Aller au contenu principal
📊 L2 • Finance Disponible

Transformer des prix en mesures financières interprétables

Rentabilités, volatilité, corrélation, lois de probabilité, régression et tests appliqués aux séries financières.

1 QCM disponible 20 Questions dans les QCM

Banque publiée de la matière : 20 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.

Commencer à réviser

Choisis un QCM et tes scores s'enregistreront automatiquement.

← Toutes les matières L2
🤖 Auto Disponible

QCM statistiques-financieres L2 - Rendements, volatilité, covariance et estimation

QCM de 20 questions avec corrections détaillées sur Rendements, volatilité, covariance et estimation (statistiques-financieres). Révisez efficacement avec des explications pédagogiques pour le niveau L2.

20 questions Intermédiaire Jusqu'à 40 XP
Révision Challenge Examen
Voir ce QCM

Présentation de Statistiques pour la finance

Les Statistiques et probabilités appliquées à la finance en Licence 2 fournissent les outils quantitatifs de la finance moderne : calcul des rentabilités et de la volatilité, espérance-variance, corrélation et covariance, lois normale et log-normale, régression linéaire (estimation du beta) et premiers tests statistiques sur séries financières. Préalable à la gestion de portefeuille et à l'évaluation d'actifs.

Objectifs pédagogiques

Appliquer les outils statistiques à l'analyse des données financières : mesurer la rentabilité et le risque d'un actif, estimer des corrélations entre titres et modéliser des séries de prix pour fonder des décisions de gestion sur des bases quantitatives.

Auteurs de référence en Statistiques pour la finance

Les penseurs et théoriciens incontournables abordés dans nos QCM et dans les programmes universitaires.

John Hull Régis Bourbonnais Sandrine Lardic Valérie Mignon

Notions et périmètre de Statistiques pour la finance en Licence 2

Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.

Rentabilités : arithmétique, logarithmique, annualisée
Mesures de risque : variance, écart-type, semi-variance
Covariance et corrélation entre actifs
Distributions de rentabilités et lois normales
Régression linéaire et estimation du bêta
Introduction aux séries temporelles financières
Tests statistiques et intervalles de confiance

Compétences visées en Statistiques pour la finance

  • Calculer rendements simples, composés et logarithmiques.
  • Estimer une variance et une covariance avec des conventions explicites.
  • Interpréter une régression financière et son incertitude.

Des observations comparables avant les statistiques

Une série de prix ne mesure pas directement la performance d’un investissement. Les dividendes, fractionnements d’actions et changements de devise peuvent modifier son interprétation. Pour une période, le rendement simple total est $(P_t-P_{t-1}+D_t)/P_{t-1}$, avec un dividende supposé encaissé en fin de période dans cette écriture. Un prix ajusté peut déjà intégrer des distributions : les ajouter une seconde fois surestimerait le rendement. Le protocole de préparation doit donc indiquer exactement ce que contient la donnée.

Les dates doivent être alignées entre actifs. Associer une clôture européenne à une clôture américaine du même jour n’élimine pas tout décalage d’information. Les jours sans cotation ne sont pas nécessairement des rendements nuls. Une valeur aberrante peut signaler une erreur de saisie, mais aussi une crise réelle ; elle ne doit pas être supprimée seulement parce qu’elle dégrade une statistique. Conserver une trace des corrections permet de distinguer nettoyage justifié et sélection opportuniste, particulièrement dangereuse dans une étude de performance.

Moyennes et capitalisation ne répondent pas à la même question

La moyenne arithmétique décrit le rendement moyen par période observée et peut servir à estimer une espérance sous des hypothèses de stabilité. La moyenne géométrique décrit le rythme constant reproduisant la richesse finale : $g=[\prod_t(1+R_t)]^{1/n}-1$. Elle tient compte de la composition des gains et pertes. Pour des rendements variables et des facteurs positifs, elle ne dépasse pas la moyenne arithmétique. Une baisse suivie d’une hausse de même pourcentage ne rétablit généralement pas le capital initial.

Le rendement logarithmique est $r_t=\ln(1+R_t)$ lorsque le facteur de rendement est strictement positif. Les logarithmes s’additionnent dans le temps, mais les rendements simples restent plus commodes pour agréger des actifs dans un portefeuille. Annualiser un rendement mensuel constant utilise $(1+R_m)^{12}-1$. Multiplier par douze n’est qu’une approximation pour de faibles taux. Une annualisation décrit une convention de comparaison ; elle ne prouve pas qu’une performance mensuelle exceptionnelle puisse être reproduite pendant douze mois consécutifs.

Dispersion, dépendance et distributions imparfaites

La variance mesure la moyenne des écarts quadratiques au centre de la distribution. Pour estimer une variance à partir de n observations indépendantes de même distribution, la variance empirique corrigée divise la somme des carrés centrés par n − 1. La variance descriptive de la population observée divise par n. Les deux calculs sont légitimes mais ne répondent pas au même objectif. L’écart-type est la racine de la variance et retrouve l’unité du rendement ; la variance s’exprime dans son unité au carré.

La covariance décrit les mouvements conjoints et la corrélation les normalise entre moins un et un. Une corrélation nulle exclut une relation linéaire moyenne, pas toute dépendance. Les rendements financiers peuvent présenter asymétrie, queues épaisses et regroupements de volatilité. La semi-variance s’intéresse aux écarts sous un seuil choisi, dont il faut préciser la définition. La règle de volatilité annuelle égale à la volatilité quotidienne multipliée par la racine de 252 suppose notamment des covariances temporelles nulles et une variance stable ; elle n’est pas universelle.

Régression, bêta et incertitude d’estimation

Une régression des rendements excédentaires d’un actif sur ceux d’un marché estime une constante alpha et une pente bêta. La pente empirique correspond au rapport covariance sur variance du rendement de marché. Un bêta de 1,3 indique une sensibilité linéaire estimée supérieure à celle du marché ; il ne signifie ni hausse garantie de 30 %, ni risque total supérieur exactement de 30 %. Le résidu rassemble les variations non expliquées par le facteur retenu.

Les intervalles de confiance distinguent l’estimation ponctuelle de sa précision. Pour une moyenne issue d’observations indépendantes approximativement normales, l’erreur standard vaut s divisé par la racine de n, avec un quantile de Student lorsque la variance est estimée. Autocorrélation et hétéroscédasticité exigent des adaptations. Une faible valeur p n’est pas la probabilité que l’hypothèse nulle soit vraie et ne mesure pas la taille économique de l’effet. Multiplier les tests jusqu’à trouver un résultat significatif crée un biais qui doit être traité dans le protocole.

Exemple : quatre rendements, deux lectures de la performance

Une série fictive comporte quatre rendements trimestriels : 10 %, −10 %, 5 % et −5 %. Les revenus distribués sont supposés déjà inclus et réinvestis, sans frais. La moyenne arithmétique vaut zéro. En revanche, un capital initial de 100 euros devient 100 × 1,10 × 0,90 × 1,05 × 0,95 = 98,7525 euros. Le rendement annuel réalisé est donc −1,2475 %. La moyenne géométrique trimestrielle vaut environ −0,3133 %, dont la composition sur quatre trimestres retrouve cette perte.

Les écarts à la moyenne nulle donnent une somme de carrés de 0,10² + (−0,10)² + 0,05² + (−0,05)² = 0,025. La variance descriptive vaut 0,025 / 4 = 0,00625, soit une volatilité de 7,91 %. La variance corrigée vaut 0,025 / 3 = 0,008333, soit 9,13 %. Cette dernière est une estimation très imprécise à partir de seulement quatre observations.

Sous l’hypothèse supplémentaire de trimestres indépendants et de variance stable, l’annualisation de l’écart-type corrigé donnerait 9,13 % × racine de 4 = 18,26 %. Elle ne transforme pas ce petit échantillon en prévision fiable. L’exemple sépare ainsi richesse réellement composée, dispersion descriptive et inférence sur une distribution inconnue.

Méthode : rendre un résultat statistique reproductible

Définir d’abord la question : décrire une période, estimer un paramètre ou prévoir une observation future. Enregistrer l’univers de titres, la fenêtre temporelle, la fréquence, la devise et le traitement des dividendes. Produire quelques calculs manuels pour contrôler les résultats du logiciel. Vérifier le dénominateur de la variance et la conversion des pourcentages en décimales ; multiplier des données en pourcentage sans adapter les unités peut créer une erreur de facteur cent ou dix mille.

Tracer ensuite les rendements et leurs carrés pour repérer ruptures et instabilité de la volatilité. Présenter la taille de l’échantillon, les paramètres et leur incertitude. Évaluer une prévision sur des dates non utilisées pour ajuster le modèle. Comparer avec une référence simple et documenter les essais infructueux autant que le meilleur résultat. Enfin, distinguer relation statistique et mécanisme causal : une corrélation entre deux titres peut refléter un facteur commun absent de l’analyse, plutôt qu’une influence directe de l’un sur l’autre.

Questions de cours

Pourquoi une moyenne nulle peut-elle accompagner une perte ?

Les rendements se composent par multiplication. Une perte de 10 % suivie d’un gain de 10 % multiplie la richesse par 0,99.

Faut-il toujours diviser la variance par n − 1 ?

Non. Cette correction concerne un objectif d’estimation sous certaines hypothèses. Une variance purement descriptive peut utiliser n.

Une corrélation nulle signifie-t-elle indépendance ?

Pas en général. Une dépendance non linéaire peut subsister. L’équivalence requiert des hypothèses particulières, notamment de normalité jointe.

Peut-on annualiser toute volatilité par racine du temps ?

Non. La règle suppose notamment une variance stable et l’absence de covariance entre périodes ; ces conditions doivent être examinées.

Bibliographie recommandée en Statistiques pour la finance

Ouvrages de référence utilisés dans les universités françaises pour Licence 2

Économétrie des séries temporelles macroéconomiques et financières

• Economica •

ISBN : 978-2717844382

Économétrie

• Dunod •

ISBN : 978-2100823376

Gestion des risques et institutions financières

• Pearson •

ISBN : 978-2326001886

Ces lectures éclairent le périmètre traité. Le contenu est à confronter au cours de votre établissement ; il ne constitue pas un programme officiel.

Comment réviser Statistiques pour la finance efficacement ?

Relire le cours

Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.

Mode Révision

Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.

Mode Examen

Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.