Vous êtes sur la page 1sur 6

THE VOLATILITY OF THE FINANCIAL MARKET A QUANTITATIVE APPROACH

Meter Ioana Teodora University of Oradea, Faculty of Economics, imester@uoradea.ro Abstract: During the last years, the financial markets have been subject to significant fluctuations of their financial actives. These spectacular movements have revived the interest, in the academic circles and policy makers and regulation and control authorities as well, for the financial market volatility. The analysis of these phenomena is justified by the fact that the stock exchange chocks have significant effects on the financial stability and they can lead to serious consequences in the real economy. Key words : financial markets, volatility, efficient markets

1. La mesure de la volatilit
Les fluctuations de cours sont cependant inhrentes lexistence mme des marchs, tout intervenant sexposant un risque de perte quil doit assumer. La question, sur laquelle la littrature conomique et financire se penche depuis environ un sicle, est alors de savoir sil est possible destimer ce risque, tant dun point de vue thorique quempirique. Dans cette optique, de nombreux travaux ont assimil la notion de risque celle de la volatilit des rendements des actifs. Dans cette partie, nous allons prsenter quelques mthodes pour mesurer la volatilit. Elles sont groupes selon leurs caractristiques : mesurer la volatilit en utilisant les formules statistiques ou en utilisant les modles.

1.1. Les mesures statistiques


Sur le march financier, la volatilit est mesure comme lcart type de la rentabilit. Lestimation de lcart type des rentabilits journalires servent comme une mthode utile pour caractriser lvolution de la volatilit. Cette statistique mesure la dispersion de la rentabilit :

(R
=
_
1

T 1
_

(1)

Dans cette formule,

R est la rentabilit moyenne de lchantillon, R = Rt T . Lcart type est une mesure

simple mais utile de la volatilit parce quil rsume la probabilit de recevoir les valeurs extrmes de rentabilit. Quand lcart type est grand, la chance davoir une rentabilit leve positive ou ngative est grande. Plusieurs 1 2 tudes ont utilis la modification de lcart type pour mesurer la volatilit. Hooper et Kohlhagen , Cushman , ont utilis lcart type de taux de change comme a procuration pour la volatilit du taux de change. La mesure de la volatilit qui concentre sur laspect incertitude de la volatilit est la Root Mean Square Percentage Error (RMSPE). Cest une mesure simple et bonne de la prdiction des erreurs, et peut tre reprsente par la formule suivante :
1 T RMSPE = 100 T t =1

Et Eta Et

(2)

Hooper, P., Kohlhagen, S. W., The Effect of Exchange Rate Uncertainty on the Prices and Volume of International Trade, Journal of International Economics, 8(4), 1978, p. 483512 2 Cushman, D. O., The Effects of Real Exchange Rate Risk on International Trade, Journal of International Economics, 15(1/2), 1983, p. 4564 895

Avec Et reprsente la variable actuelle de la date t, et peut-on gnrer remplaant

Eta est la valeur prvisible de cette variable. Comment

Eta ? Une mthode trs simple de gnrer Eta pour la priode t est dutiliser la valeur Et-1. En
1 T RMSPE = 100 T t =1

Eta par Et-1dans lquation (2), on a :

Et Et 1 Et
a

(3)

On peut aussi prendre lcart type comme lestimateur de Et , en indiquant la moyenne comme substitue dans lquation (2), on a :

E et le
(4)

SD =

1 T 2 ( Et E ) T 1 t =1

La mthode dcart type est scale dependent . La meilleure mthode qui nest pas scale dependent est le pourcentage de la variation :

CV = 100

1 1 2 ( Et E ) E T 1

(5)

Ces modles de lincertain peuvent tre estims en supposant que t est petite pendant les priodes de temps. Pour ces modles, on suppose que lcart type en t ne dpende pas des carts types passs en t1, t-2 1.2. Les modles
Les formules statistiques ne sont efficaces mesurer la volatilit que dans les cas o la valeur de lcart type en t ne dpend pas de celle dans le pass. Pour ces cas, les mesures en utilisant des modles sont plus efficaces. 3 Daprs Engle , la volatilit sur le march financier est prvisible. Cette affirmation nest justifie que dans les cas leffet ARCH existe. Dans les modles, les statistiques des sries temporelles sont prises pour trouver la meilleure valeur anticipe de la volatilit. Et en utilisant les statistiques des sries temporelles, il est possible de dterminer si linformation rcente est plus importante que celle dans le pass.

Modle ARCH
Le modle ARCH introduit par Engle est le dveloppement le plus important. Ce modle est bien appliqu depuis sa naissance : les modles CAPM (Capital Asset Pricing Model) et APT (Arbitrage Pricing Model). Engle trouvait en analysant les rsultats de modle dinflation que les petites et les grandes erreurs anticipes ont lair dapparatre en group. Ca suggre une forme dhtroscdasticit dans laquelle la variance des erreurs anticipes dpende de la taille des perturbations prcdentes. Dans le modle ARCH, la moyenne et la variance conditionnelle sont utilises. La moyenne conditionnelle reprsente la valeur espre dune variable en t en conditionnelle des informations disponibles en t-1. Cest dire linformation prcdente est utilise : mt = E[yt|Ft-1] = Et-1[yt] (6) avec yt est la rentabilit de la priode t-1 t, Ft-1 est linformation disponible en t-1, E est lesprance mathmatique. Quand les investisseurs connaissent les informations en t-1, les dcisions dinvestissement, la rentabilit espre des investisseurs, la volatilit pour les investisseurs dpendent de la valeur espre conditionnelle de yt. Ces valeurs sont calcules en utilisant la formule de la moyenne conditionnelle auparavant et la formule de la variance conditionnelle suivante :

t2 = Et 1 ( yt mt )

(7)

La volatilit mesure la variabilit des rentabilits, les investisseurs vont estimer plus exactement en utilisant la variance conditionnelle t2 , parce quil dpend des informations en t-1. Pour analyser la rentabilit yt quon peut recevoir en t, il faut suivre 3 tapes :

Etape 1 : Prciser mt

Engle, R. Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K. Inflation, Econometrica, 50, 1982, p. 9871008 896

Etape 2 : Prciser

t2

Etape 3 : Prciser la fonction de densit des rsidus. Sur le march financier, mt est normalement dsign comme la prime de risque ou la rentabilit espre qui est nulle, au moins pour les donnes de frquence leve. Pour la fonction de la densit des rsidus, les caractristiques des rentabilits qui ne suivent pas une distribution normale seront examines sur plusieurs points particuliers quand on tudie les applications du modle ARCH. Daprs Engle et Gonzalez-Rivera4, lhypothse que la densit conditionnelle est une distribution normale ne fait pas des affects sensibilits mme si elle est fausse. Donc, dans les modles de cette partie, ltape 2 est au centre des tudes. En particulire, on examine comment la variance conditionnelle dpend de linformation passe. La formule de la variance conditionnelle ci dessus est aussi utilise pour dterminer la prime de risque et la volatilit anticipe.

Modle ARCH linaires


ARCH peuvent tre dfinies en terme de distribution des erreurs dun modle linaire dynamique. Supposons quon a besoin destimer yt, la rentabilit, par le modle linaire suivant :

yt = xt + t

t=1, .. T

(8)

o xt est un vecteur (k, 1) des variables exognes, inclus les valeurs dcalages de variable dpendante, et t est un vecteur (k, 1). Le modle ARCH caractrise la distribution de lerreur stochastique t conditionnelle en les valeurs ralises des variables : {yt-1, xt-1, yt-2, xt-2 }. Lide dEngle (1992) mettait la variance conditionnelle de la srie des erreurs comme une fonction des erreurs retardes, de temps, des paramtres, et variables prvisibles :

t2 = 2 (t-1, t-2, t-3 ., t, , b)


t = t2Zt
2

(10)

o Zt i.i.d avec E(Zt) = 0, E( Z t ) = 1. Par dfinition, t est en srie non corrl avec une moyenne nulle, mais la variance conditionnelle de t gal fonction pour

t2 qui peut tre chang

dans le temps. Engle a choisit une forme de

2 t

t2 = +
o


i i =1

2 t 1

(11)

et { i }, i=1, p sont les constantes non ngatives. Cette condition est ncessaire pour que
2

t2

soit non

ngative. Les caractristiques distingues de ce modle nest pas seulement que la variance conditionnelle est une fonction de la sries conditionnelle (t-1, t-2, t-3 ., t, , b) mais aussi cest la forme particulire quelle est spcifie. Les pisodes de la volatilit sont gnralement caractriss comme les chocs pour la variable dpendante. Dans le modle de rgression, un choc grave est prsent par un grand cart type de yt dont la moyenne conditionnelle est mt, ou prsent par une grande valeur positive ou ngative de t. Dans le modle ARCH, la variance de lerreur courante, conditionnelle sur lerreur ralise t 1, est une fonction croissante de lampleur des erreurs retardes sans tenir compte leur signe. p dtermine la dure de temps avec laquelle les chocs persistent faire conditionner la variance des erreurs. Leffet du choc de la rentabilit i priodes prcdentes (i<p) sur la volatilit courante est dtermin par le paramtre . Les investisseurs choisissent la valeur de p selon leur estimation de temps la volatilit est change. Dans la formule prcdente, il y a une corrlation positive entre la srie de la variance conditionnelle et la srie des erreurs : une valeur leve de

t2
2

fait augmenter

t2+1

et cette variance augmente la valeur de


2

t2+1 . Cest

dire une valeur leve (petite) de t donne une valeur lev (petite) de t +1 . Lavantage de ce mthode est que les paramtres peuvent tre estims partir des donnes historiques et ils sont pris pour anticiper la volatilit. La formule prcdente de la variance conditionnelle peut scrire comme :

Engle, R. F., Gonzalez-Rivera, G., Semiparametric ARCH Models, Journal of Business and Economic Statistics 9, 1991, p. 345-359 897

2 t =

2 t 1 +

[ t2 - t2 ]

(12)

i= 1

Le terme entre la parenthse nest pas prvisible.

Le modle GARCH
Bolleverslev5 a dvelopp le modle ARCH GARCH, cest dire ARCH gnralises. Ce modle permet dintroduire les variances conditionnelles passes dans la formule pour calculer la variance conditionnelle prsente. Un modle GARCH (p,q) est prsent comme la formule suivante:

t2 = + i t21 + i t2i
i= 1 i= 1

(13)

t2 est une fonction des valeurs retarde de t21

et , {i}, i=1,p, et { i}, q sont les constantes non ngatives.

Dans la formule prcdente, le modle GARCH explique la variance par deux sries retardes : une sur les carrs des rsidus passes pour capturer les effets frquents, lautre sur les variances conditionnelles passes qui reprsente les influences de long term. Lquation (13) peut scrire sous forme :

t2 = + (i + i ) t21 i= 1

[ - ] + [
i

2 t 1

2 t i

2 t

- t2i ]

(14)

i= 1

Pour simplifier la formule, le modle GARCH (1,1) est souvent utilis dans les applications et ce modle le plus simple peut se reprsenter par :

t2 = + t21 + t2i =

2 t i 1

(15)

i=0

Le modle GARCH (1,1) dans lquation (15) prsente une combinaison dans la formule de calculer la variance conditionnelle en t. La variance espre pour la date t est une combinaison dune tendance, la variance de la priode prcdente et pris en compte le choc de la priode prcdente. Et dans cette formule, leffet dun choc de la rentabilit diminue gomtriquement.

Modle EGARCH
Dans le cas du modle GARCH, les rsidus sont au carr avant les estimer. Mais, il est possible que les mouvements en baisse et les mouvements en hausse donnent des effets diffrents sur la prdiction de la 6 volatilit. Nelson est le premier enquteur du modle de leffet levier (cest dire les mouvements en baisse ont plus dinfluences que les mouvements en hausse), en introduisant le modle EGARCH (exponentiel de modle ARCH). Ce modle est reprsent comme suite :

log t2 = +

i log t2i +
i= 1

i(|t-i|/ t2i )1/2 + i(t-1/ t2i )1/2


i= 1 i= 1

(16)

En utilisant le modle EGARCH, Black trouve que la volatilit sur le march boursier a tendance augmenter aprs les rentabilits ngatives et a tendance baisser aprs les rentabilits positives. Le modle EGARCH exploite cette rgularit empirique en mettant la variance conditionnelle en fonction de la taille et le signe des rsidus retards. Etant diffrent par rapport au modle GARCH(p,q), le modle EGARCH ne fait aucune hypothse sur les paramtres et pour assurer la non ngativit de la variance conditionnelle. Lquation (13) accepte les valeurs positives et ngatives de t pour avoir des impacts diffrents sur la volatilit. Le coefficient I est typiquement ngatif, donc un choc positif des rentabilits entrane une volatilit moins leve quun choc ngatif. Le modle EGARCH donne des diffrences par rapport au modle GARCH :

Bollerslev, T., Generalized autoregressive conditional heteroscedasticity, Journal of Econometrics, 31, 1986, p. 307-327 6 Nelson, Daniel B., Conditional Heteroskedasticity in Asset Returns : A New Approach, Econometrica 59, 1991, p. 347-370 7 Black, F., The pricing of commodity contracts, Journal of Financial Economics 3(1), 1976, p. 167-179 898

Premirement, les bonnes et les mauvaises nouvelles ont des impacts diffrents sur la volatilit dans le modle EGARCH mais elles ont des mmes impacts dans le modle GARCH. Deuximement, les nouvelles importantes ont des impacts plus importants dans le modle EGARCH que dans le modle GARCH standard.

Modle de Taylor Schwert


Schwert a dvelopp lide de Davidian supposer que lestimer
8

t2

avec la valeur absolue au carr des


9

rsidus retards peuvent tre plus robuste avec une distribution petite. Taylor a propos une mthode similaire. En gnrale, depuis les rsidus standards de petite taille sont pris dans les applications empiriques du modle ARCH, lutilisation de la valeur absolu des rsidus est raisonnable. Le modle de Schwert estime les rentabilits mensuelles partir des sonnes mensuelles. La mesure est plus robuste que celle de lcart type grce leur sensibilit pour les valeurs extrmes, la mesure tait base sur la dviation absolue de rentabilit par rapport leur moyenne conditionnelle. Cette mthode destimation de la volatilit utilise les 12 variables muettes mensuelles et 12 valeurs retardes de la volatilit.

tx = 1(H) tx +

SD
m

12

m,t

+ 2x, t

(17)

m = 1

o 1(H) est un polynme avec 12 nombre de retard, SDm,t sont des variables muettes mensuelles pour capturer la variation saisonnire de la moyenne et la variance conditionnelle, comme la valeur absolue de rsidu daprs lquation :

tx sont

les innovations quon obtient

tx =| 1x,t o
1x,t = log(X)t Et(log(X)t / It-1) = log(X)t -1(H)log(X)t -

SD
m

12

m,t

(18)

m = 1

et 1(H) est un autre polynme de 12 nombre de retard. La mesure de volatilit conditionnelle dans lquation (17) reprsente une gnralisation de lestimateur standard pour mesurer la volatilit du march financier parce quil permet la moyenne conditionnelle de varier dans le temps daprs lquation (18) et aussi permet dappliquer les poids diffrents dans les calculs les changements imprvisibles de rentabilit dans lquation (17). Cette mesure est utilis par Schwert pour tester la relation entre la volatilit de march financier et celle des conomies sous jacents (linflation, ).

Modle de Black Scholes


Les recherches thoriques et empiriques sur les prix de march boursier depuis 1950 sont sous les hypothses de lefficients de march du modle de marche au hasard. Dans un march efficient, le mouvement de prix dactifs peut se reprsenter sous la forme :

rt =
La rentabilit en t,

S t S t 1 = t + t ; avec E(t) = 0 et Var(t) = tx S t 1

(19)

rt , est le pourcentage de changement de prix factif S de me priode t par rapport la priode

t-1. Ce pourcentage est gal t, la moyenne conditionnelle alatoire de la priode t, plus un terme de moyenne nulle t, qui est indpendante par rapport aux dans le passe et dans le future. Il nexiste pas une corrlation entre les daprs lhypothse de march efficient ; les changements des prix dans le pass ne donnent aucune information pour ceux au prsente. Si S suit une marche au hasard, alors lesprance mathmatique de la rentabilit est nulle et sa variance est constante dans le temps. Par consquent, t peut tre nul et la variance de t est constante dans le temps. En drivant la formule de prix dactif, il faut que les prix changent pendant une trs petite priode de temps. La formulation quils adoptent est une extension du modle de marche au hasard dans le cas de temps continu.

dS/S = dt + dz
8 9

Schwert, G. W., Stock market volatility, Financial analysts journal, May-June 1990, p. 23-34 Taylor, S., Modeling Financial Time Series, Wiley and Sons, New York, NY, 1986 899

o dS est le changement de prix dactif en une intervalle infinitsimale de temps dt, est ma rentabilit moyenne, dz est la perturbation alatoire avec la moyenne nulle et est la volatilit (lcart type de taux annuel). Daprs ce modle, la rentabilit suit une distribution normale et le prix dactif suit une distribution log normal. Cest dire la rentabilit cumule pendant une priode T a une esprance = T, variance

t2 T et lcart

type = T . La caractristique trs intressante de ce modle de prix dactif est quavec un niveau de volatilit constante, lcart type, , de la rentabilit totale durant une priode augmente avec la racine de cette dure de temps.

2. Conclusion
Depuis le rejet de lhypothse de lefficient de march, la volatilit existe. Sur le march financier, la volatilit est connue comme les variations des prix dactifs et des rentabilits. Avec lexistence de la volatilit, plusieurs chercheurs essayent dtudier la raison de la volatilit du march. La raison de volatilit nest pas seulement les informations existantes sur le march mais aussi les comportements des investisseurs, les bulles spculatives et plusieurs autres facteurs. Avec ses influences, la volatilit fait stabiliser les marchs financiers et fait stabiliser aussi lconomie mondiale. Linfluence de volatilit peut tre diminue si on la connat bien et si on peut lanticiper. Avec les recherches sur la volatilit, on connat bien les raisons et les consquences de la volatilit, les solutions et les formules sont aussi nes en esprant quon peut anticiper bien la volatilit et limiter les consquences de volatilit sur lconomie. Ayant de bonnes connaissances et des utiles, normalement, on doit bien contrler la volatilit mais jusqu maintenant, ce quon peut faire est seulement de calculer la volatilit dans le pass et analyser ses consquences qui sont ralises. Notre but de lanticiper et limiter les consquences nest pas faits. Bien que les mthodes soient bonnes et les critiques sont exacts, la volatilit suit une marche alatoire donc, il est trs difficile de la suivre. Dans lavenir, cest sur que les autres recherches seront faits et on espre quelles nous aident rsoudre les raisons dexistence de la volatilit et la contrler.

Rfrences
1. 2. 3. 4. 5. 6. 7. 8. 9. Black, F., The pricing of commodity contracts, Journal of Financial Economics 3(1), 1976, p. 167-179 Bollerslev, T., Generalized autoregressive conditional heteroscedasticity, Journal of Econometrics 31, 1986, p. 307-327 Cushman, D. O., The Effects of Real Exchange Rate Risk on International Trade, Journal of International Economics, 15(1/2), 1983, p. 4564 Engle, R. Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K. Inflation, Econometrica, 50, 1982, p. 9871008 Engle, R. F., Gonzalez-Rivera, G., Semiparametric ARCH Models, Journal of Business and Economic Statistics 9, 1991, p. 345-359 Hooper, P., Kohlhagen, S. W., The Effect of Exchange Rate Uncertainty on the Prices and Volume of International Trade, Journal of International Economics, 8(4), 1978, p. 483512 Nelson, Daniel B., Conditional Heteroskedasticity in Asset Returns : A New Approach, Econometrica 59, 1991, p. 347-370 Schwert, G. W., Stock market volatility, Financial analysts journal, May-June 1990, p. 23-34 Taylor, S., Modeling Financial Time Series, Wiley and Sons, New York, NY, 1986

900