Econometrie Finance Slides Partie2 PDF

Rappel : les principales propriétés des séries …nancières
L’approche ARCH / GARCH et la modélisation de la volatilité

Modèles ARCH / GARCH linéaires
Estimation et Prévision
Partie 2. Modèles GARCH

Modèles GARCH univariés
Christophe Hurlin, Université d’Orléans, Laboratoire

d’Economie d’Orléans (UMR CNRS 6221)
Master Econométrie et Statistique Appliquée (ESA), Université d’Orléans
Septembre 2008
Christophe Hurlin Modèles GARCH

Propriété 1 : Stationnarité
Propriété 2 : Autocorrélation des carrés
Rappel : les principales propriétés des séries …nancières Propriété 3 : Distribution leptokurtique
L’approche ARCH / GARCH et la modélisation de la volatilité Propriété 4 : Clusters de volatilité
Modèles ARCH / GARCH linéaires Propriété 5 : Distribution conditionnelle leptokurtique
Estimation et Prévision Propriété 6 : E¤et de levier
Propriété 7 : Saisonnalité
Propriété 8 : Asymétries
Propriétés des séries …nancières
Section 1. Les principales propriétés des séries

…nancières


Les séries de prix d’actif et de rendements présentent généralement
un certain nombre de propriétés similaires suivant leur périodicité.
Soit pt le prix d’un actif à la date t et rt le logarithme du
rendement correspondant:
rt = log (pt ) log (pt 1) = log (1 + Rt )
où Rt = (pt pt 1 ) /pt désigne la variation relative des prix.

Example
Considérons à titre d’exemple l’indice Standard & Poor observé en
clôture sur la période du 03/07/1989 au 24/11/2003 ainsi que le
rendement quotidien associé
Figure: Indice SP500 : 03/07/1989 au 24/11/2003

Figure: Rendement SP500 : 03/07/1989 au 24/11/2003

Charpentier (2002) distingue ainsi 8 principales propriétés :

Propriété 1 (Stationnarité) Les processus stochastiques pt
associés aux prix d’actif sont généralement non
stationnaires au sens de la stationnarité du second
ordre, tandis que les processus associés aux
rendements sont compatibles avec la propriété de
stationnarité au second ordre.

Rappelons au passage les dé…nitions de la stationnarité forte et de

la stationnarité faible (ou stationnarité du second ordre). Soit un
processus temporel aléatoire (xt , t 2 Z) .
De…nition
Le processus xt est dit strictement ou fortement stationnaire si 8
le n-uplet du temps t1 < t2 < .. < tn , tel que ti 2 Z et pour tout
temps h 2 Z avec ti + h 2 Z, 8i, i = 1, .., n, la suite
(xt1 +h , .., xtn +h ) à la même loi de probabilité que la suite
(xt1 , .., xtn ) .

De…nition
Un processus (xt , t 2 Z) est dit stationnaire au second ordre, ou
stationnaire au sens faible, ou stationnaire d’ordre deux si les trois
conditions suivantes sont satisfaites :
(i) 8t 2 Z, E xt2 < ∞
(ii) 8t 2 Z, E (xt ) = m, indépendant de t
(iii)
8 (t, h) 2 Z2 , cov (xt , xt +h ) = E [(xt +h m) (xt m)] = γ (h) ,
indépendant de t

La première condition E xt2 < ∞ garantit l’existence (ou la

convergence) des moments d’ordre deux.
La seconde condition E (xt ) = m, 8t 2 Z porte sur le
moment d’ordre un et signi…e tout simplement que l’espérance
du processus xt doit être indépendante du temps.
La troisième condition porte sur les moments d’ordre deux
résumés par la fonction d’autocovariance γ (h) : la fonction
d’autocovariance du processus xt doit être indépendante du
temps et ne doit dépendre que l’ordre des retards h. Cela
implique en particulier que la variance γ (0) du processus xt
doit être constante au cours du temps.

Propriété 2 (Autocorrélations des carrés des variations de prix)

La série rt2 associée aux carrés des rendements
présente généralement de fortes auto-corrélations
tandis que les auto-corrélation de la série rt sont
souvent très faibles (hypothèse de bruit blanc).

L’absence d’auto-corrélation des rendements renvoit à la notion

d’e¢ cience (E¢ cient Market Hypothesis ou EMH).
Cuthbertson (2000), ”Economie Financière Quantitative:
Actions, Obligations et Taux de Change”, De Boeck, chapitres
5 et 6.

Retenons simplement que sous l’EMH, le cours pt d’une

action incorpore toutes les informations pertinentes. Dis
autrement, l’hypothèse d’e¢ cience du marché implique en
e¤et que les rendements anticipés d’équilibre corrigés du
risque ne sont pas prévisibles.
Quelle que soit la dé…nition de l’EMH retenue, les cours ne
peuvent varier entre t et t + 1 qu’en raison de l’arrivée de
”nouvelles” (news) non anticipées.

De…nition
Sous l’hypothèse d’anticipations rationnelles, les erreurs de
prévisions dé…nies par εt +1 = pt +1 Et pt +1 doivent être nulles en
moyenne et ne doivent être corrélées avec aucune information de
l’ensemble Ωt d’information disponible à la date t. Cette dernière
propriété est appelée ”propriété d’orthogonalité” et peut s’exprimer
sous la forme :
E ( ε t +1 j Ω t ) = 0


On applique souvent l’hypothèse de marchés e¢ cients
directement sur les rendements rt :
rt +1 = Et rt +1 + εt +1
où l’erreur de prévision εt +1 véri…e
E ( ε t +1 ) = 0
E ( ε t +1 j Ω t ) = 0
Sous l’hypothèse d’anticipation rationnelle, rendements non
anticipés sont en moyenne nuls et véri…ent une condition
d’orthogonalité par rapport à l’ensemble d’information Ωt .
Lemma
La présence d’une auto-corrélation des rendements rt constitue une
violation de l’hypothèse d’EMH sous l’hypothèse d’anticipation
rationnelle. En revanche, on notera que l’hypothèse EMH
n’impose a priori aucune restriction sur la forme des moments
supérieurs à un de la distribution de εt et de rt . La variance de
εt +1 (ou de rt +1 ) peut être liée avec ses valeurs passées tout en
respectant l’e¢ cience informationnelle. Dès lors, l’auto-corrélation
des rt2 n’est pas incompatible avec l’EMH.

Example
On véri…e sur nos données relatives à l’indice SP500 l’absence de
corrélations des rendements ainsi que la présence de corrélations
des rendements aux carrés r 2 .
Pour cela, on considère le statistique de Box et Pierce. On note ak
l’autocorrélation d’ordre k d’un processus fzt , t 2 Zg . Pour un
ordre K , le test de Box et Pierce est tel que :
H0 : a1 = ... = aK = 0
H1 : 9j 2 [1, K ] , tel que aj 6= 0


La statistique du test de Box Pierce est :
K
∑ bak2 T !!∞ X 2 (K )
L
QBP = T
k =1
où b
ak désigne l’autocorrélation empirique :
∑Tt=k +1 (zt z ) (zt k z ) / (T k)
b
ak = 2
∑Tt=k +1 (zt z ) /T
De la même façon la statistique de Ljung-Box, dé…nie pour un
ordre K véri…e :
K
ak2
b
∑
L
QK = T (T + 2) ! X 2 (K )
k =1
T k T !∞



Propriété 3 (Queues de distribution épaisses) L’hypothèse de

normalité des rendements est généralement rejetée.
Les queues des distributions empiriques des
rendements sont généralement plus épaisses que
celles d’une loi gaussienne. On parle alors de
distribution leptokurtique.

La Kurtosis est la mesure standard de ”l’épaisseur ” des queues de

distributionsh fondée suri le moment centré d’ordre 4,
4
i.e. µ4 = E (X µ) et la variance V (X ) = µ2 = σ2 .

De…nition (Kurtosis)
Soit X une variable aléatoire rélle telle que µ2 et µ4 existent :
2 !4 3
X E (X ) 5 µ
Kurtosis = E 4 p = 42
V (X ) µ2
!4 3 2
X E (X ) 5
Degré d’excès de Kurtosis = E 4 p 3
V (X )

De…nition (leptokurticité)
Si la Kurtosis µ4 /µ22 est supérieure (respectivement inférieure) à 3,
la distribution est dite leptokurtique ( respectivement
platykurtique) ou à queues "épaisses"
De…nition (mesokurticité)
Si la Kurtosis est précisèment égale à 3, on dit que la distribution
est dite mesokurtique (attention: une distribution normale est
mesokurtique, mais une Kurtosis égale à 3 n’implique pas la
normalité)


De…nition (test d’excès de Kurtosis)
Un estimateur convergent de la Kurtosis associé à un échantillon
de taille T s’écrit:
T 4
1 xt x
Ku =
T ∑ bx
σ
t =1
ou σbx désigne un estimateur non biaisé de la variance. Sous

l’hypothèse nulle H0 : µ4 /µ22 = 3, on montre que:
Ku 3 L
q ! N (0, 1)
24 T !∞
T


Example
On véri…e que dans le cas des rendements du SP500 la kurtosis est
largement et signi…cativement supérieure à 3, impliquant
l’existence d’une distribution leptokurtique des rendements de
l’indice américain sur la période. Par conséquent, le test de
Jarque-Bera conduit ici à rejeter très largement l’hypothèse d’une
distribution symétrique et mesokurtique. Rappel :
T T L/H 0
s= Sk + ( Ku 3)2 ! X 2 (2)
6 24 T !∞
où Sk désigne la Skewness Sk qui sous l’hypothèse de symétrie est

égale à 0.
Figure: Histrogramme des Rendements sur SP500

1200
Series: R_SP
Sample 2 3756
1000
Observations 3755
800 Mean 0.000318

Median 8.40E-05
Maximum 0.055732
600
Minimum -0.071127
Std. Dev. 0.010338
400 Skewness -0.156202
Kurtosis 7.070093
200
Jarque-Bera 2607.105
Probability 0.000000
0
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06

Propriété 4 (Clusters de Volatilité) On observe empiriquement

que de fortes variations des rendements sont
généralement suivies de fortes variations. On assiste
ainsi à un regroupement des extrêmes en cluster ou
paquets de volatilités.


Propriété 5 (Queues épaisses conditionnelles) Même une fois

corrigée de la volatilité clustering (par exemple avec
des modèles ARCH), la distribution des résidus
demeure leptokurtique même si la kurtosis est plus
faible que dans le cas non conditionnelle.

Propriété 6 (E¤et de levier) Il existe une asymétrie entre l’e¤et

des valeurs passées négatives et l’e¤et des valeurs
passées positives sur la volatité des cours ou de
rendements. Les baisses de cours tendent à engendrer
une augmentation de la volatilité supérieure à celle
induite par une hausse des cours de même ampleur.
Cette propriété n’est pas à confondre avec celle d’asymétrie de la
distribution des cours ou des rendements (propriété 8). Il s’agit ici
d’une asymétrie de la relation liant les valeurs passés des cours ou
rendements à la volatilité de ces derniers.

Propriété 7 (Saisonnalité) Les returns présentent de nombreux

phénomènes de saisonnalité (e¤ets week end, e¤et
janvie etc..).

Il existe une littérature très abondante qui tend à mettre en

évidence de tels phénomènes. Toutefois, certaines saisonnalité
peuvent être spéci…ques à un échantillon, une période.
Il est, par contre, deux types de saisonnalité qui ont acquis
droit de cité dans la littérature, pour avoir été discernés sur
des échantillons, des périodes et au moyen de méthodologies
présentant su¢ samment de variété pour en étayer la
robustesse. Il s’agit de ”l’e¤et janvier” et de ”l’e¤et
week-end”.


Roze¤ et Kinney (1976) mettent en avant les résultats suivants sur
le marché des actions US :
Table: Illustration de l’E¤et Janvier.
Return Moyen (% par mois)

Période Janvier Autres Mois
1904-1928 1.30 0.44
1929-1940 6.63 -0.60
1940-1974 3.91 0.70
1904-1974 3.48 0.42
Sources: Roze¤ et Kin,ney (1976) cité dans Cobbaut (1997)

Keim (1983) montre ainsi que l’e¤et janvier est d’autant plus
fort que la capitalisation du titre est faible. On peut alors
avancer une explication de type tax loss selling hypothesis.
Les faibles capitalisations sont dans une large mesure le fait de
sociétés dont le prix du titre a décru de manière importante au
cours de l’année, de sorte que les investisseurs ont intérêt à les
vendre en …n d’année pour rendre leur moins value …scalement
déductible, quitte à les racheter quelques jours plus tard.

Propriété 8 (Asymétrie perte/gain) La distribution des cours est

généralement asymétrique : il y a plus de
mouvements forts à la baisse qu’à la hausse.


Rappelons qu’un test simple de l’hypothèse de symétrie consiste à
tester la nullité du moment centré d’ordre trois de la distribution,
i.e. la skweness.
h i
Skewness = µ3 = E (X E (X ))3
Souvent on construit un coe¢ cient de Skewness dé…nit comme le

rapport µ23 /σ3 . Sous l’hypothèse nulle de distribution symétrique,
on montre que l’estimateur Sk de ce coe¢ cient :
(Sk )1/2 L
q ! N (0, 1)
6 T !∞
T

Example
On véri…e ainsi aisément que l’hypothèse nulle de symétrie de la
distribution des rendements sur le SP500 est rejetée : le coe¢ cient
de skewness est signi…cativement négatif : la probabilité d’obtenir
des valeurs inférieures à la moyenne étant supérieure à celle
d’obtenir des valeurs plus fortes que la moyenne.

Figure: Histrogramme des Rendements sur SP500

1200
Series: R_SP
Sample 2 3756
1000
Observations 3755
800 Mean 0.000318

Median 8.40E-05
Maximum 0.055732
600
Minimum -0.071127
Std. Dev. 0.010338
400 Skewness -0.156202
Kurtosis 7.070093
200
Jarque-Bera 2607.105
Probability 0.000000
0
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06

L’approche ARCH / GARCH et la modélisation de la volatilité Modéliser et prévoir la volatilité
Modèles ARCH / GARCH linéaires Les grandes classes de modèles ARCH-GARCH
Modéliser et prévoir la volatilité
Section 2. L’approche ARCH / GARCH et la

modélisation de la volatilité

Le premier article à proposer une modélisation ARCH-GARCH fut

celui d’Engle (1982) :
Engle, R.F. (1982), ”AutoRegressive Conditional
Heteroskedasticity with Estimates of the Variance of U.K.
In‡ation”, Econometrica, 50, 987-1008.
-

Prévoir la Volatilité

Problem (prévoir la volatilité)

Comment prévoir la volatilité (la variance) des rendements à la
date t + 1 ?
Deux solutions :
1 Considérer la variance non conditionnelle des rendements
V (rt +1 ) .
2 Considérer la variance conditionnelle des rendements
V ( rt +1 j Ωt ) , tout comme on considère l’espérance
conditionnelle d’un processus Xt pour prévoir le niveau de la
série (approche à la Box et Jenkins, 1970).

Solution (Principe des modèles ARCH-GARCH)

A…n de modéliser et prévoir la volatilité, il convient de prendre en
compte les dépendances temporelles au niveau de la variance
conditionnelle et d’adopter des représentations
conditionnellement hétéroscédastiques :
V ( rt +1 j Ωt ) = f (t; β)
où β est un ensemble de paramètres, et non conditionnellement

homoscédastiques (propriété 2, stationnarité)
V (rt +1 ) = γ (0) 8t

Dès lors que l’on souhaite proposer un "modèle" paramétrique de

la variance conditionnelle, supposée être hétéroscédastique, deux
solutions peuvent être envisagées :
1 Faire dépendre la variance conditionnelle V ( rt +1 j Ωt ) d’un
ensemble de variables explicatives
2 Faire dépendre la variance conditionnelle V ( rt +1 j Ωt ) de son
propre passé, tout comme dans une approche ARMA à la
Box et Jenkins (1970), on fait dépendre l’espérance
conditionnelle en t de l’espérance conditionnelle en t 1.

De…nition
Les modèles ARCH sont des modèles autorégressifs
conditionnellement hétéroscédastiques
Dans un modèle ARCH, c’est le carré des perturbations qui

suit un processus autorégressif d’ordre q.
Engle (1982) a proposer ces processus pour palier aux
insu¢ sances de la classe des représentations ARMA,
notamment en ce qui concerne les séries …nancières

Les grandes classes de modèles ARCH-GARCH

Il existe deux grandes classes de modèles ARCH-GARCH

1 les modèles ARCH-GARCH linéaires ou symétriques
(attention, les modèles ARCH-GARCH sont par nature des
modèles non liénaires, mais c’est l’équation de variance
conditionnelle qui est linéaire)
2 les modèles ARCH-GARCH asymétriques postulant une
relation asymétrique entre la variance conditionnelle et les
chocs passés.

Rappel : les principales propriétés des séries …nancières Modèles ARCH (q )
L’approche ARCH / GARCH et la modélisation de la volatilité Propriétés des modèles ARCH
Modèles ARCH / GARCH linéaires Modèle avec erreurs ARCH (q )
Estimation et Prévision Modèles GARCH(p, q )
Section 3. Les modèles ARCH-GARCH linéaires

Modèles ARCH(q)

De…nition (représentation ARCH)

Un processus Xt satisfait une représentation ARCH (1) si
p
Xt = zt ht
ht = α0 + α1 Xt2 1
où les paramètres véri…ent α0 > 0 et 0 < α1 1 et où zt désigne

un bruit blanc faible tel que E (zt ) = 0 et E zt2 = σ2z .

La composante ht désigne une variable qui, conditionnellement à

l’ensemble d’information des valeurs passées de Xt , i.e. à
Xt 1 = fXt 1 , Xt 2 , ..., Xt j , ..g , est déterministe et positive.
De…nition (variance conditionnelle)

La composante ht désigne à une constante près la variance
conditionnelle du processus Xt :
V Xt jXt 1 = ht V (zt ) = ht σ2z

Propriétés des modèles ARCH

On peut établir des résultats intéressants en considérant le

processus autorégressif sur Xt2 . Pour simpli…er, on se limite au cas
du ARCH(1) :
ht = α0 + α1 Xt2 1 , Xt2 = α0 + α1 Xt2 1 + Xt2 ht
soit encore :
Xt2 = α0 + α1 Xt2 1 + εt
ou εt = Xt2 ht véri…ant E εt jXt 1 = 0 est un processus
d’innovation pour Xt2 .

Theorem (représentation ARCH)

Si un processus Xt satisfait une représentation ARCH(1) , alors Xt2
satisfait une réprésentation AR (1) telle que :
Xt2 = α0 + α1 Xt2 1 + εt
ou εt = Xt2 ht véri…ant est un processus d’innovation pour Xt2
E εt jXt 1 =0


On peut déduire de ces di¤érentes écritures, un certain nombre de
propriétés :
1 le processus Xt véri…e la dé…nition d’une di¤érence de
martingale homoscédastique et d’un bruit blanc faible
(propriétés 1 et 2) .
2 le processus Xt est conditionnellement hétéroscédastique
(propriété 4), mais non conditionnellement
homoscédastique (propriété 1)
3 le processus Xt admet une distribution leptokurtique
(propriété 3)
Rappelons au préalable ces dé…nitions
De…nition (Bruit blanc faible)

Un processus Xt est un bruit blanc faible si il s’agit d’une suite de
variables de moyenne nulle, homoscédastiques et non corrélés. Si
l’on note EL (.) l’espérance linéaire :
EL Xt jXt 1 =0 V (Xt ) = σ2x 8t

De…nition (Di¤érence de martingale)

Un processus Xt est une di¤érence de martingale homoscédastique
si et seulement si :
E Xt jXt 1 =0 V (Xt ) = σ2x 8t
Un processus ARCH satisfait la dé…nition d’une di¤érence de

martingale homoscédastique

Propriété 1 Un processus Xt satisfaisant une représentation

ARCH (1) est une di¤érence de martingale
homoscédastique :
E Xt j Xt 1 =0
α0
V (Xt ) =
1 α1

Proof.
On sait que : p
Xt = zt ht
avec ht = α0 + α1 Xt2 1 , donc on a :
p p
E Xt jXt 1 = E zt ht jXt 1 = E zt jXt 1 ht = 0
si le processus zt est lui même un bruit blanc faible.

Cette propriété signi…e que le processus ARCH Xt peut

s’apparenter à un processus de bruit blanc (faible), ce qui
explique notamment que l’on spéci…era des erreurs de
modèles sous la forme ARCH.
Cette propriété signi…e en outre que le processus ARCH Xt est
non conditionnellement homoscédastique.
Cette propriété signi…e en outre qu’une représentation ARCH
Xt des innovations est compatible avec l’EMH

Corollary
Le résultat selon lequel la variance non conditionnelle est dé…nie
par la relation
α0
V (Xt ) =
1 α1
explique les contraintes sur les paramètres de la
représentation ARCH
α0 > 0
0 α1 < 1

Corollary
Par développement, on peut montrer que le processus ARCH Xt
est orthogonal à tout passé :
E Xt jXt h = 0 8h 1
Pour démontrer cela utilisons la propriété des espérances itérées.

Theorem (espérances itérées)

Soient deux ensembles d’information Ω1 et Ω2 , tels que Ω1 Ω2 ,
alors quelle que soit la variable Z , on a l’égalité
E (Z j Ω1 ) = E [E (Z j Ω2 ) j Ω1 ]

Proof.
on montre que
h i h i
E Xt jXt h = E E Xt jXt 1 jXt h = E 0 jXt h =0
car
Xt h Xt 1 si h > 1

Propriété 2 La variance conditionnelle du processus Xt

satisfaisant une représentation ARCH (1) est non
constante dans le temps et véri…e :
1 αh1
V Xt jXt h = α0 + αh1 Xt2 h 8t
1 α1

C’est la propriété centrale des processus ARCH : le processus

Xt possède les propriétés d’un bruit blanc homoscédastique
(propriété 1), mais sa variance conditionnelle dépend du
temps.
On a l’idée que la liaison temporelle passe par l’intermédiaire
de l’équation auto-régressive dé…nie sur le carré du processus,
i.e. Xt2 = α0 + α1 Xt2 1 + εt .

Proof.
On sait que E Xt jXt h = 0, dès lors
V Xt jXt h = E Xt2 jXt h . Considérons le processus Xt2 dé…ni
par la relation Xt2 = α0 + α1 Xt2 1 + εt où εt est un bruit blanc
faible. Par itération successive, on a :
Xt2 = α0 1 + α1 + α21 + .. + αh1 1

+ εt + α1 εt 1 + α21 εt 2 + ..
+α1h 1
εt h +1 + αh1 Xt2 h

suite.
Dès lors il vient :
1 αh1
E Xt2 jXt h = α0
1 α1
h 1
+ ∑ αj1 E εt j jXt h + αh1 E Xt2 h jXt h
j =0

suite.
Puisque par dé…nition du bruit blanc εt , on a E εt j jXt h = 0,
8j = 0, .., h 1 et par dé…nition E Xt2 h jXt h = Xt2 h , on
obtient ainsi la formule de la proposition.
1 αh1
V Xt jXt h = α0 + αh1 Xt2 h 8t
1 α1

Lorsque h tend vers l’in…ni, ces variances conditionnelles

convergent vers la variance non conditionnelle, et l’on retrouve
alors la formule de la propriété 1 :
V (Xt ) = lim V Xt jXt h

h !∞
1 αh1
= lim α0 + αh1 Xt2 h
h !∞ 1 α1
α0
=
1 α1

Propriété 3 Les auto-covariances conditionnelles du processus Xt

ARCH (1) sont nulles :
cov Xt , Xt +k jXt h =0 8h 1, 8k 1
Un processus ARCH est donc un processus qui conditionnellement

à Xt h est un processus sans mémoire.


Proof.
Considérons la covariance conditionnelle entre Xt et Xt +k :
cov Xt , Xt +k jXt h
nh i o
= E Xt Xt +k E Xt jXt h E Xt +k jXt h jXt h
= E Xt Xt +k jXt h
h i
= E E Xt Xt +k jXt +k 1 jXt h
h i
= E Xt E Xt +k jXt +k 1 jXt h car εt est connu en t + k 1
h i
= E Xt 0jXt h
Propriété 4 Le moment conditionnel centré d’ordre 4 du

processus Xt véri…e :
2
E Xt4 jXt h = 3 α0 + α1 Xt2 1
Sous l’hypothèse 3α21 < 1, le moment non

conditionnel centré d’ordre 4 du processus Xt est
égal à :
3α20 (1 + α1 )
E Xt4 =
(1 3α21 ) (1 α1 )

Propriété 4 (suite) La kurtosis non conditionnelle associée au

processus ARCH (1) est égale à :
E Xt4 1 α21
Kurtosis = 2
=3 >3
E (Xt2 ) 1 3α21

Preuve : cf. Berra et Higgins (1993).

Sous l’hypothèse de positivité du paramètre α1 , la kurtosis
non conditionnelle est toujours supérieure à celle de la loi
normale : elle traduit l’aspect leptokurtique de la
distribution du processus Xt.
C’est la deuxième raison, avec la variance conditionnelle
dépendante du temps, pour laquelle les processus ARCH sont
très utilisés pour représenter les séries …nancières ou les
résidus de modèles linéaires dé…nis sur séries …nancières.


Toutes ces propriétés peuvent être généralisées au cas d’un
processus ARCH(q ) :
De…nition (modèle ARCH)

Un processus Xt satisfait une représentation ARCH (q ) si
p
Xt = zt ht
q
ht = α0 + ∑ αi Xt2 i
i =1
où zt désigne un bruit blanc faible tel que E (zt ) = 0 et

E zt2 = σ2z .


Résumé : si Xt satisfait une représentation ARCH, alors :
1 Xt est une di¤érence de martingale (compatible avec l’EMH)
2 Xt est un processus conditionnellement hétéroscédastique
(compatible avec des clusters de volatilité)
3 Xt est un processus (non conditionnellement)
homoscédastique (compatible avec la stationnarité du 2nd
ordre)
4 Xt est un processus non autocorrélé (compatible avec l’EMH)
5 La distribution de Xt est leptokurtique même si la distribution
des innovations zt est mesokurtique : le processus ARCH rend
compte de l’apparition d’événements "extrêmes".
Modèles avec erreurs ARCH

Modèles avec erreurs ARCH

On considère dorénavant non plus un processus ARCH pour
modéliser directement la série …nancière, mais le résidu d’un
modèle linéaire.
Prenons l’exemple d’un modèle linéaire auto-régressif avec
résidus de type ARCH(q).


De…nition (modèle avec erreurs ARCH)
On considère un modèle linéaire auto-régressif de la forme
Yt = E Yt jYt 1 + εt
où εt est un bruit blanc faible, tel que E (εt ) = 0 et E (εt εs ) = 0

si s 6= t, et E εt jεt 1 = 0. On suppose que ce résidu admet une
représentation de type ARCH (q ) :
p q
εt = zt ht avec ht = α0 + ∑ αi ε2t i
i =1
où zt est un bruit blanc faible.

Example (AR(1)-ARCH(1))
Envisageons le cas le plus simple d’un processus de type AR(1)
avec erreur ARCH(1):
Yt = µ + ρYt 1 + εt
p
εt = zt ht
ht = α0 + α1 ε2t 1
avec jρj < 1.


Example (suite)
Dans ce cas, les résidus satisfont les 4 principales propriétés
étudiées précédemment :
Propriété de di¤érence de martingale : E εt jεt 1 = 0 et de

façon générale
E εt j εt h = 0, 8h 1
Variance conditionnelle dépendante du temps puisque :

1 αh1 α0
V εt j εt h = α0 + αh1 ε2t h V ( εt ) =
1 α1 1 α1
Les auto-covariances conditionnelles sont nulles

cov εt , εt +k jεt h = 0, 8h 1, 8k 1
Sous l’hypothèse α21 < 1/3, la distribution des résidus est
leptokurtique puisque :
1 α21
Kurtosis = 3 >3
1 3α21

On peut en outre en déduire un certain nombre de conclusions

quant au processus Yt lui même.
On peut montrer tout d’abord que l’espérance conditionnelle
de Yt véri…e :
1 ρh
E Yt jYt h = µ + ρE Yt 1 jYt h =µ + ρh Yt h
1 ρ
La variance conditionnelle de Yt dépend du temps : le

processus Yt est lui même conditionnellement
hétéroscédastique

De…nition
La variance conditionnelle du processus AR (1) avec erreur
ARCH (1) , Yt , s’écrit :
µ 1 ρ2h αh1 ρ2h

V Yt jYt h = α1
1 α1 1 ρ2 α1 ρ2
αh1 ρ2h
+ α1 ε2t h
α1 ρ2
Ainsi la variance d’une erreur de prévision à l’horizon 1, s’écrit :
V Yt jYt 1 = µ + α1 ε2t 1

Dès lors, les intervalles de con…ance sur la prévision de Yt

n’ont plus une aplitude constante dans le temps.
Remarque La variance d’une erreur de prévision sur un
processus avec erreur ARCH dépend du temps.
V Yt jYt h = g ( εt h)
Plus les chocs passés sont importants, plus la variance de

l’erreur de prévision sera importante et donc plus l’amplitude
de l’intervalle de con…ance sera importante

Example (Intervalles de con…ance et e¤ets ARCH)

Considérons un modèle extrêmemnt simple sur le rendement du
SP500 s’écrivant sous la forme
rt = µ + εt
p
εt = zt ht avec ht = α0 + α1 ε2t 1
dans ce cas, la prévision sur le rendement correspond au rendement

moyen µ :
E rt +1 jrt = µ


Example (suite)
Sous l’hypothèse de normalité des zt , un intervalle de con…ance à
α% de risque sur cette prévision s’écrit :
h α p α p i
IC1 α = µ Φ 1 1 ht +1 ; µ + Φ 1 1 ht +1
2 2
soit encore :
q
α
IC1 α = µ Φ 1
1 α0 + α1 (rt µ )2
2
Plus le choc εt est important, plus l’intervalle de con…ance sur les

redements prévus en t + 1 sera lui aussi important.
Modèles GARCH


Modèles GARCH(p,q)
Un des problèmes qui se pose avec les modèles ARCH(q )
réside dans le fait qu’il est souvent nécessaire de considérer un
nombre de retards q important pour purger les corrélations
dans le carré de Xt (et donc les clusters de volatilité)
On retrouve le problème qui se posait dans le cas de la
modélisation de l’espérance conditionnelle avec des
représentations de type MA (q ) voir MA (∞) (théorème de
Wold). Or, dans ce cas la solution consiste à introduire une
composante auto-regressive (représentation de type
ARMA)

Modèles GARCH(p,q)
L’idée de l’extension GARCH est la même dans le cas de la
variance conditionnelle :
Il s’agit d’introduire une composante auto-regressive donc
de faire dépendre ht de son propre passé en plus des chocs
Représentation de type GARCH proposée par Bollerslev
(1986)
Bollerslev, Tim (1986), “Generalized Autoregressive

Conditional Heteroskedasticity”, Journal of Econometrics,
31,pp307-327


Par la suite de cet exposé, on considère un modèle linéaire
autorégressif exprimé sous la forme suivante :
Yt = E Yt jYt 1 + εt
où εt est un bruit blanc faible, tel que E (εt ) = 0 et E (εt εs ) = 0
si s 6= t, satisfaisant la condition de di¤érence de martingale
E εt j εt 1 =0
On suppose que le processus εt peut s’écrire sous la forme :
p
εt = zt ht
où zt est un bruit blanc faible.
De…nition (GARCH)
Un processus εt satisfait une représentation GARCH (p, q ) si
p
εt = zt ht
q p
ht = α0 + ∑ αi ε2t i + ∑ βi ht i
i =1 i =1
où zt est un bruit blanc faible et où α0 > 0, αi 0, i = 1, . . . , q et

βi 0, i = 1, . . . , p.

Ainsi, l’innovation du processus Yt , dé…nie par le processus

GARCH(p, q ) εt admet pour moments conditionnels :
E εt j εt 1 =0
q p
1
V εt j εt 1 = ht = α0 + ∑ αi ε2t i + ∑ βi ht i
σ2 i =1 i =1


Example (GARCH)
Supposons qu’une variable Yt admette une représentation
AR(1)-GARCH(1, 1) , celle-ci s’écrit sous la forme :
Yt = c + ρYt 1 + εt
p
εt = zt ht
ht = α0 + α1 ε2t 1 + β1 ht 1
où zt est un BB faible tel que E (zt ) = 0 et E (zt ) = σ2 . ht

désigne alors à une constante près la variance conditionnelle de Yt :
V Yt jYt 1 = V εt j εt 1 = ht V (zt ) = ht σ2

Tout comme pour le modèle ARCH, on peut par inversion exprimer
le processus ε2t sous la forme d’un processus ARMA dé…ni dans une
innovation
µt = ε2t ht (1)
En introduisant cette notation dans l’équation du GARCH, il vient :
q p
ε2t µt = α0 + ∑ αi ε2t i + ∑ βi ε2t i µt i
i =1 i =1
D’où l’on tire que :
max (p,q ) p
ε2t = α0 + ∑ (αi + βi ) ε2t i + µt ∑ βi µt i
i =1 i =1
avec la convention αi = 0 si i > q et βi = 0 si i > p.
De…nition
Soit un processus εt satisfaisant une représentation
GARCH (p, q ) . Le processus ε2t peut être représenté sous la forme
d’un processus ARMA[max (p, q ) , p ] dé…ni dans une innovation
µt = ε2t V εt jεt 1 , tel que :
max (p,q ) p
ε2t = α0 + ∑ (αi + βi ) ε2t i + µt ∑ βi µt i (2)
i =1 i =1
avec la convention αi = 0 si i > q et βi = 0 si i > p.


Example
Considérons le cas d’un processus GARCH(1, 1) :
p
εt = zt ht
ht = α0 + α1 ε2t 1 + β1 ht 1
On montre aisément que :
ε2t = α0 + (α1 + β1 ) ε2t 1 + µt β1 µt 1
où µt = ε2t V εt /εt 1 = ε2t ht est un processus d’innovation

pour ε2t .
Sous la condition de stationnarité du second ordre α1 + β1 < 1, la

variance non conditionnelle du processus εt est dé…nie et constante
dans le temps. Sachant que V (εt ) = E ε2t il su¢ t à partir de la
forme ARMA(1,1) sur ε2t de dé…nir l’espérance du processus :
1 α0
V (εt ) = E ε2t = α0 Φ (1) =
1 α1 β1
où Φ (L) = 1 (α1 + β1 ) L désigne le polynôme auto-régressif

associé à la représentation ARMA(1,1) sur ε2t .

En…n, on peut montrer que pour un processus GARCH la kurtosis

est directement liée à l’hétéroscédasticité conditionnelle.
Si le processus εt satisfait une représentation GARCH(p,q)
conditionnellement gaussienne, telle que :
p
εt = zt ht
q p
V εt /εt 1 = α0 + ∑ αi ε2t i + ∑ βi ht i = ht
i =1 i =1
où zt désigne bruit blanc faible gaussien, alors :

1 la loi marginale de εt a des queues plus épaisses qu’une loi

normale (distribution leptokurtique) :
2
E ε4t 3 E ε2t
2 son coe¢ cient d’excès de kurtosis peut s’exprimer sous la

forme suivante :
E ε4t var E ε2t jεt 1

Excès de Kurtosis = 2
3=3 2
E (ε2t ) E (ε2t )

Example
On considère que un processus GARCH(1,1) tel que
p
εt = zt ht zt N.i.d (0, 1)
ht = α1 ε2t 1 + β1 ht 1
Bollerslev (1986) a montré d’une part que l’existence du moment

d’ordre 4 de u exigeait (α1 + β1 )2 + 2α21 < 1 et, d’autre part :
h i
2
E εt 4 3 1 ( α 1 + β 1 )
Ku = 2
= 2
>3
E ( εt )
2 1 ( α1 + β1 ) 2α21

L’approche ARCH / GARCH et la modélisation de la volatilité Estimateurs du MV sous l’hypothèse de normalité et PMV
Modèles ARCH / GARCH linéaires La procédure AUTOREG : estimation par MV et PMV
Estimation et prévision
Section 4. Estimation et prévision

Les modèles avec erreurs hétéroscédastiques peuvent être estimés

au moins de trois façons :
1 Estimateurs de la classe du Maximum de Vraisemblance (MV)
2 Estimateurs du Pseudo Maximum de Vraisemblance (PMV)
3 Estimateurs en deux étapes.
Nous ne présenterons ici que les deux premières méthodes
d’estimation.

Estimation du MV et du PMV

On reprend ici la présentation de Gouriéroux (1992). Soit un

modèle tel que :
E Yt jYt 1 , Xt = mt Yt 1 , Xt , θ = mt ( θ )
V Yt jYt 1 , Xt = ht Yt 1 , Xt , θ = ht (θ )
où θ désigne l’ensemble des paramètres intervenant à la fois dans
l’expression de la moyenne conditionnelle et de la variance
conditionnelle.
Gouriérioux C. (1992), Modèles ARCH et appications
…nancières, Economica.

Nous présenterons de façon parallèle la méthode d’estimation du

maximum de vraisemblance (MV) sous l’hypothèse de
normalité de la distribution conditionnelle des résidus et la
méthode d’estimation du pseudo maximum de vraisemblance
(PMV).

Fact
En e¤et, l’idée générale des estimateurs du PMV consiste à
démontrer que si l’on commet une erreur sur la distribution
conditionnelle des résidus en utilisant à tort une log-vraisemblance
fondée sur une loi normale, l’estimateur du MV ainsi obtenu peut
tout de même être convergent si la vraie loi des résidus appartient
à la même classe de loi que la loi normale (Gourieroux, Montfort,
1989). L’estimateur sera (i) asymptotiquement convergent et (ii)
asymptotiquement normal.

Par conséquent la fonction de vraisemblance dé…nissant

l’estimateur du MV sous l’hypothèse de normalité et la fonction de
pseudo-vraisemblance de l’estimateur du PMV sont les mêmes.

De…nition
La fonction de log-vraisemblance (ou de pseudo log-vraisemblance)
associée à un échantillon de T observations (y1 , y2 , .., yT ) de Yt
sous l’hypothèse de normalité de la loi conditionnelle de Yt
sachant Yt 1 et Xt s’écrit :
T 1 T 1 T [yt mt (θ )] 2
2 t∑ 2 t∑
log L (θ ) = log (2π ) log [ht (θ )]
2 =1 =1 ht (θ )

Example
Appliquons cette formule au cas d’un modèle de régression linéaire
avec erreur ARCH(q )
Yt = Xt β + εt
q
εt = zt ht (θ ) avec zt N.i.d (0, 1)
q
E εt j εt 1 =0 V εt /εt 1 = α0 + ∑ αi ε2t i
i =1

Example (suite)
E Yt jYt 1 , Xt = mt (θ ) = Xt β
q
E Yt jYt 1 , Xt = ht (θ ) = α0 + ∑ αi (Yt i βXt i )2
i =1
où θ = ( β, α0 , α1 , .., αq ) 2 Rq +2 .

Example (suite)
La log-vraisemblance s’écrit :
" #
q
T 1 T
log L (θ ) =
2
log (2π ) ∑
2 t =1
log α0 + ∑ αi (Yt i βXt i ) 2
i =1
" # 1
q
1 T
2 t∑
(yt Xt β) 2
α0 + ∑ αi (Yt i βXt i ) 2
=1 i =1

De…nition
Les estimateurs du MV sous l’hypothèse de normalité ou du PMV,
notés b
θ satisfont un système non linéaire à K équations :
∂ log L (θ ) 1 T 1 ∂ht (θ )
∂θ
= ∑
2 t =1 h b ∂θ
+
θ =b
θ t θ θ =b
θ
h i2 2 3
T yt mt b
θ ∂ht (θ ) T yt mt b
θ
1 5 ∂mt (θ )
2 t∑ ∑4
2
+ =
=1 ht b
θ
∂θ θ =b
θ t =1 ht b
θ ∂θ θ =b
θ

Remarque : On peut montrer que ce système peut se décomposer

en deux sous systèmes lorsque les paramètres θ interviennent de
façon séparée dans l’écriture de l’espérance et de la variance
conditionnelle. Ainsi, si l’on a θ = (α β)0 où α n’apparaît que dans
l’espérance conditionnelle et β dans la variance conditionnelle, on
peut décomposer ce système en deux sous système puisque :

2 3
T
∂ log L (α) 4 yt mt ( b
α) 5 ∂mt (α)
= ∑
∂α θ =b
θ t =1 ht b
β ∂ α =b
α
∂ log L ( β) 1 T 1 ∂ht ( β)
∂β
= ∑
2 t =1 h b ∂β
θ =b
θ t β θ =b
θ
1 T [yt α)]2 ∂ht ( β)

mt ( b
2 t∑
+ 2 ∂β
=1 ht b
β β=b
β

Theorem
Sous certaines conditions de régularité, l’estimateur du PMV est
asymptotiquement convergent et normal.
p d
T b
θ θ ! N 0, J 1
IJ 1
T !∞
où la matrice de variance covariance asymptotique de l’estimateur

du PMV est calculée à partir de :
∂2 log L (θ ) ∂ log L (θ ) ∂ log L (θ )

J = E0 I = E0
∂θ∂θ 0 ∂θ ∂θ 0
où E0 désigne l’espérance prise par rapport à la vraie loi.
Naturellement dans la pratique les matrice I et J sont directement
estimées en remplaçant l’espérance E0 par la moyenne empirique et
le paramètre inconnu θ par son estimateur convergent b θ. Ainsi, on
utilise :
T
bI = 1 ∑ ∂ log L (θ ) ∂ log L (θ )
T t =1 ∂θ θ =b
θ ∂θ 0 θ =b
θ
T
1 ∂2 log L (θ )
b
J=
T ∑ ∂θ∂θ 0
t =1 θ =b
θ
et la variance estimée de b
θ véri…e alors
hp i
Var T b θ θ =b J 1bI b
J 1

Remarque 1 : Dans le cas où la vraie loi sous jacente est

normale (Maximum de Vraisemblance), la matrice de
variance covariance asymptotique se réduit à :
hp i
Var b
T θ θ =J 1
puisque J = I .

Remarque 2 : Dans le cas du MV lorsque l’on peut séparer les

paramètres de l’espérance conditionnelle et de la variance
conditionnelle, on montre que :
2 3 1
hp i T
∂ht ( β) ∂ht ( β)
61 1 7
Var T b
β β =4
T ∑ 2 ∂β ∂β0
5
t =1 2ht b
β β=b
β β=b
β

Procédure AUTOREG de SAS

Procédure AUTOREG sous SAS

Pour estimer un modèle de type ARCH / GARCH sous l’hypothèse
de distribution conditionnelle normale par la méthode du maximum
de vraisemblance (MV), on peut simplement utiliser la procédure
AUTOREG.

Example
On cherche à estimer un modèle GARCH(1, 1) sur données
centrées à partir des données du SP500 présentées précédemment.
Soit dlspt le logarithme du rendement de l’indice Standard and
Poor’s 500.
dlspt = c + εt (3)
p
εt = zt ht zt N.i.d (0, 1) (4)
ht = α0 + α1 ε2t 1 + β1 ht 1 (5)

Figure: Estimation GARCH(1, 1) sur le rendement SP500


Example (suite)
Le test de Jarque-Bera des résidus du modèle de variance
conditionnelle zt , conduit à rejeter l’hypothèse nulle de (et donc la
normalité) pour un seuil supérieur à 0.001. Deux cas de …gure sont
envisageables.

1 On peut tout d’abord supposer que la ”vraie” distribution de

zt véri…e les conditions de régularité du PMV (Gouriéroux,
Montfort et Trognon, 1989). Toutefois, la formule permettant
d’obtenir la matrice de variance covariance des paramètres
doit être adaptée. Par conséquent, on doit spéci…er l’option
COVEST= QML dans le programme.
2 La deuxième solution consiste à utiliser une autre distribution
que la loi normale pour construire la vraisemblance (Student,
etc.)

La syntaxe générale de la proc AUTOREG est la suivante :

PROC AUTOREG options ;
MODEL dependent = regressors / options ;
RESTRICT equation , ... , equation ;
TEST equation , ... , equation / option ;
OUTPUT OUT = SAS data set options ;

Voici quelques options de la commande MODEL qui permettent

d’estimer un GARCH :
GARCH = ( option-list )
Exemple 1 : model y = x1 x2 / garch=(q=1, p=1);

Exemple 2 : model y = x1 x2 / garch=(q=(1 3), p=2);

Les principalesoptions de la commande GARCH sont alors les
suivantes :
DIST= value permet de spéci…er la distribution du terme
d’erreur. On a notamment deux options
DIST= T distribution de Student
DIST= NORMAL pour une distribution normale (valeur par
défaut)
TYPE=NONNEG : contraint les parametres à être non
négatifs
TYPE=STATIONARY contraint les paramètres à satisfaire
aux conditions de la stationnarité du 2nd ordre asymptotique
(cf. IGARCH).
Voici quelques autres options de la procédure AUTOREG

1 COVEST= HESSIAN j QML, permet de spéci…er la forme de
la matrice de variance covariance asymptotique des
paramètres.
2 NLAG = ordre de la forme autorégressive. Exemple : NLAG
=2 ou NLAG = (1 3 6) si l’on spéci…e une séquence de retards

Example
On souhaite estimer un modèle autorégressif d’ordre 2 sur le
logarithme du rendement dlspt de l’indice Standard and Poor’s
500, avec une structure de type GARCH (1,3) sur la variance
conditionnelle des résidus en imposant la nullité du paramètre
associé à l’e¤et GARCH(2). On suppose que la distribution n’est
pas normale, mais appartient à la famille des lois exponentielles
(Gamma, Poisson etc..) et véri…e les conditions de régularité du
PMV.

Example (Suite)
Le modèle à estimer est :
dlspt = c + φ1 dlspt 1 + φ1 dlspt 2 + εt

p
εt = zt ht zt i.i.d (0, 1)
ht = α0 + α1 ε2t 1 + α3 ε2t 3 + β1 ht 1

Figure: Programme Estimation par PMV Modèle AR(2)-GARCH(3,1)

Figure: Estimation par PMV. Modèle AR(2)-GARCH(3,1) sur SP500

La procédure AUTOREG autorise en e¤et un certain nombre
d’outputs :
OUT= nom du …chier de données dans lequel seront stockés
les résultats sélectionnés.
CEV= variable, (HT= variable), stocke dans la variable
spéci…ée la valeur de la variance conditionnelle du terme
d’erreur V εt jεt 1 .
CPEV= variable : writes the conditional prediction error
variance to the output data set. The value of conditional
prediction error variance is equal to that of the conditional
error variance when there are no autoregressive parameters.

LCL= name writes the lower con…dence limit for the
predicted value (speci…ed in the PREDICTED= option) to the
output data set. The size of the con…dence interval is set by
the ALPHACLI= option. When a GARCH model is estimated,
the lower con…dence limit is calculated assuming that the
disturbances have homoscedastic conditional variance.
UCL= name, writes the upper con…dence limit for the
predicted value (speci…ed in the PREDICTED= option) to the
output data set. The size of the con…dence interval is set by
the ALPHACLI= option. When the GARCH model is
estimated, the upper con…dence limit is calculated assuming
that the disturbances have homoscedastic conditional
variance.
PREDICTED= name , P= name writes the predicted values

to the output data set. These values are formed from both
the structural and autoregressive parts of the model.
RESIDUAL= name, R= name writes the residuals from the
predicted values based on both the structural and time series
parts of the model to the output data set.

Example
Considérons l’exemple d’un modèle GARCH(1,1) sur le logarithme
du rendement dlspt de l’indice Standard and Poor’s 500 sous
l’hypothèse de normalité :
dlspt = c + εt
p
εt = zt ht zt N.i.d (0, 1)
ht = α0 + α1 ε2t 1 + β1 ht 1

Figure: Programme Estimation Modèle GARCH(1,1). Options de Sortie

Figure: Programme Graphique de la Variance Conditionnelle Estimée

Figure: Variance Conditionnelle Estimée. Modèle GARCH(1,1)
0 .0 0 0 6
0 .0 0 0 5 Christophe Hurlin Modèles GARCH

Econometrie Finance Slides Partie2 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Econometrie Finance Slides Partie2 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Rappel : les principales propriétés des séries …nancières

L’approche ARCH / GARCH et la modélisation de la volatilité

Partie 2. Modèles GARCH

Christophe Hurlin, Université d’Orléans, Laboratoire

Master Econométrie et Statistique Appliquée (ESA), Université d’Orléans

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Section 1. Les principales propriétés des séries

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

rt = log (pt ) log (pt 1) = log (1 + Rt )

où Rt = (pt pt 1 ) /pt désigne la variation relative des prix.

Figure: Indice SP500 : 03/07/1989 au 24/11/2003

Christophe Hurlin Modèles GARCH

Figure: Rendement SP500 : 03/07/1989 au 24/11/2003

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Charpentier (2002) distingue ainsi 8 principales propriétés :

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Rappelons au passage les dé…nitions de la stationnarité forte et de

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

La première condition E xt2 < ∞ garantit l’existence (ou la

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Propriété 2 (Autocorrélations des carrés des variations de prix)

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

L’absence d’auto-corrélation des rendements renvoit à la notion

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Retenons simplement que sous l’EMH, le cours pt d’une

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

où l’erreur de prévision εt +1 véri…e

Propriétés des séries …nancières

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

H1 : 9j 2 [1, K ] , tel que aj 6= 0

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Christophe Hurlin Modèles GARCH

Christophe Hurlin Modèles GARCH

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Propriété 3 (Queues de distribution épaisses) L’hypothèse de

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

La Kurtosis est la mesure standard de ”l’épaisseur ” des queues de

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières

ou σbx désigne un estimateur non biaisé de la variance. Sous

Christophe Hurlin Modèles GARCH

Propriétés des séries …nancières