Diagnostic de la dynamique du taux de change USD/UAH sous régime de flottement

Table des matières

1. Introduction & Aperçu

Cette étude mène une analyse empirique complète de la dynamique du taux de change USD/UAH (Hryvnia ukrainienne) sous le régime de change flottant adopté par l'Ukraine en 2014. Couvrant la période de janvier 2014 à mai 2020, la recherche vise à diagnostiquer la nature des mouvements du taux de change, dépassant les observations anecdotiques pour une évaluation fondée sur les données. La transition d'un arrangement stabilisé vers un régime flottant et le ciblage de l'inflation ont marqué un changement significatif, créant un environnement d'incertitude accrue pour les entreprises et l'économie en général. Étant donné le degré élevé de dollarisation de l'Ukraine, comprendre les moteurs et les schémas des fluctuations du taux de change est crucial pour le commerce, l'investissement et la stabilité macroéconomique.

2. Méthodologie & Données

2.1 Description des données & Période

L'analyse utilise des données de séries chronologiques à haute fréquence pour le taux de change USD/UAH de janvier 2014, coïncidant avec le changement de politique, jusqu'à mai 2020. Cette période capture des événements significatifs, notamment les tensions géopolitiques, les réformes économiques et la phase initiale de la pandémie mondiale, fournissant un échantillon robuste pour tester le comportement du taux de change sous stress et dans des conditions normales.

2.2 Cadre analytique

L'étude emploie une approche économétrique multi-méthodes pour assurer la robustesse :

• Tests de racine unitaire : Tests de Dickey-Fuller augmenté (ADF) et de Phillips-Perron pour déterminer la présence d'une tendance stochastique (marche aléatoire).
• Analyse d'autocorrélation & de saisonnalité : Pour identifier des schémas persistants et des effets trimestriels.
• Tests de causalité de Granger : Pour explorer les relations de décalage entre le taux de change et les variables macroéconomiques clés.
• Modèle de Vector Autoregression (VAR) & Fonctions de réponse aux impulsions (IRFs) : Pour modéliser l'interaction dynamique entre plusieurs variables de séries chronologiques et évaluer la sensibilité et la persistance du taux de change face à des chocs externes (par exemple, les variations des taux d'intérêt, de l'inflation, de la balance commerciale).

2.3 Hypothèses testées

L'investigation empirique est structurée autour de trois hypothèses centrales :

1. La tendance du taux de change USD/UAH est stochastique (marche aléatoire) plutôt que déterministe.
2. La dynamique du taux de change présente une saisonnalité statistiquement significative.
3. Le marché des changes ukrainien est efficace et stable, ce qui signifie que sa réaction aux chocs externes est de courte durée et tend à s'estomper rapidement.

3. Résultats empiriques & Analyse

3.1 Analyse de la tendance & Marche aléatoire

Les résultats des tests ADF et Phillips-Perron ne permettent pas de rejeter l'hypothèse nulle d'une racine unitaire pour la série USD/UAH. Cela fournit une preuve solide que le taux de change suit un processus de marche aléatoire. La tendance contient une composante stochastique, ce qui implique que les mouvements passés ne sont pas des prédicteurs fiables des changements futurs. Cette conclusion s'aligne avec la forme faible de l'hypothèse des marchés efficaces (EMH) pour le marché des changes ukrainien, suggérant qu'il est difficile d'obtenir systématiquement des rendements anormaux sur la seule base des données historiques de prix.

3.2 Détection de la saisonnalité

Contrairement à l'implication d'une marche aléatoire pure, l'analyse révèle un schéma saisonnier clair :

• Dépréciation : La Hryvnia a tendance à se déprécier face à l'USD durant les premier et deuxième trimestres (T1 & T2).
• Appréciation : La monnaie se renforce généralement durant les troisième et quatrième trimestres (T3 & T4).

Ce schéma peut être lié à des facteurs cycliques tels que les flux d'exportations agricoles, les calendriers de remboursement de la dette ou les cycles budgétaires qui créent des pressions récurrentes de demande et d'offre de devises étrangères.

3.3 Réponse aux chocs externes

Le modèle VAR et les Fonctions de réponse aux impulsions révèlent comment le taux USD/UAH réagit aux innovations dans d'autres variables macroéconomiques (par exemple, les différentiels d'inflation, les taux d'intérêt, le compte courant). La conclusion clé est que la réaction du marché aux chocs est positive ou négative mais à court terme et non significative, les réponses ayant tendance à s'estomper avec le temps. Cela indique un certain degré de stabilité et d'efficacité relative du marché, car les chocs sont absorbés sans provoquer de tendances prolongées et déstabilisantes. Cependant, la forte volatilité et la nature de marche aléatoire impliquent simultanément une faible prévisibilité.

4. Principales conclusions & Implications

5. Détails techniques & Cadre

Fondement mathématique

Le modèle central de marche aléatoire avec dérive peut être représenté comme : $$S_t = \mu + S_{t-1} + \epsilon_t$$ où $S_t$ est le logarithme du taux de change au temps $t$, $\mu$ est une dérive constante, et $\epsilon_t$ est un terme d'erreur de bruit blanc. Le rejet par l'étude d'une tendance déterministe soutient cette spécification.

La composante saisonnière a été modélisée dans un cadre ARMA. Une représentation simple d'un processus AR(1) saisonnier pour des données trimestrielles est : $$S_t = \phi S_{t-4} + \epsilon_t$$ où $\phi$ est le paramètre autorégressif saisonnier, et un $\phi$ significatif indique la persistance d'un schéma du même trimestre de l'année précédente.

L'analyse multivariée a utilisé un modèle de Vector Autoregression (VAR) d'ordre $p$ : $$\mathbf{Y}_t = \mathbf{c} + \sum_{i=1}^{p} \mathbf{\Phi}_i \mathbf{Y}_{t-i} + \mathbf{\varepsilon}_t$$ où $\mathbf{Y}_t$ est un vecteur de variables endogènes (par exemple, USD/UAH, inflation, taux d'intérêt), $\mathbf{c}$ est un vecteur de constantes, $\mathbf{\Phi}_i$ sont des matrices de coefficients, et $\mathbf{\varepsilon}_t$ est un vecteur d'innovations de bruit blanc. Les Fonctions de réponse aux impulsions retracent l'effet d'un choc d'un écart-type dans une variable sur les valeurs actuelles et futures de toutes les variables du système.

Exemple de cadre d'analyse (non-code)

Cas : Évaluation de l'impact d'une hausse des taux d'intérêt

1. Préparation des données : Collecter des séries chronologiques mensuelles pour USD/UAH, le taux directeur de la NBU, l'inflation IPC et la balance commerciale pour 2014-2020. Tester la stationnarité de toutes les séries, appliquant une différenciation si nécessaire.
2. Spécification du modèle : Déterminer la longueur de décalage optimale (p) pour le modèle VAR en utilisant des critères d'information (AIC, BIC). Estimer le modèle VAR(p).
3. Vérification de la stabilité : S'assurer que toutes les racines du polynôme caractéristique se trouvent à l'intérieur du cercle unitaire, confirmant un système stable.
4. Causalité de Granger : Tester si les décalages du taux directeur « causent au sens de Granger » le taux USD/UAH, indiquant un pouvoir prédictif.
5. Analyse de la réponse aux impulsions : Choc l'équation du « taux directeur » dans le VAR et observer la trajectoire dynamique de la réponse USD/UAH sur, disons, 24 mois. La conclusion de l'étude serait visualisée comme un petit mouvement initial statistiquement significatif (par exemple, une appréciation) qui décroît vers zéro en quelques périodes.

6. Analyse originale & Commentaire d'expert

7. Applications futures & Axes de recherche

• Intégration de données haute fréquence & alternatives : Les recherches futures devraient incorporer des données intrajournalières et des ensembles de données alternatifs (par exemple, le sentiment des médias ukrainiens et russes, les indices de risque géopolitique) pour modéliser l'impact de la volatilité non fondamentale, induite par l'actualité, similaire aux approches utilisées dans les études du NBER sur la microstructure des marchés.
• Apprentissage automatique pour une prévision améliorée : Alors que l'économétrie traditionnelle confirme l'imprévisibilité, explorer des modèles d'apprentissage automatique (LSTM, Gradient Boosting) capables de capturer des non-linéarités complexes et des interactions entre un ensemble plus large de variables pourrait révéler des signaux prédictifs faibles mais exploitables dans le « bruit ».
• Analyse transfrontalière des devises en Europe émergente : Une étude comparative des paires USD/UAH, USD/PLN (Zloty polonais) et USD/HUF (Forint hongrois) pourrait isoler les facteurs spécifiques à l'Ukraine des tendances régionales, fournissant des orientations plus claires sur le risque idiosyncratique.
• Analyse du changement de régime politique : Modéliser formellement la rupture structurelle de 2014 et évaluer comment les paramètres du modèle VAR (persistance des chocs, volatilité) ont changé après l'adoption du régime flottant et du ciblage de l'inflation.
• Interaction avec les actifs cryptographiques : Étudier la relation croissante entre l'UAH, les stablecoins et les flux de cryptomonnaies comme canal alternatif de mouvement de capitaux et de pression potentielle sur le taux de change.

8. Références

1. Ignatyuk, A., Osetskyi, V., Makarenko, M., & Artemenko, A. (2020). Ukrainian hryvnia under the floating exchange rate regime: diagnostics of the USD/UAH exchange rate dynamics. Banks and Bank Systems, 15(3), 129-146.
2. Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
3. International Monetary Fund. (2019). Annual Report on Exchange Arrangements and Exchange Restrictions (AREAER). Washington, DC.
4. Bank for International Settlements. (2019). Triennial Central Bank Survey of Foreign Exchange and OTC Derivatives Markets.
5. Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, 25(2), 383-417.
6. Engle, R. F., & Granger, C. W. J. (1987). Co-integration and Error Correction: Representation, Estimation, and Testing. Econometrica, 55(2), 251-276.
7. Sims, C. A. (1980). Macroeconomics and Reality. Econometrica, 48(1), 1-48.