Beruflich Dokumente
Kultur Dokumente
Sries temporelles
Professeur Georges Bresson
Exercice 1
(t 1)
Xt
+ "t , t = 1; :::; T
2
"
et
(t 2)
Xt
+ "t
do Xt =
(t 1)+(t 2)
Xt
(t 1)
+ "t +
"t
Xt
(t 1)+(t 2)+:::+(t
Xt
+ "t +
X1
"t
j=1
= 4
(t j)
j=1
!3
5 :Xt
+ "t +
X1
j=1
"t
2
4
2
4
j
P
j
P
(t i)
i=1
(t i)
i=1
!3
!3
En posant
= t, on peut crire Xt comme un processus de moyenne
mobile sur "t :
!3
!3
2
2
j
t
P
P
t 1
(t j)
(t i)
X
5 :X0 + "t +
5
Xt = 4 j=1
"t j 4 i=1
= "t +
t 1
X
j=1
j
P
"t j 4
= "t
(t i)
i=1
t X1
j=1
!3
"t
j
P
j=1
(t
i)
i=1
!3
= E ["t ] +
t 1
X
E ["t
j]
j=1
j
P
(t i)
i=1
]=
!3
5=0
= 0. Lautocovariance
t) :
Xt
] ; 8
soit:
2
6
6
6
=E6
6
6
4
= E ["t "t
2
+E 4"t
"t +
"t
j=1
@" t
t 1
X
"t
j=1
P1
j
P
"t
2
4
t X1
"t
j=1
2
4
j
P
j
P
(t i)
i=1
(t i)
i=1
!3
(t i)
i=1
j=1
] + E 4"t
2
t 1
X
+E 4
"t
j=1
tP1
j
P
2
4
!3
(t
i=1
j
P
(t
i=1
55
j=1
"t
7
7
7
! 31 7
7
7
i)
5A 5
i)
! 33
t X1
2
4
! 33
55
j
P
(t
i=1
i)
! 33
55
Si
= E ["t "t ] +
2
2
t 1
X
+E 4
"t j 4
0
j
P
(t i)
i=1
j=1
41 +
2
"
=
Si
t 1
X
j
P
(t i)
i=1
j=1
!3
!3
t 1
X
"t
j
P
j=1
(t i)
i=1
! 33
55
+E 4"t
t 1
X
j=1
2
t 1
X
+E 4
"t
j=1
"t
2
4
j
P
j
P
i=1
(t i)
i=1
h
i
= E "t 1 "t 1 (t 1)
2
2
j
P
t 1
(t
X
+E 4
"t j 4 i=1
i)
j=2
2
"
8
<
(t
(t i)
2
t 1
X
1)
+4
j
P
!3
"t
t 2
X
j=1
!
j=2
"t
j
P
1 j
j=1
(t i)
i=1
55
t 2
X
!3
! 33
i=1
j
P
1 j
(t 1 i)
i=1
j
P
t 2
X
(t 1 i)
(t 1 i)
i=1
j=1
i=1
t ( +1)
j= +1
Lautocorrelation
j
P
j=1
E (Xt
t) :
Xt
2
Xt
(t
i=1
=1
! 33
=
5
;
2 i)
55
! 39
j=1
j
P
! 33
55
! 39
=
5
;
i)
! 39
=
5
;
(t i)
+4
i=1
j
P
tP1
i=1
j= +1
41 +
(t i)
tP1
j
P
(t i)
(t
i)
i=1
j=1
!3
i=1
j=1
j
P
t (P+1)
!3
, 8 6= 0
Exercice 2
a2t
t :"t
2
t =
t 1
1) et le nombre
2.a) Pour une distribution centre, le coe cient de Kurtosis est dni
comme le rapport du moment dordre 4 sur le carr du moment dordre 2.
Ce coe cient vaut 3 dans le cas dune loi normale quelconque, cette valeur
servant de rfrence. Pour le processus ARCH, le coe cient de Kurtosis
scrit:
E a4t
Kurta =
2
fE [a2t ]g
=
=
E a4t
fE [a2t ]g
E 4t
fE [
2 ]g2
t
E E a4t j
t 1
2
4
t
2 ]g2
t
:E "4t
2
fE [E [a2t j t 1 ]]g
fE [
: fE ["2t ]g
E "4t
E 4t
=
Kurt"
2
2
fE ["2t ]g
fE [ 2t ]g
Or
2
t
=E
2
1 at 1
1E
E a2t
2
2
1 at 2 "t 1
2 2
t "t 1
= E
=
=E
2
0 "t 1
car E a2t
a2t
= E a2t
donc
E
2
t
=
=
0
0
+
+
1E
a2t
1
0
=
1
1E
a2t
4.
On peut crire:
h
:E "4t = E
0+
4
t
= E
=
2
0
+2
2
0
a2t 1
0 1E
2
2
1 at 1
2
1E
+2
0 1
a4t 1
2
1E
a4t
do
E a4t
2
0
(1 +
1 ) (1
(1
4
t
! E
1)
2 : 4
4: 1)
2
0 (1 + 1 )
(1
2
4: 1)
1 ) (1
E
fE [
(1
4
t
2 ]g2
t
2
0 (1+
1 )(1
Kurt"
1)
2
1
4:
Kurt"
2
0
et comme E
Kurta =
Si 0 <
2.b) Si
2
1
1
"4t
1
(1
= 3, il vient:
2
1
2
4: 1)
1
(1 3
Kurt" =
2
1
2)
1
Kurt" = 3
1
(1 3
2
1
2)
1
1
(1 3
2
1
2)
1
(0:42)
=3
1
= 5:2481
3 (0:42)
0;
24
T
N (0; 1)
il vient:
5:2481 3
K =p
= 14:511
24=1000
Cette valeur est trs suprieure aux valeurs critiques de la loi normale
(quel que soit le seuil 1%, 5% ou 10%). On rejette donc lhypothse
nulle. Le coe cient de Kurtosis est suprieur 3 et la distribution est
leptokurtique.
Exercice 3
2
t
log
2
t 1
t "t ,
at 1
t
"t
+
N (0; 1)
2
at
3.b) La volatilit
seuil. En eet,
2
t
2
t
log
2
t 1
log
2
t 1
log
(
(
1
1
j"t
1j
2 ) "t 1
2 ) "t 1
si
si
"t
"t
1
1
0
<0
do
2
t
2
t
2
t 1
0:976
2
t 1
:e 0 :
:e
0:096
exp [(
exp [(
:
1
1
2 ) "t 1 ]
2 ) "t 1 ]
exp (0:1859"t 1 )
exp ( 0:2629"t 1 )
si
si
"t
"t
si
si
1
1
"t
"t
0
<0
1
1
0
<0
( pour "t
( pour "t
1
1
= 2)
exp ( 0:2629 ( 2))
exp (0:5259)
=
=
= exp (0:1540) = 1:1665
= +2)
exp (0:1859:(2))
exp (0:3719)
Limpact dun choc ngatif est donc environ 16:65% plus important que
limpact dun choc positif de mme amplitude.
Exercice 4
4.a) Tests de racine unitaire sur la srie log _1y: On commence par le
test de la tendance dans le modle gnral avec constante et trend (table
6). Le t-stat du trend (0:4288) est infrieur la valeur critique 5% lue
dans la table (2:78). On rejette donc la prsence du trend. On passe au
modle avec constante (table 7) et on teste la prsence de la constante.
Le t-stat de la constante (2:7209) est suprieur la valeur critique ( 5%
ou 10%) lue dans la table (2:52 ou 2:16). On accepte la prsence dune
constante au risque de 5%. Toujours sur la table 7, on teste la prsence
dune racine unitaire laide du t-stat de lendogne retarde ( 2:6929).
Cette valeur est suprieure la valeur critique ( 5%) lue dans la table
( 2:87). On accepte donc la prsence dune racine unitaire avec constante.
La srie log _1y est I(1) avec constante. Si on souhaite "travailler" avec
une scurit de 99%, on rejette la prsence de la constante et on passe
la table 8 pour tester la prsence dune racine unitaire sans constante. Le
t-stat de lendogne retarde ( 0:3041) est suprieur la valeur critique
( 1%) lue dans la table ( 2:58). On accepte donc la prsence dune racine
unitaire sans constante. En rsum, avec un risque de 5%, le processus
est I(1) avec constante tandis, quavec un risque de 1%, le processus est
I(1) sans constante.
4.b) On suppose que la srie log _3y est I(1) et on dnit les variables en
dirences premires: d log _1y et d log _3y: La table 9 dcrit un ensemble
de tests de spcication an de dterminer le nombre de retards optimal
pour un processus V AR(p) deux variables (M = 2). Ce modle scrit:
(B)Y t
Yt
= c + "t $ Y t = c +
= c+
p
X
Yt
1Y t 1
+ "t o "t
2Y t 2
N 0;
"
+ :::: +
pY t p
et Y t =
=1
+ "t
d log _1yt
d log _3yt
:
:
p+1
p+1
= 0 ! processus V AR(p)
6= 0 ! processus V AR(p + 1)
2 M 2p + M
log b " +
T
2
M
p
+ M log T
= log b " +
T
2
2
M
p
+
M log (log T )
= log b " +
T
Ces 3 critres ne donnant pas forcment le mme ordre optimal, on applique le principe de parcimonie en choisissant celui qui donne le plus petit
ordre pour le V AR(p). Les astriques ( ) dans la table 9 nous indiquent
le nombre de retards choisi par les critres de slection. Ainsi, pour LR,
SC et HQ, le nombre optimal de retards est 2. Par contre, pour AIC, le
nombre optimal de retards est 3. Si on applique le principe de parcimonie,
alors on proposera un processus V AR(2) pour ce systme de 2 variables
d log _1y et d log _3y.
8
0;2
=1
p(=2)
P
d log _3yt
=1
=1
p(=2)
P
d log _1yt
+ "2;t
=1
1
1
=
=
2
2
=0
=0
>
>
: d log _3yt
=1
0;2
p(=2)
P
d log _3ytt
+ "2;t
=1
4.c) On souhaite estimer une relation de long terme entre les logarithmes
des taux dintrt:
log _1yt =
log _3yt +
2 dummyt
+ "t
consiste savoir si DW = 0. Ce test est appel CRDW (Cointegrating Regression Durbin-Watson test). Si le DW calcul est infrieur
la valeur critique, on accepte lhypothse nulle de non cointgration. A
linverse, si le DW calcul est suprieur la valeur critique, on rejette
lhypothse nulle de non cointgration et les variables sont alors cointgres. La valeur critique lue dans la table 4 (0:30) est suprieure la
valeur calcule (0:109). On ne peut pas rejeter lhypothse nulle de non
cointgration. Un autre test est le test DF. Sous lhypothse nulle de non
cointgration (i.e., prsence dune racine unitaire), on teste:
H0 :
b
"t =
=0 $
"t 1
1b
+ ut
Comme on peut le constater sur la gure 3, le systme est stable puisque les
racines de lquation caractristique det I2 z 2
1z
2 = 0 se situent
lintrieur du disque unit du plan complexe. Par ailleurs, les autocorrelations et les corrlations croises des rsidus (gure 4) semblent nulles
jusquau retard 11 lexception de la corrlation [d log _1yt ; d log _3yt 7 ] :
Cette absence de corrlation rsiduelle est conrme par le test du multiplicateur de Lagrange sur les rsidus (table 14). La gure 5 reprsente
les fonctions de rponses impulsionnelles gnralises de Pesaran et Shin.
Ces fonctions de rponses sont issues dun ensemble dinnovations orthogonales qui ne dpendent pas de la position des direntes variables dans
le processus V AR. La rponse impulsionnelle issue dune innovation de la
10
variable d log _1y est obtenue en appliquant la variable d log _3y une factorisation de Cholesky calcule avec linnovation de la variable d log _1y
place tout en haut de la structure V AR et vice versa. La rponse de
(d log _1y) un choc sur ses innovations est relativement faible, mme
instantanment (+6:0%) et sattnue trs rapidement au bout de 3 mois.
La rponse du taux de croissance du taux dintrt 1 an des chocs sur
le taux de croissance du taux dintrt 3 ans est lgrement plus faible
(5:5% en instantan). On obtient le mme type de prol dynamique pour
le taux de croissance du taux dintrt 3 ans. Les eets sur les taux
de croissance des taux dintrt sont donc temporaires et sestompent trs
rapidement au bout dun trimestre.
4.e) On estime un modle VAR cointgr. Rappelons que lon peut rcrire ce VAR sous la forme:
Y t = c + A1 Y t
o
B=
p
Y
+ :::: + Ap
Yt
p+1
+ BY t
p
X
IM et Ai =
i=1
+ "t
j=i+1
Le thorme de reprsentation de Granger stipule que la matrice de coefcients B nest pas de plein rang mais de rang infrieur r < M (= 2) et
quil existe des matrices et de taille (M r) et de plein rang r telles
0
et 0 Y t I(0): r est le nombre de relations de cointgration
que B =
(i.e., le rang de cointgration) et chaque colonne de est le vecteur de
cointgration. Les lments de sont appels paramtres dajustement
du VECM. Autrement dit, il y aura r relations de cointgration si
0
H0 (r) : B =
r+1
r+2
= ::: =
=0
LM V (p)) =
T
X
i=r+1
log 1
bi
LM V (r + 1)) =
T log 1
br+1
Dans certains cas, les 2 tests peuvent fournir des rsultats contradictoires.
Il convient alors dexaminer le vecteur de cointgration et de dterminer
son choix selon linterprtation des relations de cointgration. On considre donc lhypothse H0 : r
1. Le test de la trace (table 15) donne
4:2863 et le percentile 95 est 9:164. On ne peut pas rejeter lhypothse
nulle. Par contre, on peut rejeter lhypothse nulle H0 : r = 0 puisque
le test de la trace donne 23:957 et le percentile 95 est 20:261. De mme,
le test de la valeur propre maximale rejette lhypothse nulle H0 : r = 0
puisque le test donne 19:6706 et le percentile 95 est 15:892: Ce mme test
permet daccepter lhypothse nulle H0 : r 1 puisque la table 15 donne
galement 4:2863 et le percentile 95 est 9:164. On conclut quil y a donc
une relation de cointgration (r = 1) pour le lien entre les taux dintrt
1 an et 3 ans.
0
nous donne le vecteur
Lestimation de la matrice de coe cients B =
de cointgration ainsi que le vecteur des paramtres dajustement du
VECM (voir table 16):
0
0
=
=
0:2407
0:2407)
log _1yt
1 +0:2909
log _3yt
13