Dans un deuxième temps, nous vérifions si l’impact de la liquidité sur les rendements est le même selon le cycle économique. Nous sélectionnons d’une part, les observations pour lesquelles le marché est en phase d’expansion (panel A), et d’autre part, les observa- tions pour lesquelles le marché est en phase de récession (qui inclut la crise des subprimes de 2008, et la crise de la dette européenne de 2010-2011) (panel B). Les coefficients pour les périodes d’expansion et les périodes de contraction sont estimés séparément, et sont donnés respectivement dans les tableaux 2.9 et 2.10.
Il parait évident que le niveau de la liquidité est statistiquement significatif, quel que soit le cycle économique. La variabilité de la liquidité est généralement plus importante durant la phase de la récession. Les coefficients relatifs à la liquidité sont positifs (négatifs) en période d’expansion (récession) du marché français, la liquidité a donc un impact positif (négatif) sur les rendements des actifs. Ces résultats viennent étayer les travaux de Pástor et Stambaugh, (2003)[279], Hameed et al. (2010)[164], et Anthonisz et Putnins (2014)[23]).
Régression effets fixes observations/groupe= 1576 Nbre des observations = 58312 Nombre des groupes = 37 j= Roll Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante .0000384 .0001089 0.35 0.724 -.000175 .0002519 Illiq .0291235 .0079547 3.66 0.000 .01335324 .0447147 Rm .926763 .0048184 192.34 0.000 .9173189 .936207 j= HL Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante -.0010291 .0001169 -8.80 0.000 -0012583 -.0008 Illiq .064933 .0047304 13.73 0.000 .0556615 .0742045 Rm .9285055 .0048092 193.07 0.000 .9190794 .9379315 J= CS Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante -.0005746 .000075 -7.66 0.000 -.0007216 -.0004276 Illiq .0702384 .0036834 19.07 0.000 .0630189 .0774579 Rm .925715 .004802 192.78 0.000 .916303 .935127
Table 2.9 – Régression panel A entre les rendements et la liquidité sur les périodes de crois- sance.
Régression effets fixes observations/groupe = 1173
Nbr observations = 43401 Nombre des groupes = 37
j = Roll Coefficient Ecart-type t stat P | t | [ 95% Intervalle] Constante .0017606 .0003462 5.09 0.000 .0010579 .0024634 LIQ -.1579871 .020761 3.66-7.61 0.000 -.200134 -.1158399 Rm .9966265 .004710 211.60 0.000 .987394 1.005858 j = HL Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante .0008407 .0001638 5.13 0.000 .0005198 .0011617 LIQ -.0247526 .0047095 -5.26 0.000 -.0339832 -.0155219 Rm .9940354 .0047338 209.99 0.000 .9847572 1.003314 j = CS Coefficient Ecart-type t stat P | t | [ 95% Intervalle]
Constante .0003525 .0003045 1.16 0.255 -.0002657 .0009707 LIQ -.0592444 .0146392 -4.05 0.000 -.0889635 -.0295253 Rm .9964614 .0047135 211.41 0.000 .9872228 1.0057
Table 2.10 – Régression panel B entre les rendements et la liquidité sur les périodes de récession.
Plusieurs interprétations de ces résultats mitigés sont possibles : en période d’expan- sion, les investisseur, préoccupés principalement par la rentabilité, exigent une compensa- tion supplémentaire pour un actif moins liquide, comme le notent Amihud et Mendelson (1986)[13]. De surplus, les investisseurs, trop confiants au regard des rendements passés, ont tendance à augmenter leur volume de transaction. En conséquence, les actions sont surévaluées, en particulier les actifs les moins liquides, de sorte que la liquidité a un effet positif sur les rendements.
En revanche, en période de turbulence sur le marché, la liquidité a un impact négatif sur les rendements. Cet impact est beaucoup plus prononcé (β = -0.15 pour la mesure
de Roll). En effet, les investisseur, préoccupés principalement par la liquidité, se préci- pitent pour vendre certains de leurs actions, pour répondre à des appels de marge ou pour déplacer leurs portefeuilles d’actions vers des titres plus liquides (les investisseurs accep- teront un titre qui a un rendement espéré plus faible mais une liquidité plus élevée). Cette course à la liquidité et la méfiance des investisseurs provoquent une baisse des prix des actifs en dessous de leur valeur fondamentale. Ces résultats sont conformes avec ceux de Acharya et Pedersen (2005)[3], Liu(2006)[240], Pastor et Stambaugh (2003)[279] et chang et al(2010)[86] .
Dans l’ensemble, cette étude menée en utilisant les mesures de la fourchette bid-ask comme indicateur de la liquidité attestent de l’effet de la liquidité sur les rendements. Cependant, ces résultats montrent que l’effet du risque de liquidité sur les rendements des actifs n’est pas identique selon que les marchés soient haussiers ou baissiers.
Il faut souligner toutefois que les effets des facteurs risque de marché et risque de liquidité s’imbriquent parfois, ce qui peut introduire un biais dans l’estimation comme le soutient Roll (1988)[292]. Cela nécessite une meilleure approche de la liquidité qui permet de bien dissocier les deux facteurs de risque.
4
L’étude de la cointégration et de la causalité
Dans cette section, nous nous intéressons à la dynamique de la dépendance ainsi qu’à la causalité entre la liquidité du marché et les rendements sur le marché boursier français sur la période Janvier 2007- Décembre 2018. Pour ce faire, nous utilisons le modèle vecteur autorégressif (VAR) le test de causalité de Granger. En fait, peu de travaux de recherche ont été réalisés sur la relation de court terme et de long terme ainsi que sur le lien de causalité entre la liquidité et les rendements, encore moins pour le cas de l’indice CAC 40.
À l’aide de la modélisation économétrique, notre objectif est de :
— identifier la relation à court et à long terme entre la liquidité et les rentabilité. — reconnaître le lien de causalité entre la liquidité et les rendements.
En effet, connaître le sens de ce lien de causalité (si tant est qu’il existe) est primordial. Par exemple, la liquidité peut avoir un impact sur les rendements via une prime qui corres- pond à des coûts de transaction plus élevés (Amihud et Mendelson, 1986)[13]. Toutefois, les rendements peuvent également influer sur le comportement futur des marchés, ce qui peut également affecter la liquidité.
Du moment que la liquidité est une notion qui mêle à la fois (i) des considérations de coûts, (ii) des considérations de volume, et (iii) des considérations temporelles, nous utili- sons, dans cette étude, six différentes mesures de la liquidité, pour analyser la dépendance entre de la liquidité et les rendements de l’indice du marché français CAC40. D’une part, la plupart des études empiriques utilisent une seule mesure de liquidité. Or, cela présente des limites comme l’indique Hasbrouck(2005)[169], et Goyenko et al. (2009)[157]. D’autre part, cette étude concerne la période 2007-2018 incluant les trois crises de liquidité : la crise des Subprimes de 2008, la crise de la dette de 2011, et plus récemment la récession de 2016. Cela permettrait d’examiner comment la liquidité oscille en période de calme et comment la liquidité évolue en cas de chocs violents sur le marché.
La modélisation VAR a été utilisées dans de nombreuses travaux sur la liquidité. Lo et Hall (2015)[243], par exemple, utilisent le modèle VAR pour analyser la résilience à court terme de la liquidité sur le marché australien. Kapingura et Ikhide (2011)[208] utilisent le modèle vectoriel à correction d’erreur (VECM) pour analyser les principaux détermi- nants de la liquidité du marché obligataire sud-africain. Ils démontrent, via la fonction de réponse impulsionnelle et la décomposition de la variance du VECM, que les innovations sur l’indice de marché, le volume des transactions et la volatilité ont un impact sur la liquidité du marché des obligations. Burton (2017)[74] utilise également le VECM pour estimer la dynamique de la liquidité mesurée par la fourchette bid-ask.