Beruflich Dokumente
Kultur Dokumente
1
linverse de la fonction de rpartition des marginales :
) ,
(i=1,2,,n).
Si F est n fois diffrentiable, la fonction de densit multivarie peut scrire en
fonction de la densit de la copule associe c et des densits des marginales f
i
:
1 2 1, 2, ...,
1
1 2 1 2
( ( , ,..., ) ( ) ( ), ( ) ( ) , , )
i i
n
n
i
n
n
n
f F x x x c x x x f F F x
=
=
(4)
avec ( ) . c la densit de la copule :
1 2
1 2
1 2
, , ...,
, , ...,
( )
( )
n
n
n
n
C u u u
c u u u
u u u
=
. Dans le cas
bivari, la formule (4) se simplifie en :
1 2 12 1 1 2 2 1 1 2 2
( , ) ( ( ), ( )) ( ) ( ) f x x c F x F x f x f x = ,
or, selon la formule (1), on a
1 2 2 1 2
( , ) ( ) ( | ) f x x f x f x x = ,
donc, la densit conditionnelle scrit comme
1 2 12 1 1 2 2 1 1
( | ) ( ( ), ( )) ( ) f x x c F x F x f x =
.
Considrons le cas pour 3 variables alatoire :
1 2 3 1 3 2
1 2 3
2 3 3 2
13|2 1|2 1 2 3|2 3 2 1 2
( , , ) ( , | )
( | , )
( , ) ( | )
( ( | ), ( | )) ( | )
f x x x f x x x
f x x x
f x x f x x
c F x x F x x f x x
= =
=
(5)
do c
13| 2
est le copule qui correspond les deux variables : F (x
1
|x
2
) et F (x
3
|x
2
). En
remplaant f (x
1
|x
2
) dans la formule (5), la densit conditionnelle devient
1 2 3 13|2 1|2 1 2 3|2 3 2 12 1 1 2 2 1 1
( | , ) ( ( | ), ( | )) ( ( ), ( )) ( ) f x x x c F x x F x x c F x F x f x = (6)
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
4
Dans le cas de 3 dimensions, la fonction de densit conjointe suit une expression
possible comme
1 2 3 3 2 3 1 2 3
3
12 1 1 2 2 23 2 2 3 3 13|2 1|2 1 2 3|2 3 2
1
( , , ) ( ) ( | ) ( | , )
( ( ), ( )) ( ( ), ( )) ( ( | ), ( | )) ( )
i
i
f x x x f x f x x f x x x
c F x F x c F x F x c F x x F x x f x
=
=
=
(7)
Les copules bivaries sont prsentes. Cest un des nombreuses faons exprimer une
densit multivarie comme un produit des copules bivaries et les marginales.
Lgalit entre la formule (4) en cas de 3 dimensions et la formule (7) signifie quune
copule multivarie peut tre dcompose en une cascade de copules bivaries.
Pour les distributions en grande dimension, il existe des possibilits importantes
construire les copules bivaries. Afin de les organiser, Bedford et Cooke (2001,2002)
ont prsent un modle graphique qui sappelle regular vine . Un regular vine N
dimensions est reprsent par :
N-1 arbres;
larbre j a (N+1 j) nuds et (N j) bords;
chaque bord correspond une densit de copule bivarie;
les bords de larbre j devient les nuds de larbre j+1;
deux nuds de l'arbre j+1 sont relis par un bord si les bords correspondants dans
larbre j partagent un mme nud.
La dcomposition complte est dfinie par les N(N-1)/2 bords et les densits
marginales de chaque variable, c'est--dire, N(N-1)/2 densits de copule bivarie
et N marginales.
tant donn que la densit multivarie peut tre factorise en termes des copules
bivaries et des densits marginales, elle est plus facile estimer. Selon les types
d'arbres, les vine diffrents peuvent tre construits. Deux cas possibles sont C-Vine et
D-vine.
Pour un C-vine (canonical vine) n-dimensionnel, la densit multivarie f (x
1
, x
2
,, x
n
)
peut sexprimer comme (Aas et al. (2009)) :
1
, |1,..., 1 1 1 1 1
1 1 1
( ( | ,..., ), ( | ,..., )) ( )
n j n n
j j i j j j j i j i
j i i
c F x x x F x x x f x
+ +
= = =
(8)
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
5
do lindice j identifie les arbres, alors que i couvre les bords de chaque arbre. Dans
un C-vine, chaque arbre T
j
possde un nud unique qui est connect n - j bords. La
figure 1 montre la spcification qui correspond un C-vine avec 5 variables,
Lexpression de la densit multivarie pour un C-vine avec 5 variables est
12345 1 2 3 4 5
12 1 2 13 1 3 14 1 4 15 1 5
23|1 2|1 3|1 24|1 2|1 4|1 25|1 2|1 5|1
34|12 3|12 4|12 35|12 3|12 5|12
45|123 4|123 5|123
( , ) ( , ) ( , ) ( , )
( , ) ( , ) ( , )
( , ) ( , )
( , )
f f f f f f
c F F c F F c F F c F F
c F F c F F c F F
c F F c F F
c F F
=
.
Considrons la figure 1, les parties conditionnelles des bords dans chaque arbre sont
les mme. Par exemple, dans larbre 2 (T2), la partie conditionnelle est toujours {1},
et {12} pour larbre 3. Un C-vine est prfrable quand il existe une variable cl qui
rgit les interactions des autres variables. Par exemple, dans le Modle d'valuation
des actifs financiers, (MEDAF, ou en anglais CAPM, Capital Asset Pricing Model), le
facteur March est considr comme une variable cl, les dpendances entre les
titres et le march global sont essentielles dans ce modle.
Figure 1 : Un C-vine avec 5 variables, 4 arbres et 10 bords
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
6
Pour un D-vine n-dimensionnel, la densit multivarie f (x1, x2,, x
n
) est donne par
1
, | 1,..., 1 1 1 1 1
1 1 1
( ( | ,..., ), ( | ,..., )) ( )
n j n n
i i j i i j i i i j i j i i j i
j i i
c F x x x F x x x f x
+ + + + + + + +
= = =
, (9)
dans un D-vine, aucun nud dans un arbre T
j
nest reli plus de deux bords. La
figure 2 montre un D-vine 5-dimensionnel
La formule correspondante est
12345 1 2 3 4 5
12 1 2 23 2 3 34 3 4 45 4 5
13|2 1|2 3|2 24|3 2|3 4|3 35|4 3|4 5|4
14|23 1|23 4|23 25|34 2|34 5|34
15|234 1|234 5|234
( , ) ( , ) ( , ) ( , )
( , ) ( , ) ( , )
( , ) ( , )
( , )
f f f f f f
c F F c F F c F F c F F
c F F c F F c F F
c F F c F F
c F F
=
.
En utilisant les formules (8) et (9), il est facile de construire les log-vraisemblances de
C-vine et de D-vine une fois que les fonctions de rpartition conditionnelle F (|)
peuvent tre values. Pour = (
1
,
2
,,
n
) et tous les j=1n,
|
( | ) ( ( | ), ( )) ( | )
j j
xv j j j j
f x c F x F v f x
=
v
v v v v
|
j j
xv
c
v
est la densit dune copule bivarie conditionnelle.
j
est un lment choisi
arbitrairement de , et -
j
= (v
1
,,v
j1
, v
j+1
,, v
n
) qui est le vecteur excluant
j
. Joe
(1996) a montr que
, |
( ( | ), ( ))
( | )
( )
j j
x v j j j
j j
C F x F v
F x
F v
v
v | v
v
| v
(10)
Figure 2 : Un D-vine avec 5 variables, 4 arbres et 10 bords
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
7
quand est univari, ( | ) ( ( ), ( )) ( )
xv x v
f x v c F x F v f x = et donc,
,
( ( ), ( ))
( | ) ( ( ), ( )) ( )
( )
x
x v x v
xv x v x
v
C F x F v
F x v c F u F v f u du
F v
= =
Dans le cas des marginales uniformes (c. -d. F(x) = x, f (x) = 1), la fonction h(x, v, )
reprsente cette fonction de rpartition conditionnelle simplifie,
( , , )
( , , ) ( | )
xv
C x v
h x v F x v
v
= =
(11)
do dsigne l'ensemble des paramtres de la copule.
La copule est un outil trs flexible pour modliser la dpendance entre les variables en
la sparant de leurs distributions marginales, et peut tre utilise pour modliser la
dpendance observe entre les rendements financiers.
Il y a peu de choix pour la copule multivarie, par contre, les copules bivaries sont
nombreuses. En plus, la copule gaussienne ne peut pas rendre compte de la queue
paisse tandis que la copule Student t subit la limite de lgalit entre la dpendance
de queue suprieure et de queue infrieure. Cependant, les rendements rels ont
tendance prsenter une dpendance de queue infrieure plus importante que celle de
queue suprieure, cela correspond le phnomne que les titres diffrents sont plus
susceptibles de s'crouler ensemble que daugmenter fortement ensemble. La mthode
de Vine fournit un chemin dcomposer la copule multivarie en copule bivarie.
Cela permet dutiliser une trs grande varit de familles de copules possibles, y
compris les copules archimdiennes qui peuvent dcrire des structures de dpendance
trs diverses dont notamment les dpendances dites asymtriques.
3. Le Modle MEDAF non-linaire
Dans la section prcdente, on introduit deux manires dcomposer la copule
multivarie en copule bivarie, C-vine et D-vine. Parmi ces deux mthodes, le C-vine
demande un facteur cl qui influence les autres variables. En fait, Aas et al. (2009)
choisissent modliser quatre marchs en utilisant le D-vine mais pas le C-vine car il
n'y a pas de variable pilote. Cette approche de dcomposition complte ncessite
destimer N (N-1)/2 copules bivarie pour N variables. Si le nombre de variables est
important, on doit estimer les paramtres normes. Daprs ces proprits, Heine et
Valdesogo (2009) proposent de modliser la structure de dpendance par une
extension non-linaire du MEDAF: le modle Canonical Vine Autoregressive
(CAVA) .
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
8
Dans la recherche financire, il y a un vaste travail consacr aux modles factoriels.
Parmi ces modles factoriels, le MEDAF est le plus connu. Il implique que les
rendements des titres peuvent tre expliqus par un seul facteur : le rendement du
march. Ceci signifie que la dpendance bivarie la plus important est celle entre les
titres et le march. Le MEDAF traditionnel suppose la normalit des rendements
individuels, du rendement du march et des termes derreur. Ceci implique la relation
linaire suivante :
, , , i t i M t i t
r r = +
do r
i,t
est les rendements des titres individuels, r
M,t
reprsente le rendement du
march et
i,t
les termes derreur idiosyncratiques qui sont supposs indpendants.
Avec le march comme variable centrale, le C-vine donne une mthode approprie
dvelopper le MEDAF traditionnel. Pour le modle dit march , la distribution
conjointe du march et des titres (n titres) est dcompose comme la forme suivante :
1 2
1 2
1 2
1 2
, 1 , 2 ,
, ,..., | 1 2
( , , ,..., )
( ) ( ) ( ) ( )
( ( ), ( )) ( ( ), ( )) ( ( ), ( ))
( ( | ), ( | ),..., ( | )
M M M n
n M
M n
M n
r r M r r M r r M n
r r r r M M n M
f r r r r
f r f r f r f r
c F r F r c F r F r c F r F r
c F r r F r r F r r
=
)
(12)
la premire ligne est la produit des marginales, la deuxime ligne implique que les
dpendances entre le march et des titres soient modliss par les copules bivaries
,
M i
r r
c et la dernire ligne montre que lon peut modliser la dpendance entre les titres
conditionne sur le march par une copule multivarie Gaussienne.
Un autre modle dit modle du march-secteur inclut le secteur comme un autre
facteur explicatif. Sa densit conjointe des rendements des titres, du march et du
secteur suit la dcomposition suivante :
1
2
1
1 2
1 2
, , 1
, 2 ,
, |
( , , , ,..., )
( ) ( ) ( ) ( ) ( )
( ( ), ( )) ( ( ), ( ))
( ( ), ( )) ( ( ), ( ))
( ( |
M S M
M M n
S M
M S n
M S n
r r M S r r M
r r M r r M n
r r r S
f r r r r r
f r f r f r f r f r
c F r F r c F r F r
c F r F r c F r F r
c F r r
=
2
1 2
1 , | 2
, |
, ,..., | , 1 2
), ( | )) ( ( | ), ( | ))
( ( | ), ( | ))
( ( | , ), ( | , ),..., ( | , ))
S M
S n M
n M S
M M r r r S M M
r r r S M n M
r r r r r M S M S n M S
F r r c F r r F r r
c F r r F r r
c F r r r F r r r F r r r
(13)
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
9
do
,
M S
r r
c est la copule entre le secteur et le march,
, |
i M S
r r r
c est la copule entre le
secteur et le titre conditionne sur le march, et
1 2
, ,..., | ,
n M S
r r r r r
c la copule multivarie
qui modlise la dpendance entre les titres conditionne sur le march et sur le secteur.
En ajoutant un facteur explicatif, priori, les dpendances entre les titres diminuent.
Ce modle peut aussi tendre aux plusieurs facteurs explicatifs en ajoutant les facteurs
qui refltent les corrlations entre les titres.
Il existe une asymtrie pour les corrlations entre les titres et le march. Cette
asymtrie est justifie par Ang et Chen (2002) qui trouve que les corrlations entre les
titres et le march global sont beaucoup plus importantes pour les mouvements la
baisse, en particulier pour les mouvements la baisse extrme, que pour les
mouvements la hausse. Selon lextension non-linaire, les copules bivaries
permettent de capturer cette dpendance non-linaire entre les rendements des titres et
celui de march avec des copules qui ont la dpendance de queue infrieur plus
paisse. Cest un avantage de ce dveloppement par rapport au MEDAF traditionnel
car il dpasse le cadre normal. En plus, au lieu de supposer lindpendance entre les
termes derreur, ce modle adopte la copule gaussienne mesurer ses dpendances.
4. La Dpendance Dynamique
Dans les deux sections prcdentes, on a trouv quen utilisant les copules bivaries
comme blocs de construction, on peut construire une copule de vine avec grande
flexibilit. Les recherches rcentes de lconomtrie financire sont orientes vers la
modlisation de la corrlation temps-varie. Engle (2002) introduit les modles qui
sont conus pour tenir en compte des corrlations qui varient au cours du temps. Mais
ces travaux sont limits dans le cadre gaussien si l'on modlise un grand nombre de
rendements. Par contre, ce caractre peut aussi tre dcrit par les copules bivaries
potentiellement dynamiques qui offrent beaucoup plus de choix pour les distributions.
Plusieurs approches ont t proposes dans la littrature pour la modlisation des
dpendances avec les copules bivaries non stationnaires. Dans cette partie, on
introduit deux approches qui intgrent la dynamique des paramtres de la copule.
4.1 Lapproche de Patton
Patton (2004) utilise la thorie des copules pour construire des modles de la structure
de dpendance variable dans le temps. Patton (2006b) trouve une preuve significative
de la variation au cours du temps dans la copule conditionnelle des taux de change. Il
propose des modles autorgressifs du paramtre de la copule. Considrons lexemple
de la copule SJC symmetrized JoeClayton (Patton (2006a)).
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
10
( , | , )
0.5 ( ( , | , ) (1 , 1 | , ) 1)
U L
SJC
U L U L
JC JC
C u v
C u v C u v u v
=
+ + +
(14)
do ( )
U L
est le coefficient de la dpendance de queue suprieur (respectivement,
infrieur) , C
JC
est la copule JoeClayton (donn dans lannexe), donc la copule SJC
est une modification de la copule JoeClayton. Lvolution des paramtres est donn
par
10
1
1
1
( | |)
10
U U
t U U t U t i t i
i
u v
=
= + +
(15)
10
1
1
1
( | |)
10
L L
t L L t L t i t i
i
u v
=
= + +
(16)
do dsigne la transformation logistique :
1
( ) (1 )
x
x e
+ , utilis pour garder
les deux paramtres dans (0,1). Selon lquation (15) et (16), nous modlisons les
paramtres comme un modle ARMA
1
10
1
1
| |
10
t i t i
i
u v
=
=\ (17)
do le vecteur
t
est le vecteur des rsidus standardiss qui dpend de la
spcification de la copule, pour la copule gaussienne
( )
1
, , i t i t
u
= 1 pour tout i=
1,2,,n; pour la copule Student t,
( )
1
, , i t i t v
t u
= .
-1
dsigne linverse de la fonction
de rpartition normale et
1
v
t
est la transposition du vecteur
t
. est la matrice de variance
covariance inconditionnelle de
t
, et sont les paramtres autorgressifs qui
satisfont > 0, > 0 et + 1. R
t
dsigne la matrice de corrlation de
t
qui volue
dans le temps comme suit
1
ARMA : modle autorgressif et moyenne mobile
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
11
1 1
t t t t
R Q QQ
=
(18)
do Q
t
est une matrice avec les zros comme les lments hors diagonaux et les
lments diagonaux sont la racine carr de ceux de
t
Q . Dans le cas bivari, tous ces
matrices sont en dimension 2 fois 2, donc la corrlation
t
= R
t
(1,2), et Nous avons
lexpression suivante du tau de Kendall
t
:
2arcsin( ) /
t t
t j = (19)
la relation entre le tau de Kendall et une copule avec paramtres est donne par :
2
[0,1]
4 ( , , ) ( , , ) 1 C u v dC u v t 0 0 =
]
(20)
avec cette relation le tau de Kendall peut apparatre dans les paramtres de la copule.
Selon lquation (19), on transforme la corrlation
t
en tau de Kendall, et lquation
(20) implique quil existe la correspondance entre le et les paramtres de la copule.
Jusqu ici, la dynamique est spcifie dans les paramtres de la copule.
5. Les modles GARCH pour les marginales
Pour les sries de rendements financiers, un choix prfrable pour modliser les
marginales est le modle GARCH. Dans cette section, on importe les modles
GARCH pour les distribution marginales univaries (c. -d. f i(x)).
5.1 Le modle AR-GARCH
Un modle AR (1)-GARCH (1,1) scrit sous la forme suivante, soit r
t
une srie de
rendement en temps t, alors,
0 1 1 t t t
r a a r
= + + (21)
t t t
h z = (22)
2
1 1 t t t
h h
= + + (23)
lquation (21) dcrit la relation entre le rendement en temps t et celui en temps t-1,
cest un modle AR(1); dans lquation (22), les rsidus standardiss z
t
peut suivre la
distribution gaussienne, la distribution Student t (T()) avec le paramtre v qui est le
degr de libert, et la distribution Skewed Student t (Skew-T(,)) avec les deux
paramtres, dont est le paramtre qui mesure le skewness; h
t
dsigne la variance
conditionnelle du processus. La distribution Student t permet de capturer les queues
plus paisses et le Skewed Student t intgre lasymtrie dans la distribution.
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
12
5.2 Le modle GJR-GARCH
Pour des autres modles GARCH, le modle GJR-GARCH a t introduit par Glosten,
Jagannathan et Runkle (1993). Cest un modle GARCH non linaire qui permet de
rendre compte de lasymtrie dans la rponse de la variance conditionnelle une
innovation. Le principe du modle GJR-GARCH est que la dynamique de la variance
conditionnelle admet un changement de rgime qui dpend du signe de linnovation
passe. La diffrence entre un modle GARCH (1,1) et le modle GJR-GARCH
2
-1
2 2
1 1 [ 0] 1
t
t t t t
h h
<
= + + + 1
(1,1)
rside dans la variance conditionnelle, pour GJR-GARCH, lquation (23) devient:
(24)
do
-1
[ 0]
t
<
1
est dsigne la fonction indicatrice telle que
-1
[ 0]
t
<
1
=1 si
t-1
< 0,
-1
[ 0]
t
<
1
=0, sinon. Le paramtre permet de modliser un effet asymtrique li aux
signes des innovations passes
t-1
. Si > 0 (respectivement si < 0), un choc positif
sur les innovations passes la t 1 se traduira la date t par une augmentation
(respectivement une diminution) de la variance conditionnelle, c'est--dire de la
volatilit, du processus r
t
.
Les modles GARCH classiques reposent sur une modlisation de la variance
conditionnelle comme fonction affine du carr des innovations passes. Cette
spcification a le mrite de reproduire plusieurs caractristiques importantes des sries
financires - succession de priodes calmes et turbulentes, autocorrlation des carrs
mais absence de certains faits styliss : leptokurticit des distributions, l'asymtrie et
leffet de levier.
Du point de vue empirique, la modlisation GARCH classique prsente une lacune
importante. En effet, la variance conditionnelle ne dpend que du module des
variables passes: l'effet sur la volatilit de la date prsente des innovations passes
positives et ngatives est donc identique. Cette proprit est en contradiction avec de
nombreuses tudes sur les sries d'action, qui mettent en vidence une corrlation
ngative entre le carr des innovations de la date prsente et les innovations passes:
si la distribution conditionnelle tait symtrique en les variables passes, cette
corrlation serait nulle. Or, on observe une asymtrie marque: l'accroissement de
volatilit d une baisse des prix est gnralement suprieur celui rsultant d'une
hausse de mme ampleur. La possibilit de choisir entre ces modles permet de tenir
compte de ces caractristiques des distributions des rendements financiers. Par
2
Pour le modle GJR(1,1), les contraintes appliques lquation (24) sont : +2+<2, >- et
(0,1)
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
13
exemple, la leptokurticit est prise en compte par la distribution Student t, lasymtrie
par la distribution Skewed-t distribution, et leffet de levier par GJR-GARCH.
6. Lestimation du modle par tape
Dans cette section, on dcrit lestimation des paramtres du modle Copule-GARCH
par la mthode du maximum de vraisemblance. Supposons que l'on observe n
variables T points dans le temps. Soit x
i
= (x
i,1
, x
i,2
,, x
i,T
), i = 1,2,,n la srie des
donnes. Supposons que les fonctions de distribution marginale et la fonction de
distribution conjointe sont continues et suffisamment lisses pour que tous les drivs
voulues doivent exister.
Les quations (8) et (9) montrent que lon peut dcomposer la fonction de densit
conjointe en deux parties : une pour les marginales et lautre pour la dpendance qui
est modlise par les copules bivaries. Cette dcomposition s'applique galement la
fonction de log-vraisemblance, et cela est important, car elle ouvre la voie une
procdure d'estimation par tapes. La fonction de log-vraisemblance pour le modle
est donn par
, 1 1, ,
1 1
( ; ) log( ( ; )) log( ( ( ),..., ( ); )) ( )
T n
i i t i t n n t
t i
L x f x c F x F x
= =
= +
(25)
do = ( ; ) est un vecteur qui contient les paramtres des marginales = (
1
,
2
,,
n
) et les paramtres de la copule . Cette fonction peut dcomposer en deux
parties, une pour les log-vraisemblances des marginales mL:
,
1 1 1
( ; ) log( ( ; ))
n n T
i i i t i
i i t
mL x mlv f x
= = =
= =
(26)
do mlv
i
est la log-vraisemblance pour chaque marginale. Les paramtres dpendent
de la spcification de modle. Par exemple, si les marginales sont modlises par un
modle AR (1)-GJR (1,1) et les rsidus z
t
suivent la distribution Skewed Student t,
selon les quations (21), (22) et (24), il existe huit paramtres pour chaque
marginales : deux dans lquation des rendements (a
0
, a
1
), quatre pour lquation de
variance conditionnelle (, , , ) et deux pour la distribution des rsidus ( v , ) .
Dans ce cas,
i
= (a
0,i
, a
1,i,
i
,
i
,
i
,
i
,
i
,
i
).
La fonction de log-vraisemblance de la copule est :
1 1, ,
1
( , ; ) log( ( ( ),..., ( ); ))
T
t n n t
t
cL c F x F x
=
=
u (27)
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
14
do u = ( F
1
(x
1
), F
2
(x
2
),, F
n
(x
n
)). Ses paramtres dpendent aussi la
spcification de la copule. Par exemple, pour la copule Gaussien
tant donn que le nombre de paramtres peut tre important mme dans les
dimensions modres, lestimation des paramtres est ralise en deux tapes. Les
paramtres des marginales sont estims la premire tape en optimisant les
log-vraisemblances marginales mlv
i
indpendamment les uns des autres, les
paramtres de copule sont estims la deuxime tape, en optimisant la
log-vraisemblance correspondante cL, conditionne sur les rsultats de la premire
tape. Le procd se droule de manire squentielle, comme suit,
arg max ( , ) mL x
arg max ( , ; ) cL x
=
6.1 Lestimation du modle vine
Pour la partie de la copule, une copule peut tre dcompose selon lquation (8) (c.
-d C-vine) et lquation (9) (c. -d D-vine). La log-vraisemblance correspondante est
la somme des log-vraisemblances bivaries. Pour le C-vine , ceci est donn par
1
, |1,..., 1 , 1, 1, , 1, 1,
1 1 1
log( ( ( | ,..., ), ( | ,..., ))).
n j n T
j j i j j t t j t j i t t j t
j i t
c F x x x F x x x
+ +
= = =
(28)
Pour chaque copule dans la somme (27) il y a au moins un paramtre dterminer. Le
nombre de paramtres dpend du type copule utilis. Les fonctions de rpartition
conditionnelle
, 1, 1, , 1, 1,
( | ,..., ), ( | ,..., )
j t t j t j i t t j t
F x x x F x x x
+
sont donnes par la fonction
h selon lquation (11). La log-vraisemblance doit tre maximise avec tous les
paramtres.
Pour le D-vine , la log-vraisemblance est donn par
1
, | 1,..., 1 , 1, 1, , 1, 1,
1 1 1
log( ( ( | ,..., ), ( | ,..., ))).
n j n T
i i j i i j i t i t i j t i j t i t i j t
j i t
c F x x x F x x x
+ + + + + + + +
= = =
(29)
La log-vraisemblance de D-vine doit aussi tre numriquement maximise.
Dans la suite, les paramtres qui maximisent la log-vraisemblance des copules
bivaries sont estims en utilisant les algorithmes d'Aas et al. (2009),
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
15
a) Estimer les paramtres de la copule dans le premier arbre (T1) partir de
lensemble des donnes qui se compose les marginales i.i.d
3
b) Calculer les fonctions de rpartition conditionnelles pour la deuxime arbre en
appliquant les donnes de ltape (a) dans la fonction h () et en utilisant les
paramtres obtenus dans la premire tape.
uniformes sur U
[0,1]. Dans ce cas, une filtration des donnes de rendement, habituellement par un
modle de GARCH qui extrait les rsidus z
t
de lquation (22) (i.i.d) partir des
donnes brutes et les transforme en distribution uniforme, est ncessaire.
c) Estimer les paramtres dans le second arbre (T2) en utilisant les rsultats de
ltape (b)
d) Rpter ltape (b) et ltape (c) pour estimer les paramtres des arbres suivants
(T3, T4,). Calculer les fonctions de rpartition conditionnelles partir des
rsultats de ltape prcdente et la fonction h (), et puis estimer les paramtres
de larbre en cours.
6.2 Lestimation du modle CAVA
Lestimation des paramtres du modle CAVA peut aussi suivre ce processus par
tape. Lquation (12) montre que lon peut dcomposer la fonction de densit
conjointe en trois parties, une pour les marginales, une pour la dpendance avec le
march, et finalement, une pour la copule multivarie qui reflte la dpendance entre
les titres conditionne sur le march. Cette dcomposition implique aussi que la
fonction de log-vraisemblance se divise en 3 parties :
( ) ( ) ( ) ( )
1 2 3
; ; ; , ; , ,
b b m
L r L r L r L r j , , 0 , 0 0 = (30)
do L est la fonction de log-vraisemblance pour la fonction de densit conjointe avec
r la matrice des rendements (n titre + le march) et la matrice des paramtres, L
1
est
la fonction de log-vraisemblance des marginales avec sa matrice de paramtre, L
2
pour les copules bivarie avec les paramtres
b
, L
3
pour la copule multivarie avec
m
comme les paramtres. Dans cette procdure destimation, les paramtres estims
ltape prcdente sont considrs comme connus dans ltape suivante. Les
arguments de la fonction L
1
sont les rendements, les arguments pour la fonction L
2
sont les rsidus (i.i.d) standardiss aprs la filtration du modle GARCH et puis
transforms en uniforme, c'est--dire F (r
i
), et ceux de la fonction L
3
sont les fonctions
de rpartition conditionnelle F (r
i
|r
M
) qui sont calcul partir de la fonction h ().
3
i.i.d : indpendantes et identiquement distribues
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
16
Lalgorithme 1 donne lvaluation de la log-vraisemblance pour L
2
et L
3
:
1,
1,1 1, 1 1,
2, 1, 1 1,1 1,
0;
0;
for =1: 1
;
end
if 1
for 1:
( , ; );
end
else if 2
for 1: 1
( , ; );
end
i i
i i
i i i
bll
mll
i n
u udata
j
i n
bll bll bcll u u
j
i n
u hfunction u u
mll mcl
0
0
=
=
=
==
=
=
==
=
=
=
2,1 2,2 2, 2
( , ,..., ; );
end
n
l u u u 0
do les udata
i
sont les rsidus uniforme; quand j=1, les copules bivaries sont
estimes, bll, bcll,
1,i
reprsentent respectivement son montant de log-vraisemblance,
sa fonction de log-vraisemblance (c.-d L
2
) et ses paramtres; quand j=2, mll, mcll,
2
correspondent les mmes notations, mais cette fois-ci, pour la copule multivarie;
hfunction est la fonction h (). On constate que
1,
( )
i i
u F r = et
2,
( | )
i i M
u F r r = .
tant donne que lon peut valuer les log-vraisemblances, on peut estimer les
paramtres du modle en maximisant ces log-vraisemblances :
( )
1,
1, 1,1 1, 1 1,
, ; arg max
i
i i i
bcll u u
0
0 0
=
( )
2
2 2,1 2,2 2, 2
_
do 1 dsigne la fonction indicatrice :
,
i,j
( )
1,si X x
1
0, sinon
i j
X x _
'
_
1
1
=
!
1
1+
et T est le nombre dobservations.
La figure 6 donne des diagrammes de dispersion de toutes les paires de rendement
pour les 5 pays. Nous pouvons constater que la dpendance entre les rendements de la
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
22
bourse franaise et ceux de la bourse allemande. Par contre, la corrlation entre
lAllemagne et le Japon est assez limite.
Afin dexaminer la dynamique de ces corrlations, nous modlisons les dpendances
de chaque couple de rendements avec une srie des copules statiques et dynamiques.
Ces spcifications possibles sont indiques dans la section 7. Nous avons 7 choix
diffrents des copules : la copule de Student t statique (t), la copule de Student t
dynamique (tDCC), la copule gaussienne dynamique (GDCC), la copule de Clayton,
la version dynamique de la copule de clayton (tvClayton), la copule de SJC, et sa
version dynamique (tvSJC).
Nous slectionnons dans ces copules selon le critre AIC (Akaike Information
Criterion). Le tableau 8 reprsente les rsultats du critre AIC de toutes les copules
bivaries. Selon ce critre, la valeur le plus faible indique le meilleur modle. Les
trois couples USA-GER , USA-FR et USA-JP choisissent la copule de
Student t statique, alors que les trois paires USA-UK , UK-GER et
GER-FR prfrent la copule t dynamique. Les quatre couples restes tendent vers la
copule gaussienne dynamique. Dans les 10 corrlations, 7 expriment la dynamique.
Cest un argument de lexistence de dynamique dans les dpendances.
Figure 6 : Les diagrammes de dispersion des rsidus standardiss et
transforms dans lintervalle unitaire pour les 5 pays
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
23
Prenons lexemple des corrlations qui choissent la copule t dynamique. Cest les
trois couples USA-UK , GER-FR et UK-GER . La somme des deux
paramtres autorgressifs estims sont proche de 1. En traant le tau de Kendall
dynamique pour les deux premires couples prcdentes, nous trouvons les
dpendances qui ont la tendance de revenir la moyenne, la Figure 7 donne cette
valuation des dpendances.
Tableau 8 : Les valeurs dAIC de toutes les copules pour chaque couple de rendements
AIC USA-UK USA-GER USA-FR USA-JP UK-GER
t -457.76 -420.09 -431.77 -123.74 -550.28
tDCC -457.90 -417.31 -429.23 -120.44 -553.12
GDCC -451.44 -416.70 -420.94 -122.35 -552.43
Clayton -363.03 -317.39 -331.26 -113.52 -456.01
tvClayton -362.04 -314.98 -327.17 -116.59 -456.01
SJC -441.16 -395.36 -407.65 -119.10 -521.52
tvSJC -435.15 -390.27 -407.49 -114.00 -515.47
AIC UK-FR UK-JP GER-FR GER-JP FR-JP
t -708.30 -110.89 -971.25 -99.47 -101.85
tDCC -727.50 -110.54 -983.92 -104.32 -103.71
GDCC -729.51 -112.35 -981.19 -106.06 -104.94
Clayton -574.63 -104.14 -797.78 -88.05 -94.59
tvClayton -574.63 -104.14 -797.78 -88.05 -94.59
SJC -672.69 -106.27 -896.35 -91.13 -97.07
tvSJC -567.04 -103.41 -811.36 -87.57 -92.58
Figure 7 : Le tau de Kendall pour la dpendance. Le graphique gauche est pour
les USA et le UK, Le graphique gauche est pour lAllemagne et la France.
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
24
9. Conclusion
Nous commenons dans cet article par la dcomposition dune fonction de densit
multivarie. En utilisant le concept des copules, nous factorisons la fonction de
densit conjointe des rendements en deux parties, une pour les marginales et une autre
qui capture la dpendance multivarie avec une srie de dynamiques copules bivaries.
Le modle DCC permet de spare la dynamique de la volatilit de chaque actif et de
la corrlation conditionnelle entre tous les actifs. Ce modle CAVA est plus flexible
par rapport au modle DCC car il ne limite pas les modles marginaux gaussien
mais aussi les autres distribution qui peuvent capturer plus de caractristiques des
rendements comme la skewness, le kurtosis et lasymtrie. Pour modliser les
dpendances, une copule de canonical-Vine est utilise, cette mthode accepte des
types flexibles de corrlations. Elle dcompose une copule multivarie en un produit
des copules bivaries, ces copules bivaries peut tre diffrente dun des autres et peut
choisir dans une srie de copules. La dpendance dynamique est aussi inclut dans le
modle en incorporant les copules dynamiques. Cette dynamique peut suivre deux
approches : celle dEngle comme dans le modle DCC et celle de Patton. En
combinant avec linterprtation du modle MEDAF, le modle CAVA conditionne les
rendements des titres sur le march et sur le secteur. Ceci donne une interprtation
conomique la dpendance entre les titres. Le march et le secteur sont comme deux
facteurs explicatifs pour expliquer les dpendances entre les titres. Nous pouvons
aussi conditionner sur les autres facteurs qui peuvent expliquer ces dpendances. Une
fois que lon conditionne sur un facteur explicatif, les corrlations deviennent priori
de plus en plus faibles. Le modle CAVA peut tre considr comme une extension
non gaussienne du MEDAF.
Nous excutons deux tudes en suivant cette approche. La premire tude consiste
examiner les corrlations asymtriques. Nous utilisons les rendements hebdomadaires
des 15 pays europens, dun indice global et dun indice europen. Cette recherche est
en fait une analyse les dpendances des pays europens. Lindice global ressemble le
march dans le modle CAVA et lindice europen reprsente la zone gographique.
Les rsultats confirment lhypothse que la dpendance est plus forte dans un march
baissier que dans un march en hausse. En modlisant les dpendances avec la copule
SJC, les dpendances de queue sont analyses. Les dpendances de queue infrieure
sont plus importantes que ceux de queue suprieure. Un autre rsultat secondaire est
que les dpendances entre les indices nationaux diminuent aprs conditionner sur
lindice global et puis conditionner sur lindice europen. Ceci est cohrent aux
rsultats dHeinen et Valdesogo, qui ont trouv que les corrlations entre les titres
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
25
saffaiblissent aprs conditionner sur le march et le secteur. Dans notre cas, limpact
des indices gnraux sur linteraction entre les marchs nationaux est assez fort, et
donc, les indices gnraux expliquent bien les dpendances entre les bourses
nationales.
La deuxime tude se comporte sur la dpendance dynamique. Cinq bourses de pays
dvelopps sont examines. Selon le critre AIC, 7 copules entre les 10 prfrent la
spcification dynamique. Cela signifie que les dpendances ne sont pas constantes au
cours du temps. Nous trouvons aussi que les dpendances dynamiques ont la tendance
de revenir ses moyennes.
Lapproche CAVA est une mthode trs flexible de la modlisation des dpendances,
qui possde au moins quatre avantages par rapport des autres approches:
1) elle permet de modliser les dpendances des rendements en faisant appel la
thorie des copules, qui fournit des mesures plus gnrales de dpendance que
les simples corrlations
2) elle permet de capturer les caractristiques des rendements des sries
financires, telles que la non-normalit, le clustering, lasymtrie, etcvia
des modles AR(q)-GARCH (1,1) ou AR (q)-GJR-GARCH (1,1). Avec des
distributions : Normale, Student t et Skewed Student t pour les rsidus
normaliss
3) elle permet de modliser les dpendances des rendements dun grand nombre
de titres en dcomposant ceux-ci selon un modle factoriel ce qui permet de
dcomposer les copules a priori de grande dimension en copules bivaries,
concernant chacune, un titre et un facteur
4) elle est facile mettre en uvre : le processus destimation se droule en
deux tapes: le premire est consacre lestimation des paramtres des
modles AR-GARCH et le seconde celle des paramtres qui caractrisent les
copules bivaries, choisies dans un classe beaucoup plus riche que la classe
des copules multivaries disponibles. Ainsi, pour caractriser les dpendances,
on dispose des copules Gaussienne, Student t, Clayton, SJC, avec, pour
chacune, une version statique et une version dynamique, faisant rfrence
selon les cas, lapproche DCC ( Dynamic Conditional Correlation) ou
lapproche de Patton.
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
26
Elle a un raisonnement assez intressant en finance : utiliser le march expliquer les
dpendances des titres dans un cadre non gaussien. Dans les recherches futures, elle
peut stendre sur les autres variables explicatives, dans ce cas, le modle est
considr comme un dveloppement non linaire du modle factoriel.
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
27
Bibliographie
Aas K, Czado C, Frigessi A, Bakken H (2009), Pair copula constructions of multiple
dependence . Insurance: Mathematics and Economics, 44(2), 182 - 198.
Ang, A. & Chen, J. (2002), Asymmetric correlations of equity portfolios , Journal
of Financial Economics, 63(3), 44394.
Bedford T et Cooke R M (2001), Probability density decomposition for
conditionally dependent random variables modeled by vines . Annals of Mathematics
and Artificial Intelligence, 32, 245-268.
Bedford, T. and R. M. Cooke (2002). Vines - a new graphical model for dependent
random variables . Annals of Statistics 30 (4), 10311068.
Czado C, Min A, Baumann T, Dakovic R (2009), Pair Copula Constructions for
modeling exchange rate dependence . Papier de discussion, disponible sur
http://www-m4.ma.tum.de/Papers/index.html
Engle, R. (2002), Dynamic conditional correlation: A simple class of multivariate
generalized autoregressive conditional heteroskedasticity models , Journal of
Business and Economic Statistics, 20(3), 33950.
Glosten, L.R., Jaganathan R. et Runkle D.E. (1993), On the relation between the
expected value and the volatility of the nominal excess returns on stocks , Journal of
Finance, 48, 1779-1801.
Hansen, B. (1994), Autoregressive conditional density estimation , International
Economic Review 35, 705730.
Heinen A, Robles A (2009), Asymmetric CAPM dependence for large dimensions:
The Canonical Vine Autoregressive Copula model. Available sur SSRN:
http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1297506.
Huang J J, Lee L J, Liang H, Lin W F (2009). Estimating value at risk of portfolio
by conditional copula-GARCH method. Insurance: Mathematics and economics,
45(3), 315 324.
Hurlimann V (2004). Fitting bivariate cumulative returns with copulas.
Computational Statistics and Data Analysis 45(2), 355 - 372.
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
28
Joe, H. (1997), Multivariate models and dependence concepts , Chapman and
Hall/CRC, London; New York.
Jondeau E, Rockinger M (2006). The copula - GARCH model of conditional
dependencies: An international stock market application . Journal of International
Money and Finance, 25(5), 827 - 853.
Patton A. J (2007). Copula-Based Models for Financial Time Series in T.G.
Andersen, R.A. Davis, J.-P. Kreiss and T. Mikosch (eds.) Handbook of Financial
Time Series, Springer Verlag.
Patton A. J (2006a). Modelling Asymmetric Exchange Rate Dependence,
International Economic Review, 47(2), 527-556.
Patton, A. J (2006b), Estimation of multivariate models for time series of possibly
different lengths , Journal of Applied Econometrics 21(2), 147173.
Patton, A. J (2004), On the out-of-sample importance of skewness and asymmetric
dependence for asset allocation , Journal of Financial Econometrics 2(1), 130168.
Sklar A (1959). Fonctions de repatitions n dimensions et leur marges.
Publication de lInstitut de statistique de lUniversite de Paris 8, 229 231
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
29
Annexe
A. Les fonctions de log-vraisemblance pour les modles GARCH
Les fonctions de log-vraisemblance des modles GARCH pour les marginales
dpendent de la spcification de la distribution, ces fonctions sont donnes par:
Dans le cas o les rsidus standardiss z
i,t
suit la distribution Gaussienne, on a :
2
, , ,
1
( ; ) (log(2 ) log( ) )
2
i t i i t i t
L z h z c =
do
, i t
h est la variance conditionnelle selon lquation (22).
Selon Hansen (1994), dans le cas de la distribution Student t, on a :
,
2
,
,
1
( ; ) log( ( )) log( ( ))
2 2
1
(log( ( 2)) log( ) ( 1) log(1 ))
2 2
i t
i t
i t
v v
L z v
z
v h v
v
= I I
do v est le degr de libert, et la fonction Gamme :
( ) ( )
1
0
t x
x e t dt
I =
]
Le log-vraisemblance de Skewed Student t :
, , ,
1
( ; , ) log( ) ( ; , )
2
i t i t t i t
L z v h p z v A A =
do p
t
dsigne le logarithme naturel de la densit correspondante d
t
:
, ,
( ; , ) log ( ; , )
t i t t i t
p z v d z v A A =
avec
1
2
2
,
,
,
1
2
2
,
,
1
1 /
2 1
( ; , )
1
1 /
2 1
v
i t
i t
t i t
v
i t
i t
bz a
bc z a b
v
d z v
bz a
bc z a b
v
A
A
A
'
1
1 1
1
1
1
<
1
1
( )
1
( )
1
=
!
1
1
1
1 1
1 _
1 ( )
( )
1
+
do 2 v < < et 1 1 A < < . Les constants a b et c sont donnes par
2
4
1
v
a c
v
A
1
( )
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
30
2 2 2
1 3 b a A =
( )
1
2
2
2
v
c
v
v
1
( )
=
1
I
( )
.
B. Les copules
B.1. La Copule Gaussienne
La copule Gaussienne multivarie est dfinie de la faon suivante :
( ) ( ) ( ) ( ) ( )
-1 -1 -1
1 2 1 2
, ..., ; , ,...,
n n
C u u u u u u
=
do est la matrice de corrlation, elle est symtrique, semi-dfinie positive avec 1
sur la diagonale et les lments hors diagonaux se posent entre -1 et 1;
-1
dsigne
linverse de la fonction de rpartition normale et ( )
1 2
, ,...,
n
x x x
dsigne la
fonction de rpartition normale multivarie :
( )
1
1
1 2 1/ 2
/ 2
1 1
, ,..., exp( )
2
(2 )
n
x x
n
n
x x x v v dv
do
1 1
( , , , )
n
v v v = . v . La densit de la copule est donne comme suit
( )
1
1
2
1 2
1
( , ..., ; ) exp
2
n
c u u u x x x x
l
l _ = _ _
l
l
do ( ) ( ) ( ) ( )
-1 -1 -1
1 2
, ,...,
n
x u u u
= , notons que x est comme dans lquation
(21). La log-vraisemblance de la copule gaussien tel que t=1,2,,T est :
( ) ( )
( )
1
1
1
; log
2
T
t t t
t
L x I x
_ = _ _
_
u
La densit de la version bivarie est :
2 2 2
1 2 1 2
1 2 2
2
( ) 2 1
( , ; ) exp
2(1 )
1
x x x x
c u u
j j
j
j
j
1
=
( )
avec ( )
-1
1 1
x u = et ( )
-1
2 2
x u = . La fonction h est dfinit comme :
1 2
1 2
1 2 1 2
2
( , , )
( , , ) ( | )
u u
C u u
h u u F u u
u
= =
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
31
Aprs la driv de la copule par rapport le deuxime argument, on trouve la fonction
h pour la copule gaussienne, qui est
( ) ( ) ( ) ( )( )
1
-1 -1 2 2
1 2 1 2
, ; 1 h u u u u j j j
=1 1 1
et son inverse est donn par:
( ) ( )( ) ( )
1
1 -1 2 -1 2
1 2 1 2
, , 1 h u u u u j j j
1
=1 1 1
( )
do est la coefficient de corr lation entre les deux variable , qui est lie entre -1 et
1.
Cette copule na pas de dpendance de queue
L
=
U
= 0, (sauf pour une corrlation
parfaite de 1) et ne permet donc pas de corrler des valeurs extrmes.
Modliser la structure de dpendance dun chantillon par une copule Gaussienne est
cohrent avec la mesure de cette dpendance par le coefficient de corrlation linaire.
Mais lorsque lon souhaite modliser une dpendance non linaire ou entre
vnements extrmes, on va faire appel dautres copules
B.2. La copule de Student
La fonction de rpartition pour la copule de Student multivarie est :
( ) ( ) ( ) ( ) ( )
-1 -1 -1
1 2 , 1 2
, ..., ; , , ,...,
n v n
C u u u v T T u T u T u
=
do T
-1
dsigne linverse de la fonction de rpartition de Student t univarie avec le
degr de libert. La fonction de rpartition de Student t multivarie est donne par:
( )
1
1
2
, 1 2
2
, ,..., 1
( )
2
n
n
x x
n
n
n
w w
x x x dw
= +
T
do est aussi la matrice de corrlation,
1 1
( , , , )
n
w w w = . w La densit
correspondante de la copule de Student est :
( ) ( )
1
2
1 2
-1
1
1 2
( , ..., ; , ) 1
( )
2
n
n n
n
v i
i
n
x x
c u u u
f T u
i
i
i
i i
i
=
1
1
_ ( )
_ =
1
( )
I _
( )
]
do
( ) ( ) ( ) ( )
-1 -1 -1
1 2
, ,...,
n
x T u T u T u
=
et f
v
(.) dsigne la densit de Student t
univarie avec le degr de libert ( ) 1, 1 j et > 2:
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
32
( ) ( )
1
2
2
1
2
1
2
1
2
x
f x
i
i
i
i
i i
1
( )
=
1
( )
I
( )
donc, on a finalement la densit comme :
La log-vraisemblance de la copule de Student est :
( ) ( )
2 1
1 1 1 1
1
; , log 1 log log
2 2 2
1 1
log log 1 log 1
2 2 2
t
T T T n
i
t t t i
n
L T n n
x n x x
v
i i i
i
i i
i
= = = =
l
1 1 1
1 1 1
l
_ = I I I
l
( ) ( ) ( )
( ) ( ) ( )
l
1 1
_
_
( ) ( )
_ _ __
u
La densit de la copule bivarie est :
2
2 2
2
1 2 1 2
2
1 2
2
1 2
2
2
1
(1 )
2
( , ; , )
( ) ( ) 1
2
v v
x x x x
c u u
f x f x
i
j
i
i j
j i
i
i j
1
1
I
( ) ( )
=
1
( )
do et sont les paramtres de la copule, ( )
-1
1 1
x T u = et ( )
-1
2 2
x T u = . Pour cette
copule, la fonction h est donne par :
( ) ( )
( ) ( )
( )
( )
1 1
1 2
1 2 1
2
1 2
2
( , ; , )
1
1
v v
v
T u T u
h u u T
T u
i
j
j i
i j
i
( )
et linverse de la fonction h est :
( )
( ) ( )
( )
( )
( )
2
1 2
2
1 1 1
1 2 1 1 2
1
( , ; , )
1
v
v v
T u
h u u T T u T u
i
i j
j i j
i
( )
Pour la copule de Student, le coefficient de la dpendance de queue infrieur et celui
de queue suprieure sont gaux :
1
1
2
1 2 1
2
2
1
1
2 2
( , ..., ; , )
1
1
2
n
n
n n
n
i
i
x x n
c u u u
x
v
i
i
i i
i
i
i
=
1 l 1 1 _
l I I
l ( ) ( ) ( )
l
_ =
l 1
1
l I _
l ( )
l
( )
]
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
33
L U 1
1
2 1
1
T v
i
j
A A
j
= =
( )
B.3. La copule de Clayton
La copule de Clayton bivarire est dfinie de la manire suivante :
( ) ( )
1
1 2 1 2
, ; 1 C u u u u
0
0 0
0
= ,
et la densit suivante :
( ) ( ) ( ) ( )
2 1
1
1 2 1 2 1 2
, ; 1 1 c u u u u u u
0
0
0 0
0 0
= ,
avec v rifiant (0, ) 0 qui est le paramtre qui contrle la dpendance. La
dpendance parfaite est obtenue quand 0 , tandis que 0 0 implique
lindpendance.
La log-vraisemblance de la copule de Clayton est donc:
( ) ( ) ( ) ( )
( )
2 1
1
1, 2, 1 2 1 2
1
, ; log 1 1
T
t t
t
L u u u u u u
0
0
0 0
0 0
=
=
_
Pour cette copule, la fonction h est donne par :
( ) ( ) ( )
1 1
1
1 2 2 1 2
, ; 1 h u u u u u
0
0
0 0
0
= ,
et linverse de la fonction h est donne par :
( ) ( )
1
1
1 1
1 2 1 2 2
, ; 1 h u u u u u
0 0
0
0 0
0
1
=
( )
La copule de Clayton a une dpendance de queue infrieur, mais pas celle de queue
suprieure, donc on a :
1
L
U
2
0
0
A
A
=
=
Le tau de Kendall est gal pour cette copule ( 2) t 0 0 = .
B.4. La copule de SJC (Symmetrized Joe Clayton)
La copule SJC est dfinie dans Patton (2006a), la copule SJC est une modification de
la copule Joe Clayton. La copule Joe Clayton est construite en prenant une
transformation de Laplace particulire de la copule de Clayton par Joe (1997). La
copule de Joe Clayton est :
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
34
( )
( )
1
1
1 2 1 2
, | , 1 1 [1 (1 ) ] [1 (1 ) ] 1
U L
JC
C u u u u
r
r r
t t
=
avec
2
1/ log (2- )
U
r t =
2
1/ log ( )
L
t =
et
(0, 1), (0, 1)
U L
t t
La copule Joe-Clayton a deux paramtres,
U
et
L
, qui sont des mesures de
dpendance connu sous le nom dpendance de queue.
La copule SJC est dfinie comme :
( ) ( ) ( ) ( )
1 2 1 2 1 2 1 2
1
, | , , | , 1 ,1 | , 1
2
U L U L L U
SJC JC JC
C u u C u u C u u u u t t t t t t =
La densit de cette copule est:
( )
( ) ( )
2
1 2
1 2
2 2
1 2 1 2
1 2 1 2
, | ,
, | , 1 ,1 | ,
1
2
U L SJC
SJC
U L L U
JC JC
C
c u u
u u
C u u C u u
u u u u
t t
t t t t
0
=
0 0
1
0 0
0 0 0 0
( )
do
( )
2
1 2
1 2
, | ,
U L
JC
C u u
A B
u u
t t 0
=
0 0
avec
( )
( ) ( )
2 1
1 1 1
1 2
1 1
2 1
1 2
1 (1 1) (1 ) (1 )
1 (1 ) 1 (1 )
Z u u
A
u u Z
r
r r
r r
r
=
( )
( ) ( )
2 1
1 1 1
1 2
1 1
2 2
1 2
1 (1 1) (1 ) (1 )
1 (1 ) 1 (1 )
Z u u
B
u u Z
r
r r
r r
r r
=
( ) ( )
1 2
1 1
1
1 (1 ) 1 (1 )
Z
u u
r r
=
.
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
35
La fonction h correspondante est donne par
( )
( ) ( )
1 2
2
1 2 1 2
2 2
, | ,
, | , 1 ,1 | ,
1
1
2
U L SJC
SJC
U L L U
JC JC
C
h u u
u
C u u C u u
u u
t t
t t t t
0
=
0
1
0 0
0 0
( )
do
( ) ( )
( )
1 1
1
1 2
1
1 1
2
2
, | , 1
1 (1 )
U L
JC
C u u Z
u
u Z
r
r
t t
0
=
0
C. Les rsultats empiriques
Tableau 1 : Les rsultats de description des rendements (Jan. 2003-Avril. 2009)
MSCI
mondiale
Europe15 France Allemagne Espagne Italie
Moyenne 0.039% 0.098% 0.108% 0.180% 0.229% 0.047%
car-type 0.026 0.033 0.035 0.038 0.036 0.036
Kurtosis 19.09 17.40 14.96 11.84 15.59 16.49
Skewness -1.80 -1.92 -1.65 -1.33 -1.97 -2.14
Pays-Bas Finlande Belgique Irlande Portugal Grce
Moyenne 0.052% 0.048% 0.002% -0.165% 0.123% 0.170%
car-type 0.035 0.044 0.038 0.046 0.031 0.042
Kurtosis 24.28 5.49 12.45 21.49 12.82 10.53
Skewness -2.62 -0.67 -1.95 -2.58 -1.82 -1.20
Autriche Suisse Sude Danemark Norvge
Moyenne 0.124% 0.105% 0.209% 0.241% 0.226%
car-type 0.047 0.030 0.041 0.037 0.048
Kurtosis 19.84 18.07 9.07 14.96 10.24
Skewness -2.38 -1.75 -0.83 -2.02 -1.34
Pour toutes les sries, les Kurtosis sont suprieurs 3 et les Skewness sont ngatives.
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
36
Tableau 2 : Les paramtres des modles GARCH pour les marginales
MSCI
mondiale
Europe1
5
France Allemagne Espagne Italie
a
0
0.0021 0.0027 0.0027 0.0034 0.0035 0.0020
0.0000 0.0000 0.0000 0.0001 0.0000 0.0000
0.1060 0.1054 0.0956 0.1366 0.0966 0.0879
0.8667 0.8599 0.8784 0.7981 0.8565 0.8961
6.3409 6.1510 6.9255 7.9618 8.2653 5.9009
-0.2597 -0.2578 -0.2494 -0.2364 -0.3557 -0.2819
Pays-Bas Finlande Belgique Irlande Portugal Grce
a
0
0.0025 0.0027 0.0035 0.0027 0.0028 0.0050
0.0000 0.0000 0.0000 0.0000 0.0000 0.0001
0.0968 0.0825 0.1711 0.0964 0.0800 0.1107
0.8648 0.9175 0.7865 0.9036 0.8895 0.8496
7.7903 5.8781 6.4836 6.6505 5.8458 6.5559
-0.2480 -0.1331 -0.2864 -0.3767 -0.1990 -0.1168
Autriche Suisse Sude Danemark Norvge
a
0
0.0048 0.0022 0.0043 0.0043 0.0049
0.0001 0.0000 0.0000 0.0001 0.0000
0.1357 0.1020 0.0986 0.1064 0.0844
0.8075 0.8304 0.9014 0.8332 0.9155
8.3102 4.8278 5.8210 5.2245 7.0661
-0.3080 -0.1506 -0.1475 -0.2666 -0.3963
a
0
est le paramtre pour lquation des moyennes, , , sont les paramtres pour
lquation de la variance conditionnelle, et , sont les deux paramtres pour la
distribution de Skewed Student t.
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
37
Tableau 4: les statistiques descriptives des corrlations de Spearman entre les pays
sachant lindice global (entre les fonctions de rpartition conditionnelles F(r
i
|r
M
),
i=115).
Moyenne cart-typeMax Min
Rho(2003-2009) 0.487 0.106 0.790 0.258
Rho(2003-2007) 0.508 0.118 0.789 0.193
Rho(2007-2009) 0.422 0.142 0.799 0.012
Figure 4: Lhistogramme de la corrlation de Spearman
entre les pays conditionnes sur lindice global
Le graphique en haut est pour la priode complte, celui au milieu est pour la priode du march en
hausse (2003-2007), et celui en bas est pour la priode du march baissier (2007-2009)
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
38
Tableau 5: les statistiques descriptives des corrlations de Spearman entre les pays
sachant lindice global et lindice europen (entre les fonctions de rpartition
conditionnelles F(r
i
|r
M,
r
S
), i=115).
Moyenne cart-typeMax Min
Rho(2003-2009)
0.051 0.096 0.289 -0.153
Rho(2003-2007)
0.061 0.105 0.328 -0.179
Rho(2007-2009)
0.032 0.124 0.334 -0.223
Figure 5: Lhistogramme de la corrlation de Spearman
entre les pays conditionnes sur lindice global et sur lindice europen
Le graphique en haut est pour la priode complte, celui au milieu est pour la priode du march en
hausse (2003-2007), et celui en bas est pour la priode du march baissier (2007-2009)
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
39
Tableau 6 : Les paramtres de la copule de SJC modlisant la dpendance entre
chaque bourse des 15 pays et lindice global, galement entre lindice europen et
lindice global suivant lquation.
Priode 2003-2009
Europe15 France Allemagne Espagne Italie Pays-Bas Finlande Belgique
U 0.5696 0.5261 0.5862 0.3846 0.4026 0.5270 0.3870 0.4138
L 0.6959 0.7004 0.6721 0.5915 0.6283 0.6984 0.5393 0.5547
Irlande Portugal Grce Autriche Suisse Sude Danemark Norvge
U 0.2231 0.1553 0.1919 0.2793 0.4444 0.4312 0.2588 0.2225
L 0.5019 0.3738 0.4185 0.4697 0.5607 0.6096 0.4709 0.4232
Priode 2003-2007
Europe15 France Allemagne Espagne Italie Pays-Bas Finlande Belgique
U 0.5621 0.5214 0.6034 0.4340 0.4069 0.5386 0.3787 0.3810
L 0.6861 0.7046 0.6896 0.5863 0.5983 0.7080 0.5486 0.5497
Irlande Portugal Grce Autriche Suisse Sude Danemark Norvge
U 0.1762 0.1605 0.1850 0.2840 0.4317 0.4550 0.2477 0.1870
L 0.5110 0.3269 0.3346 0.3558 0.5429 0.5911 0.4155 0.4472
Priode 2007-2009
Europe15 France Allemagne Espagne Italie Pays-Bas Finlande Belgique
U 0.5985 0.5381 0.5176 0.2036 0.3957 0.4860 0.4014 0.5114
L 0.7106 0.6936 0.6472 0.6014 0.6737 0.6835 0.5259 0.5564
Irlande Portugal Grce Autriche Suisse Sude Danemark Norvge
U 0.3584 0.1697 0.2380 0.2752 0.4910 0.3500 0.3144 0.3179
L 0.4760 0.4273 0.5253 0.6088 0.5844 0.6375 0.5441 0.3773
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
40
Le tableau 8 : les paramtres pour le modle GARCH des 5 pays
tats-Unis Royaume-Uni Allemagne France Japon
C0 0.0009 0.0018 0.0028 0.0019 0.0001
(0.8986) (1.9064) (2.1359) (1.7384)(0.0539)
0.0000 0.0000 0.0001 0.0000 0.0000
(1.5925) (1.9177) (2.1931) (1.6834)(1.4479)
0.0972 0.1496 0.2423 0.1385 0.0367
(3.1715) (2.9747) (2.6339) (2.6322) (2.307)
0.8816 0.8086 0.6913 0.8332 0.9457
(24.2973) (13.7911) (6.7594)(14.0563)(55.8158)
10.3257 8.6355 9.0259 11.4176 11.7647
(2.421) (2.5305) (2.734) (2.0419)(2.0845)
-0.1440 -0.1301 -0.2786 -0.3048 0.0065
(-2.1114) (-1.9631) (-3.9404)(-4.3975)(0.3535)
AIC -2344.968 -2392.8037 -2186.375-2276.17 -2255.06
BIC -2319.445 -2367.2807 -2160.852-2250.65 -2229.54
LL 1178.484 1202.402 1099.187 1144.087 1133.53
a
0
est le paramtre pour lquation des moyennes, , , sont les paramtres pour
lquation de la variance conditionnelle, et , sont les deux paramtres pour la
distribution de Skewed Student t. Les valeurs entre parenthse sont les t-statistiques.
AIC et BIC correspondent les critres de Akaike et de Swcharz. LL est le valeur de la
log-vraisemblance loptimum.
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1
41
Tableau 9 : les statistiques descriptives des corrlations de Spearman entre les pays
pour la priode 2003-2009
Moyenne cart-typeMax Min
F(ri )
0.678 0.104 0.928 0.467
F(ri |rM)
0.487 0.106 0.790 0.258
F(ri |rM,rE)
0.051 0.096 0.289 -0.153
Figure 8: Lhistogramme de la corrlation de Spearman entre les pays
Le graphique en haut est pour les corrlations aprs lestimation des modles GARCH (F(ri)),
celui au milieu est pour les corrlations conditionnes sur lindice global (F(ri|rM)),
et celui en bas est pour les corrlations conditionnes sur lindice global et sur lindice europen
(F(ri|rM, rE))
d
u
m
a
s
-
0
0
6
5
1
7
9
5
,
v
e
r
s
i
o
n
1
-
1
4
D
e
c
2
0
1
1