Thèse Essais en Finance des Matières Premières H/F

Doctorat.Gouv.Fr

On peut dégager deux caractéristiques principales concernant les marchés dits de matières premières. Ils exhibent une volatilité nettement supérieure aux autres classes d'actifs et ils représentent une part croissante et très significative des portefeuilles d'actifs (fonds) depuis le début des années 2000 suite à l'éclatement de la bulle Internet qui a amené des investisseurs à se tourner vers des solutions alternatives pour placer leurs liquidités (cf. Cheng et Xiong (2014), Basak et Pavlova (2016) et Bruno et al. (2016)). Ces deux caractéristiques posent de nombreuses questions d'intérêt à la fois pour le monde académique mais aussi pour les praticiens de la finance dont la connaissance de ces marchés est généralement moindre que pour les actifs dit standards. L'objectif de cette thèse est de réaliser 3 ou 4 contributions à la littérature sur la Finance des Matières Premières ( Commodity Finance ) afin d'améliorer notre compréhension des phénomènes gouvernant les relations entre les prix des matières premières et les prix des autres classes d'actifs ou encore des variables macroéconomiques. Ci-dessous figurent trois propositions de contributions, sachant que cette liste n'est pas exhaustive et que la pertinence de ces problématiques dépendra évidemment in fine des résultats empiriques obtenus mais aussi des autres pistes dégagées durant le cours de la thèse par la candidate ou le candidat retenu(e).

Valeur économique de prévisions issues de données à fréquences variables. Fleming et al. (2001, 2003) montrent qu'une meilleure prévision de la volatilité (à l'aide de cotations intra-journalières) et des covariances entre les actifs (à l'aide d'un modèle à corrélation dynamique) génère un gain significatif en considérant les trois actifs de base (indice, obligations souveraines, or). On propose ici d'enrichir le modèle dans deux directions. D'une part, on intègre un indice de matières premières à l'univers d'investissement afin d'envisager sa contribution à l'élargissement de la frontière d'efficience à laquelle les investisseurs sont confrontés. D'autre part, on recourra à l'usage simultanée de données intra-journalières (cf. Fleming et al. (2003)) et de données à fréquence plus faible (hebdomadaires ou mensuelles) pour estimer une matrice de variance-covariances adéquates dans l'esprit de Halbleib et Voev (2012) qui montrent l'intérêt statistique de cette méthode (mais pas sa valeur économique). La contribution est donc à la fois méthodologique et empirique et devrait constituer une contribution significative à la littérature.

Prévision des variables macroéconomiques et des prix d'actifs. Il est bien connu que les prix des actifs sont particulièrement difficiles à prévoir (McLean et Pontiff, 2016). C'est aussi le cas pour nombre de variables macroéconomiques, par exemple les taux de change. Des articles récents montrent cependant qu'il est possible de battre la prévision naïve (marche aléatoire) en considérant comme variable explicative le prix des matières premières (Driesprong et al. (2008) pour les actifs et Ferraro et al. (2015) pour les taux de change, ont recours au prix du pétrole; Jacobsen et al. (2019) prédisent les prix des actifs à partir d'un nombre plus élevé de prix de matières premières). L'ensemble de ces analyses souffrent toutefois d'un biais car ils considèrent que les prix des matières premières sont exogènes, ce qui est en contradiction avec de la majorité des résultats existants. Nous proposons une modélisation VAR permettant de prendre en compte l'endogénéïté des prix des matières premières et suggérons d'examiner les gains en termes de prévision de ces modèles.

Influence du prix des matières premières sur les devises des pays exportateurs. Dans un papier très cité mais qui s'est avéré fournir des résultats contestables, Ferraro et al. (2015) établissent une relation empirique à la fréquence journalière entre les devises de pays exportateurs de matières premières et les prix des matières premières correspondantes (par exemple le pétrole pour le Canada, l'or pour l'Afrique du Sud ou encore le cuivre pour le Chili). Ces résultats sont fragiles car ils recourent aux prix réalisés (contemporains) et non aux valeurs retardées. L'explication donnée par les auteurs n'est pas convaincante et le papier a fait l'objet de critiques multiples par des chercheurs de renom. On peut émettre l'hypothèse que le manque de robustesse des résultats est, du moins en partie, dû à la fréquence quotidienne des données qui masque les phénomènes d'ajustement quasi-immédiats entre les devises et les prix des matières premières. Nous proposons donc ici une analyse recourant à des données intra-journalières pour tenter de montrer le pouvoir prédictif des prix observés sur les marchés de matières premières. Cette contribution serait très originale en raison de la littérature abondante qui s'est attachée à démontrer le caractère imprévisible des taux de change (cf. Rossi (2013)).

Bibliographie

Basak, S., Pavlova, A. 2016. A model of financialization of commodities, Journal of Finance 71, 1511-1556.
Bruno, V.G., Büyüksahin, B., Robe, M.A. 2016 The financialization of food?, American Journal of Agricultural Economics 99, 243-264.
Bunn, D., Chevallier, J., Le Pen, Y., Sévi., B., 2017. Fundamental and financial influences on the co-movement of oil and gas prices. Energy Journal 38, 201-228.
Driesprong, G., Jacobsen, B.,Maat, B., 2008. Striking oil: another puzzle? Journal of Financial Economics 89, 307-327.
Cheng, I.-H., Xiong, W., 2014. The financialization of commodity markets. Annual Review of Financial Economics 6, 419-441.
Ferraro, D., Rogoff, K., Rossi, B., 2015. Can oil prices forecast exchange rates? An empirical analysis of the relationship between commodity prices and exchange rates. Journal of International Money and Finance 54, 116-141.
Fleming, J., Kirby, C, Ostdiek, B., 2001. The economic value of volatility timing. Journal of Finance 56, 329-352.
Fleming, J., Kirby, C, Ostdiek, B., 2003. The economic value of volatility timing using realized volatility. Journal of Financial Economics 67, 473-509.
Gospodinov, N., Ng, S., 2013. Commodity prices, convenience yields, and inflation, Review of Economics and Statistics 95, 206-219.
Halbleib, R., Voev, V., 2016. Forecasting covariance matrices: A mixed approach. Journal of Financial Econometrics 14, 383-417.
Jacobsen, B.,Marshall, B.R , Visaltanachoti, N., 2019. Stock market predictability and industrial metal returns. Management Science 65, 2947-3448.
Le Pen, Y., Sévi, B., 2018. Futures trading and the excess co-movement of commodity prices. Review of Finance 22, 381-418.
McLean, R.D., Pontiff, J., 2016. Does academic research destroy stock return predictability? Journal of Finance 71, 5-32.
Rossi, B., 2013. Exchange rate predictability. Journal of Economic Literature 51, 1063-1119.
Rousse, O., Sévi, B., 2019. Informed trading in theWTI oil futures markets Energy Journal 40, 139-160.
Sévi, B., 2014. Forecasting the volatility of crude oil futures using intraday data. European Journal of Operational Research 3, 643-659.

On dispose de données intrajournalières qui restent à actualiser. Le reste des données, notamment les données quotidiennes sont accessibles via les bouquets de fournisseurs auxquels la laboratoire s'abonne régulièrement. Pour des données plus spécifiques, il faudra réfélchir aux moyens d'acquisition à mettre en oeuvre.

Les méthodes envisagées ne semble pas nécessiter le recours à un matériel de type super-calculateur ou autre. Néanmoins, le cas échéant, le CCIPL (Centre de Calcul Intensif des Pays de la Loire; https://ccipl.univ-nantes.fr/) est accessible gratuitement et dans des délais raisonnables.