant aux investisseurs une sorte de
« caution » qui atténuera certainement la douleur accompagnant les pertes potentielles futures,
poussent les gens à prendre plus de risque. Thaler & Johnson [1990] montrent que « Alors
qu’un gain antérieur peut augmenter la volonté des sujets à accepter le risque … les pertes
antérieures sensibilisent les gens aux pertes ultérieures d’une ampleur similaire. »
L’effet « house money » peut affecter le comportement agrégé des cours sur le
marché. Par exemple, le modèle de Barberis & Huang [2001] prévoit qu'à la suite d'obtention
des rentabilités élevées, l'aversion au risque des investisseurs diminue et provoque une baisse
des rentabilités attendues des titres. Barberis, Huang & Santos [2001] montrent également que
l’effet « house money » ainsi que l’aversion à la perte peuvent expliquer à la fois l’énigme de
la prime de risque et la prévisibilité des rendements des titres à faibles fréquences. Les auteurs
utilisent cet effet pour expliquer l’ampleur de la prise de risque ainsi que l’excès de volatilité
sur les marchés financiers. Ils signalent que « les gains antérieurs en capital réduisent la
sensibilité au risque… alors que les pertes antérieures, en rendant plus douloureux toute
nouvelle perte, augmentent l’aversion au risque ». Cette approche est compatible avec la
théorie standard de l’utilité pour le cas d’une fonction d’utilité caractérisé par une aversion
décroissante au risque. En effet, les pertes antérieures, en réduisant la richesse, augmentent
l’aversion au risque alors que les gains antérieurs, en augmentant la richesse, réduisent
l’aversion au risque.
D’un autre coté, Barberis, Huang & Santos [2001] montrent que des utilités conformes
à la “prospect theory” peuvent expliquer, en partie, la volatilité excessive constatée sur les
marchés d’actions. En effet, l’étude des préférences de l’individu introduira le biais
d’aversion aux pertes, qui se traduit généralement par une propension à prendre des risques en
cas de pertes, même potentielles.
La théorie des perspectives préconise que la fonction de valeur de l’investisseur est
une fonction asymétrique de manière qu’il a tendance à prendre le risque dans l’espace des
pertes et à éviter le risque dans l’espace du gain. Elle prévoit que les investisseurs seront
averses au risque en cas des gains. En considérant les titres de manière individuelle, l’aversion
au risque en cas de gains poussera les investisseurs à vendre promptement leurs titres et de
cette façon ceux-ci seront négociés à des niveaux de prix inférieurs aux valeurs
fondamentales. Ceci prépare la voie à une hausse supplémentaire des prix des titres quand
ceux-ci retrouvent leurs valeurs fondamentales (retournent à leurs valeurs fondamentales).
5
Inversement, l’absence d’aversion au risque, en cas de perte, pousse les investisseurs à détenir
les titres si longuement quand les prix sont en chute, poussant ainsi les cours, avec un
momentum négatif, à exagérer les valeurs fondamentales (Scott, Stumpp, & Xu [1999]).
Shapira [2001] rapporte des interviews menées auprès de traders qu’ils admettent
prendre davantage de risque en novembre et en décembre si leur compte de profit personnel
est alors inférieur à leur objectif annuel et moins de risque s’il est déjà supérieur. FentonO’Creevy et al. [2005] relatent des comportements similaires mais ajoutent que certains
traders affichent un comportement exactement contraire. Ils se mettent à rechercher le risque
quand ils ont dépassé leur objectif, comme s’ils jouaient alors avec « l’argent de la maison ».
2.2. Arbitrage limité, mimétisme et volatilité excessive
Spiester [2000] considère que la volatilité excessive sur les marchés et leur caractère
déstabilisant est dû essentiellement à la professionnalisation de la gestion d’actifs. Ainsi,
celle-ci est soumise à des normes de performance6 et à une concurrence pour se partager le
marché conjuguée à un raccourcissement de l’horizon de gestion par rapport à celui des
placements des particuliers. C’est au niveau de ce type de conditions que se nichent les effets
de deux phénomènes largement cités par la littérature sur l’aggravation de la volatilité des
cours boursiers : les limites à l’arbitrage et le mimétisme.
Selon Camerer [1992], les arbitragistes rationnels ne peuvent pas annuler entièrement
l’effet des « bruiteurs » sur le marché si leur taille et leurs ressources pour la négociation sont
limitées. En effet, forcer les cours observés à leurs valeurs fondamentales suppose que les
arbitragistes sont capables de suivre leur logique jusqu’au bout, c’est-à-dire à prendre des
positions aussi longtemps qu’exige l’écart pour disparaître. Malheureusement l’horizon
d’investissement peut dépasser l’horizon de son financement poussant ainsi l’arbitragiste à
liquider sa position avant l’échéance, ce qui aggrave encore la situation puisque cet
arbitragiste, par ce comportement, s’aligne au sentier des bruiteurs et ainsi fait augmenter la
volatilité des cours par rapports aux valeurs fondamentales. En plus, l’aversion au risque des
arbitragistes peut limiter leur aptitude à annuler des transactions irrationnelles (Shiller [1984],
Campbell & Kyle [1987]).
S’agissant du mimétisme, nous distinguons deux horizons, le court terme et le long terme.
Dans une perspective de court terme, les comportements moutonniers contribuent à expliquer
pourquoi un changement de sentiment du marché peut entraîner des réaménagements soudains
de portefeuille, amplifier les variations des prix d’actifs financiers et créer ainsi des
distorsions de prix et une volatilité supérieure à la normale (Nofsinger & Sias [1999]). Topol
[1991], Orléan [1995], Christie & Huang [1995] et Shiller [2000] considèrent que le
comportement grégaire des investisseurs alimente l'exubérance irrationnelle des marchés et
fait amplifier les niveaux de volatilité. Eichengreen, Mathieson et al [1998] appuient cette
intuition pour le cas de la crise asiatique.
Dans le même élan, Lee [1998] montre comment l'échec dans l'agrégation de l'information sur
un marché financier régi par des transactions séquentielles, contribue à augmenter la
volatilité. Lee introduit la notion d' « avalanche informationnelle » qui se produit quand une
information cachée est révélée durant la cascade informationnelle conduisant au renversement
de la direction de la cascade.
Calvo & Mendoza [1998], Choe, Kho & Stulz [1999] et Chari & Kehoe [2002]
retiennent également que les investisseurs qui s'engagent dans des stratégies de suivisme et
6
Le secteur de la gestion institutionnelle utilise très largement le benchmarking pour évaluer les performances
des gestionnaires. De fait, beaucoup plus que les résultats en termes absolus, c’est la performance relative de
chacun par rapport à celle de ses concurrents qui est de plus en plus importante.
6
des boucles de rétroaction peuvent pousser notablement les cours loin de leurs valeurs
fondamentales et contribuer substantiellement un excès de volatilité sur les marchés qu'ils y
accèdent.
Selon Spieser [2000] : « Le mimétisme est évidemment une source forte de volatilité,
le marché étant fortement déséquilibré à un instant donné du côté soit de l’offre soit de la
demande. En effet, selon le niveau d’aversion au risque des investisseurs, la situation peut
évoluer rapidement, passant d’une demande excessive à un tarissement de la demande relative
à une classe spécifique d’actifs. »
Oehler & Chao [2002, p.3] considèrent que : « It is straightforward that herding
magnifies trading volumes in a subset of securities and, therefore, increases potential price
volatility. »
Dans une perspective de long terme, les comportements moutonniers peuvent
contribuer à expliquer, l’apparition et le développement de bulles spéculatives. Ils autoalimentent, en effet, des flux continus d’achat qui progressivement font diverger les prix de
marché de leurs fondamentaux.
Le comportement de suivisme s'avère inévitable dans pas mal de cas car, selon Keynes
[1936, p.20 livre IV], « Le placement fondé sur une véritable prévision à long terme est de
nos jours une tâche trop difficile pour être souvent possible. Ceux qui s'y attèlent sont sûrs de
mener une existence beaucoup plus laborieuse et de courir des risques plus grands que ceux
qui essayent de deviner, les réactions du public plus exactement que le public lui-même ; et, à
égalité d'intelligence dans les deux activités, ils risquent de commettre dans la première des
erreurs beaucoup plus désastreuses. »
La pièce maîtresse du cycle d’une bulle spéculative est centrée sur l’optimisme et la confiance
excessifs qui déclenchent le cycle. Son amplification est assurée par un feedback positif
reflété dans l’envolée des prix qui conduit plus tard à l’éclatement de la bulle et au krach.
Chari & Kehoe [2004] défendent le rôle du mimétisme dans la compréhension de la volatilité
excessive des prix des actifs et des mécanismes des crises financières.
2.3. Boucle de rétroaction et excès de volatilité
Les boucles de rétroaction appelées encore mécanismes d’auto renforcement (positif
feedback) font référence à des stratégies d'échange entretenant la tendance passée des cours.
Ces boucles résultent des mouvements d'extrapolation et de continuation basés sur des
signaux passés. Elles suggèrent que les bonnes nouvelles donnent lieu à des attitudes positives
et les mauvaises nouvelles génèrent des attitudes négatives. Ce comportement renforce la
tendance passée des cours. C'est le cas d'achat quand les cours antérieurs augmentent et de
vente quand ces cours baissent.
La stratégie des boucles de rétroaction pourrait, à court terme, être profitable au gestionnaire
du fonds puisque l'introduction des titres gagnants et l'exclusion des titres perdants de son
portefeuille pourraient augmenter sa performance et améliorer sa réputation.
De Long, Shleifer, Summers & Waldmann [1990b] considèrent, à travers un modèle,
que la présence sur le marché des chasseurs de tendances (« positive feedback traders » :
investisseurs qui suivent la stratégie d’achat en cas de hausse des prix et de vente en cas de
baisse) crée des sur-réactions des cours qui font écarter la valeur du marché de sa valeur
fondamentale. En effet, soit le cas d’annonce d’une bonne nouvelle reçue par des
arbitragistes. Ces derniers, anticipant un comportement d’achat de la part des « positive
feedback traders » suite à la hausse initiale des prix, achètent des quantités plus élevées ce qui
pousse les prix encore vers la hausse par rapport à la valeur réelle. En réponse à cette hausse,
les investisseurs suiveurs procèdent à l’achat en créant une surréaction.
7
Shleifer & Summers [1990] prônent pour l'idée que l'inclinaison des investisseurs à
extrapoler la tendance constitue une caractéristique très répandue du comportement des
intervenants sur les marchés financiers. L'adoption en masse des mécanismes d’auto
renforcement peut aggraver la divergence entre la valeur intrinsèque et la valeur de marché de
titre. En effet, la stratégie de vente des titres perdants et d'achat des titres gagnants crée des
poches d'inefficience sous forme d'une sous-évaluation des titres cédés et une surévaluation
des titres acquis (Lakonishok, Schleifer & Vishny [1992]).
Cuthbertson [2000] montre à travers un modèle simple que la présence sur le marché
d’opérateurs non rationnels, dont la demande d’actions croît après que le cours eut augmenté,
entraîne une surréaction des cours aux fondamentaux, une volatilité excessive ainsi qu’une
autocorrélation entre les rendements. Il adhère ainsi aux constations de Alamagny [1993] qui,
en utilisant le modèle de DeLong, Schleifer, Summers & Waldman [1990a], montre que les
investisseurs irrationnels sont responsables d’environ 20% de la volatilité excessive des
rentabilités.
Shleifer [2000] considère qu'en présence des chasseurs de tendance, l'arbitrage peut
être à effet déstabilisateur et entraîner un renforcement des boucles de rétroaction. En effet, en
recevant des bonnes nouvelles, les arbitragistes reconnaissent que l'argumentation initiale du
prix va stimuler ultérieurement l'achat par les feedback traders. L'anticipation de ces achats
fait que les arbitragistes informés achètent actuellement une large quantité de titres tout en
poussant les cours à dévier à la hausse par rapport aux valeurs fondamentales. La réaction des
positives feedback traders ne fait qu'aggraver la déconnexion, même si les arbitragistes
procèdent à des opérations stabilisatrices par des ventes massives. Shleifer [2000] présente un
modèle appuyant ce mécanisme et permettant de mieux expliquer la formation et l'éclatement
des bulles spéculatives.
2.4. Surconfiance des investisseurs et volatilité excessive
L’argument donné par la finance comportementale considère que les actions
irraisonnées de certains investisseurs dues essentiellement à leurs excès de confiance constitue
la clef de voûte de l’édifice de la volatilité excessive.
Les auteurs comportementalistes envisagent bien la thèse de l’excès de confiance
comme le motif qui résonne le plus en écho des constats empiriques et expérimentaux
consignés par plusieurs chercheurs.
Dans la littérature financière, l’excès de confiance est usuellement modelé comme
étant la surestimation systématique de la précision des connaissances de l’agent qui le pousse
à sous-estimer le risque des variables aléatoires. En d’autres termes, au niveau des modèles
d’excès de confiance, les investisseurs surestiment aussi bien la pertinence de leurs
connaissances concernant la valeur du titre, ainsi que la précision de leur évaluation
personnelle par rapport aux autres. Ainsi, ceux en excès de confiance croient plus fortement
dans leur propre évaluation et se préoccupent moins des croyances des autres. Ce qui entend
qu’ils sous-estiment la variance de leur erreur de précision. En effet, la recherche active de
l’information et son acquisition, par les investisseurs, réduit la sensibilité de ces derniers
envers le risque et augmente par conséquent leur degré d’excès de confiance. Ce biais pousse
les gens à s’engager dans des échanges plus fréquents et en particulier à choisir des
investissements plus spéculatifs et à former des portefeuilles moins diversifiés et plus risqués.
Shiller [1989] signale, à travers un questionnaire envoyé à plusieurs centaines
d’investisseurs individuels et institutionnels juste après le crash de 19 octobre 1987, un niveau
de confiance très élevé chez les investisseurs quant au sort que pourrait subir le marché après
le Krach. Au total 29% des investisseurs ont confirmé qu’ils pensaient savoir l’amplitude du
8
Krach dont 48% ont acheté ce jour-là. Cette connaissance est en fait une sorte d’exploitation
purement subjective, d’intuition, de sixième sens. Ce comportement relève en réalité de la
confiance excessive des investisseurs en leurs capacités d’analyse et d’anticipation.
Par conséquent, la surconfiance peut aider à expliquer les possibles sur-réactions du marché
aussi bien que la volatilité excessive et les bulles spéculatives. Elle peut également expliquer
pourquoi les investisseurs professionnels gèrent les portefeuilles de manière active avec
l’intention d’être capable de choisir ceux qui sont gagnants et pourquoi les fonds de pension
recrutent des gestionnaires actifs. Le volume élevé des transactions et la poursuite des
stratégies d’investissement actives semblent ainsi incompatibles avec les enseignements du
principe de rationalité.
Shiller [2000] rapporte les résultats d’un sondage destiné aux investisseurs individuels
qui montrent que ceux-ci ne croient pas à l’efficacité du market timing mais qu’ils pensent
toujours qu’ils peuvent choisir les bonnes valeurs individuelles et les bons fonds mutuels.
L’investisseur se croit ainsi capable de dénicher les titres les plus prometteurs. Cette
contradiction dans la pensée des investisseurs prouve que ceux-ci sont surconfiants dans leurs
capacités de sélection des bonnes valeurs et des bons gestionnaires. En effet, si les
fluctuations des cours de bourse sont commandées par une marche aléatoire, alors nul ne peut
se prévaloir de pouvoir choisir le bon moment pour entrer sur le marché, ni de choisir les
bonnes valeurs, ni enfin de savoir choisir les gestionnaires qui le feront.
Les sondages d’opinions suggèrent que l’investisseur moyen exhibe une tendance
généralisée à être surconfiant. L’organisation Gallup7 a mené 15 études durant la période juin
1998 – janvier 2000 sur des échantillons de milliers d’investisseurs. Elle a demandé aux
investisseurs quelle rentabilité de portefeuille s’attendent-ils à réaliser l’année prochaine. De
même, elle a essayé d’identifier les anticipations des participants quant au rendement de
marché pour l’année prochaine. En moyenne, les sujets en question croient qu’ils pouvaient
battre le marché, une hypothèse qui est impossible par définition8 (Barber & Odean [2001]).
Odean [1998], Benos [1998], Daniel, Hirshleifer & Subrahmanyam [2001], Hirshleifer
& Luo [2001] et Odean & Gervais [2001] montrent que l’excès de confiance est un biais
cognitif systématique dont la plupart des investisseurs souffrent et dont les effets peuvent
affecter sensiblement les mouvements des prix des titres et ainsi monter certaines pièces du
puzzle de la volatilité excessive. Barber & Odean [2000] et Odean [1998a] font preuve que la
volatilité des portefeuilles détenus par les investisseurs augmente avec le niveau de confiance.
Wang [2001] confère à ce discours un surcroît d’évidence en montrant que la surconfiance
amène les agents à détenir des actifs risqués.
Dans le même sens, des études telles que celles de Kyle & Wang [1997], Benos [1998], Wang
[1998] et Hirshleifer & Luo [2001], Gervais & Odean [2001] et Chuang & Lee [2006],
révèlent que l’excès de confiance amène les gens à sous-estimer le niveau de risque encouru
de leurs investissements et ainsi détenir des portefeuilles sous-diversifiés. Caballé & Sakovics
[2003] tiennent le même raisonnement et considèrent que les agents en excès de confiance
augmentent la volatilité et détiennent des portefeuilles sous diversifiés et inutilement plus
risqués que les investisseurs rationnels de même degré d’aversion au risque. En ce sens, la
7
Cité par Barber & Odean [2001, p.265].
Irrationnel qu’il apparaisse, l’excès de confiance peut contribuer au succès. L’individu qui surestime ses
capacités sera préparé à courir plus de risque, sera plus motivé et même il sera plus prêt à se présenter de
manière plus effective (Taylor & Brown [1988]). Les initiatives privées d’investissement existent peut être grâce
à l’excès de confiance en supposant que chaque entrepreneur juge son propre projet ayant une probabilité de
succès plus élevée que celle d’un projet moyen du secteur.
8
9
volatilité excessive observée sur les marchés peut être attribuée à la nature des portefeuilles
détenus par ces investisseurs.
Nous pourrions ajouter qu'un marché à la hausse fait monter tous les ego, c'est-à-dire
que bon nombre d'investisseurs amplifient l'effet de leurs propres décisions et sous-estiment à
quel point la rentabilité de leurs placements est simplement attribuable à l'effervescence de
l'économie et du marché boursier.
Dans cette lignée d’idées, Daniel, Hirshleifer & Subrahmanyam [2001] et Gervais &
Odean [2001] étudient le caractère dynamique de l’hypothèse de surconfiance et font la
distinction entre la phase où le marché a une tendance haussière (bull market) et celle où le
marché une tendance baissière (bear market). Ces études se trouve-t-elles en mesure de rendre
compte que l’apprentissage progressif des éléments d’une situation et les succès
qu’enregistrent les investisseurs en conséquence, en proportion croissante, tendent à
provoquer chez la majorité des agents un sentiment d’excès de confiance de plus en plus
intensifié.
Le niveau excessif de la volatilité est difficile à juger sans un benchmark de niveau
rationnel de volatilité. Une méthode alternative consiste à savoir si la volatilité peut être
justifiée par les fondamentaux des actifs risqués (exemple : Shiller [1981, 1989]). Cependant,
cette méthode ne permet pas d’identifier les sources de la volatilité excessive.
L’idée de l’effet du volume de transactions sur la volatilité a été traitée dans plusieurs études
(Karpoff [1987], Schwert [1989], Lamoreux & Lastrapes [1990], Gallant, Rossi et Tauchen
[1992], Jones, Kaul & Lipson [1994], Hiemsta & Jones [1994]).
Lamoreux & Lastrapes [1990], utilisant un modèle GARCH [1,1], montrent que le
volume journalier de transactions est un proxy représentant le flux d’information tout en ayant
un pouvoir explicatif significatif concernant la volatilité des rentabilités quotidiennes pour les
firmes individuelles sous les conditions de l’hypothèse mixte (Diebold [1986] et Stock [1987,
1988]). Toutefois, il est difficile de bien préciser la source et le contenu des informations
transmises ou révélées par les échanges des investisseurs (Chuang & Lee [2006]).
Benos [1998] propose un modèle dans lequel le comportement agressif des traders
surconfiants, dans l’exploitation de leur information profitable en plus des stratégies
d’échange conservatrices des traders rationnels, poussent les cours à varier de manière
excessive. Benos [1998] précise que l’activité d’échange résulte de la conjugaison des
transactions des traders rationnels, des traders surconfiants, des traders à besoin de liquidité et
des teneurs de marché « market makers ».
Ces études n’ont cependant pas précisé quelle composante du volume de transactions
agit sur la volatilité, c’est-à-dire quel contenu informatif du volume de transactions affecte la
volatilité.
3. Analyse empirique sur le marché boursier tunisien
Les travaux récents sur la finance comportementale témoignent de l’importance de
considérer les facteurs psychologiques dans l’analyse de la prise des décisions financières.
Ainsi, peu de financiers se hasardaient aujourd’hui à nier l’ampleur de la contribution de ce
nouveau courant de recherche à expliquer les processus conduisant à un comportement
irrationnel.
Nous pensons que l’élucidation du caractère excessif de la volatilité ne peut en effet se faire
qu’à l’aune d’une description circonspecte des aspects psychologiques des investisseurs.
Notre intérêt sera porté en particulier au biais de l’excès de confiance. La littérature a montré
10
qu’il s’agit d’un biais cognitif systématique dont la plupart des investisseurs souffrent et dont
les effets peuvent affecter sensiblement les marchés boursiers.
L’hypothèse selon laquelle la confiance excessive fait augmenter la volatilité a fait
l’objet de plusieurs études telles que celles de Daniel, Hirshleifer & Subrahmanyam [1998],
Odean [1998], Wang [1998], Gervais & Odean [2001], Scheinkman & Xiong [2003] et
Chuang & Lee [2006].
Puisque l’hypothèse de surconfiance prévoit que le volume de transactions et la volatilité
augmentent avec la surconfiance des investisseurs et du fait que plusieurs études ont montré
l’existence d’une relation synchrone entre le volume de transactions et la volatilité, il sera plus
approprié d’étudier cette problématique en examinant directement la relation entre le volume
de transactions et la volatilité. En effet, la présence du biais de surconfiance trouve sa plus
célèbre illustration dans la vérification de la relation positive entre les volumes de transactions
des titres et leurs rentabilités boursières retardées. Le volume de transactions issu de cette
relation sera ainsi utilisé comme proxy à la mesure de surconfiance des investisseurs.
Notre hypothèse stipule que le volume intensif de transactions des investisseurs
surconfiants fait augmenter la volatilité des titres sur les marchés financiers.
Nous nous intéressons tout au long de cette étude au comportement agrégé des
investisseurs sur le marché boursier tunisien du coté des implications de l’hypothèse de
l’excès de confiance.
L’intérêt porté au comportement agrégé des investisseurs est motivé d’une part par la
recommandation avancée par Odean [1998], Daniel, Hirshleifer & Subrahmanyam [2001],
Gervais & Odean [2001]9 et Glaser & Weber [2007] selon laquelle le comportement de
l’investisseur devrait être observé au niveau agrégé du marché et d’autre part par l’argument
de Kyle & Wang [1997], Benos [1998], Daniel, Hirshleifer & Subrahmanyam [1998],
Hirshleifer & Luo [2001] et Wang [2001] selon lequel les investisseurs surconfiants peuvent
survivre et dominer le marché pendant longtemps. Fama [1998] affirme également qu’une
théorie financière valable devrait expliquer le comportement agrégé du marché et ne devrait
pas se limiter à un groupe spécifique d’investisseurs.
Ce qui suit sera structuré en 3 sections. La section première s’intéressera à la
description des spécificités du marché boursier tunisien ainsi que des données nécessaires au
test. L’analyse de l’effet de l’excès de confiance sur la volatilité non conditionnelle des
rentabilités du marché fera l’objet de la section 2. Un examen plus approfondi de cet effet sur
la volatilité conditionnelle sera présenté au niveau de la dernière section.
3.1. Présentation des données
En termes de capitalisation boursière, le marché tunisien des actions, en comparaison
avec d’autres marchés des pays émergents présente une valeur relativement faible. Il se
caractérise par une grande étroitesse, puisque le nombre de compagnies y sont cotées ne
dépasse pas 50.
1999 2000 2001 2002 2003 2004 2005 2006 2007
Année
44
45
46
45
44
45
48
50
Nombre de sociétés cotées 44
Source : BVMT
Un aspect important du marché tunisien est qu’il est dominé par les institutions
financières (notamment les banques).
9
A rappeler que Barber & Odean (2000, 2001, 2002) et Odean (1999) se sont intéressés aux investisseurs
individuels au niveau de leur comportement d’échange.
11
Ainsi en 2007, presque la moitié (22) des sociétés cotées à la BVMT10 opèrent dans le secteur
financier (banques (11), assurances (3), leasing (5) et sociétés d’investissement (3)).
L’autre moitié (28) est constituée des sociétés opérant dans l’industrie chimique (5),
l’agroalimentaire (3), la distribution (3), le voyage et loisirs (3), les automobiles et les
équipements (6) et autres (8).
La période d’étude s’étale du début du mois de janvier 1999 à la fin du mois d’octobre
2007.
Une question importante concerne le pas de l’estimation. Bien entendu, plus ce pas est
court, plus les observations sont nombreuses et plus on est cohérent avec la théorie. Notre base
de données est constituée des observations mensuelles, hebdomadaires et journalières11 des
rentabilités et des volumes de transactions de toutes les valeurs traitées sur le marché boursier
tunisien.
Le calcul de la volatilité repose, en effet, sur de nombreuses hypothèses, dont celle du « pas
d’observation » (Marteau [1999]). En effet, la plupart des études menées sur la volatilité des
cours et l’incorporation des flux d’informations à travers les volumes de transactions ont
utilisé des séries temporelles sur des intervalles annuels, mensuels, hebdomadaires ou
journaliers. Dans le but de garder l’essentiel de l’information contenue dans la continuité des
cours, la volatilité est souvent estimée à partir des fréquences plus élevées des données. Ainsi,
il a été démontré que la volatilité croit avec la racine carrée du temps12, conduisant à multiplier
l’écart type quotidien obtenu par racine de 252 (pour une volatilité en base annuelle). Le
raccourcissement de l’horizon des observations permet de mieux saisir l’intensité des
négociations et l’aspect psychologique du marché.
On peut donc penser que, pour un horizon à échelle de temps plus fine, l’effet des facteurs
comportementaux et psychologiques sera plus pertinent. Toutefois, l’utilisation des données
journalières, par exemple, porte en germe les effets jour de la semaine, d’où l’intérêt d’utiliser
différentes fréquences des données telles que la fréquence hebdomadaire et celle mensuelle.
Par ailleurs, comme le fait remarquer Sauvage [1999] :" l'hétérogénéité des intervenants sur
les marchés est incontestable et nécessaire. Si même nous faisons abstraction de la diversité
des contraintes fiscales, comptables et réglementaires, nous rencontrons des investisseurs qui
travaillent sur des horizons très différents. Car si tous les intervenants avaient le même
horizon, les mêmes objectifs et les mêmes méthodes d'évaluation, ils seraient dans le même
sens. Il ne pourrait y avoir d'échange et il n'y aurait aucune liquidité sur le marché."
3.1.1. Mesure des taux des rentabilités
Les cours boursiers sont relatifs à des cours de clôture, ajustés aux dividendes et aux
opérations en capital (variations du capital et stock splits).
A partir de ces prix, les rentabilités de la date t-1 à la date t des titres sont calculées selon la
formule discrète avec réinvestissement du dividende comme suit :
Rit =
où
Pit  D it  Pit 1
Pit 1
Pit et Pit-1 sont les prix de clôture du titre i aux temps respectivement t et t-1 ;
Dit est le dividende servi sur le titre i au cours de la période t ;
10
Cotation électronique en Continu A et Fixing A.
La prise en compte des différentes fréquences permet d’atténuer le phénomène d'asynchronisme des données,
c'est à dire le décalage des dates des cours entre titres.
12
Voir les travaux de Bachelier qui montra que l’amplitude d’une fluctuation du marché a tendance à augmenter
avec l’intervalle de temps sur lequel se produit cette fluctuation
11
12
Notons que les rentabilités hebdomadaires sont calculées sur la base des cours de clôture des
mercredis pour éviter les effets d’éventuelles anomalies weekend ou début de semaine.
Notons également que pour surmonter le problème de discontinuité des données, nous nous
sommes servis de la méthode des prédécesseurs qui consiste à remplacer la donnée manquante
par le dernier cours disponible( P̂t = Pt 1 ). L’estimation du prix réservé par son prédécesseur
est justifiée sur des marchés efficients vérifiant l’hypothèse de martingale selon laquelle, le
prix d’aujourd’hui est le meilleur estimateur du prix de demain.
Nous avons calculé deux types de rentabilités de marché (équi-pondérée et pondérée
pour corriger l'effet taille), qui prennent en compte l’ensemble des données disponibles sur le
marché et sont ajustées aux dividendes et aux changements de capital.
3.1.1.1. La rentabilité équi-pondérée du marché (RE)
Cette rentabilité est une moyenne arithmétique simple des rentabilités de tous les titres
présents sur le marché pendant la période d’étude :
 K

R Et =  R it  / K
 i 1


où
Rit : Rentabilité de l’action i au cours de la période t ajustée aux dividendes et
aux opérations sur le capital.
K : Nombre d’actions (titres distincts) sur le marché.
Cette rentabilité est retenue comme proxy à celle du portefeuille de marché tout en
accordant la même importance pour tous les titres. On peut y penser comme rapportant la
performance d’un portefeuille composé de tous les titres en proportions égales.
3.1.1.2. La rentabilité pondérée du marché (RP)
C’est la rentabilité du portefeuille de marché où chaque actif coté à la BVMT entre
dans sa composition pour une proportion donnée par le rapport de sa capitalisation boursière
(nombre de titres existant multiplié par le prix unitaire) à la capitalisation boursière totale.
K

R Pt =  CBit x R it  / CBMt
 i 1


où
CBit : Capitalisation boursière du titre i au cours de la période t;
CBMt : Capitalisation boursière totale du marché au cours de la période t.
K
CBMt =
 CB
it
i 1
K : Nombre d’actions (titres distincts) sur le marché.
La capitalisation boursière est définie par :
CBit = Nit * Cit
Cit : Cours de l’action i au cours de la période t.
Nit : Nombre de titres en circulation de l’action i au cours de la période t.
Ces deux mesures de rentabilité présentent la caractéristique suivant laquelle elles
n’excluent de leur composition aucun des actifs financiers offerts sur la BVMT.
13
3.1.2. Mesure de l’activité
Les volumes de transactions hebdomadaires et mensuels sont calculés comme la
somme des volumes journaliers qui constituent la période en question (en suivant les
recommandations de Lo & Wang [2000]).
En littérature, on distingue deux mesures agrégées de l’activité sur les marchés
boursiers.
Le volume : Il renvoie au nombre de titres échangés pour chacune des valeurs cotées
sur le marché. L’information sur l’activité étant habituellement exprimée en nombre de titres
échangés. Le volume est un concept qui fait référence à des flux d’information. Les
intervenants l’utilisent généralement comme indicateur de liquidité.
Lo & Wang [2000] suggèrent une mesure pondérée du volume de transactions. Autrement,
chaque transaction, en terme du nombre de titres échangés, devrait être implicitement
pondérée par sa taille (en terme de valeur).
Le taux de rotation : Vu que le nombre de titres mis en circulation sur le marché
varie d’une année à l’autre pour la plupart des sociétés cotées (dû aux variations de capital,
stock split…), une augmentation du volume de transaction défini par le nombre de titres
échangés peut ne pas refléter l’intensification de l’activité sur le marché. Ainsi, la mesure
généralement utilisée de l’activité d’échange est une mesure relative et non absolue (Lo &
Wang [2000] et Statman, Thorley & Vorkink [2006]), c’est le taux de rotation défini par :
Taux de rotation de l’action i au cours de la date t :
n
Vit = it
N it
Avec nit : Nombre de titres échangés de l’action i au cours de la période t.
Nit : Nombre de titres en circulation de l’action i au cours de la période t.
Avec cette définition, on peut identifier un seul taux de rotation pour une action individuelle
alors que pour le marché, deux alternatives se présentent : taux pondéré et taux non pondéré
(équi-pondéré) pour tenir compte de l’effet taille. Ceci suggère l’importance d’étudier la
sensibilité des résultats aux mesures variées du volume de transactions de marché.
Taux de rotation pondéré de marché :
K
VtP
=
w
it
Vit
i 1
Avec :
K : Nombre d’actions distinctes sur le marché.
wit : Poids de l’action i dans le marché.
wit est définie par :
CBit
wit =
CBMt
Avec
CBit : Capitalisation boursière de l’action i au cours de la période t.
CBMt : Capitalisation boursière du marché au cours de la période t.
Le taux de rotation pondéré de marché admet également l’expression suivante :
K
VtP
=
n
it C it
i 1
CBMt
=
Volume total d' échange à la date t
Capitalisa tion boursière du marché à la date t
14
Taux de rotation équi-pondéré du marché :
VtE =
1
K
K
V
it
i 1
La mesure de l’activité d’échange du marché qui sera utilisée dans notre étude sera le
taux de rotation de marché (pondéré et équi-pondéré).
3.1.3. Statistiques descriptives des séries des rentabilités et de volume de
transactions
L’étude préliminaire des propriétés statistiques des diverses séries utilisées est
importante dans la mesure où, pour appliquer de nombreux tests économétriques, certaines
spécificités statistiques des séries doivent être vérifiées. A cet égard seront analysées la
stationnarité et la normalité de la distribution des séries des rentabilités et celles des volumes
de transactions du marché.
Une première intuition concernant la stationnarité des séries est fournie par les
graphiques de la figure n°1 en annexe qui retracent les évolutions dans le temps des taux de
rentabilité et des taux de rotation. On peut donc dire que les séries apparaissent stationnaires
puisqu’elles convergent vers leurs moyennes sur le long terme et font montrer une instabilité
qui varie à travers le temps avec des périodes plus au moins volatiles.
Pour mieux confirmer l’analyse graphique, deux types de tests seront effectués, basés sur la
détection d’une racine unitaire dans le processus. Le test le plus utilisé est celui de Dickey &
Fuller augmenté. Les séries financières présentant en outre souvent une variance variable au
cours du temps, le test de Phillips & Perron, robuste à l’hétéroscédasticité sera également
appliqué.
Les tests ont été réalisés pour plusieurs ordres de retard, pour la variable dépendante en niveau
et ont été appliqués aux cas où le modèle présente une constante et puis une constante et un
trend. Les résultats de deux types de tests de racines unitaires appellent à accepter sans
ambiguïté l’hypothèse alternative de stationnarité quel que soit le modèle retenu et cela à un
seuil de significativité de 1%. Ainsi, les séries étudiées sont bien gouvernées par un processus
stationnaire, ceci est cohérent avec l’observation des graphiques de la figure N°1.
Les tableaux n°1 et n°2, en annexe, affichent un ensemble de statistiques descriptives
des séries des rentabilités et des volumes de transactions du marché. Les distributions des deux
variables pondérées et équipondérées pour les trois fréquences sont significativement
différentes de la distribution normale au seuil de 1%. Les variables sont caractérisées par des
coefficients d’asymétrie différents de celui d’une distribution normale. La positivité des
coefficients d’asymétrie indique que les rentabilités du marché ainsi que les volumes de
transaction (excepté la rentabilité pondérée journalière du marché) ont subi plus de chocs
positifs que de chocs négatifs durant la période analysée.
Ces résultats conduisent globalement au rejet de l’hypothèse de normalité des séries, en raison
essentiellement des distributions plus pointues et des queues plus épaisses que la Normale
(distribution de densité non conditionnelle leptokurtique) où les événements moyens et
extrêmes y surviennent plus fréquemment que dans une distribution Normale. Cette
conclusion est renforcée par le test formel de Jarque & Bera.
D’un point de vue théorique, la normalité des rentabilités des titres est discutable si
l’information n’arrive pas linéairement au marché, ou si les investisseurs ne réagissent pas
linéairement à son arrivée. Dans les deux cas, une distribution leptokurtique des rentabilités
des titres devrait être observée.
15
Le caractère leptokurtique des rentabilités des titres a motivé la prolifération des modèles
ARCH, qui cherchent à incorporer l’information contenue dans les queues d’une distribution
des rentabilités aux modèles des séries temporelles.
3.2. Test de l’effet de l’excès de confiance sur la volatilité non conditionnelle des
rentabilités boursières
3.2.1. Décomposition du volume de transactions
A l’instar de l’étude de Chuang & Lee [2006] nous décomposons le volume de
transactions en deux éléments. La première composante est due à l’activité excessive des
investisseurs surconfiants. La seconde résulte de l’effet d’autres facteurs. Le modèle proposé
est le suivant :
Vt =  +
P
b
j
R t  j + εt
(1)
j1
P
Vt = [  b j R t  j ] + [ + εt]
j1
Vt = Excès de confiancet + Non excès de confiancet
La composante du volume de transactions associée au comportement des investisseurs
surconfiants est mise en évidence à travers l’effet des rentabilités passées sur le volume de
transaction. Ainsi, Odean [1998a] et Gervais & Odean [2001] développent des modèles en
montrant que les gains élevés de marché rendent les investisseurs plus confiants quant à la
précision de leurs informations privées et leur aptitude à sélectionner les titres. Leur activité
d’échange devient alors plus agressive sur les périodes ultérieures. Ceci signifie une relation
de causalité positive13 allant des rentabilités des titres au volume de transactions.
Une relation positive entre rentabilité et volume de transaction pourrait trouver des
explications autres que celles liées à l’excès de confiance. Nous citons principalement trois
raisons :
- L’effet de disposition décrit le comportement d’investisseurs plus prompts à
concrétiser leurs bénéfices, mais peu enclins à céder des titres en baisse en raison de leur
aversion pour la perte. La présence de ce biais trouve sa plus célèbre illustration dans la
tendance des investisseurs à maintenir leurs titres perdants pour longtemps et à vendre leurs
titres gagnants le plutôt possible.
- Le modèle de l’arrivée séquentielle de l’information de Copeland [1976] et
Jennings, Starks & Fellingham [1981] suggère une relation de feedback positive entre
rentabilités des titres et volume de transactions. En effet, dû au flux séquentiel de
l’information, le volume passé de transactions pourrait avoir un pouvoir prévisionnel pour les
rentabilités courantes des titres et les rentabilités passées des titres pourraient également avoir
un pouvoir explicatif du volume courant des transactions.
- De Long et al [1990b] développent un modèle d’échange en boucle de
rétroaction impliquant une relation causale positive et bidirectionnelle entre le volume de
transaction et les rentabilités des titres.
D’un coté, la relation causale positive allant du volume de transactions aux rentabilités des
titres est conforme à l’hypothèse du modèle selon laquelle les stratégies d’échange suivies par
les noise traders poussent les cours des titres à varier. D’un autre coté, la relation causale
positive allant des rentabilités des titres au volume de transactions est conforme aux stratégies
13
Cette relation est évidement non synchrone c’est à dire retardée.
16
de boucles de rétroaction des noise-traders pour lesquelles la décision d’achat ou de vente est
conditionnée par les mouvements passés des cours des titres.
La constante et le terme résiduel forment la seconde composante du volume de
transaction non liée à l’excès de confiance.
Le nombre de retards (P) à inclure sera déterminé à l’aide des critères de Akaike (AIC) et de
Schwartz (SC). La procédure de sélection de l’ordre de représentation consiste à estimer tous
les modèles pour un ordre allant de 0 à h (h étant le retard maximum admissible par la théorie
économique ou par les données disponibles). Sera retenu le retard p qui minimise les critères
AIC ou SC. Nous prenons également en compte l’évolution de la valeur de log-vraisemblance
puisqu’une amélioration légère de cette valeur témoigne un raffinement supplémentaire du
modèle.
L’estimation du modèle (1) sera appliquée aussi bien pour les variables pondérées que
pour les variables équi-pondérées pour les trois types d’horizons. Ainsi l’extraction de la
composante du volume de transaction liée à l’excès de confiance fera l’objet de six
régressions. Le tableau n°3 en annexe résume l’essentiel des résultats obtenus.
Il apparaît que les décalages les plus pertinents sont de 4 séances boursières pour le cas des
données journalières, de 3 semaines pour le cas des données hebdomadaires et d’un seul mois
pour la fréquence mensuelle et ce pour les deux types des séries (pondérées et équipondérées). Cet effet de mémoire projeté des rentabilités passées vers l’activité d’échange
parait plus présent dans les observations les plus fréquentes c’est-à-dire pour des horizons
d’investissement plus courts. On peut ainsi penser qu’il s’agit bien d’un aspect psychologique
susceptible d’influencer la manière dont les individus appréhendent les rentabilités passées.
Le signe positif de tous les paramètres estimés liés aux rentabilités passées est tout à fait
cohérent avec les suggestions des études relatives à l’excès de confiance, d’une relation
positive retardée entre rentabilités et volume de transactions. Une rentabilité élevée de marché
fait que les investisseurs soient encore plus confiants et probablement prêts à procéder à des
échanges de manière plus agressive durant les périodes ultérieures. Le cas inverse sera
observé si la rentabilité de marché est négative.
La présence de la confiance excessive des investisseurs invite à scruter l’effet de ce biais sur
la volatilité des rentabilités boursières.
3.2.2. Excès de confiance et volatilité non conditionnelle des rentabilités
boursières du marché
Dans le but de vérifier si la composante du volume de transactions liée à l’excès de
confiance possède un pouvoir explicatif de la volatilité des rentabilités boursières, nous
régressons les 4 modèles suivants :
Rt=  +  Excès de confiance t + εt
(2)
Rt2 =  +  Excès de confiance t + εt
(3)
Rt=  +  Excès de confiance t+ εt
(4)
Rt2 =  +  Excès de confiancet2 + εt
(5)
Avec
|Rt| : Valeur absolue de la rentabilité de marché à la période t ;
R 2t : Carré de la rentabilité de marché pour la même période ;
Excès de confiance t : Partie d’échange motivée par un sentiment de surconfiance et
issue du modèle n°1 ;
2
Excès de confiancet : Carré de Excès de confiance t au cours de la période t.
17
Les modèles (2) et (3) se réfèrent à l’effet de la confiance excessive sur la volatilité des
rentabilités boursières. Les modèles (4) et (5) fonts signe de l’impact de la variabilité
temporelle du niveau de confiance sur la volatilité des rentabilités.
Deux mesures de la volatilité non conditionnelle de la rentabilité du marché sont
utilisées : la valeur absolue de la variable et son carré. Le carré de la rentabilité représente la
variance si son espérance est nulle. Cette hypothèse est vérifiée notamment pour les
fréquences journalière et hebdomadaire des données.
Par ailleurs, afin de justifier la pertinence empirique du choix du processus de mémoire longue
dans la volatilité des variations des cours des titres, nous avons emprunté la même démarche
de Bollerslev & Mikkelsen [1996], nous avons utilisé les variations absolues des séries Rt
comme une mesure de la volatilité (Bollerslev & Mikkelsen [1996], p. 155-156).
Nous soulignons que la volatilité de la rentabilité du marché peut être due aux effets liés aux
échanges potentiels associés aux opérations d’ajustement de la composition des portefeuilles.
Ces ajustements, à la suite des grandes variations des cours boursiers, peuvent induire de
l’échange des titres. Ainsi, l’implication majeure sera un volume de transaction élevé suite à
des fortes augmentations et diminutions des cours, c’est-à-dire des rentabilités élevées positifs
et négatifs. De plus, les échanges générés par l’ajustement de la composition des portefeuilles
devraient normalement succéder immédiatement les mouvements des cours. Des délais d’un
mois ou plus invalident l’existence d’un tel motif d’échange (Statman, Thorley & Vorkink
[2006]). L’adoption d’un horizon temporel d’un mois permet ainsi de contrôler des éventuels
effets de telles motivations d’échange.
Les résultats fournis par les quatre modèles sont repris dans les tableaux n°4 et n°5 en
annexe. Plusieurs remarques découlent de l’examen de ces tableaux.
Les coefficients de sensibilité obtenus liés à l’excès de confiance sont significatifs aux seuils
de 1% et 5% pour aussi bien les données journalières que pour les données hebdomadaires. Si
nous considérons l’horizon mensuel, il apparaît que le niveau de la confiance excessive des
investisseurs ainsi que sa variabilité ne jouent aucun rôle dans la formation de la volatilité non
conditionnelle des rentabilités pondérées et équi-pondérées du marché. L’examen des signes
des coefficients liés à l’excès de confiance montre que ce facteur contribue positivement à la
volatilité du marché boursier tunisien.
L’ensemble de ces résultats conforte bien notre idée de base. En effet, en considérant
l’horizon temporel journalier, il est clair que les investisseurs raisonnent à très court terme et
se laissent guidés par leur psychologie dont l’effet est plus prononcé sur les données à
fréquence journalière. Ce constat est encore confirmé par le test sur des données
hebdomadaires pour lequel le phénomène psychologique préserve encore son pouvoir
explicatif contrairement pour le cas de la périodicité mensuelle. On peut penser que l’intensité
de l’impact de la confiance excessive quotidienne sur la volatilité du marché dépend de
l’horizon temporel d’investissement. Plus cet horizon s’élargit plus cet effet se dilue pour
enfin disparaître sur une perspective mensuelle.
La non nullité statistique de la constante, qui permet « d’absorber » toute information non
saisie par la variable explicative introduite dans le modèle, prouve qu’en plus la surconfiance,
d’autres variables potentielles pouvant intervenir dans l’explication de la variation des
rentabilités du marché.
Les résultats que nous venons de présenter nous laissent porter un premier jugement
favorable sur la validation de l’hypothèse initiale du travail. Cependant une analyse plus
approfondie doit être menée pour bien s’assurer de l’adéquation des conclusions obtenues aux
exigences de la théorie.
18
3.3. Test de l’effet de l’excès de confiance sur la volatilité conditionnelle des
rentabilités boursières
L’examen de la dynamique temporelle des séries des rentabilités du marché fait
apparaître trois spécificités principales relatives à la distribution de densité non conditionnelle
leptokurtique, au phénomène de « clustering » et à la stationnarité des données. Ces trois
caractéristiques appellent à considérer le caractère conditionnel de la moyenne et de la
variance des séries des rentabilités.
3.3.1. Modélisation de l’espérance conditionnelle des rentabilités du
marché
Nous avons déjà vérifié la stationnarité des séries des rentabilités pondérées et équipondérées pour les différents pas d’estimation, nous pouvons par conséquent appliquer
directement la technique de Box-Jenkins de modélisation de l’espérance conditionnelle sans
transformation préalable des données.
Rappelons que les modèles ARMA14 sont représentatifs d’un processus généré par une
combinaison des valeurs passées et des erreurs passées. Un processus stationnaire (Rt, tZ)
autorégressif moyenne mobile d’ordre (p , q) est défini par la formulation suivante :
Rt = 0 +
q
P
i Rt i + t
i 1
–

j 1
j
t j
(6)
où 0 représente un terme constant, les i et j sont des paramètres réels et (  t , tZ) est un
2
bruit blanc de variance  .
L’étape d’identification du modèle le plus approprié consiste donc à déterminer les
ordres de retard p et q. A cet effet nous procédons à l’analyse des corrélogrammes des
coefficients d’autocorrélation et des coefficients d’autocorrélation partielle. Par ailleurs, nous
estimons les paramètres des modèles candidats ARMA à l’aide de la méthode des moindres
carrés ordinaires (pour le modèle AR pur) et la méthode de maximum de vraisemblance (pour
les modèles ARMA à cause de la composante moyenne mobile).
Le choix de la spécification ARMA est réalisé à partir de la comparaison des valeurs de la
variance estimée des résidus, du coefficient de détermination, ainsi que des critères
d’information d’Akaike et de Schwartz.
L’estimation des différentes spécifications conduit aux résultats suivants où tous les
paramètres estimés sont statistiquement significatifs au seuil de 1%.
Fréquence
Type
Modèle : Rt = 0 +
P

i 1
Pondéré
Journalière
Equi-pondéré
Pondéré
Hébdomadaire
Equi-pondéré
Mensuelle
14
Pondéré
Equi-pondéré
i
Rt i +  t –
q

j 1
j
t j
ARMA(2,0) : Rt = 0,0004*** + 0,2897*** Rt-1 + 0,0895*** Rt-2 +
t
ARMA(2,0) : Rt = 0,0003*** + 0,3184*** Rt-1 + 0,1074*** Rt-2 +
t
ARMA(3,3) : Rt = 0,0018*** + 0,3997*** Rt-1 – 0,2730*** Rt-2 +
0,4978*** Rt-3 – 0,3360*** t-1 + 0,4031***
t-2 – 0,5033*** t-3 + t
ARMA(2,2) : Rt = 0,0014*** + 1,2494*** Rt-1 – 0,4085*** Rt-2 –
0,9994*** t-1 + 0,2436*** t-2 + t
ARMA(0,0) : Rt = 0,0104*** + t (Bruit blanc)
ARMA(0,0) : Rt = 0,0083*** + t (Bruit blanc)
F-stat
139,74**
*
182,91**
*
10,31***
17,85***
Mélange de processus AutoRégressif et Moyenne Mobile.
19
*** ** *
, , : Niveaux de significativité respectivement de 1%, 5% et 10%.
A ce stade de la réflexion, il est important de rappeler que la surconfiance naît d’un
effet mémoire lié aux rentabilités passées et que l’analyse déjà réalisée montre que ce biais
psychologique disparaît pour le cas d’un horizon mensuel. A la vue des résultats obtenus à ce
niveau, il est possible d’avancer une explication de l’absence du phénomène de surconfiance
pour le cas du pas mensuel par l’idée que le marché est efficient en considérant cet horizon
puisque le processus suivi par les rentabilités du marché est un bruit blanc. Le comportement
des investisseurs est ainsi compatible avec les recommandations des zélateurs de la thèse de
l’efficience des marchés selon laquelle plus l’horizon d’investissement s’élargie plus les
intervenants deviennent rationnels et plus les phénomènes psychologiques s’estompent. Ces
résultats sont également cohérents avec la théorie du « noise trading » qui se base sur l’idée
que les individus dont l’horizon d’investissement est à court terme influencent les prix des
titres plus que ne le font les investisseurs à long terme.
3.3.2. Relation entre confiance excessive et volatilité conditionnelle des
rentabilités du marché
3.3.2.1. Asymétrie de la dynamique de la variance conditionnelle
Le phénomène d’asymétrie de réponse de la variance conditionnelle aux chocs
affectant la moyenne conditionnelle appelé encore l’effet d’endettement (Black [1976],
French, Schwert & Stambaugh [1987], Nelson [1991], Schwert [1990] et Kim & Kon [1994])
est defini par la relation suivant laquelle un choc négatif de la rentabilité fait augmenter la
volatilité plus que ne le fait un choc positif. Dans la littérature financière, cette relation
négative entre les rentabilités conditionnelles et la variance conditionnelle est appuyée par
plusieurs travaux, nous citons notamment ceux de Sentana [1991], Campbell & Hentschel
[1992], Glosten, Jagannathan & Runkle [1993] et Whitelaw [2000]. Une explication de ce
phénomène fait référence à l’effet de levier financier suivant lequel une baisse du prix d’un
titre (rentabilité négative) augmente le ratio emprunts/capitaux propres de l’entreprise en
question. Sachant qu’une entreprise plus endettée est plus risquée, donc la volatilité du titre
augmente.
Une autre explication possible du phénomène est le concept de « volatility feedback »
(Pindyck [1984], French et al [1987] qui suggère qu’une hausse anticipée de la volatilité
accroisse la rentabilité exigée par les investisseurs puisque le titre deviendra plus risqué, ceci
implique que la valeur du titre diminue immédiatement toutes choses étant égales par ailleurs.
Une troisième explication possible de l’asymétrie de la variance pourrait faire référence aux
implications de la fonction de valeur dont l’allure décrit un comportement preneur de risque,
dans l’espace des pertes (choc négatif) et averse au risque dans l’espace des gains (choc
positif). Cette asymétrie de l’attitude vis-à-vis du risque implique que l’investisseur poussé
par une aversion à la perte, une fois touché par celle-ci, choisira des portefeuilles plus risqués
et procédera à des stratégies plus spéculatives contribuant ainsi à l’augmentation de la
volatilité sur le marché. Le comportement inverse est supposé se réaliser pour le cas d’un
gain.
Les processus GARCH (Generalized AutoRegressive Conditional Heteroskedasticity)
sont des processus stochastiques qui permettent de modéliser les séries chronologiques dont la
variance instantanée dépend du passé. Ils sont bien adaptés à la modélisation des séries
financières. Toutefois, les modèles GARCH standards ne permettent pas la détection de l’effet
d’asymétrie des perturbations sur la variance conditionnelle
20
Une méthode pour détecter un tel effet d’endettement consiste à appliquer le modèle
EGARCH (GARCH Exponentiel) proposé par Nelson [1991]. L’effet asymétrique des chocs
positifs et négatifs peut être également mis en évidence par le modèle GJR-GARCH de
Glosten, Jagannathan & Runkle [1993] qui proposent un modèle à seuil spécifiant l’asymétrie
sur la variance conditionnelle par une variable indicatrice (muette) égale à 1 si le résidu de la
période précédente est négatif et nulle autrement. L’équation de l’écart type conditionnel est
donc une fonction linéaire par morceau selon le signe du choc et l’écart type conditionnel de
la période précédente.
Une version de ce modèle connue sous le nom de Threshold GARCH ou TGARCH de
Zakoian [1994] spécifie l’asymétrie sur l’écart type conditionnel et non sur la variance
conditionnelle.
3.3.2.2. Spécification du modèle asymétrique GJR-GARCH (1,1)
La procédure du test de la relation entre la surconfiance et la volatilité conditionnelle
consiste à examiner l’effet de la composante du volume de transaction due à l’activité
d’échange des investisseurs surconfiants sur la volatilité conditionnelle des rentabilités du
marché issue d’un modèle ARMA-GARCH asymétrique. Pour cela, à l’instar des travaux de
Lamoureux & Lastrapes [1990] et de Chuang & Lee [2006] qui se sont servis des modèles
EGARCH(1,1) et GJR-GARCH(1,1), nous avons choisi d’estimer le modèle GJR-GARCH
(1,1) suivant :
Rt = μt + ηt
ηt | [Vt, ηt-1, ηt-2, …, Rt-1, Rt-2, …] ~ N15[0, ht]
ht = w + f1 [ 2t 1 ] + f2 ht-1 + θ S t 1 [ 2t 1 ] + f3 ECt + f4 NECt
(7)
où :
Rt :
μt :
Rentabilité du marché à la date t ;
Moyenne conditionnelle de Rt à la date t sur l’ensemble de l’information
passée ;
ηt :
Résidus issus de l’équation de la moyenne conditionnelle à la date t ;
ht :
La volatilité conditionnelle à la date t;

S t 1 : Variable muette ; Si ηt-1 < 0 alors S t 1 = 1 , Sinon S t 1 = 0
EC : La partie d’échange motivée par un sentiment de surconfiance et issue du
modèle n°1 ;
NEC : La partie d’échange non liée aux rentabilités passées du marché (issue
également du modèle n°1 ;
θ:
Paramètre de volatilité ;
f1 :
Paramètre mesurant la relation de récurrence entre la variance conditionnelle à
la variance non conditionnelle de la période précédente ;
f2 :
Paramètre mesurant la relation de récurrence entre la variance conditionnelle à
celle de la période précédente ;
f3 :
Paramètre mesurant l’effet de la confiance excessive sur la variance
conditionnelle ;
f4 :
Paramètre mesurant l’effet des facteurs autres que la confiance excessive sur la
variance conditionnelle.
L’évolution de la variance conditionnelle est expliquée par l’importance des termes
d’erreur passés, le signe de ces erreurs et les variances conditionnelles retardées.
15
Les erreurs conditionnelles sont supposées suivre la loi normale.
21
L’effet asymétrique du modèle GJR-GARCH est mis en évidence par le paramètre θ de
volatilité. Les bonnes nouvelles ont un impact de f1 alors que les mauvaises nouvelles ont un
impact de f1 + θ. Ainsi, quand θ > 0, le choc négatif a un impact plus élevé sur la volatilité
conditionnelle en comparaison avec un choc positif et vice versa. Si l’hypothèse de l’effet
d’endettement est vérifiée alors on s’attend à trouver θ > 0.
Si la volatilité conditionnelle peut être expliquée par l’excès de confiance induit par l’activité
d’échange des investisseurs sujets à ce biais, alors on s’attend à ce que f3 soit
significativement différent de zéro et la mesure persistante de volatilité (f1 + f2) soit faible et
statistiquement non significative.
La valeur positive (négative) du paramètre f3 implique que la volatilité conditionnelle
augmente (diminue) de manière synchrone avec le volume de transaction lié à la confiance
excessive des intervenants sur le marché. En effet, la lecture des études portant sur la nature
de la relation entre le volume de transactions et la volatilité montre que cette relation est de
signe positif (Harris & Raviv [1993], Shalen [1993], Kandel & Pearson [1995], Karpoff
[1987]). On s’attend ainsi à ce que f3 et f4 soient positifs. Le paramètre f3 capte l’effet de
l’excès de confiance sur la volatilité alors que f4 reflète l’effet d’autres facteurs potentiels.
Si l’excès de confiance permet d’expliquer la volatilité conditionnelle, alors on s’attend à ce
que f3>f4>0 avec f3 est statistiquement significatif.
Les résultats de l’estimation du modèle (7) sont fournis par les tableaux A et B
suivants :
22
Tableau A . Effet de l’excès de confiance sur la volatilité conditionnelle des taux des rentabilités du marché
Fréquence
Journalière
Hébdomadaire
Mensuelle
*** ** *
Type
Modèle
Pondéré
AR(2)-GJR-GARCH(1,1)
Equipondéré
AR(2)-GJR-GARCH(1,1)
Pondéré
ARMA(3,3)-GJR-GARCH(1,1)
Equipondéré
ARMA(2,2)-GJR-GARCH(1,1)
Pondéré
ARMA(0,0)-GJR-GARCH(1,1)
Equipondéré
ARMA(0,0)-GJR-GARCH(1,1)
w
(t-Student)
2,61E-06
(7,5)***
6,35E-06
(11,97)***
8,96E-05
(4,34)***
1,68E-05
(1,55)
9,34E-05
(0,25)
-7,69E-05
(-1,97)**
f1
(t-Student)
0,2252
(6,92)***
0,1003
(3,52)***
0,0943
(0,99)
0,1145
(1,50)
-0,0972
(-0,68)
-0,1703
(-4,68)***
f2
(t-Student)
0,5745
(19,89)***
0,0331
(0,59)
0,0958
(1,08)
0,5691
(4,54)***
0,7608
(5,24)***
0,9264
(13,98)***
f3
(t-Student)
-0,0043
(-1,37)
0,0061
(3,51)***
0,0980
(4,38)***
-0,0048
(-0,57)
0,0868
(0,17)
0,0932
(2,88)***
f4
(t-Student)
0,0022
(7,03)***
0,0060
(8,14)***
0,0068
(1,13)
0,0054
(2,35)***
0,0294
(3,83E+99)***
0,0090
(16,64)***

(t-Student)
0,2062
(4,83)***
0,0452
(1,03)
0,6186
(3,27)***
0,0351
(0,27)
0,1996
(0,43)
0,3838
(6,56)***
F-stat
logvraisemblance (Prob)
32,52
9269,04
(0,00)***
45,09
9834,36
(0,00)***
2,97
1323,09
(0,00)***
4,64
1440,90
(0,00)***
195,56
225,63
, , : Niveaux de significativité respectivement de 1%, 5% et 10%.
Les paramètres du modèle sont estimés en utilisant l’algorithme de Berndt–Hall–Hall–Hausman.
Tableau B . Résultats du test de Wald utilisé pour examiner l’hypothèse nulle que f3 = f4.
Fréquence
Type
F-stat = Khi-deux
(Prob)
Journalière
Pondéré Equi-pondéré
0,00
4,09
(0,98)
(0,04)
Hébdomadaire
Mensuelle
Pondéré Equi-pondéré Pondéré Equi-pondéré
6,62
0,01
1,21
15,63
(0,01)
(0,91)
(0,27)
(0,00)
23
Il est intéressant d’interpréter certains changements dans les résultats dus à la
considération de la volatilité conditionnelle du marché.
Si nous considérons la dimension temporelle journalière, la rentabilité équi-pondérée du
marché parait plus cohérent avec les implications de l’hypothèse d’excès de confiance. En
effet la signification statistique du coefficient f3 conjugué avec son signe positif indique que la
volatilité conditionnelle de la rentabilité journalière équi-pondérée du marché est sujette à
l’influence du comportement de surconfiance des intervenants sur la place financière de
Tunis. Cette conclusion est tempérée par la signification statistique de f4 relative à la présence
d’autres facteurs susceptibles d’influencer la dynamique de la volatilité boursière qui persiste
et s’avère insensible à la méthode de calcul du taux de rentabilité et par l’égalité statistique
entre les deux coefficients f3 et f4. Le signe positif du coefficient θ relatif à l’effet
d’endettement et sa significativité statistique pour le cas du taux pondéré de rentabilité du
marché, prouvent le caractère asymétrique de la réponse de la volatilité conditionnelle aux
chocs.
En considérant la fréquence hebdomadaire des données et celle mensuelle, il apparaît
que l’hypothèse de surconfiance se vérifie bien respectivement pour le cas des variables
pondérées et pour le cas des variables équi-pondérées où le niveau élevé de volatilité est
expliqué par la présence des investisseurs surconfiants sur le marché. Cette constatation est
soutenue par le test de Wald rejetant l’hypothèse d’égalité des deux coefficients. L’effet
d’endettement est encore vérifié pour ce type de données (θ est positif et statistiquement
significatif).
4. Conclusion
La question fondamentale posée au début de ce travail s’attachait à une tentative
d’explication de la volatilité excessive de la rentabilité du marché sous un angle
comportemental. La confiance excessive a été avancée comme l’explication prédominante de
ce phénomène. En effet, quand les investisseurs engrangent des plus-values, leur croyance
dans leurs capacités supérieures amplifiée par le biais d’attribution les pousse à trop négocier
les titres sur les marchés. Nous avons essayé de lier la composante de l’activité d’échange des
intervenants surconfiants à la volatilité du marché. Nous avons considéré des données
pondérées et non pondérées du marché boursier tunisien pour la période janvier 1999 –
octobre 2007 et ce pour trois fréquences temporelles : journalière, hebdomadaire et mensuelle.
L’exploitation des résultats obtenus par l’ensemble des tests indique assez clairement
l’importance de considérer ce biais dans l’analyse des spécificités du marché boursier
tunisien. La volatilité observée parait bien en partie une conséquence de l’activité d’échange
des investisseurs surconfiants. Le caractère asymétrique de la dynamique de la volatilité en
réponse aux chocs positifs et négatifs est également vérifié. Un aspect intéressant révélé par
cette étude est qu’à très court terme les investisseurs se laissent guidés par leur psychologie
plus qu’ils ne le font pour des horizons temporels plus long. En effet, l’excès de confiance
admet une influence plus prononcée sur la volatilité non conditionnelle pour des intervalles
temporels journaliers par rapport à ceux hebdomadaires et mensuels.
24
Références bibliographiques
Alamagny F. (1993), “Le bruit, source de volatilité”, Cahier de Recherche, CEREG,
Université Paris-Dauphine.
Barber B. et Odean T. (2000), “Trading is hazardous to your wealth: the common stock
performance of individual investors”, Journal of Finance, 55, Pages : 773-806.
Barber B. et Odean T. (2001), “Boys will be boys: gender, overconfidence, and common
stock investment”, Quarterly Journal of Economics, 141, Pages : 261-292.
Barber B. et Odean T. (2002a), “Online investors: do the slow die first?”, Review of Financial
Studies 15, Pages : 455-487.
Barber B. et Odean T. (2002b), “All that glitters: the effect of attention and news on the
buying behavior of individual and institutional investors”, Working Paper (University
of California, Berkeley, CA).
Barberis N. et Huang M. (2001), “Mental accounting, loss aversion and individual stock
returns”, Journal of Finance, 56, Pages : 1247-1292.
Barberis N. et Thaler R. (2003), “A survey of behavioral finance”, Chapter 18, Handbook of
the Economics of Finance, Edited by G.M. Constantinides, M. Harris and R. Stulz.
Barberis N., Huang M. et Santos T. (2001), “Prospect theory and asset prices”, Quarterly
Journal of Economics, 116, Pages : 1-53.
Bekaert Geert et Wu Goujun (1997), “Asymmetric Volatility and Risk in Equity Markets”,
Stanford Business School Working Paper.
Benos A. V. (1998), “Aggressiveness and survival of overconfident traders”, Journal of
Financial Markets 1, Pages : 353-383.
Bessembinder H., Chan K. et Seguin P. J. (1996), “An empirical examination of information,
differences of opinion, and trading activities”, Journal of Financial Economics 40,
Pages : 105- 134.
Biais B., Hilton D., Mazurier K. et Pouget S. (2005), “Judgmental overconfidence, selfmonitoring and trading performance in an experimental financial market”, Review of
Economic Studies, 72, Pages : 287-312.
Black F. (1976), “Studies in stock price volatility changes”, Proceeding of the 1976 Business
Meeting and Economics Statistics Section, American Statistical Association, Pages :
177-181.
Bollerslev T et Mikkelsen H.O. (1996), «Modeling and Pricing Long Memory in Stock
Market Volatility », Journal of Econometrics, 73, Pages : 151-184.
Caballé Jordi, et Sákovics József (2003), “Speculating Against an Overconfident Market”,
Journal of Financial Markets, 6, Pages : 199-225.
Calvo Guillermo et Mendoza Enrique (1998), “Rational herd behaviour and globalization of
securities markets”, Mimeo, University of Maryland
Camerer C. (1992), “The Rationality of Prices and Volume in Experimental Markets”,
Organizational Behavior And Human Decision Processes, 51 (2), Pages : 237-272.
Campbell J. Y. et Kyle A. (1987), “Smart Money, Noise Trading, and Stock Price
Behaviour”, Mimeorgaphed, Princeton, New Jersey: Princeton University.
25
Campbell J.Y. et Hentschel L. (1992), “No news is good news: an asymmetric model of
changing volatility in stock returns”, Journal of Financial Economics, 31, Pages :
281-318.
Chari V.V. et Kehoe Patrick J. (2002), “On the Robustness of Herds”, Working Paper 622,
Federal Reserve Bank of Minneapolis
Chari V.V. et Kehoe Patrick J. (2004), “Financial Crises as Herds: Overturning the critiques”,
Journal of Economic Theory, 119, Pages : 128–150.
Choe H., Kho B.C. et Stulz, R.M. (1999), “Do foreign investors destabilize stock markets?
The Korean experience in 1997”, Journal of Financial Economics, 54, Pages : 227–
264.
Christie William G. et Huang Roger D. (1995), “Following the Pied Piper : Do Individual
Returns Herd Around the Market?”, Financial Analysts Journal, (July-August), Pages
: 31-37.
Chuang Wen-I et Lee Bong-Soo (2006), “An Empirical evaluation of the Overconfidence
Hypothesis”, Journal of Banking & Finance, à paraître
Copeland T. (1976), “A Model of Asset Trading under the Assumption of Sequential
Information Arrival”, Journal of Finance, 31, Pages : 1149-1168.
Cuthbertson Keith (2000) « Economie Financière Quantitative : Actions, Obligations et Taux
de Change », Edition Ouvertures Economiques.
Daniel K., Hirshleifer D. et Subrahmanyam A. (1998), “Investor psychology and security
market under- and overreactions”, Journal of Finance, 53, Pages : 1839-1885.
Daniel K., Hirshleifer D. et Subrahmanyam A. (2001), “Overconfidence, arbitrage and
equilbrium asset pricing”, Journal of Finance, 56, Pages : 921-965.
De Bondt W. et Thaler R. (1985), “Does the stock market overreact?”, Journal of Finance,
40, Pages : 793-808.
De Long J.B., Shleifer A., Summers L. et Waldmann R., (1990a), “Noise trader risk in
financial markets”, Journal of Political Economy 98, Pages : 703-738.
De Long J.B., Shleifer A., Summers L. et Waldmann R., (1990b), “Positive feedback
investment strategies and destabilizing rational speculation”, Journal of Finance, 45,
Pages : 375-395.
Diebold F. X. (1986), “Comment on modelling the persistence of conditional variance”,
Econometric Review, 5, 51-56.
Eichengreen B., Mathieson D., Chadha B., Jansen L., Kodres A. and Sharma S. (1998),
“Hedge Funds and Financial Market Dynamics,” Occasional Paper N°166,
Washington D.C. : International Monetary Fund.
Eichengreen B., Mathieson D., Chadha B., Jansen L., Kodres A. et Sharma S. (1998), “Hedge
Funds and Financial Market Dynamics,” Occasional Paper N°166, Washington D.C. :
International Monetary Fund.
Fama E. (1998), “Market efficiency, long-term returns and behavioral finance”, Journal of
Financial Economics, 49, Pages : 283-.307.
Fenton O. M., Nicholson N., Soane E. et Willman P. (2005), «Traders : risks, decisions and
management in financial markets», Oxford : Oxford University Press.
26
French K., Schwert G. et Stambaugh R. (1987), “Expected stock returns and volatility,”
Journal of Financial Economics, 17, Pages : 5-26.
Gallant A.R., Rossi P.E. et Tauchen G. (1992), “Stock prices and volume”, Review of
Financial Studies, 5, Pages : 199–242.
Gervais S. et Odean T. (2001), “Learning to be overconfident”, Review of Financial Studies,
14, Pages : 1-27.
Gervais S., and Odean T. (2001), «Learning to be overconfident», Review of Financial
Studies, 14, Pages : 1-27.
Glosten L.R., Jagannathan R. et Runkle D. (1993), “On the relation between the expected
value and the volatility of the nominal excess return on stocks”, Journal of Finance,
48, Pages : 1779-1801.
Griffin D. et Tversky A. (1992), «The weighing of evidence and the determinants of
confidence», Cognitive Psychology, 24, Pages : 411-435.
Grossman S.J. et Shiller R.J. (1981), “The determinants of the variability of stock prices”,
American Economic Review,71, Pages : 222-227.
Harris M. et Raviv A. (1993), «Differences of Opinion Make a Horse Race», Review of
Financial Studies, 6, Pages : 473-506.
Hiemstra C., Jones J.D. (1994), “Testing for linear and nonlinear Granger causality in the
stock price–volume relation”, Journal of Finance, 49, Pages : 1639–1664.
Hirshleifer D. et Luo G. Y. (2001), “On the survival of overconfident traders in a competitive
securities Market”, Journal of Financial Markets, 41, Pages : 73-84.
Jennings R., Starks L. et Fellingham J. (1981), “An Equilibrium Model of Asset Trading with
Sequential Information Arrival”, Journal of Finance, 36, Pages : 143-161.
Jones C.M., Kaul G. et Lipson M.L, (1994), “Transactions, volume, and volatility”, Review of
Financial Studies, 7, Pages : 631-651.
Kahneman D., Slovic P. et Tversky A. (1982), “Judgment Under Uncertainty : Heuristics and
Biases”, Cambridge University Press, eds (1982).
Kandel E. et Pearson N. (1995), “Differential interpretation of public signals and trade in
speculative markets”, Journal of Political Economy, 103, Pages : 831-872.
Karpoff J. (1987), “The relation between price changes and trading volume : A survey,”
Journal of Financial and Quantitative Analysis, 22, Pages : 109-126.
Keynes J. M.(1936), «Théorie générale de l'emploi, de l'intérêt et de la monnaie », Ouvrage
téléchargeable à partir du site :
http://www.uqac.uquebec.ca/zone30/Classiques_des_sciences_sociales/classiques/key
nes_john_maynard/theorie_gen_emploi/theorie_emploi.html
Kim D. et Kon S.J. (1994), “Alternative models for the conditional heteroscedasticity of stock
returns”, Journal of Business, 67, Pages : 563-598.
Kyle A.S. et Wang F.A. (1997), “Speculation duopoly with agreement to disagree: Can
overconfidence survive the market test?”, Journal of Finance, 52, Pages : 2073-2090.
Lakonishok J., Shleifer A. et Vishny R. W. (1992), "The Impact of Institutional Trading on
Stock Prices", Journal of Financial Economics, 32(1), Pages : 23-43.
27
Lamoureux C. G. et Lastrapes W. D. (1990), “Heteroskedasticity in stock return data :
Volume versus GARCH effects”, Journal of Finance, 45, pages : 221-229.
Lee In Ho (1998), “Market Crashes and Informational Avalanches”, Review of Economic
Studies, 65, Pages : 741-759.
Lo A. et Wang J. (2000), “Trading Volume: Definitions, Data Analysis, and Implications of
Portfolio Theory,” The Review of Financial Studies, 13, Pages : 257-300.
Marteau D. (1999), « La volatilité », Banque & Marchés, 40, Pages : 60-63.
Nelson D.B. (1991), “Conditional heteroskedasticity in asset returns: A new approach”,
Econometrica, 59, Pages : 347-370.
Nofsinger John R. et Sias Richard W. (1999), “Herding and Feedback Trading by Institutional
Investors”, Journal of Finance, 54, Pages : 2263-2316.
Odean T. (1998a), “Volume, volatility, price, and profit when all traders are above average,”
Journal of Finance, 53, Pages : 1887-1934.
Odean T. (1998b), “Are investors reluctant to realize their losses?”, Journal of Finance, 53,
Pages : 1775-1798.
Odean T. (1999), “Do investors trade too much?”, American Economic Review, 89, Pages :
1279-1298.
Oehler Andreas et Chao George Goeth-Chi (2002), “Institutional Herding in Bond Markets”,
Working Paper, Bamberg university, SSRN.
Orléan André (1995), “Bayesian interactions and collective dynamics of opinion : Herd
behavior and mimetic contagion”, Journal of Economic Behavior & Organization, 28,
(2), (October), Pages : 257-274
Orléan André (2001), “Psychologie des marchés. Comprendre les foules spéculatives », in
Gravereau J. et J. Trauman (éds.), Crises financières, Paris, Economica, Pages : 105128.
Pindyck Robert S. (1984), “Risk, Inflation, and the Stock Market,” American Economic
Review, 74, Pages : 334-351.
Sauvage Gérard (1999), “Les marchés financiers entre hasard et raison : le facteur humain”,
Ed. Seuil (314 pages).
Scheinkman J., et Xiong W. (2003), “Overconfidence and speculative bubbles”, Working
Paper.
Schwert G.W. (1989), “Why does stock market volatility change over time?”, Journal of
Finance, 44, Pages : 1115–1153.
Schwert G.W. (1990), “Stock volatility and the crash of 87”, Review of Financial Studies 2,
Pages : 77-102.
Scott J., Stumpp M. et Xu P. : (1999), « Behavioral Bias, Valuation and Active Management
», Financial Analysts Journal, July/August 1999.
Sentana E. (1991), “Quadratic ARCH models: a potential re-interpretation of ARCH models”,
Working Paper, London School of Economics.
Shalen C.T. (1993), “Volume, volatility, and the dispersion of beliefs”, Review of Financial
Studies, 6, 405–434.
28
Shapira Z. (2001), «Aspiration levels and risk taking : by government bonds traders», New
York University Working paper.
Shiller Robert J. (1981), “Do stock prices move too much to be justified by subsequent
changes in dividends?”, American Economic Review, 71, pages : 421.436.
Shiller Robert J. (1984), “Stock price and social dynamics”, Brookings Papers on Economics
Activity, 2, Pages : 457-510.
Shiller Robert J. (1989), “Investor Behavior in the October 1987 Stock Market Crash : Survey
Evidence”, in : Market Volatility, London : MIT Press, Pages : 379-402.
Shiller Robert J. (2000), “Irrational Exuberance”, Princeton University Press, NJ.
Shleifer A. (2000), “Inefficient markets: An introduction to behavioral finance”, Oxford
University Press.
Shleifer A. et Summers L. H. (1990), « The Noise Trader Approach to Finance », Journal of
Economic Perspectives, 4 (2), Pages : 19-33.
Spieser Philippe (2000), « Information économique et marchés financiers », Edition
Economica (358 pages).
Statman M., Thorley S. et Vorkink K. (2004), «Investor Overconfidence and Trading
Volume», Working paper Santa Clara University's Leavey School of Business.
Statman M., Thorley S. et Vorkink K. (2006), “Investor Overconfidence and Trading
Volume", Review of Financial Studies, 19, Pages : 1531-1565.
Stock J.H. (1987), “Measuring business cycle time”, Journal of Political Economy, 95, Pages
: 1240-1261.
Stock J.H. (1988), “Estimating continuous-time processes subject to time deformation”,
Journal of the American Statistical Association, 83, Pages : 77-85.
Stracca Livio (2004), « Behavioral Finance and Asset Prices : Where Do We Stand? »,
Journal of Economic Psychology, 25(3), Pages : 373-405.
Taylor S. (1986), « Modeling Financial Time Series », Wiley Chichester.
Taylor S. et Brown J. (1988), « Illusion and well-being: A social psychological perspective on
mental health». Psychological Bulletin, 103(2), (March), Pages : 193–210.
Thaler R. H. et Johnson E. J. (1990), « Gambling with the house money and trying to break
even : the effects of prior outcomes on risky choice », Management Science, 36 (6),
Pages : 643-560.
Topol R. (1991), “Bubbles and volatility of stock prices : Effect of mimetic contagion”,
Economic Journal 101 (july), Pages : 786–800.
Tvede Lars (2002), “The Pschology of Finance”, John Wiley & Sons Ltd.
Wang F. A. (2001), “Overconfidence, investor sentiment, and evolution”, Journal of
Financial Intermediation 10, Pages : 138-170.
Wang F.A. (1998), “Strategic trading, asymmetric information and heterogeneours prior
beliefs”, Journal of Financial Markets, 1, Pages : 321-352.
Whitelaw Robert F. (2000), “Stock market risk and return : an equilibrium approach”, Review
of Financial Studies, 13 (3), Pages : 521-547.
29
Zakoian J.M. (1994), “Threshold heteroskedastic models”, Journal of Economic Dynamics
and Control, 18, Pages : 931-955.
30
ANNEXES
Figure 1 . Graphiques des évolutions des taux des rentabilités et des taux de rotation pondéré et
non pondéré du marché
(Période : 04 janvier 1999 – 31 décembre 2007)
(Fréquence : journalière, hebdomadaire et mensuelle)
0.04
0.03
0.02
0.02
0.00
0.01
-0.02
0.00
-0.04
-0.01
-0.06
-0.08
1/04/99
12/04/00
11/04/02
10/04/04
-0.02
1/04/99
9/04/06
12/04/00
11/04/02
RJP
10/04/04
9/04/06
RJE
Rentabilité journalière pondérée
0.10
Rentabilité journalière équi-pondérée
0.06
0.04
0.05
0.02
0.00
0.00
-0.05
-0.02
-0.10
-0.04
50
100
150
200
250
300
350
400
450
50
100
150
200
RHP
250
300
350
400
450
RHE
Rentabilité hebdomadaire pondérée
Rentabilité hebdomadaire équi-pondérée
0.25
0.20
0.20
0.15
0.15
0.10
0.10
0.05
0.05
0.00
0.00
-0.05
-0.05
-0.10
-0.10
99
00
01
02
03
04
05
06
07
RMP
Rentabilité mensuelle pondérée
99
00
01
02
03
04
05
06
07
RME
Rentabilité mensuelle équi-pondérée
31
0.020
0.010
0.015
0.008
0.006
0.010
0.004
0.005
0.002
0.000
1/04/99
12/04/00
11/04/02
10/04/04
0.000
1/04/99
9/04/06
12/04/00
11/04/02
VJP
10/04/04
9/04/06
VJE
Taux de rotation journalier pondéré
0.025
Taux de rotation journalier équi-pondéré
0.016
0.020
0.012
0.015
0.008
0.010
0.004
0.005
0.000
0.000
50
100
150
200
250
300
350
400
450
50
100
150
200
250
VHP
300
350
400
450
VHE
Taux de rotation hebdomadaire pondéré
Taux de rotation hebdomadaire équi-pondéré
0.04
0.04
0.03
0.03
0.02
0.02
0.01
0.01
0.00
0.00
99
00
01
02
03
04
05
06
07
VMP
Taux de rotation mensuel pondéré
99
00
01
02
03
04
05
06
07
VME
Taux de rotation mensuel équi-pondéré
32
Tableau N°1 . Statistiques descriptives des taux pondérés et équi-pondérés des rentabilités de marché
Pondéré
Equipondéré
Fréquence
Moyenne
Médiane
Ecart
type
Journalière
0.000439
0.000119
0.004910
Hébdomadaire
0.002326
0.001216
0.014900
Mensuelle
0.010395
0.002468
0.041627
Journalière
0.000351
0.000120
0.003679
Hébdomadaire
0.001796
0.001205
0.011368
Mensuelle
0.008301
0.003764
0.032794
Max
(date)
0.028134
(02/02/1999)
0.082172
(24/02/1999)
0.207778
(02/1999)
0.022000
(31/10/2003)
0.057765
(03/02/1999)
0.157384
(02/1999)
Min
(date)
-0.068037
(27/04/2001)
-0.075736
(02/05/2001)
-0.072930
(04/2002)
-0.013827
(20/06/2000)
-0.030196
(21/06/2000)
-0.055077
(10/2002)
Skewness
Kurtosis
-1.721477
29.68423
0.605992
8.842365
1.689777
7.980655
0.518236
6.146704
0.620596
5.178017
1.193971
6.355223
Jarque-Bera
(Prob)
69464.43
(0.00)
682.3742
(0.00)
160.0084
(0.00)
1053.241
(0.00)
120.4494
(0.00)
74.90574
(0.00)
Nombre
d’observations
2303
460
106
2303
460
106
Tableau N°2 . Statistiques descriptives des taux pondérés et équi-pondérés de rotation de marché
Pondéré
Equipondéré
Fréquence
Moyenne
Médiane
Ecart
type
Journalière
0.000506
0.000343
0.000775
Hébdomadaire
0.002535
0.001942
0.002150
Mensuelle
0.010729
0.008701
0.006167
Journalière
0.000625
0.000439
0.000711
Hébdomadaire
0.003123
0.002511
0.002199
Mensuelle
0.013507
0.012057
0.007201
Max
(date)
0.019704
(25/12/2002)
0.021969
(25/12/2002)
0.032426
(12/2002)
0.009903
(11/05/2006)
0.014196
()01/09/1999
0.038235
(10/1999)
Min
(date)
0.000000
(18/01/1999)
0.000324
(09/11/2005)
0.002867
(11/2002)
0.000000
(18/01/1999)
0.000301
(09/11/2005)
0.003575
(08/2003)
Skewness
Kurtosis
11.57134
219.8245
3.863317
28.34452
1.256119
4.459610
5.342061
52.53361
1.673442
6.631542
1.014713
3.769184
Jarque-Bera
(Prob)
4562671
(0.00)
13455.87
(0.00)
37.28461
(0.00)
246395.0
(0.00)
467.4698
(0.00)
20.80344
(0.00)
Nombre
d’observations
2303
460
106
2303
460
106
33
Tableau N°3 . Décomposition du volume de transactions du marché et extraction de la
composante liée à l’excès de confiance
Modèle : Vt =  +
K
b
j1
j
R t  j + εt
K
Vt = [
b
j1
j
R t  j ] + [ + εt]
Vt = Excès de confiance t + Non excès de confiance t
Type

b1
b2
0,0005***
0,0130***
0,0029
Pondéré
Journalière
0,0006***
0,0236***
0,0021
Equi-pondéré
0,0024***
0,0182***
0,0133**
Pondéré
Hébdomadaire
***
***
0,0029
0,0418
0,0164*
Equi-pondéré
***
**
0,0105
0,0272
Pondéré
Mensuelle
0,0131***
0,0586***
Equi-pondéré
*** ** *
, , : Niveaux de significativité respectivement de 1%, 5% et 10%.
Fréquence
b3
0,0058*
0,0136***
0,0139**
0,0348***
b4
0,0060*
0,0137***
F-statistique
8,23***
21,61***
6,75***
21,22***
3,6421**
8,0062***
Tableaux N°4 . Effet de l’excès de confiance sur la volatilité des taux des rentabilités du
marché
Modèle (1) : Rt=  +  Excès de confiancet + εt
Fréquence
Journalière
Hébdomadaire
Mensuelle
Type
Pondéré
Equi-pondéré
Pondéré
Equi-pondéré
Pondéré
Equi-pondéré

0,0032***
0,0026***
0,0098***
0,0084***
0,0261***
0,0238***

4,4896***
1,8328***
3,4672***
1,0975**
3,9967
0,2539
F-statistique
29,26***
21,82***
8,98***
5,62**
1,98
0,04
Modèle (2) : Rt2 =  +  Excès de confiance t + εt
Type


2,38E-05***
0,042
Pondéré
Journalière
1,32E-05***
0,0259***
Equi-pondéré
***
0,0002
0,1970***
Pondéré
Hébdomadaire
***
0,0001
0,0549***
Equi-pondéré
***
0,0017
0,4660
Pondéré
Mensuelle
0,0011***
0,0767
Equi-pondéré
*** ** *
, , : Niveaux de significativité respectivement de 1%, 5% et 10%.
Fréquence
F-statistique
2,11
29,22***
8,67***
10,71***
1,09
0,28
Tableaux N°5 . Effet de la volatilité de l’excès de confiance sur la volatilité des taux des
rentabilités du marché
Modèle (1) : Rt=  +  Excès de confiance t+ εt
Fréquence
Journalière
Hébdomadaire
Mensuelle
Type
Pondéré
Equi-pondéré
Pondéré
Equi-pondéré
Pondéré
Equi-pondéré

0,0023***
0,0020***
0,0072***
0,0063***
0,0264***
0,0265***

14,8655***
6,2864***
9,1898***
3,8452***
1,1300
-1,8417
F-statistique
192,58***
123,44***
34,61***
33,78***
0,09
1,21
34
Modèle (2) : Rt2 =  +  Excès de confiancet2 + εt
Type


2,12E-05***
367,8163***
Pondéré
Journalière
***
1,02E-05
186,1497***
Equi-pondéré
***
0,0001
345,5645***
Pondéré
Hébdomadaire
***
8,86E-05
70,9306***
Equi-pondéré
***
0,0018
-34,1710
Pondéré
Mensuelle
0,0012***
-21,7150
Equi-pondéré
*** ** *
, , : niveaux de significativité respectivement de 1%, 5% et 10%.
Fréquence
F-statistique
19,80***
134,45***
28,7724***
45,29***
0,06
0,57
35