Partie 2. Modèles GARCH PDF

Rappel : les principales proprits des sries nancires
Lapproche ARCH / GARCH et la modlisation de la volatilit

Modles ARCH / GARCH linaires
Estimation et Prvision
Partie 2. Modles GARCH
Modles GARCH univaris
Christophe Hurlin, Universit dOrlans, Laboratoire
dEconomie dOrlans (UMR CNRS 6221)
Master Economtrie et Statistique Applique (ESA), Universit dOrlans
Septembre 2008
Christophe Hurlin Modles GARCH
Proprit 1 : Stationnarit
Proprit 2 : Autocorrlation des carrs
Proprit 3 : Distribution leptokurtique
Proprit 4 : Clusters de volatilit
Proprit 5 : Distribution conditionnelle leptokurtique
Proprit 6 : Eet de levier
Proprit 7 : Saisonnalit
Proprit 8 : Asymtries
Proprits des sries nancires
Section 1. Les principales proprits des sries
nancires
Les sries de prix dactif et de rendements prsentent gnralement
un certain nombre de proprits similaires suivant leur priodicit.
Soit p
t
le prix dun actif la date t et r
t
le logarithme du
rendement correspondant:
r
t
= log (p
t
) log (p
t1
) = log (1 + R
t
)
o R
t
= (p
t
p
t1
) /p
t
dsigne la variation relative des prix.
Example
Considrons titre dexemple lindice Standard & Poor observ en
clture sur la priode du 03/07/1989 au 24/11/2003 ainsi que le
rendement quotidien associ
Figure: Indice SP500 : 03/07/1989 au 24/11/2003
Figure: Rendement SP500 : 03/07/1989 au 24/11/2003
Charpentier (2002) distingue ainsi 8 principales proprits :
Proprit 1 (Stationnarit) Les processus stochastiques p
t
associs aux prix dactif sont gnralement non
stationnaires au sens de la stationnarit du second
ordre, tandis que les processus associs aux
rendements sont compatibles avec la proprit de
stationnarit au second ordre.
Rappelons au passage les dnitions de la stationnarit forte et de
la stationnarit faible (ou stationnarit du second ordre). Soit un
processus temporel alatoire (x
t
, t Z) .
Denition
Le processus x
t
est dit strictement ou fortement stationnaire si \
le n-uplet du temps t
1
< t
2
< .. < t
n
, tel que t
i
Z et pour tout
temps h Z avec t
i
+ h Z, \i , i = 1, .., n, la suite
(x
t
1
+h
, .., x
t
n
+h
) la mme loi de probabilit que la suite
(x
t
1
, .., x
t
n
) .
Denition
Un processus (x
t
, t Z) est dit stationnaire au second ordre, ou
stationnaire au sens faible, ou stationnaire dordre deux si les trois
conditions suivantes sont satisfaites :
(i) \t Z, E
_
x
2
t
_
<
(ii) \t Z, E(x
t
) = m, indpendant de t
(iii)
\ (t, h) Z
2
, cov (x
t
, x
t+h
) = E[(x
t+h
m) (x
t
m)] = (h) ,
indpendant de t
La premire condition E
_
x
2
t
_
< garantit lexistence (ou la
convergence) des moments dordre deux.
La seconde condition E(x
t
) = m, \t Z porte sur le
moment dordre un et signie tout simplement que lesprance
du processus x
t
doit tre indpendante du temps.
La troisime condition porte sur les moments dordre deux
rsums par la fonction dautocovariance (h) : la fonction
dautocovariance du processus x
t
doit tre indpendante du
temps et ne doit dpendre que lordre des retards h. Cela
implique en particulier que la variance (0) du processus x
t
doit tre constante au cours du temps.
Proprit 2 (Autocorrlations des carrs des variations de prix)
La srie r
2
t
associe aux carrs des rendements
prsente gnralement de fortes auto-corrlations
tandis que les auto-corrlation de la srie r
t
sont
souvent trs faibles (hypothse de bruit blanc).
Labsence dauto-corrlation des rendements renvoit la notion
decience (Ecient Market Hypothesis ou EMH).
Cuthbertson (2000), Economie Financire Quantitative:
Actions, Obligations et Taux de Change, De Boeck, chapitres
5 et 6.
Retenons simplement que sous lEMH, le cours p
t
dune
action incorpore toutes les informations pertinentes. Dis
autrement, lhypothse decience du march implique en
eet que les rendements anticips dquilibre corrigs du
risque ne sont pas prvisibles.
Quelle que soit la dnition de lEMH retenue, les cours ne
peuvent varier entre t et t + 1 quen raison de larrive de
nouvelles (news) non anticipes.
Denition
Sous lhypothse danticipations rationnelles, les erreurs de
prvisions dnies par
t+1
= p
t+1
E
t
p
t+1
doivent tre nulles en
moyenne et ne doivent tre corrles avec aucune information de
lensemble
t
dinformation disponible la date t. Cette dernire
proprit est appele proprit dorthogonalit et peut sexprimer
sous la forme :
E(
t+1
[
t
) = 0
On applique souvent lhypothse de marchs ecients
directement sur les rendements r
t
:
r
t+1
= E
t
r
t+1
+
t+1
o lerreur de prvision
t+1
vrie
E(
t+1
) = 0
E(
t+1
[
t
) = 0
Sous lhypothse danticipation rationnelle, rendements non
anticips sont en moyenne nuls et vrient une condition
dorthogonalit par rapport lensemble dinformation
t
.
Lemma
La prsence dune auto-corrlation des rendements r
t
constitue une
violation de lhypothse dEMH sous lhypothse danticipation
rationnelle. En revanche, on notera que lhypothse EMH
nimpose a priori aucune restriction sur la forme des moments
suprieurs un de la distribution de
t
et de r
t
. La variance de
t+1
(ou de r
t+1
) peut tre lie avec ses valeurs passes tout en
respectant lecience informationnelle. Ds lors, lauto-corrlation
des r
2
t
nest pas incompatible avec lEMH.
Example
On vrie sur nos donnes relatives lindice SP500 labsence de
corrlations des rendements ainsi que la prsence de corrlations
des rendements aux carrs r
2
.
Pour cela, on considre le statistique de Box et Pierce. On note a
k
lautocorrlation dordre k dun processus z
t
, t Z . Pour un
ordre K, le test de Box et Pierce est tel que :
H
0
: a
1
= ... = a
K
= 0
H
1
: j [1, K] , tel que a
j
,= 0
La statistique du test de Box Pierce est :
Q
BP
= T
K
k=1
a
2
k
/
T
A
2
(K)
o a
k
dsigne lautocorrlation empirique :
a
k
=

T
t=k+1
(z
t
z) (z
tk
z) / (T k)
T
t=k+1
(z
t
z)
2
/T
De la mme faon la statistique de Ljung-Box, dnie pour un
ordre K vrie :
Q
K
= T (T + 2)
K
k=1
a
2
k
T k
/
T
A
2
(K)
Corrlogramme des Rendements
du SP500
Corrlogramme des Rendements
au Carr du SP500
Proprit 3 (Queues de distribution paisses) Lhypothse de
normalit des rendements est gnralement rejete.
Les queues des distributions empiriques des
rendements sont gnralement plus paisses que
celles dune loi gaussienne. On parle alors de
distribution leptokurtique.
La Kurtosis est la mesure standard de lpaisseur des queues de
distributions fonde sur le moment centr dordre 4,
i.e.
4
= E
_
(X )
4
_
et la variance V (X) =
2
=
2
.
Denition (Kurtosis)
Soit X une variable alatoire rlle telle que
2
et
4
existent :
Kurtosis = E
_
_
_
X E(X)
_
V (X)
_
4
_
_
=

4
2
2
Degr dexcs de Kurtosis = E
_
_
_
X E(X)
_
V (X)
_
4
_
_
3
Denition (leptokurticit)
Si la Kurtosis
4
/
2
2
est suprieure (respectivement infrieure) 3,
la distribution est dite leptokurtique ( respectivement
platykurtique) ou queues "paisses"
Denition (mesokurticit)
Si la Kurtosis est prcisment gale 3, on dit que la distribution
est dite mesokurtique (attention: une distribution normale est
mesokurtique, mais une Kurtosis gale 3 nimplique pas la
normalit)
Denition (test dexcs de Kurtosis)
Un estimateur convergent de la Kurtosis associ un chantillon
de taille T scrit:
K
u
=
1
T
T
t=1
_
x
t
x

x
_
4
ou
x
dsigne un estimateur non biais de la variance. Sous
lhypothse nulle H
0
:
4
/
2
2
= 3, on montre que:
K
u
3
_
24
T
/
T
A (0, 1)
Example
On vrie que dans le cas des rendements du SP500 la kurtosis est
largement et signicativement suprieure 3, impliquant
lexistence dune distribution leptokurtique des rendements de
lindice amricain sur la priode. Par consquent, le test de
Jarque-Bera conduit ici rejeter trs largement lhypothse dune
distribution symtrique et mesokurtique. Rappel :
s =
T
6
S
k
+
T
24
(K
u
3)
2
//H
0
T
A
2
(2)
o S
k
dsigne la Skewness S
k
qui sous lhypothse de symtrie est
gale 0.
Figure: Histrogramme des Rendements sur SP500
0
200
400
600
800
1000
1200
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06
Series: R_SP
Sample 2 3756
Observations 3755
Mean 0.000318
Median 8.40E-05
Maximum 0.055732
Minimum -0.071127
Std. Dev. 0.010338
Skewness -0.156202
Kurtosis 7.070093
Jarque-Bera 2607.105
Probability 0.000000
Proprit 4 (Clusters de Volatilit) On observe empiriquement
que de fortes variations des rendements sont
gnralement suivies de fortes variations. On assiste
ainsi un regroupement des extrmes en cluster ou
paquets de volatilits.
Proprit 5 (Queues paisses conditionnelles) Mme une fois
corrige de la volatilit clustering (par exemple avec
des modles ARCH), la distribution des rsidus
demeure leptokurtique mme si la kurtosis est plus
faible que dans le cas non conditionnelle.
Proprit 6 (Eet de levier) Il existe une asymtrie entre leet
des valeurs passes ngatives et leet des valeurs
passes positives sur la volatit des cours ou de
rendements. Les baisses de cours tendent engendrer
une augmentation de la volatilit suprieure celle
induite par une hausse des cours de mme ampleur.
Cette proprit nest pas confondre avec celle dasymtrie de la
distribution des cours ou des rendements (proprit 8). Il sagit ici
dune asymtrie de la relation liant les valeurs passs des cours ou
rendements la volatilit de ces derniers.
Proprit 7 (Saisonnalit) Les returns prsentent de nombreux
phnomnes de saisonnalit (eets week end, eet
janvie etc..).
Il existe une littrature trs abondante qui tend mettre en
vidence de tels phnomnes. Toutefois, certaines saisonnalit
peuvent tre spciques un chantillon, une priode.
Il est, par contre, deux types de saisonnalit qui ont acquis
droit de cit dans la littrature, pour avoir t discerns sur
des chantillons, des priodes et au moyen de mthodologies
prsentant susamment de varit pour en tayer la
robustesse. Il sagit de leet janvier et de leet
week-end.
Roze et Kinney (1976) mettent en avant les rsultats suivants sur
le march des actions US :
Table: Illustration de lEet Janvier.
Return Moyen (% par mois)
Priode Janvier Autres Mois
1904-1928 1.30 0.44
1929-1940 6.63 -0.60
1940-1974 3.91 0.70
1904-1974 3.48 0.42
Sources: Roze et Kin,ney (1976) cit dans Cobbaut (1997)
Keim (1983) montre ainsi que leet janvier est dautant plus
fort que la capitalisation du titre est faible. On peut alors
avancer une explication de type tax loss selling hypothesis.
Les faibles capitalisations sont dans une large mesure le fait de
socits dont le prix du titre a dcru de manire importante au
cours de lanne, de sorte que les investisseurs ont intrt les
vendre en n danne pour rendre leur moins value scalement
dductible, quitte les racheter quelques jours plus tard.
Proprit 8 (Asymtrie perte/gain) La distribution des cours est
gnralement asymtrique : il y a plus de
mouvements forts la baisse qu la hausse.
Rappelons quun test simple de lhypothse de symtrie consiste
tester la nullit du moment centr dordre trois de la distribution,
i.e. la skweness.
Skewness =
3
= E
_
(X E(X))
3
_
Souvent on construit un coecient de Skewness dnit comme le
rapport
2
3
/
3
. Sous lhypothse nulle de distribution symtrique,
on montre que lestimateur S
k
de ce coecient :
(S
k
)
1/2
_
6
T
/
T
A (0, 1)
Example
On vrie ainsi aisment que lhypothse nulle de symtrie de la
distribution des rendements sur le SP500 est rejete : le coecient
de skewness est signicativement ngatif : la probabilit dobtenir
des valeurs infrieures la moyenne tant suprieure celle
dobtenir des valeurs plus fortes que la moyenne.
Figure: Histrogramme des Rendements sur SP500
0
200
400
600
800
1000
1200
-0.06 -0.04 -0.02 0.00 0.02 0.04 0.06
Series: R_SP
Sample 2 3756
Observations 3755
Mean 0.000318
Median 8.40E-05
Maximum 0.055732
Minimum -0.071127
Std. Dev. 0.010338
Skewness -0.156202
Kurtosis 7.070093
Jarque-Bera 2607.105
Probability 0.000000
Modliser et prvoir la volatilit
Les grandes classes de modles ARCH-GARCH
Section 2. Lapproche ARCH / GARCH et la
modlisation de la volatilit
Le premier article proposer une modlisation ARCH-GARCH fut
celui dEngle (1982) :
Engle, R.F. (1982), AutoRegressive Conditional
Heteroskedasticity with Estimates of the Variance of U.K.
Ination, Econometrica, 50, 987-1008.
-
Prvoir la Volatilit
Problem (prvoir la volatilit)
Comment prvoir la volatilit (la variance) des rendements la
date t + 1 ?
Deux solutions :
1
Considrer la variance non conditionnelle des rendements
V (r
t+1
) .
2
Considrer la variance conditionnelle des rendements
V (r
t+1
[
t
) , tout comme on considre lesprance
conditionnelle dun processus X
t
pour prvoir le niveau de la
srie (approche la Box et Jenkins, 1970).
Solution (Principe des modles ARCH-GARCH)
An de modliser et prvoir la volatilit, il convient de prendre en
compte les dpendances temporelles au niveau de la variance
conditionnelle et dadopter des reprsentations
conditionnellement htroscdastiques :
V (r
t+1
[
t
) = f (t; )
o est un ensemble de paramtres, et non conditionnellement
homoscdastiques (proprit 2, stationnarit)
V (r
t+1
) = (0) \t
Ds lors que lon souhaite proposer un "modle" paramtrique de
la variance conditionnelle, suppose tre htroscdastique, deux
solutions peuvent tre envisages :
1
Faire dpendre la variance conditionnelle V (r
t+1
[
t
) dun
ensemble de variables explicatives
2
Faire dpendre la variance conditionnelle V (r
t+1
[
t
) de son
propre pass, tout comme dans une approche ARMA la
Box et Jenkins (1970), on fait dpendre lesprance
conditionnelle en t de lesprance conditionnelle en t 1.
Denition
Les modles ARCH sont des modles autorgressifs
conditionnellement htroscdastiques
Dans un modle ARCH, cest le carr des perturbations qui
suit un processus autorgressif dordre q.
Engle (1982) a proposer ces processus pour palier aux
insusances de la classe des reprsentations ARMA,
notamment en ce qui concerne les sries nancires
Il existe deux grandes classes de modles ARCH-GARCH
1
les modles ARCH-GARCH linaires ou symtriques
(attention, les modles ARCH-GARCH sont par nature des
modles non linaires, mais cest lquation de variance
conditionnelle qui est linaire)
2
les modles ARCH-GARCH asymtriques postulant une
relation asymtrique entre la variance conditionnelle et les
chocs passs.
Modles ARCH(q)
Proprits des modles ARCH
Modle avec erreurs ARCH(q)
Modles GARCH(p, q)
Section 3. Les modles ARCH-GARCH linaires
Modles ARCH(q)
Modles ARCH(q)
Modles GARCH(p, q)
Denition (reprsentation ARCH)
Un processus X
t
satisfait une reprsentation ARCH(1) si
X
t
= z
t
_
h
t
h
t
=
0
+
1
X
2
t1
o les paramtres vrient
0
> 0 et 0 <
1
_ 1 et o z
t
dsigne
un bruit blanc faible tel que E(z
t
) = 0 et E
_
z
2
t
_
=
2
z
.
Modles ARCH(q)
Modles GARCH(p, q)
La composante h
t
dsigne une variable qui, conditionnellement
lensemble dinformation des valeurs passes de X
t
, i.e.
X
t1
= X
t1
, X
t2
, ..., X
tj
, .. , est dterministe et positive.
Denition (variance conditionnelle)
La composante h
t
dsigne une constante prs la variance
conditionnelle du processus X
t
:
V
_
X
t
[X
t1
_
= h
t
V (z
t
) = h
t

2
z
Modles ARCH(q)
Modles GARCH(p, q)
Modles ARCH(q)
Modles GARCH(p, q)
On peut tablir des rsultats intressants en considrant le
processus autorgressif sur X
2
t
. Pour simplier, on se limite au cas
du ARCH(1) :
h
t
=
0
+
1
X
2
t1
=X
2
t
=
0
+
1
X
2
t1
+
_
X
2
t
h
t
_
soit encore :
X
2
t
=
0
+
1
X
2
t1
+
t
ou
t
=
_
X
2
t
h
t
_
vriant E
_
t
[X
t1
_
= 0 est un processus
dinnovation pour X
2
t
.
Modles ARCH(q)
Modles GARCH(p, q)
Theorem (reprsentation ARCH)
Si un processus X
t
satisfait une reprsentation ARCH(1) , alors X
2
t
satisfait une rprsentation AR (1) telle que :
X
2
t
=
0
+
1
X
2
t1
+
t
ou
t
=
_
X
2
t
h
t
_
vriant est un processus dinnovation pour X
2
t
E
_
t
[X
t1
_
= 0
Modles ARCH(q)
Modles GARCH(p, q)
On peut dduire de ces direntes critures, un certain nombre de
proprits :
1
le processus X
t
vrie la dnition dune dirence de
martingale homoscdastique et dun bruit blanc faible
(proprits 1 et 2) .
2
le processus X
t
est conditionnellement htroscdastique
(proprit 4), mais non conditionnellement
homoscdastique (proprit 1)
3
le processus X
t
admet une distribution leptokurtique
(proprit 3)
Rappelons au pralable ces dnitions
Modles ARCH(q)
Modles GARCH(p, q)
Denition (Bruit blanc faible)
Un processus X
t
est un bruit blanc faible si il sagit dune suite de
variables de moyenne nulle, homoscdastiques et non corrls. Si
lon note EL (.) lesprance linaire :
EL
_
X
t
[X
t1
_
= 0 V(X
t
) =
2
x
\t
Modles ARCH(q)
Modles GARCH(p, q)
Denition (Dirence de martingale)
Un processus X
t
est une dirence de martingale homoscdastique
si et seulement si :
E
_
X
t
[X
t1
_
= 0 V(X
t
) =
2
x
\t
Un processus ARCH satisfait la dnition dune dirence de
martingale homoscdastique
Modles ARCH(q)
Modles GARCH(p, q)
Proprit 1 Un processus X
t
satisfaisant une reprsentation
ARCH(1) est une dirence de martingale
homoscdastique :
E
_
X
t
[ X
t1
_
= 0
V(X
t
) =

0
1
1
Modles ARCH(q)
Modles GARCH(p, q)
Proof.
On sait que :
X
t
= z
t
_
h
t
avec h
t
=
0
+
1
X
2
t1
, donc on a :
E
_
X
t
[X
t1
_
= E
_
z
t
_
h
t
[X
t1
_
= E
_
z
t
[X
t1
_ _
h
t
= 0
si le processus z
t
est lui mme un bruit blanc faible.
Modles ARCH(q)
Modles GARCH(p, q)
Cette proprit signie que le processus ARCH X
t
peut
sapparenter un processus de bruit blanc (faible), ce qui
explique notamment que lon spciera des erreurs de
modles sous la forme ARCH.
Cette proprit signie en outre que le processus ARCH X
t
est
non conditionnellement homoscdastique.
Cette proprit signie en outre quune reprsentation ARCH
X
t
des innovations est compatible avec lEMH
Modles ARCH(q)
Modles GARCH(p, q)
Corollary
Le rsultat selon lequel la variance non conditionnelle est dnie
par la relation
V(X
t
) =

0
1
1
explique les contraintes sur les paramtres de la
reprsentation ARCH
0
> 0
0 _
1
< 1
Modles ARCH(q)
Modles GARCH(p, q)
Corollary
Par dveloppement, on peut montrer que le processus ARCH X
t
est orthogonal tout pass :
E
_
X
t
[X
th
_
= 0 \h _ 1
Pour dmontrer cela utilisons la proprit des esprances itres.
Modles ARCH(q)
Modles GARCH(p, q)
Theorem (esprances itres)
Soient deux ensembles dinformation
1
et
2
, tels que
1
_
2
,
alors quelle que soit la variable Z, on a lgalit
E(Z[
1
) = E[E(Z[
2
) [
1
]
Modles ARCH(q)
Modles GARCH(p, q)
Proof.
on montre que
E
_
X
t
[X
th
_
= E
_
E
_
X
t
[X
t1
_
[X
th
_
= E
_
0 [X
th
_
= 0
car
X
th
_ X
t1
si h > 1
Modles ARCH(q)
Modles GARCH(p, q)
Proprit 2 La variance conditionnelle du processus X
t
satisfaisant une reprsentation ARCH(1) est non
constante dans le temps et vrie :
V
_
X
t
[X
th
_
=
0
_
1
h
1
1
1
_
+
h
1
X
2
th
\t
Modles ARCH(q)
Modles GARCH(p, q)
Cest la proprit centrale des processus ARCH : le processus
X
t
possde les proprits dun bruit blanc homoscdastique
(proprit 1), mais sa variance conditionnelle dpend du
temps.
On a lide que la liaison temporelle passe par lintermdiaire
de lquation auto-rgressive dnie sur le carr du processus,
i.e. X
2
t
=
0
+
1
X
2
t1
+
t
.
Modles ARCH(q)
Modles GARCH(p, q)
Proof.
On sait que E
_
X
t
[X
th
_
= 0, ds lors
V
_
X
t
[X
th
_
= E
_
X
2
t
[X
th
_
. Considrons le processus X
2
t
dni
par la relation X
2
t
=
0
+
1
X
2
t1
+
t
o
t
est un bruit blanc
faible. Par itration successive, on a :
X
2
t
=
0
_
1 +
1
+
2
1
+ .. +
h1
1
_
+
t
+
1
t1
+
2
1
t2
+ ..
+
h1
1

th+1
+
h
1
X
2
th
Modles ARCH(q)
Modles GARCH(p, q)
suite.
Ds lors il vient :
E
_
X
2
t
[X
th
_
=
0
_
1
h
1
1
1
_
+
h1
j =0

j
1
E
_
tj
[X
th
_
+
h
1
E
_
X
2
th
[X
th
_
Modles ARCH(q)
Modles GARCH(p, q)
suite.
Puisque par dnition du bruit blanc
t
, on a E
_
tj
[X
th
_
= 0,
\j = 0, .., h 1 et par dnition E
_
X
2
th
[X
th
_
= X
2
th
, on
obtient ainsi la formule de la proposition.
V
_
X
t
[X
th
_
=
0
_
1
h
1
1
1
_
+
h
1
X
2
th
\t
Modles ARCH(q)
Modles GARCH(p, q)
Lorsque h tend vers linni, ces variances conditionnelles
convergent vers la variance non conditionnelle, et lon retrouve
alors la formule de la proprit 1 :
V(X
t
) = lim
h
V
_
X
t
[X
th
_
= lim
h
_
0
_
1
h
1
1
1
_
+
h
1
X
2
th
_
=

0
1
1
Modles ARCH(q)
Modles GARCH(p, q)
Proprit 3 Les auto-covariances conditionnelles du processus X
t
ARCH(1) sont nulles :
cov
_
X
t
, X
t+k
[X
th
_
= 0 \h _ 1, \k _ 1
Un processus ARCH est donc un processus qui conditionnellement
X
th
est un processus sans mmoire.
Modles ARCH(q)
Modles GARCH(p, q)
Proof.
Considrons la covariance conditionnelle entre X
t
et X
t+k
:
cov
_
X
t
, X
t+k
[X
th
_
= E
__
X
t
X
t+k
E
_
X
t
[X
th
_
E
_
X
t+k
[X
th
__
[X
th
_
= E
_
X
t
X
t+k
[X
th
_
= E
_
E
_
X
t
X
t+k
[X
t+k1
_
[X
th
_
= E
_
X
t
E
_
X
t+k
[X
t+k1
_
[X
th
_
car
t
est connu en t + k 1
= E
_
X
t
0[X
th
_
Modles ARCH(q)
Modles GARCH(p, q)
Proprit 4 Le moment conditionnel centr dordre 4 du
processus X
t
vrie :
E
_
X
4
t
[X
th
_
= 3
_
0
+
1
X
2
t1
_
2
Sous lhypothse 3
2
1
< 1, le moment non
conditionnel centr dordre 4 du processus X
t
est
gal :
E
_
X
4
t
_
=
3
2
0
(1 +
1
)
(1 3
2
1
) (1
1
)
Modles ARCH(q)
Modles GARCH(p, q)
Proprit 4 (suite) La kurtosis non conditionnelle associe au
processus ARCH(1) est gale :
Kurtosis =
E
_
X
4
t
_
E(X
2
t
)
2
= 3
_
1
2
1
1 3
2
1
_
> 3
Modles ARCH(q)
Modles GARCH(p, q)
Preuve : cf. Berra et Higgins (1993).
Sous lhypothse de positivit du paramtre
1
, la kurtosis
non conditionnelle est toujours suprieure celle de la loi
normale : elle traduit laspect leptokurtique de la
distribution du processus X
t.
Cest la deuxime raison, avec la variance conditionnelle
dpendante du temps, pour laquelle les processus ARCH sont
trs utiliss pour reprsenter les sries nancires ou les
rsidus de modles linaires dnis sur sries nancires.
Modles ARCH(q)
Modles GARCH(p, q)
Toutes ces proprits peuvent tre gnralises au cas dun
processus ARCH(q) :
Denition (modle ARCH)
Un processus X
t
satisfait une reprsentation ARCH(q) si
X
t
= z
t
_
h
t
h
t
=
0
+
q
i =1
i
X
2
ti
o z
t
dsigne un bruit blanc faible tel que E(z
t
) = 0 et
E
_
z
2
t
_
=
2
z
.
Modles ARCH(q)
Modles GARCH(p, q)
Rsum : si X
t
satisfait une reprsentation ARCH, alors :
1
X
t
est une dirence de martingale (compatible avec lEMH)
2
X
t
est un processus conditionnellement htroscdastique
(compatible avec des clusters de volatilit)
3
X
t
est un processus (non conditionnellement)
homoscdastique (compatible avec la stationnarit du 2nd
ordre)
4
X
t
est un processus non autocorrl (compatible avec lEMH)
5
La distribution de X
t
est leptokurtique mme si la distribution
des innovations z
t
est mesokurtique : le processus ARCH rend
compte de lapparition dvnements "extrmes".
Modles ARCH(q)
Modles GARCH(p, q)
Modles avec erreurs ARCH
Modles ARCH(q)
Modles GARCH(p, q)
Modles avec erreurs ARCH
On considre dornavant non plus un processus ARCH pour
modliser directement la srie nancire, mais le rsidu dun
modle linaire.
Prenons lexemple dun modle linaire auto-rgressif avec
rsidus de type ARCH(q).
Modles ARCH(q)
Modles GARCH(p, q)
Denition (modle avec erreurs ARCH)
On considre un modle linaire auto-rgressif de la forme
Y
t
= E
_
Y
t
[Y
t1
_
+
t
o
t
est un bruit blanc faible, tel que E(
t
) = 0 et E(
t
s
) = 0
si s ,= t, et E
_
t
[
t1
_
= 0. On suppose que ce rsidu admet une
reprsentation de type ARCH(q) :
t
= z
t
_
h
t
avec h
t
=
0
+
q
i =1
2
ti
o z
t
est un bruit blanc faible.
Modles ARCH(q)
Modles GARCH(p, q)
Example (AR(1)-ARCH(1))
Envisageons le cas le plus simple dun processus de type AR(1)
avec erreur ARCH(1):
Y
t
= + Y
t1
+
t
t
= z
t
_
h
t
h
t
=
0
+
1
2
t1
avec [[ < 1.
Modles ARCH(q)
Modles GARCH(p, q)
Example (suite)
Dans ce cas, les rsidus satisfont les 4 principales proprits
tudies prcdemment :
Proprit de dirence de martingale : E
_
t
[
t1
_
= 0 et de
faon gnrale
E
_
t
[
th
_
= 0, \h _ 1
Variance conditionnelle dpendante du temps puisque :
V
_
t
[
th
_
=
0
_
1
h
1
1
1
_
+
h
1
2
th
V(
t
) =

0
1
1
Modles ARCH(q)
Modles GARCH(p, q)
Les auto-covariances conditionnelles sont nulles
cov
_
t
,
t+k
[
th
_
= 0, \h _ 1, \k _ 1
Sous lhypothse
2
1
< 1/3, la distribution des rsidus est
leptokurtique puisque :
Kurtosis = 3
_
1
2
1
1 3
2
1
_
> 3
Modles ARCH(q)
Modles GARCH(p, q)
On peut en outre en dduire un certain nombre de conclusions
quant au processus Y
t
lui mme.
On peut montrer tout dabord que lesprance conditionnelle
de Y
t
vrie :
E
_
Y
t
[Y
th
_
= +E
_
Y
t1
[Y
th
_
=
_
1
h
1
_
+
h
Y
th
La variance conditionnelle de Y
t
dpend du temps : le
processus Y
t
est lui mme conditionnellement
htroscdastique
Modles ARCH(q)
Modles GARCH(p, q)
Denition
La variance conditionnelle du processus AR (1) avec erreur
ARCH (1) , Y
t
, scrit :
V
_
Y
t
[Y
th
_
=
_

1
1
___
1
2h
1
2
_
1
_
h
1

2h
2
__
+
1
_
h
1

2h
2
_
2
th
Ainsi la variance dune erreur de prvision lhorizon 1, scrit :
V
_
Y
t
[Y
t1
_
= +
1

2
t1
Modles ARCH(q)
Modles GARCH(p, q)
Ds lors, les intervalles de conance sur la prvision de Y
t
nont plus une aplitude constante dans le temps.
Remarque La variance dune erreur de prvision sur un
processus avec erreur ARCH dpend du temps.
V
_
Y
t
[Y
th
_
= g (
th
)
Plus les chocs passs sont importants, plus la variance de
lerreur de prvision sera importante et donc plus lamplitude
de lintervalle de conance sera importante
Modles ARCH(q)
Modles GARCH(p, q)
Example (Intervalles de conance et eets ARCH)
Considrons un modle extrmemnt simple sur le rendement du
SP500 scrivant sous la forme
r
t
= +
t
t
= z
t
_
h
t
avec h
t
=
0
+
1
2
t1
dans ce cas, la prvision sur le rendement correspond au rendement
moyen :
E
_
r
t+1
[r
t
_
=
Modles ARCH(q)
Modles GARCH(p, q)
Example (suite)
Sous lhypothse de normalit des z
t
, un intervalle de conance
% de risque sur cette prvision scrit :
IC
1
=
_

1
_
1

2
_
_
h
t+1
; +
1
_
1

2
_
_
h
t+1
_
soit encore :
IC
1
=
_

1
_
1

2
_
_
0
+
1
(r
t
)
2
_
Plus le choc
t
est important, plus lintervalle de conance sur les
redements prvus en t + 1 sera lui aussi important.
Modles ARCH(q)
Modles GARCH(p, q)
Modles GARCH
Modles ARCH(q)
Modles GARCH(p, q)
Modles GARCH(p,q)
Un des problmes qui se pose avec les modles ARCH(q)
rside dans le fait quil est souvent ncessaire de considrer un
nombre de retards q important pour purger les corrlations
dans le carr de X
t
(et donc les clusters de volatilit)
On retrouve le problme qui se posait dans le cas de la
modlisation de lesprance conditionnelle avec des
reprsentations de type MA(q) voir MA() (thorme de
Wold). Or, dans ce cas la solution consiste introduire une
composante auto-regressive (reprsentation de type
ARMA)
Modles ARCH(q)
Modles GARCH(p, q)
Modles GARCH(p,q)
Lide de lextension GARCH est la mme dans le cas de la
variance conditionnelle :
Il sagit dintroduire une composante auto-regressive donc
de faire dpendre h
t
de son propre pass en plus des chocs
Reprsentation de type GARCH propose par Bollerslev
(1986)
Bollerslev, Tim (1986), Generalized Autoregressive
Conditional Heteroskedasticity, Journal of Econometrics,
31,pp307-327
Modles ARCH(q)
Modles GARCH(p, q)
Par la suite de cet expos, on considre un modle linaire
autorgressif exprim sous la forme suivante :
Y
t
= E
_
Y
t
[Y
t1
_
+
t
o
t
est un bruit blanc faible, tel que E(
t
) = 0 et E(
t
s
) = 0
si s ,= t, satisfaisant la condition de dirence de martingale
E
_
t
[
t1
_
= 0
On suppose que le processus
t
peut scrire sous la forme :
t
= z
t
_
h
t
o z
t
est un bruit blanc faible.
Modles ARCH(q)
Modles GARCH(p, q)
Denition (GARCH)
Un processus
t
satisfait une reprsentation GARCH(p, q) si
t
= z
t
_
h
t
h
t
=
0
+
q
i =1
2
ti
+
p
i =1

i
h
ti
o z
t
est un bruit blanc faible et o
0
> 0,
i
_ 0, i = 1, . . . , q et
i
_ 0, i = 1, . . . , p.
Modles ARCH(q)
Modles GARCH(p, q)
Ainsi, linnovation du processus Y
t
, dnie par le processus
GARCH(p, q)
t
admet pour moments conditionnels :
E
_
t
[
t1
_
= 0
1
2
V
_
t
[
t1
_
= h
t
=
0
+
q
i =1
2
ti
+
p
i =1

i
h
ti
Modles ARCH(q)
Modles GARCH(p, q)
Example (GARCH)
Supposons quune variable Y
t
admette une reprsentation
AR(1)-GARCH(1, 1) , celle-ci scrit sous la forme :
Y
t
= c + Y
t1
+
t
t
= z
t
_
h
t
h
t
=
0
+
1
2
t1
+
1
h
t1
o z
t
est un BB faible tel que E(z
t
) = 0 et E(z
t
) =
2
. h
t
dsigne alors une constante prs la variance conditionnelle de Y
t
:
V
_
Y
t
[Y
t1
_
= V
_
t
[
t1
_
= h
t
V(z
t
) = h
t
2
Modles ARCH(q)
Modles GARCH(p, q)
Tout comme pour le modle ARCH, on peut par inversion exprimer
le processus
2
t
sous la forme dun processus ARMA dni dans une
innovation
t
=
2
t
h
t
(1)
En introduisant cette notation dans lquation du GARCH, il vient :
2
t

t
=
0
+
q
i =1
2
ti
+
p
i =1

i
_
2
ti

ti
_
Do lon tire que :
2
t
=
0
+
max(p,q)
i =1
(
i
+
i
)
2
ti
+
t

p
i =1

i
ti
avec la convention
i
= 0 si i > q et
i
= 0 si i > p.
Modles ARCH(q)
Modles GARCH(p, q)
Denition
Soit un processus
t
satisfaisant une reprsentation
GARCH(p, q) . Le processus
2
t
peut tre reprsent sous la forme
dun processus ARMA[max (p, q) , p] dni dans une innovation
t
=
2
t
V
_
t
[
t1
_
, tel que :
2
t
=
0
+
max(p,q)
i =1
(
i
+
i
)
2
ti
+
t

p
i =1

i
ti
(2)
avec la convention
i
= 0 si i > q et
i
= 0 si i > p.
Modles ARCH(q)
Modles GARCH(p, q)
Example
Considrons le cas dun processus GARCH(1, 1) :
t
= z
t
_
h
t
h
t
=
0
+
1
2
t1
+
1
h
t1
On montre aisment que :
2
t
=
0
+ (
1
+
1
)
2
t1
+
t

1
t1
o
t
=
2
t
V
_
t
/
t1
_
=
2
t
h
t
est un processus dinnovation
pour
2
t
.
Modles ARCH(q)
Modles GARCH(p, q)
Sous la condition de stationnarit du second ordre
1
+
1
< 1, la
variance non conditionnelle du processus
t
est dnie et constante
dans le temps. Sachant que V (
t
) = E
_
2
t
_
il sut partir de la
forme ARMA(1,1) sur
2
t
de dnir lesprance du processus :
V (
t
) = E
_
2
t
_
=
0
(1)
1
=

0
1
1

1
o (L) = 1 (
1
+
1
) L dsigne le polynme auto-rgressif
associ la reprsentation ARMA(1,1) sur
2
t
.
Modles ARCH(q)
Modles GARCH(p, q)
Enn, on peut montrer que pour un processus GARCH la kurtosis
est directement lie lhtroscdasticit conditionnelle.
Si le processus
t
satisfait une reprsentation GARCH(p,q)
conditionnellement gaussienne, telle que :
t
= z
t
_
h
t
V
_
t
/
t1
_
=
0
+
q
i =1
2
ti
+
p
i =1

i
h
ti
= h
t
o z
t
dsigne bruit blanc faible gaussien, alors :
Modles ARCH(q)
Modles GARCH(p, q)
1
la loi marginale de
t
a des queues plus paisses quune loi
normale (distribution leptokurtique) :
E
_
4
t
_
_ 3
_
E
_
2
t
_
2
2
son coecient dexcs de kurtosis peut sexprimer sous la
forme suivante :
Excs de Kurtosis =
E
_
4
t
_
E(
2
t
)
2
3 = 3
var
_
E
_
2
t
[
t1
_
E(
2
t
)
2
Modles ARCH(q)
Modles GARCH(p, q)
Example
On considre que un processus GARCH(1,1) tel que
t
= z
t
_
h
t
z
t
N.i .d (0, 1)
h
t
=
1
2
t1
+
1
h
t1
Bollerslev (1986) a montr dune part que lexistence du moment
dordre 4 de u exigeait (
1
+
1
)
2
+ 2
2
1
< 1 et, dautre part :
K
u
=
E
_
4
t
_
E(
2
t
)
2
=
3
_
1 (
1
+
1
)
2
_
1 (
1
+
1
)
2
2
2
1
> 3
Estimateurs du MV sous lhypothse de normalit et PMV
La procdure AUTOREG : estimation par MV et PMV
Estimation et prvision
Section 4. Estimation et prvision
Les modles avec erreurs htroscdastiques peuvent tre estims
au moins de trois faons :
1
Estimateurs de la classe du Maximum de Vraisemblance (MV)
2
Estimateurs du Pseudo Maximum de Vraisemblance (PMV)
3
Estimateurs en deux tapes.
Nous ne prsenterons ici que les deux premires mthodes
destimation.
Estimation du MV et du PMV
On reprend ici la prsentation de Gouriroux (1992). Soit un
modle tel que :
E
_
Y
t
[Y
t1
, X
t
_
= m
t
_
Y
t1
, X
t
,
_
= m
t
()
V
_
Y
t
[Y
t1
, X
t
_
= h
t
_
Y
t1
, X
t
,
_
= h
t
()
o dsigne lensemble des paramtres intervenant la fois dans
lexpression de la moyenne conditionnelle et de la variance
conditionnelle.
Gouririoux C. (1992), Modles ARCH et appications
nancires, Economica.
Nous prsenterons de faon parallle la mthode destimation du
maximum de vraisemblance (MV) sous lhypothse de
normalit de la distribution conditionnelle des rsidus et la
mthode destimation du pseudo maximum de vraisemblance
(PMV).
Fact
En eet, lide gnrale des estimateurs du PMV consiste
dmontrer que si lon commet une erreur sur la distribution
conditionnelle des rsidus en utilisant tort une log-vraisemblance
fonde sur une loi normale, lestimateur du MV ainsi obtenu peut
tout de mme tre convergent si la vraie loi des rsidus appartient
la mme classe de loi que la loi normale (Gourieroux, Montfort,
1989). Lestimateur sera (i) asymptotiquement convergent et (ii )
asymptotiquement normal.
Par consquent la fonction de vraisemblance dnissant
lestimateur du MV sous lhypothse de normalit et la fonction de
pseudo-vraisemblance de lestimateur du PMV sont les mmes.
Denition
La fonction de log-vraisemblance (ou de pseudo log-vraisemblance)
associe un chantillon de T observations (y
1
, y
2
, .., y
T
) de Y
t
sous lhypothse de normalit de la loi conditionnelle de Y
t
sachant Y
t1
et X
t
scrit :
log L () =
T
2
log (2)
1
2
T
t=1
log [h
t
()]
1
2
T
t=1
[y
t
m
t
()]
h
t
()
2
Example
Appliquons cette formule au cas dun modle de rgression linaire
avec erreur ARCH(q)
Y
t
= X
t
+
t
t
= z
t
_
h
t
() avec z
t
N.i .d (0, 1)
E
_
t
[
t1
_
= 0 V
_
t
/
t1
_
=
0
+
q
i =1
2
ti
Example (suite)
E
_
Y
t
[Y
t1
, X
t
_
= m
t
() = X
t
E
_
Y
t
[Y
t1
, X
t
_
= h
t
() =
0
+
q
i =1
i
(Y
ti
X
ti
)
2
o = (,
0
,
1
, ..,
q
) R
q+2
.
Example (suite)
La log-vraisemblance scrit :
log L () =
T
2
log (2)
1
2
T
t=1
log
_
0
+
q
i =1
i
(Y
ti
X
ti
)
2
_
1
2
T
t=1
(y
t
X
t
)
2
0
+
q
i =1
i
(Y
ti
X
ti
)
2
_
1
Denition
Les estimateurs du MV sous lhypothse de normalit ou du PMV,
nots

satisfont un systme non linaire K quations :
log L ()
=
1
2
T
t=1
1
h
t
_
_
h
t
()
+
1
2
T
t=1
_
y
t
m
t
_
__
2
h
t
_
_
2
h
t
()
+
T
t=1
_
_
y
t
m
t
_
_
h
t
_
_
_
_
m
t
()
= 0
Remarque : On peut montrer que ce systme peut se dcomposer
en deux sous systmes lorsque les paramtres interviennent de
faon spare dans lcriture de lesprance et de la variance
conditionnelle. Ainsi, si lon a = ( )
/
o napparat que dans
lesprance conditionnelle et dans la variance conditionnelle, on
peut dcomposer ce systme en deux sous systme puisque :
log L ()
=
T
t=1
_
_
y
t
m
t
()
h
t
_
_
_
_
m
t
()
=
log L ()
=
1
2
T
t=1
1
h
t
_
_
h
t
()
+
1
2
T
t=1
[y
t
m
t
()]
2
h
t
_
_
2
h
t
()

Theorem
Sous certaines conditions de rgularit, lestimateur du PMV est
asymptotiquement convergent et normal.
_
T
_

_
d
T
N
_
0, J
1
IJ
1
_
o la matrice de variance covariance asymptotique de lestimateur
du PMV est calcule partir de :
J = E
0
_
2
log L ()
/
_
I = E
0
_
log L ()
log L ()
/
_
o E
0
dsigne lesprance prise par rapport la vraie loi.
Naturellement dans la pratique les matrice I et J sont directement
estimes en remplaant lesprance E
0
par la moyenne empirique et
le paramtre inconnu par son estimateur convergent

. Ainsi, on
utilise :
I =
1
T
T
t=1
log L ()
log L ()
J =
1
T
T
t=1
2
log L ()
et la variance estime de

vrie alors
Var
_
_
T
_

__
=

J
1
J
1
Remarque 1 : Dans le cas o la vraie loi sous jacente est
normale (Maximum de Vraisemblance), la matrice de
variance covariance asymptotique se rduit :
Var
_
_
T
_

__
= J
1
puisque J = I .
Remarque 2 : Dans le cas du MV lorsque lon peut sparer les
paramtres de lesprance conditionnelle et de la variance
conditionnelle, on montre que :
Var
_
_
T
_

__
=
_
_
1
T
T
t=1
1
2h
t
_
_
2
h
t
()
h
t
()
_
1
Procdure AUTOREG de SAS
Procdure AUTOREG sous SAS
Pour estimer un modle de type ARCH / GARCH sous lhypothse
de distribution conditionnelle normale par la mthode du maximum
de vraisemblance (MV), on peut simplement utiliser la procdure
AUTOREG.
Example
On cherche estimer un modle GARCH(1, 1) sur donnes
centres partir des donnes du SP500 prsentes prcdemment.
Soit dlsp
t
le logarithme du rendement de lindice Standard and
Poors 500.
dlsp
t
= c +
t
(3)
t
= z
t
_
h
t
z
t
N.i .d (0, 1) (4)
h
t
=
0
+
1
2
t1
+
1
h
t1
(5)
Figure: Estimation GARCH(1, 1) sur le rendement SP500
Example (suite)
Le test de Jarque-Bera des rsidus du modle de variance
conditionnelle z
t
, conduit rejeter lhypothse nulle de (et donc la
normalit) pour un seuil suprieur 0.001. Deux cas de gure sont
envisageables.
1
On peut tout dabord supposer que la vraie distribution de
z
t
vrie les conditions de rgularit du PMV (Gouriroux,
Montfort et Trognon, 1989). Toutefois, la formule permettant
dobtenir la matrice de variance covariance des paramtres
doit tre adapte. Par consquent, on doit spcier loption
COVEST= QML dans le programme.
2
La deuxime solution consiste utiliser une autre distribution
que la loi normale pour construire la vraisemblance (Student,
etc.)
La syntaxe gnrale de la proc AUTOREG est la suivante :
PROC AUTOREG options ;
MODEL dependent = regressors / options ;
RESTRICT equation , ... , equation ;
TEST equation , ... , equation / option ;
OUTPUT OUT = SAS data set options ;
Voici quelques options de la commande MODEL qui permettent
destimer un GARCH :
GARCH = ( option-list )
Exemple 1 : model y = x1 x2 / garch=(q=1, p=1);
Exemple 2 : model y = x1 x2 / garch=(q=(1 3), p=2);
Les principalesoptions de la commande GARCH sont alors les
suivantes :
DIST= value permet de spcier la distribution du terme
derreur. On a notamment deux options
DIST= T distribution de Student
DIST= NORMAL pour une distribution normale (valeur par
dfaut)
TYPE=NONNEG : contraint les parametres tre non
ngatifs
TYPE=STATIONARY contraint les paramtres satisfaire
aux conditions de la stationnarit du 2
nd
ordre asymptotique
(cf. IGARCH).
Voici quelques autres options de la procdure AUTOREG
1
COVEST= HESSIAN [ QML, permet de spcier la forme de
la matrice de variance covariance asymptotique des
paramtres.
2
NLAG = ordre de la forme autorgressive. Exemple : NLAG
=2 ou NLAG = (1 3 6) si lon spcie une squence de retards
Example
On souhaite estimer un modle autorgressif dordre 2 sur le
logarithme du rendement dlsp
t
de lindice Standard and Poors
500, avec une structure de type GARCH (1,3) sur la variance
conditionnelle des rsidus en imposant la nullit du paramtre
associ leet GARCH(2). On suppose que la distribution nest
pas normale, mais appartient la famille des lois exponentielles
(Gamma, Poisson etc..) et vrie les conditions de rgularit du
PMV.
Example (Suite)
Le modle estimer est :
dlsp
t
= c +
1
dlsp
t1
+
1
dlsp
t2
+
t
t
= z
t
_
h
t
z
t
i .i .d (0, 1)
h
t
=
0
+
1
2
t1
+
3
2
t3
+
1
h
t1
Figure: Programme Estimation par PMV Modle AR(2)-GARCH(3,1)
Figure: Estimation par PMV. Modle AR(2)-GARCH(3,1) sur SP500
La procdure AUTOREG autorise en eet un certain nombre
doutputs :
OUT= nom du chier de donnes dans lequel seront stocks
les rsultats slectionns.
CEV= variable, (HT= variable), stocke dans la variable
spcie la valeur de la variance conditionnelle du terme
derreur V
_
t
[
t1
_
.
CPEV= variable : writes the conditional prediction error
variance to the output data set. The value of conditional
prediction error variance is equal to that of the conditional
error variance when there are no autoregressive parameters.
LCL= name writes the lower condence limit for the
predicted value (specied in the PREDICTED= option) to the
output data set. The size of the condence interval is set by
the ALPHACLI= option. When a GARCH model is estimated,
the lower condence limit is calculated assuming that the
disturbances have homoscedastic conditional variance.
UCL= name, writes the upper condence limit for the
predicted value (specied in the PREDICTED= option) to the
output data set. The size of the condence interval is set by
the ALPHACLI= option. When the GARCH model is
estimated, the upper condence limit is calculated assuming
that the disturbances have homoscedastic conditional
variance.
PREDICTED= name , P= name writes the predicted values
to the output data set. These values are formed from both
the structural and autoregressive parts of the model.
RESIDUAL= name, R= name writes the residuals from the
predicted values based on both the structural and time series
parts of the model to the output data set.
Example
Considrons lexemple dun modle GARCH(1,1) sur le logarithme
du rendement dlsp
t
de lindice Standard and Poors 500 sous
lhypothse de normalit :
dlsp
t
= c +
t
t
= z
t
_
h
t
z
t
N.i .d (0, 1)
h
t
=
0
+
1
2
t1
+
1
h
t1
Figure: Programme Estimation Modle GARCH(1,1). Options de Sortie
Figure: Programme Graphique de la Variance Conditionnelle Estime
Figure: Variance Conditionnelle Estime. Modle GARCH(1,1)
0.0000
0.0001
0.0002
0.0003
0.0004
0.0005
0.0006
Variance Conditionnelle Estimee
0 1000 2000 3000 4000

Partie 2. Modèles GARCH PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Partie 2. Modèles GARCH PDF

Transféré par

Droits d'auteur :

Formats disponibles

Rappel : les principales proprits des sries nancires

Lapproche ARCH / GARCH et la modlisation de la volatilit

Christophe Hurlin Modles GARCH

Vous aimerez peut-être aussi