Mesure de l’impact de la température et des élections législatives sur l’indice DAX

Prepared by the researcher :   DOUADI Mehaidi – ‎ Laboratory of the Algerian Capital Market Assessment and ‎Globalization: LEMAC ‎ – Université de Sétif

Democratic Arab Center

International Journal of Economic Studies : Seventeenth Issue – July 2021

A Periodical International Journal published by the “Democratic Arab Center” Germany – Berlin.

Résumé

Cette étude a pour but de mesurer l’effet de ‎deux variables: l’une est d’ordre ‎météorologique (température moyenne de ‎la ville de Francfort), l’autre est politique ‎‎(les élections parlementaires en ‎Allemagne et en France; sur la volatilité ‎de l’indice de la bourse de Francfort ‎‎(DAX).‎

‎En utilisant le modèle économétrique, ‎nous avons abouti aux résultats suivants:

‎(i) la température affecte l’indice, ‎toutefois, cette variable n’a pas un grand ‎effet sur la volatilité de l’indice. (ii) Les ‎élections parlementaires Allemandes et ‎Françaises ont eu un impact sur les ‎fluctuations de l’indice, sans pour autant ‎que cet effet sur l’indice soit décisif. ‎

Codes de classification Jel : G02; G12; C12

Abstract

The objective of this study is to ‎measure the effect of two factors ‎from the behavioral finance theory: ‎the daily mean temperature in ‎Frankfurt city, on one hand and the ‎Parliamentary Elections in Germany ‎and France, on the other hand, on the ‎volatility of the DAX index. ‎

‎Using the econometric model, we ‎found that, statistically speaking, we ‎can say that the temperature affects ‎the German Stock index, however, it ‎has not a great effect on it. As far as ‎the second variable is concerned, we ‎found that the parliamentary ‎elections in both Germany and ‎France have some impact on the ‎variations of the DAX index, but ‎the relation between the two ‎variables is so weak that we can say ‎that the elections cannot be ‎considered as a decisive factor in ‎explaining German Stock index ‎volatility.‎

Jel Classification Codes : G02; G12; C12.

1. Introduction

Depuis longtemps déjà, beaucoup d’économistes et de financiers, se ‎basant sur deux grandes hypothèses à savoir: la rationalité des opérateurs ‎en univers risqué au niveau micro- économique et l’efficience des ‎marchés (Galichon & Tibi, 2011), ont orienté leurs recherches dans un but de modélisation des ‎comportements des actifs boursiers, ce qui a abouti à une multitude de ‎théories mathématiques probabilistes appliquées à la finance. Mais, après ‎tant d’efforts, le résultat est là: si toutes ces recherches sont d’accord sur ‎l’existence d’une divergence entre les cours des actifs boursiers et leur ‎vraie valeur, elles ne le sont pas sur ses origines, surtout dans le cas de ‎volatilité excessive.‎
Donc l’idée que tous les intervenants sur les marchés sont des individus ‎rationnels, cherchant à maximiser leur couple rentabilité -risque à l’aide de ‎modèles d’optimisation stochastique ou autres, et que les investisseurs ‎irrationnels seront condamnés à disparaître à cause de l’efficience des ‎marchés comme le prêché la théorie financière, est une idée qui enfreint la ‎réalité des marchés financiers (Albouy, 2005).‎
Et c’est justement pour cette raison (surtout après la succession des ‎crises), qu’apparut la finance comportementale comme approche réfutant ‎la rationalité substantielle des investisseurs qui sont sujet à toute sorte de ‎biais influençant leurs comportements, et remettant en cause l’efficience ‎des marchés en cherchant d’autres arguments pour expliquer la forte ‎volatilité des cours boursiers. ‎
Partant de l’axiome suivant: l’investisseur qui que soit, est un être humain ‎avec: ses qualités et ses défauts, ses émotions, sa perception de son ‎environnement socio- politico-économique, sa vision du sphère des ‎affaires; et qui lui imposent une vision plus optimistes et un bon moral ‎après un événement positif en l’occurrence une température optimale ou ‎une victoire écrasante de son parti politique qu’après un événement négatif, ‎à savoir une température caniculaire ou une humiliante défaite.‎
2. Problématique et hypothèses de l’étude :
La problématique de cette étude se présente comme suit : A quel point la température (comme biais météorologique) et les élections législatives en France et en Allemagne (comme biais politique) influenceront les fluctuations de l’indice boursier DAX ?
Pour répondre à cette question, nous avons avancé les hypothèses suivantes;
A. La température affecte l’indice DAX;
B. Les élections en tant qu’acte politique exprimant une croyance affecte le DAX.

3. Les études précédentes
3.1. Concernant la météo : ‎
De nombreuses études académiques ont affirmé que la météo et les variables climatiques (Comptant jusqu’à 16 variables météorologiques: température, précipitations, couverture nuageuse…) impactent les performances et la volatilité des marchés financiers (Bachar & Bertrand, 2009). Elles partent toutes de l’idée que la météo influence les humeurs individuelles et collectives et que les humeurs influencent la prise de risque. En d’autres termes elles confirment que la météo influence le comportement de l’individu et le pousse à être pessimiste ou optimiste, donc à prendre des décisions plus risquées ou plus réticentes selon son humeur. Et parmi ces études nous avons noté :
L’étude de Almeida et Silva (Almeida & Silva, 2019) menée sur le marché financier portugais durant la période 2000- 2009 partait des hypothèses suivantes: la météo affecte l’humeur des individus, l’humeur affecte le processus de prise des décisions surtout lorsqu’elles sont risquées, et de l’existence d’un impact indirect de la météo sur le rendement des marchés financiers. Elle avait conclu qu’effectivement que parmi les quatre variantes climatiques étudiées, à savoir: la pluviométrie, la température, l’ensoleillement et la vitesse du vent; la température en particulier influence l’indice des rendements sur ce marché (les températures basses s’accompagnent avec des rendements élevés et ce malgré qu’ils n’écartent pas la possibilité que l’effet de la météo soit confondu avec l’effet de modèles de calendriers plus simples).
L’étude de Kathiravan et al., (Kathiravan & al, 2018) dont l’objet était de mesurer l’influence de la météo (la température plus précisément) sur le rendement et la volatilité sur les indices “BSE Sensex and S&P CNX Nifty” de la bourse Indienne. Elle a été basée sur des données mensuelles de la température dans cinq villes Indiennes. En conclusion, l’étude approuve que les rendements des indices sont influencés par la météo (la température) dans quatre villes de l’échantillon choisi.
3.2. ‎Concernant les élections:
Les élections comptent parmi les événements politiques les plus vécus et les plus suivis, car la politique peut influencer considérablement sur la répartition des revenus et des richesses, et sur la prospérité des gens. Et c’est pour cette raison, que d’innombrable études ont tenté d’étudier l’impact ‎ des élections sur la ‎volatilité boursière.
L’étude de Bohl et Gottshalk (Bohl & Gottshalk, 2006), en posant deux hypothèse:
– La première: les rendements des actions sont plus élevés sous le règne des partis de gauche ‎que sous le règne des partis de droite;
– La seconde: l’effet du cycle présidentiel implique des rendements plus élevés dans la dernière moitié que ‎dans la première moitié du mandat du président; et en se basant sur des données de 15 pays (d’appliquer un cadre de panel, en plus d’une ‎analyse empirique de chaque individu), ils ont étudié l’effet du cycle politique sur les ‎rendements boursiers, tirait les conclusions suivantes:
‎A. Pour la première hypothèse: l’inexistence d’un effet significatif entre le cycle électoral sur ‎la volatilité boursière, sauf au Danemark, L’Allemagne et les États-Unis ou une prime de ‎‎”gauche” a été constaté;‎
B. Pour la seconde hypothèse: seuls, l’Autriche, le Canada et les Pays-Bas semblent la ‎confirmer, mais sans preuves convaincantes. ‎
Donc sa conclusion générale était que l’effet du cycle électoral et l’effet du cycle ‎présidentiel ne sont pas marquants comme phénomènes.‎
‎ L’étude de Jiniliang et Jeffery (Jiniliang & Jeffery, 2006), avait noté qu’il y a eu de nombreuses études sur l’influence des ‎résultats des élections sur le monde des affaires et sur le rendement des marchés boursiers. ‎Mais elle remarquait que la quasi-totalité de ces études partaient de la supposition que le ‎résultat de l’élection est connu d’avance pour les investisseurs, alors que les sondages d’opinion ‎publique indiquent que la moitié des élections entre 1964 et 2000 a vu la préférence des ‎électeurs pour l’un ou l’autre des candidats des deux principaux partis dépassée une demi-‎douzaine de points tout au long de la campagne électorale). Elle ‎tirait les conclusions suivantes:
‎La moyenne quotidienne du rendement des actions augmente dans les trois mois qui ‎précèdent les élections présidentielles lorsque le résultat de l’élection est incertain; ‎
Les rendements des actions pendant la campagne électorale sont pratiquement identiques ‎aux autres périodes où il y a une certitude que le parti au pouvoir sera réélu.
L’étude de Ben Allita (Ben Allita, 2015), remarqua que les changements des gouvernements et des présidents peuvent engendrer une ‎modification du ‎système de pays et peuvent générer l’incertitude, qu’il existe une différence entre un chef d’Etat d’idéologie de gauche et un ‎chef d’Etat ‎d’idéologie de droite et que les électeurs font élire les parties qui reflètent leurs croyances et ‎leurs intérêts et que les investisseurs sur le marché financier qui ont des tendances gauchistes se ‎distinguent des ‎investisseurs qui ont des tendances droitistes aux niveaux des comportements, des ‎intérêts et ‎des sentiments et des analyses boursières et par conséquent, il y a une grande probabilité ‎‎d’observer une volatilité boursière inattendue.
‎‎4. ‎La remise en cause de l’hypothèse de rationalité:
La finance classique même avec son recours massif aux modèles mathématiques dans le but d’atteindre un haut niveau de scientificité, est toujours sujette à de nombreuses critiques, surtout avec la succession des krachs boursiers et des bulles spéculatives qui ont conduit les chercheurs à rejeter l’hypothèse de rationalité des agents et par conséquent le corollaire de l’efficience des marchés financiers. Leurs motivations se résument ainsi : ‎
L’Arbitrage a des limites ‎et les investisseurs sont irrationnels (Thibault, 2012) ;
Les investisseurs se comportent individuellement et collectivement comme des humains (avec leurs défauts et leurs qualités psychologiques) et non comme un ensemble homogène d’individus “maximisateurs”, tel que le propose le paradigme dominant en science économique (Schinckus, 2009). En d’autres termes, les modèles mathématiques ne reflètent pas assez la réalité économique, les investisseurs ne sont pas rationnels et les marchés ne sont pas efficients ;
Les modèles et les théories classiques élaborés par les financiers (comme par les économistes) (Ait Dani & Radi, 2017) et qui tentent d’expliquer les comportements des investisseurs et des individus, tels que la loi normale et les probabilités d’occurrence, sont fondés sur la rationalité et sur des hypothèses simplistes, qui vont parfois à l’encontre de la réalité.
Les axiomes d’indépendance et de transitivité sont souvent dépassés par des décisions individuelles ;
Les investisseurs ont un comportement moutonnier ;
Les investisseurs ne respectent pas la règle de BAYES ;
Les investisseurs sont sur-confiants ;
Les investisseurs simplifient les choix complexes à l’aide de règles et de raccourcis nommés heuristiques, et sont souvent victimes de biais cognitifs (Barraud & Paugam, 2013), des mécanismes de maintien de l’estime de soi, des émotions, de la maîtrise de soi et des interactions sociales (Dhondt & De winne, 2017).
Les gens ont tendance à “réagir de façon excessive” à des événements inattendus ; et les marchés ne sont pas efficients. (De bondt & Thaler, 1985) Ont démontré que les titres réalisant un rendement peu élevé pendant les 36 derniers mois sont ceux qui ont réalisé un rendement supérieur d’environ 25 % dans les 36 mois qui suivent, plus que les titres qui ont réalisé un rendement élevé sur la même période.
Les anomalies constatées ces dernières décennies causent des écarts de rendement entre les actifs remettent en cause l’EMH elle-même; tels que: ‎Data Snooping, l’effet taille‎, l’effet fin d’année/effet janvier; l’effet Week-end, l’effet value premium, l’effet Momentum (Schwer, 2002), les conditions climatiques, la ‎volatilité, les krachs boursiers et les bulles spéculatives (Thibault, 2012). ‎ ‎
La valeur d’un titre sur le marché ne reflète que rarement sa valeur fondamentale comme l’a démontré SHILLER dans une enquête approfondie sur la volatilité excessive des marchés (prix-dividende), en concluant que, du moins au cours du siècle dernier, les dividendes ne varient tout simplement pas suffisamment pour justifier rationnellement, les variations globales des prix observées (De bondt & Thaler, 1985). D’après (ALBOUY & CHARREAUX, 2005), Jensen admet la possibilité de divergence durable entre cours boursier et valeur intrinsèque, pouvant prendre la forme d’une surévaluation.
5. Définitions de la finance comportementale ‎:
La littérature financière regorge de diverses définitions données à ‎la finance comportementale. Nous nous limiterons à ces trois définitions:
A. La finance comportementale est un domaine de recherche ‎interdisciplinaire, qui vise à mieux intégrer des concepts et résultats issus ‎de la psychologie, voire de la sociologie ou l’anthropologie.‎ Elle a mis à jour l’existence de nombreux biais comportementaux qui ‎suivent souvent les mêmes schémas chez les décideurs ou les investisseurs (D’honds & De winne, 2017).
B. La finance comportementale vise à expliquer et à mieux comprendre ‎les raisons et motifs des investisseurs, en incluant l’influence de l’effet ‎émotionnel dans le processus de la prise de décision. Essentiellement, elle ‎tente d’expliquer: le quoi, le pourquoi et le comment de la finance et de ‎l’investissement, d’une perspective humaine (RICCIARDI & SIMON, 2000).‎
C. S’inspirant de la psychologie, la finance comportementale observe empiriquement les comportements réels des investisseurs à partir de différents outils (questionnaires, expériences en laboratoire, décisions de la vie réelle…) et compare ces observations aux mouvements de cours sur les marchés (MANGOT, 2013).
Donc, globalement la finance comportementale tire son importance parce-quelle propose une réponse aux anomalies financières (TADJEDDINE, 2013) et de sa ‎contribution à expliquer l’influence de la psychologie sur le comportement ‎des investisseurs lors de la prise de décision et ses conséquences sur les ‎marchés; ou en autres termes à éclaircir les causes et la manière de ‎l’inefficience des marchés, en focalisant ses études sur l’ individu comme ‎unité de base, et sur les motivations de ses décisions en mettant l’accent sur ‎les émotions et leurs interférence dans ces décisions. ‎
‎6. Les facteurs causant les anomalies de marché‎:
6.1. Les biais:
Généralement, on distingue deux groupes de biais selon leur origine: les ‎biais affectifs ou émotionnels et les biais cognitifs.‎
‎6.1.1. Les biais affectifs :
Ils regroupent les aspects émotionnels qui ‎traitent les sentiments des personnes lors de la collecte, le traitement et ‎l’enregistrement de l’information. Pourtant, ils sont négligés par de ‎nombreux auteurs qui consacrent le plus souvent leurs travaux à l’étude ‎des biais cognitif (Wetzer, 2009), parce que la théorie financière ‎classique a exclu toute composante émotionnelle, et aussi parce que les ‎auteurs de la finance comportementale ont préféré s’intéresser aux biais ‎cognitifs, lesquels se prêteraient mieux à l’élaboration de principes ‎généraux (Wetzer, 2009).‎
Les erreurs affectives incluent les humeurs, les anomalies calendaires et ‎les anomalies météorologiques, les croyances, les biais inconscients dus ‎aux multiples préjugés favorables ou défavorables à la race, au sexe, à la ‎classe sociale, ou à la beauté…etc.‎
6.1.2. Les biais cognitifs :
Ils regroupent les aspects cognitifs qui ‎s’intéressent à la façon dont les personnes collectent et organisent les ‎informations.‎
Un biais cognitif est une forme de pensée déviant de la pensée logique ou ‎rationnelle et qui a tendance à être systématiquement utilisée dans ‎certaines situations (Racky, 2018). La nature des biais cognitifs est le ‎plus souvent définie comme des tendances à produire des croyances ou des ‎jugements erronés en vertu du fait qu’ils violent certaines règles de ‎raisonnement (Encyclopedie, 2018).
Donc le biais cognitif est un raccourci qui provoque des erreurs de ‎perception ou de décision, sans que l’on s’en aperçoive, il renvoie aux ‎distorsions entre la façon dont nous devrions raisonner pour assurer le ‎mieux possible la validité de nos conclusions et la façon dont nous ‎raisonnons réellement (Gardair, 2007).
6.2. Les heuristiques:
Les heuristiques sont des règles qui aident surtout à simplifier les problèmes et qui conduisent à des approximations souvent efficaces, mais faillibles (Gardair, 2007), car elles consistent généralement à se concentrer sur un aspect d’un problème ‎complexe et à ignorer les autres aspects, ce qui peut conduire à s’écarter systématiquement de la ‎logique, la probabilité ou des choix rationnels (Gouvernement du Canada, 2017)‎.‎
Ce sont des opérations mentales, rapides et intuitives nous menant souvent (mais pas toujours) à la bonne solution (D’honds & De winne, 2017).
Donc l’heuristique est une stratégie cognitive simplifiée (raccourci cognitif), utilisée par tout individu, pour économiser du temps et faciliter la prise de décision. Pourtant utiles en soi, elles peuvent aussi s’avérer fausses et donc susceptibles de générer des biais et des jugements erronés typiques (Meier, 2020).
Le concept d’heuristique est une forme simple de décision pouvant provoquer des biais cognitifs qui peuvent conduire à des erreurs de jugement ou à de bonnes décisions, souvent plus intuitives (Champagne, 1996)
Au final les heuristiques sont nécessaires, car elles nous faits gagner du temps et nous rendaient les processus de jugement et la prise de décision plus faciles en nous épargnant les efforts de réflexion et de calcul, et ce malgré la forte possibilité de nous nous induire en erreur.
7. L’étude empirique :
7.1. Méthodologie :
Pour tester nos hypothèses, notre choix s’est porté sur l’indice DAX (abréviation de “Deutscher Aktien Index”) du marché boursier de francfort (FWB). Le DAX a été créé en 1988 avec une base 1000. Il se compose des 30 entreprises allemandes qui font partie des 45 plus grandes entreprises, et sa composition peut changer à tout instant, quoi elle est traditionnellement revue en septembre (Café de la Bourse, 2019). Notre choix se justifie par le fait que la bourse de Francfort (Deutsche Börse Group) occupe le dixième rang mondial avec une capitalisation boursière évaluée à 2220 milliards de dollars en mars 2018 (IG, 2018).
Aussi notre choix s’est porté sur les deux plus puissantes économies de la zone EURO, à savoir l’Allemagne (avec un PIB de 3386 milliards $ en 2018 elle occupe la 4ème place mondiale) (Statista, 2019) et la France (avec un PIB de 2762 milliards $ en 2018 elle occupe la 7ème place mondiale) (JDN, 2019) et sur le DAX. Il est à noter que:
A. L’étude porte sur la période allant du 01/ 01/ 2008 à 31/ 12/ 2018 pour la vérification de la première hypothèse et du 03/ 01/ 2007 au 28/ 12/ 2017 (trois élections parlementaires de suite pour chaque pays) pour celle de la deuxième hypothèse en appliquant essentiellement le modèle économétrique à deux variables à l’aide du logiciel Eviews 10.
B. Les sources des données sont pour:
– la température : (Wunderground, n.d.);
– les valeurs du DAX: (Investir, s.d.);
– les résultats des élections parlementaires en Allemagne: (Laurent de Boissieu, 2009;2013;2017);
– les résultats des élections parlementaires en France: (L’Express, 2007; 2012;2017).
7. 2. Etude de l’impact de la température moyenne sur le DAX :
Pour mesurer l’impact de la température moyenne à Francfort sur le DAX, nous utiliserons le modèle suivant:
Indmoyent= β0 + β1Tempmoyt + ut (1)
Où: Indmoyent: Représente la valeur moyenne quotidienne du DAX;
Tempmoyt: Représente la température moyenne quotidienne à Francfort;
ut: Représente le terme de l’erreur satisfaisant aux caractéristiques du bruit blanc.

Statistiques descriptives des variables:

Tableau (1): Statistiques descriptives des variables
Tempmoy Indmoy
11.24220 8591.785 Mean
12.00000 8226.280 Median
30.00000 13568.37 Maximum
-11.00000 3699.175 Minimum
7.569101 2562.821 Std. Dev.
-0.075293 0.197057 Skewness
2.216418 1.793423 Kurtosis
73.93415 187.0954 Jarque-Bera
0.000000 0.000000 Probability
31332.00 23945305 Sum
159613.5 1.83E+10 Sum Sq. Dev.
2787 2787 Observations
Source: Output d’ Eviews 10.

B. Etude de la stationnarité des variables:
Pour éviter le problème des régressions fallacieuses, il est impératif, dans ce genre d’études, de s’assurer que nos 2 variables sont stationnaires en niveau. Pour ce faire, il y a plusieurs tests. Nous optons pour le test Augmented Dickey Fuller (ADF) qui vérifie l’hypothèse:
H0: Présence de la racine unitaire i.e. la série en question n’est pas stationnaire. Et le contre l’hypothèse:
H1: Absence de la racine unitaire i.e. la série en question est stationnaire.
Pour décider quelle hypothèse rejeter, nous utilisons le logiciel Eviews 10 qui nous donne les résultats suivants:

Concernant la variable Ind moyen:
Tableau (2): Test de la stationnarité de la série de valeurs du DAX
(Augmented Dickey-Fuller test statistic(
t-Statistic Prob
Augmented Dickey-Fuller test statistic -4.99959 0.0063
Test critical values 1% level -3.961362
5% level -3.411432
10% level -3.127570
Source: Output d’ Eviews 10

Concernant la variable Tempmoy:
Tableau (3): Test de la stationnarité de la série de valeurs de la température moyenne (AugmentedDickey-Fuller test statistic(
t-Statistic Prob
Augmented Dickey-Fuller test statistic -4.99959 0.0063
Test critical values 1% level -3.961362
5% level -3.411432
10% level -3.127570
Source: Output d’ Eviews 10

Conclusion: Du fait que la probabilité d’erreur (Prob) est inférieure à 5% pour les 2 séries, nous devons rejeter l’hypothèse H0 et conclure que les 2 séries sont stationnaires sans être différenciées, et par conséquent nous pouvons les utiliser telles quelles dans notre modèle.
C. Estimation du modèle:
Après s’être assuré de la stationnarité de nos 2 variables, nous passons à l’étape suivante qui consiste à estimer nos 2 paramètres à savoir β0 et β1; d’où:
Tableau (4): Relation température moyenne/ variations DAX
+ 27.80 Tempmoyt 8279.29 Indmoyt=
(0.00) (0.00)*
F=18.90 T=2787 R2= 0.006
Source: Output d’Eviews 10
(*) Les valeurs (.) représentent la probabilité d’erreur (Prob).

En se basant sur les résultats du tableau 4 et de l’annexe N° 1, et du moment que les probabilités d’erreur pour les deux estimateurs sont inférieures à 5%, nous pouvons dire que la température moyenne impacte favorablement les variations que connait le DAX. Puisqu’une hausse de la température de 1° C conduit à une augmentation de l’indice de 27.80 points, en moyenne. Cependant, vu la valeur très faible du coefficient de détermination R2 (0.0067), on peut dire également que le facteur température n’explique qu’approximativement 0.67% des fluctuations du DAX.
7.3. Etude de la relation entre les variations du DAX et les élections Fédérales Allemandes:
Pour savoir si les élections fédérales en Allemagne, dans les années 2009, 2013 et 2017, ont eu un quelconque impact sur les fluctuations du DAX, nous utilisons le modèle:
Indmoyent = β0 + β1Elect + ut (2)
Où: Indmoyt: Représente l’indice boursier quotidien moyen;
Elect: Représente une variable muette qui prend la valeur “1” deux semaines avant et après les élections, et la valeur “0” durant les autres jours de l’année où les élections ont eu lieu;
Ut: Représente le terme de l’erreur et qui satisfait aux caractéristiques du bruit blanc.
Il est à noter, que du fait qu’on déjà trouvé que la variable Indmoyen est stationnaire en niveau et que la deuxième variable est une variable muette qui ne prend que les valeurs “0” et “1”, il n’est donc pas nécessaire de passer par l’étape de la stationnarité de ces deux variables.
En ce qui concerne la 2ème étape qui consiste à estimer les paramètres du modèle (2), ci-dessus et mesurer l’impact de la variable explicative, Elec i.e. les élections fédérales en Allemagne durant les années 2009, 2013 et 2017, nous assignons à cette variable muette la valeur ” 1″ durant les deux semaines de négociations boursières qui précèdent ces élections et les deux semaines qui les suivent et la valeur “0” le reste de l’année concernée par ces élections. Nous obtenons, alors les résultats suivants:

Tableau (5): Impact des élections fédérales Allemandes sur les variations du DAX
Valeurs Prob
2009 2013 2017 2009 2013 2017
β ̂0 4992.12 8253.52 12416.11 0.000 0.000 0.0000
β ̂1 681.35 372.41 239.8089 0.000 0.000 0.0458
R2 0.091 0.053 0.015
F 25.16 14.26 252
T 253 253 4.03
Source: Output d’ Eviews 10

D’après les résultats du tableau 5 et des annexes N° 2, 3 et 4, on peut dire que du fait que la probabilité d’erreur de l’estimateur du paramètre de la variable Elec est inférieure à 5%, les élections fédérales Allemandes ont eu un impact sur les fluctuations du DAX.
En effet, durant les deux semaines de négociations boursières qui ont précédé ces élections et durant les deux semaines de qui les suivent, l’indice a tendance à s’élever de près de 681, 372 et 240 points en moyenne respectivement pour les élections de 2009, 2013 et 2017. La forte augmentation de 2009, est probablement due surtout au retour remarquable de l’Unions chrétiennes (CDU+CSU), parti à tendance centre-droit dont la candidate n’est autre qu’Angela Merkel. Cependant, on ne peut affirmer que ces mêmes élections ont eu un grand impact sur l’indice DAX, puisque la valeur du coefficient de détermination, à savoir R2, est relativement faible. Il y a donc d’autres facteurs influents autres que la variable représentant les périodes des deux semaines de négociation qui précèdent et qui suivent les élections fédérales, d’ailleurs cette variable n’explique approximativement que 9%, 5% et 1.5% des fluctuations de l’indice respectivement pour les élections de 2009, 2013 et 2017.
7.4. Etude de la relation entre les variations du DAX et les élections parlementaires en France:
Pour Etudier l’impact des élections parlementaires en France, dans les années 2007, 2012 et 2017, sur les fluctuations du DAX, nous utilisons le modèle:
Indmoyent = β0 + β1Elecft +ut (3)
Où: Indmoyt: Représente la valeur quotidienne moyenne de l’indice DAX;
Elecft: Représente une variable muette qui prend la valeur “1” les deux semaines de négociation avant et après les élections parlementaires Françaises et la valeur “0” durant les autres jours de l’année où les élections ont eu lieu;
Ut: Représente le terme de l’erreur et qui satisfait aux caractéristiques du bruit blanc.
Et pour mesurer l’impact de la variable explicative, Elective les élections parlementaires en France durant les années 2007, 2012 et 2017, nous assignons à cette variable muette la valeur ” 1″ durant les 2 semaines de négociation qui précèdent le premier tour de ces élections et les deux semaines de négociation qui les suivent et la valeur “0” le reste de l’année concernée par ces élections. Nous obtenons les résultats suivants:

Tableau (6): Impact des élections Parlementaires Françaises sur les variations du DAX
Valeurs Prob
2007 2012 2017 2007 2012 2017
β ̂0 7428.13 6895.55 12409.84 0.000 0.000 0.000
β ̂1 425.19 -684.13 323.03 0.000 0.000 0.007
R2 0.058 0.184 0.028
F 14.91 56.87 7.40
T 245 254 252
Source: Output d’ Eviews 10

Au regard des résultats du tableau 6 et des annexes 5, 6 et 7, montrant que la probabilité d’erreur de l’estimateur du paramètre de la variable Elecf est inférieure à 5%, on peut dire que les élections parlementaires en France ont eu un certain impact sur la volatilité DAX.
En effet, durant les deux semaines de négociations boursières qui précèdent le premier tour de ces élections et durant les deux semaines qui les suivent, l’indice a tendance à augmenter deprès de 425 et 323 points en moyenne pour les élections de 2007 qui a vu la nette domination des partis de droite avec 60,49% des sièges, et de 2017 qui à la surprise générale a connu l’écrasante victoire (60,66% des sièges) du parti “La République en marche”; un parti politique fondé en avril 2016 par Emmanuel Macron, et qui veut se coller l’étiquette du parti de ” la troisième voie ou du ramasse tout ou encore parti du centre gauche au centre droit”.
Les élections de 2012, par contre, on eut tout autre effet, puisque le même indice a connu une forte baisse de près de 684 points en moyenne, à cause peut être de la montée des partis à tendance gauchiste qui ont raflé 59,10% des siège. Mais, on ne peut affirmer que ces mêmes élections ont un grand impact sur cet indice boursier, puisque la valeur du coefficient de détermination, à savoir R2 est relativement faible. Il y a donc d’autres facteurs influents autres que les élections parlementaires en France, d’ailleurs cette variable n’explique approximativement que 5.8, 18.41 et 2.8% des fluctuations de l’indice, respectivement pour 2007, 2012 et 2017.
8. Conclusion générale:
Cet article s’est interrogé sur le comportement de l’indice de la bourse de Francfort (le DAX) sous l’effet d’un facteur climatologique (la température à Francfort) et sous l’effet d’un facteur politique (les élections parlementaires en Allemagne et en France), et cela dans le cadre de la finance comportementale, selon laquelle, le marché financier n’est pas efficient et les investisseurs, ne sont pas parfaitement rationnels puisqu’ils utilisent des heuristiques qui aboutissent à des comportements biaisés.
Globalement, on peut noter l’impact positif de l’augmentation de la température moyenne qui devrait expliquer au moins partiellement la variation de l’indice DAX, puisqu’une hausse de la température de 1°C entrainera une augmentation de l’indice de 27.80 points.
Il de même pour la variable muette des élections parlementaires dans les deux pays choisis, qui prend la valeur “1” durant les deux semaines de négociation boursières avant et après la date de déroulement des élections, et la valeur “0” durant le restant de l’année, où nous avons constaté que la valeur de l’indice est influencée par la tendances des partis remportant les élections soit seuls ou en collations, comme c’est le cas des élections Allemand es de 2009 où l’indice a connu une forte augmentation de 681 points vu le retour en force de l’Unions chrétiennes (CDU+CSU) à tendance centre-droite et le recul du Parti social-démocrate d’Allemagne (SPD) à tendance centre- gauche.
Concernant les élections parlementaires en France, nous avons constaté qu’elles impactent, elles aussi, la volatilité du DAX, puisque cet indice a baissé de 684 points en moyenne, lors des élections Françaises de 2012, à cause peut être de la montée des partis à tendance gauchiste qui ont gagné 59,10% des sièges.
Toutefois, ces conclusions restent entachées, car la valeur du coefficient de détermination (R2) est relativement faible, ce qui nous pousse à croire qu’il y a d’autres facteurs influents autres que les élections parlementaires dans les deux pays.
9. Annexes:

Annexe (1): Relation température moyenne/ variations DAX

Dependent Variable: INDMOYEN Method: Least Squares
Sample: 2008/01/03 – 2018/12/28 Included observations: 2787
Variable Coefficient Std. Error t-Statistic Prob.
C 8279.288 86.65579 95.54224 0.0000
TEMPMOY 27.79682 6.394300 4.347125 0.0000
R-squared 0.006740 Meandependent var 8591.785
Adjusted R-squared 0.006383 S.D. dependent var 2562.821
S.E. of regression 2554.629 Akaike info criterion 18.52992
Sumsquaredresid 1.82E+10 Schwarz criterion 18.53418
Log likelihood -25819.44 Hannan-Quinn criter. 18.53146
F-statistic 18.89749 Durbin-Watson stat 0.002000
Prob(F-statistic) 0.000014
Source: Output d’ Eviews 10

Annexe (2): Relation élections fédérales Allemandes 2009/ variations DAX

Dependent Variable: INDMOYEN Method: Least Squares
Sample 2009/01/05- 2009/12/30 Included observations: 253
Variable Coefficient Std. Error t-Statistic Prob.
C 4992.117 38.19334 130.7065 0.0000
ELEC 681.3496 135.8416 5.015764 0.0000
R-squared 0.091100 Meandependent var 5045.979
Adjusted R-squared 0.087479 S.D. dependent var 610.3010
S.E. of regression 582.9960 Akaike info criterion 15.58211
Sumsquaredresid 85310982 Schwarz criterion 15.61004
Log likelihood -1969.137 Hannan-Quinn criter. 15.59335
F-statistic 25.15789 Durbin-Watson stat 0.027030
Prob(F-statistic) 0.000001
Source: Output d’ Eviews 10

Annexe (3): Relation élections fédérales Allemandes 2013/ variations DAX

Dependent Variable: INDMOYEN Method: Least Squares
Sample: 2013/01/02- 2013/12/30 Included observations: 253
Variable Coefficient Std. Error t-Statistic Prob.
C 8253.517 33.95664 243.0605 0.0000
ELEC 372.4113 98.61077 3.776578 0.0002
R-squared 0.053768 Meandependent var 8297.676
Adjusted R-squared 0.049998 S.D. dependent var 520.2533
S.E. of regression 507.0808 Akaike info criterion 15.30309
Sumsquaredresid 64539858 Schwarz criterion 15.33102
Log likelihood -1933.841 Hannan-Quinn criter. 15.31433
F-statistic 14.26254 Durbin-Watson stat 0.017421
Prob(F-statistic) 0.000199
Source: Output d’ Eviews 10
Annexe (4): Relation élections fédérales Allemandes 2017/ variations DAX

Dependent Variable: INDMOYEN Method: Least Squares
Sample: 2017/01/02 – 2017/12/29 Included observations: 252
Variable Coefficient Std. Error t-Statistic Prob.
C 12416.11 32.80941 378.4314 0.0000
ELEC 239.8089 119.4873 2.006982 0.0458
R-squared 0.015856 Meandependent var 12434.19
Adjusted R-squared 0.011920 S.D. dependent var 503.8257
S.E. of regression 500.8139 Akaike info criterion 15.27825
Sumsquaredresid 62703652 Schwarz criterion 15.30626
Log likelihood -1923.060 Hannan-Quinn criter. 15.28952
F-statistic 4.027975 Durbin-Watson stat 0.019353
Prob(F-statistic) 0.045828
Source: Output d’ Eviews 10

Annexe (5): Relation élections parlementaires Françaises 2007/ variations DAX

Dependent Variable: INDMOYEN Method: Least Squares
Sample: 1245 Included observations: 245
Variable Coefficient Std. Error t-Statistic Prob.
C 7428.126 30.66655 242.2224 0.0000
ELECF 425.1958 110.1213 3.861160 0.0001
R-squared 0.057806 Meandependent var 7461.100
Adjusted R-squared 0.053928 S.D. dependent var 473.9768
S.E. of regression 461.0193 Akaike info criterion 15.11289
Sumsquaredresid 51646938 Schwarz criterion 15.14147
Log likelihood -1849.329 Hannan-Quinn criter. 15.12440
F-statistic 14.90856 Durbin-Watson stat 0.021354
Prob(F-statistic) 0.000145
Source: Output d’ Eviews 10

Annexe (6): Relation élections parlementaires Françaises 2012/ variations DAX

Dependent Variable: INDMOYEN Method: Least Squares
Sample: 2012/1/02 -2012/12/28 Included observations: 254
Variable Coefficient Std. Error t-Statistic Prob.
C 6895.553 25.45525 270.8893 0.0000
ELECF -684.1311 90.71501 -7.541543 0.0000
R-squared 0.184136 Meandependent var 6841.685
Adjusted R-squared 0.180898 S.D. dependent var 430.2454
S.E. of regression 389.3904 Akaike info criterion 14.77488
Sumsquaredresid 38209471 Schwarz criterion 14.80274
Log likelihood -1874.410 Hannan-Quinn criter. 14.78609
F-statistic 56.87486 Durbin-Watson stat 0.053739
Prob(F-statistic) 0.000000
Source: Output d’ Eviews 10
Annexe (7): Relation élections parlementaires Françaises 2017/ variations DAX

Dépendent Variable: INDMOYEN Method: Least Squares
Sample: 2017/1/02- 2017/12/29 Included observations: 252
Variable Coefficient Std. Error t-Statistic Prob.
C 12409.84 32.59341 380.7468 0.0000
ELECF 323.0344 118.7007 2.721419 0.0070
R-squared 0.028772 Meandependent var 12434.19
Adjusted R-squared 0.024887 S.D. dependent var 503.8257
S.E. of regression 497.5168 Akaike info criterion 15.26504
Sumsquaredresid 61880742 Schwarz criterion 15.29305
Log likelihood -1921.395 Hannan-Quinn criter. 15.27631
F-statistic 7.406123 Durbin-Watson stat 0.022459
Prob(F-statistic) 0.006957
Source: Output d’ Eviews 10

Bibliographie

Ait Dani, S., & Radi, B. (2017, Déc). La controverse sur l’efficience des marchés financiers et l’émergence ‎du paradigme comportemental. Maroccan Journal of Business Studies, Vol 1(01), pp. 149-‎‎176.‎. Consulté le 06 18, 2019, sur http://www.emaa.ma/mjbs/articles/pdfs/vol1issue1/9%20V1N1%20MJBS%20149-176.pdf
Albouy, M. (2005). Peut-on encore croire à l’efficience des marchés financiers ? Revue française de gestion, 4(157), pp. 169-188. Consulté le 07 08, 2019, sur https://www.cairn.info/revue-francaise-de-gestion-2005-4-page-169.htm
ALBOUY, M., & CHARREAUX, G. (2005). La finance comportementale ou l’émergence d’un nouveau ‎paradigme dominant? Revue française de gestion, 04(157), pp. 139-143. Consulté le 07 16, 2019, sur https://www.cairn.info/revue-francaise-de-gestion-2005-4-page-139.htm
Almeida, L., & Silva, P. (2019, Sept 28). Weather and stock markets; empirical evidence from ‎Portugal. (M. U. Library, Ed.) Retrieved 10 05, 2019, from MPRA (Munich Personal RePEc Archive): https://mpra.ub.uni-muenchen.de/54119/1/MPRA_paper_54119.pdf
Bachar, K., & Bertrand, J.-L. (2009, 8). La valeur d’une entreprise peut-elle être sensible à la météo ? Une étude empirique du marché français. Management & Avenir(28), pp. 56-72. doi:
Barraud, c., & Paugam, L. (2013, Avril). Eléments de finance comportementale. (U. P. Dauphine, Éd.) Consulté le 07 06, 2019, sur http://www.christophe-barraud.com/wp-content/uploads/2013/04/Elements_de_finance_comportementale.pdf
Ben Allita, A. (2015). L’impact des événements politiques, économiques, sociaux et du terrorisme sur la volatilité boursière: cas du marché financier tunisien. (U. d. gestion, Éd.) Consulté le 07 24, 2019, sur https://www.memoireonline.com/01/16/9351/Limpact-des-evenements-politiques-economiques-sociaux-et-du-terrorisme-sur.html
Bohl, M., & Gottshalk, K. (2006, August). International Evidence on the Democrat Premium and the Presidential Cycle Effect. North American Journal of Economics and Finance, Forthcoming, 17(02), pp. 107-120. Retrieved 06 07, 2019, from https://www.sciencedirect.com/science/article/abs/pii/S1062940805000501
Café de la Bourse, . (2019). Dax : l’indice de référence de la bourse de francfort. Consulté le 08 06, 2019, sur ‎https://www.cafedelabourse.com/lexique/definition/dax
Champagne, P. (1996). Le processus décisionnel des directeurs de comptes de PME dans le domaine du financement bancaire: Analyse des heuristiques et des biais cognitifs. Université du Québec à Trois-Rivières. Consulté le 08 12, 2019, sur https://core.ac.uk/download/pdf/51241517.pdf
De bondt, W., & Thaler, R. (1985, Juil). Does the Stock Market Overreact? The Journal of Finance, 40(3), pp. 793-805. Consulté le 07 16, 2019, sur https://www.jstor.org/stable/2327804
D’honds, C., & De winne, R. (2017, mars). La finance comportementale: enjeux et perspectives. Regards ‎Economiques(131), pp. 1-10. Consulté le 07 21, 2019, sur https://www.regards-economiques.be/index.php?option=com_reco&view=article&cid=170
Dhondt, C., & De winne, R. (2017, Mars). La finance comportementale: enjeux et ‎perspectives. (U. ‎Louvain, Éd.) Regards Economiques, Institut de Recherches Economiques et Sociales(131). Consulté le 06 17, 2019, sur https://www.regards-economiques.be/index.php?option=com_reco&view=article&cid=170
Encyclopedie. (2018, Avril 14). Biais cognitifs (A). Consulté le 07 08, 2019, sur https://encyclo-philo.fr/?s=biais
Galichon, A., & Tibi, A. (2011, 05 16). De la théorie à la pratique Est-il vraiment important que les marchés soient efficients? Revue-Banque(Hors-Série), 10-16. Consulté le 05 26, 2019, sur http://www.revue-banque.fr/banque-investissement-marches-gestion-actifs/article/est-il-vraiment-important-que-les-marches-soien
GARDAIR, E. (2007). Heuristiques et biais, quand nos raisonnement ne répondent pas nécessairement aux critères de la pensée scientifique et rationnelle,. Revue électronique de Psychologie Sociale, n°1, http://www.lettres.univ-nantes.fr/labecd/index.htm, 35-46.
Gardair, E. (2007). Heuristiques et biais: quand nos raisonnements ne répondent pas nécessairement aux critères de la pensée scientifique et rationnelle. Revue électronique de Psychologie Sociale(01), pp. 35-46. Consulté le 06 18, 2019, sur https://psychologiescientifique.org/wp-content/uploads/2018/02/Gardair-2007-Heuristiques-et-biais-quand-nos-raisonnement-ne-r.pdf
Gouvernement du Canada, . (2017, 07 03). La stratégie comportementale simplifiée : Application de la stratégie comportementale aux organismes gouvernementaux. (H. d. politiques, Éditeur) Consulté le 08 13, 2019, sur https://horizons.gc.ca/wp-content/uploads/2018/12/2017-0289-fre-s.pdf
IG. (2018, Déc 18). Les 10 plus grandes bourses du monde. (G. IG, Éditeur) Consulté le 08 17, 2019, sur https://www.ig.com/fr/strategies-de-trading/les-10-plus-grandes-bourses-du-monde-181218
Investir, L. E. (s.d.). DAX Xetra: Données historiques. Consulté le 08 30, 2019, sur https://investir.lesechos.fr/cours/historique-indice-dax-xetra,xetr,dax,de0008469008,isin.html
JDN. (2019, Avril 16). Classement PIB : la liste des pays les plus riches du monde en 2019. Consulté le 08 17, 2019, sur https://www.journaldunet.com/patrimoine/finances-personnelles/1209241-pays-riche-le-top-20-des-pays-les-plus-riches-du-monde-2019/
Jiniliang, l., & Jeffery, A. (2006, Déc). Presidential election uncertainty and common stock returns in the united states. ournal of Financial Research, Volume29(Issue4), pp. 609-622. Retrieved 06 17, 2019, from https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1475-6803.2006.00197.x
Kathiravan, C., & al. (2018, 01 05). Effect of temperature on stock market indices: A study on BSE and NSE in India. International Journal of Economic Research, 14(15 (Part 3)), pp. 171-181. Retrieved 05 18, 2019, from https://www.researchgate.net/publication/322274208_Effect_of_temperature_on_stock_market_indices_A_study_on_BSE_and_NSE_in_India
Laurent de Boissieu, . (2009;2013;2017). les résultats des élections fédérales Allemendes. (‎. Politique, Éditeur) Consulté le 07 18, 2019, sur http://www.europe-politique.eu/elections-‎allemagne.htm
L’Express. (2007; 2012;2017). Résultats élections législatives 2007 France entière. Consulté le 08 28, 2019, sur https://www.lexpress.fr/actualite/politique/elections/legislatives-2007/resultats-elections/france.html
MANGOT, M. (2013, 01 17). 25 ans de finance comportementale ou l’émergence d’un nouveau paradigme. Consulté le 07 26, 2019, sur http://michael-mangot.com/wp/wp-content/uploads/2013/01/papier-25-ans.pdf
Meier, O. (2020, 02 21). Daniel Kahneman et les biais cognitifs. (R. Magazine, Éd.) Consulté le 02 27, 2020, sur https://www.rse-magazine.com/Daniel-Kahneman-et-les-biais-cognitifs_a3445.html
Racky, K.-S. (2018, Mars). Les biais cognitifs sont-ils (in)évitables? Vers un environnement d’apprentissage ‎optimal-Note de synthèse. (SYNLAB, Éd.) Consulté le 07 26, 2019, sur https://syn-lab.fr/wp-content/uploads/2018/03/Note_biais_misenpage_V2.pdf
RICCIARDI, V., & SIMON, H. K. (2000, Sept). What is Behavioral Finance? Technology Journal, 02(02), pp. 1-9. Consulté le 07 21, 2019, sur https://www.academia.edu/413591/What_is_Behavioral_Finance
Schinckus, C. (2009). La finance comportementale ou le développement d’un nouveau paradigme. Revue d’Histoire des Sciences Humaines, 01(20), pp. 101-127. Consulté le 06 18, 2019, sur https://www.cairn.info/revue-francaise-de-gestion-2005-4-page-139.htm
Schwer, G. (2002, 07). Anomalies and market efficiency. NBER WORKING PAPER SERIES(Working Paper 9277), pp. 1-54. Consulté le 07 10, 2019, sur http://www.nber.org/papers/w9277
Schwer, G. (2002, 07). Anomalies and market efficiency. NBER WORKING PAPER SERIES(Working Paper 9277), 1-54. Retrieved 07 10, 2019, from http://www.nber.org/papers/w9277
Statista. (2019, Avril 01). Produit intérieur brut (PIB) de l’Allemagne de 2008 à 2018. Consulté le 08 18, 2019, sur https://fr.statista.com/statistiques/668986/pib-de-l-allemag
TADJEDDINE, Y. (2013, 09). La finance comportementale,‎ une critique cognitive du paradigme classique de la finance. Idées économiques et sociales, 4(174), pp. 16-25. Consulté le 07 20, 2019, sur https://www.cairn.info/revue-idees-economiques-et-sociales-2013-4-page-16.htm‎
Thibault, J. (2012, 07 02). Théorie Financière Classique et Finance Comportementale: Confrontation Théorique et Tests Empiriques. Consulté le 08 12, 2019, sur https://docplayer.fr/2871967-Memoire-de-recherche-appliquee-julien-thibault-theorie-financiere-classique-et-finance-comportementale-confrontation-theorique-et-tests-empiriques.html
Wetzer. (2009). La finance comportementale, d’une meilleure compréhension à une nouvelle ‎régulation des marchés financiers. Consulté le 07 22, 2019, sur https://www.freewebs.com/mja-paris2/MEMOIRES%202009/Wetzer.pdf
Wunderground. (n.d.). Frankfurt, Hesse, Germany Weather History. Retrieved 08 17, 2019, from https://www.wunderground.com/history/daily/de/frankfurt/EDDF