Vous êtes sur la page 1sur 140

Arthur CHARPENTIER - econom etrie de la finance (2008/2009)

Econometrie de la nance
Partie 2
Modeliser les rendements boursiers
Arthur Charpentier
http ://perso.univ-rennes1.fr/arthur.charpentier/
blog.univ-rennes1.fr/arthur.charpentier/
Master 1, Universite Rennes 1
1
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Plan du cours
Mesurer les risques, une introduction au Risk Manageemnt
Mesurer les risques ?
Value-at-Risk
Contexte regelementaire
Modeliser des rendements boursiers
Que cherche-t-on `a modeliser ?
Aspects marginaux, aspects dynamiques
Processus ARCH et GARCH
Processus `a volatilite stochastique
Du rendement dun titre au rendement dun portefeuille
Retour `a la VaR
Estimation de la Value-at-Risk, un mot de theorie des extremes
Estimation de la Value-at-Risk pour des processus GARCH
2
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Que doit-on modeliser ?
Taussig (1921) notait que le niveau de xation des prix ne peut se resumer `a
une interaction entre lore et la demande : les uctuations des prix sont
erratiques, imprevisibles. Is market price determinate ?. Sa repone est non, et
il faut introduire de lincertitude, en tenant aussi compte de la psychologie des
acteurs (rumeurs, phases deuphorie...).
Working (1934) et Slutsky (1937) ont ainsi note une analogie entre les
evolutions de series economiques et les series de nombres aleatoires
(eventuellement cumulees pour les prix).
Working (1934) propose trois types de mod`eles pour les prix,
X
t
= X
t1
+
t
o` u (
t
) est i.i.d. ^(0, 1),
X
t
= X
t1
+
t

t
o` u (
t
) est i.i.d. ^(0, 1),
X
t
= X
t1
+
t

t
o` u (
t
) est i.i.d.,
X
t
= X
t1
+
t

t
o` u (
t
) est une dierence de martingale.
3
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Que doit-on modeliser ?
On peut alors sinteroger, comme Cowles & Jones (1937),
4
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Que doit-on modeliser ?
Ce hasard semble etre lie `a linformation dont disposent les agents. Pour
reprendre lidee de Working (1958), linformation est `a lorigine des uctuations.
Au lieu de travailler sur les prix des actions, Osborne (1959) propose de
travailler sur le logarithme des prix.
5
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
6
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
La modelisation quil retient est directement issue des travaux de Gibbs sur les
equilibres des particules. Il propose ainsi que log P
t
suive un mouvement
brownien.
En etudiant davantage de series, Alexander (1964) note quil convient de
rajouter une tendance, et donc log P
t
= t +W
t
. Pour etre encore plus precis,
Houthakker (1961) ecrit
7
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Un autre point note par Kendall (1953) est quen plus de ce hasard observe
pour chaques actions, il existe une dependance non negligeable entre les actions
(en notant que les prix au sein dun meme secteur dactivite pouvaient parfois
evoluer fortement ensemble). Il convenait donc davoir une modelisation
multivariee adequate.
8
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Prix et rentabilite
Soit P
t
le prix dun actif `a la date t.
Denition 1. Les increments des prix entre les dates t 1 et t est

t
= P
t
P
t1
.
Peut de monde utilise cette grandeur. Pourtant cest cette grandeur qui a du sens
si on suppose que les prix suivent une marche aleatoire.
Denition 2. La rentabilite (nette) entre les dates t 1 et t est
R
t
=
P
t
P
t1
P
t1
.
9
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Prix et rentabilite
Remark 3. Nous traduirons le terme return par rentabilite, qui est une
traduction plus correcte de rendement.
Le rentabilite entre les dates t k + 1 et t est alors
R
t
(k) = (1 +R
t
) (1 +R
t1
) ... (1 +R
tk+1
) 1
Remark 4. Le plus souvent, une rentabilite de 20% correspondra `a un
rentabilite annuel de 20%.
10
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Prix et rentabilite
Il est aussi possible dannualiser les rentabilites sur plusieurs annees an de les
comparer,
/(R
t
(k)) =
_
k1

i=0
(1 +R
ti
)
_
1/k
1
1
k
k1

i=0
R
tj
,
si les rentabilites sont faibles (developpement de Taylor `a lordre 1).
Pour un portefeuille, compose des quantites = (
1
, ...,
n
) dans chacun des
actifs, a pour rentabilite
R
,t
=
n

i=1

i
R
i,t
.
11
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Prix et rentabilite
Remark 5. Nous utiliserons dans ce cours cette denition de la rentabilite. En
realite, il convient de prendre en compte les dividendes verses. En eet, le
rentabilite R
t
doit verier
(1 +R
t
) P
t1
= P
t
+D
t
,
soit
R
t
=
P
t
+D
t
P
t1
1 =
P
t
+P
t1
P
t1
. .
rentabilite pure
+
D
t
P
t1
. .
taux de dividende
Mais puisque la deniton de la rentabilite est impactee par lunite de temps, il
convient de prendre en compte un taux continu
12
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Prix et rentabilite
Denition 6. La log-rentabilite (ou taux continu) `a la date t est le logarithme de
la rentabilite brut, 1 +R
t
,
r
t
= log(1 +R
t
) = log
_
P
t
P
t1
_
= log P
t
log P
t1
= p
t
p
t1
,
o` u p
t
= log P
t
.
Notons quau premier ordre (rentabilites proches de 0), ces deux denitions sont
equivalentes
r
t
= log(1 +R
t
) = log
_
1 +
P
t
P
t1
P
t1
_

P
t
P
t1
P
t1
= R
t
.
Le rentabilite sur plusieurs periodes secrit alors simplement
r
t
(k) = log(1 +R
t
(k))
= log R
t
+ log(1 +R
t1
) +... + log(1 +R
tk+1
)
= r
t
+r
t1
+...r
tk+1
13
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Prix et rentabilite
Malheureusement, le log-rentabilite dun portefeuille est plus complique `a
exprimer (le logarithme dune somme netant pas la somme des logarithmes),
r
,t
,=
n

i=1

i
r
i,t
.
14
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Modelisation des marches nanciers, les rendements
15
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Modelisation des marches nanciers, les rendements
16
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
2
0
0
0
3
0
0
0
4
0
0
0
5
0
0
0
6
0
0
0
1990 1995 2000 2005

1
0
0
0

5
0
0
0
5
0
0
Incrments des prix
1990 1995 2000 2005

0
.
2

0
.
1
0
.
0
0
.
1
Rentabilits des prix
1990 1995 2000 2005

0
.
2

0
.
1
0
.
0
0
.
1
Log rendements des prix
1990 1995 2000 2005
17
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Portefeuille et indices
indice CAC40 - Cotation Assistee en Continu - calcule `a partir dun echantillon
de 40 valeurs cotees en France,
indice SBF120 (voire 250), base sur 120 ou 250 titres
indice FTSE 100, regroupant les 100 plus grosses capitalisations de la bourse
de Londres
indice Nikkei225 , regroupant les 100 plus grosses capitalisations japonaise
indice Dax, indice de reference en Allemagne,
indice Dow Jones (cree par Charles Dow et Edouard Jones en 1884) regroupe
les 30 plus grosses capitalisations americaines en dehors du secteur des
nouvelles technologies,
indice Nasdaq represente les valeurs technologiques americaines. Indice tr`es
heterog`ene, on peut y trouver de tr`es fortes capitalisations (Microsoft, Google)
mais aussi de beaucoup plus modestes
indice SP500 calcule par Standard & Poors, porte sur 500 valeurs cotees au
New York Stock Exchange.
18
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Portefeuille et indices
Un indice est plus complexe quun simple portefeuille : les ponderations evoluent
sans cesse dans le temps (indice de Laspeyres). La valeur de lindice `a la date t
verie
V
t+1
= V
t

N
t
i=1

i,t
P
i,t+1

N
t
i=1

i,t
P
i,t
,
o` u
i,t
est le nombre total dactions emises par la socite i `a la date t, de telle
sorte que
i,t
P
i,t
designe la capitalisation boursi`ere de la societe i.
En cas daugmentation de capital dune societe j, le nombre total dactions passe
de
j,t
`a
j,t
(1 +), on cree une discontinuite dans la capitalisation boursi`ere.
An deviter cette discontinuite, et de garder une condition dautonancement
N
t

i=1

i,t+
P
i,t
=
N
t

i=1

i,t
P
i,t
,
19
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Portefeuille et indices
on eectue un ajustement de toutes les capitalisations, en considerant, au lieu de

i,t

N
t
i=1

i,t
P
i,t

j,t
(1 +)P
i,t
+

i=j

i,t
P
i,t

i,t
Aussi, le poids de j augemente au sein de lindice, et le poids des autres diminue.
Si cette condition dautonancement est satisfaite on par le de portefeuille ferme
(closed end fund). Sinon on parle de portefeuille ouvert (open end fund), comme
le sont la plupart des SICAV.
Meme si le portefeuille est ferme, il peut enormement varie,
21 novembre 2003, Arcelor remplace Orange,
1er octobre 2004, Publicis remplace Aventis,
3 janvier 2003, GdF remplace Casino,
19 decembre 2005, EdF remplace TF1,...
Le 1er decembre 2003, le CAC40 a adopte le syst`eme de capitalisation boursi`ere
ottante : un titre ne peut pas depasser 15% du poids total du CAC 40. Le
20
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
CAC40 a egalement supprime le principe M`ere/Fille, ayant pour vocation
deviter quune societe cotee detenant des liales cotees ne trustent la
composition du CAC 40. Ainsi, une societe dite societe lle (car contrlee par une
societe dite societe m`ere) voyait son poids dans lindice limite `a la part non
detenue par la societe m`ere.
titre flottant avant apr`es definitif variation
Total 1,00 12,09 15,013 15,00 +24,09%
BNP Paribas 0,95 5,87 6.931 6.93 +18,00%
Aventis 0,90 5,33 5,954 5,96 11,79%
Societe Generale 1,00 4.05 5.025 5.03 +24,21%
France Te1ecom 0,50 7,15 4,438 4,44 -37,89%
Sanofi 0.60 3.15 4.270 4.27 +35.51 %
Axa 0,80 3,91 3,888 3,89 -0,63%
LOreal 0,50 5,79 3,596 3,60 -37,89%
Vivendi Universal 1,00 2,84 3,527 3,53 24,21%
Danone 1,00 2,46 3,054 3,05 24,21%
LVMH 0,55 3,90 2,661 2,66 -31,68%
Alcatel 1,00 1,94 2,404 2,40 +24,21 %
Tab. 1 Composition du CAC40 au passage `a la capitalisation boursi`ere ottante.
Pour lindice CAC40, la composition au 13 fevrier et au 15 septembre 2006 etait
21
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
la suivante,
13/02 15/09 13/02 15/09
1 Total SA 13.61% 13.96% 21 Veolia Environ 1.76% 1.71%
2 Sanofi-Aventis 9.69% 10.19% 22 Vinci 1.63% 1.71%
3 BNP Paribas 7.03% 6.56% 23 Pernod-Ricard SA 1.46% 1.39%
4 Societe Generale 5.73% 5.51% 24 Dexia CC 1.44% 1.42%
5 Axa SA 5.22% 5.92% 25 Bouygues SA 1.38% 1.29%
6 Suez SA 4.16% 3.86% 26 Accor SA 1.22% 1.14%
7 France Telecom 3.94% 4.55% 27 EDF 1.17% 1.08%
8 Vivendi Univers 3.42% 3.69% 28 STMicroelectron 1.10% 1.18%
9 Groupe Danone 2.77% 2.21% 29 Lagardere 1.07% 1.05%
10 Carrefour SA 2.71% 2.90% 30 Euro Aero Def Sp 1.06% 1.13%
11 LVMH 2.36% 2.46% 31 Peugeot SA 0.96% 0.98%
12 Credit Agricole 2.31% 2.90% 32 Michelin 0.91% 0.81%
13 LOreal 2.31% 2.48% 33 Essilor Intl 0.87% 0.86%
14 Saint Gobain 2.27% 2.10% 34 AGF Assurances 0.85% 0.87%
15 Schneider Electr 2.22% 2.07% 35 PPR 0.80% 0.81%
16 Arcelor 2.14% 1.14% 36 Gaz de France 0.61% 0.59%
17 Air Liquide 2.13% 2.17% 37 Publicis Groupe 0.57% 0.56%
18 Alcatel 1.98% 1.70% 38 Cap Gemini SA 0.54% 0.52%
19 Renault SA 1.95% 1.63% 39 Thomson 0.46% 0.60%
20 Lafarge 1.80% 1.61% 40 Thales (Alstom) 0.42% 0.87%
Tab. 2 Composition du CAC40, 13 fevrier et 15 septembre 2006.
22
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Rentabilite et taux de change
Dans le cas dindice etranger, la rentabilite reelle doit inclure un eventuel taux
de change. Soit e
t
le taux de change au comptant (prix en monnaie domestique -
euro - dune unite de devise etrang`ere - yen). Soit P
e
t
est le prix en yens des actifs
nanciers, le prix en euros est alors P
t
= e
t
P
e
t
. La rentabilite reelle, en
monnaie domestique (en euros) est alors
r
t
= log
P
t
P
t1
. .
rentabilite en euros
= log
e
t
e
t1
. .
rentabilite du taux de change
+ log
P
e
t
P
e
t1
. .
rentabilite en yens
23
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Normalite des rendements ?
Considerons un echantillon x
1
, , x
n
, et notons x
1:n
, , x
n:n
la statistique
dordre associee, i.e.
x
1:n
= minx
1
, , x
n
x
2:n
x
n1:n
x
n:n
= maxx
1
, , x
n

On peut denir la fonction de repartition empirique



F
n
,

F
n
(x) =
1
n
n

i=1
1(x
i
x)
Cette fonction est une fonction en escalier,

F
n
(x) =
_

_
0 pour x < x
1:n
= minx
1
, , x
n

i
n
pour x [x
i:n
, x
i+1:n
)
1 pour x > x
n:n
= maxx
1
, , x
n

24
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Cette fonction peut etre utilise pour tester la normalite. On peut se demander si
X
L
= +Z o` u Z ^(0, 1).
Ceci se formalise sous la forme suivante

F(x) =
_
x

_
pour tout x R,
ou de mani`ere equivalente

F
1
(u) = +
1
(u) pour tout u [0, 1].
Ces deux conditions peuvent secrire

F(x
i:n
) =
i
n
=
_
x
i:n

_
pour i = 1, 2, , n,
ou de mani`ere equivalente

F
1
_
i
n
_
= X
i:n
= +
1
_
i
n
_
pour i = 1, 2, , n.
25
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les nuages de points
_
i
n
; (x
i:n
)
_
et
_
X
i:n
;
1
_
i
n
__
,
sappelle respectivement PP plot et QQ plot.
0.0 0.2 0.4 0.6 0.8 1.0
0
.
4
0
0
.
4
5
0
.
5
0
0
.
5
5
Probabilit empirique
P
r
o
b
a
b
i
l
i
t


t
h

o
r
i
q
u
e
0.2 0.1 0.0 0.1

1
0
1
2
Quantile empirique
Q
u
a
n
t
i
l
e

t
h

o
r
i
q
u
e
26
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
De la normalite des rendements
Comme

F
n
est une fonction en escalier, elle nest pas derivable, et donc elle ne
permet pas vraiment dobtenir la densite.
Lhistogramme permet dobtenir, `a partir dun grille de discretisation de R une
estimation de la densite : soit a = (a
i
) une suite strictement croissante, et posons

f
a,n
(x) =
1
n(a
k+1
a
k
)
n

i=1
1(X
i
[a
k
, a
k+1
)),
o k est tel que x [a
k
, a
k+1
). Plus generalement, on peut considerer un
histogramme glissant, de pas h > 0, en posant

f
h,n
(x) =
1
nh
n

i=1
1(X
i
[x h, x +h)).
Enn, cette technique peut se generaliser en introduisant un noyau, cest `a dire
27
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
une fonction K telle que
_
R
K()d = 1,

f
h,n
(x) =
1
nh
n

i=1
K
_
X
i
x
h
_
.
Notons que si h 0 et nh , alors

f
h,n
(x) est un estimateur
asymptotiquement convergent, avec

nh
_

f
h,n
(x) f(x)
_
L
^
_
0, f(x)
_
R
K
2
()d
_
.
Plusieurs noyaux peuvent tre consideres,
le noyau rectangulaire, K() = 1([[ 1)/2,
le noyau triangulaire, K() = (1 [x[)1([[ 1),
le noyau Epanechnikov, K() = 3(1
2
)1([[ 1)/4,
le noyau Gaussien, K() = exp(
2
/2)/

2.
plot(density(reg$residuals,kernel = c("rectangular")))
plot(density(reg$residuals,kernel = c("triangular")))
plot(density(reg$residuals,kernel = c("gaussian")))
28
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
plot(density(reg$residuals,kernel = c("epanechnikov")))
si h est grand, faible variance, mais biais important
si h est petit, faible biais, mais variance importante
4 2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
0
.
5
0
.
6
4 2 0 2 4
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
0
.
5
0
.
6
29
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)

0
.2

0
.1
0
.0
0
.1
Rentabilits des prix
1990 1995 2000 2005
D
e
n
s
ity
0.2 0.1 0.0 0.1
0
2
4
6
8
3 2 1 0 1 2 3

0
.2

0
.1
0
.0
0
.1
Theoretical Quantiles
S
a
m
p
le
Q
u
a
n
tile
s

0
.2

0
.1
0
.0
0
.1
Log rendements des prix
1990 1995 2000 2005
D
e
n
s
ity
0.3 0.2 0.1 0.0 0.1
0
2
4
6
8
3 2 1 0 1 2 3

0
.2

0
.1
0
.0
0
.1
Theoretical Quantiles
S
a
m
p
le
Q
u
a
n
tile
s
30
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Ajuster une loi aux rendements
La methode du maximum de vraisemblance consiste `a chercher

= argminlog /([x
1
, , x
n
) = argmin
_
n

i=1
log f

(x
i
)
_
o` u f

() est la densite de X.
On peut ainsi tenter dajuster une loi de Student aux rendements centres reduits.
> cac <- read.table("http://perso.univ-rennes1.fr/arthur.charpentier/cac-H.csv",
header=TRUE,sep=",")
> n <- nrow(cac); cac <- cac[n:1,]
> time <- strptime(as.character(cac$Date),"%Y-%m-%d")
> cac <- cac$Adj.Close
> dcac <- diff(log(cac))
> dcac0 = (dcac - mean(dcac))/sd(dcac)
> res = optimize(function(x){-sum(log(dt(dcac0, x)))}, lower = 2, upper = 50)
> res
$minimum
[1] 15.51084
31
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
$objective
[1] 313.3353
10 20 30 40

3
3
5

3
3
0

3
2
5

3
2
0

3
1
5
Nombre de degrs de libert
L
o
g

v
r
a
i
s
e
m
b
l
a
n
c
e
32
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Tester la normalite
Le test de Kolmogorov Smirnov permet de tester lajustement dun loi normale
^(0, 0.06
2
) pour les residus,
> cac <- read.table("http://perso.univ-rennes1.fr/arthur.charpentier/cac-H.csv",
header=TRUE,sep=",")
> n <- nrow(cac); cac <- cac[n:1,]
> time <- strptime(as.character(cac$Date),"%Y-%m-%d")
> cac <- diff(log(cac))
> dcac <- log(cac[2:n])-log(cac[1:(n-1)])
> sd(dcac)
[1] 0.05912175
> ks.test(dcac, "pnorm", 0,0.06)
One-sample Kolmogorov-Smirnov test
data: dcac
D = 0.0946, p-value = 0.03711
alternative hypothesis: two-sided
33
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Rappelons que le test de Kolmogorov Smirnov est base sur la statistique
D = sup
xR
_

(x)

F
n
(x)

_
,
le theor`eme de Glivenko-Cantelli garantissant que sup
xR
_

(x)

F
n
(x)

_
p.s.
0
lorsque n , si F

est eectivement la vraie loie.


34
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Tester la normalite
Mais formellement ce nest pas un test de normalite, i.e. la loi des residus est-elle
normale ?
> shapiro.test(dcac)
Shapiro-Wilk normality test
data: dcac
W = 0.9605, p-value = 7.609e-06
> library(nortest)
> ad.test(dcac)
Anderson-Darling normality test
data: dcac
A = 1.8012, p-value = 0.0001280
Ces tests sont techniques, et sont detailles dans les livres des statistiques.
35
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Le test de Cramer-von-Mises repose sur
nW
2
= n
_

[F(x) F

(x)]
2
dF

(x)
soit, en pratique
T = nW
2
=
1
12n
+
n

i=1
_
2i 1
2n
F

(x
i:n
)
_
2
,
o` u F

est la loi theorique que lon cherche `a tester, i.e. .


> cvm.test(dcac)
Cramer-von Mises normality test
data: dcac
W = 0.3212, p-value = 0.0001873
> pearson.test(dcac)
Pearson chi-square normality test
data: dcac
36
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
P = 25.2063, p-value = 0.04724
Le test de Jarque-Bera repose sur
JB =
n
6
_
S
2
+
(K 3)
2
4
_
,
o` u n est le nombre de degres de libertes, S est la skewness empirique, et K la
kurtosis empirique,
S =

3

3
=

3
(
2
)
3/2
=
1
n

n
i=1
(x
i
x)
3
_
1
n

n
i=1
(x
i
x)
2
_
3/2
K =

4

4
=

4
(
2
)
2
=
1
n

n
i=1
(x
i
x)
4
_
1
n

n
i=1
(x
i
x)
2
_
2
Sous H
0
(normalite), JB
2
(2).
> library(tseries)
> jarque.bera.test(dcac)
37
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Jarque Bera Test
data: dcac
X-squared = 66.8283, df = 2, p-value = 3.109e-15
38
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Le rendement moyen ?
La premi`ere question que lon peut se poser est de savoir si les rendements sont
de moyenne nulle, ou pas ?
On peut utiliser un test de Student pour tester H
0
: = 0 contre H
0
: ,= 0. La
statistique de test est
T =

nX
_

V ar(X) ot(n 1) sous H


0
.
39
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
2
0
0
0
3
0
0
0
4
0
0
0
5
0
0
0
6
0
0
0
1990 1995 2000 2005

5
0
0
5
0
Incrments des prix
1990 1995 2000 2005

0
.
0
2

0
.
0
1
0
.
0
0
0
.
0
1
0
.
0
2
Rentabilits des prix
1990 1995 2000 2005

0
.
0
2

0
.
0
1
0
.
0
0
0
.
0
1
0
.
0
2
Log rendements des prix
1990 1995 2000 2005
40
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Lintervalle de conance `a 95% est ici X
1.97

n 1
_

V ar(X).
On notera que la statistique T est tr`es proche du ratio de Sharpe. Par exemple
un ratio de Sharpe estime sur une periode dun an devra etre superieur `a 2 pour
quon puisse dire que lesperance du rendement de la strategie (ou du titre) se
distingue signicativement du taux sans risque.
41
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
La volatilite ?
La volatilite est lecart-type annualise des rendements. Cette mesure est cense
quantier lincertitude associee `a levolution des rendements.
Il faut distinguer la volatilie instantannee
; la volatilie historique, observee sur une periode plus ou moins longue, et la
volatilie implicite.
On peut aussi parfois entendre parler de volatilie forward pouvant etre interpretee
comme la volatilite attendue pour le futur ou encore la volatilie conditionelle
Attention Les volatilites sont calculees sur les rendements `a un horizon temporel
donne. Formellement, on consi`ere des volatlilites
h
lors que les rendements sont
calcules entre les dates t et t +h. Cette propriete est liee `a des eets dechelle. En
42
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
eet, le log-rendement sur un horizon de h secrit
R(t, t +h) = log
_
P
t+h
P
t
_
= log
_
P
t+h
P
t+h1
P
t+h1
P
t+h2

P
t+1
P
t
_
= log
_
P
t+h
P
t+h1
_
+ log
_
P
t+h1
P
t+h2
_
+ + log
_
P
t+1
P
t
_
=
h1

i=0
R(t +i, t +h +i)
Aussi, si les rendements sont i.i.d. alors
2
h
= h
2
1
, soit
h
=
1

h
43
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
0 2 4 6 8 10
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
Horizon (jours)
V
o
l
a
t
i
l
i
t

Volatlilit glissante
Volatlit en 2004
= on peut dicilement croire `a lhypoth`ese de rendements i.i.d.
44
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
45
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
46
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Estimer la volatilite
Avant de parler de processus de volatilite, on peut dej`a essayer destimer la
volatilite `a une date t donnee.
RiskMetriocs de JPMorgan a propose dutiliser un estimateur de type moyenne
mobile `a poids exponentiels, EWMA - exponential weighted moving average.
Lestimation de la volatilite `a la date t est

2
t+1
=
2
t
+ [1 ]R
2
t+1
,
o` u ]0, 1[ est un coecient de lissage. Pour linterpretation en terme de
moyenne mobile, notons que

2
t+1
=
_

2
t1
+ [1 ]
1
R
2
t
_
+ [1 ]
1
R
2
t+1
= [1 ]
1
R
2
t
+ [1 ]
1
R
2
t+1
+
2

2
t1
=
h
[1 ]
1
R
2
th+1
+ +[1 ]
1
R
2
t
+ [1 ]
1
R
2
t+1
+
h+1

2
t1
o` u, pour rappel, [1 ]
1
= 1 + +
2
+
47
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Plus est proche de 0, plus on attribue de poids aux derni`eres observations.
RiskMetrics recommande = 97% pour les rendements mensuels, et 94% pour
les rendements journaliers.
48
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
49
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
0
.
1
0
0
.
1
2
0
.
1
4
1990 1995 2000 2005
80%
95%
99%

0
.
2

0
.
1
0
.
0
0
.
1
1990 1995 2000 2005
50
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Aller un peu plus loin sur les rendements
q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q
q q q q q q q q q q q q q
q q q q q q
q
q
q
q q q
q q
q
q
q
q q
q
q q q q q
q q q q
q q q q q
q q q q q q
q
q
q
q
q q q q q q q q q q q q
q q q
q
q q
q q q q q q
q q
q q q
q
q
q q
q
q
q q
q
q q q q
q
q q q q q q q q q q q q q
q
q
q q q
q q
q q
q
q
q q
q q q
q q
q q
q
q q
q
q
q q q
q q q q q
q q q q q
q
q
q q
q q q
q
q
q q q
q
q
q
q q
q
q
q q q
q
q
q
q
q
q
q
q
q
q q
q q
q
q q
q
q
q
q
q
q q
q
q q
q
q q
q
q
q
q q
q q
q
q q q q
q
q q
q q
q
q
q
q q
q q q q q
q q
q q
q q q q q q q q
q q
q q q q q
q q q q q q q q q q q q q q q q q q
q q q q q q q q
q q q q
q q q q q q
q q
q
q q q
q q q
q q q q q
q q q q q q
q
q q q q q q q q
q q
q
q q q q
q
q q
q q q
q q
q
q q q q q q q q q q q q
q
q
q
q q q q q q
q q q
q
q
q
q
q
q
q
q
q q q q q q q q q
q q q q q q
q
q q q q q q q q q q q q q q q
q q q q q q q q q
q q q q q q
q q q
q q q q q q q q
q q q q q
q
q q q q q
q
q
q q q q q q q q q q q q q q
q q q q
q q q q q q q q q q q q q
q q
q q q q q q q q q q q
q
q q q
q q q q q q q q q q q q q q
q q q q q q q q q q
q q q q q
q q q q q q
q
q q q q q q q q q q q q q
q q q q q q q q q q
q q
q q q
q q q q
q
q q q q q q q
q q q q q q
q q q q q q q q
q q q q q q q q q q q
q q q q q q
q q q q q q q q q q q q
q q q
q
q q q q q q
q q
q q
q q q q q
q
q q q q q q q q q q
q q q q q q q q q q
q q q
q q
q
q q q q q q q q q q q q q
q q
q q q q
q
q q q
q q q q q q q q q q
q q q q q q
q
q q q
q q q q q q q q q q q q
q q q q
q q q q q q q
q
q q q
q q
q
q q q q
q q q q
q q q q
q
q q q q q q q
q
q
q q
q q q q q q
q q q q q
q
q
q
q
q
q q q q q q q q q q q q q
q
q q q
q q q
q q q
q q
q q q
q q q q q q q q q
q
q q q q q
q
q q q q q q q
q q q q q
q q
q
q
q
q q q q q
q q q
q
q q q
q
q q q q q q q q
q q
q q
q q q q q
q q q q
q q q q q q
q
q q
q
q
q q
q q q
q
q
q
q q q q q q
q
q
q q q q
q
q q q q
q q
q
q
q q
q q
q q
q q
q
q
q
q q
q q
q q
q q q q q q q
q
q q
q q q
q q q q
q q
q
q q
q
q q q q q
q
q q
q
q
q
q
q
q q q
q q
q q
q q
q q q q q q q q
q
q q q
q
q q
q q
q q
q q q
q q q q
q q q q q q q
q
q q q
q
q
q q q
q q q q q q
q q
q
q q q
q
q q q q q
q
q
q q q
qq
q
q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q
q
q q q q q q q q q q q q q
q q q
q q
q
q q
q
q
q
q q q
q q q q q q
q q q q q
q q q
q q
q q q q
q q
q
q q q
q
q q q q q q q
q q q q
q q
q q q q
q q q q q q q
q q
q
q
q
q
q q q q q
q
q q
q
q q
q q q q q
q q q
q
q q
q q q q q
q q
q q q
q
q q q
q
q
q q
q
q q q
q
q
q q q
q q
q q
q
q
q q q q q
q
q
q q q q
q
q q q q
q q
q q q
q q
q
q q
q q q q q
q q
q q
q
q q
q q q q
q q q q q q
q
q q q q q
q q
q q
q q q
q
q
q q q
q
q q q
q q q
q q
q q q q q q q q
q q
q q
q
q q
q q q
q q q
q
q q q q
q q q q q
q
q q
q q q q q q
q q q q q q
q
q q q q
q
q q q q q q q q q q q q q
q q q q q q q q
q
q q q
q q q
q q
q
q q q q q q q
q q q q q q q
q
q
q
q q q q q q
q
q
q q q q q q
q q q
q q
q
q
q
q q q q
q q q q
q q
q
q
q q q q
q
q q
q
q
q q
q
q
q
q q
q q
q
q q q
q q q q q q q q q q q q q q q q q q q
q q q q q q q q q
q q
q q
q
q q q q
q
q q q q q q q q q q q q
q q
q q q q q q
q q q q q q
q q q q q q
q q
q q
q q q q q q
q
q q q q q q q q q
q q
q q q q q q q q
q q q q q q q q q q q q q q q q q q q q q q q q q
q q q
q q q
q
q q q
q q q q
q q
q q
q q q
q q q q q q q q q q q
q q q q q q q q q q
q q
q q q q q q q q
q q q
q
q q q
q q
q q q q q q q q q q q q
q
q q q q q q q q q q q q q
q
q
q q q q q q
q
q
q q q q
q q q q q q
q q q
q
q q q
q q q q q q q
q q q q q q q q q q
q
q
q q q
q
q q q q
q
q q
q q
q q q
q q
q
q q q q
q q q q q q
q
q q q q q q q q q q q
q
q q q q q q q q q
q
q q q q q q
q q
q q
q q q q
q q
q q q q q q q q q q q q q q q q q q q q q q q q
q q
q q
q
q q q q q q q q q q q q
q q q
q q q
q
q q q
q q q
q q q
q q q q
q q q q q
q
q
q q q q
q q
q q q q q q
q q q q q
q q q q q q q q q q q q q q q q
q q q
q q q q q q q q q q q q q
q
q q
q
q q
q q
q
q q q q q q q q
q q q q q
q q q q q
q q q
q q q q
q q
q q q q
q
q
q q q q
q q q q q q q
q
q q
q q q q q
q
q q q q
q q
q
q q
q
q
q q
q q q
q q
q q
q
q
q
q q q q
q q q
q
q q
q
q
q
q
q q
q
q
q q q q q q q q q q q q q
q q
q
q q
q
q
q
q
q
q q
q q q
q
q
q
q q
q q
q q q
q q q
q q
q
q
q
q
q q
q
q q q q
q
q q
q
q
q
q
q q
q q
q
q q q
q
q
q
q q q
q q q
q q
q
q
q q q q
q
q q q
q q
q
q
q
q
q q
q q
q
q
q
qqq
q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q
q
q q q q q q q q q q q q
q
q q
q
q q
q q q q q q
q q
q q
q q
q q
q
q
q
q
q q
q q q q
q q
q
q
q q q q
q
q q q
q q q q q
q
q
q q
q
q
q
q q q q q
q q
q q q
q q q q
q q q q q q q q q
q q
q
q q q q q q
q q q q q
q q q q
q q q q
q q q q
q
q
q q
q
q
q q q q q
q q
q q
q
q q q q q q
q
q q
q
q q q q q
q q q q
q
q q
q
q q q q
q
q q q q
q q
q q
q
q q q q
q
q q q q
q q q q
q
q
q q
q
q q q
q
q q
q
q q q
q
q
q
q q
q
q q
q
q
q q
q q
q
q
q q q
q q q q q q q
q q q
q q q
q
q q q
q q q q q q q q q q q
q q q
q q q q q q q q
q q q
q
q
q q
q q q q q q
q
q q q q q
q
q q q q q q q q q q q q q q q
q
q q q
q q q q
q q q
q
q
q q q
q
q q q q q
q
q q q
q
q q
q
q q
q q q
q
q q
q q
q
q q q q
q q q q q q q q
q q q q q q q
q
q q q q q q q
q q q
q q q
q q
q q q q q q q q q
q
q q q q q q q q q q q q q q q q
q q q q q q q q q
q q q q
q q q
q q q q q q
q q q
q q q q q q q q
q
q
q q q
q q q q q q q q q
q q q q q q q
q q q q q q
q q q
q q q q
q q q q q q
q q q
q q q q q
q q
q q q q q q q q q q q q
q q q
q q
q q
q q q
q
q q q q q q q q q q q q
q q q q q q q q q q q q
q
q q q q q q q q q q q q q q q q q
q q q q
q q q
q q q
q
q
q
q q q q q q q q q q
q q q q q q q q q
q
q q q q q q q
q
q q q q q q q
q
q
q q q q q q q q q q q q
q q q q q q q q q q
q q q q q q
q q q q q q
q q q q
q q q q q q q q q q q
q q q q q q
q q q q q q q
q q q q
q q q q q
q q q
q
q q
3
4
2
0
3
4
4
0
3
4
6
0
3
4
8
0
3
5
0
0
jeu. ven.
q
q
CLOTURE
q
CLOTURE
q
OUVERTURE
q
OUVERTURE
q
MINIMUM
q
MINIMUM
q
MAXIMUM
q
MAXIMUM
Notons que si lon dispose dinformation plus ne pour la modelisation des
rendements journaliers, dautres estimateurs ont ete proposes.
Lidee est toujours de considerer des moyennes mobiles `a poids exponentiels, mais
pas forcement en utilisant seulement les prix de cloture. Notons
51
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
P
t
le prix de cloture le jour t
M
t
le prix maximal observe le jour t, M
t
= maxP
s
, s [t 1, t],
L
t
le prix minimal observe le jour t, M
t
= minP
s
, s [t 1, t],
O
t
le prix douverture le jour t,
Pour linstant, nous avions considere

t
=
_
1
h 1
t

n=th
_
log
P
n
P
n1

t
_
2
_
1
2
,
o` u
t
designe une moyenne glissante,
t
=
1
h
t

n=th
log
P
n
P
n1
.
Rogers & Satchell (1991)

t
=
_
1
h
t

n=th
_
log
M
n
O
n
log
M
n
P
n
_
+
_
log
L
n
O
n
log
L
n
P
n
_
_
1
2
,
Parkinson (1980)
52
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)

t
=
_
1
4hlog 2
t

n=th
_
log
M
n
L
n
_
2
_
1
2
,
Garman & Klass (1980)

t
=
_
0.51
h 1
t

n=th
_
log
M
n
L
n
_
2

0.39
h 1
t

n=th
_
log
P
n
P
n1
_
2
_
1
2
,
(...etc).
53
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Estimer la volatilite

0
.
1
0
0
.
0
0
0
.
0
5
0
.
1
0
mars mai juil. sept. nov.
0
.
0
0
.
2
0
.
4
0
.
6
mars mai juil. sept. nov.
historique
Riskmetrics (EWMA)
Roger & Satchell
Parkinson
Garman & Klass
54
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
2003 2004 2005 2006
1
0
1
5
2
0
2
5
Evolution du cours de laction AGF
Date
2003 2004 2005 2006

0
.
1
0

0
.
0
5
0
.
0
0
0
.
0
5
0
.
1
0
Logrendement de laction AGF
Date
3 2 1 0 1 2 3

0
.
1
0

0
.
0
5
0
.
0
0
0
.
0
5
0
.
1
0
QQ plot: test de normalit, logrendement AGF
Quantiles thoriques
Q
u
a
n
t
ile
s

e
m
p
ir
iq
u
e
s
0.10 0.05 0.00 0.05 0.10
0
1
0
2
0
3
0
4
0
Densit du logrendement de laction AGF
Volatilit
0.02164
skewness
0.24792
kurtosis
7.99128
55
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
2002 2003 2004 2005
3
0
4
0
5
0
6
0
7
0
Evolution du cours de laction BNPParibas
Date
2002 2003 2004 2005

0
.
1
0

0
.
0
5
0
.
0
0
0
.
0
5
0
.
1
0
Logrendement de laction BNPParibas
Date
3 2 1 0 1 2 3

0
.
1
0

0
.
0
5
0
.
0
0
0
.
0
5
0
.
1
0
QQ plot: test de normalit, logrendement BNP
Quantiles thoriques
Q
u
a
n
t
ile
s

e
m
p
ir
iq
u
e
s
0.10 0.05 0.00 0.05 0.10
0
5
1
0
1
5
2
0
2
5
Densit du logrendement de laction BNP Paribas
Volatilit
0.02009
skewness
0.05774
kurtosis
8.95401
56
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
2002 2003 2004 2005
4
0
5
0
6
0
7
0
8
0
9
0
1
0
0
Evolution du cours de laction Socit Gnrale
Date
2002 2003 2004 2005

0
.
1
0

0
.
0
5
0
.
0
0
0
.
0
5
0
.
1
0
Logrendement de laction Socit Gnrale
Date
3 2 1 0 1 2 3

0
.
1
0

0
.
0
5
0
.
0
0
0
.
0
5
0
.
1
0
QQ plot: test de normalit, logrendement SG
Quantiles thoriques
Q
u
a
n
t
ile
s

e
m
p
ir
iq
u
e
s
0.10 0.05 0.00 0.05 0.10
0
5
1
0
1
5
2
0
2
5
3
0
Densit du logrendement de laction Socit Gnrale
Volatilit
0.02137
skewness
0.06702
kurtosis
8.15187
57
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
2002 2003 2004 2005
3
0
3
5
4
0
4
5
5
0
5
5
6
0
Evolution du cours de laction Carrefour
Date
2002 2003 2004 2005

0
.
1
0

0
.
0
5
0
.
0
0
0
.
0
5
0
.
1
0
Logrendement de laction Carrefour
Date
3 2 1 0 1 2 3

0
.
1
0

0
.
0
5
0
.
0
0
0
.
0
5
0
.
1
0
QQ plot: test de normalit, logrendement Carrefour
Quantiles thoriques
Q
u
a
n
t
ile
s

e
m
p
ir
iq
u
e
s
0.10 0.05 0.00 0.05 0.10
0
5
1
0
1
5
2
0
2
5
3
0
Densit du logrendement de laction Carrefour
Volatilit
0.01889
skewness
0.02021
kurtosis
6.84964
58
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
2002 2003 2004 2005
1
0
0
1
1
0
1
2
0
1
3
0
1
4
0
1
5
0
1
6
0
Evolution du cours de laction Air Liquide
Date
2002 2003 2004 2005

0
.
0
5
0
.
0
0
0
.
0
5
Logrendement de laction Air Liquide
Date
3 2 1 0 1 2 3

0
.
0
5
0
.
0
0
0
.
0
5
QQ plot: test de normalit, logrendement Air Liquide
Quantiles thoriques
Q
u
a
n
t
ile
s

e
m
p
ir
iq
u
e
s
0.10 0.05 0.00 0.05
0
5
1
0
1
5
2
0
2
5
3
0
Densit du logrendement de laction Air Liquide
Volatilit
0.01623
skewness
0.19341
kurtosis
6.6504
59
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
2002 2003 2004 2005
2
0
2
5
3
0
3
5
Evolution du cours de laction TF1
Date
2002 2003 2004 2005

0
.
1
0

0
.
0
5
0
.
0
0
0
.
0
5
0
.
1
0
Logrendement de laction TF1
Date
3 2 1 0 1 2 3

0
.
1
0

0
.
0
5
0
.
0
0
0
.
0
5
0
.
1
0
QQ plot: test de normalit, logrendement TF1
Quantiles thoriques
Q
u
a
n
t
ile
s

e
m
p
ir
iq
u
e
s
0.10 0.05 0.00 0.05 0.10
0
5
1
0
1
5
2
0
2
5
Densit du logrendement de laction TF1
Volatilit
0.02201
skewness
0.1507
kurtosis
5.89332
60
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Quelques faits stylises
(1) Les processus (p
t
) sont non-stationnaires : les trajectoires de prix sont
generallement proches dune marche aleatoire sans terme constant. Et, en
revanche, les series des rentabilites ont des trajectoires compatibles avec la
stationnarite au second ordre.
(2) Autocorrelations des carres des variations des prix : les faibles
autocorrelations de la serie (r
t
) la rendent proche dun bruit blanc (sauf pour des
rentabilites denis sur des periodes tr`es courtes, de lordre dune vingtaine de
minutes) Neanmois, la serie
_
r
2
t
_
est souvent fortement correlee. Ce qui nest pas
compatible avec une hypoth`ese de bruit blanc.
61
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Quelques faits stylises
(3) Queues de distribution epaisses : les distributions empiriques des series des
rentabilites, on saper coit que lhypoth`ese de normalite est rejetee. En particulier,
au niveau des queues, la decroissance est generallement plus faible que dans le
cas gaussien, i.e. en exp
_
x
2
/2
_
. On parle alors de distribution leptokurtique.
(4) Volatility clustering (regroupement des extremes) : empiriquement, de
fortes valeurs, ou de fortes variations, tendent `a etre suivies par dautres grandes
variations.
(5) Queues epaisses conditionelles : souvent, meme une fois corrigees de la
volatility clustering (en utilisant des mod`eles de type GARCH , par exemple), les
series ont des residus possedant encore des queues epaisses (meme si cela est
moins important que la distribution non conditionelle, i.e. la distribution des
rentabilites).
62
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Quelques faits stylisese
63
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Quelques faits stylises
(6) Eet de levier : cette propriete, notee par Brock en 1976 repose sur
lobservation du fait quil existe une asymetrie entre limpact des valeurs passees
positives et des valeurs passees negatives. Les baisses de cours tendent `a
provoquer un accroissement de la volatilite superieure `a celui induit par une
hausse du cours, de meme amplitude.
(7) Saisonnalite : la volatilite tend `a augmenter lorsque les marches ferment
(week end ou jours feries). On parle alors daccumulation dinformation.
(8) Asymetrie perte/gain : ormis dans le cas des taux de change, il y a
generalement asymetrie de la distribution : il y a plus de mouvements forts `a la
baisse qu`a la hausse.
64
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Prise en compte de laspect dynamique
2
0
0
0
3
0
0
0
4
0
0
0
5
0
0
0
6
0
0
0
1990 1995 2000 2005
2
4
0
0
2
6
0
0
2
8
0
0
3
0
0
0
3
2
0
0
3
4
0
0
3
6
0
0
janv. mars mai juil. sept. nov. janv.
65
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Prise en compte de laspect dynamique
q q q
q
q
q q
q
q
q
q
q
q
q
q
q
q
q
q q q q q q q q
q q q
q
q q
q
q
q
q
q
q
q q
q
q
q
q
q q
q q q q
q q q
q q
q q q
q
q
q q
q
q q
q q
q
q q q
q
q
q
q q
q
q
q
q
q q q
q q q q
q q q
q
q q q
q
q
q
q q
q q
q q q
q
q q
q q
q q
q q
q q
q q q
q
q q
q q
q q
q
q q
q
q
q q q
q
q
q
q
q
q
q
q
q
q
q
q q q q q q
q q q q
q q
q
q
q
q q q
q
q
q
q
q
q
q q
q
q
q
q
q q
q q
q
q
q
q
q q
q q
q
q
q
q q
q q q q
q q
q
q
q
q q
q q q
q
q q
q q q
q
q
q
q
q
q
q q q q
q
q
q
q
q
q
q
q q
q
q
q
q
q
q q
q
q q q
q q
q
q
q q q
q
q
q
q
q
q q
q q
q
q
q
q q q q
q
q q
q
q q
q
q q
q
q q
q q q
q q
q
q q
q
q q
q q
q q
q
q
q q
q
q
q q q
q
q
q
q
q q q q q
q
q
q
q q
q
q
q
q
q
q
q
q q q q
q q q
q q
q
q q q q q
q
q q q q
q
q q
q
q
q
q q q q q q
q q
q
q q q q
q
q
q q
q
q
q q q q q
q q
q q q
q q
q
q
q
q q
q
q q
q
q
q
q
q
q q
q
q
q q q q
q
q
q q
q
q
q
q q q q q
q q
q q q q q q q q q
q q
q
q
q
q
q q
q q
q
q
q q
q q q
q
q q
q
q q
q
q
q
q
q
q
q q
q
q
q q q q q
q
q
q
q
q
q
q
q
q q
q
q
q
q
q
q
q
q q q q
q q
q
q
q
q
q
q
q
q
q
q
q
q q q q q q q q q q q
q q q q q
q q q
q
q
q
q
q
q
q
q q q q
q
q
q q
q
q
q
q q
q q q
q q q
q
q q
q
q
q
q
q q
q
q
q q
q
q q q q
q q q q
q
q
q q
q
q
q
q q
q q q
q
q q
q q
q
q q
q q q
q q
q
q
q q q
q
q
q
q
q
q q q
q
q
q
q
q
q
q q
q
q
q
q
q
q
q
q q
q q
q
q
q
q
q q
q
q q
q q
q
q q q
q
q
q
q
q
q q
q q
q
q
q
q
q q
q q
q
q q
q q q
q
q
q q
q q q q q q q q q
q q
q
q
q
q
q
q
q
q
q
q
q
q
q q
q q
q
q
q
q q
q
q
q
q
q q
q
q
q q q q
q q
q
q q q
q
q
q q q
q
q
q
q q
q
q
q
q
q
q
q q q
q
q
q
q
q
q
q
q
q
q q q
q
q q
q
q q
q
q q q
q
q q
q q
q
q
q q q
q q
q q
q
q
q
q
q
q q q
q q q
q
q
q q
q
q
q
q
q
q q
q q
q q
q q q q q
q
q q
q
q q
q
q q
q
q q
q
q
q
q
q
q q
q q
q
q
q q q q
q
q
q
q
q
q
q
q q q q
q
q
q q
q q
q q
q q q
q
q q q q
q
q
q
q
q
q
q q q q
q
q
q
q
q
q q
q
q
q
q
q
q
q
q q
q q
q q q
q q q q q
q
q
q
q
q
q q
q q
q
q q
q
q
q q
q
q
q
q q
q q
q q q q q q
q q
q q
q
q
q
q
q
q
q
q
q q q
q q
q
q q q
q
q
q
q q
q
q
3
1
5
0
3
2
0
0
3
2
5
0
3
3
0
0
3
3
5
0
3
4
0
0
oct. 05 oct. 10 oct. 15 oct. 20 oct. 25 oct. 30
3
3
4
0
3
3
5
0
3
3
6
0
3
3
7
0
10:00 12:00 14:00 16:00 18:00
66
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
La notion decience
Mise en evidence dans les anneees 60 par Fama, prolonge la notion classique de
marche pur et parfait du XIX`eme si`ecle : un marche nancier est dit ecient
si et seulement si lensemble des informations disponibles concernant chaque actif
nancier cte est immediatement integre dans le prix de cet actif.
Assumption 7. Le marche est ecient, cest `a dire que lensemble des
informations pertinentes `a levaluation des actifs nanciers, disponible `a la date
t, est reete dans le prix `a la date t.
Aussi, tous les ev`enements anticipes sont inclus dans les prix : seuls les
ev`enements imprevisibles peuvent inuencer les prix. Autrement dit dans les
marches ecients, les prix des actifs ctes iont`egrent les prix de telle mani`ere
quun investisseur ne puisse, en achetant ou vedant cet actif, en realiser un prot
certain.
67
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Roberts(1967) a distingue trois notions dinformation
(ecience faible )linformation est constituee de lhistorique de prix passes,
(ecience semiforte) linformation est constituee de toute linformation connue
par nimporte quel acteur (information publique),
(ecience forte) linformation est constituee de toute linformation connue par
au moins un acteur (information privee).
Plusieurs hypoth`eses doivent etre veriee pour tester lhypoth`ese decience :
rationalite des investisseurs, libre circulation de linformation, accessibilite `a tous,
abilite, absence de cots de transaction, pas de probl`emes lies au manque de
liquidite...
68
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Remark 8. Paradoxe de Grossmann & Stiglitz : parfois un initie ne peut
proter dun avantage informationnel, car alors il rev`elerait son information
privilegiees par ses intentions.
Si cette hypoth`ese est veriee,
il impossible de prevoir de mani`ere certaine levolution des prix, ou des
rentabilites de titres,
les prix des actifs ne peuvent secarter de mani`ere durable de leur valeur
fondamentale
En formalisant, on a la loi des esperances iterees : si I J,
E(X[I) = E(E(X[J)[I)
69
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Predictibilite et propriete de martingale
Les prix des actifs doivent reeter les esperances de revenus futurs auquels ils
donnent droit : les prix ne sont fonction que des anticipations rationnelles faites
par les investisseurs de leurs revenus futurs.
Case 9. Une ltration (T
t
) est une suite croissante de -alg`ebre, i.e. T
s
T
t
70
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
pour tout s < t. Un processus (X
t
) est une (T
t
)-martingale si E[X
t
[ < pour
tout t, et
E(X
t
[T
s
) = X
s
.
Cette hypoth`ese decience se traduit par une hypoth`ese de martingale,
Denition 10. Le marche est ecient si (P
t
) est une martingale, i.e.
E(P
t+1
[P
t
, P
t1
, ....) = E(P
t+1
[T
t
) = P
t
.
On notera
t
lerreur de prevision (conditionelle), i.e.

t
= P
t+1
E(P
t+1
[P
t
, P
t1
, ....),
en notant que E(
t+1
[P
t
, P
t1
, ....) = 0. Aussi, le prix `a la date t + 1 peut secrire
P
t+1
= P
t
+
t
.
Example 11. Le cas le plus simple est celui de la marche aleatoire, o` u
P
t+1
= P
t
+
t
, o` u (
t
) est une suite de variables i.i.d.,
71
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
o` u E(
t
) = 0 et V ar(
t
) =
2
Example 12. Pour generaliser lexemple precedant, on peut considerer le
mod`eles ` a increments independants, o` u
P
t+1
= P
t
+
t
, o` u (
t
) est une suite de variables independantes,
o` u E(
t
) = 0.
Remark 13. Si les prix sont des martingales, il peut y avoir de la dependance
(dynamique) pour les moments dordre superieurs `a 1 : la persistance de la
volatilite est compatible avec la representation martingales des prix dactions.
Lhypoth`ese de marche aleatoire est elle plus restrictive et exige des proprietes
dindependance. Fama (1965) constatait quune forte rentabilite avait souvent
tendance `a etre suivie par une autre forte volailite. Mais les signes sont
aleatoires. Ceci ne permet pas de rejeter lhypoth`ese de martingale, mais soppose
`a lhypoth`ese de marche aleatoire.
En fait, plusieurs formulations de lecience sont possibles, par exemple
72
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
les prix des titres sont des martingales, cest `a dire
E(P
t
[T
t1
) = P
t1
ou E(P
t
P
t1
[T
t1
) = 0.
une approche basee sur les anticipations pures,
E
_
P
t
P
t1
P
t1

T
t1
_
= r
0,t
,
o` u r
0,t
est le taux dun placement sans risque `a court terme.
lhypoth`ese dabsence dopportunite darbitrage : les prix actualises par le taux
court sont des martingales, sous une probabilite Q (equivalente `a P la
probabilite historique),
E
Q
_
P
t
P
t1
P
t1

T
t1
_
= r
0,t
,
les log-rentabilites r
t
sont i.i.d., soit
p
t
= +p
t1
+
t
o` u (
t
) est i.i.d. centre,
les innovations
t
= r
t
E(r
t
[T
t1
) sont independants (mais pas forcement
73
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
i.d.) (rappelons que cette independance se traduit par Cov(f(
t
), g(
th
)) = 0
pour tout h ,= 0, et pour toutes fonctions f et g). Il est alors possible davoir
des periodes de fortes et des perdiode de faible volatilite,
les innovations
t
= r
t
E(r
t
[T
t1
) sont non-correlees, Cov(
t
,
th
) = 0 pour
tout h ,= 0 (ou non autocorrelees).
les prix sont des processus de Markov, i.e.
(P
t
[T
t1
)
L
= (P
t
[P
t1
)
74
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
La propriete de stationnarite
La premi`ere notion de stationnarite peut se denir de fa con forte par une
stabilite en loi du processus : quel que soit n, t
1
, ..., t
n
et h, on a legalite entre les
lois jointes
(Y
t
1
, ..., Y
t
n
)
L
= (Y
t
1
+h
, ..., Y
t
n
+h
)
Cette denition toutefois peut etre aaiblie : le processus est dit stationnaire au
second ordre si
la moyenne du processus est constante : E(Y
t
) = m pour tout t Z
les autocovariances ne dependent que de la dierence entre les observations :
cov (X
t
, X
s
) = ([t s[)
Cette derni`ere propriete implique en particulier que la variance de Y
t
est
constante : V (Y
t
) =
2
.
Si lon consid`ere les lois marginales (`a t xe) du processus, la stationnarite (forte)
signie une stabilite de la loi marginale : la loi de Y
t
et la loi de Y
s
sont
identiques pour t ,= s. La stationnarite du second ordre correspond uniquement `a
une stabilite des deux premiers moments : E(Y
t
) = E(Y
s
) et V (Y
t
) = V (Y
s
)
75
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
pour t ,= s. Dans ce cas, rien nempeche davoir des skewness et des kurtosis
variables en fonction du temps.
Si lon consid`ere la dependance temporelle, la stationnarite du second ordre
suppose uniquement une stabilite de la correlation (moment dordre 2) :
cov (X
t
, X
t+h
) = cov (X
s
, X
s+h
). La stationnarite au sens fort est beaucoup plus
forte que cette condition sur le moment dordre 2, puisquelle suppose une
stabilite de toutes les lois jointes : en particulier, cette condition implique
legalite en loi des couples (X
t
, X
t+h
) et (X
s
, X
s+h
). Sur les graphiques
precedants, nous avons considere deux processus dont les lois marginales reste
constantes (X
t
^ (0, 1) pour tout t), avec une stationnarite au sens fort `a
gauche (en particulier la loi (X
t
, X
t+h
) est egale `a la loi de (X
s
, X
s+h
)), et une
stationnarite au second ordre `a droite (en particulier, on a uniquement egalite
des covariances cov (X
t
, X
t+h
) = cov (X
s
, X
s+h
))
76
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
La propriete de stationnarite
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
2
5
0
0
3
0
0
0
3
2
1
0
1
2
3
Srie stationnaire (sens faible)
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
2
5
0
0
3
0
0
0
3
2
1
0
1
2
3
Srie stationnaire (sens fort),ylim=c(3,3)

10123
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7

10123
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7

10123
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7

10123
0.0
0.1
0.2
0.3
0.4
0.5

10123
0.0
0.1
0.2
0.3
0.4
0.5

10123
0.0
0.1
0.2
0.3
0.4
0.5
77
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
La propriete de stationnarite
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
2
5
0
0
3
0
0
0
3
2
1
0
1
2
3
Srie stationnaire (sens faible)
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
2
5
0
0
3
0
0
0
3
2
1
0
1
2
3
Srie stationnaire (sens fort)

2024
4
2
0
2
4

2024
4
2
0
2
4

2024
4
2
0
2
4

2024
4
2
0
2
4

2024
4
2
0
2
4

2024
4
2
0
2
4
78
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
La propriete de processus de Markov
La propriete de Markov correspond `a lidee que lon souhaite resumer
linformation contenue dans les variables passees du processus par un nombre ni
de variables (les variables detat). Dans le cas le plus simple, on souhaite que les
variables detat soient des valeurs retardees du processus : toute linformation est
contenue dans les k valeurs les plus recentes
(X
t
[X
t1
, X
t2
, X
t3
, ...)
L
= (X
t
[X
t1
, ..., X
tk
) ,
qui peut se reecrire, `a lordre 1,
(X
t
[X
t1
, X
t2
, X
t3
, ...)
L
= (X
t
[X
t1
) .
Il est possible de montrer que cette relation est equivalente `a
X
t
= g (X
t1
,
t
) , o` u (
t
) est un bruit blanc.
79
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
La propriete de processus de Markov
Toutefois, cette theorie, visant `a chercher une fonction f telle que
X
t
= f (X
t1
,
t
) peut etre dicile `a implementer. En econometrie, on cherche
une relation du type Y = g (X
1
, ..., X
n
, ), permant dexpliquer une variable Y `a
laide de variables exog`enes X
1
, .., X
n
. Cette fonction g etant a priori dicile `a
exhiber, la methode la plus simple est de considerer le cas lineaire. De la meme
facon, la theorie des mod`eles ARIMA vise `a expliquer X
t
en fonction de son
passe (et eventuellement dun bruit), de mani`ere lineaire.
Notons que certaines denitions sont plus fortes que dautres,
propriete de martingale = non-correlation des rentabilites (mais la
reciproque nest pas vraie, cf mod`eles ARCH),
E(R
t
) = 0 et rentabilites i.i.d. = propriete de martingale
80
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
La propriete de processus de Markov
Remark 14. Ne pas confondre propriete de martingale et independance : si
r
t
=
t
suit un mod`ele ARCH(1),i.e.
E(
t
[T
t1
) = 0 et V ar(
t
[T
t1
) = +
2
t1
,
alors (p
t
) est une martingale, mais Cor(r
2
t
, r
2
t1
) > 0 : les rentabilites ne sont pas
independantes.
Remark 15. A cause de linegalite de Jensen, on ne peut pas avoir en meme
temps
E(P
t
[T
t1
) = P
t1
et E(log P
t
[T
t1
) = log P
t1
.
81
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Modelisation des series stationnaires
Denition 16. Pour une serie stationnaire (X
t
) , on denit la fonction
dautocovariance, pour tout t, par
h
X
(h) = cov (X
t
, X
th
) = E(X
t
X
th
) E(X
t
) .E(X
th
) .
Denition 17. Pour une serie stationnaire (X
t
) , on denit la fonction
dautocorrelation, pour tout t, par
h
X
(h) = corr (X
t
, X
th
) =
cov (X
t
, X
th
)
_
V (X
t
)
_
V (X
th
)
=

X
(h)

X
(0)
.
Cette fonction
X
(.) est `a valeurs dans [1, +1], et
X
(0) = 1.
On appelera matrice dautocorrelation du vecteur (X
t
, X
t1
, ..., X
th+1
) la
82
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
matrice 1(h)
1(h) =
_

_
1 (1) (2) (h 1)
(1) 1 (1) (h 2)
(2) (1) 1
.
.
.
(h 3)
.
.
.
.
.
.
.
.
.
.
.
.
1 (1)
(h 1) (h 2) (h 3) (1) 1
_

_
soit
1(h) =
_

_
1(h 1)
_

_
(h 1)
.
.
.
(1)
_

_
_
(h 1) (1)
_
1
_

_
Denition 18. Un processus (
t
) sera appele bruit blanc (faible) sil est
83
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
stationnaire, centre et non-autocorrele :
E(
t
) = 0, V (
t
) =
2
et

(h) = 0 pour h ,= 0.
On parlera de bruit blanc fort sil est independant et identiquement distribue
(i.i.d.) : la notion dindependance est plus forte que la nullite des
autocorrelations, et le fait que le processus soit identiquement distribue est plus
fort que la stabilite des deux premiers moments.
Denition 19. Soit (X
t
) un processus stationnaire de fonction dautocovariance

X
(.), la densite spectrale de (X
t
) secrit
f
X
() =
1
2

hZ

X
(h) exp(ih) .
Proposition 20. Reciproquement, si f
X
(.) est la densite spectrale de (X
t
) alors

X
(h) =
_
+

f
X
() exp(ih) d.
84
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Example 21. Un bruit blanc (
t
) est caracterise par
_
_
_

(0) = V (
t
) =
2

(h) = 0, pour h ,= 0,
Alors sa densite spectrale est donnee par
f

() =

2
2
(= constante).
85
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus autoregressifs
Denition 22. Un processus (X
t
) sera dit autoregressif `a lordre 1 si
X
t
= +X
t1
+
t
,
o` u , R et ()
t
est un bruit blanc de variance
2
.
si = 1, le processus (X
t
) nest pas stationnaire
Par exemple, pour = 1, X
t
= X
t1
+
t
peut secrire
X
t
X
th
=
t
+
t1
+... +
th+1
,
et donc E(X
t
X
th
)
2
= h
2
. Or pour un processus stationnaire, il est possible
de montrer que E(X
t
X
th
)
2
4V (X
t
). Puisquil est impossible que pour tout
h, h
2
4V (X
t
), le processus nest pas stationnaire.
Si [[ , = 1, il existe un unique processus stationnaire tel que X
t
X
t1
=
t
pour tout t Z, ou
(1 L) X
t
=
t
.
si [[ < 1 alors on peut inverser le polynome.
86
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Aussi,
X
t
= (1 L)
1

t
=

i=0

ti
(en fonction du passe de (
t
) ). (1)
si [[ < 1 alors on peut inverser le polynome.
X
t
=
1

F
_
1
1

F
_
1

t
=

i=1

t+i
(futur de (
t
) ).
La representation canonique est alors
X
t

X
t1
=
t
,

t
= (1 F) (1 L)
1

t
=
t+1
+
_
1
2
_

i=0

ti
.
La fonction dautocorrelation est donnee par (h) =
h
.
87
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Simulated AR(1)
0 100 200 300 400 500

1
0
1
2
3
0 10 20 30 40
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Lag
A
C
F
AR(1) autocorrelations
0 10 20 30 40

0
.
6

0
.
4

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
Lag
P
a
r
t
ia
l
A
C
F
AR(1) partial autocorrelations
Procesus AR(1) - X
t
= 0.4X
t1
+
t
.
88
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Simulated AR(1)
0 100 200 300 400 500

2
0
2
0 10 20 30 40
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Lag
A
C
F
AR(1) autocorrelations
0 10 20 30 40

0
.
6

0
.
4

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
Lag
P
a
r
t
ia
l
A
C
F
AR(1) partial autocorrelations
Procesus AR(1) - X
t
= 0.7X
t1
+
t
.
89
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Simulated AR(1)
0 100 200 300 400 500

1
0

5
0
5
1
0
0 10 20 30 40
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Lag
A
C
F
AR(1) autocorrelations
0 10 20 30 40

0
.
6

0
.
4

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
Lag
P
a
r
t
ia
l
A
C
F
AR(1) partial autocorrelations
Procesus AR(1) - X
t
= 0.9 X
t1
+
t
.
90
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Simulated AR(1)
0 100 200 300 400 500

2
0
2
4
0 10 20 30 40

0
.
5
0
.
0
0
.
5
1
.
0
Lag
A
C
F
AR(1) autocorrelations
0 10 20 30 40

0
.
6

0
.
4

0
.
2
0
.
0
0
.
2
0
.
4
0
.
6
Lag
P
a
r
t
ia
l
A
C
F
AR(1) partial autocorrelations
Procesus AR(1) - X
t
= 0.5X
t1
+
t
.
91
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Un processus AR(1), X
t
= X
t1
+
t
sera auto-correle positivement si
0 < < 1, et autocorrele negativement si 1 < < 0. Cette serie va osciller
autour de 0, en sen ecartant suivant la valeur
t
du processus dinnovation (si
1 < < +1). Si = +1, on obtient une marche aleatoire, et si > +1 ou
< 1 le processus nest par stationnaire, et on obtient un mod`ele qui explosera
(` a moyen terme). La valeur , dans le cas o` u le processus est stationnaire, est la
correlation entre deux dates consecutives = corr (X
t
, X
t1
).
AR(1) :
_

_
Fonction dautocorrelation
_
_
_
> 0 decroissance exponentielle
< 0 sinusode amortie
Fonction dautocorrelation partielle
_
_
_
premi`ere non nulle (signe = signe de )
toutes nulles apr`es
On appelle processus autoregressif AR(p) un processus stationnaire (X
t
) veriant
une relation du type
X
t

i=1

i
X
ti
=
t
pour tout t Z, (2)
o` u les
i
sont des reels et (
t
) est un bruit blanc de variance
2
. (2) est
92
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
equivalent `a lecriture
(L) X
t
=
t
o` u (L) = I
1
L ...
p
L
p
Alors
_

_
(1)
(2)
(3)
.
.
.
(p 1)
(p)
_

_
=
_

_
1 (1) (2)
.
.
.
(p 1)
(1) 1 (1)
.
.
.
(p 2)
(2) (1) 1
.
.
.
(p 3)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 (1)
(p 1) (p 2) (p 3) (1) 1
_

_
_

3
.
.
.

p1

p
_

_
De plus les (h) decroissent exponentiellement vers 0.
La prevision `a laide des mod`eles AR
Le mod`ele secrit, quite `a recentrer le processus,
X
t
=
1
X
t1
+... +
p
X
tp
+
t
ou (L) X
t
=
t
La prevision optimale `a la date T + 1, faite `a la date T est
93
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
T
X

T+1
= EL(X
T+1
[X
T
, X
T1
, ...). Aussi,
T
X

T+1
=
1
X
T
+... +
p
X
Tp
car (
t
) est linnovation. De fa con analogue,
X
T+h
=
1
X
T+h1
+... +
p
X
T+hp
+
T+h
, et donc
T
X

T+h
= EL(X
T+h
[X
T
, X
T1
, ...) est donne, de facon recursive par
T
X

T+h
=
_
_
_

1
.
T
X

T+h1
+... +
h1
.
T
X

T+1
+
h
X
T
+... +
p
X
T+hp
pour h p

1
.
T
X

T+h1
+... +
p
.
T
X

T+hp
pour h > p
On supposera l`a aussi que lon sest ramene `a un processus centre (X
t
),
satisfaisant
X
t
=
t
+
1

t1
+... +
q

tq
= (L)
t
.
La prevision optimale `a la date T + 1, faite `a la date T est
T
X

T+1
= EL(X
T+1
[X
T
, X
T1
, ...) = EL(X
T+1
[
T
,
T1
, ...) car (
t
) est le
94
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
processus dinnovation. Aussi,
T
X

T+1
= 0 +
1

T
+... +
q

T+1q
De facon analogue, X
T+h
est estime par
T
X

T+h
= EL(X
T+h
[X
T
, X
T1
, ...) = EL(X
T+h
[
T
,
T1
, ...), et donc
T
X

T+h
=
_
_
_

h
.
T
X

T
+... +
q
X
T+hq
pour h q
0 pour h > q.
(3)
Toutefois, cette methode presente le desavantage destimer X
T+h
`a partir des
residus passes, a priori non observables, et non pas du passe de la variable.
Lequation X
t
= (L)
t
peut se reecrire
1
(L) X
t
=
t
, soit
X
t
=

k=1
a
k
X
tk
+
t
et donc X
t+h
=

k=1
a
k
X
t+hk
+
t+h
pour tout h 0
95
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Aussi,
T
X

T+h
peut etre ecrit de facon iterative
T
X

T+h
=
h1

k=1
a
k
.
T
X

T+hk
+

k=h
a
k
X
t+hk
Toutefois, un des probl`emes est que les (X
t
) ne sont pas observes, en pratique,
pour t < 0. On utilise alors lecriture suivante
X
T+h
=

k=1
a
k
X
T+hk
+
t+h
=
h1

k=1
a
k
X
T+hk
+

k=h
a
k
X
T+hk
. .
Reste dune serie ACV
+
T+h
,
o` u le reste de la serie absolument convergente tend (au sens de L
2
) vers 0 quand
T . On peut alors considerer, quand T est susement grand que
T
X

T+h
=
h1

k=1
a
k
.
T
X

T+hk
+
T+h

k=h
a
k
X
T+hk
+

k=T+h+1
a
k
X
T+hk
. .
Negligeable (hyp.)
,
96
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
et on approxime
T
X

T+h
par
T

X

T+h
T

X

T+h
=
h1

k=1
a
k
.
T

X

T+hk
+
T+h

k=h
a
k
X
T+hk
.
Lintervalle de conance se fait `a laide de la forme MA(),
X
T+h
=

i=0
b
i

T+hi
=
T+h

i=0
b
i

T+hi
+

i=T+h+1
b
i

T+hi
,
et donc
T

h
= X
t+h

T

X

T+h

h

i=0
b
i

T+hi
.
Sous lhypoth`ese de normalite des residus (
t
), H
0
:
t
i.i.d.,
t
^
_
0,
2
_
, alors
T

h
= X
t+h

T

X

T+h
^
_
0,
2
h

i=0
b
2
i
_
,
97
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
do` u lintervalle de conance pour X
T+h
au niveau 1
_
_
T

X

T+h
u
1/2
.s

_
h

i=0

b
2
i
_
_
,
o` u les

b
i
sont des estimateurs des coecients de la forme moyenne mobile, et s
est un estimateur de la variance du residu.
Considerons le processus stationnaire (X
t
), sous la forme generale
X
t
=
1
X
t1
+ +
t
.La prevision `a horizon 1, fait `a la date T, secrit
T
X

T+1
= E(X
T+1
[X
T
, X
T1
, ..., X
1
) =
1
X
T
+,
et de fa con similaire
T
X

T+2
=
1T
X

T+1
+ =
2
1
X
T
+ [
1
+ 1] .
De facon plus generale, on obtient recursivement la prevision `a horizon h,
T
X

T+h
=
h
1
X
T
+
_

h1
1
+... +
1
+ 1

. (4)
98
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
On peut noter que quand h ,
T
X

T+h
tend vers / (1
1
), la moyenne du
processus X
t
. Lerreur de prevision `a horizon h est donnee par
T

h
=
T
X

T+h
X
T+h
=
T
X

T+h
[
1
X
T+h1
+ +
T+h
]
= ...
=
T
X

T+h

h
1
X
T
+
_

h1
1
+... +
1
+ 1
_
+
T+h
+
1

T+h1
+... +
h1
1

T+1

,
do` u, en substituant (4), on obtient
T

h
=
T+h
+
1

T+h1
+... +
h1
1

T+1
,
qui poss`ede la variance

V =
_
1 +
2
1
+
4
1
+... +
2h2
1

2
, o` u V (
t
) =
2
.
La variance de la prevision croit avec lhorizon.
Considerons le processus stationnaire (X
t
), sous la forme generale
X
t
= +
t
+
1

t1
99
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
La prevision `a horizon 1, fait `a la date T, secrit
T
X

T+1
= E(X
T+1
[X
T
, X
T1
, ..., X
1
) = +
1

T
o` u
T
est lerreur de la derni`ere observation, `a la date T. De fa con plus generale,
on obtient recursivement la prevision `a horizon h,
T
X

T+h
= E(X
T+h
[X
T
, X
T1
, ..., X
1
) = E( +
T+h
+
1

T+h1
) = (5)
Cest ` a dire qu`a partir dun horizon 2, la meilleure prevision est la moyenne du
processus. Lerreur de prevision `a horizon h est donnee par
T

h
=
T
X

T+h
X
T+h
=
T+h
+
1

T+h1
dont la variance est

V =
_
1 +
2
1
_

2
o` u V (
t
) =
2
pour h 2. Sinon, pour h = 1, la variance est

V =
2
1

2
.
100
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les prix, un processus integre ?
Il existe plusieurs formes de non-stationnarite,
les series integree, cest `a dire quen les dierenciant Y
t
= (1 L)X
t
, on obtient
une serie stationnaire,
les series tendance (lineaire) + serie stationnaire, X
t
=
t
+Y
t
,
101
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les prix, un processus integre ?
0 50 100 150 200 250

5
0

4
0

3
0

2
0

1
0
0
0 50 100 150 200 250

5
0

4
0

3
0

2
0

1
0
0
102
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les prix, un processus integre ?
0 50 100 150 200 250

1
5

1
0

5
0
5
1
0
1
5
2
0
0 50 100 150 200 250

1
5

1
0

5
0
5
1
0
1
5
2
0
103
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Tester la presence dune racine unite
Le test de Dickey-Fuller (simple) permet de tester lhypoth`ese H
0
: le processus
suit une marche aleatoire contre lhypoth`ese alternative H
a
: le processus suit un
mod`ele AR(1). Ces tests peuvent etre regroupes en 4 cas :
(1) Y
t
= Y
t1
+
t
: on teste H
0
: = 1 (marche aleatoire sans derive)
(2) Y
t
= +Y
t1
+
t
: on teste H
0
: = 0 et = 1 (marche aleatoire sans
derive)
(3) Y
t
= +Y
t1
+
t
: on teste H
0
: ,= 0 et = 1 (marche aleatoire avec
derive)
(4) Y
t
= +t +Y
t1
+
t
: on teste H
0
: = 0, = 0 et = 1 (marche
aleatoire sans derive)
Le test de Dickey & Fuller, dans le cas (1), se construit comme un test de
Sutdent de lhypoth`ese = 1, ou plutot 1 = 0. Etant donne lestimateur
104
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
naturel de , on peut noter que
1 =

t
Y
t1

Y
t1
Le test de Dickey & Fuller augmente permet de tester lhypoth`ese H
0
: est
integre dordre au moins 1 H
a
: le processus suit un mod`ele AR(p). Ces tests
peuvent etre regroupes en 4 cas :
(1) (L) Y
t
=
t
: on teste H
0
: (1) = 0
(2) (L) Y
t
= +
t
: on teste H
0
: = 0 et (1) = 0
(3) (L) Y
t
= +
t
: on teste H
0
: ,= 0 et (1) = 0
(4) (L) Y
t
= +t +
t
: on teste H
0
: = 0, = 0 et (1) = 0
Ces 4 cas peuvent etre reecrits en introduisant les notations suivantes,
(L) = (1) + (1 L)

(L) = (1)
_
p1

i=0

i
L
i
_
(1 L)
105
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
o` u
_
_
_

0
= (1) 1

i
=
i1

i
=
i+1
+... +
p
pour i = 1, ..., p. En posant
= 1 (1), on peut reecrire les 4 cas en
(1) Y
t
= Y
t1
+

i
y
ti
+
t
: on teste H
0
: = 1
(2) Y
t
= +Y
t1
+

i
y
ti
+
t
: on teste H
0
: = 0 et = 1
(3) Y
t
= +Y
t1
+

i
y
ti
+
t
: on teste H
0
: ,= 0 et = 1
(4) Y
t
= +t +Y
t1
+

i
y
ti
+
t
: on teste H
0
: = 0, = 0 et = 1
Pour simplier, on ecrira
(1) Y
t
= Y
t1
+

i
y
ti
+
t
, avec = 1 appele Mod`ele [1]
(2 3) Y
t
= +Y
t1
+

i
y
ti
+
t
appele Mod`ele [2]
(4) Y
t
= +t +Y
t1
+

i
y
ti
+
t
appele Mod`ele [3]
Les tables ont ete tabulees par Dickey & Fuller (1979), et sont analogues aux
tables du t de Student. Dans le cas simple, le param`etre (ou ) est estime par
la methode des moindres carres ordinaires. Lestimation des coecients et des
106
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
ecart-types du mod`ele fournit un t

, analogue `a la statistique de Student dans les


mod`eles lineaires (rapport du coecient sur son ecart-type). Si t

est superieur
au t tabule, on accepte H
0
, hypoth`ese dexistence dune racine unite, et le
processus nest alors pas stationnaire.
Il est aussi possible deectuer ce test en utilisant n

n
, o` u

n
est lestimateur de
obtenu `a partir de n observations. Si cette valeur (empirique) est superieure `a
celle tabulee, on accepte lhypoth`ese H
0
.
Dautres tests existent, en particulier le test de Philipps-Perron. Ces tests non
parametriques ont ete introduits en 1988. La distribution theorique `a la base des
tests de Dickey & Fuller repose sur lhypoth`ese dheteroscedasticite du bruit. La
generalisation des tests DF aux tests ADF se fait en considerant
Y
t
= D
t
+Y
t1
+
t
Y
t
= D
t
+Y
t1
+

i
y
ti
+
t
,
o` u (D
t
) est une tendance deterministe. La generalisation des tests DF proposee
par Phillips et Perron consiste `a ne plus supposer que (
t
) est un bruit blanc, et `a
autoriser que ce processus soit autocorrelee. La generalisation de ces tests au cas
107
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
heteroscedastique a ete proposee par Phillips et Perron, les valeurs critiques
correspondant `a celles des tests ADF. Ces tests reposent sur des resultats de la
theorie de la convergence faible fonctionelle (theor`eme central limite fonctionel
(FCLT) par exemple). Lutilisation du FCLT pour des tests de racines unite a ete
propose d`es 1958 par White.
Si (X
t
) est un processus stationnaire alors les statistiques calculees sur ce
processus veriront le FCLT. Considerons par exemple le cas AR(1),
X
t
= X
t1
+
t
pour t = 1, ..., T, et cherchons `a tester = 1 (hypoth`ese H
0
). En
supposons H
0
veriee, et considerons la somme partielle du processus
dinnovation,
S
t
= X
t
X
0
=
t

i=1

i
.
On prendra comme valeur initiale de (S
t
), S
0
= 0, mais pour le choix de X
0
trois
possibilites sont generalement envisagees : (i) X
0
= c (constante), (ii) X
0
admet
une distribution speciee a priori, (iii) X
0
= X
T
. Cette derni`ere condition, dite
hypoth`ese de cicularite, a ete propose par Hotelling.
108
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Aller plus loin que les bruits blancs
Considerons la serie suivante,
0 200 400 600 800 1000

1
0
1
2
109
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
0 5 10 15 20 25 30
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Lag
A
C
F
Autocorrlations de Xt
0 5 10 15 20 25 30
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Lag
A
C
F
Autocorrlations de |Xt|
0 5 10 15 20 25 30
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Lag
A
C
F
Autocorrlations de Xt^2
Si on consid`ere simplement des autocorrelations, X
t
ressemble `a un bruit blanc.
Mais ([X
t
[) ainsi que (X
2
t
) sont tr`es autocorreles. On pourrait tenter
X
2
t
=
0
+
1
X
2
t1
+
t
, ou X
t
=
_

0
+
1
X
2
t1
+
t
mais
rien ne garantie que
0
+
1
X
2
t1
+
t
0,
rien ne permet de choisir le signe de X
t
.
110
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus ARCH
111
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus ARCH
112
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus ARCH
Denition 23. Le processus (X
t
) est un processus ARCH (1) si
X
t
=
t
_

0
+
1
X
2
t1
o` u (
t
) est un bruit blanc gaussien,
t
^
_
0,
2
_
. On
notera generallement h
t
=
0
+
1
X
2
t1
, et donc X
t
=

h
t
.
t
.
Soit (X
t
) un processus AR(1), tel que X
t
= X
t1
+
t
o` u
t
^
_
0,
2
_
, alors
V (X
t
) =
1
1
2

2
et V (X
t
[X
t1
) =
2
,
cest ` a dire que la variance, et la variance conditionnelle, ne dependent pas du
temps.
Soit (X
t
) un processus ARCH (1), tel que X
t
=
t
_

0
+
1
X
2
t1
o` u

t
^
_
0,
2
_
, alors
V (X
t
[X
t1
) =
_

0
+
1
X
2
t1

2
.
113
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus ARCH versus bruit blanc
0 200 400 600 800 1000

1
0
1
2
0 200 400 600 800 1000

1
0
1
2
114
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus ARCH versus bruit blanc
0 200 400 600 800 1000

1
0
1
2
0 200 400 600 800 1000

1
0
1
2
115
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus ARCH versus bruit blanc
2 1 0 1 2

1
0
1
2
2 1 0 1 2

1
0
1
2
116
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus ARCH versus bruit blanc
D
e
n
s
ity
2 1 0 1 2
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
D
e
n
s
ity
2 1 0 1 2
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
117
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus ARCH versus bruit blanc
3 2 1 0 1 2 3

1
.5

1
.0

0
.5
0
.0
0
.5
1
.0
Normal QQ Plot
Theoretical Quantiles
S
a
m
p
le
Q
u
a
n
tile
s
3 2 1 0 1 2 3

1
0
1
2
Normal QQ Plot
Theoretical Quantiles
S
a
m
p
le
Q
u
a
n
tile
s
118
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
ARCH versus HIS
Deux types de mod`eles ont ete utilises pour modeliser la volatilite. On suppose
que les (log)rendements verient R
t
= +
t
, o` u
t
^(0,
2
t
), ou encore

t
=
t

t
o` u
t
^(0,
2
t
), avec comme dynamique

2
t
=
0
+
1

2
t1
pour les processus ARCH

t
=
0
+
1

t1
+u
t
pour les processus HIS historical volatility models
Le cas le plus simple consiste `a considerer le cas o` u
t
=
t1
+u
t
, alors

t+1
=
t
.
Cette quantite est assez dierente de la moyenne historique

t+1
=
1
t
(
t
+
t1
+ +
1
) ,
ou bien la moyenne glissante (de longueur h)

t+1
=
1
h
(
t
+
t1
+ +
th+1
) .
119
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
On peut egalement considerer du lissage exponentiel, o` u

t+1
= [1 ]
t
+
t
ou encore moyenne glissante `a poids exponentiels (EWMA - exponentially
weighted moving average), proposee par RiskMetrics de JP Morgan,

t+1
=
h

i=1

ti+1
h

i=1

i
120
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus ARCH
Denition 24. On dit que le processus (X
t
) suit un processus ARCH (p) sil est
deni par une equation de la forme
X
t
=
t
_
h
t
o` u h
t
=
0
+
p

i=1

i
X
2
ti
,
o` u (
t
) est un bruit blanc gausien, centre, de variance
2
, soit
t
^
_
0,
2
_
.
Ceci peut aussi secrire
X
2
t
=
t
_

0
+
p

i=1

i
X
2
ti
_
.
Ce nest plus le processus (X
t
) que lon cherche `a modeliser, mais le processus
_
X
2
t
_
.
Dans le cas o` u (
t
) est un bruit blanc fort (
t
i.i.d.) gaussien, alors (
t
) peut etre
vu comme une dierence de martingale. Pour que le processus (X
t
) soit
stationnaire au second ordre, la variance marginale de (X
t
) soit etre constante.
121
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Or V (X
t
) =
0
+
1
V (X
t1
) , cest `a dire que lon doit avoir
1
< 1, et donc
V (X
t
) =
0
/ (1
1
).
Proposition 25. (X
t
) est stationnaire au second ordre si
0
> 0 et 0
1
< 1.
On peut alors noter que pour tout h 1,
E
_
X
t
[X
th
_
= 0,
puisque E
_
X
t
[X
th
_
= E
_
E
_
X
t
[X
t1
_
[X
th
_
= E
_
0[X
th
_
= 0. De plus,
V
_
X
t
[X
th
_
=
0
1
h
1
1
1
+
1
X
2
th
et V (X
t
) =

0
1
1
. (6)
Aussi,
V
_
X
t
[X
th
_
V (X
t
) =
h
1
_
X
2
th
V (X
th
)

.
Comme nous lavions vu en introduction, les mod`eles ARCH permettent davoir
des processus avec des queues de distribution plus epaisses que les processus
122
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
ARMA. La kurtosis conditionnelle est obtenue `a laide de la relation
E
_
X
4
t
[X
t1
_
= 3
_

0
+
1
X
2
t1

2
,
et la kurtosis `a la date t est
E
_
X
4
t
_
= 3
_

2
0
+
2
1

2
0
1
1
+
2
1
E
_
X
4
t1
_
_
=
3
2
0
(1 +
1
)
(1 3
2
1
) (1
1
)
.
La condition dexistence du moment dordre 4 est 3
2
1
< 1, et on en deduit alors
lexpression de la kurtosis
=
E
_
X
4
t
_
E(X
2
t
)
2
= 3
1
2
1
1 3
2
1
> 3 (cas de la loi normale).
Les queues de la distribution marginale dun processus ARCH (1) sont donc plus
epaisses que pour un processus gaussien (on parlera de distribution leptokurtique).
Les mod`eles ARCH (p) sont des extensions des mod`eles ARCH (1) . Les mod`eles
ARCH (1) etaient
X
t
=
t
h
t
o` u h
2
t
=
0
+
1
X
2
t1
et
t
^
_
0,
2
_
,
123
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
et les mod`eles ARCH (p) font intervenir plusieurs retards,
X
t
=
t
h
t
o` u h
2
t
=
0
+
p

i=1

i
X
2
ti
et
t
^
_
0,
2
_
.
La volatilite de la date t est alors fonction des carres des ecarts `a la moyenne
observes dans le passe proche. Si les coecients
i
sont tous positifs (et assez
grands), il y a une persistance des niveaux de volatilite : on observe des periodes
de forte volatilite suivies de periode de faible volatilite. On peut alors ecrire
E
_
X
t
[X
t1
_
= 0, et E
_
X
2
t
[X
t1
_
= h
2
t
=
0
+
p

i=1

i
X
2
ti
.
Ces mod`eles ont ete introduits par Bollerslev en 1986, inspires de la demarche de
Box et Jenkins, avec une dynamique autoregressive,
X
t
=
t
h
t
o` u h
2
t
=
0
+
p

i=1

i
X
2
ti
+
q

j=1

j
h
2
tj
et
t
^
_
0,
2
_
. (7)
On peut noter tout dabord que, sous cette forme, les coecients p et q ne sont
124
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
pas analogues `a ceux des mod`eles ARMA : en particulier, q correspond au
caract`ere autoregressif du processus
_
h
2
t
_
. On a alors
E
_
X
t
[X
t1
_
= 0 et E
_
X
2
t
[X
t1
_
= h
2
t
=
0
+
p

i=1

i
X
2
ti
+
q

i=1

j
h
2
tj
.
125
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus GARCH(1,1)
Denition 26. On dit que le processus (X
t
) suit un processus GARCH (1, 1) sil
est deni par une equation de la forme
X
t
=
t
_
h
t
o` u h
2
t
=
0
+
1
X
2
ti
+
1
h
2
t1
,
o` u (
t
) est un bruit blanc gausien, centre, de variance
2
, soit
t
^ (0, 1).
Si (X
t
) est stationnaire au second ordre, alors
V ar(X
t
) = E(X
2
t
) = E(E(X
2
t
[X
t1
, X
t2
, )) = E(h
2
t
) =
0
+
1
E(h
2
t
)+
1
E(h
2
t1
),
aussi
(1
1

1
)E(h
2
t
=
0
.
Il convient donc davoir
1
+
1
< 1.
126
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus GARCH(p, q)
Proposition 27. Si le processus GARCH (p, q) est stationnaire au second ordre,
alors necessairement
p

i=1

i
+
q

j=1

j
< 1, (8)
et dans ce cas, la variance de X
t
est
V (X
t
) =

0
1

p
i=1

i
+

q
j=1

j
.
Dans le cas o` u (8) est saturee, i.e.

p
i=1

i
+

q
j=1

j
= 1, on dira alors que le
processus GARCH (p, q) est integre, et on parlera de processus IGARCH (p, q).
Cette denomination peut se justier par lexistance dune racine unite dans la
composante autoregressive de (7). Toutefois, cette analogie avec lextention des
mod`ele ARMA aux mod`eles ARIMA peut etre trompeuse : un processus
ARIMA nest pas stationnaire (au second ordre ou au sens fort) alors quil
existe une solution stationnaire (au sens fort) dun mod`ele IGARCH (qui
127
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
admettra une variance innie dapr`es la propriete ci-dessus).
128
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus GARCH(1,1)
Dans le cas dun processus GARCH (1, 1), il est possible de montrer que la
kurtosis de X
t
est de la forme
(X
t
) =
1 (
1
+
1
)
2
1 (
1
+
1
)
2

2
1
(
4
1)
(
t
) o` u
4
= E
_

4
t
_
.
Lestimation peut se faire en utilisant des techniques inspirees du maximum de
vraissemblance. La log-vraissemblance `a la date t est de la forme
/
t
= constante
1
2
log h
2
t

1
2

2
t
h
2
t
,
et la log-vraissemblance totale du mod`ele secrit
/ = constante
1
2
n

t=1
log h
2
t

1
2
n

t=1

2
t
h
2
t
.
La methode pour estimer les param`etres est alors la suivante
(1) calcul des residus/erreurs du mod`eles de regression :
t
,
129
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
(2) calcul du carre des erreurs
2
t
, et on eectue la regression lineaire de
2
t
sur
son passe
2
t1
, ...,
2
tp
:

2
t
=
0
+
p

i=1

i

2
ti
+u
t
,
(3) on consid`ere que la variance de lerreur peut etre approchee par h
2
t
, et on
estime de nouveau les param`etres du mod`ele par moindres carres generalises,
avec comme facteur de ponderation = 1/h
t
et = diag
_
h
2
t
_
:
=
_

1

_
1

h et
h
2
t
=
0
+
p

i=1

i

2
ti
+u
t
.
Par rapport aux mod`eles lineaire, on a une grande dierence quant `a la variance
de lerreur du mod`ele, qui va etre fonction de la variance residuelle , alors que
pour les mod`eles ARCH, elle sera fonction de h
2
t
: la variance de lerreur nest
alors plus constante (ce qui va inuencer, par exemple, les intervalles de
130
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
conance lors des previsons).
Plus rigoureusement, lestimation des param`etre dans les mod`eles ARCH se fait
en utilisant lestimateur du pseudo maximum de vraisemblance, sous lhypoth`ese
de loi conditionelle normale.Aussi, so l
t
(y, ) designe la vraisemblance de Y
t
,
conditionelle au passe, la vraisemblance de Y
1
, ..., Y
T
, conditionelle `a Y
0
est alors
L(y, ) =
T

t=1
l
t
(y, ) et on pose

= arg max log L(y, ) .
En fait, cet estimateur est convergent, meme si la loi conditionelle nest pas
normale. Cet estimateur est egalement asymptotiquement normal.
131
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Etude des autocorrelations (empiriques)
Si (X
t
) est un bruit blanc, alors

n (h)
L
^(0, 1) pour tout h ,= 0.
Si (X
t
) est un processus GARCH(p, q), alors

n (h)
L
^(0, (0)
2
E(X
2
t
X
2
th
))
pour tout h ,= 0.
E.g., si (X
t
) est un processus ARCH(1), alors

n (1)
L
^
_
0,
(1 )(1 +
4
)
(1
4

2
)
_
pour tout h ,= 0, o
4
= E(X
4
t
).
= il ne faut pas se er aux bornes de conance classiques.
132
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
0 5 10 15 20

0
.
3

0
.
2

0
.
1
0
.
0
0
.
1
0
.
2
0
.
3
Lag
A
C
F
Series X
133
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Autres mod`eles non-lineaires ?
Les mod`eles autoregressifs `a seuils ont ete introduits par Tong en 1978, sous le
nom de threshold autoregressive, ou TAR. On suppose, dans le cas dun seuil
unique, quil existe deux regimes dierents,
Y
t
=
_
_
_

(1)
1
X
t1
+
(1)
2
X
t2
+... +
(1)
p
1
X
tp
1
+
t
si X
t
s

(2)
1
X
t1
+
(2)
2
X
t2
+... +
(2)
p
2
X
tp
1
+
t
si X
t
> s,
o` u (X
t
) est soit une variable exog`ene, soit une variable (Y
t
) retardee (Y
td
). Dans
ce dernier cas, on parlera eventuellement de mod`ele SETAR, self excited
threshold AR. Il est dailleurs poissible de generaliser davantage en considerant
des sous-mod`eles ARMA au lieu de mod`eles AR. Il est `a noter que les bruit (
t
)
et (
t
) sont independants, et peuvent etre de variance dierente.
Example 28. Considerons le cas de mod`eles AR(1) avec un seuil unique
X
t
=
_
_
_

1
X
t1
+
t
si X
t1
s

2
X
t1
+
t
si X
t1
> s,
134
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
avec le meme bruit. Une condition necessaire et sucante dexistence dune
solution stationnaire et
1
< 1,
2
< 1 et
1

2
< 1. La serie ci-dessous
correspond `a une simulation de la serie
X
t
=
_
_
_
0.2.X
t1
+
t
si X
t1
1
0.9.X
t1
+
t
si X
t1
> 1,
avec un bruit blanc gaussien, centre reduit,
Ce type de processus, l`a aussi, permet davoir des queues de distribution plus
epaisses (en loccurence ici pour les fortes valeurs de Y
t
- queue `a droite).
Une ecriture equivalente du mod`ele `a seuil `a deux regimes, avec un seul reatard,
135
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
ou une seule variable exog`ene (X
t
ou Y
t1
), est la suivante
Y
t
=
_
_
_

1
+
1
X
t
+
t
si X
t
s

2
+
2
X
t
+
t
si X
t
> s,

Y
t
= (
1
+
1
X
t
) I
X
t
s
+ (
2
+
2
X
t
) I
X
t
>s
+u
t
,
(9)
o` u (u
t
) est une sequence de bruits independants, dont la variance est de la forme
V (u
t
) =
2

I
X
t
s
+
2

I
X
t
>s
. Il sera possible de se reporter `a larticle de Ben
Salem et Perraudin (2001) Tests de linearite, specication et estimation des
mod`eles ` a seuil : une analyse comparee des methodes de Tsay et Hansen pour
des complements dinformation sur le sujet.
136
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Les processus `a volatilite stochastique
Pour les mod`eles ARCH, nous avions suppose que les (log)rendements verient
R
t
= +
t
, o` u
t
= z
t
h
t
o` u z
t
^(0, 1), avec comme dynamique
h
2
t
=
0
+
1

2
t1
.
Ici, le mod`ele va secrire R
t
= +
t
, o` u
t
= z
t
exp(h
t
/2) o` u z
t
^(0, 1), avec
comme dynamique
h
t
=
0
+
1
h
t1
+
t
.
Le fait davoir considere une exponentielle permet davoir des h
t
0.
Le soucis est que les h
t
sont des volatilites conditionnelles non-observees, et dont
la vraisemblance est compliquee `a ecrire. Aussi, les methodes usuelles
destimation (maximum de vraisemblance) ne marche pas...
137
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
Extensions des processus ARCH
Dans un mod`ele ARCH(q),
t
=
t
z
t
, o` u z
t
^(0, 1) and where the series
2
t
are modeled by

2
t
=
0
+
1

2
t1
+ +
q

2
tq
=
0
+
q

i=1

2
ti
and where
0
> 0 and
i
0, i > 0.
Dans un mod`ele GARCH(p, q)

2
t
=
0
+
1

2
t1
+ +
q

2
tq
+
1

2
t1
+ +
p

2
tp
=
0
+
q

i=1

2
ti
+
p

i=1

2
ti
Dans un mod`ele EGARCH, exponential general autoregressive conditional
heteroskedastic introduit par Nelson (1991) is another form of the GARCH
138
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
model. Formally :
log
2
t
=
t
+

k=1

k
g(Z
tk
) +

k=1

k
log
2
tk
where g(Zt) = Zt +([Zt[ E([Zt[)),
The Quadratic GARCH (QGARCH) model by Sentana (1995) is used to
model asymmetric eects of positive and negative shocks.
In the example of a GARCH(1,1) model, the residual process
t
is

t
=
t
z
t
where zt is i.i.d. and

2
t
= K +
2
t1
+
2
t1
+
t1
Finally, the Threshold GARCH (TGARCH) model by Zakoian (1994) is
similar, and the specication is one on conditional standard deviation instead of
139
Arthur CHARPENTIER - econom etrie de la finance (2008/2009)
conditional variance :

t
= K +
t1
+
+
1

+
t1
+

t1
where
+
t1
=
t1
if
t1
> 0 , and
+
t1
= 0 if
t1
0 . Likewise,

t1
=
t1
if

t1
0 , and

t1
= 0 if
t1
> 0.
140