Vous êtes sur la page 1sur 7

Initiation la Modlisation GARCH

Par
Jean Paul Tsasa V. Kimbambu
Chercheur co accompli au Laboratoire dAnalyse Recherche en Economie Quantitative
jeanpaultsasa@lareq.com B.P. 16 626 Kinshasa I http://www.lareq.com
Mai 2012

Economtrie et Prvision
Lconomtrie de srie chronologique distingue gnralement cinq approches de prvision conomique
selon quil sagit de modles de :
-

lissage exponentiel ;

rgression quation unique ;

rgression multiquationnels ;

moyenne mobile autorgressive intgre [univaris] et

moyenne mobile autorgressive vectorielle [multivaris].

Une attention particulire sera accorde au quatrime type de modles.


Processus autorgressif et Processus moyenne mobile
Yule et Slutsky considrent indpendamment deux mcanismes permettant de gnrer un processus.
Leurs travaux smantiques ont mis jour le processus AR et le processus MA, respectivement dordre 2.
Ces processus constituent un des atouts majeurs pour diagnostiquer les informations contenues dans
une chronique conomique ou financire.
Processus autorgressif
Soit la chronique Zt, le prix dun actif financiers, suppose faiblement stationnaire niveau (stable), le
processus autorgressif scrit :

Ce modle signifie que la valeur de Z au temps t est la somme de la valeur de sa proportion au temps t
1 et dun choc alatoire au temps t (innovation).
En gnralisant, on obtient un processus AR(p), soit :

La valeur prise par la variable Z au temps t dpend de sa valeur dans les priodes antrieurs, plus un
bruit blanc. Une manipulation mathmatique simple nous permet dcrire :

Jean Paul Tsasa


Laboratoire dAnalyse Recherche en Economies Quantitative

Processus moyenne mobile


Le processus Zt peut galement tre modlis comme suit :

La valeur de Z au temps t est donc gale une constante plus une moyenne mobile des termes derreur
stochastique actuel et dcal. En gnralisant, le processus moyenne mobile devient MA(q) :

Ce processus apparait comme une combinaison linaire de termes derreur de nature bruit blanc.
Processus autorgressif moyenne mobile
La variable Zt peut avoir en mme temps les caractristiques du processus AR et celles du processus MA.
Dans ce cas, le processus est dit ARMA (p, q) :

Si la variable Zt est intgre, cest dire non stationnaire niveau, et quaprs diffrentiation, elle le
devient :

par consquent, le processus autorgressif moyenne mobile sera galement intgre (ARIMA) et
scrit :

Limite du processus autorgressif moyenne mobile


Tout comme la variable Zt peut ou ne pas tre une marche alatoire, de mme, il peut galement se
caractriser par le phnomne de volatilit groupe. Dans ce cas, le processus ARIMA perd ses quelques
vertus, notamment sa capacit prdictive. Or gnralement, les chroniques des prix des actifs financiers
ou de certains agrgats conomiques tels que les cours des actions et de change ou le taux dinflation
sont caractriss par les volatilits ! Face ces caractristiques, le modle moyenne mobile
autorgressive intgre (ARIMA), propos par Box et Jenkins, devient quasi impuissant. Partant de
cette faiblesse, Engle (1982) et plus tard Bollerslev (1986) et Taylor (1986) dvelopprent une
mthodologie qui prend en compte le phnomne de volatilit. Il sagit des modles :

autorgressifs conditionnellement htroscdastiques (ARCH) et

autorgressifs conditionnellement htroscdastiques gnraliss (GARCH).

Jean Paul Tsasa


Laboratoire dAnalyse Recherche en Economies Quantitative

Notez, par ailleurs, que les mthodes de prvision de ces modles supposent galement que la chronique
en cause est stationnaire.
Cette approche a eu un grand cho dans le monde des conomistes. Ainsi, dans la formulation des
politiques conomiques ou dans le processus de prise de dcision, la connaissance de la volatilit
caractrisant les variables instruments est indispensable. Par exemple, nombre dconomistes considre
que linflation nest pas un mal en soi, mais sa variabilit le demeure car ne facilitant pas la ralisation de
prvisions. Il en est de mme pour le taux de change ou les cours dactifs financiers.
Comment modliser les chroniques caractrises par un phnomne de volatilit ?
Rappelons que les chroniques financires sont gnralement de marches alatoires. Cependant, aprs
une diffrentiation, elles deviennent stationnaires. Et souvent, le chroniques diffrenties prsentent de
volatilit, cest dire la variance des chroniques financires est htroscdastique.
DE ce fait, chercher modliser les chroniques caractrises par un phnomne de volatilit implique
une prise en compte de sa variance variable, car celle ci peut tre autocorrle.
Considrons une variable

En notant

et

son logarithme. La variation relative de

la variation relative ajuste de

et

est donne par :

la mesure de la volatilit ; le processus AR(1) de la

volatilit scrit :

La variable

est effectivement une mesure de la volatilit puisquelle devient plus leve pendant les

priodes de forte variation et moins leve lorsque les variations seront faibles.
Si

est significativement positif, on conclut quil y a un phnomne de volatilit groupe. Cela suppose

que si la volatilit tait forte dans la priode antrieure, elle continuera ltre dans la priode actuelle.
En gnralisant, on obtient un processus AR(p) :

Ainsi obtient on les modles ARCH(1) et ARCH(p)


Comment tester leffet ARCH ?
Soit :

La variance du terme

suit un processus ARCH(1).

Jean Paul Tsasa


Laboratoire dAnalyse Recherche en Economies Quantitative

En gnralisant, on a :

En cas dabsence dautocorrlation derreur et donc, dabsence deffet ARCH :

Cela signifie que lon ne rejette pas lhypothse nulle daprs laquelle :

Et puisque la variance

nest pas observable, on recourt la rgression suivante pour mener le test en

cause :

est la variance MCO obtenu dans le modle de rgression primitif.

Lapproche dveloppe initialement par Engle (1982) a t gnralise par Bollerslev (1986) et Taylor
(1986) :

Soit :

En considrant les vecteurs paramtriques et un polynme doprateur de retard L, le modle GARCH se


rsume comme suit :

La variance conditionnelle du terme derreur

au temps t dpend non seulement du terme de lerreur au

carr dans la priode antrieure, mais aussi de sa variance conditionnelle de la priode antrieure.
Lorsque la variance est non conditionnelle cest dire

le processus ARCH est donc

stationnaire. En considrant un ARCH(1), on obtient :

Cela suppose que le processus est stable, cest dire

Ainsi, on obtient :

Stratgie propose par R. Engle.

Jean Paul Tsasa


Laboratoire dAnalyse Recherche en Economies Quantitative

Conversion du processus GACH en ARCH


Davidson et MacKinnon (1993) montrent quun modle GARCH(p, q) quivaut quasiment un modle
ARCH(p+q). Considrons cet effet un modle GARCH(1, 1) :

En considrant que les variances des erreurs pour les priodes t-i tel que i 2, trs faibles, on
obtient ainsi un processus ARCH(2):

Il existe trois principaux moyens destimer les modles de rgression erreurs ARCH et GARCH : les
moindres carrs gnraliss faisables, lestimation efficace en une tape et le maximum de
vraisemblance. Dans ce cours, nous utilisons la troisime mthode.
Au-del de la spcification standard ARCH et de sa gnralisation GARCH, plusieurs autres variantes de
modles de variance ont t dveloppes.
i.

Modle IGARCH (Integrated GARCH)

Ce modle a t co spcifi par Engle et Bollerslev en 1986. En nomalisant le modle GARCH, ils
dfinissent un modle avec contrainte :

ii.

Modle TGARCH (Threshold GARCH)

Ce modle avec effet de seuil a t dcrit en 1993 par Glosten, Jaganatha et Runkle, puis par Zakoan en
1994. Il scrit :

En cas de choc positif,

et en cas de choc ngatif,

La nature de chocs a donc un effet sur

la variance conditionnelle. Ainsi, une bonne nouvelle, par exemple, sur la place financire ou sur le
march a un impact de
Pour

alors quune mauvaise nouvelle aura un impact de

limpact de la nouvelle sera asymtrique (prsence dun effet de niveau), et si

ce que

la mauvaise nouvelle aura tendance accentuer la volatilit.


Lorsque

le modle TGARCH devient GARCH. Ainsi, le processus GARCH est une spcification

particulire du modle TGARCH.

Jean Paul Tsasa


Laboratoire dAnalyse Recherche en Economies Quantitative

iii.

Modle EGRACH (Exponetiel GARCH)

Ce modle a t introduit par Nelson en 1991. La spcification de la variance conditionnelle dans le


modle EGARCH est :

Ce modle considre le logarithme de la variance conditionnelle et intgre, par ailleurs, la mesure de


leffet de seuil. Ainsi, pour tout
iv.

limpact est asymtrique.

Modle PGARCH (Power GARCH)

Taylor et Swert ont introduit, respectivement, en 1986 et en 1989, une extension du modle GARCH qui
considre la dviation standard plutt que la variance.

Le modle est symtrique si


v.

pour tout i. Si

on retrouve le modle standard GARCH.

Modle CGARCH (Component GARCH)

La variance conditionnelle dans le modle GARCH(1, 1) est donn par :

Dans le modle CGARCH, k devient variable :

La premire quation dcrit la composante transitoire


puissance

qui converge vers zro avec la

La deuxime quation dcrit la composante de long terme

comme puissance

qui converge vers k avec

Et, la dernire quation nest quune combinaison de deux premires quations.

APPPLICATION

Jean Paul Tsasa


Laboratoire dAnalyse Recherche en Economies Quantitative

Bibliographie

BERA Anil K. and Matthew L. HIGGINS, 1993, ARCH Models: Properties, Estimation and
Testing , Journal of Economic Survey, vol. 7, pp. 305 366.

BOLLERSLEV Tim P., 1986, Generalized Autoregressive Conditional Heteroscedasticity , Journal


of Econometrics, vol. 31, pp. 307 326.

BOX George E.P. and Gwilyn M. JENKINS, 1978, Time Series Analysis : Forecasting and Control,
d. Revue, Holden Day, San Francisco.

DAVIDSON Russell and James G. MacKINNON, 1993, Estimation and Inference in Econometrics,
Oxford University Press, New York.

ENGLE Robert, 1982, Autoregressive Conditional Heteroscedasticity with Estimates of the


variance of United Kingdom Inflation , Econometrica, vol. 50, num. 1 ; PP. 987 1007.

LUCAS Robert E., 1976, Econometric Policy Evaluation: A Critique , in Canergie Rochester
Conference Series, The Phillips Curve, North Holland, Amsterdam, pp. 19 46.

SIMS Christopher A., 1980, Macroeconomics and Reality , Econometrica, vol. 48 ; pp 1 48.

Jean Paul Tsasa


Laboratoire dAnalyse Recherche en Economies Quantitative