Projet SAS_Evaluation l'efficacite du marche boursier au vietnam

MASTER ECONOMIE MONETAIRE ET FINANCIERE

PROJET SAS

Evaluation l’efficacité du marché boursier vietnamien

Professeur : Charlotte de Lorgeril

Etudiant : Thu-Phuong Do

1

Résumé

Ce projet vise à étudier l’efficience informationnelle du marché boursier vietnamien depuis sa créationen 2000 jusqu’à maintenant. Les statistiques et les tests économétriques réalisés sur les rendements enlogarithme tous suggèrent que le rendement passé a certain impact sur celui au courant. Autrement dit,le marché boursier vietnamien n’est pas efficace, même sous forme faible.

Donnée : l’indice de prix VNIndex au 28 juillet 2000 au 29 mars 2013.

1- Introduction

La théorie de l’efficience des marchés financiers (HEM théorie) est beaucoup traitée depuis les annéessoixante. Eugene Fama se débat dans sa thèse que dans un marché actif, y compris les investisseursinformés et rationnels, le prix d’actif reflète correctement toutes les informations disponibles. End’autres termes, l’enjeu HEM suggère que les investisseurs ne peuvent pas surperformer le marché.Dans ce projet, je n’aborde que l’efficience informationnelle du marché.

Il existe de différentes formes de l’efficience informationnelle. Dans le marché efficient de type faible,les cours des titres reflètent tout ce qu’on peut déduire de leur historique. Dans le marché de formesemi-forte, on prétend que les cours réagissent instantanément aux informations publiques, quelles quesoit au niveau macro comme les indicateurs économiques et financiers ou au niveau micro comme lesrésultats de l’entreprise. Enfin, le marché atteint la forme forte quand toutes les informations privéessont également reflétées dans le cours du titre.

Comme les autres pays en voie de développement, le Vietnam cherche à accéder au marché financiermondial par la création de la bourse à Hochiminh Ville (HoSE) en 2000, et puis celle à Hanoi (HNX) en2005. D’ores et déjà, très peu études dans ce domaine ont été consacrées au marché boursier duVietnam. Deux études significatives1 dans ce thème tous concluent que le marché boursier vietnamienn’atteint pas la forme faible. Toutefois, les deux travaux utilisent la base de données avant 2008 – datede déclenchement de la crise financière mondiale.

L’objectif de ce travail est d’étudier l’efficience informationnelle de la bourse vietnamienne en prenanten compte le contexte actuelle de la crise.

2- Méthodologies

Les tests d’efficience informationnelle sont réalisés sur les rendements de l’indice boursier représentatifdu marché vietnamien VNIndex du 28 juillet 2000 au 29 mars 20132 s’agissant de 2993 observations

1 Trung-Thanh LE (2009), « Améliorer les mécanismes de surveillance de transactions des valeurs mobilières sur lemarché boursier vienamnien », Travail de recherche scientifique du Ministère

Anh-Tuan DANG (2010), « Développement du marché des capitaux au Vietnam », Thèse de doctorat ESEN Hanoi

2 Source : http://www.cophieu68.com/

2

quotidiennes (cf. Annexe1). Cet indice, calculé par la « State Securities Commission » est la moyennepondérée par le nombre de transactions de toutes les valeurs cotées en HoSE.

Les rendements ont calculés selon la formule :

Rndt = ln (Indice t/Indice t-1)

Afin d’approfondir l’étude, la population est divisée en deux échantillons grâce à l’événement del’inauguration de la bourse à Hanoi le 13 juillet 2005. Cet événement marque l’évolution importante dumarché financier au Vietnam.

Dans un premier temps, j’effectuerai les statistiques descriptives et l’observation graphique des sériesde rendements pour retirer le jugement initial. Dans le deuxième temps, je ferai les testséconométriques pour confirmer le jugement.

Le modèle économétrique pour tester cette forme se base sur la théorie de marche au hasard3. Lerendement de l’indice boursier pour le marché de forme l’efficience faible satisfait deux critères : (1) lanormalité de la distribution de rendements, (2) l’aléatoire avec dérive de la série (ou non-stationnarité).

L’aléatoire est réalisé par le « Runs test » ou Wald–Wolfowitz test4. La stationnarité de la série est faiteen utilisant le test de racine unitaire par la méthode proposée par Dicky-Fuller5 et le corrélogramme.

3- Statistiques descriptives

Crée après la crise économique asiatique en 1997, la bourse vietnamienne n’est pas influencée par lesimpacts négatifs à cause des flux de capitaux. Le graphique (cf. Annexe 2) nous montre que l’indiceVNIndex fluctue largement, notamment pendant la période 2006 – 2009. L’année 2007 marque uneévolution remarquable du marché boursier vietnamien suite à la bonne conjoncture macroéconomique.L’indice atteignait le niveau record de 1170 points le 12 mars 2007. Et pourtant, certains investisseurscraignent que cette forte augmentation soit l’effet d’une bulle spéculative. En fait, au milieu de la crisefinancière mondiale, l’indice VNIndex chute fortement à l’ordre 235 points le 24 février 2009, soitenviron 80% pendant deux ans. A partir de l’année 2010 jusqu’à présent, l’indice fluctue autour duniveau 500 points. A cause de cette forte volatilité, on doute de l’efficience du marché.

3 La théorie de marche au hazard (ou « Random Walk Theory ») dit que dans un marché efficient, l’évolution desprix sont indépendante des prix passés. Il est totalement impossible de prévoir les prix futurs car ils sont aléatoires.

4 Dans le cadre de « Runs test », la nulle hypothèse est que la série étudiée est aléatoire. Le nombre de « runs » estune variable aléatoire dont la distribution est conditionnelle sachant le nombre de valeurs positives et de valeursnégatives.

5 Le test de non stationnarité largement utilisé est le test de racine unitaire proposé par Dickey et Fuller en 1979.L’hypothèse nulle est la présence de racine unitaire, soit la non-stationnarité de type stochastique.

3

Tableau 1: Les statistiques descriptives

Population Echantillon 1 Echantillon 2Moyenne 0.00053184 0.00085162 0.00035252Médian 0.000000 0.000000 0.000356Mode 0.000000 0.000000 0.000000Skew -0.1894436 -0.5270584 -0.0392263

Kurtosis6 2.26890342 6.63142128 0.53418339Source : Récapitulatif des résultats obtenus par la procédure « proc means » dans le programme SAS

Selon les résultats présentés dans le tableau 1, on voit que les trois séries sont des séries centréesréduites fluctuant autour la valeur moyenne de zéro. Une série suivant la distribution normale a lekurtosis de l’ordre 3 (ou l’excess kurtosis de l’ordre zéro) et le coefficient d’asymétrie nul. Dans ce cas, leskew négatif signifie qu’il y a plus de valeurs négatives que valeurs positives, c’est-à-dire, plus deprobabilité de perte que de gain. Quant au kurtosis, il existe l’hétérogénéité parmi les trois séries, maistoutes les trois ne suivent pas parfaitement la loi normale. Or, on constate également que le coefficientd’asymétrie et l’excess kurtosis pour l’échantillon 2 s’approche du niveau d’une distribution normale.Ces statistiques impliquent que les rendements de l’échantillon 2 repatinent plus uniformément que lesdeux autres (cf. Annexe 5). En effet, la représentation graphique confirme mon observation (cf. Figure 3,Annexe 6).

4- Tests économétriques

a. Test de racine unitaire

La stationnarité d’une série est confirmée selon le test de racine unitaire, notamment le test Dickey-Fuller avec l’hypothèse nulle et l’hypothèse alternative comme suit :

H0 : La série a une racine unitaire

H1 : La série n’a aucune racine unitaire

D’après la théorie de marche au hasard, le marché de forme faible suit la marche aléatoire avec dérive.Autrement dit, la série de rendements a une racine unitaire. Effectuant le test Dickey-Fuller de l’ordre de4 retards pour trois séries, on obtient la P-value de 0,0000631338, 0,0000645404, 0,00006357217

respectivement. Sachant que la P-value est inférieure au niveau de confiance α = 1%, on refuse la nullehypothèse. Les séries sont stationnaires, donc les rendements sont prévisibles. Cela implique que lemarché boursier n’atteint pas la forme faible selon la théorie EMH.

6 Il s’agit de l’excess kurtotis

7 Résultats obtenus par le macro %dftest inclut dans le logiciel SAS

4

b. Le « Runs test »

Le « Runs test » est utilisé pour tester l’aléatoire d’une série dont le critère critique (Test value) est soitla moyenne, le médian soit le mode. Etant donné que les trois séries ont ces trois valeurs nulles sauf lamoyenne (presque nulle), je choisis la seule valeur critique nulle pour utiliser dans le test. L’hypothèsenulle est que la série étudiée est aléatoire.

Tableau 2: Les résultats de « Runs test » sur 3 séries

Population Echantillon 1 Echantillon 2Test value 0 0 0

Cases >= Test value (n) 1487 513 974Cases < Test value (m) 1453 527 926Nombre de « runs » 1124 338 786

Z -12.7959 -11.3509 -7.54971Source : Récapitulatif des résultats obtenus par le macro %run_test écrit dans le programme SAS

Dans tous les trois tests, on voit que la valeur absolue de Z est supérieure de 1,96 au niveau deconfiance α = 5%. On refuse l’hypothèse nulle, ainsi la série de rendements de l’indice VNIndex n’est pasaléatoire quelle que soit la période concernée. Ce résultat conforme à celui que l’on a obtenu dansl’étape précédent.

c. Le corrélogramme

Une autre façon de voir la stationnarité et l’aléatoire d’une série est via le corrélogramme avec lesfonctions de l’autocorrélation (acf) et de la corrélation partielle (pacf).

Prendre la série de l’ensemble de la population, on voit le corrélogramme comme suit :Tableau 3: Le corrélogramme à 24 retards - Population

AutocorrelationsLag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error0 0.00029084 1.00000 | |********************| 01 0.00009198 0.31625 | .|****** | 0.0182822 0.00001468 0.05048 | .|* | 0.0200273 5.34225E-6 0.01837 | .|. | 0.0200694 0.00003021 0.10388 | .|** | 0.0200755 0.00003528 0.12131 | .|** | 0.0202546 0.00002706 0.09303 | .|** | 0.0204957 0.00001482 0.05097 | .|* | 0.0206368 8.86406E-6 0.03048 | .|* | 0.0206789 9.55367E-6 0.03285 | .|* | 0.02069310 0.00001229 0.04224 | .|* | 0.02071011 0.00001671 0.05747 | .|* | 0.02073912 7.12069E-6 0.02448 | .|. | 0.020792

5

AutocorrelationsLag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error13 0.00001062 0.03652 | .|* | 0.02080214 0.00002052 0.07056 | .|* | 0.02082315 0.00001905 0.06549 | .|* | 0.02090316 0.00001217 0.04184 | .|* | 0.02097217 8.96367E-6 0.03082 | .|* | 0.02099918 0.00001083 0.03724 | .|* | 0.02101519 0.00001281 0.04404 | .|* | 0.02103720 0.00001387 0.04770 | .|* | 0.02106721 0.00001540 0.05295 | .|* | 0.02110322 0.00001503 0.05169 | .|* | 0.02114823 6.29988E-6 0.02166 | .|. | 0.02119024 4.22022E-6 0.01451 | .|. | 0.021197

Selon Fama (1965), « un coefficient d’autocorrélation d’une série de prix sera nul si les variations sontaléatoires, positif si une hausse supérieure à la moyenne pendant la période t est suivie par une haussesupérieure à la moyenne pendant la période t+1, et négatif si la fluctuation de prix pendant la période t-1tend à compenser une hausse ou une baisse pendant la période t »8.

On note d’abord que les coefficients de corrélation sont tous différents de zéro. Le coefficient est le plussignificatif au premier retard (0.31625). A partir de deuxième retard, les coefficients sont faibles. Or, cerésultat signifie certain impact du rendement passé à celui actuel. En effet, la fonction del’autocorrélation au premier retard est encore significative. Ensuite, sachant que l’acf diminuerapidement, il semble que la série soit stationnaire. Idem pour l’échantillon 1 et l’échantillon 2, on reçoitle même résultat.

A priori, on voit que le rendement au jour t dépende largement à celui au jour t-1 et au jour t-5 (soit unesemaine avant). Afin d’enrichir l’étude, j’effectue la régression linéaire dont la variable rndt(t) sera lavariable endogène, la variable rndt(t-1) et rndt(t-5) seront les variables exogènes.

d. Régression linéaire de rendements de l’indice VNIndex

La formule complète de cette régression est comme suit :

Rndt(t) = β0 + β1*Rndt(t-1) + β2*Rndt(t-5) + ɛt

Si le rendement actuel ne dépende pas de ceux au jour t-1 et t-5, les coefficients associés à ces deuxvariables β1, β2 seront nuls. En appliquant la procédure proc reg, on obtient un modèle avec le R-carréde 10,75%. Le F-test indique que ce modèle est globalement significatif. Le fait que le rendement actuel

8 CHIKHI Mohamed (2004), Etude économétrique de l’efficience informationnelle face aux anomalies sur lesmarchés boursiers, Université de l’Ouargla, page 4

6

est prévisible à partir des rendements historiques est confirmé. Par ailleurs, les paramètres du modèles,sauf l’intercepte β0 sont tous significatifs selon le t-test (cf. Annexe 10). On pourrait affirmer denouveau que la variation du cours sur le marché boursier vietnamien fluctue dépendamment de cellesdans le passé.

5- Conclusion

Après avoir réalisé des tests économétriques, on peut déduire que premièrement les trois séries sontstationnaires, autrement dit, elles ne suivent pas la marche au hasard. Deuxièmement, elles ne sont pasaléatoires. C’est-à-dire, il paraît possible de déduire le cours courant d’actif sur le marché grâce à sonhistorique. Etant donné qu’il va à l’encontre de la théorie de l’efficience du marché, on peut conclureque le marché boursier vietnamien n’atteint pas de forme faible. Donc, il ne s’avère pas nécessaire deréaliser les tests pour tester l’efficience de forme semi-faible et de forme forte faible.

Or, tient en compte que la deuxième période (du 13 juillet 2005 au 29 mars 2013), on voit que ladistribution de rendements de cette série s’approche à la loi normale et que le coefficient Z pour le« Runs test » est beaucoup faible que les deux autres séries. Cette période comprend l’époque de lacrise actuelle, mais elle se comporte mieux que la première période. Malgré que la conclusion finalereste inchangée pour la deuxième période, il semble que le marché boursier vietnamien s’approche deplus en plus à la l’efficience informationnelle de forme faible pour cette période.

Références

1. BAKIR Khalid, L’efficience des marchés financiers des pays émergents : l’exemple de la bourse deCasablanca, Mémoire de fin d’études, Université d’Orléans

2. CHIKHI Mohamed (2004), Etude économétrique de l’efficience informationnelle face auxanomalies sur les marchés boursiers, Université de l’Ouargla

3. DANG Anh-Tuan (2010), Développement du marché des capitaux au Vietnam, Thèse de doctoratESEN Hanoi

4. LE Trung-Thanh (2009), Améliorer les mécanismes de surveillance de transactions des valeursmobilières sur le marché boursier vietnamien, Travail de recherche scientifique du Ministère

5. Database : http://www.cophieu68.com/

Projet SAS : Evaluation l’efficacité du marché boursier vietnamien Thu-Phuong DO

1

ANNEXE 1: DESCRIPTION DE LA BASE DE DONNEE

The CONTENTS Procedure

Data Set Name PROJET.VNINDEX Observations 2993Member Type DATA Variables 3Engine V9 Indexes 0Created Friday, April 20, 2012 02:58:24 PM Observation Length 24Last Modified Friday, April 20, 2012 02:58:24 PM Deleted Observations 0Protection Compressed NOData Set Type Sorted NOLabelData Representation WINDOWS_32Encoding wlatin1 Western (Windows)

Engine/Host Dependent Information

Data Set Page Size 4096Number of Data Set Pages 19First Data Page 1Max Obs per Page 168Obs in First Data Page 114Number of Data Set Repairs 0Filename D:\Phuong\Master 201\SAS\Projet\vnindex.sas7bdatRelease Created 9.0201M0Host Created W32_VSPRO

Alphabetic List of Variables and Attributes

# Variable Type Len Format

1 date Num 8 DDMMYY10.3 rndt Num 82 vnindex Num 8


2

ANNEXE 2 : EVOLUTION DE L’INDICE VNINDEX 2000 – 2013Q1


3

ANNEXE 3 : STATISTIQUES DESCRIPTIVES DE LA POPULATION

Variable : rndt

Moments

N 2992 Sum Weights 2992

Mean 0.00053184 Sum Observations 1.59127394

Std Deviation 0.01705682 Variance 0.00029094

Skewness -0.1894436 Kurtosis 2.26890342

Uncorrected SS 0.87103368 Corrected SS 0.87018737

Coeff Variation 3207.11712 Std Error Mean 0.00031183

Basic Statistical Measures

Location Variability

Mean 0.000532 Std Deviation 0.01706

Median 0.000000 Variance 0.0002909

Mode 0.000000 Range 0.15397

Interquartile Range 0.01618

Tests for Location: Mu0=0

Test Statistic p Value

Student's t t 1.705556 Pr > |t| 0.0882

Sign M 17.5 Pr >= |M| 0.5306

Signed Rank S 105558.5 Pr >= |S| 0.0217

Quantiles (Definition 5)

Quantile Estimate

100% Max 0.07740689

99% 0.04481279

95% 0.02856595

90% 0.01902231

75% Q3 0.00899181

50% Median 0.00000000

25% Q1 -0.00719093

10% -0.01775589

5% -0.02873219

1% -0.04665440

0% Min -0.07656180

Extreme Observations

Lowest Highest

Value Obs Value Obs

-0.0765618 144 0.0643072 134

-0.0713627 169 0.0653095 135

-0.0709337 138 0.0662494 167

-0.0704225 164 0.0666596 181

-0.0679606 158 0.0774069 1457

Missing Values

MissingValue Count

Percent Of

All ObsMissing

Obs

. 1 0.03 100.00


4

ANNEXE 4: STATISTIQUES DESCRIPTIVES DE L’ECHANTILLON 1

Variable : rndt

Moments











Mode 0.000000 Range 0.14322




Student's t t 1.736302 Pr > |t| 0.0828

Sign M -6.5 Pr >= |M| 0.7097

Signed Rank S 19718.5 Pr >= |S| 0.0415


Quantile Estimate

100% Max 0.06665961

99% 0.05940871

95% 0.01931856

90% 0.01785762

75% Q3 0.00622732

50% Median 0.00000000

25% Q1 -0.00430664

10% -0.01276953

5% -0.01821086

1% -0.06595797

0% Min -0.07656180


Lowest Highest

Value Obs Value Obs

-0.0765618 144 0.0638944 133

-0.0713627 169 0.0643072 134

-0.0709337 138 0.0653095 135

-0.0704225 164 0.0662494 167

-0.0679606 158 0.0666596 181

Missing Values

MissingValue Count

Percent Of

All ObsMissing

Obs

. 1 0.09 100.00


5

ANNEXE 5 : STATISTIQUES DESCRIPTIVES DE L’ECHANTILLON 2

Variable : rndt

Moments











Mode 0.000000 Range 0.12703




Student's t t 0.877881 Pr > |t| 0.3801

Sign M 24 Pr >= |M| 0.2809

Signed Rank S 28062 Pr >= |S| 0.2408


Quantile Estimate

100% Max 0.077406888

99% 0.042982883

95% 0.031467254

90% 0.022144395

75% Q3 0.010321889

50% Median 0.000355999

25% Q1 -0.009748666

10% -0.021255385

5% -0.031152003

1% -0.044543873

0% Min -0.049626459


Lowest Highest

Value Obs Value Obs

-0.0496265 200 0.0463798 656

-0.0481571 669 0.0465295 964

-0.0480130 1767 0.0467045 269

-0.0479852 201 0.0474257 55

-0.0478979 802 0.0774069 381


6

ANNEXE 6 : GRAPHIQUES DE LA DISTRIBUTION DE RENDEMENTS DE L’INDICE

Figure 1 : La distribution de rendements de l’indice VNIndex

Figure 2 : La distribution de rendements de l’indice VNIndex du 28 Juillet 2000 au 13 Juillet 2005

Figure 3 : La distribution de rendements de l’indice VNIndex du 14 Juillet 2005 au 29 mars 2013


7

ANNEXE 7 : CORRELOGRAM - POPULATION

Autocorrelations

Lag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error

0 0.00029084 1.00000 | |********************| 0

1 0.00009198 0.31625 | .|****** | 0.018282

2 0.00001468 0.05048 | .|* | 0.020027

3 5.34225E-6 0.01837 | .|. | 0.020069

4 0.00003021 0.10388 | .|** | 0.020075

5 0.00003528 0.12131 | .|** | 0.020254

6 0.00002706 0.09303 | .|** | 0.020495

7 0.00001482 0.05097 | .|* | 0.020636

8 8.86406E-6 0.03048 | .|* | 0.020678

9 9.55367E-6 0.03285 | .|* | 0.020693

10 0.00001229 0.04224 | .|* | 0.020710

11 0.00001671 0.05747 | .|* | 0.020739

12 7.12069E-6 0.02448 | .|. | 0.020792

13 0.00001062 0.03652 | .|* | 0.020802

14 0.00002052 0.07056 | .|* | 0.020823

15 0.00001905 0.06549 | .|* | 0.020903

16 0.00001217 0.04184 | .|* | 0.020972

17 8.96367E-6 0.03082 | .|* | 0.020999

18 0.00001083 0.03724 | .|* | 0.021015

19 0.00001281 0.04404 | .|* | 0.021037

20 0.00001387 0.04770 | .|* | 0.021067

21 0.00001540 0.05295 | .|* | 0.021103

22 0.00001503 0.05169 | .|* | 0.021148

23 6.29988E-6 0.02166 | .|. | 0.021190

24 4.22022E-6 0.01451 | .|. | 0.021197

"." marks two standard errors


8

Partial Autocorrelations

Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1

1 0.31625 | .|****** |

2 -0.05504 | *|. |

3 0.02110 | .|. |

4 0.10502 | .|** |

5 0.06232 | .|* |

6 0.04005 | .|* |

7 0.01386 | .|. |

8 0.00540 | .|. |

9 0.00959 | .|. |

10 0.01472 | .|. |

11 0.03038 | .|* |

12 -0.01229 | .|. |

13 0.03000 | .|* |

14 0.05001 | .|* |

15 0.01919 | .|. |

16 0.00929 | .|. |

17 0.01000 | .|. |

18 0.01341 | .|. |

19 0.01296 | .|. |

20 0.01665 | .|. |

21 0.02478 | .|. |

22 0.02039 | .|. |

23 -0.01105 | .|. |

24 -0.00122 | .|. |

Autocorrelation Check for White Noise

ToLag Chi-Square DF Pr > ChiSq Autocorrelations

6 410.63 6 <.0001 0.316 0.050 0.018 0.104 0.121 0.093

12 441.54 12 <.0001 0.051 0.030 0.033 0.042 0.057 0.024

18 485.74 18 <.0001 0.037 0.071 0.065 0.042 0.031 0.037

24 517.00 24 <.0001 0.044 0.048 0.053 0.052 0.022 0.015


9

ANNEXE 8 : CORRELOGRAM – ECHANTILLON 1

Autocorrelations


0 0.00029084 1.00000 | |********************| 0

1 0.00009198 0.31625 | .|****** | 0.018282

2 0.00001468 0.05048 | .|* | 0.020027

3 5.34225E-6 0.01837 | .|. | 0.020069

4 0.00003021 0.10388 | .|** | 0.020075

5 0.00003528 0.12131 | .|** | 0.020254

6 0.00002706 0.09303 | .|** | 0.020495

7 0.00001482 0.05097 | .|* | 0.020636

8 8.86406E-6 0.03048 | .|* | 0.020678

9 9.55367E-6 0.03285 | .|* | 0.020693

10 0.00001229 0.04224 | .|* | 0.020710

11 0.00001671 0.05747 | .|* | 0.020739

12 7.12069E-6 0.02448 | .|. | 0.020792

13 0.00001062 0.03652 | .|* | 0.020802

14 0.00002052 0.07056 | .|* | 0.020823

15 0.00001905 0.06549 | .|* | 0.020903

16 0.00001217 0.04184 | .|* | 0.020972

17 8.96367E-6 0.03082 | .|* | 0.020999

18 0.00001083 0.03724 | .|* | 0.021015

19 0.00001281 0.04404 | .|* | 0.021037

20 0.00001387 0.04770 | .|* | 0.021067

21 0.00001540 0.05295 | .|* | 0.021103

22 0.00001503 0.05169 | .|* | 0.021148

23 6.29988E-6 0.02166 | .|. | 0.021190

24 4.22022E-6 0.01451 | .|. | 0.021197



10


Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1

1 0.31625 | .|****** |

2 -0.05504 | *|. |

3 0.02110 | .|. |

4 0.10502 | .|** |

5 0.06232 | .|* |

6 0.04005 | .|* |

7 0.01386 | .|. |

8 0.00540 | .|. |

9 0.00959 | .|. |

10 0.01472 | .|. |

11 0.03038 | .|* |

12 -0.01229 | .|. |

13 0.03000 | .|* |

14 0.05001 | .|* |

15 0.01919 | .|. |

16 0.00929 | .|. |

17 0.01000 | .|. |

18 0.01341 | .|. |

19 0.01296 | .|. |

20 0.01665 | .|. |

21 0.02478 | .|. |

22 0.02039 | .|. |

23 -0.01105 | .|. |

24 -0.00122 | .|. |



6 410.63 6 <.0001 0.316 0.050 0.018 0.104 0.121 0.093

12 441.54 12 <.0001 0.051 0.030 0.033 0.042 0.057 0.024

18 485.74 18 <.0001 0.037 0.071 0.065 0.042 0.031 0.037

24 517.00 24 <.0001 0.044 0.048 0.053 0.052 0.022 0.015


11

ANNEXE 9 : CORRELOGRAM – ECHANTILLON 2

Autocorrelations


0 0.00029084 1.00000 | |********************| 0

1 0.00009198 0.31625 | .|****** | 0.018282

2 0.00001468 0.05048 | .|* | 0.020027

3 5.34225E-6 0.01837 | .|. | 0.020069

4 0.00003021 0.10388 | .|** | 0.020075

5 0.00003528 0.12131 | .|** | 0.020254

6 0.00002706 0.09303 | .|** | 0.020495

7 0.00001482 0.05097 | .|* | 0.020636

8 8.86406E-6 0.03048 | .|* | 0.020678

9 9.55367E-6 0.03285 | .|* | 0.020693

10 0.00001229 0.04224 | .|* | 0.020710

11 0.00001671 0.05747 | .|* | 0.020739

12 7.12069E-6 0.02448 | .|. | 0.020792

13 0.00001062 0.03652 | .|* | 0.020802

14 0.00002052 0.07056 | .|* | 0.020823

15 0.00001905 0.06549 | .|* | 0.020903

16 0.00001217 0.04184 | .|* | 0.020972

17 8.96367E-6 0.03082 | .|* | 0.020999

18 0.00001083 0.03724 | .|* | 0.021015

19 0.00001281 0.04404 | .|* | 0.021037

20 0.00001387 0.04770 | .|* | 0.021067

21 0.00001540 0.05295 | .|* | 0.021103

22 0.00001503 0.05169 | .|* | 0.021148

23 6.29988E-6 0.02166 | .|. | 0.021190

24 4.22022E-6 0.01451 | .|. | 0.021197



12


Lag Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1

1 0.31625 | .|****** |

2 -0.05504 | *|. |

3 0.02110 | .|. |

4 0.10502 | .|** |

5 0.06232 | .|* |

6 0.04005 | .|* |

7 0.01386 | .|. |

8 0.00540 | .|. |

9 0.00959 | .|. |

10 0.01472 | .|. |

11 0.03038 | .|* |

12 -0.01229 | .|. |

13 0.03000 | .|* |

14 0.05001 | .|* |

15 0.01919 | .|. |

16 0.00929 | .|. |

17 0.01000 | .|. |

18 0.01341 | .|. |

19 0.01296 | .|. |

20 0.01665 | .|. |

21 0.02478 | .|. |

22 0.02039 | .|. |

23 -0.01105 | .|. |

24 -0.00122 | .|. |



6 410.63 6 <.0001 0.316 0.050 0.018 0.104 0.121 0.093

12 441.54 12 <.0001 0.051 0.030 0.033 0.042 0.057 0.024

18 485.74 18 <.0001 0.037 0.071 0.065 0.042 0.031 0.037

24 517.00 24 <.0001 0.044 0.048 0.053 0.052 0.022 0.015


13

ANNEXE 10 : REGRESSION LINEAIRE

The REG ProcedureModel: MODEL1

Dependent Variable: rndt

Number of Observations Read 2993Number of Observations Used 2987Number of Observations with Missing Values 6

Analysis of Variance

Sum of MeanSource DF Squares Square F Value Pr > F

Model 2 0.09336 0.04668 179.62 <.0001Error 2984 0.77554 0.00025990Corrected Total 2986 0.86890

Root MSE 0.01612 R-Square 0.1075Dependent Mean 0.00050511 Adj R-Sq 0.1069Coeff Var 3191.63646

Parameter Estimates

Parameter StandardVariable DF Estimate Error t Value Pr > |t|

Intercept 1 0.00030131 0.00029522 1.02 0.3075rndt_1 1 0.30610 0.01739 17.61 <.0001

rndt_5 1 0.08953 0.01738 5.15 <.0001

Economy & Finance

Projet SAS_Evaluation l'efficacite du marche boursier au vietnam