MODÉLISATION ET PRÉVISION DES INDICES DE LA BRVM : UNE ANALYSE COMPARATIVE DES INDICES COMPOSITE, 30 ET PRESTIGE
DOI:
https://doi.org/10.46827/ejefr.v8i7.1903Ključne riječi:
BRVM, indices boursiers, modélisation, prévision, volatilité, APARCH, GARCH / BRVM, stock market indices, modeling, forecasting, volatility, GARCHSažetak
Cette étude examine la modélisation et la prévision des indices Composite, 30 et Prestige de la Bourse Régionale des Valeurs Mobilières (BRVM). L'objectif est d'analyser les caractéristiques de volatilité de ces indices et de déterminer les modèles les plus appropriés pour leur prévision. Nous avons utilisé des modèles de séries temporelles, notamment APARCH (1,1) et GARCH (1,1), pour modéliser la dynamique de la volatilité. Les résultats montrent une tendance haussière à long terme pour les trois indices. L'indice composite présente une asymétrie dans la réaction de la volatilité aux chocs (modèle APARCH), avec une sensibilité accrue aux baisses de cours. Les indices 30 et Prestige, modélisés par GARCH (1,1), révèlent une forte persistance de la volatilité, où la volatilité passée influence fortement la volatilité actuelle. Bien que les chocs passés aient un impact, il est faible et non statistiquement significatif. En résumé, l'étude met en évidence une forte persistance de la volatilité pour les trois indices, avec une réaction asymétrique aux chocs négatifs pour l'indice composite, suggérant des différences de comportement et de prévisibilité entre ces indices de la BRVM. Les résultats obtenus ont des implications pour les investisseurs et les gestionnaires de portefeuille, en soulignant la nécessité d'utiliser des modèles de prévision spécifiques à chaque indice.
This study examines the modeling and forecasting of the Composite, 30, and Prestige index of the Regional Securities Exchange (BRVM). The objective is to analyze the volatility characteristics of these indices and to determine the most appropriate models for their forecasting. We employed time series models, specifically APARCH (1,1) and GARCH (1,1), to model the volatility dynamics. The results reveal a long-term upward trend for all three indices. The composite index exhibits asymmetry in the volatility response to shocks (APARCH model), with increased sensitivity to price declines. The 30 and Prestige indices, modeled using GARCH (1,1), show a high persistence of volatility, where past volatility strongly influences current volatility. Although past shocks have an impact, it is weak and not statistically significant. In summary, the study highlights a strong persistence of volatility for all three indices, with an asymmetric reaction to negative shocks for the composite index, suggesting differences in behavior and predictability among these BRVM indices. The findings have implications for investors and portfolio managers, underscoring the need to use index-specific forecasting models.
JEL : G17, C53, C58, G15, G10, C32
Article visualizations:
Reference
Abdelhamid Djeffal (2012), « Utilisation des méthodes Support Vector Machine (SVM) dans l’analyse des bases de données », Université Mohamed Khider – Biskra, https://core.ac.uk/download/pdf/35403391.pdf
Agnès Lagnoux « Cours de Séries Chronologiques » 53 pages, ISMAG, Master 1, https://www.math.univ-toulouse.fr/~lagnoux/Poly_SC.pdf.
André Poussi et Jules Dago (2017), « Modelling of the BRVM index » 26 Pages, Bibliothèque ENSEA.
Arthur Charpentier, « Cours De Series Temporelles Theorie Et Applications » 178 pages, ENSAE Paris, https://www.math.u-bordeaux.fr/~hzhang/m2/st/TS1.pdf
Claude Touzet (2016), « Les Reseaux De Neurones Artificiels, Introduction Au Connexionnisme » 130 pages, HAL Open Science, https://amu.hal.science/hal-01338010/file/Les_reseaux_de_neurones_artificiels.pdf
Hélène Hamisultane (2016), « Econometrie Des Series Temporelles » 25 pages, HAL option science, https://shs.hal.science/cel-01261174/document
Jean-Michel Zakoian, « Modèles GARCH et à volatilité stochastique » 80 pages, Université Lille 3 & CREST, https://dms.umontreal.ca/~royr/cours_GARCH_mars_2007/expocoursgarch1Montreal.pdf
M. Viano et A. Philippe (2004), « Cours de Séries Temporelles » 67 pages, M. Viano et A. philippe, UFR Mathématiques pures et Appliquées.
Olivier Roustant (2007), « Modèle GARCH Application à la prévision de la volatilité » 23 pages, Ecole des Mines de St-Etienne, https://olivier-roustant.fr/wp-content/uploads/2018/09/modele-garch.pdf
Philippe Paquet (2019) « L’utilisation des réseaux de Neurones artificiels en finance » 26 Pages, HAL Option, https://shs.hal.science/halshs-02096266/document
Salim Lahmiri, « Information, Ondelettes, Réseaux De Neurones, Méthodes Numériques, Et Modélisation Et Prédiction Des Séries Temporelles Boursières : Une Étude Comparative » These De Doctorat.
WikiStat « Machines à vecteurs supports » 16 pages, WikiStat, https://www.math.univ-toulouse.fr/~besse/Wikistat/pdf/st-m-app-svm.pdf
Yacine Akrour (2014), « Prévision De La Demande D’électricité Par Régression Linéaire Et Réseaux De Neurones Artificiels : Application Au Réseau De La Ville De Baie-Comeau » 122 Pages, Université Du Québec, https://archipel.uqam.ca/6396/1/D2635.pdf


