Vous êtes sur la page 1sur 80

Stationnarit, innovations, modles ARMA

Proprits des sries financires


Modles GARCH : proprits probabilistes

Modles GARCH et volatilit stochastique


Universit de Montral
12 mars 2007

Jean-Michel ZAKOIAN
Universit Lille 3 & CREST

Chapitre 1: Sries financires et modles GARCH

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Modles AutoRgressifs Conditionnellement Htroscdastiques


Engle (1982) :
"Autoregressive Conditional Heteroskedasticity with Estimates of
the Variance of U.K. Inflation," Econometrica, 50, 9871008.
Generalized ARCH
Bollerslev (1986) :
"Generalized Autoregressive Conditional Heteroskedasticity,"
Journal of Econometrics, 31, 309328.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Outline

Stationnarit, innovations, modles ARMA

Proprits des sries financires

Modles GARCH : proprits probabilistes

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Stationnarit, innovations, modles ARMA

Proprits des sries financires

Modles GARCH : proprits probabilistes

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Modles stationnaires
Une srie (Xt ) est stationnaire si ses proprits probabilistes sont
les mmes que celles de la srie (Xt+h ), pour tout entier h.

Dfinition
(Xt ) est stationnaire au sens strict si
(X1 , X2 , . . . , Xk ) a mme loi que (X1+h , X2+h , . . . , Xk+h )
pour tout h et tout k 1.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Stationnarit au second ordre


Dfinition
Soit (Xt ) telle que EXt2 < . La fonction moyenne de (Xt ) est
X (t) = E(Xt )
La fonction covariance de (Xt ) est
X (r, s) = Cov(Xr , Xs )

Dfinition
(Xt ) est stationnaire (au second-ordre) si
(i) X (t) est indpendante de t, et
(ii) X (t, t + h) est indpendante de t, pour tout h.
Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Fonctions dautocovariance et dautocorrlation


Dfinition
Soit (Xt ) une srie stationnaire. La fonction dautocovariance de
(Xt ) est dfinie par
X (h) = Cov(Xt , Xt+h ),

h = 0, 1, 2, . . .

La fonction dautocorrlation de (Xt ) est dfinie par


X (h) =

X (h)
= Cor(Xt , Xt+h ),
X (0)

h = 0, 1, 2, . . .

Remarque : Fonctions paires


X (h) = X (h),
Laboratoire de statistique du CRM

X (h) = X (h).
Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Bruit blanc
Dfinition
Un bruit blanc est une suite (t ) de variables centres, de variance
constante et non corrles :
E(t ) = 0,

Var(t ) = 2 ,

Cov(t , t0 ) = 0, t 6= t0

Notation : (t ) BB (0, 2 ).


Fonction dautocovariance :
 2
, h=0
 (h) =
0, h =
6 0.
On parle de bruit blanc fort si les t sont centres, de variance finie,
identiquement distribues et indpendantes.
Les bruits blancs jouent un rle important pour la construction de
modles plus sophistiqus.
Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Autocorrlations empiriques
En pratique on observe x1 , . . . xn :
ralisation partielle dune srie (Xt ) suppose stationnaire.
Pour tudier la dpendance, en vue de la slection dun modle, un
outil important est la fonction dautocorrlation empirique.

Dfinition
La moyenne empirique de x1 , . . . xn est x =
La fonction dautocovariance empirique est

1
n

Pn

t=1 xt .

1X
(h) =
(xt+|h| x)(xt x),
n

|h| < n.

t=1

La fonction dautocorrlation empirique est


(h) =

(h)
,
(0)

Laboratoire de statistique du CRM

|h| < n.

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

On montre que pour un BB fort, les (h) sont approximativement


distribues comme une N (0, 1/n) pour n grand.
Donc, pour un BB fort, environ 95% des (h) doivent tomber entre

les bornes 1.96/ n.

0.06
0.04
0.02
2

10

12

-0.02
-0.04
-0.06

Autocorrlations empiriques dun bruit blanc fort, pour n=5000.

En pointills les bornes de significativit : 1.96/ n


Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Prvisions thoriques
2 concepts :
Esprance conditionnelle :
E(Xt | Xt1 , Xt2 , . . .)
Meilleure approximation de Xt comme fonction de son pass.
Esprance conditionnelle linaire :
EL(Xt | Xt1 , Xt2 , . . .)
Meilleure approximation de Xt comme fonction linaire de son
pass.
On note Xt1 le pass de Xt et HX (t 1) le pass linaire de Xt .
Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Innovations
2 concepts :
Innovation forte :
t = Xt E(Xt | Xt1 , Xt2 , . . .)
Bruit blanc (si E2t = 2 ) "orthogonal" toute fonction du
pass de Xt
E(t Zt1 ) = 0,

Zt1 Xt1 .

Innovation linaire :
t = Xt EL(Xt | Xt1 , Xt2 , . . .)
Bruit blanc orthogonal toute fonction linaire du pass
E(t Zt1 ) = 0,
Laboratoire de statistique du CRM

Zt1 HX (t 1).
Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Quelques proprits de lesprance conditionnelle


Y une variable telle que E(Y ) existe.
E[E(Y | Xt1 )] = E(Y ).
si Y Xt1 ,
E(Y Z | Xt1 ) = Y E(Z | Xt1 ).
si Y est indpendante de Xt1 ,
E(Y | Xt1 ) = E(Y ).

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Consquence : linnovation forte est un peu plus quun bruit


On remarque que les passs de X et  concident : t1 = Xt1 .
Do, pour linnovation forte
E(t | t1 ) = 0.
On distingue plusieurs types de bruits (si Et = 0 et E2t = 2 ) :
Bruit faible : suite de variables non corrles.
Bruit semi-fort : E(t | t1 ) = 0.
Bruit fort : suite de variables indpendantes.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Modles ARMA

Les modles ARMA prennent en compte la structure au


second-ordre dune srie stationnaire (Xt ) : esprance, variance,
autocorrlations.
ARMA(p, q) :

Xt 1 Xt1 p Xtp = t 1 t1 q tq

(t ) bruit blanc faible

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Stationnarit, innovations, modles ARMA

Proprits des sries financires

Modles GARCH : proprits probabilistes

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

La modlisation des sries financires est un problme


complexe :

- grande varit des sries utilises (prix daction, taux dintrt,


taux de change etc.), importance de la frquence dobservation
(seconde, minute, heure, jour, etc), disponibilit dchantillons de
trs grande taille.
- existence de rgularits statistiques (faits styliss) communes
un trs grand nombre de sries financires et difficiles reproduire
artificiellement partir de modles stochastiques. Mandelbrot
(1963).

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Faits styliss : un grand nombre de sries financires


prsentent des proprits similaires
(i) Non stationnarit des prix pt .
Srie quotidienne du prix du CAC 40, 1992-1998.
4000

3000

2000

400

Laboratoire de statistique du CRM

800

1200

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

(ii) Possible stationnarit des rendements.


t = log(pt /pt1 )

pt pt1
pt1

Srie quotidienne du CAC 40 en log des rendements, 1988-1998.


0.05

0.00

-0.05

-0.10
0

500

1000

Laboratoire de statistique du CRM

1500

2000

2500

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

(iii) Regroupement des extrmes (volatility clustering).


Les 500 premires valeurs de lindice CAC40.

0.04
0.02

-0.02
-0.04
-0.06

Les 500 premires valeurs du carr de lindice CAC40.

0.004
0.003
0.002
0.001
100

200

Laboratoire de statistique du CRM

300

400

500

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

(iv) Non corrlation des rendements mais autocorrlation des carrs.

Corrlogrammes de la srie CAC 40 et de son carr. Les traits en pointill correspondant 1.96/ n
0.3
0.25
0.2
0.15
0.1
0.05
2

10

12

14

12

14

-0.05

0.3
0.25
0.2
0.15
0.1
0.05
2

Laboratoire de statistique du CRM

10

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Tests Portmanteau pour la srie des


rendements
To
Lag

ChiSquare

DF

Pr >
Khi2

6
12
18
24

11.51
16.99
21.22
27.20

6
12
18
24

0.0737
0.1499
0.2685
0.2954

-----------------Auto-corrlations----------------0.030
-0.018
-0.005
-0.023

0.005
-0.014
0.025
0.003

-0.032
0.034
-0.031
-0.010

0.028
0.016
-0.009
0.030

-0.046
0.017
-0.003
-0.027

-0.001
0.010
0.006
-0.015

Tests Portmanteau pour la srie des


carrs des rendements
To
Lag

ChiSquare

DF

Pr >
Khi2

6
12
18
24

165.90
222.93
238.11
240.04

6
12
18
24

<.0001
<.0001
<.0001
<.0001

-----------------Auto-corrlations-----------------

Laboratoire de statistique du CRM

0.129
0.051
0.053
0.006

0.127
0.060
0.036
0.024

0.117
0.070
0.020
0.013

0.084
0.092
0.041
0.003

0.101
0.058
0.002
0.001

0.074
0.030
0.013
-0.002

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

(v) Queues de distribution paisses.


(vi) Asymtrie. Les baisses du cours gnrent plus de volatilit que
les hausses de mme amplitude.
(vi) Saisonnalits.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Modles variance (conditionnelle) alatoire

t = t t
o
(t ) est un processus iid (0,1)
(t ) est un processus appel volatilit, t > 0
les variables t et t sont indpendantes
Deux grandes classes de modles :
type GARCH (Generalized Autoregressive Conditional
Heteroskedasticity) : t t1 (pass de t )
volatilit stochastique

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit, innovations, modles ARMA

Proprits des sries financires

Modles GARCH : proprits probabilistes


Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

GARCH(p, q) (sens faible)

Dfinition
On dit que (t ) est un processus GARCH(p, q) semi-fort si
(i) E(t /t1 ) = 0,

t ZZ ;

(ii) Il existe des constantes , i , i = 1, . . . , q et j , j = 1, . . . , p


telles que
t2

= V (t /t1 ) = +

q
X
i=1

i 2ti

p
X

2
j tj
,

t ZZ.

j=1

ARCH : p = 0

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

linnovation de 2t est la variable t = 2t t2 .


= Forme ARMA :
2t

=+

r
X

(i +

i )2ti

+ t

i=1

p
X

j tj ,

t ZZ.

j=1

o r = max(p, q)
(t ) bruit blanc ? oui si E2t < car
E(t ) = E[E(t /t1 )] = 0,
cov(t , tk ) = E(t tk )E{tk E(t /t1 )} = 0,

k > 0.

Lien avec les proprits des sries financires : non autocorrlation


de (t ) (quelle que soit la spcification de t2 ), autocorrlation de
(2t ) (ici ARMA).
Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

GARCH(p,q) (sens fort)


(t ) suite de variables i.i.d., Et = 0, Et2 = 1.

Dfinition
(t ) est un processus GARCH(p, q) au sens fort sil vrifie

t = t t

t2 = 0 +

Pq

2
i=1 0i ti

Pp

2
j=1 0j tj ,

t Z

0 > 0 , 0i 0 (i = 1, . . . , q) , 0j 0 (j = 1, . . . , p).

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Lien avec la reprsentation semi-forte :


Si les esprances conditionnelles existent, si t t1 on a :
V (t /t1 ) = t2 ,

E(t /t1 ) = 0,

mais pas dquivalence entre les deux dfinitions.


Autre reprsentation : partir de 2t = t2 t2 , en liminant les 2ti ,
t2

=+

r
X

2
ai (ti )ti

i=1

o ai (z) = i z 2 + i , i = 1, . . . , r.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Simulation de taille 500 du processus ARCH(1) : t =

1 + 0.52t1 t ,

t N (0, 1)

4
2
100

200

300

400

500

-2
-4

Simulation de taille 500 du processus ARCH(1) : t =

1 + 0.952t1 t ,

t N (0, 1)

10
5
100

200

300

400

500

-5
-10

Simulation de taille 500 du processus ARCH(1) : t =

1 + 1.12t1 t ,

t N (0, 1)

20
15
10
5
-5
-10
-15
-20

100

200

Laboratoire de statistique du CRM

300

400

500

Modles GARCH et volatilit stochastique

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Simulation de taille 200 du processus ARCH(1) : t =

1 + 32t1 t ,

t N (0, 1)

20000
15000
10000
5000
-5000
-10000
-15000
-20000

50

100

150

200

Observations 100 140

200
100
10

20

30

40

-100
-200
-300
-400
-500

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Simulation de taille 500 du GARCH(1,1) : t = t t ,

2
t2 = 1 + 0.22t1 + +0.7t1
,

t N (0, 1)

15
10
5
100

200

300

400

500

-5
-10
-15

Simulation de taille 500 du GARCH(1,1) : t = t t ,

2
t2 = 1 + 0.72t1 + +0.2t1
,

t N (0, 1)

15
10
5
100

200

300

400

500

-5
-10
-15

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit, innovations, modles ARMA

Proprits des sries financires

Modles GARCH : proprits probabilistes


Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

On cherche les conditions imposer aux paramtres pour quun


modle GARCH admette une solution stationnaire (ici non
explosive).
Les solutions intressantes sont les solutions non anticipatives (ou
causales), i.e. t fonction de t , t1 , . . .

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

GARCH(1,1) : stationnarit stricte

t

t2

=
=
=

= t t

2 ,
t2 = + 2t1 + t1

2
+ a(t1 )t1

> 0, , 0

(a(z) = z + )
2
a(t2 )t2
}

+ a(t1 ){ +
"
#
N
X
2
1+
a(t1 ) . . . a(tn ) + a(t1 ) . . . a(tN 1 )tN
1
n=1

:=

2
+ a(t1 ) . . . a(tN 1 )tN
1 .

ht (N )

Soit ht = limN ht (N ) [0, +].


ht (N ) = + a(t1 )ht1 (N 1)
Laboratoire de statistique du CRM

ht = + a(t1 )ht1 .

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Le processus limite
(
ht =

1+

)
a(t1 ) . . . a(tn )

n=1

est-il valeurs finies ?


#
n
1X
= exp
log{a(ti )} e
n
"

[a(t1 ) . . . a(tn )]1/n

p.s.,

i=1

= E log{t2 + } [, +[.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Proprit
Le modle GARCH(1,1) a une (unique) solution strictement
stationnaire non anticipative ssi
= E log{t2 + } < 0.
[Nelson, 1990]
Cas ARCH(1) ( = 0) :
Si t N (0, 1) :

0 < exp{E(log t2 )}.


0 < 3.56.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

GARCH(1,1) : stationnarit au second ordre


Si t est stationnaire au second-ordre et non anticipatif,
E(2t ) = E(E(2t /t1 )) = E(t2 ) = + ( + )E(2t1 )
soit
(1 )E(2t ) = .
Il faut donc + < 1. On obtient de plus : E(2t ) > 0.
Inversement si + < 1 on a < 0. La solution strictement
stationnaire vrifie
"
#
+
X
E(2t ) = E(ht ) = 1 +
E{a(t1 ) . . . a(tn )}
"
=

1+

n=1
+
X
n=1

Laboratoire de statistique du CRM

#
{Ea(t )}

.
1 ( + )

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Proprit
Le modle GARCH(1,1) a une solution stationnaire au second-ordre
non anticipative ssi
+ < 1.

Rgions de stationnarit du modle GARCH(1,1) si t N (0, 1).


1 : Stationnarit au 2nd ordre ; 1 et 2 : Stationnarit stricte ; 3 : Non stationnarit.

1
0

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Modle GARCH(p, q) : stationnarit stricte


Reprsentation vectorielle
z t = bt + At z t1
o
2
)0 Rp+q ,
z t = (2t , . . . , 2tq+1 , t2 , . . . , tp+1
bt = (t2 , 0, . . . , , 0, . . . , 0)0 Rp+q ,

1 t2 q t2 1 t2 p t2

Iq1
0
0
At =
1

q
1

p
0
Ip1
0

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Modle GARCH(p, q) : stationnarit stricte


Si on droule le modle
z t = bt + At z t1
on obtient
z t = bt + At {bt1 + At1 z t2 }

X
= bt +
At At1 . . . Atk+1 btk ?
k=1

Pb : validit de cette somme infinie.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Coefficient de Lyapounov
pour toute suite de matrices alatoires A = (At ), strictement
stationnaire et ergodique, telle que E log+ kAt k < on dfinit
(A) :=
=

1
E(log kAt At1 . . . A1 k)
tN t
1
lim a.s. log kAt At1 . . . A1 k.
t
t
inf

E(log kA1 k), avec galit en dimension 1.


Si At = A pour tout t ZZ, on a = log (A).
(A) est indpendant du choix de la norme.
Lquivalence entre les dfinitions de se montre en utilisant
le thorme ergodique sous-additif, voir Kingman (1973).
si (At ) est iid,
limt p.s. kA0 . . . At k = 0
Laboratoire de statistique du CRM

(A) < 0.

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Pour la norme kAk =


Soit

z t = bt +

|aij |,

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

E log+ kAt k EkAt k < .

At At1 . . . Atk+1 btk .

k=1

kz t k kbt k +

kAt At1 . . . Atn kkbtn1 k

n=0

et

kAt . . . Atn k1/n kbtn1 k1/n




1
1
exp
log kAt . . . Atn k + log kbtn1 k
n
n

p.s

e .

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Proprit
Le modle GARCH (p, q) a une (unique) solution strictement
stationnaire non anticipative ssi
(A) < 0.
[Bougerol & Picard, 1992]
(A) ne peut en gnral pas tre calcul explicitement. Le
GARCH(1,1) est une exception :
(A) = E log(1 t2 + 1 )

(A) < 0

Pp

j=1 j

< 1.

Le coefficient peut tre estim par simulations.


Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Rgions de stationnarit du modle ARCH(2) : t = 1 + 1 2t1 + 2 2t2 t ,


1 : Stationnarit au second-ordre ;
1 et 2 : Stationnarit stricte ;
3 : Non stationnarit

t N (0, 1).

2
3

3
1

2
1
1

0
0

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit au 2nd ordre

Proprit
Le modle GARCH (p, q) a une solution
stationnaire
au
Pq
Pp
second-ordre non anticipative ssi i=1 i + j=1 j < 1.
La condition quivaut (EAt ) < 1. Elle implique la stationnarit
stricte :
(A) < (EAt ) = log (EAt ) < 0.

P
P
.
Var(t ) =
1 qi=1 i pj=1 j
Pq
Pp
Modle IGARCH :
i=1 i +
j=1 j = 1.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Proprits de la loi marginale :

(t ) : solution strictement stationnaire non anticipative.

Proprit
Si E(t2m ) < ,
E(2m
t )<

{E(Am
t )} = {E(At At )} < 1.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Moments dun processus GARCH(1,1).


At = (t2 , 1)0 (1 , 1 )
E(2m
t )

<

E(Am
) = E{(t2 , 1)0
t

}(1 , 1 )m .


m 
X
m
1i 1mi 2i < 1,
i
i=0

2i =

E(t2i ),

i = 0, . . . , m.

Calcul du moment dordre 4


E(4t ) =

(1

4 12

2 (1 + 1 + 1 )
4 .
12 21 1 )(1 1 1 )

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Rgions dexistence des moments du modle GARCH(1,1).


1 : Moment dordre 4
1 et 2 : Moment dordre 2
3 : Variance infinie.

1.0

0.8

0.6

0.4

0.2

0.0
0.0

0.2

0.4

Laboratoire de statistique du CRM

0.6

0.8

1.0

Modles GARCH et volatilit stochastique

1.2

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Kurtosis :

Distribution conditionnelle :
2k
2k
E(2k
t /t1 ) = t E(t )

E(4t /t1 )
E(t4 )
=
:= .
{E(2t /t1 )}2
{E(t2 )}2

Distribution marginale :
 :=

E[E(4t /t1 )]
E(4t )
E(t4 )
=
=
> .
{E(2t )}2
{E[E(2t /t1 )]}2
{E(t2 )}2

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Calcul des autocorrlations et autocovariances de 2t :


La fonction dautocovariance peut tre obtenue numriquement, de
manire rcursive partir de la reprsentation vectorielle.
Fonction dautocorrlation du carr du modle GARCH(1,1) :
2
t = t t , t2 = 1 + 0.32t1 + 0.55t1
, (t )N (0, 1).

0.4
0.3
0.2
0.1

10

12

Fonction dautocorrlation partielle du mme modle.

0.4
0.3
0.2
0.1

10

Laboratoire de statistique du CRM

12

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Prvisions dun GARCH(p, q) stationnaire au 2nd-ordre


La prvision optimale (au sens L2 ) de t est 0. Plus gnralement,
pour h 0
E(t+h |t1 ) = E{E(t+h |t+h1 )|t1 } = 0,

t ZZ.

Les prvisions horizon h 0 du carr sobtiennent rcursivement par


E(2t+h |t1 )

2
E(t+h
|t1 )

q
X

i E(2t+hi |t1 ) +

p
X

2
j E(t+hj
|t1 ),

j=1

i=1

avec
E(2t+hi |t1 )
E(2t+hi |t1 )

2
E(t+hi
|t1 ),

2t+hi ,

Laboratoire de statistique du CRM

ih

2
E(t+hi
|t1 )

2
= t+hi
,

i > h.

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Intervalles de prvision horizon 1, 95%, pour le bruit blanc fort de loi N (0, 1).

-1

-3

100

200

300

400

500

Intervalles de prvision horizon 1, 95%, pour le processus GARCH(1,1) simul avec


= 1, = 0.1, = 0.8 et (t ) de loi N (0, 1).

13

-2

-7

-12

100

200

Laboratoire de statistique du CRM

300

400

500

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Intervalles de prvision horizon 1, 95%, pour le processus GARCH(1,1) simul avec


= 1, = 0.6, = 0.2 et (t ) de loi N (0, 1).

30

20

10

-10

-20

-30

100

200

300

400

500

Intervalles de prvision horizon 1, 95%, pour le processus IGARCH(1,1) simul avec


= 1, = 0.7, = 0.3 et (t ) de loi N (0, 1).

50

-50

-100
100

200

Laboratoire de statistique du CRM

300

400

500

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Cas dun ARMA(1)-GARCH(1,1) stationnaire


8
<
:

Xt
t
t2

= Xt1 + t
= t t
2
= + 2t1 + t1

E(Xt+h |Xt1 ) = h+1 Xt1 ,


V (Xt+h |Xt1 )
=

> 0, , 0, + < 1, || < 1.

(1 2(h+1) )

+ t2
{1 ( + )}(1 2 )
1 ( + )

si 2 6= +

 2(h+1) ( + )(h+1)
2 ( + )

(1 2(h+1) )

+ t2
V (Xt+h |Xt1 ) =
(1 2 )2
1 ( + )

(h + 1)2h

si 2 = + .
Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

ARMA(1)-GARCH(1,1) non stationnaires

Si || = 1, en initialisant 0 toutes les variables des dates ngatives


V (Xt+h |Xt1 )
=

+ t2
{1 ( + )}
1 ( + )

 1 ( + )(h+1)
1 ( + )

Si + = 1 et || < 1,
V (t+h |t1 ) = h + t2 ,

Laboratoire de statistique du CRM

pour tout h 0.

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Proprits dagrgation ?
Agrgation temporelle : un modle GARCH une frquence donne
est-il compatible avec un modle GARCH une autre frquence ?
ARCH(1)

t = { + 2t1 }1/2 t ,

0 < < 1, (t ) i.i.d.(0, 1), E(t4 ) = 4 < .


Modle vrifi par les variables des dates paires :
2
2
2t = {(1 + 2t1
) + 2 22(t1) 2t1
}1/2 2t .

On en dduit que

E(2t |2(t1) , 2(t2) , . . .)
= 0
Var(2t |2(t1) , 2(t2) , . . .) = (1 + ) + 2 22(t1)

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Le processus (2t ) est un GARCH au sens semi-fort (dfinition 1).


Il sera de plus un GARCH fort si
t =

2t
{(1 + ) + 2 22(t1) }1/2

est i.i.d. On a
E(
t |2(t1) , 2(t2) , . . .) = 0

E(
t2 |2(t1) , 2(t2) , . . .) = 1

mais
E(
t4 |2(t1) , 2(t2) , . . .)

(4 1)3 22(t1) (22(t1) + 2)


1+
{(1 + ) + 2 22(t1) }2

est non constante, sauf si = 0 ou 4 = 1 (t2 = 1, p.s.).


Donc le processus (2t ) nest pas un GARCH fort.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Cette proprit nest pas gnrale : lagrg temporel dun


processus GARCH nest gnralement pas un GARCH, mme au
sens semi-fort.
Notion de processus GARCH faible :

Dfinition
Soit (t ) stationnaire lordre 4. On dit que (t ) est un
GARCH(r, p) au sens faible si
(i) (t ) est un bruit blanc ;
(ii) (2t ) admet une reprsentation ARMA de la forme
2t

r
X

ai 2ti

= c + t

i=1

p
X

bi ti

i=1

o (t ) est linnovation linaire de (2t ).


Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Exemple : agrgation du GARCH(1,1)

Proposition
Soit (t ) un processus GARCH(1,1) faible. Alors, pour tout entier
m 1, le processus (mt ) est galement un processus GARCH(1,1)
faible. Les paramtres des reprsentations ARMA
2t a2t1 = c + t bt1

et

2mt a(m) 2m(t1) = c(m) + (m),t b(m) (m),t1

sont lis par les relations


a(m) = am ,
b(m)
1+

b2(m)

(1

a2 )(1

c(m) = c

1 am
1a

am1 b(1 a2 )
.
+ (a b)2 (1 a2(m1) )

b2 a2(m1) )

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Autres exemples de processus GARCH faibles :


GARCH observ avec erreur de mesure
Agrgation contemporaine : combinaison linaire de processus
GARCH indpendants
GARCH coefficients alatoires (ex. fonction dune chane de
Markov)

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit, innovations, modles ARMA

Proprits des sries financires

Modles GARCH : proprits probabilistes


Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Constatation empirique : laccroissement de volatilit d une


baisse des prix est gnralement suprieur celui rsultant dune
hausse de mme ampleur.
Symtrie des modles GARCH standard :
Si (t ) a une loi symtrique et (t ) est symtrique en ti , i > 0 :
cov(t , th ) = 0,

h > 0.

cov(+
t , th ) = cov(t , th ) = 0,

h > 0,

o
+
t = max(t , 0),

Laboratoire de statistique du CRM


t = min(t , 0).

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Autocorrlations empiriques du CAC 40 (1988-98)

(t , th )

1
0.030

2
0.005

3
0.032

4
0.028

5
0.046

10
0.016

20
0.003

(|t |, |th |)

0.090

0.100

0.118

0.099

0.086

0.118

0.055

(+
t , th )

0.011

0.094

0.148

0.018

0.127

0.039

0.026

En rouge les paramtres statistiquement significatifs au niveau 5%, en utilisant 1/n


comme approximation de la variance des autocorrlations, pour n = 2380.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Modle GARCH exponentiel (EGARCH)




t
= t t P
P
2
log t2 = + qi=1 i g(ti ) + pj=1 j log tj

o
g(ti ) = ti + [|ti | E|ti |].
Modlisation multiplicative de la volatilit
t2 = e

q
Y

exp{i g(ti )}

i=1

p
Y

2
tj

 j

j=1

Pas de contraintes de signes a priori mais les conditions


< < ,

i 0,

j 0.

assurent que t2 crot avec le module des innovations passes


( signe fix).
Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Modle GARCH exponentiel (EGARCH)




t
= t t P
P
2
2
log t = + qi=1 i g(ti ) + pj=1 j log tj

o
g(ti ) = ti + [|ti | E|ti |].
Asymtrie prise en compte par le paramtre .
Lasymtrie des sries financires impose < 0 .
Ecriture de t2 en fonction des innovations normalises (ti ).
log t2 est un ARMA car (g(t )) est un bruit blanc iid de
variance
Var[g(t )] = 2 + 2 Var(|t |) + 2Cov(t , |t |).

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit stricte sous les hypothses standard portant sur les


polynmes AR et MA :

(z) =

q
X

i z i

et

i=1

(z) = 1

p
X

i z i

i=1

nont pas de racine commune et ont toutes leurs racines de module


strictement plus grand que 1.

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

(L)
(L)

i
i=1 i L ,

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

g (x) = E[exp{xg(t )}]

Moments du processus EGARCH(p, q)


Soit m un entier positif. Sous les conditions de stationnarit stricte
et si

Y
2m = E(t2m ) < ,
g (mi ) < ,
i=1

(2t )

admet un moment lordre m


m
E(2m
t ) = 2m e

g (mi ).

i=1

Dans le cas gaussien, tous les moments existent. Le modle nest


alors pas adapt la prise en compte de la proprit de
leptokurticit.
Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Modle GARCH seuil (TGARCH)




t = t t P
Pp

t = + qi=1 i,+ +
ti i, ti +
j=1 j tj

Contraintes de positivit
> 0,

i,+ 0,

i, 0,

i 0.

A travers les i,+ et i, , la volatilit prsente dpend la fois


du module et du signe des innovations passes.
Modle symtrique si pour tout i = 1, . . . , q,
i,+ = i, = i .
t = +

q
X
i=1

Laboratoire de statistique du CRM

i |ti | +

p
X

j tj

j=1
Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit :
tude fonde sur
+
+
t = t t ,


t = t t .

Consquences :
max{p,q}

t = +

ai (ti )ti ,

ai (z) = i,+ z + i, z + i .

i=1

En particulier si p = q = 1 le modle admet une unique solution


strictement stationnaire non anticipative ssi
E{log a(t )} < 0
1,+ 1, < e2E log |t |
Laboratoire de statistique du CRM

avec (t ) de loi symtrique.


Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Toujours si p = q = 1 le modle admet une solution stationnaire au


second-ordre ssi
E[(1,+ t+ 1, t + 1 )2 ] < 1.
Asymtrie : sous lhypothse de stationnarit au second ordre, en
supposant symtrique la distribution de t , on a par exemple pour
le modle TARCH(1) :
2
cov(t , t1 ) = (1,+ 1, )E(+
ti ) 6= 0

ds que 1,+ 6= 1, .

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit du modle TGARCH(p, q) :


tude similaire celle du modle GARCH(p, q) avec la
reprsentation vectorielle :
z t = bt + At z t1
o

0
BB
BB
BB
B
bt = b(t ) = B
BB
BB
B@

t+
t
0
..
.

0
..
.
0

1
CC
CC
CC
CC IRp+2q ,
CC
CC
CA

Laboratoire de statistique du CRM

0
BB
BB
BB
B
zt = B
BB
BB
BB
@

+
t

t
..
.
+
tq+1

tq+1
t
..
.
tp+1

1
C
C
C
C
C
C
C
C
IRp+2q ,
C
C
C
C
C
C
A

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Stationnarit du modle TGARCH(p, q) :


tude similaire celle du modle GARCH(p, q) avec la
reprsentation vectorielle :
z t = bt + At z t1
o

0
BB
BB
B
At = B
BB
BB
@

1,+ t+
1,+ t

I2(q1)
1

0(p1)2(q1)

q,+ t+
q,+ t+

q, t+
q, t

02(q1)1

02(q1)1

q,+

q,

0(p1)1

0(p1)1

Laboratoire de statistique du CRM

1 t+
1 t

02(q1)(p1)
1

Ip1

p t+
p t
02(q1)1
p
0p11

Modles GARCH et volatilit stochastique

1
C
C
C
C
C
C
.
C
C
C
C
A

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Application : estimation de modles sur lindice CAC


Corrlogramme h 7 (|r
t |, |rth |) des valeurs absolues du CAC 40 et corrlogramme crois

h 7 (|r
t |, rth ) mesurant les effets de levier Les traits en pointill correspondant 1.96/ n
0.3
0.25
0.2
0.15
0.1
0.05
2

10

12

14

10

12

14

0.3
0.2
0.1

-0.1

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Ajustement par des modles GARCH asymtriques


GARCH(1,1) strandard

8
>
<
>
:

rt =

5. 104

t2 =

(2. 104 )
8. 106

(2. 106 )

t ,

t N (0, 1)

t = t t ,
2t1 +

0.09

0.84

(0.02)

2
t1

(0.02)

EGARCH(1,1)

8
>
>
>
>
<
>
>
>
>
:

4. 104

rt =

t ,

t = t t ,

t N (0, 1)

(2. 104 )

log t2 =

0.64

(0.15)

0.15 (
(0.03)

0.93

0.53

t1 + |t1 |

q2

(0.14)
2
log t1

(0.02)

QGARCH(1,1)

8
>
<
>
:

rt =

3. 104

t2 =

(2. 104 )
9. 106

(2. 106 )

t ,

t = t t ,

0.07
(0.01)

Laboratoire de statistique du CRM

2t1

t N (0, 1)
9. 104
(2. 104 )

t1

0.85

2
t1

(0.03)

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Ajustement par des modles GARCH asymtriques


GJR-GARCH(1,1)

8
>
<
>
:

rt =

4. 104

t2 =

(2. 104 )
1. 105

+
+

(2. 106 )

t ,

t = t t ,

t N (0, 1)

0.13 2t1

0.10 2t1 1l{t1 >0} +

2
0.84 t1

(0.02)

(0.02)

(0.03)

TGARCH(1,1)

8
>
<
>
:

rt =

4. 104

t =

(2. 104 )
8. 104

(2. 104 )

t ,

t = t t ,
+
t1

0.03

(0.01)

t N (0, 1)
0.12 
t1

(0.02)

0.87

t1

(0.02).

Log-vraisemblance des diffrents modles

log Ln

GARCH
7393

EGARCH
7404

QGARCH
7404

Laboratoire de statistique du CRM

GJR-GARCH
7406

TGARCH
7405

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Volatilits des modles estims


500 premires valeurs de lindice CAC40 et volatilit estime (104 ) par les modles GARCH(1,1)
ordinaire, EGARCH(1,1), QGARCH(1,1), GJR-GARCH(1,1) et TGARCH(1,1)

0.04
0.02

-0.02

-0.04

-0.06

100

200

300

400

500

100

200

300

400

500

100

200

300

400

500

1
100

200

300

400

500

6
5

4
3

2
1

1
100

200

300

400

500

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Distances entre modles estims :


Moyenne des carrs des carts entre les volatilits estimes (1010 ).

GARCH
EGARCH
QGARCH
GJR
TGARCH

GARCH
0
10.98
3.58
7.64
12.71

EGARCH
10.98
0
3.64
6.47
1.05

QGARCH
3.58
3.64
0
3.25
4.69

GJR
7.64
6.47
3.25
0
9.03

TGARCH
12.71
1.05
4.69
9.03
0

volatilits estimes par modles EGARCH et TARCH, puis TGARCH et GJR-GARCH : nuage des points


 2
2
, 2
t,

2
GARCH , (graphe de gauche)
 2t,TGARCH 2t,GARCH 2t,EGARCH
2
t,TGARCH t,GARCH , t,GJR-GARCH t,GARCH

Laboratoire de statistique du CRM

(graphe de droite)

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Loi marginale : srie relle vs modles estims


Variance (104 ) et Kurtosis de la srie du CAC 40 et de simulations de longueur
50 000 des 5 modles estims.

Kurtosis
Variance

CAC 40
5.9
1.3

GARCH
3.5
1.3

EGARCH
3.4
1.3

QGARCH
3.3
1.3

GJR
3.6
1.3

TGARCH
3.4
1.3

Nombre de rendements du CAC en dehors de r 3


t
THEO est la valeur thorique moyenne quand la loi conditionnelle est N (0,
t2 ).
THEO
6

GARCH
17

EGARCH
13

Laboratoire de statistique du CRM

QGARCH
14

GJR
15

TGARCH
13

Modles GARCH et volatilit stochastique

Stationnarit, innovations, modles ARMA


Proprits des sries financires
Modles GARCH : proprits probabilistes

Dfinitions, Reprsentations
Etude de la stationnarit
Asymtries et autres spcifications

Asymtries : srie relle vs modles estims


500 premires valeurs de lindice CAC40 et volatilit estime (104 ) par les modles GARCH(1,1)
ordinaire, EGARCH(1,1), QGARCH(1,1), GJR-GARCH(1,1) et TGARCH(1,1)

0.3

0.3
0.25

0.2

0.2
0.15

0.1

0.1
0.05
2

10

12

10

12

14

10

12

14

10

12

14

14
-0.1

0.8

0.8

0.6

0.6

0.4

0.4
0.2

0.2
0

10

12

14

0.8

0.8

0.6

0.6

0.4

0.4
0.2

0.2
0

10

12

14

Laboratoire de statistique du CRM

Modles GARCH et volatilit stochastique