Table des matières
1. Introduction
Cet article étudie l'interdépendance des marchés des changes, des actions et des matières premières dans un ensemble d'économies d'Europe centrale et orientale (ECO) — à savoir la République tchèque, la Hongrie, la Pologne, l'Ukraine, la Bulgarie et la Roumanie. Malgré l'attente d'une adhésion future à la zone euro pour de nombreux membres de l'UE d'Europe centrale et orientale après les élargissements de 2004/2007, la plupart, y compris des économies majeures comme la Pologne et la Hongrie, conservent des régimes de change flottant et de ciblage d'inflation. Cela crée un environnement complexe où des monnaies nominalement indépendantes restent sensibles aux retombées des chocs financiers régionaux, de la zone euro et mondiaux, en particulier ceux transmis via les marchés boursiers et des matières premières. L'objectif principal de l'étude est de déterminer si les variations des cours boursiers nationaux/étrangers ou des prix mondiaux des matières premières exercent une pression à la dépréciation sur ces devises et de retracer la direction et l'origine de ces transmissions.
2. Méthodologie et données
2.1 Construction de l'indice de Pression sur le Marché des Changes (EMP)
Le cœur de l'analyse empirique est la construction d'un indice mensuel de Pression sur le Marché des Changes (EMP) pour chaque pays de 1998 à 2017. L'indice EMP est une mesure composite qui capture la pression spéculative sur une devise, en agrégeant trois composantes clés :
- Le pourcentage de variation du taux de change nominal (monnaie locale par unité de devise étrangère, par ex. EUR ou USD).
- Le pourcentage de variation des réserves internationales (avec un signe négatif, car les pertes de réserves indiquent une pression de vente).
- La variation de l'écart de taux d'intérêt (national vs étranger, par ex. les taux allemands).
L'indice est standardisé pour assurer la comparabilité entre les pays et dans le temps. Les périodes de valeurs EMP positives élevées sont identifiées comme des épisodes potentiels de crise de change.
2.2 Sources des données et variables
L'étude utilise des données chronologiques mensuelles. Les variables clés incluent :
- Indice EMP : Construit comme décrit ci-dessus.
- Rendements boursiers : Indices boursiers nationaux (par ex. WIG pour la Pologne, PX pour la République tchèque) et indices étrangers (par ex. Euro Stoxx 50, S&P 500).
- Prix des matières premières : Variations des indices mondiaux pour le pétrole (par ex. Brent) et un large panier de matières premières.
- Les variables de contrôle peuvent inclure des mesures de l'aversion au risque mondiale (par ex. VIX).
2.3 Cadre économétrique : Autorégression Vectorielle (VAR)
Pour examiner les liens dynamiques, l'article utilise des modèles d'Autorégression Vectorielle (VAR). Un modèle VAR traite toutes les variables comme endogènes et capture leurs interdépendances dans le temps. Les outils spécifiques utilisés sont :
- Tests de causalité de Granger : Pour déterminer si les valeurs passées d'une variable (par ex. les rendements boursiers) contiennent des informations statistiquement significatives pour prévoir une autre (par ex. l'EMP). Cela indique une relation prédictive directionnelle.
- Fonctions de réponse impulsionnelle (IRF) : Pour retracer l'effet d'un choc d'un écart-type sur une variable (par ex. une baisse des prix du pétrole) sur les valeurs actuelles et futures d'une autre variable (par ex. l'EMP), illustrant l'ampleur, la direction et la persistance des retombées.
3. Résultats empiriques et analyse
3.1 Tendances de l'EMP et crises de change (1998-2017)
Les indices EMP construits révèlent un pic significatif de pression sur toutes les devises étudiées d'Europe centrale et orientale pendant la crise financière mondiale de 2008. Un résultat notable est que l'intensité des interventions de change des banques centrales (une composante de l'EMP) a généralement diminué dans la période post-2008, suggérant un changement de politique ou de structure de marché.
3.2 Tests de causalité de Granger
Les tests de causalité révèlent des schémas de transmission hétérogènes :
- République tchèque : Apparaît relativement isolée. Peu de liens causaux significatifs des marchés boursiers ou des matières premières étrangers vers l'EMP national sont trouvés.
- Hongrie : Montre une sensibilité aux retombées mondiales, avec une causalité allant des marchés boursiers mondiaux (par ex. S&P 500) vers son EMP.
- Pologne : L'exposition est plus intra-régionale. L'EMP polonais est causé au sens de Granger par les évolutions des marchés boursiers d'autres pays d'Europe centrale et orientale.
- Ukraine : Présente une causalité bidirectionnelle unique entre son indice boursier national et l'EMP. De plus, les variations des prix mondiaux des matières premières causent au sens de Granger l'EMP ukrainien.
3.3 Analyse des fonctions de réponse impulsionnelle
Les IRF fournissent une image dynamique :
- Un choc négatif sur les prix mondiaux du pétrole ou des matières premières entraîne une augmentation significative et persistante de l'EMP (pression à la dépréciation) pour l'Ukraine.
- Pour la Hongrie, un choc positif sur les marchés boursiers de la zone euro ou des États-Unis réduit l'EMP (allège la pression), ce qui correspond au canal de sentiment « risk-on ».
- Les réponses en Pologne sont plus étroitement liées aux chocs originaires de la région d'Europe centrale et orientale.
3.4 Résultats spécifiques par pays
Vulnérabilités clés par pays
- République tchèque : Faible vulnérabilité à la transmission externe.
- Hongrie : Haute vulnérabilité aux chocs des marchés financiers mondiaux.
- Pologne : Haute vulnérabilité aux chocs régionaux (ECO).
- Ukraine : Haute vulnérabilité aux chocs sur les prix des matières premières et forte boucle de rétroaction financière-réelle domestique.
4. Discussion et implications
4.1 Implications politiques pour les banques centrales d'Europe centrale et orientale
Les résultats suggèrent qu'une approche politique unique n'est pas adaptée. Les décideurs politiques doivent adapter leurs cadres de surveillance et d'intervention en fonction du profil de vulnérabilité spécifique de leur pays :
- La Banque nationale de Hongrie doit surveiller étroitement le sentiment de risque mondial et les flux de capitaux.
- Les autorités de stabilité financière de la Pologne doivent se concentrer fortement sur les canaux de contagion régionaux.
- Les décideurs politiques ukrainiens doivent intégrer les prévisions de prix des matières premières dans leurs stratégies de gestion du taux de change et des réserves.
4.2 Limites de l'étude
L'étude reconnaît des limites : l'utilisation de données mensuelles peut manquer les dynamiques de plus haute fréquence ; l'indice EMP, bien que standard, fait l'objet de débats conceptuels autour de sa pondération ; et le cadre VAR établit des liens statistiques mais n'identifie pas explicitement les canaux économiques sous-jacents (par ex. balance commerciale, flux de portefeuille).
5. Détails techniques et cadre mathématique
L'indice EMP de base pour le pays i au temps t est construit comme suit :
$EMP_{i,t} = \frac{\Delta e_{i,t}}{\sigma_{\Delta e_i}} - \frac{\Delta r_{i,t}}{\sigma_{\Delta r_i}} + \frac{\Delta (i_{i,t} - i_{f,t})}{\sigma_{\Delta (i_i-i_f)}}$
Où :
$\Delta e_{i,t}$ = pourcentage de variation du taux de change (monnaie locale / devise étrangère).
$\Delta r_{i,t}$ = pourcentage de variation des réserves étrangères (signe négatif).
$\Delta (i_{i,t} - i_{f,t})$ = variation de l'écart de taux d'intérêt.
$\sigma$ = écart-type de la série respective sur l'échantillon, utilisé pour la normalisation.
Le modèle VAR(p) sous forme réduite est spécifié comme suit :
$Y_t = c + A_1 Y_{t-1} + A_2 Y_{t-2} + ... + A_p Y_{t-p} + u_t$
où $Y_t$ est un vecteur de variables endogènes (par ex. [EMP, Rendements Boursiers Nationaux, Variations du Prix du Pétrole]), $c$ est un vecteur de constantes, $A_j$ sont des matrices de coefficients, et $u_t$ est un vecteur de termes d'erreur bruit blanc.
6. Résultats et descriptions des graphiques
Figure 1 (Hypothétique) : Séries chronologiques des indices EMP (1998-2017). Un graphique à plusieurs panneaux montrant l'indice EMP standardisé pour chacun des six pays d'Europe centrale et orientale. Toutes les séries montrent des pics prononcés pendant 2008-2009. La courbe de l'Ukraine affiche la plus grande volatilité et plusieurs pics majeurs en dehors de 2008, correspondant à ses crises politiques et économiques distinctes. La courbe tchèque apparaît comme la plus lisse et la moins volatile.
Figure 2 (Hypothétique) : Fonctions de réponse impulsionnelle pour l'Ukraine. Un panneau de graphiques. Le graphique clé montre la réponse de l'EMP ukrainien à un choc négatif sur les prix mondiaux du pétrole. La réponse est immédiatement positive (l'EMP augmente), statistiquement significative pendant environ 6-8 mois, puis décroît progressivement vers zéro. Un autre graphique montre la réponse des rendements boursiers ukrainiens à un choc sur l'EMP ukrainien, confirmant la boucle de rétroaction bidirectionnelle.
7. Cadre analytique : Étude de cas exemple
Scénario : Une forte baisse de 20 % des prix mondiaux du pétrole brut sur un trimestre.
Application du cadre :
- Canal direct (Ukraine) : En utilisant l'IRF estimée à partir du modèle de l'article, nous pouvons quantifier l'augmentation attendue de l'indice EMP de l'Ukraine. Cela se traduit par une probabilité plus élevée de dépréciation de la hryvnia, de perte de réserves ou d'un besoin de relèvement des taux d'intérêt.
- Canal indirect/régional (Pologne) : Bien que la Pologne soit moins dépendante des matières premières, le choc pétrolier peut déclencher un sentiment de « risk-off » régional. Le résultat de causalité de Granger suggère que l'EMP polonais pourrait être affecté via des retombées d'autres marchés boursiers d'Europe centrale et orientale qui réagissent aux craintes de croissance mondiale induites par la baisse des prix du pétrole.
- Canal de rééquilibrage de portefeuille (Hongrie) : Le choc pétrolier peut déprimer les marchés boursiers mondiaux (S&P 500). La causalité établie des actions mondiales vers l'EMP hongrois implique que cela pourrait transmettre une pression sur le forint alors que les investisseurs internationaux se retirent des marchés émergents.
8. Applications futures et orientations de recherche
- Analyse haute fréquence : Répliquer l'étude avec des données quotidiennes ou infra-journalières pour capturer des retombées plus rapides, en particulier pendant les périodes de crise, similaires aux cadres de retombées de volatilité haute fréquence utilisés dans des études comme Diebold & Yilmaz (2012).
- Analyse de réseau des retombées : Appliquer les méthodologies de Diebold & Yilmaz (2014) pour modéliser le système financier d'Europe centrale et orientale comme un réseau, quantifiant le rôle de chaque pays en tant qu'émetteur ou récepteur de chocs.
- Intégration avec les fondamentaux macroéconomiques : Étendre le VAR pour inclure des variables comme les soldes du compte courant, la croissance du crédit ou des indicateurs budgétaires pour passer de la corrélation à une compréhension plus structurelle des canaux.
- Amélioration par apprentissage automatique : Utiliser des outils comme LASSO-VAR ou les réseaux de neurones pour gérer un ensemble plus large de prédicteurs potentiels et détecter des relations non linéaires que les VAR linéaires standards pourraient manquer.
- Outil de simulation politique : Développer un tableau de bord pour les banques centrales qui intègre des données en temps réel sur les variables mondiales et produit des prévisions probabilistes de l'EMP basées sur les modèles estimés.
9. Références
- Hegerty, S. W. (2018). Exchange market pressure, stock prices, and commodity prices east of the Euro. Journal of Economics and Management, 31(1), 75-?.
- Diebold, F. X., & Yilmaz, K. (2012). Better to give than to receive: Predictive directional measurement of volatility spillovers. International Journal of Forecasting, 28(1), 57-66.
- Diebold, F. X., & Yilmaz, K. (2014). On the network topology of variance decompositions: Measuring the connectedness of financial firms. Journal of Econometrics, 182(1), 119-134.
- Kaminsky, G. L., & Reinhart, C. M. (1999). The twin crises: the causes of banking and balance-of-payments problems. American economic review, 89(3), 473-500.
- Pesaran, H. H., & Shin, Y. (1998). Generalized impulse response analysis in linear multivariate models. Economics letters, 58(1), 17-29.
- International Monetary Fund (IMF). (2023). Global Financial Stability Report. Récupéré de https://www.imf.org.
10. L'éclairage de l'analyste : Une déconstruction en quatre étapes
L'éclairage central : Cet article livre une vérité cruciale, souvent négligée : au sein du « bloc d'Europe centrale et orientale » apparemment homogène, la vulnérabilité financière n'est pas monolithique. La République tchèque fonctionne avec une isolation quasi suisse, la Hongrie est un satellite des flux de capitaux mondiaux, la Pologne est prise dans une toile régionale, et l'Ukraine est un marché émergent classique tiré par les matières premières avec une boucle de rétroaction domestique volatile. Ignorer ces lignes de faille est une recette pour une mauvaise évaluation du risque.
Enchaînement logique : L'approche de l'auteur est méthodologiquement solide mais conventionnelle. Construire les indices EMP → identifier les périodes de crise → appliquer des outils VAR standards (Granger, IRF). La force ne réside pas dans une économétrie nouvelle, mais dans l'application minutieuse à une région peu étudiée. Le saut logique du résultat statistique à l'interprétation économique (par ex. « retombées mondiales » vs. « contagion régionale ») est bien argumenté mais, comme ils l'admettent, s'arrête avant de déterminer les mécanismes de transmission précis (débouclage de carry trade ? canaux de crédit commercial ?).
Points forts & faiblesses :
Points forts : La ventilation granulaire, pays par pays, est le joyau de l'étude. Aller au-delà des moyennes régionales expose des idiosyncrasies critiques. L'accent mis à la fois sur les canaux actions ET matières premières est complet. L'échantillon 1998-2017 couvre robustement plusieurs crises.
Faiblesses : La fréquence mensuelle des données est un angle mort important dans le monde du trading algorithmique actuel ; les retombées se produisent souvent en heures, pas en mois. L'indice EMP, bien que standard, est une boîte noire — ses composantes (taux de change, réserves, taux) peuvent évoluer de manière compensatoire en raison de la politique, masquant la pression réelle. L'étude ressemble à une superbe carte du terrain passé ; son utilité pour prévoir la prochaine crise est limitée sans intégrer des indicateurs prospectifs ou des données de sentiment de marché.
Perspectives actionnables :
- Pour les investisseurs : Abandonnez la mentalité « ETF d'Europe centrale et orientale ». Modélisez les actifs tchèques comme à faible bêta par rapport à la finance mondiale, couvrez les expositions polonaises contre les voisins régionaux, et traitez l'Ukraine comme un pari à effet de levier sur les matières premières avec un risque politique élevé.
- Pour les gestionnaires de risque : Construisez des modèles d'alerte précoce distincts pour chaque type de pays identifié. Pour la Hongrie, surveillez le VIX et la politique de la Fed. Pour la Pologne, créez un indice régional des conditions financières. Pour l'Ukraine, ancrez les scénarios à des fourchettes de prix du pétrole.
- Pour les décideurs politiques (ECO) : Le succès apparent de la Banque nationale tchèque dans le découplage est une étude de cas à rétro-concevoir. La Hongrie et la Pologne doivent s'interroger sur la résilience suffisante de leurs cadres de politique monétaire face à leurs principaux canaux de retombées. Le résultat pour l'Ukraine est un avertissement sévère pour diversifier son économie et constituer des réserves de guerre plus importantes.
- Pour les chercheurs : Cet article est la fondation parfaite. La prochaine étape immédiate est de relancer cette analyse avec des données quotidiennes et d'incorporer des outils d'analyse de réseau (à la Diebold & Yilmaz) pour passer d'une causalité bilatérale à une carte du risque systémique de l'ensemble du réseau financier d'Europe centrale et orientale.