Analyse d'événement et dépendances temporelles des rentabilités boursières

Dans ce travail, nous étudions les différentes techniques d'analyse d'événement. Ce type d'analyse consiste en la comparaison entre le comportement des rentabilités boursières de la firme ayant subi un événement et le comportement de ces mêmes rentabilités en l'absence d'événement. La difficulté principale réside dans le fait que ce deuxième type de rentabilités n'est pas directement observable. Par conséquent, il s'agit de modéliser la dynamique des rentabilités boursières. C'est pourquoi nous nous attachons à présenter les modèles et les tests statistiques développés et utilisés au cours des trente dernières années. Cette thèse analyse plus particulièrement trois aspects destinés à prendre en compte les dépendances temporelles des rentabilités boursières. Sur le long terme (3 à 5 ans), nous nous montrons que les techniques d'analyse d'événement sont perturbées par les phénomènes d'autocorrélations linéaires caractéristiques du momentum. Dans ce contexte, nous suggérons l'emploi de critères d'appairage de la firme subissant l'événement avec une firme non-événement. Ces critères doivent être choisis en fonction des différences entre l'échantillon événement et la population et doivent en particulier tenir compte de la performance passée des firmes. Sur le court terme (rentabilité journalière et hebdomadaire), nous nous attachons à modéliser l'hétéroscédasticité conditionnelle. Pour ce faire, nous employons des modèles GARCH. A l'aide de simulation de Monte Carlo et sur données réelles, nous montrons qu'une modélisation de l'hétéroscédasticité conditionnelle permet d'accroître la capacité de détection de l'impact d'un événement. Par ailleurs, nous introduisons un modèle à variables muettes permettant la mesure directe et le test des rentabilités anormales cumulées. Enfin, nous étudions l'impact de l'hétéroscédasticité conditionnelle sur les méthodes de détection des sauts de variance. Ce contexte correspond à une analyse d'événement inverse puisqu'un saut détecté est toujours imputé à un événement. Nous montrons en particulier que l'une des méthodes principales, l'algorithme ICSS, est incapable de distinguer l'hétéroscédaticité conditionnelle de l'hétéroscédasticité inconditionnelle. Par conséquent, nous proposons une nouvelle méthode en deux passes dont les résultats sur données simulées et sur un échantillon de marchés émergents se révèlent très satisfaisants.

Thèse de doctorat : Université de Neuchâtel, 2001 ; 1706