Alors que le marché Forex cote partout dans le monde 24 heures/24 et que sa liquidité est la plus importante de tous les marchés (près de 5 100 milliards de dollars par jour), il est presque impossible pour une seule entité d'influencer le marché, à l'exception de ceux qui le régulent : les banques centrales. En évaluant la santé du marché, elles mettent en place des politiques monétaires afin de l’aider dans une situation « bullish », mais aussi de le soutenir dans une situation « bearish ». C’est pourquoi, selon l’étude de Dominguez (2006), les considérer comme des « acteurs du marché » lorsque les annonces sont faites sur une fréquence intra-quotidienne et quotidienne est vrai. Le marché du Forex étant de plus en plus ouvert, le sentiment de plus en plus de personnes et d'entreprises peut se refléter sur le marché. De par son grand nombre d’acteurs, ses faibles barrières d’entrée et sa grande liquidité, il peut être considéré comme un marché efficient. Par ailleurs, il est probable que d’autres faits puissent influer sur leur comportement et, ainsi, sur les taux de change.
Les impacts de publications sur le marché du Forex
Goodhart et al. (1993) sont parmi les premiers à avoir détecté l'impact des informations sur les taux de change en reliant les nouvelles à haute fréquence de Reuters sur le cours GBPUSD, à la suite de l'étude de Copeland (1984) qui concluait que les informations (considérées comme des innovations) avaient une incidence sur la paire GBPUSD.
Mais le vrai tournant part des recherches d’Evans et Lyons (2002b), ayant mis au point le premier modèle permettant d’évaluer les fluctuations des taux de change, en utilisant comme approximation le flux d’ordres. Le flux d’ordres, par définition, correspond au « net des transactions en devises initiées par les acheteurs et les vendeurs » et Lyons (2001) le définit comme une mesure de la pression nette des achats. Ils sont parmi les premiers à mettre en œuvre une analyse de la microstructure des fluctuations du taux de change, c’est-à-dire examiner le processus de fonctionnement d’un marché qui affecte ses déterminants (prix, coûts de transaction, etc.).
En examinant plus en profondeur, Evans et Lyons (2008) ont distingué trois sources de variation des taux de change :
1. les publications d’informations pouvant directement impacter les taux de change ;
2. les publications d’informations pouvant induire des flux d’ordres et donc avoir un effet indirect sur les taux de change ;
3. les transactions sans lien avec ces publications pouvant affecter le taux de change.
Une tout autre approche peut aussi être adoptée. A la fin des années 1950, Salter (1959) et Swan (1960) sont les premiers à juxtaposer les taux de change aux prix des matières premières mondiales. De ces études émergeront deux courants opposés selon Manzur (2018) :
1. les prix des matières premières influencent les cours des devises (argument de commodités devise) ;
2. les évolutions du taux de change influencent les prix des matières premières (argument de devises commo).
Ces deux arguments seront développés par bon nombre de chercheurs, et notamment Chen, Rogoff et Rossi (2010) qui établiront que les prix des matières premières peuvent être considérés comme des fondamentaux par nature et que les variations de ces derniers sont essentiellement exogènes à celles des taux de change. Elles peuvent donc être considérées comme des proxys pour mesurer les chocs sur des taux de change liés aux échanges.
Les limites de l’étude de Chen, Rogoff et Rossi sont qu’elles concernent les devises commo, et donc des pays qui sont nécessairement dépendants de l’exportation de matière premières. Néanmoins, les Etats-Unis étant parmi les plus grands exportateurs de gaz et de pétrole, et dont la cotation de ce dernier s’effectue historiquement par rapport au dollar, il est possible que ses cours soient un bon proxy quant aux fluctuations de la devise et que les publications de données macroéconomiques impactent aussi bien ses cours que les taux de change. De même, il a été prouvé que le prix du baril de pétrole a une corrélation négative avec le dollar américain, un dollar faible faisant augmenter les prix du baril et vice-versa.
Pour autant, Chen, Rogoff et Rossi (2010) s’accordent à dire que leur modèle sur les devises commo est robuste face à l’instabilité des paramètres et que les cours de change expliquent les fluctuations des matières premières pour un panel de devises commo.
Le modèle STR face au Brent, l’Or et le VIX en tant que proxy
L’or est un métal considéré comme un actif refuge en situation de crise. Ces situations sont matérialisées sur les marchés par des publications de news considérées comme mauvaises pour la santé du marché, et l’or accueille alors des flux de capitaux d’investisseurs n’ayant pas d’appétit pour le risque (et par conséquent de la volatilité). Un autre actif considéré comme refuge est l’USDJPY, de par ses fluctuations très faibles. Les fluctuations de cette devise pourraient être associées à celle des cours de l’or, en reliant les publications d’informations qui feraient fluctuer ces actifs.
Enfin, les news engendrant des réactions sur les marchés, l’indice de la peur, le VIX, pourrait constituer un proxy pour chiffrer le sentiment du marché. Une augmentation brutale de ce dernier pourrait concorder avec la publication de nouvelles inquiétantes aux Etats-Unis.
L’estimation d’un modèle linéaire entre le taux de change et le prix ou change/VIX indique une relation significative entre ces variables mais avec un faible pouvoir explicatif au vu du coefficient de détermination. D’autres facteurs explicatifs sont sûrement omis dans cette analyse signifiant que les cours de changes peuvent être impactés par d’autres facteurs que les variables sélectionnées. En dépit de cette conclusion, on peut noter que les p-value de chaque variable indépendante est inférieure à 0,05, prouvant une significativité évidente de ces dernières sur les cours de l’EURUSD, GBPUSD et USDJPY
Le modèle linéaire a prouvé une influence des différentes variables, il possède cependant le défaut majeur de postuler une stabilité de la relation. Hypothèse peut soutenable et risquant donc de biaiser la dynamique et/ou d’omettre une partie des fluctuations ainsi qu’une ou plusieurs variables de par son régime de dynamique unique. Par conséquent, utiliser un modèle rejetant la linéarité comme le modèle Smooth Transition Regression (STR) permettra d’avoir l’avantage de considérer une infinité de régimes, et de tirer des conclusions qu’un modèle de type régression linéaire simple ne pourrait apporter.
Le modèle STR utilisé ici sert à analyser les changements de dynamiques en transitant entre deux régimes extrêmes (linéaire vs non linéaire), par un lissage avec une variable de seuil et une fonction de transition. Plus le lissage est fort, plus la transition va être brute. Un test de linéarité est effectué avant toute interprétation : Le modèle STR n’a de sens que si la linéarité est rejetée. Plus le rejet est élevé, plus la variable de transition est bonne, comme le confirme Fouquau (2008) dans son analyse
Pour rappel, le modèle STR (ρ1, ρ2) est estimé génériquement selon la fonction suivante :
Voir équation1
Avec G la fonction de transition suivante associée à la variable de transition, un paramètre de lissage et un paramètre de seuil :
Voir équation 2
Il sera possible de voir deux étapes : le régime bas (avec uniquement les coefficient linéaires) et le régime haut qui additionne les coefficients linéaires et non linéaires.
Dans un souci d’interprétation, la même approche que Delatte et al (2016) sur les CDS sera réalisée. En plus des deux régimes extrêmes, la transition sera représentée graphiquement par le calcul des régimes intermédiaires, obtenus par l’addition du coefficient linéaire β1 et du coefficient non linéaire β2 multiplié par la fonction de transition comme par exemple :
Voir équation 3
Les variables utilisées sont extraites de Bloomberg, sur période allant du 1er octobre 2008 au 1er octobre 2019.
Etude sur l’EURUSD et choix du proxy
Après avoir testé pour chaque devise chaque variable explicative en variable de seuil et effectué un test de linéarité, il ressort que l’Or reste la variable qui permet de mieux rejeter la linéarité sur chaque cours de change. Il est donc déjà possible de conclure que l’Or est un driver de la non-linéarité
Voir tableau 1
1re étape : Test de linéarité
La p-value est égale à 0 sur l’hypothese H04 ce qui indique un fort rejet de la linéarité (Table1)
Voir Tableau 2
2e étape : Analyse de la pente et du seuil
Nous pouvons voir que la pente est ici très élevée à 164,3306. De plus, le point d’inflexion est situé à 1,6 % : il y a un changement de régime sur l’EURUSD lorsque l’or croît de plus de 1,6 %.
Voir Tableau 3
3e étape : Représentation graphique et analyse
Tous les coefficients linéaires et non linéaires sont significatifs et le modèle peut être défini par l’équation suivante :
LEUR = (-0.00469700389543*LVIX + 0.127358388385*LXAU + 0.0139764782677*LBRT - 0.00101116430737) + (-0.0371162932201*LVIX - 0.299556579968*LXAU + 0.101683673415*LBRT + 0.0101508484555)*@LOGIT(164.330563807*(LXAU-0.0161523023864))
Plus l’or augmente, plus la transition est forte et plus l’euro s’apprécie au profit du dollar : les deux variables ne sont pas corrélées, l’hypothèse est donc rejetée.
Voir Graphique 1
Le Brent va suivre l’Or dans son mouvement : plus l’euro s’apprécie, plus le prix du baril coté en USD va augmenter car sa valeur à prix égal reste moins forte.
Sur le VIX, deux coefficients linéaires et non linéaires sont négatifs :
– la liaison serait presque nulle lorsque les prix de l’Or baissent ;
– plus l’Or augmente en qualité d’actif refuge, et dans un contexte de crise, le dollar se déprécierait de beaucoup engrangeant une sortie de capitaux vers cet actif refuge.
Récapitulatif
Voir tableau 4
Vérification sur le GBPUSD et USDJPY
Voir tableau 5
Le seuil est ici un peu moins élevé, à 1,12 %. Les résultats sont similaires car la paire est cotée dans le même sens que l’EURUSD, mais il existe une borne au-dessus des 2 % liée à la présence de valeurs extrêmes à cause du Brexit.
Voir tableau 6
La pente est relativement moins élevée, avec un seuil néanmoins à 1,40 %. Le yen est un actif refuge en lui-même : dans une situation de crise, un investisseur aura tendance à prendre une postition longue sur le yen. Il est intéressant de noter une double inflexion : une forte baisse de l’Or aura tendance a signifier une sortie des capitaux des actifs refuges, et donc du yen. Il existe néanmoins une liaison entre le VIX et l’Or, conforme à la hausse significative lors d’une situation de crise.
Voir graphique 2 et 3
De bons résultats en basant le modèle sur l’Or
Malgré des coefficients de détermination relativement faibles, les trois variantes du modèle Smooth Transition Regression en utilisant l’Or comme variable de seuil nous offrent le meilleur rejet de la linéarité par rapport aux deux autres variables explicatives.
Par conséquent, et sur ces échantillons, l’Or constitue le meilleur proxy pour expliquer les variations des cours de l’EURUSD, GBPUSD et USDJPY dans un marché agité suite à la publication d’informations entrainant des swings élevés.
Il est important de noter que dans les modèles présentés dans les tableaux 8 et 8 bis, le seuil de rupture entre les deux régimes linéaires et non linéaires s’effectue à des niveaux différents selon la paire étudiée. Par exemple, sur l’EURUSD, le changement de régime s’effectue à partir d’une augmentation supérieure de l’Or à 1,6 %. Sur le GBPUSD, c’est 1,12 % et sur le USDJPY, 1,40 %.
La présence de valeurs extrêmes due à des chocs sur le marché peut faire varier le calcul du seuil de changement de régime, comme sur le GBP qui a été fortement impacté à cause du Brexit. En revanche, il y a peu, ou pas d’impact par les mouvements de l’Or. Ces derniers vont plutôt impacter le dollar, de par la corrélation négative existante entre les deux depuis la période de l’indexation du USD sur l’Or.
Néanmoins, le modèle permet d’identifier de vraies tendances. Lorsque l’Or augmente de plus de 1,6 %, le cours de l’EURUSD s’agite. L’Or étant un actif refuge, il est logique que si ce dernier voit son prix augmenter fortement en raison d’une forte demande, le USD se déprécie au profit de l’EUR car l’Or étant coté en dollars, le cross entre les trois doit s’ajuster.
Enfin, si les résultats entre le modèle sur l’EURUSD et le GBPUSD sont similaires, l’Or n’a pas le même impact sur l’USDJPY car la paire est considérée sur les marchés du Forex comme un actif refuge, similaire à l’Or. Les prises de positions longues s’amplifient sur la paire en période de crise, où les investisseurs cherchent à placer dans des véhicules « sûrs ».
Les cours de l’or constituent donc un bon proxy pour estimer les changements de régimes dus à des événements macroéconomiques sur l’EURUSD, GBPUSD et USDJPY.
