Vous êtes sur la page 1sur 22

QUELQUES APPLICATIONS DU FILTRE DE KALMAN EN FINANCE : ESTIMATION ET PRVISION DE LA VOLATILIT STOCHASTIQUE ET DU RAPPORT COURS-BNFICES

Franois-ric Racicot*
Dpartement des sciences administratives Universit du Qubec, Outaouais

Raymond Thoret
Dpartement Stratgie des Affaires Universit du Qubec, Montral

RePAD Working Paper No. 0312005

Adresse postale : Franois-ric Racicot, Dpartement des sciences administratives, Universit du Qubec en Outaouais, Pavillon Lucien Brault, 101 rue Saint Jean Bosco, Gatineau, Qubec, Canada, J8Y 3J5. Correspondance : francoiseric.racicot@uqo.ca. Raymond Thoret, Dpartement stratgie des affaires, Universit du Qubec Montral, 315 est, Ste-Catherine, Montral, H2X3X2. Correspondance : theoret.raymond@uqam.ca. Ce papier est lun des chapitres de notre prochain ouvrage intitul : Finance computationnelle et gestion des risques.

Quelques applications du filtre de Kalman en finance : estimation et prvision de la volatilit stochastique et du rapport cours-bnfices

Rsum Le filtre de Kalman est de plus en plus utilis en finance, notamment pour estimer les processus de diffusion. Dans cet article, nous montrons comment on peut lutiliser pour prvoir, dune part, la volatilit des taux dintrt et de rendements boursiers, et dautre part le rapport cours-bnfices du S&P500. Le filtre de Kalman est donc trs versatil lorsque des variables, telles la volatilit ou le rapport cours-bnfices prvu, sont inobserves. Nous montrons que lapplication du filtre de Kalman met toutefois fortement contribution le jugement du prvisionniste. Une erreur de spcification du modle peut en effet se traduire par une prvision fortement biaise. Abstract

The popularity of Kalman filter is increasing in financial studies, notably to estimate diffusion processes. In this article, we show how we can use it to forecast the volatility of returns and the price-earnings ratio of the S&P500. The Kalman filter is consequently very versatile when variables, as volatility or forecasted price-earnings ratio, are unobserved. But the forecaster must use his judgment when he uses the Kalman filter. An error of specification in the model may give way to very biased forecasts. Mots-clefs : Filtre de Kalman; processus de diffusion; prvision financire; conomtrie financire. Keywords : Kalman filter; diffusion processes; financial forecasting; financial econometrics. JEL : C5; G12.

1. Introduction

Le filtre de Kalman trouve de plus en plus dapplications en finance. Dans ce papier, nous montrons comment on peut lutiliser pour prvoir deux variables financires clefs : la volatilit stochastique et le rapport cours-bnfices.

Dans leur fameuse quation du prix dun option dachat europenne publie en 1973, Black et Scholes ont suppos que la volatilit du cours de laction, soit le sous-jacent de loption, tait constante. Ils ont donc fait appel au concept de volatilit inconditionnelle pour dfinir leur quation. Lcart type historique du rendement de laction tait alors privilgi comme mesure empirique de la volatilit.

Mais, par la suite, on sest rendu compte que la variance ntait pas une variable hiratique mais quelle tait conditionnelle lensemble dinformations disponibles au moment de son calcul. Mais, malheureusement, il nexiste pas une seule procdure pour calculer et prvoir la volatilit conditionnelle. Dans cet article, nous nous intressons la volatilit stochastique que nous comparons au modle GARCH(1,1). Nous constatons que ces deux mesures donnent des rsultats apparents mais qui peuvent diverger court terme. Nous montrons aussi que la spcification retenue pour la version empirique de la volatilit stochastique importe beaucoup et que lomission de certains paramtres, comme cela est souvent le cas dans les modles thoriques, peut se traduire par des rsultats aberrants.

La volatilit stochastique du rendement mensuel du taux de rendement des bons du Trsor canadien et du rendement journalier du S&P TSX sera estime par le filtre de Kalman. De manire dmontrer la versatilit de cette mthode de filtrage, nous lappliquons galement la prvision du rapport cours-bnfices de lindice boursier amricain S&P500.

Mais avant de prsenter nos estimations, nous rappelons brivement la technique que nous mettons de lavant dans cet article, soit le filtre de Kalman.

2. Le filtre de Kalman1

Supposons que la srie temporelle yt, reprsente par le vecteur (y0, y1,,yn) soit observable. Cette variable peut par exemple tre le taux de rendement dun titre financier. Elle dpend de la variable ht qui elle nest point observable. Cette dernire variable pourrait tre la volatilit stochastique de yt. Comme lon ne peut observer ht, il faudra simuler sa valeur. Nous ne connaissons pas non plus la variance de ht, que nous reprsentons par t . Le modle se prsente donc comme suit :

y t = 1 + 2 h t + t

h t +1 = 3 + 4 h t + t
avec i , les paramtres estimer; t , un bruit gaussien dont la variance est de 1t et t , un bruit gaussien dont la variance est de 2 t . La premire quation est dite quation de mesure alors que la seconde est lquation de transition ou dtat.

Au temps (t-1), des estims de ht-1, de sa variance t 1 ainsi que des coefficients i , t 1 doivent tre fournis. Si lon se situe au temps 0, on doit disposer dune estimation prliminaire de h0 et de 0 . Mais comme ces valeurs sont alors inconnues, le logiciel EViews attribue une valeur nulle h0 et une valeur leve 0 de faon prendre en compte lincertitude importante qui est alors relie lestimation de h0.

Pour rdiger cette section, nous suivons la dmarche de : James, J. et Webber N.(2000), Interest Rate Modelling, Wiley. Le manuel suivant de Harvey est devenu un classique dans le domaine du filtre de Kalman : Harvey, A.C. (1989), Forecasting, structural time series models and the Kalman filter, Cambridge University Press. On consultera galement Wang (2003) sur lutilisation du filtre de Kalman en finance et les modles de volatilit stochastique.

Revenons au temps (t-1) de la simulation ou du filtrage, si lon veut, et donnons les trois tapes de la procdure suivie par le filtre de Kalman.

tape 1 : tape de la prvision

Nous calculons alors les deux prvisions suivantes : i) h t t 1 , la prvision


de ht au temps (t-1), soit lesprance conditionnelle de ht tant donn linformation disponible au temps (t-1); ii) t t 1 , la prvision de t au temps

t-1, soit lesprance conditionnelle de t tant donn linformation disponible au temps (t-1). Ces prvisions , qui sont des estimations conditionnelles non biaises, se calculent comme suit :
h t t 1 = 3, t 1 + 4, t 1h t 1 t t 1 = 2 4 , t 1t 1 + 2, t 1
tape 2 : tape de la rvision

Au temps t, on dispose dune nouvelle observation de y, soit yt. On peut alors calculer lerreur de prvision t : t = y t 1,t 1 2,t 1h t t 1 La variance de t , reprsente par t , est de :
2 t = 2 , t 1 t t 1 + 1, t 1

On se sert de t et de t pour mettre jour ht et sa variance, t , :


h t = h t t 1 + 2, t 1 t t 1 t t

t = t t 1 +

2 2 2, t 1 t t 1

Ces

deux

derniers

estimateurs

sont

les

estimateurs

non

biaiss

conditionnellement qui minimisent la variance de ceux-ci. Le filtre de Kalman est donc optimal en ce sens quil est le meilleur estimateur dans la classe des estimateurs linaires.

tape 3 : estimation des paramtres

On recourt la mthode du maximum de vraisemblance pour estimer les paramtres i . La fonction de vraisemblance est la suivante :
l= 1 1 2 log( t ) t 2 t 2 t t

Lon passe au temps (t+1) et lon refait cette procdure en trois tapes jusqu la priode n.

3. Estimation de la volatilit stochastique laide du filtre de Kalman2

Supposons lquation diffrentielle suivante pour le logarithme de la variable P :


d (log(P)) = dP = dt + (t )dz1t P

(1)

Sa discrtisation donne lieu un processus de produit (product process): x t = + t U t (2)

avec x t = log(Pt ) et Ut , une variable standardise telle que E(Ut) = 0 et V(Ut) = 1.

La variance conditionnelle de xt est gale :


2

Pour rdiger cette section, nous avons beaucoup emprunt : Mills, T.C. (1999), The Econometric Modelling of Financial Time Series, 2ime dition, Cambridge. Pour une revue de la littrature sur les divers modles de volatilit, on consultera : Andersen, T.G., Bollerslev, T., Christoffersen, P.F. et Diebold, F.(2005), Volatility Forecasting, documemnt de travail.

V(x t t ) = V( + t U t ) = 2 t t est donc lcart type conditionnel de xt, soit la volatilit conditionnelle de xt.

A quelle distribution soumettre lcart type conditionnel t? Selon Mills (1999), une distribution lognormale semble approprie, cest--dire : h t = log 2 t = 0 + 1h t 1 + t

( )

(3)

2 avec t ~ N 0, . On peut donc rcrire lquation (2) comme suit :

x t = + Ute 2

ht

(4)

Mills (1999) pose que est gal 0 dans lquation (4) car, habituellement, la moyenne des rendements journaliers et intra-journaliers des actions et des devises est nulle. De manire linariser lquation (4), nous levons xt au carr et nous lexprimons sous forme logarithmique. Nous obtenons :
2 ht x2 t = Ut e 2 log x 2 t = log U t + h t

( )

( )

(5)

Nous pouvons dvelopper davantage lquation (5) puisque nous savons que U t ~ N (0,1). On connat donc par consquent la distribution de log U 2 t . Elle correspond une distribution logarithmique 2 , dont lesprance est de -1,27 et la variance de 0,5 2 , soit approximativement
4,93.

( )

Il importe de sattarder sur la distribution de log(U t2 ). Pour tablir cette distribution, nous avons gnr 10000 nombres alatoires : U~N(0,1). Puis nous avons gnr les distributions de U2 et de log(U2), qui se retrouvent la figure 1.

Figure 1 Distributions de U2 et de log(U2), U~N(0,1)


Distribution de U2
5000 4000 3000 2000 1000
2000

Distribution de log(U2)
12000 10000 8000 6000 4000

0 -1000 0 5 10 15 20
-15 -10 -5

0 0 5

Puisque U~N(0,1), la distribution de U2 correspond une distribution 2 centre3, comme en fait tat la figure 1. La distribution de log(U2) est pour sa part tronque. Elle ressemble beaucoup celle des payoffs4 dune position dcouvert dans une option de vente. Pour le constater, nous avons simul les payoffs dune position dcouvert dans une option de vente europenne aux caractristiques suivantes : prix de laction : 100$; prix dexercice : 95$; dure : 0,25 an; taux sans risque : 0 et volatilit 0,5. Le prix dun tel put est de 7,40$. Nous avons simul 10000 payoffs de ce put dont la distribution se retrouve la figure 2. Comme on peut sen rendre compte, la distribution de ces payoffs est rapproche de celle de log(U2). Or ce profil de payoffs est trs frquent chez les fonds spculatifs (hedge funds) qui ont un risque trs lev associ la queue gauche de la distribution. Incidemment, les payoffs dune position dcouvert dans une option de vente sont un indicateur trs pertinent des risques relis des vnements rares dfavorables. La distribution de log(U2) savre donc fort approprie pour capter les krachs boursiers.

Une 2 centre est tablie partir de variables alatoires obissant une distribution normale dont lesprance est de 0 et la variance, 1. Une distribution 2 est dcentre si lesprance des variables normales qui servent sa construction diffrent de 0. 4 Le payoff est le flux montaire lchance.

Figure 2 Distribution des payoffs dune position dcouvert dans une option de vente dont le prix est de 7,40$
Distribution des payoffs d'un short put 8000 Frquence 6000 4000 2000 0 -60 -40 -20 payoffs 0 7,40 20

Notre distribution de log(U2) comporte une moyenne de -1,24 contre -1,27 pour la moyenne thorique et une variance de 4,74 contre 4,93 pour la variance thorique. Mme avec 10000 itrations, nous narrivons donc pas atteindre les moments thoriques, ce qui indique que lchantillon doit tre trs important pour les obtenir. Par ailleurs, la distribution simule comporte un coefficient de leptokurtisme gal 3,62, contre 3 pour la distribution normale, et un coefficient dasymtrie ngative de -1,48. Ce sont l deux risques dfavorables pour les investisseurs, ceux-ci prfrant des placements dont le coefficient de leptokurtisme est faible et dont le coefficient dasymtrie est positif. Or, ces deux risques se remarquent chez un grand nombre dinstruments financiers et sont par consquent bien perus par la distribution de log(U2).

Pour prendre en compte les rsultats que nous venons dtablir, nous ajoutons et nous soustrayons E log U 2 t dans lquation (5). Nous obtenons :
2 2 2 log x 2 t = E log U t + h t + log U t E log( U t )

( )

( )

( )

[ ( )

(6)

Nous pouvons rcrire lquation (6) comme suit pour fins destimation: log x 2 t = 0 1,27 + h t + t

( )

(7)

2 avec t = log U 2 t E log( U t ) et 0 une constante que nous introduisons pour prendre en

[ ( )

compte le fait que E log U 2 t est gal -1,27 seulement dans les trs grands chantillons, comme nous la montr la distribution simule de log(U2). Nous diffrons en cela des chercheurs qui ont

( )

estim la volatilit stochastique laide du filtre de Kalman. Nous verrons que lajout de cette constante se traduit par des rsultats plus plausibles lorsque nous comparerons la volatilit stochastique avec la volatilit conditionnelle du type GARCH(1,1).

est un terme derreur qui suit une distribution logarithmique 2 . Son esprance est de :
2 2 2 E( t ) = E[log U 2 t E log( U t )] = E log( U t ) E log( U t ) = 0

( )

et sa variance :
2 2 2 2 V( t ) = E 2 t = E[log U t E log( U t )] = 0,5 4,93

( )

( )

Finalement, le systme dquations que nous voulons estimer est le suivant : log x 2 t = 0 1,27 + h t + h t = 0 + 1h t 1 + t

( )

(8) (9)

Les quations (8) et (9) sont dans la forme approprie pour utiliser le filtre de Kalman tel quil a t prsent dans la section prcdente. Lquation (8) est lquation dite de mesure puisque la variable xt est observe. Lquation (9) est une quation dtat ou de transition puisque ht, la variable dtat, nest pas observe. Cette dernire variable est simule par le filtre de Kalman.

Nous voulons estimer les quations (8) et (9) sur le taux de rendement des bons du Trsor canadien. Nous disposons dune srie mensuelle stirant de 1941 2005. Nous faisons appel au logiciel EViews pour estimer les paramtres de ces quations. Dans la fentre workfile, nous tapons sur Object, puis sur New Object et nous choisissons dans le menu la spcification SSpace. Puis, dans la fentre qui apparat, nous crivons le code qui se retrouve au tableau 15.

Nous nous sommes inspirs dun exemple fourni par le logiciel EViews pour crire ce code. Nous avons ajout une constante lquation de mesure de manire tenir compte de lchelle des donnes. Nous avons galement exprim les donnes en dviation de la moyenne car supposer que la moyenne est nulle est une hypothse il va sans dire forte pour certaines sries financires.

10

Tableau 1 Spcification EViews dun modle de volatilit stochastique


@signal lnr2=-1.27+HTT+c(1)+[VAR=s2] @state HTT=c(4)+c(2)*HTT(-1)+[ename=e1,VAR=exp(c(3))] @param c(1) 0.01 c(2) 0.9 c(3) 0.1

Dans un modle dtat, les quations de mesure sont prcdes de @signal dans le logiciel EViews et les quations dtat sont prcdes de @state. La premire commande indique EViews que la variable dpendante est observe tandis que la seconde lui signifie que la variable dpendante est inobserve et doit tre simule. Dans le tableau (1), la variable lnr2 est gale log x 2 t , avec xt le rendement des bons du Trsor canadien. Comme nous ne pouvions supposer que la moyenne mensuelle des rendements des bons du Trsor canadien est nulle, nous avons exprim ces rendements en dviation de la moyenne de manire instaurer lquation (4).

Les variances sont indiques entre crochets par la commande VAR dans le tableau 1, ce qui est une procdure EViews dans les modles estims laide du filtre de Kalman. Dans la premire quation, on indique que la variance de linnovation est gale S2. On a pris soin auparavant de crer un scalaire S2 gal 4,936, soit la variance associe la distribution 2 de log(U2). Dans lquation de la variance stochastique, soit lquation de HTT, la variance de linnovation prend une forme exponentielle, cest--dire : VAR= exp(c(3)), c(3) tant un coefficient estimer. Nous avons galement fix des valeurs de dpart pour les trois coefficients estimer, soit c(1), c(2), et c(3). Le rsultat de lestimation apparat au tableau 2.

Pour crer S2, nous avons crit la commande suivante : genr S2 = 0.5*@acos(-1)*@acos(-1).

11

Tableau 2 Estimation de la volatilit stochastique du taux de rendement des bons du Trsor canadien
Sspace: SS04 Method: Maximum likelihood (Marquardt) Date: 07/20/05 Time: 13:28 Sample: 2 834 Included observations: 833 Convergence achieved after 68 iterations Coefficient C(1) C(2) C(3) C(4) 4.568883 0.984132 -2.142044 -0.173233 Final State HTT Log likelihood Parameters Diffuse priors -10.78006 -1609.188 4 0 Std. Error 317199.6 0.012664 0.360005 5033.413 Root MSE 0.861657 z-Statistic 1.44E-05 77.71079 -5.950040 -3.44E-05 z-Statistic -12.51084 Prob. 1.0000 0.0000 0.0000 1.0000 Prob. 0.0000 3.873200 3.895889 3.881899

Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Comme on peut le constater au tableau (2), les coefficients c(1) et c(4) ne sont pas significatifs au seuil de confiance de 95%. Lvolution des valeurs observes et filtres de la variable y se retrouve la figure 3. Par ailleurs, selon lquation (3), la volatilit stochastique du taux de rendement des bons du Trsor est gale :

t = e 2

ht

Nous avons annualis cet cart-type en le multipliant par

12 . Lvolution de la volatilit du

taux de rendement des bons du Trsor apparat la figure 3. Cette figure montre que la volatilit de ce taux a culmin au tournant des annes 807 et a eu tendance diminuer progressivement par la suite.

Qui se situe dans le voisinage de la 500ime observation.

12

Figure 3 Valeurs observes et estimes de log rt2

( )

One-step-ahead LNR2
0 -4 -8 4 2 0 -2 -4 -6 100 200 300 400 500 600 700 800 -12 -16 -20

Std. Residuals Actual Predicted

Figure 4 volution de la volatilit stochastique du taux de rendement des bons du Trsor canadien
.5 volatilit stochastique .4

.3

.2

.1

.0 100 200 300 400 500 600 700 800

Il est dusage de comparer la volatilit stochastique avec un modle de volatilit conditionnelle du type GARCH(1,1). Nous avons donc appliqu ce modle au taux de rendement des bons du Trsor canadien :

yt = c + t h t
h t = 0 + 1h t 1 + 2 2 t 1

(10) (11)

13

avec c, une constante; t ~ N(0,1) et ht, la variance conditionnelle. Lorsque le pas (dt) tend vers 0, Nelson (1990)8 a montr que lquation de ht tendait vers une forme particulire de volatilit stochastique, soit la suivante : d 2 = 2 dt + 2dz

( ) (

(12)

Par consquent, le modle GARCH(1,1) dcrit un processus de retour vers la moyenne. La variance conditionnelle retourne donc au niveau long terme avec une vitesse de .

Aprs avoir estim lquation (11), on peut calculer les paramtres de lquation (12). Lquivalence est la suivante :

0 1
1

dt

= 1 1 2 dt
= 2 1 dt

avec , le coefficient de leptocurtisme de Pearson. A la figure 5, nous comparons la volatilit conditionnelle associe au modle GARCH(1,1) la volatilit stochastique calcule antrieurement. Nous constatons que les profils dvolution des deux catgories de volatilit sont apparents bien que la volatilit stochastique soit gnralement plus leve que la volatilit conditionnelle associe au modle GARCH(1,1). On note galement que la volatilit stochastique fluctue moins que sa rivale. En loccurrence, la volatilit conditionnelle relie au modle GARCH(1,1) a bondi davantage lors de pousse inflationniste de la fin de la dcennie 1970 et du dbut des annes 1980.

Nelson, D. (1990), Arch models as diffusion approximations, Journal of Econometrics, 45, 7-38.

14

Figure 5 Volatilit stochastique et volatilit GARCH(1,1) annualises, taux de rendement des bons du Trsor canadien, 1941-2005.

.6 .5 .4 .3 .2 GARCH(1,1) .1 .0 100 200 300 400 500 600 700 800 volatilit stochastique

Nous avons mentionn auparavant que lomission de la constante 0 dans lquation (8) pouvait avoir des consquences indsirables. A la figure 6, nous avons refait la figure (5) mais en omettant la constante lors de lestimation. Il y a lvidence un problme dchelle dans ce graphique. La volatilit stochastique est beaucoup trop leve en regard de la volatilit rsultant du modle GARCH(1,1). Qui plus est, les valeurs estimes associes la volatilit stochastique ne sont pas plausibles. Elles sont surfaites en regard de la volatilit historique annualise du taux de rendement des bons du Trsor, qui se situe 0,14 au cours de la priode dobservation. Lajout dune constante dans lquation (8) lors de lestimation simpose donc.

15

Figure 6 Volatilit stochastique et volatilit GARCH(1,1) annualises, taux de rendement des bons du Trsor canadien, 1941-2005(sans constante dans lquation 8).
1.2 1.0 0.8 0.6 0.4 0.2 0.0 100 200 300 400 500 600 700 800

volatilit stochastique

GARCH(1,1)

Nous avons refait le mme exercice pour le rendement journalier du S&P TSX pour la priode stirant de 1992 2000. Le rsultat se retrouve la figure 7. Encore une fois, les profils des deux types de volatilits, qui sont annualises, se ressemblent et indiquent que la volatilit du TSX a eu tendance augmenter au cours de cette priode. Mais dans ce cas-ci, la volatilit GARCH(1,1) fluctue beaucoup plus que la volatilit stochastique.

Figure 7 Volatilit stochastique et volatilit GARCH(1,1) annualises, taux de rendement du S&P TSX,1992-2000.
.6 .5 .4 .3 .2 .1 .0 500 1000 1500 GARCH(1,1) 2000

vol. stoch.

16

4. Prvision de la volatilit stochastique

Nous pouvons maintenant tablir des prvisions de la volatilit partir des modles que nous venons dtablir puisquils sont strictement rcursifs. Reprenons le cas du taux de rendement des bons du Trsor canadien. Nous dbutons la prvision la priode 833, lchantillon se terminant la priode 834, et nous poursuivons la prvision jusqu la priode 850. Le rsultat des prvisions apparat la figure 8. Comme on peut le constater, le modle de la volatilit stochastique prvoit une baisse de la volatilit et le modle GARCH(1,1), une hausse. Mais il faut dire que la volatilit stochastique tait au dpart beaucoup plus leve que la volatilit dcoulant du modle GARCH(1,1). Par consquent, les deux volatilits ont tendance se rapprocher.

Figure 8 Prvision de volatilits, modle stochastique et modle GARCH(1,1), taux de rendement des bons du Trsor canadien
.064 .060 .056 .052 .048 .044 .040 834 836 838 840 842 844 846 848 850 Prvision de la volatilit GARCH(1,1)

.2344 Prvision de la volatilit stochastique .2340 .2336 .2332 .2328 .2324 .2320 834 836 838 840 842 844 846 848 850

Ces rsultats montrent que lorsque lon prvoit une volatilit, il serait farfelu de fournir une prvision ponctuelle. Comme le montre notre exercice, les prvisions de volatilit peuvent varier beaucoup dun modle lautre. Il convient de dfinir lintervalle de confiance de la prvision pour mieux indiquer lutilisateur les risques relis celle-ci.

17

5. Prvision du rapport cours-bnfices laide du filtre de Kalman

Supposons que le rapport cours-bnfices (P/E) se plie au modle des attentes rationnelles, cest--dire : P P * P P = E t +1 E t E t E t Lerreur entre les valeurs observe et prdite de la variable (P/E) linstant t donne lieu une rvision des attentes. Pour les fins de filtrage, nous pouvons rcrire cette quation comme suit9 : P P = c(1) + (1 c(1) )SV1 E t E t 1 SV1 reprsente la prvision long terme du rapport cours bnfices puisque, en posant t = t-1, on obtient : P = SV1 E Lestimation finale de SV1 est donc particulirement importante puisquelle reprsente la valeur vers laquelle tend le rapport cours-bnfices. Mais SV1 nest pas connu puisquil reprsente une prvision. Cest donc une variable dtat que lon suppose autorgressive. SV1 = SV1(-1) +

Le tableau 3 donne la spcification EViews que nous avons choisie pour filtrer le rapport coursbnfices. Comme on peut le constater, nous supposons que les deux quations, quation de mesure et quation de transition, comportent un terme derreur et une variance et quil existe une covariance entre les deux termes derreur.

Tableau 3 Le filtre de Kalman appliqu au rapport cours-bnfices


pe=c(1)*pe(-1)+(1-c(1))*sv1+[ename=e1,var=exp(c(2))] @state sv1=sv1(-1)+[ename=e2,var=exp(c(6))] @evar cov(e1,e2)=c(4) @param c(1) 0.90 c(2) 0.2

Nous nexaminons pas ici la stationnarit de la srie (P/E).

18

A laide des quations qui apparaissent dans le tableau 3, nous avons filtr la srie mensuelle du rapport cours-bnfices du S&P500 pour la priode stirant de janvier 1881 mai 200510. Le rsultat de lestimation se retrouve au tableau 4.

Tableau 4 Filtrage du rapport cours-bnfices du S&P 500, janvier 1881-mai 2005

Sspace: SS04 Method: Maximum likelihood (BHHH) Date: 07/24/05 Time: 15:22 Sample: 1 1500 Included observations: 1500 Valid observations: 1490 Failure to improve Likelihood after 239 iterations Coefficient C(1) C(2) C(4) C(6) 0.971980 -0.130224 -3.052600 -2.683399 Final State SV1 Log likelihood Parameters Diffuse priors 24.94194 -1724.737 4 1 Std. Error 0.008887 1878.492 58852.88 0.910691 Root MSE 10.89715 z-Statistic 109.3744 -6.93E-05 -5.19E-05 -2.946551 z-Statistic 2.288851 Prob. 0.0000 0.9999 1.0000 0.0032 Prob. 0.0221 2.320452 2.334698 2.325761

Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Comme on peut le constater au tableau 4, le coefficient dautorgression (C(1)), hauteur de 0,97, est important comme il fallait sy attendre puisque le dnominateur du rapport coursbnfices est une moyenne mobile du bnfice par action. Selon lestimation de SV1, la valeur long terme du rapport cours-bnfices est de 24,94. Or, en mai 2005, soit la dernire observation, ce rapport se situait 26,48. Lon anticipait donc alors une baisse venir du march boursier amricain. La figure 9 montre lvolution du rapport cours-bnfices de sa valeur observe en mai 2005 vers sa valeur dquilibre long terme.

10

Cette srie a t tablie par Robert J. Shiller : http://www.econ.yale.edu/~shiller/.

19

Figure 9 Simulation du rapport cours-bnfices du S&P500 de sa valeur observe en mai 2005 vers sa valeur dquilibre long terme

27 26.5 26 25.5 25 24.5 24 0 500 1000 1500 P/E S&P500

Conclusion

La prvision de la volatilit dun rendement, quel que soit le modle utilis, savre un exercice fort prilleux. Comme lon doit faire appel des modles stochastiques, les risques derreurs sont importants. Il ne faut jamais minimiser cette dimension lorsque lon sattaque une analyse de volatilit. Le jugement du prvisionniste est fortement mis contribution.

Toutefois, nous avons pu constater dans ce papier que lutilisation du filtre de Kalman est un outil trs valable pour prvoir la volatilit stochastique. Il doit donc sajouter la panoplie courante des outils du prvisionniste financier dont la tche savre de plus en plus difficile en raison de la multiplication des instruments financiers exotiques.

Les distributions utilises pour prvoir la volatilit stochastique ont beaucoup de similitude avec les payoffs de positions dcouvert sur les options de vente classiques. Dailleurs, ces payoffs sont galement trs apparents ceux de nombreux instruments financiers, notamment les placements offerts par les fonds spculatifs. On peut donc imaginer une synthse plus pousse entre la thorie des options et celle ayant trait aux modles de volatilit stochastique.

20

Nous avons montr quune mauvaise spcification du modle de volatilit stochastique, si tnue soit-elle, pouvait se traduire par une prvision errone de la volatilit. Lorsque lon formule ce modle dans le cadre du filtre de Kalman, il faut tre bien conscient de la pertinence des hypothses que lon postule. Certes, lon ne saurait mettre sur pied un modle sans mettre dhypothses. Encore faut-il que celles-ci ne fassent pas obstacle la bonne marche du modle tabli.

Finalement, nous avons filtr le rapport cours-bnfices du S&P500 en lui appliquant un simple modle danticipations rationnelles. On peut certes raffiner davantage ce modle qui peut tre dune certaine utilit pour prvoir les tendances des marchs boursiers.

21

Bibliographie

Andersen, T.G., Bollerslev, T., Christoffersen, P.F. et Diebold, F.(2005), Volatility Forecasting, documemnt de travail. Harvey, A.C. (1989), Forecasting, structural time series models and the Kalman filter, Cambridge University Press. James, J. et Webber N.(2000), Interest Rate Modelling, Wiley. Mills, T.C. (1999), The Econometric Modelling of Financial Time Series, 2ime dition, Cambridge. Nelson, D. (1990), Arch models as diffusion approximations, Journal of Econometrics, 45, 7-38. Racicot, F.-. et Thoret, R. (2001), Trait dconomtrie financire, PUQ. Racicot, F.-. et Thoret, R. (2004), Le calcul numrique en finance empirique et quantitative, 2ime dition, PUQ. Thoret, R., Rostan, P. et Zabr, L.(2004), Difficults de calculer les cotes des swaps de volatilit, Insurance and Risk Management, 72, 2, 301-320. Wang, P. (2003), Financial Econometrics : Methods and Models, Routledge.

22