Auto-correlations et effets dechelle

Daniel Herlemont

1er avril 2010

Table des mati`

eres
1

Introduction

Lobjectif ici sera de rendre compte de faits stylises temporels les plus importants en vu
dune modelisation qui interviendra dans un deuxi`eme temps (mod`ele ARMA, Risk Metrics,
GARCH, ...).
Dans le mod`ele le plus naif, les rendements dun jour sur lautre sont supposes etre
de meme loi et identiquement distribues. Cette hypoth`ese est motivee par le fait que les
rendements ne sont pas auto correles. Cependant, comme nous le verrons, les rendements au
carre sont, quant eux, tr`es fortement auto correles.
Si lindependance implique labsence dauto-correlation, la reciproque est fausse. Labsence dauto correlation ne signifie pas independance. Notons X la loi des rendements a` la
date t et Y a` la date t1. Si X et Y sont independants alors f (X) et f (Y ) ne sont pas correles,
(il sagit meme dune condition necessaire et suffisante) : E[f (X)g(Y )] = E[f (X)]E[g(Y )],
autrement dit, la covariance (ou la correlation) est nulle cov(f (X), g(Y )) = 0.
On pourra donc en conclure que meme si les rendements ne sont pas auto-correles, il ne
sont pas independants pour autant, comme le montre la forte auto correlation des rendements
au carre.

Donn
ees

cac=apply(read.csv("^FCHI.csv")[,-1],2,rev)
> closes = as.numeric(cac[, "Close"])
> opens = as.numeric(cac[, "Open"])
1


3 AUTO CORRELATIONS
DES RENDEMENTS
> highs = as.numeric(cac[, "High"])
> lows = as.numeric(cac[, "Low"])
> r = diff(log(closes))

Auto corr
elations des rendements

Tracer lauto correlogramme des rendements a` laide de la fonction acf ce graphique indique
lauto correlation a` differents lag ou retard :
lag = corr(rt , rtlag )
La ligne pointillee represente lintervalle de confiance `a 95%. Dans le cas o`
u lauto-correlation
depasse largement cette ligne, on peut donc accepter la presence dauto correlation significative.
> acf(r)

Daniel Herlemont

4 AUTO CORRELATIONS
DES RENDEMENTS AU CARRE

0.0

0.2

0.4

ACF

0.6

0.8

1.0

Series r

10

15

20

25

30

35

Lag

toutes les auto-correlations ne sont pas significatives.

Auto corr
elations des rendements au carr
e

tracer lauto-correlogramme des rendements au carre a` laide de la fonction acf(r^2). Comparer avec celui des rendements seuls. Commenter
> acf(r^2, lag.max = 200)

Daniel Herlemont

4 AUTO CORRELATIONS
DES RENDEMENTS AU CARRE

0.0

0.2

0.4

ACF

0.6

0.8

1.0

Series r^2

50

100

150

200

Lag

On notera en particulier la decroissance de la fonction dauto correlation, en k avec

lauto-correlation au premier rang.
On etudiera egalement les autocorrelation du range
> range = log(highs) - log(lows)
> acf(range, lag.max = 200)

Daniel Herlemont


5 TESTS STATISTIQUES SUR LES AUTO CORRELATIONS

0.0

0.2

0.4

ACF

0.6

0.8

1.0

Series range

50

100

150

200

Lag

Tests statistiques sur les auto corr

elations

Apr`es avoir visualise les auto correlations, on peut proceder a des tests statistiques plus
precis. On appliquera ces tests `a la serie de rendements et des rendements au carre.

5.1

Test de correlation

Sous lhypothese nulle dabsence

de correlation entre deux variables X Y independantes et

normalement distribuees, T suit une loi de student de degre de liberte T 2, avec la

correlation estimee avec un echantillon de taille T (en pratique on pourra considerer quil
Daniel Herlemont


5 TESTS STATISTIQUES SUR LES AUTO CORRELATIONS
sagit dune N(0,1) pour T suffisamment grand).
On pourra utiliser ce test sur le rendements de la maniere suivante
> cor.test(r[-1], r[-length(r)])
Pearsons product-moment correlation
data: r[-1] and r[-length(r)]
t = 0.32, df = 4586, p-value = 0.749
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
-0.02421479 0.03365840
sample estimates:
cor
0.004725761

5.2

Test de Durbin Watson

On pourra egalement utiliser le test de Durbin-Watson, habituellement utilise pour les residus
dun regression (voir la fonction dwtest). La statistique est
d=

T
2
t=2 (rt rt1 )
T
2
t=1 rt

= 2(1 )

Sa valeur se situe entre 0 et 4. Une valeur de 2 indique une absence dautocorrelation. Des
petites valeurs de d indiquent que les rendements successifs sont proches, en moyenne, donc
une auto correlation positive, inversement de grandes valeur de d indiquent quen moyenne,
les rendements sont tr`es differents dune periode a lautre, ou negativement correles.
En realite, la statistique h = (1 d/2) est distribuee suivant une normale N (0, 1). On
peut en deduire les intervalles de confiance de la statistique d.
A faire : effecteur un test de Durbin Watson sur les rendements. Conclusion ?

5.3

runs test

Un autre test plus robuste est le runs test. Il est non parametrique (ne fait aucune hypoth`ese
sur la distribution). Il permet de tester le caract`ere aleatoire dune serie. Le runs tests
seffectue `a partir dun discretisation binaire des donnees, en notant + si la donnee est
superieure a` la mediane (ou la moyenne), et notant si la donnees est au dessous. On compte

Daniel Herlemont


6 EFFET DECHELLE
alors le nombre de changement de signe. Par exemple, la suite +++++++++++++
- comprend six runs trois sont des +, les autres des . En labsence dauto correlations
(hypoth`ese nulle), et pour une echantillon de grande taille, le nombre de runs R (nombre
de changement de signe) est normalement distribuee de moyenne m = 2nn1 n2 + 1 avec n1 le
nombre de +, n1 le nombre de et n = n1 + n2 et variance s2 = 2n1 nn22(2n1n2n)
= (m1)(m2)
(n1)
n1
Le test consiste donc a calculer la statistique correspondante z = (Rm)/s et la comparer
a` z/2 pour = 90% par exemple z/2 = 1.645. Si la statistique z est comprise entre z/2
on pourra accepter lhypoth`ese nulle (pas dauto correlation), si la statistique, on pourra la
rejeter dans les autres cas : si z < z/2 on a moins de changement de signes quattendus,
donc une auto correlation positive superieure
A faire : Effectuer un runs test sur les rendements et rendements au carre du CAC40.

Effet d
echelle

Lobjectif est de tester empiriquement des effets dechelle, tels que la loi en racine carre du
temps, deja maintes fois appliquees.
Dans un mod`ele lognormal, le rendement sur T periodes peut etre considere comme la
somme des rendements sur les sous periodes elementaires
r0,T = log(PT /P 0) = log(PT /PT 1 ) + .... + log(P 1/P 0) =

rt,t1
t=1,T

Si les rendements etant supposes IID, la variance sur T est alors la somme des variances et
(T )2 = T (1)2
De mani`ere plus generale, ce resultat peut etre retrouve a` laide de la fonction caracteristique et la fonction generatrice des cumulants (voir annexe).
A faire :

Tester empiriquement les effets dechelle pour la variance et la kurtosis en effectuant

des estimations pour differentes echelles de temps.

effectuer une regression log(T ) en fonction de de log(T ), la pente doit etre proche de
1/2. Tester cette hypoth`ese

Exemple :

Daniel Herlemont


6 EFFET DECHELLE
>
>
>
+
>
>
>

n = 100
p = closes
sds = sapply(1:n, function(i) sd(diff(log(p[seq(1, length(p),
by = i)]))))
plot(sds, xlab = "T", ylab = "sigma(T)", main = "Effet dechelle de la volatilit
e")
curve(sqrt(x) * sd(r), add = T)
summary(lm(log(sds) ~ log(1:n)))

Call:
lm(formula = log(sds) ~ log(1:n))
Residuals:
Min
1Q
Median
-0.129056 -0.034694 -0.005733

3Q
0.035401

Max
0.178791

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -4.355138
0.023760 -183.30
<2e-16 ***
log(1:n)
0.494671
0.006331
78.13
<2e-16 ***
--Signif. codes: 0
S***
S 0.001
S**
S 0.01
S*
S 0.05
S.
S 0.1
S
S 1
Residual standard error: 0.05846 on 98 degrees of freedom
Multiple R-squared: 0.9842,
Adjusted R-squared: 0.984
F-statistic: 6104 on 1 and 98 DF, p-value: < 2.2e-16

Daniel Herlemont


6 EFFET DECHELLE

Effet d'echelle de la volatilit

0.12

0.08

0.06

0.04

sigma(T)

0.10

0.02

20

40

60

80

100

>
>
+
+
+
>
>

K = function(x) mean((x - mean(x))^4)/sd(x)^4 - 3

ks = sapply(1:n, function(i) {
y = diff(log(p[seq(1, length(p), by = i)]))
K(y)
})
plot(ks, xlab = "T", ylab = "K(T)", main = "Effet dechelle de la Kurtosis en exc`
es")
curve(K(r)/x, add = T)

Daniel Herlemont

7 LES RENDEMENTS SONT ILS SIGNIFICATIVEMENT DIFFERENTS

DE ZERO
?

Effet d'echelle de la Kurtosis en excs

K(T)

20

40

60

80

100

Les rendements sont ils significativement diff

erents
de z
ero ?

Cette hypoth`ese peut etre testee a` laide du test de Student.

Le test de Student est un test de significativite qui peut etre employe lors de la comparaison de deux moyennes En ce qui concerne la comparaison de deux moyennes, on se pose la
question suivante : On se pose la question suivant : la difference entre la moyenne observee

Daniel Herlemont

10

9 ANNEXE
et la moyenne de la population (ici 0) est-elle significative ou non ? La statistique est :

0
t stat = n

avec n la taille de lechantillon, avec

la moyenne empirique et
lecart type. Sous lhypoth`ese nulle que la moyenne est egale a` 0 , la statistique suit une loi de Student a` n 1
degre de liberte. Pour n assez grand (plus que 30), la loi de student tend vers la normale.
Lintervalle de confiance a` 95% se situe alors pour des valeurs comprises entre 1.96
On pourra rejeter lhypoth`ese nulle lorsque cette statistique sera en dehors de cet intervalle, et accepter lorsque la valeur du test sera a linterieur. Pour etre significativement
different de zero la tstat devra donc suffisamment grande (superieure a` 2 en pratique)
Il est interessant de constater que la statistique de student est assez proche du ratio de
Sharpe. Par exemple un ratio de Sharpe estime sur une periode de un an devra etre superieur a` 2 pour quon puisse dire que lesperance du rendement de la strategie se distingue
significativement du taux sans risque! ! ! or un Sharpe de 2 est relativement rare ... Notons
que le t-stat sur T annees est egal a` T Sharpe. Sur 4 ans par exemple, un Sharpe de 1 sera
suffisant pour obtenir une tstat significative ... Ces quelques calculs soulignent donc limportance du track record (meme si Les performances passees ne prejugent pas des performances
futures ...).
A faire : effecteur un test de student sur les rendements a` laide de la fonction t.test.
Conclusion ?
Dans la suite on pourra donc considerer que lesperance des rendements est nulle, ou du
moins negligeable devant la volatilite.

Cross corr
elation entre les rendements et rendements
au carr
e

Interpreter figure suivante

9
9.1

Annexe
Fonction caract
eristique

La fonction caracteristique dune variable aleatoire X est definie comme la transformee de

Fourier de la densite
+

() = E exp(iX) =

exp(ix)f (x)(x)

(1)

Daniel Herlemont

11

9 ANNEXE

ave i = 1 et exp(ix) = cos(x) + i sin(x). La fonction caracteristique existe toujours et

elle est uniformement continue. characteristic function always exists and is uniformly continuous. La fonction caracteristique dune N(0,1) est exp(2 /2). La fonction caracteristique
est inversible :
+
1
exp(ix)()d
f (x) =
2
La fonction generatrice des cumulants est le logarithme de la fonction caracteristique.
X () = log(X ())
Un developpement de Taylor au voisinage de 0 donne :
() = 1 +

1 2
1
1
2 + 3 3 + 4 4 + ...
2!
3!
4!

()
avec j =
j | = 0
Les cumulants sexpriment a` laide des moments de la variable X :

1
2
3
4
moyenne
variance
skewness
kurtosis

=
=
=
=
=
=
=
=

(0) = 1 = E(X)
(0) = 2 = E(X 2 ) E(X)2
(0) = 3 = E(X E(X))3
(4) (0) = 4 322 = E(X E(X))4 3(V arX)2
1
2
3 /standardDeviation3
4 /standardDeviation4

(2)

Par exemple, pour une loi N(,)

1
N (,) () = 2 2
2
et tous les cumulants dordre i 3 sont nuls.
Il est facile de voir que pour une somme de variables aleatoires independantes, les cumulants sajoutent.

Daniel Herlemont

12