P. 1
Calibrage..

Calibrage..

|Views: 255|Likes:
Publié parfastcopieur

More info:

Published by: fastcopieur on Sep 10, 2010
Droits d'auteur :Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/04/2010

pdf

text

original

CALIBRAGE ÉCONOMÉTRIQUE DE PROCESSUS STOCHASTIQUES

AVEC APPLICATIONS AUX DONNÉES BOURSIÈRES, BANCAIRES ET CAMBIALES CANADIENNES

FRANÇOIS-ÉRIC RACICOT, Ph.D.* & RAYMOND THÉORET, Ph.D.**

( JUILLET 2005)

*Professeur au département de sciences administratives de l’UQO (Université du Québec en Outaouais). Courriel : francoiseric.racicot@uqo.ca. ** Professeur au département de stratégie des affaires de l’UQAM (Université du Québec à Montréal). Courriel : theoret.raymond@uqam.ca.

1

Résumé Dans ce papier, nous montrons comment estimer les paramètres des principaux processus stochastiques : mouvements browniens arithmétique et géométrique, processus de retour vers la moyenne, processus de sauts. On y retrouvera un grand nombre d’applications aux données financières canadiennes. Nous constatons, entre autres, qu’un processus de retour vers la moyenne est particulièrement adapté pour estimer le rendement sur l’actif des six grandes banques canadiennes. Finalement, nous estimons un modèle monofactoriel de taux d’intérêt. Abstract In this paper, we show how to calibrate the most usual stochastic processes: arithmetic and geometric Brownian motions,, mean-reverting processes and jump processes. This paper contains also many applications to Canadian financial data. We observe, among other phenomena, that a mean-reverting process is very appropriate to estimate the return on assets of the six biggest Canadian banks. Finally, we estimate a monofactorial model of interest rate.

Mots-clefs: Processus stochastiques; économétrie financière; banques; produits dérivés; ingénierie financière.. Keywords : Stochastic processes; financial econometrics; banks; derivatives; financial engineering.

2

Introduction1 L’estimation des processus stochastiques est un domaine de recherche en plein essor. Mais, à notre connaissance, il n’existe pas de document qui regroupe les estimations des processus stochastiques les plus couramment utilisés en ingénierie financière. C’est là le but de ce papier. Nous montrons comment estimer, surtout en recourant à la fonction du maximum de vraisemblance, les paramètres des principaux processus stochastiques : mouvements browniens arithmétique et géométrique, processus de retour vers la moyenne, processus de sauts. On y retrouvera un grand nombre d’applications aux données financières canadiennes. Nous constatons, entre autres, qu’un processus de retour vers la moyenne est particulièrement adapté pour estimer le rendement sur l’actif des six grandes banques canadiennes. Finalement, nous estimons un modèle monofactoriel de taux d’intérêt.

1. Le mouvement brownien arithmétique

Un mouvement brownien arithmétique s’exprime comme suit :

dS = µdt + σdW avec µ la dérive et σ l’écart type du processus. Ces deux paramètres doivent être estimés avant de procéder à la simulation de St. Pour ce faire, on doit discrétiser le processus. On peut donc le réécrire comme suit, en temps discret :

S t − S t −1 = c + ε t

(1)

avec c, une constante et ε t , un terme d’erreur. Soit ∆t =(t – t-1), mesuré en année. Par exemple, si ∆t représente une journée, ∆t est alors égal à (1/252) en supposant qu’il y a 252 jours ouvrables dans l’année. Si l’on estime l’équation (1) par la méthode des moindres carrés
ˆ ordinaires (MCO), on pourra récupérer le paramètre µ comme suit : µ = ˆ c ∆t

et σ

ˆ par : σ =

ˆ σε

∆t

ˆ , avec σ ε l’erreur standard de la régression.

De façon à estimer l’équation (1), nous avons simulé un mouvement brownien arithmétique pour lequel µ = 1000 et σ = 50 . Nous avons simulé ce processus sur une période d’un an en

divisant cette période en 1000 intervalles égaux. La valeur initiale de la simulation a été fixée à

1

Cet article constitue l’un des chapitres de notre prochain Traité : Finance computationnelle et gestion des risques. Applications Excel (Visual Basic) et Matlab.

3

nous devons ˆ multiplier la constante par 1000. of regression Sum squared resid Log likelihood Coefficient 1. Nous avons exprimé notre série en différences premières et nous avons régressé le résultat sur une constante.D.000000 1.573623 2471.033461 -0. Error 0. Nous serons alors en mesure de les comparer aux vraies valeurs de ces paramètres que nous connaissons déjà.750551 2. Cette série peut être celle des cash-flows d’un projet d’investissement d’une entreprise.057073 Mean dependent var S. ce qui nous donnera µ . Pour estimer les paramètres de notre mouvement brownien arithmétique. Figure 1 Évolution d’un mouvement brownien arithmétique 2200 2000 1800 1600 1400 1200 1000 800 250 500 SMBA 750 1000 Nous voulons.033461 1.947 Std.049787 t-Statistic 20.745639 3. retrouver les paramètres qui commandent le processus stochastique représenté par la figure 1. Nous obtenons : 4 . ce qui nous donnera σ . dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat L’estimation de l’équation (1) appliquée à notre série temporelle apparaît au tableau 1. L’évolution de la série (SMBA) obtenue apparaît à la figure 1.338 -1869. nous avons divisé l’année en 1000 intervalles lors de la simulation.1000. Tableau 1 Estimation d’un mouvement brownien arithmétique par la méthode MCO Dependent Variable: D(SMBA) Method: Least Squares Date: 06/25/05 Time: 15:44 Sample (adjusted): 2 1000 Included observations: 999 after adjustments Variable C R-squared Adjusted R-squared S.75756 Prob. en estimant l’équation (1) sur ces données. 0.000000 -0. et l’écart-type du terme d’erreur par ˆ 1000 .0000 1.573623 3. En effet.E.

Sur cette technique.775126 Nous pouvons également estimer les paramètres de l’équation (1) en recourant à la technique du maximum de vraisemblance (MLE)2. 2 5 . Skewness Kurtosis Jarque-Bera Probability 1. Figure 2 Statistiques descriptives de la série SMBA 140 120 100 80 60 40 20 0 -4 -2 0 2 4 6 Series: DSMBA Sample 1 1000 Observations 999 Mean Median Maximum Minimum Std. sa vraie valeur.033461 1. comme on peut en juger à la figure 2.573623 0. par x. Dev. Si nous avions augmenté le nombre d’itérations lors de la simulation.025801 3. désignée par ι .573 × 1000 = 49. on consultera : Racicot et Théoret (2001). s’écrit alors : Soit l’acronyme de «Maximum likelihood estimator» en anglais. L’estimation de la dérive est quelque peu élevée : 1033 contre 1000 lors de la simulation. La fonction de vraisemblance. Mais l’écart-type estimé du mouvement brownien arithmétique est très près de la marque : 49.74dW On peut maintenant juger des erreurs d’estimation.033 × 1000 = 1033 ˆ ˆ σ = σ ε × 1000 = 1.74 Le mouvement brownien arithmétique estimé est donc de : dSMBA = 1033dt + 49.ˆ µ = c × 1000 = 1. les paramètres estimés c et σ ε correspondent respectivement à la moyenne historique et à la variance historique de cette série.023403 6. Puisque nous avons régressé les différences premières de la variable SMBA sur une ˆ constante.509459 0.097860 0. nous aurions sans doute obtenu de meilleurs résultats.172746 -4. Supposons que la variable dépendante de la régression soit désignée par y et la variable indépendante.74 contre 50.883321 1.

Le résultat de la régression se retrouve au tableau 3. et alors le logiciel émettrait un message d’erreur et se refuserait à effectuer la régression demandée.ι (β . Pour accéder à la fonction MLE dans le logiciel EViews.5 logl1=log(@dnorm(res1/@sqrt(var)))-log(var)/2 Comme on peut le constater au tableau 2. ce qui est fait au tableau 2. On maximise cette fonction par rapport à β et à σ de manière à estimer ces deux paramètres. σ ) = − ln 2π × σ 2 − ⎨⎜ T 2 ( ) 2 ⎫ ⎧⎛ 1 ⎞ T ⎪ ⎪ ⎟∑ ( yt − βxt ) ⎬ 2 ⎪ ⎪⎝ 2σ ⎠t =1 ⎭ ⎩ avec ( yt − βxt ) . On accède alors à une fenêtre dans laquelle on spécifie la fonction de vraisemblance. Tableau 2 Commandes MLE dans EViews pour estimer un mouvement brownien arithmétique @logl logl1 res1=d(smba)-c(1) var=c(2) @param c(1) 1 c(2) 0. Comme cela ressort de la figure 3. il faut réduire le début de l’échantillon d’une donnée car nous avons exprimé la série SMBA en différences premières. 6 . On active alors la commande Estimate. on tape object puis sur new object dans la fenêtre du workfile. EViews exige la spécification des résidus et de la variance de la régression. les résidus de la régression. EViews risque de se buter à des logarithmes de valeurs négatives. nous avons spécifié des valeurs de départ pour les paramètres c(1) et c(2) car sinon. que nous désignons par ε t .

88603 Prob. soit une valeur identique à celle obtenue pour les 7 . Comme on est en mesure de le constater au tableau 3.76462 22. 1.473812 -1869.747641 3.871819 2 Std. ce qui n’a rien pour surprendre étant donné les propriétés de l’estimateur MLE.Figure 3 La fenêtre Estimation Tableau 3 Régression MLE d’un mouvement brownien arithmétique LogL: UNTITLED Method: Maximum Likelihood (Marquardt) Date: 06/24/05 Time: 18:55 Sample: 2 1000 Included observations: 999 Evaluation order: By observation Convergence achieved after 5 iterations Coefficient C(1) C(2) Log likelihood Avg.03.108093 z-Statistic 20.0000 3.049770 0. La constante estimée est de 1.751375 Akaike info criterion Schwarz criterion Hannan-Quinn criter.033461 2. log likelihood Number of Coefs.947 -1.0000 0. l’estimateur MLE donne dans ce cas le même résultat que l’estimateur MCO. 0.757464 3. Error 0.

il suffit donc de diviser c par ∆t . Elle s’écrit comme suit : Ri ∆t = µ ∆t + ε t = c + ε t (3) Pour retrouver µ . dont nous connaissons les vraies valeurs. En MCO. La dérive de ce mouvement (µ ) est de 0. on n’a pas à retoucher l’écart-type de la régression (3) puisqu’il est déjà annualisé. (2) Une version plus sophistiquée3 de l’équation (2) prend en compte l’intervalle de temps ∆t sur lequel est mesuré Rt. Cette série est tracée à la figure 4. Le coefficient C(2) dans le tableau 3 mesure la variance. 3 Voir à ce sujet : McLeish (2005). 2. la régression à effectuer est donc la suivante : R t = c + εt où Rt représente le rendement du titre S. soit 2. L’écart-type est donc de 1.MCO. 8 .3 et nous simulons sur une année en divisant cette période en 1000 sous-intervalles. Comme dans la section précédente. son écart type (σ ) est de 0. Par ailleurs. La dérive est alors annualisée.57. µ et σ . Nous obtenons une série de 1000 données (SMBG) et nous voulons estimer. ce qui est bien la valeur obtenue pour l’erreur standard lors de la régression MCO.47 .9. Le mouvement brownien géométrique Un mouvement brownien géométrique s’écrit : dS = µSdt + σSdW On peut réécrire cette équation comme suit : d ln(S) = µdt + σdW La discrétisation de cette fonction est la suivante : ⎛ S ⎞ ln(S t ) − ln (S t −1 ) = ln⎜ t ⎟ = µ t dt + σ t dWt ⎜S ⎟ ⎝ t −1 ⎠ ce qui nous ramène à un mouvement brownien arithmétique. nous avons d’abord simulé un mouvement brownien géométrique en fixant la valeur de départ à 1000. comme dans la section précédente.

009523 0.352 et 0.000352 0. Comme dans le cas précédent.E. l’écart-type domine en effet très nettement le mouvement brownien géométrique. Tableau 4 Régression MCO du mouvement brownien géométrique Dependent Variable: LSMBG Method: Least Squares Date: 06/25/05 Time: 17:32 Sample (adjusted): 2 1000 Included observations: 999 after adjustments Variable C R-squared Adjusted R-squared S.009523 -6. Error 0. of regression Sum squared resid Log likelihood Coefficient 0.000000 0.952358 Mean dependent var S.000301 t-Statistic 1.464273 1.2427 0.000000 0.000352 0.358 Std.469184 -6. l’écart-type est estimé correctement mais la dérive est sous-estimée. 0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat En multipliant c par 1000 et par 1000 l’erreur standard de la régression.168857 Prob. on retrouve les estimations de µ et de σ . égale à : ln⎜ ⎟ ⎜ SMBG ⎟ . Le résultat t −1 ⎠ ⎝ se retrouve au tableau 4. qui sont ici respectivement égales à 0. 9 .Figure 4 Évolution d’un mouvement brownien géométrique 1500 1400 1300 1200 1100 1000 900 800 250 500 SMBG 750 1000 ⎛ SMBGt ⎞ Nous avons effectué la régression (2) sur la série LSMBG. Dans une courte période de temps.090509 3232.30.D.

La série est reproduite à la figure 5.200000 -114. Comme on peut le constater au tableau 6. Nous allons maintenant appliquer l’estimation d’un mouvement brownien géométrique à l’indice boursier canadien TSX. Le résultat de l’estimation se retrouve au tableau (6). qui représente la variance.2 le coefficient initial de c(2).114488 2 Std.Nous sommes maintenant en mesure de passer à l’estimation MLE. @logl logl1 res1=lsmbg-c(1) var=c(2) @param c(2) 0. nous avons dû fixer à 0. Tableau 5 Procédure MLE d’un mouvement brownien géométrique. 0.232981 0.2 logl1=log(@dnorm(res1/@sqrt(var)))-log(var)/2 Pour effectuer la régression.242804 0.50409 Prob.006711 14.004460 0.9946 0. Les données sont journalières et la période d’observation s’étire de 1992 à 2001.664688 0. log likelihood Number of Coefs. Tableau 6 Régression MLE d’un mouvement brownien géométrique Coefficient C(1) C(2) Log likelihood Avg.0000 0.236714 Akaike info criterion Schwarz criterion Hannan-Quinn criter. les résultats laissent beaucoup à désirer. La fonction de vraisemblance apparaît mal configurée. dont la procédure EViews se retrouve au tableau 5.013789 z-Statistic 0. Error 0. car sinon. Le coefficient c(2) étant ici très près de 0. 0. 10 . cela fait problème dans une telle estimation. un message d’erreur était émis à l’effet que la simulation se butait à des logarithmes de nombres négatifs.3738 -0.

Figure 5 Évolution du TSX.000384 0.009439 -6. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat De manière à estimer µ .E. 11 . Tableau 7 Régression MCO du rendement du TSX Dependent Variable: RTSE Method: Least Squares Date: 06/24/05 Time: 17:18 Sample (adjusted): 2 2223 Included observations: 2222 after adjustments Variable C R-squared Adjusted R-squared S.68%.000384 0.486 Std.98% comme résultat.000200 t-Statistic 1. of regression Sum squared resid Log likelihood Coefficient 0. il suffit de multiplier l’erreur standard de la régression par 252 . Pour obtenir l’estimé de l’écart-type annuel du mouvement.919360 Prob. 0. soit la dérive du mouvement brownien géométrique.009439 0. il suffit de multiplier la constante par 252.000000 0. Pour prendre en compte la valeur de l’intervalle. Le résultat apparaît au tableau 8. On obtient alors 9. on peut appliquer l’équation 252 (3) aux rendements journaliers du TSX.484818 1. Error 0. ce qui donne 14.0551 0.000000 0.487386 -6.197899 7208. ici ∆t = 1 .D. 1992-2001 12000 11000 10000 9000 8000 7000 6000 5000 4000 3000 500 1000 TSX 1500 2000 L’estimation de l’équation (2) appliquée à la série du rendement du TSX est compilée au tableau (7). ce qui correspond au rendement annuel espéré sur le TSX de 1992 à 2001.748210 Mean dependent var S.

006101 0.006101 -0.E. of regression Sum squared resid Log likelihood Coefficient 0.955389 1. On peut maintenant estimer l’équation (2) par la méthode MLE. au tableau 10.748210 Mean dependent var S. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Dans le cas de cette régression.000000 0.Tableau 8 Régression MCO en prenant en compte l’intervalle de temps Dependent Variable: RTSEC Method: Least Squares Date: 06/25/05 Time: 14:09 Sample (adjusted): 2 2223 Included observations: 2222 after adjustments Variable C R-squared Adjusted R-squared S.149847 49.290 Std.2 logl1=log(@dnorm(res1/@sqrt(var)))-log(var)/2 12 .0551 0.919360 Prob.87046 1065.69%.000000 0.D. Ces résultats sont certes quasi-identiques à ceux de la régression précédente. L’écart-type de la régression.003179 t-Statistic 1. à 14. @logl logl1 res1=rtse-c(1) var=c(2) @param c(2) 0. 0. La spécification EViews se retrouve au tableau 9 et le résultat de la régression. Error 0. il faut diviser la constante par 1 pour obtenir µ : on 252 obtient 9.149847 -0.957957 -0. Tableau 9 Spécification EViews de la régression MLE appliquée aux rendements du TSX.98%. est déjà annualisé. mouvement brownien géométrique.

114807 2 Std. disons une variable de rendement. voir : Barnezet et Delaloye (2001) et Dixit et Pindyck (1994). Elle se plie donc au processus suivant : dR = η(R − R )dt + σdz (4) avec R la moyenne à long terme de R et η . on recourt à la régression MCO suivante : R t − R t −1 = a + bR t −1 + ε t (5) A partir des coefficients estimés de l’équation (5).0000 0.449162 0. 13 . Error 0. les résultats de la régression laissent à désirer pour les mêmes raisons que ceux obtenus lors de l’estimation du mouvement brownien arithmétique par la technique MLE. la vitesse de retour de R vers cette moyenne. Comme on le constate au tableau (10). 0. 3.026032 14. -0. obéisse à un processus de retour vers la moyenne. Pour estimer ces coefficients.236550 0.233290 Akaike info criterion Schwarz criterion Hannan-Quinn criter. Le processus de retour vers la moyenne4 Supposons maintenant que la variable Rt .9792 0.50887 Prob.011692 0. on peut alors récupérer les paramètres de l’équation (4) comme suit: R=− ˆ a ˆ b (6) (7) (8) ˆ ˆ η = − ln 1 + b ˆ ˆ σ = σε ( ) 2 ln ( + b ) 1 ˆ ˆ (1 + b) − 1 2 4 Pour plus de détails sur cette section.Tableau 10 Estimation d’un mouvement brownien géométrique appliqué aux rendements du TSX par la méthode MLE LogL: LOGL03 Method: Maximum Likelihood (Marquardt) Date: 06/24/05 Time: 20:19 Sample: 2 2223 Included observations: 2222 Evaluation order: By observation Failure to improve Likelihood after 1 iteration Coefficient C(1) C(2) Log likelihood Avg.200000 -255. log likelihood Number of Coefs.1008 -0.231414 0.013785 z-Statistic -0.

dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Comme cela ressort du tableau 11.07 ˆ σ = 0.24E-06 0. (7) et (8).437050 0.478 1.000199 0. Error 0. un processus de retour vers la moyenne explique beaucoup mieux les rendements du TSX qu’un mouvement brownien géométrique. En recourant aux équations (6). On obtient : ˆ σ annuel = 0.000336 -0. il est pratiquement nul.68%.012484 -6.68% 252 .43 alors que dans le second.436796 0. Pour un tel processus.688408 -41.874126 0. Les résultats se retrouvent au tableau 11.000000 Mean dependent var S.021060 t-Statistic 1.496869 1722. on peut écrire l’espérance conditionnelle comme suit: E(R t ) = e − η R t −1 + R 1 − e − η ( ) ) 14 Les résidus qui entrent directement dans la fonction de vraisemblance sont donc de : R t − E(R t ) = R t − e − η R t −1 − R 1 − e − η ( . 0.733 0.009369 0.989798 Std. soit 9.194763 7222.0000 1.30 Le rendement du TSE retourne donc vers son niveau moyen de long terme.01922 ˆ On peut annualiser R et σ en les multipliant respectivement par 252 et R annuel = 9.D. qui se confond avec sa moyenne historique.000384 ˆ η = 2. on peut estimer les paramètres de l’équation (4) : R = 0.502007 -6. avec une vitesse de 2.07. Dans le premier cas.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0. La moyenne estimée est bien sûr l’espérance non conditionnelle de R. Tableau 11 Estimation de l’équation (5) sur les rendements du TSX par la méthode des MCO Dependent Variable: D(RTSE) Method: Least Squares Date: 06/24/05 Time: 17:37 Sample (adjusted): 3 2223 Included observations: 2221 after adjustments Variable C RTSE(-1) R-squared Adjusted R-squared S.Nous avons appliqué l’équation (5) à nos rendements journaliers sur le TSX. ce qui est relativement élevé. le R2 de la régression est de 0.0915 0. Nous pouvons maintenant estimer le processus (4) de retour vers la moyenne par la méthode MLE.50582 Prob.

478 3.07 15 .498291 Akaike info criterion Schwarz criterion Hannan-Quinn criter.0000 0. 2.09714 Prob.072508 0.0 c(2) 0. Les coefficients de cette estimation nous donnent directement l’estimation paramètres de l’équation (4) : R = c(1) = 0.Par ailleurs. Error 0.251904 3 Std. on obtient la spécification MLE du processus de retour de la moyenne dans le logiciel EViews au tableau (12) et le résultat se retrouve au tableau (13).000385 ˆ σ 2 = c(2) = 8. log likelihood Number of Coefs.110818 0.70184 1.606195 17.03E-06 z-Statistic 18. 0. A l’instar de l’estimation MCO.493399 -6.0000 -6.60E-05 ˆ η = c(3) = 2.60E-05 7222.501106 -6.1082 0.000240 5. la variance conditionnelle de Rt est de : Var(R t ) = σ2 1 − e − 2η 2η ( ) En se servant de ces relations. Tableau 12 Procédure EViews pour estimer par la méthode MLE un processus de retour vers la moyenne appliqué aux rendements du TSX @logl logl1 res1=rtse-exp(-c(3))*rtse(-1)-c(1)*(1-exp(-c(3))) var=(c(2)/2*c(3))*(1-exp(-2*c(3))) @param c(1) 0. l’estimation MLE performe beaucoup mieux lorsqu’on estime les taux de rendements du TSX par un processus de retour vers la moyenne que par un mouvement brownien géométrique.000385 8.2 logl1=log(@dnorm(res1/@sqrt(var)))-log(var)/2 Tableau 13 Estimation MLE du processus de retour vers la moyenne appliqué aux rendements du TSX LogL: LOGL02 Method: Maximum Likelihood (Marquardt) Date: 06/24/05 Time: 20:11 Sample: 3 2223 Included observations: 2221 Evaluation order: By observation Convergence achieved after 39 iterations Coefficient C(3) C(1) C(2) Log likelihood Avg.

Comme on peut le constater à la figure 6. et la vitesse de retour vers la moyenne. Figure 6 Rendement sur l’actif des six plus grandes banques canadiennes.Le rendement moyen annuel du TSX.72% alors qu’il avoisine les 30% du côté des MCO.07. le rendement annuel moyen sur l’actif bancaire fut de 0. Nous nous tournons vers une autre série de rendements que nous voulons expliquer par un processus de retour vers la moyenne. premier trimestre 1988 – quatrième trimestre 2003 . 16 . mais cette mesure du risque ne prend pas en compte deux autres mesures additionnelles du risque bancaire : une asymétrie de rendement sensiblement négative et un fort degré de leptokurtisme. ce qui n’est pas excessif. ce rendement suit à l’évidence un processus de retour vers la moyenne.1 . apparaît par ailleurs plus plausible que celui estimé par les MCO.12.1 -. soit le rendement sur l’actif des six grandes banques canadiennes.70%. sont pratiquement identiques aux estimations MCO. soit 9. Comme on peut le constater. soit 61 cents par 100$ d’actifs. L’estimation de l’écart-type journalier. L’écart type annuel de ce rendement fut de 0. à hauteur de 0. L’estimateur MCO de l’écart-type semble donc exagéré sur la base des résultats antérieurs. l’écart-type annuel est de 14.00927.2 .0 -.61 % au cours de la période 1988-2003.3 . soit 2. Dans le cas de l’estimation MLE.2 5 10 15 20 25 30 35 40 45 50 55 60 RATOTTRIM Les statistiques descriptives du rendement des banques canadiennes se retrouvent à la figure 7.

représente certes l’espérance non conditionnelle du rendement sur l’actif bancaire.192500 0.000000 Pour l’ensemble des banques. 17 . le R2 se situant à 0.0 0. La vitesse de retour vers le rendement moyen.1 0.021255 0. Le rendement annuel moyen à long terme est donc de : (0.128187 t-Statistic 6.972591 -7.2 -0.479276 0. nous reprenons les mêmes calculs mais en recourant à la méthode MLE. Le rendement annuel à long terme sur l’actif bancaire.960499 0. ce qui s’avère élevé du fait que la variable dépendante est un rendement. Error 0. estimée à 3. ce qui s’avère plus élevé que l’écart-type historique. Skewness Kurtosis Jarque-Bera Probability 0.38663 2.000238 0. l’écart-type annuel du processus de retour vers la moyenne est estimé à 0.1 -0.176508 17.061528 -3.154648 0. premier trimestre 1988 – quatrième trimestre 2003 24 20 16 12 8 4 0 -0. estimé à 0. 5 La régression a en effet été effectuée sur des rendements trimestriels.610905 56.237598 86.470740 0.250000 -0.615.7789 0.085787 -2. s’avère rapide.54497 671.678941 -2.148201 -0. Dependent Variable: D(RATOTTRIM) Method: Least Squares Date: 06/25/05 Time: 21:17 Sample (adjusted): 2 64 Included observations: 63 after adjustments Variable C RATOTTRIM(-1) R-squared Adjusted R-squared S.000508 Std. Tableau 14 Estimation par les MCO du processus de retour vers la moyenne appliqué au rendement des banques canadiennes.E.31.D.96) x 4 = 0.2 Series: RATOTTRIM Sample 1 64 Observations 64 Mean Median Maximum Minimum Std.0000 0.22.47.0000 0. 1988-2003.Figure 7 Statistiques descriptives du rendement sur l’actif des six plus grandes banques canadiennes. Par ailleurs. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) On constate que les résultats de la régression sont somme toute satisfaisants.61. Dev. le résultat de la régression (5) apparaît au tableau 14.170000 0.14459 0.062410 0.492969 Prob.000000 Mean dependent var S. 0. Les deux coefficients estimés sont fort significatifs. Au tableau 15. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.148 / 0.

Les statistiques t des coefficients estimés se retrouvent entre parenthèses. La vitesse de retour vers la moyenne.013464 0. il se situe à 0. LogL: LOGL01TRIM Method: Maximum Likelihood (Marquardt) Date: 06/25/05 Time: 21:18 Sample: 2 64 Included observations: 63 Evaluation order: By observation Convergence achieved after 75 iterations Coefficient C(3) C(1) C(2) Log likelihood Avg. des paramètres de l’équation (4) par les deux méthodes d’estimation utilisées dans ce chapitre.0967. soit la Banque Royale du Canada (BRC).Tableau 15 Estimation par la méthode MLE du processus de retour vers la moyenne appliqué au rendement des banques canadiennes.647194 -2.38663 1. Le rendement moyen à long terme et l’écarttype de l’équation (4) sont exprimés en termes annuels. En termes annualisés. 1988-2003. soit au même niveau que dans la régression MCO.45918 0.545140 -2.229897 0. Nous avons refait ces calculs pour trois banques canadiennes. Au tableau 15.22. on retrouve l’estimation. Le coefficient c(2) représente pour sa part la variance du processus de retour vers la moyenne. C’est le seul coefficient qui soit significatif dans la régression. Peut-être que celui donné par la régression MCO était-il trop important.61.002337 86. soit au même niveau que celui donné par la régression MCO.3597 -2. log likelihood Number of Coefs. 18 . Au tableau (16). 0. 3. Error 3.983250 11.284920 0. la Banque Toronto Dominion (TD) et la Banque Nationale du Canada (BNC). L’écart type annuel dudit processus se situe donc à 0. Ce niveau est sensiblement plus faible que celui résultant de la régression MCO.0000 0. il s’avère difficile d’estimer les écarts-types des processus stochastiques. qui correspond au coefficient c(3).154288 0.371216 3 Std. est estimée à 3. A l’évidence.607056 Akaike info criterion Schwarz criterion Hannan-Quinn criter. pour chacune d’elles.3255 0.915865 Prob. le coefficient c(1) nous donne directement le rendement à long terme sur l’actif.002552 z-Statistic 0.

24) 3.45) 0. Grosso modo.91) 0. Par exemple. R long terme MCO MLE Ensemble BRC TD BNC 0.67 (5.50) MLE 3.22 (7.36) 0. A 0.68 (5.57) 0.61 (6.98) 2. a la volatilité la plus importante.52 (5.31 0.97) 0.80) η MCO 3.57 σ MLE 0. 19 .74) MCO 0. l’estimation de ce paramètre semble d’ailleurs exagérée.09) 0. 1988-2003. la Banque TD se démarque nettement des autres au niveau du coefficient de vitesse de retour vers la moyenne qui s’avère nettement plus faible. L’estimation de la volatilité devrait être en principe reliée à celle du coefficient de vitesse de retour vers la moyenne.61 (11. c’est la TD qui. En effet. Les deux méthodes d’estimation produisent par ailleurs des résultats fort différents au chapitre de la volatilité annuelle du processus de retour vers la moyenne. L’estimation MCO semble aller à l’encontre de cette relation.51) 0.66 (1. Et l’on attendait un tel résultat puisque la TD dispose de la vitesse de retour la plus faible. les méthodes MCO et MLE calculent des coefficients quasi-identiques pour le rendement moyen à long terme sur l’actif bancaire et pour la vitesse de retour vers la moyenne.33) 0.67 (6.29 (7.49) 2.22 (0. La force d’attraction qui relie le rendement de la TD à son niveau à long terme est donc plus faible que celle des autres banques canadiennes.52 (4.29 (0.33) 0.27) 0.24 0. plus la vitesse de retour vers la moyenne est élevée. parmi les banques.36) 0. La BNC a un rendement sur l’actif à long terme particulièrement faible en regard de ses concurrentes. Par exemple. La BNC a pour sa part la vitesse de retour la plus élevée mais également la volatilité la plus importante quand on recourt à la méthode MCO. La méthode MLE est beaucoup plus rapprochée de la relation anticipée entre la vitesse et la volatilité. les volatilités estimées par la méthode MLE correspondent davantage aux attentes.60 (4.Tableau 16 Estimation par les méthodes MCO et MLE du processus de retour vers la moyenne appliqué au rendement de certaines banques canadiennes.56) 3.57. la TD a la vitesse de retour vers la moyenne la plus faible mais sa volatilité estimée par les MCO est également le plus faible.097 (0.14 (1. selon la méthode MLE.63 (7.60 (2. plus on devrait s’attendre à une volatilité faible. Par ailleurs.73) 0.68 (3.17 (0.70) Comme on peut le constater au tableau (16).37 0.40 (1.

Nous faisons apparaître le chiffrier de la série TSX à l’écran tout simplement en cliquant sur cette variable puis nous cliquons sur View puis sur Unit root test. on consultera : Dixit et Pindyck (1994) et Racicot et Théoret (2001). Il suffit alors d’extirper la tendance de la série pour la rendre stationnaire.4. la marche aléatoire peut s’exprimer comme suit : x t = x t −1 + ε t La variable xt est donc une série non stationnaire. Pour ce faire. on dispose de plusieurs tests dont celui de Dickey-Fuller. En temps discret. Pour effectuer ce test. Une véritable série non stationnaire a un trend stochastique et c’est pour cette raison qu’il faut recourir au test de Dickey-Fuller avec trend pour juger de la véritable stationnarité de la série. Pour vérifier si une série est stationnaire ou non. Marche aléatoire6 La marche aléatoire est l’un des processus stochastiques les plus simples. nous recourons au logiciel EViews. Figure 8 Fenêtre EViews du test de racine unitaire 6 Pour cette section. 20 . Le résultat apparaît à la figure 8. Vérifions si la série TSX que nous avons utilisée antérieurement est stationnaire ou non. il vaut mieux introduire une tendance lors du test car une série peut être non stationnaire en tendance. Cette série a alors un trend déterministe.

On a : 7 C’est le niveau du seuil critique généralement retenu pour effectuer le test. On retient donc l’hypothèse H0 de la présence d’une racine unitaire et on conclut que la série TSX est non stationnaire. La propriété de Markov simplifie de beaucoup l’analyse des processus stochastiques.890000 -2. 1992-2001 Null Hypothesis: TSX has a unit root Exogenous: Constant. Tableau 17 Test de racine unitaire sur la série TSX (indice de la Bourse de Toronto). On recourt souvent aux tests de racine unitaire pour juger de l’efficience des marchés financiers. Ce processus est stationnaire.201278 -3. - Un autre exemple d’un processus stochastique en temps continu ramené en temps discret est le processus autorégressif de premier ordre AR(1) : x t = δ + ρx t −1 + ε t avec − 1 < ρ < 1 . Sur la base du test précédent. Table 1) -2. nous avons demandé un test en niveau avec un trend et une constante.480000 -2. Le résultat du test apparaît au tableau 17. égal à 2. Linear Trend Lag Length: 2 (Automatic based on SIC. données journalières. la valeur absolue de la statistique t du test. Ce processus est un processus de Markov. la distribution en probabilité de xt+1 dépend seulement de xt et non de ce qui est survenu auparavant. MAXLAG=26) t-Statistic Elliott-Rothenberg-Stock DF-GLS test statistic Test critical values: 1% level 5% level 10% level *Elliott-Rothenberg-Stock (1996. à hauteur de 2. en ce sens que . La valeur de long terme de xt peut être déterminée en posant xt = xt-1 =x dans cette équation et en supprimant le terme d’erreur.20.570000 Comme en prend acte le tableau (17). on peut présumer que la Bourse de Toronto constitue un marché efficient puisque son indice est non stationnaire. Un marché financier efficient est caractérisé par des séries financières non stationnaires. est plus faible que la valeur absolue du t tabulé au seuil critique de 5%7.89.Comme on peut le constater à la figure 8. Notons ici que le processus de Wiener est la limite continue de la marche aléatoire en temps discret. 21 .

5 Restrictions β<0 β<0 et 2α>=σ2 β<0 β<0 et α>0 β<0 0 0 0 0 0 0 La discrétisation de l’équation (9) est la suivante : rt − rt −1 = α + βrt −1 + ε t Les résidus qui entreront dans la fonction de vraisemblance sont donc de : ε t = (rt − rt −1 ) − α − βrt −1 Par ailleurs.5 1 1 1 1. Une forme générale pour le processus stochastique suivi par un taux d’intérêt est le suivant : drt = (α + βrt )dt + σrtγ dWt Les coefficients α et β caractérisent la dérive. la variance de l’innovation est de : E ε 2 = σ 2 rt2−γ1 t ( ) 8 Pour cette section. Un tel processus jouit également de la propriété de Markov. β . (2003). 5 . on retrouve une grande variété de modèles de taux d’intérêt. σ . (2003) α β 0 σ γ 0 0 0. En imposant des restrictions sur le groupe de paramètres (α . Un processus AR(1) est donc un processus de retour vers la moyenne. Ces divers modèles se retrouvent au tableau 18. nous nous inspirons de : Dell’Aquila et al. 22 . Soit à désigner par rt le taux d’intérêt. les taux d’intérêt ne prennent pas de valeurs négatives. σ est le paramètre de volatilité instantanée alors que la constante γ mesure la sensibilité de la volatilité au niveau du taux d’intérêt instantané rt. Tableau 18 Modèles alternatifs du taux d’intérêt court Modèle Merton Vasicek Cox-Ingersoll-Ross Dothan Mouvement brownien géométrique Brennan Schwartz Taux variable Élasticité constante de la variance Source: Dell'Aquila et al. Estimation des taux d’intérêt8 Contrairement aux taux de rendement des actions.x = δ + ρx → x = δ 1− ρ La variable x retourne vers cette valeur à long terme quel que soit son niveau initial. γ ) .

003546 0. L’échantillon est mensuel et s’étire de 1941 à 2000.136724 4 Std.5 que de 1. 0.003rt −1 + ε t E ε 2 = 0.000678 0.80082 -0. La spécification MLE de ces deux équations dans EViews se retrouve au tableau (19) et le résultat de la régression MLE. L’estimation des équations du taux d’intérêt et de la variance de l’innovation est donc la suivante : rt − rt −1 = 0.024 − 0.19103 78.947735 -1. Tableau 19 Spécification EViews de la fonction de vraisemblance du modèle de taux d’intérêt @logl logl1 res1=d(rbt)-c(1)-c(2)*rbt(-1) var=c(3)*rbt(-1)^(2*c(4)) logl1=log(@dnorm(res1/@sqrt(var)))-log(var)/2 Tableau 20 Estimation du modèle de taux d’intérêt par la fonction MLE LogL: UNTITLED Method: Maximum Likelihood (Marquardt) Date: 06/26/05 Time: 17:59 Sample: 3 710 Included observations: 708 Evaluation order: By observation Convergence achieved after 115 iterations Coefficient C(1) C(2) C(3) C(4) Log likelihood Avg. au tableau 20.0000 0.284748 0.018rt2−×0.Nous avons appliqué ces deux équations au taux de rendement des bons du Trésor américain.002868 0.024761 -0. Error 0.236108 27.294707 Akaike info criterion Schwarz criterion Hannan-Quinn criter. le coefficient γ est plus rapproché de 0. β est négatif et 2α ≥ σ 2 .2164 0.018449 0.006272 0. En effet.0001 0.09151 Prob. 0. ( ) 23 .008017 z-Statistic 3.0000 0. log likelihood Number of Coefs. Les restrictions du modèle CIR sont donc assez bien vérifiées.310525 0.62 t 1 L’estimation semble donner raison au modèle de Cox-Ingersoll-Ross(CIR).626084 -96.

Calibrage de processus stochastiques avec sauts9 Il est bien connu que les données financières n’obéissent pas strictement à de simples processus de diffusion. Mais ils peuvent se révéler fréquents dans le cas de certaines données financières. cela par unité de temps (dt = 1) : nt ⎛ S ⎞ ln⎜ t ⎟ = µ + σW + ∑ ln Yt ⎜S ⎟ t =1 ⎝ t −1 ⎠ ( ) avec nt le nombre actuel de sauts durant l’intervalle. Ball et Torous (1985) ont choisi de tronquer l’expression entre crochets dans l’équation (9) en choisissant une valeur de 10 pour j. A la figure 9. Nous voulons transposer l’équation (9) au taux de change du dollar canadien. nous voulons estimer λ . Dans cette section. On peut donc réécrire le processus stochastique suivi par St comme suit.6. les résidus de l’équation de ln(St/St-1). et par Yt qui mesure l’importance des sauts. 9 Pour cette section. un processus de Poisson caractérisé par λ . 24 .. on retrouve l’évolution journalière du taux de change du dollar canadien de janvier 1990 à juin 2005. Ces sauts sont traditionnellement qualifiés d’événements rares car leur probabilité d’occurrence s’approche de 0. suit un mouvement brownien géométrique auquel se superpose un processus de saut : dS t = αdt + σdWt + dq t St avec dqt. c’est-à dire : ln Y ~ N θ . comme cela est d’usage. Nous supposons que la variable St. La fonction de vraisemblance proposée par Ball et Torous (1985) et Jorion (1988) pour estimer le processus suivi par St est la suivante : ⎡∞ j λ T ι = −Tλ − ln (2π ) + ∑ ln ⎢ ∑ ⎢ j=0 j! 2 t =1 ⎢ ⎣ T −(ε t −θ j )2 2 1 σ2 + δ2 j e 2 (σ + δ2 j )⎥ ⎥ ⎥ ⎦ ⎤ (9) avec T le nombre d’observations et ε t . nous suivons la procédure proposée par Jorion (1988) et Ball et Torous (1985). Force est de considérer leur estimation économétrique. disons un taux de change. tels les taux de change. un nombre moyen de sauts par unité de temps. par le prix du dollar américain en termes du dollar canadien. mesuré. δ 2 . On suppose que la variable Yt obéit à une distribution lognormale. Elles font également l’objet de sauts.

Figure 10 Évolution journalière du taux de change du dollar canadien exprimé en rendement. A l’évidence.01 -.2 1. la série fait montre d’hétéroscédasticité conditionnelle.02 500 1000 1500 2000 2500 3000 3500 RDOLEU A la figure 10.juin 2005 .5 1. pour les fins de la régression.Figure 9 Évolution journalière du taux de change du dollar canadien.4 1.6 1. janvier 1990.7 1.3 1. nous la transformons en rendement en lui ⎛ x ⎞ faisant subir la transformation logarithmique habituelle : ln⎜ t ⎟ . on note que le taux de change du dollar canadien semble suivre un processus de retour vers la moyenne. problème que nous traiterons en introduisant un processus GARCH(1.02 . janvier 1990 – juin 2005 1. C’est pourquoi.1 500 1000 1500 2000 2500 3000 3500 DOLEU Un test Dickey-Fuller révèle que la série du taux de change du dollar canadien n’est pas stationnaire.1) lors de l’estimation de la 25 .01 .00 -. La figure 10 fait montre de la série ⎜x ⎟ ⎝ t −1 ⎠ ainsi transformée.

000006 -3.968520 0.144 Akaike info criterion Schwarz criterion Hannan-Quinn criter.48E-05 0. 26 .0000 0. Au tableau (21).47163 0. on retrouve l’écriture EViews de la fonction de vraisemblance donnée par l’équation (9).013536 0.139 7985.000630 179.1 c(4) 0.9995 0.391466 0.1449 0.099999 -0.005394 1.8335 0. Et au tableau 22 se trouve l’estimation de cette fonction.1) que nous avons introduit dans l’expression de la variance (var1).234220 -6.80852 5.6606 Prob.567 8 Std.420565 199.210204 -0.188856 0. Error 12.46E-06 1. Tableau 21 Fonction de vraisemblance (EViews) d’un processus de retour vers la moyenne avec sauts appliqué au taux de change du dollar canadien @logl logl1 res1=rdoleu-exp(-c(6))*rdoleu(-1)-c(7)*(1-exp(-c(6))) res2=res1-c(2) res3=res1-c(2)*2 res4=res1-c(2)*3 res5=res1-c(2)*4 res6=res1-c(2)*5 res7=res1-c(2)*6 res8=res1-c(2)*7 res9=res1-c(2)*8 res10=res1-c(2)*9 res11=res1-c(2)*10 var1=(c(3)/2*c(6))*(1-exp(-2*c(6)))+c(10)*(res1(-1)^2)+c(11)*var1(-1) var2=var1+c(4) var3=var1+(c(4)*2) var4=var1+(c(4)*3) var5=var1+(c(4)*4) var6=var1+(c(4)*5) var7=var1+(c(4)*6) var8=var1+(c(4)*7) var9=var1+c(4)*8 var10=var1+c(4)*9 var11=var1+c(4)*10 @param c(3) 0.0000 7985.fonction de vraisemblance.686014 0. 0.999739 -15515117 -3992.005007 z-Statistic 0.457692 0. On notera le processus GARCH (1. des sauts évidents apparaissent fréquemment dans le profil de la série.5 c(7) 0 c(5) 1 c(2) 1 c(6) 3 logl1=log(@dnorm(res1/@sqrt(var1)))-log(var1)/2-(3886*c(5))+log(c(5)*(@dnorm(res2/@sqrt(var2))))log(var2)/2+log((c(5)^2/@fact(2))*(@dnorm(res3/@sqrt(var3))))log(var3)/2+log((c(5)^3/@fact(3))*(@dnorm(res4/@sqrt(var4))))log(var4)/2+log((c(5)^4/@fact(4))*(@dnorm(res5/@sqrt(var5))))log(var5)/2+log((c(5)^5/@fact(5))*(@dnorm(res6/@sqrt(var6))))log(var6)/2+log((c(5)^6/@fact(6))*(@dnorm(res7/@sqrt(var7))))log(var7)/2+log((c(5)^7/@fact(7))*(@dnorm(res8/@sqrt(var8))))log(var8)/2+log((c(5)^8/@fact(8))*(@dnorm(res9/@sqrt(var9))))log(var9)/2+log((c(5)^9/@fact(9))*(@dnorm(res10/@sqrt(var10))))log(var10)/2+log((c(5)^10/@fact(10))*(@dnorm(res11/@sqrt(var11))))-log(var11)/2 Tableau 22 Estimation du processus de retour vers la moyenne du taux de change du dollar canadien LogL: LOGGARCH3 Method: Maximum Likelihood (BHHH) Date: 07/08/05 Time: 15:14 Sample: 5 3890 Included observations: 3886 Evaluation order: By observation Convergence achieved after 1 iteration Coefficient C(6) C(7) C(2) C(3) C(10) C(11) C(4) C(5) Log likelihood Avg.5562 0. 3.152 7985.475723 21.6741 0.499991 0.0000 0. Par ailleurs.8148 1. log likelihood Number of Coefs.999997 0.

20471 27409664 Prob. à hauteur de 3. 3.0000 1.003765 0.968527 0. la figure (10) ne saurait nous contredire sur ce sujet.9316 0. nous avons fixé à 10000 la valeur initiale de λ lors de l’estimation. 27 . Nous savons que la distribution de Poisson tend vers la distribution normale quand λ augmente.001795 0.26773 3.0000 0.085849 539. Tableau 23 Le dollar canadien vu comme un pur processus de sauts LogL: LOGGARCH7 Method: Maximum Likelihood (BHHH) Date: 07/08/05 Time: 15:20 Sample: 5 3890 Included observations: 3886 Evaluation order: By observation Convergence achieved after 1 iteration Coefficient C(6) C(7) C(2) C(3) C(10) C(11) C(4) C(5) Log likelihood Avg. s’avère rapide. Nous avons tenté plusieurs valeurs de départ lors de l’estimation et celle qui donnait les meilleurs résultats se rapprochait de 1. fixée à 10000.006753 0. qui est l’estimation de λ . Mais le coefficient qui nous intéresse le plus est c(5).023402 0.0000 0.500000 10000. Cette vitesse.On remarque au tableau (22) que le processus stochastique du taux de change du dollar canadien est fortement hétéroscédastique.000000 0.0000 0.80755 -0. Le coefficient c(11). 0.000365 z-Statistic 15. En fait.01E-13 42. est fortement significative.0000 0. ce qui est évidemment important.000000 1.189924 0.0000 0. Error 0.00 -1.196493 0. Au tableau 23. Il en va de même pour le coefficient c(6) qui mesure la vitesse de retour vers la moyenne du dollar canadien. la valeur estimée de λ .73209 14. Est-il possible de représenter le profil du dollar canadien par un pur processus de sauts? En tout cas.016554 0. rattaché au premier retard de la variance conditionnelle.13E-15 1.99 et est fortement significative.51E+11 -38859600 8 Std. log likelihood Number of Coefs.100000 -0.016305 0.0000 77719200 77719200 77719200 Akaike info criterion Schwarz criterion Hannan-Quinn criter. est en effet fortement significatif. Le résultat que nous avons obtenu apparaît au tableau 23. la valeur estimée est de 0. Jorion (1988) obtenait parfois de tels niveaux lors de l’estimation du taux de change du DM en termes du dollar américain pour la période s’étirant de janvier 1974 à décembre 1985. Cela indique qu’il se produirait en moyenne un saut par jour dans la série du dollar canadien. Pour vérifier cette hypothèse.6092 30.

142022 -0. 10 28 .883458 -0.Lorsqu’une série temporelle ne comporte que quelques sauts.438664 Std.61 à 0.085787 -3.358413 0.112584 109.614384 -9. la technique qui vient d’être présentée risque de donner de mauvais résultats. Fort de cette nouvelle variable. La figure 11 donne l’évolution du rendement sur l’actif ajusté qui est obtenu en retranchant à la donnée extrême de cette série le coefficient estimé de la variable auxiliaire.75.394074 -3. Tableau 24 Estimation du processus de retour vers la moyenne du rendement sur l’actif bancaire avec variable auxiliaire Dependent Variable: D(RATOTTRIM) Method: Least Squares Date: 07/09/05 Time: 16:15 Sample (adjusted): 2 64 Included observations: 63 after adjustments Variable C RATOTTRIM(-1) DUMTOTMOINS R-squared Adjusted R-squared S. On peut la traiter lors de la régression en construisant une variable auxiliaire qui prend la valeur 1 pour cette observation et 0 ailleurs10.0000 0.014772 0.000000 Mean dependent var S.162365 Prob. La prise en compte de la donnée extrême a eu pour effet de rehausser de 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) En prenant en compte la donnée extrême. Error 0.64 le rendement annuel de l’actif à long terme et d’abaisser la vitesse de retour vers la moyenne de 3.043317 0.12. 0.0000 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.58476 0. Il vaut alors mieux recourir à des variables binaires (auxiliaires) pour ajuster la série.9133 1.089470 0.D. Le saut qui apparaissait à la figure 6 a ainsi été lissé. on reprend donc la régression du tableau 14 dont le résultat apparaît au tableau 24.043910 t-Statistic 9.22 à 2. S’il existe des données extrêmes à la hausse comme à la baisse. A titre d’exemple. à hauteur de 0.874300 -8.47. est beaucoup plus élevé que celui du tableau 14. qui est égal à 0. L’histogramme de la série (figure 7) fait clairement apparaître une donnée extrême.000238 0.745034 0.0000 0. Ce sont ces valeurs ajustées qui devront être utilisées lors d’une simulation du processus stochastique décrit par le rendement sur l’actif bancaire.292020 91.E. on remarque un saut évident au début de la série du rendement sur l’actif bancaire canadien (figures 6 et 7). on remarque que le R2 du tableau 24. il faut introduire une variable auxiliaire spécifique pour chacune de ces catégories.753259 0. On parle plutôt dans ce cas de données extrêmes (outliers).

Le test que nous avons effectué sur l’indice S&P TSX donne à penser que la Bourse de Toronto constitue un marché financier efficient. nous nous sommes intéressés au calibrage des processus stochastiques. il faut souvent recourir à des modèles plus sophistiqués que ceux que nous avons utilisés pour prévoir la volatilité financière. Le processus de retour vers la moyenne nous est apparu particulièrement adapté pour rendre compte du rendement sur l’actif réalisé par les banques canadiennes. Nous avons pu constater que le processus de retour vers la moyenne performait beaucoup mieux pour expliquer l’évolution des rendements boursiers journaliers que le mouvement brownien géométrique. c’est-à-dire que ces séries sont non stationnaires. La méthode du maximum de vraisemblance semble toutefois plus appropriée que celle des moindres carrés ordinaires pour estimer la volatilité des rendements. A preuve.5 0 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 Conclusion Dans cet article. Les deux méthodes économétriques utilisées ont donné très souvent à ce sujet des résultats fort différents. Nous avons recouru pour ce faire à deux méthodes économétriques : la méthode des moindres carrés ordinaires et celle du maximum de vraisemblance. un marché financier est efficient si les prix des titres qui s’y transigent suivent une marche aléatoire. On effectue souvent un test de racine unitaire pour juger de l’efficience des marchés financiers. On peut se servir du test DickeyFuller pour vérifier si une série est stationnaire ou non. Nous avons pu cependant noter que l’estimation de la volatilité n’était pas une sinécure. 1988 – 2003 Évolution du rendement sur l'actif des six grandes banques canadiennes ajusté pour une donnée extrême: 1988-2003 1. En effet. 29 .5 1 0. Certes. lors de l’estimation des rendements bancaires. la relation attendue entre la vitesse de retour vers la moyenne et la volatilité du processus ressortait assez bien en utilisant la méthode MLE alors que la relation dégagée par la méthode MCO ne correspondait pas aux attentes.Figure 11 Rendement (annualisé) sur l’actif des six grandes banques canadiennes.

le calibrage des processus de sauts nous est apparu fort laborieux. Dans cette section. Les modèles les plus courants de taux d’intérêt spécifient une forme particulière pour l’hétéroscédasticité qui contamine ces séries. Par ailleurs. 30 . Notre estimation du taux de rendement des bons du Trésor américain donne à penser qu’il se plie au modèle de Cox-Ingersoll-Ross. nous nous sommes intéressés à l’estimation de modèles de taux d’intérêt et de processus de sauts.Finalement. nous nous sommes permis d’envisager la série du taux de change du dollar canadien comme un pur processus de sauts.

Gouriéroux. et Delaloye. R.(1999). A. Ronchetti..K. The Econometric Modelling of Financial Time Series. J. (2004). Gouriéroux. T.Bibliographie Ball. On Jump Processes in the Foreign Exchange and Stock Markets. The Econometric Modelling of Financial Time Series. et Théoret. Mills. Racicot. A. C. Mills. Wang. E. Simulation-Based Econometric Methods. (2005). D.(2002). Investment under uncertainty. P. 1. F. R. Cambridge. et Jasiak.(2003). Cambridge. 31 . (2001). Princetin University Press. et Trojani. document de travail. C. Brooks. 10. C. Models and Methods.(2001). Jorion. 373-397.C. 72. Université de Lausanne. Stochastic Modeling of Electricity Prices : the Case of Leipzig Power Exchange. F.C. Introductory econometrics for finance. Monte Carlo Simulation and Finance. McLeish. Review of Financial Studies.(1994).E. P. 40.(1993). R. PUQ. Princeton University Press. 2ième edition. (1996). F.-X. On Jumps in Common Stock Prices and Their Impact on Call Option Pricing. W. Vers une vision probabiliste du choix d’investissement : une application à la performance du secteur bancaire. Financial Econometrics: Problems. (1985). Journal of Empirical finance.(2001). Wiley. Cambridge. 155-173. A. R. R. Financial econometrics : methods and models. Journal of Finance. Routledge. septembre-octobre 2004. Oxford University Press. et Théoret. (1988). Dell’Aquila. et Pindyck. Traité d’économétrie financière.(2003).S. Coën. Dixit. 32-44. Banque et marchés. et Monfort. 427-445. Robust GMM analysis of models for the short rate process. et Torous. C. Barnezet. T.

You're Reading a Free Preview

Télécharger
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->