Beruflich Dokumente
Kultur Dokumente
Septembre 2008
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
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
rt +1 = Et rt +1 + εt +1
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 .
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
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
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)
Ku 3 L
q ! N (0, 1)
24 T !∞
T
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.
(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.
Prévoir la Volatilité
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).
V ( rt +1 j Ωt ) = f (t; β)
V (rt +1 ) = γ (0) 8t
De…nition
Les modèles ARCH sont des modèles autorégressifs
conditionnellement hétéroscédastiques
ht = α0 + α1 Xt2 1
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 .
Xt2 = α0 + α1 Xt2 1 + εt
E εt jXt 1 =0
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
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
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
1 αh1
V Xt jXt h = α0 + αh1 Xt2 h 8t
1 α1
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 :
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
cov Xt , Xt +k jXt h =0 8h 1, 8k 1
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
Christophe Hurlin Modèles GARCH
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 )
3α20 (1 + α1 )
E Xt4 =
(1 3α21 ) (1 α1 )
E Xt4 1 α21
Kurtosis = 2
=3 >3
E (Xt2 ) 1 3α21
Yt = E Yt jYt 1 + εt
p q
εt = zt ht avec ht = α0 + ∑ αi ε2t i
i =1
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
E εt j εt h = 0, 8h 1
1 α21
Kurtosis = 3 >3
1 3α21
1 ρh
E Yt jYt h = µ + ρE Yt 1 jYt h =µ + ρh Yt h
1 ρ
De…nition
La variance conditionnelle du processus AR (1) avec erreur
ARCH (1) , Yt , s’écrit :
V Yt jYt 1 = µ + α1 ε2t 1
V Yt jYt h = g ( εt h)
rt = µ + εt
p
εt = zt ht avec ht = α0 + α1 ε2t 1
Modèles GARCH
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)
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.
Christophe Hurlin Modèles GARCH
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 )
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
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
Yt = c + ρYt 1 + εt
p
εt = zt ht
ht = α0 + α1 ε2t 1 + β1 ht 1
V Yt jYt 1 = V εt j εt 1 = ht V (zt ) = ht σ2
Christophe Hurlin Modèles GARCH
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 )
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
ht = α0 + α1 ε2t 1 + β1 ht 1
1 α0
V (εt ) = E ε2t = α0 Φ (1) =
1 α1 β1
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
Estimation et prévision
Estimation et prévision
Estimation et prévision
Estimation du MV et du PMV
Estimation et prévision
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.
Estimation et prévision
Estimation et prévision
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.
Estimation et prévision
Estimation et prévision
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 )
Estimation et prévision
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
Estimation et prévision
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 .
Estimation et prévision
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
Estimation et prévision
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
Estimation et prévision
Estimation et prévision
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
Estimation et prévision
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 !∞
Estimation et prévision
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
Estimation et prévision
puisque J = I .
Estimation et prévision
Estimation et prévision
Estimation et prévision
Estimation et prévision
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)
Estimation et prévision
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.
Estimation et prévision
Estimation et prévision
Estimation et prévision
Estimation et prévision
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).
Christophe Hurlin Modèles GARCH
Rappel : les principales propriétés des séries …nancières
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
Estimation et prévision
Estimation et prévision
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.
Estimation et prévision
Example (Suite)
Le modèle à estimer est :
Estimation et prévision
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.
Estimation et prévision
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.
Christophe Hurlin Modèles GARCH
Rappel : les principales propriétés des séries …nancières
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
Estimation et prévision
Estimation et prévision
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
Estimation et prévision
Estimation et prévision
0 .0 0 0 6