Vous êtes sur la page 1sur 5

DOSSIER TECHNIQUE

La volatilit selon les modles Garch

Focus sur lasymtrie et la corrlation dynamique


Elizabeth Howard
Les travaux dElizabeth Howard portent sur la volatilit et la corrlation des marchs boursiers mergents. Au sein dOpus Finance Research et en partenariat avec le laboratoire LEDa-SDFi de lUniversit
Paris-Dauphine, elle poursuit sa thse sous la direction de Sanvi Avouyi-Dovi la Banque de France.
Diplme de Sciences-Po Paris, elle peut intervenir sur les problmes conomtriques pour y apporter son
expertise des modles GARCH, mais galement son exprience dans lanalyse risque pays et lconomie
des marchs financiers.

ous prsentons un panorama des modles cls de la classe GARCH. Ceux-ci introduisent de
la dpendance temporelle dans la volatilit, rompant avec la pratique usuelle en finance de
supposer la volatilit constante. Les fluctuations extraordinaires dont nous avons t temoins
depuis 2008 rendent cette rupture indispensable la matrise des risques.
Lunivers des investisseurs et des gestionnaires dactifs est
aujourdhui dune complexit frappante. Le choix de portefeuille doit se faire entre une myriade dactifs, dindices,
de produits drivs et dautres instruments financiers disponibles, qui ragissent aux nouvelles, la microstructure
des marchs, aux biais comportementaux ainsi quaux fluctuations macroconomiques.
Pour linvestisseur, lanticipation de tels marchs devient
une tche herculenne, et la gestion optimale du portefeuille
est dautant plus dlicate que la sensibilit aux facteurs de
risque est instable dans le temps. Les modles GARCH
disponibles sont un outil commode face aux exigences de

lindustrie financire. En effet, grce leur interprtation


intuitive et leur polyvalence, les modles GARCH se
prtent un usage rpandu en finance. Cependant, face aux
marchs en crise, des extensions plus sophistiques sont
ncessaires.
Le processus inluctable de la mondialisation accrot la
sensibilit dun march aux nouvelles informations survenant dans un ou plusieurs autres marchs, limage de
lintgration complexe sous-jacente entre marchs ouverts.
Ceci contribue linstabilit des marchs ; il sera donc indispensable de se servir de modles avancs lavenir. Cet
article montrera leurs apports principaux.

DE LINCONDITIONNEL LA DYNAMIQUE : LE MODLE GARCH


La premire pierre de ldifice de lconomtrie de la volatilit financire fut pose par
Robert Engle, prix Nobel dconomie, avec le
modle ARCH (Autoregressive Conditional
Heteroskedasticity) en 1982. Depuis ce modle phare, les formules du type ARCH font
partie des outils incontournables pour la modlisation de la volatilit. Son succs se trouve
dans sa capacit capturer, mme partiellement, certains faits styliss importants des sries temporelles financires : la tendance des
rendements se regrouper en paquets de volatilit haute et basse avec une non-normalit
de la distribution des rendements, des queues
lourdes et un biais ngatif.

34

LL aa rr ee vv uu ee dd OO pp uu ss FF ii nn aa nn cc ee
N1 dcembre 2012

RENDEMENTS QUOTIDIENS ET DISTRIBUTION DU S&P 500

negatif il y a davantage de grands mouvements baissiers que de grands mouvements ha

DOSSIER TECHNIQUE

negatif il y a davantage
defaits
grands
mouvements
que larriv
de grands
Ces (loge
stylis
es sont illustr
ebaissiers
s par le graphique
eteelhistogramme
de haussiers.
lindicepertinentes
S&P500
Premi`erement,
le clustering
sexplique
par
demouvements
plusieurs nouvelles
la fr
equence
quotidienne)
: nous
remarquons
lesS&P500
clusters
de
eehaute
autou
faits stylises sont
illustr
s`a par
le
graphique
et lhistogramme
delalindice
(log
rendements
temps.
Lesequeues
lourdes
traduisent
le faity que
probabilit
e associ
eevolatilit
aux
tr`
s grandes
de
1987,
2000
et
2008
;
la
distribution
a
des
queues
plus

e
paisses
et
un
biais
n
e
gatif
`a la frequencetions
quotidienne)
: nous est
y remarquons
les celle
clusters
de volatilit
haute autour
des crises; avec
des rendements
plus elevee que
propos
ee par lae distribution
gaussienne
a distribution
`
la distribution
normale.
Faceplus
`a cela,
il est et
clair
que
les n
mesures
classiques
du risqu
de 1987, 2000neet
2008
;
la
a
des
queues

e
paisses
un
biais
e
gatif
par
rapport
gatif il y aldavantage
de
grands
mouvements
baissiers
que
de
grands
mouvements
haussi
eFace
cart-type
constant
ou
`a fen
etres
glissantes
produiraient
des
estimations
biais
ees et n
`a la distribution
normale.
a
`
cela,
il
est
clair
que
les
mesures
classiques
du
risque
telles
que
faits stylises lasont
illustr
s par le graphique et lhistogramme de lindice S&P500 (log rend
gestion
de erisques.
lecart-type constant
ou
a
`
fen
e
tres
glissantes
produiraient
des estimations
ees et n
`a laclustering
frequence
quotidienne) : nous
y remarquons
les clustersbiais
de volatilit
eefastes
hautepour
autour de
sexplique par larrive
laPremirement,
gestion de lede
risques.
1987, 2000 et 2008 ; la distribution a des queues plus epaisses et un biais negatif par

de plusieurs nouvelles pertinentes en mme temps. Les


queues lourdes`
le fait quenormale.
la probabilitFace
asso- `
a traduisent
la distribution
a cela,(ENCART:
il est clair PARTIE
que les mesures
classiques du risque te
TECHNIQUE)
cie aux trs grandes
fluctuations
des
rendements
est
plus
lecart-type constant ou `a fenetres glissantes
des
estimations
biaisees et nefast
Le modleproduiraient
GARCH dans sa
forme
gnrique proleve que celle propose par la distribution
gaussienne
;
(ENCART:
PARTIE
TECHNIQUE)
Le
premier
mod`
e
le
GARCH(p,q)
pose
une
estimation
intuitive
de
la
volatilit,
cette
la gestion de risques.
avec un biais ngatif, il y a davantage de grands mouvedernire tant la somme des rendements passs
ments baissiers que de grands mouvements haussiers.
Le premier
mod`ele ARCH
dans
sa forme generique propose une estimation intuitive d
Le
mod`
elepondrs.
GARCH(p,q)

LE PREMIER MODLE GARCH (P,Q)

e, cette etderni`
ere etant la somme des rendements passes ponderes. La version g
Ces faits styliss sont illustrs par tilit
le graphique
lhisto(ENCART:
PARTIE
TECHNIQUE)
La version
gnralise
GARCH
(p,q),
est la
GARCH(p,q),
qui
est
la plus
exploit
ee, est
decrite
par
deuxqui
equations.
gramme
lindice
ci-contre
(log
ela
Ledemod`
eleS&P500
ARCH
dans
sa rendements
forme g
en
rique
propose
une
estimation
intuitive
deLala volaplus exploite, est dcrite par deux
quations.
frquence quotidienne) : nous y remarquons les clusters de
tilite, cette derni`ere etant la somme des Le
rendements
pass
esele
pond
eres. Ladun
version
eneralisee
premire
donne
les
rendements
actif oug
dun
mod`
GARCH(p,q)
volatilit haute autour des crises de 1987,
2000 etere
2008
; premier
La premi`
donne
lesindice
rendements
y
dun
actif
ou
dun
indice
financier :
t
qui est
plus exploit
ee,ngatif
est decrite parfinancier
deux e:quations.
la GARCH(p,q),
distribution a des queues
pluslapaisses
et un biais
par rapport la distribution
cela, ildans
est clair
Le normale.
mod`eleFace
ARCH
sa forme generique propose
t estimation intuitive de la
yt = +une
que lesLa
mesures
classiques
du
risque
telles
que
lcart-type
premi`etilit
re donne
les
rendements
y
dun
actif
ou
dun
indice
financier
: eres. La version gener
t
e, cette derni`ere edes
tant la somme des rendements passes pond
constant ou fentres glissantes produiraient
o`
u repreestimasente la valeur moyenne des rendements et t est linnovation, cest-`
a-d
oee,
reprsente
la valeur
moyenne
des rendements
GARCH(p,q),
qui
est
la
plus
exploit
est
d
e
crite
par
deux

e
quations.
tions biaises et nfastes
pour la gestion
de
risques.
distingue le rendement journalier de sa valeur moyenne en incorporant les derni`eres
yt = +
et t est linnovation, cest--dire ce qui distingue
Cette innovation est modelelis
ee par une
variabledeal
ecart-type t
rendement
journalier
saeatoire
valeur gaussienne
moyenne en d
La
premi`
e
re
donne
les
rendements
y
dun
actif
ou
dun
indice
financier
:
t
o`
u represente la valeur moyenne des rendements
et tlesest
linnovation,
-dire, ce qui
incorporant
dernires
nouvelles.cest-`
Cette ainnovaLa deuxi`
mevaleur
equation
faitest
demodelise
pendre
lapar
volatilit
e des
rendements
et des volatilite
tion
une variable
alatoire
distingue le rendement journalier
de esa
moyenne
en incorporant
les
derni`
eresgausnouvelles.
=

+

y

.
sienne
dcart-type
t
Cette innovation est modelisee par une variable aleatoiret gaussienne
decart-type t .

MAUVAISE NOUVELLE :
LA VOLATILIT EST ASYMTRIQUE

p


q


Bien que le GARCH (p,q) soit un modle performant en


t2rendements
= quation
+
ifait
2tidpendre
jlatj
o`
u represente la valeur moyenne
et
a-dire, c
t+est linnovation,
La des
deuxieme
volatilit cest-`
matire de prvisions1, il est le sujet de plusieurs critiques.
i=1
j=1
La deuxi`edistingue
me equation
fait
d
e
pendre
la
volatilit
e
des
rendements
et
des
volatilit
e
s
pass
e
s
:
Formules
Elizabeth
des
rendements
et
des
volatilits
passs
:
rendement
journalier
de sa valeur moyenne en incorporant les derni`eres nouv
Un reproche saillant est quil nelepeut
rendre compte
de la
cette
p etune
q donnent
lesal
plages
temporelles
pass
eeescart-type
qui serontprises
raction asymtrique
des chocs
passs Dans
surest
la volatilit
acCette
innovation
modeformule
lis
ep e par
variable
d
t.
q
peatoire gaussienne
q




tuelle. Or, nous reconnaissons depuis
les d
annes
1970 la
quevolatilit
pour
eterminer
esente.
est
la variance
inconditionnelle.
i est un para
2
2 e pr
2
2
2
i ti +
j
t = +
i ti + t =j+
tj
les rendements passs ngatifs augmentent
plus
fortement
gouverne
limpact
dud
choc
pass
e : volatilit
plus il i=1
est
important,
plustj
laetvolatilit
e augmentera
La
deuxi`
e
me

e
quation
fait
e
pendre
la
e
des
rendements
des volatilit
es pas
j=1
i=1
j=1
la volatilit que les rendements passs
positifs.
choc.
est un param`etre qui sinterpr`ete comme la vitesse du retour `
a la volatilite m
j

p
q
2 temporelles
Dans cette formule p etYqt donnent
lesplages
passepeset
qui
seront prises en compte
+
t o

t = Ht ztDans cette
formule,
q donnent les plages temLes causes de ce phnomne font dbat
:=
selon
Black
(1976)
2
2
est
param`
pour determiner la volatilite presente.
est lavariance

= + inconditionnelle.
i ti
i tj
j
qui+seront
prises
enun
compte
pouretre qui
et Christie (1982)2, la baisse du prix de laction
dune firme t porelles passes
1
2
i=1
j=1
gouverne
limpact
choc O
pass
et :est
plus
est
launvolatilit
e augmentera
es un
est
dterminer
volatilit
uneil matrice
m
x m etplus
zla
n xprsente.
1 vecteur
(0,laIvariance
H
endette
aggrave
son ratiodu
de solvabilit.
Ceci
augmente
le important,
t est
n ). apr`
i est un`
paramtre
qui gouverne
inconditionnelle.
risque
intrinsque
et, param`
par
consquent,
la
volatilit
de
lacchoc.
j est un
e
tre
qui
sinterpr`
e
te
comme
la
vitesse
du
retour
a
la
volatilit
e
minimale
. en co
Dans cette formule p et q donnent les plages
temporelles passees qui seront prises
1

limpact2 du choc pass : plus il est important, plus


tion - cest la thorie de leffet de levier.
Le Pphnomne
Ht =
Det sente.
= diag(H
t t Dt o
t ) laaugmentera
et
pour d
la D
volatilit
e pr
est
variance aprs
inconditionnelle.
i est un param`
Opus
2 un choc. j est unpawww.op
la volatilit
peut sexpliquer galement
eterminer
laide
de laFinance
finance
comporte21
rue
des
Jeuneurs
75002
Paris
ramtre
qui sinterprte
comme
vitesse
du retour
limpact
du que
choc
passe : plus
il est
important,
pluslala
volatilit
e augmentera apr
vincent.boisbourdain@opu
mentale qui stipulegouverne
que des biais
cognitifs tels
laverFormules
Adrien
.
laevolatilit
minimale
sion aux pertes et leffet
et renforcent
choc.moutonnier
j est uncrent
param`
etre quilasinterpr`
te comme
la vitesse
du retour `a la volatilite minim
tendance vendre suite aux baisses3.
Opus Finance
21 rue des Jeuneurs 75002 Paris

LA VOLATILIT TRS FLUCTUANTE DU


S&P 500 ANALYSE AVEC LE PREMIER
Opus Finance
MODLE GARCH

21 rue des Jeuneurs 75002 Paris


Reprenant notre exemple du S&P 500, le graphique cicontre illustre la volatilit conditionnelle estime avec
le GARCH(1,1).

Des priodes de volatilit haute et basse sont facilement distingues puisque le modle capture la dpendance temporelle entre les chocs et la volatilit.

www.opus-finance.com
vincent.boisbourdain@opus-finance.com

www.opus-fin

vincent.boisbourdain@opus-fin

VOLATILIT CONDITIONNELLE DU S&P 500

1. A forecast comparison of volatility models : Does anything beat a GARCH (1,1) ? Hanson et Lunde, 2001 - 2. The stochastic behavior of common stock variance :
Value, leverage and interest rate eects Christie, 1982 ; Studies of stock price volatility changes Black, 1976. - 3. Asymmetric herding as a source of asymmetric return
volatility Park, 2011 ; A behavioural explanation for the negative asymmetric return-volatility relation Hibbert et al, 2008.

La revue dOpus Finance


N1 dcembre 2012

35

Opus Finance Research


Opus Finance Research

DOSSIER TECHNIQUE

(ENCART: PARTIE TECHNIQUE)


(ENCART: PARTIE TECHNIQUE)
Un
mod`
ele GARCH
etrique
(ENCART:
PARTIEasym
TECHNIQUE)
Un mod`
ele GARCH asym
etrique
Plusieurs extensions au mod`
ele g
enerique
ont ete propos
ees
pour capturer cette asymetrie,
Un
mod`
ele GARCH
asym
etrique
UN
MODLE
GARCH
ASYMTRIQUE
telles que le mod`ele APARCH (Ding, Engle et Granger, 1993). Le concept cle est le meme pour
Plusieurs extensions au mod`ele generique ont ete proposees pour capturer cette asymetrie,
Plusieurs
extensions
au au
modle
gnrique
ont t
proposes
pourees
capturer
cette
asymtrie,
comme
modle
toutes Plusieurs
ces
extensions
: rendre
la
volatilit
eeconditionnelle
fonction
de
lampleur
du
choc
pass
extensions
mod`
ele gen
rique
ont
ete propos
pour
capturer
cette
asym
eele
trie,
telles
que(Ding,
le mod`
ele APARCH
(Ding,LeEngle
etcl
Granger,
1993).
Le
concept
cle est le: rendre
memelapour
APARCH
Engle
et
Granger,
1993).
concept
est
le
mme
pour
toutes
ces
extensions
et de
sonque
signe.
Par eexemple,
nous(Ding,
decrivons
ele APARCH
gen
eralise ainsi
telles
le mod`
le APARCH
Engleleetmod`
Granger,
1993). Le
concept
cle est: le meme pourvolatoutes
ces extensions
: rendre
la volatilit
e pass
conditionnelle
fonction
de lampleur
du choc
passe
tilit
conditionnelle
fonction
de
lampleur
du
choc
et
de
son
signe.
Par
exemple,
nousdu
dcrivons
le modle
toutes ces extensions : rendre la volatilite conditionnelle fonction de lampleur
choc pass
e
et
de songnralis
signe. Par
exemple,
ecrivons le mod`
ele
generalise ainsi :
p nous d
q APARCH
APARCH
:
ainsi

i=1 d
i mod`
+ APARCH
j=1 j tjgeneralise ainsi :
et de son signe. Par
exemple,
crivons
ie(|
ti | + le
ti ) ele
t = + nous

o`
u ti est le choc passe. t = p+ pi=1 i (|ti | + i ti ) q+ qj=1j tj
t = + i=1 i (|ti | + i ti ) + j=1 j tj
o`
u ti est le choc passe.
Il est
delelevoir
que
lampleur
signe
choc ont
un impact
unique
sur la
o`
u facile
ti est
est
choc
pass
o
choc
pass.
Ile.est facileetdelevoir
que du
lampleur
et le chacun
signe du choc
ont chacun
un impact
unique sur
volatilit
conditionnelle.
Lhypoth`
ese de leffet
dedelevier
estainsi
ainsimise
mise
`a lepreuve.
lae volatilit
conditionnelle.
Lhypothse
de leffet
levieravec
avec i = 0 est
lpreuve.
Dautres moIl est facile de
voir queune
lampleur
et approfondie
le signe duenchoc
ont chacun
unestimables
impact au-del
uniquedesquels
sur la
analyse
plus
proposant
desenun
seuils
Dautres
mod`
eles asym
epermettent
triques
permettent
analyse
proposant
des seuils
Ildles
est asymtriques
facile
de voir
que lampleur
etune
le signe
duplus
chocapprofondie
ont chacun
impact
unique
sur la
volatilit
e
conditionnelle.
Lhypoth`
e
se
de
leffet
de
levier
avec

=

0
est
ainsi
mise
a
`
l
e
preuve.
i
les chocs
passs
ont un impact
asymtrique
sur
volatilit.
exemple,
seuil
de volatilit
mise
panique
-5% impliestimables
a desquels
les chocs
ontlaun
asym
sur
la
ee.preuve.
Par
volatilit
eau-del`
conditionnelle.
Lhypoth`
epass
se deesleffet
de impact
levierPar
avec
etrique
= 0unest
ainsi
`a l
Dautres
mod`
eles
asym
etriques
permettent
une provoqueraient
analyse plusiapprofondie
en proposant
des seuils
querait
que
seules
les
baisses
plus
importantes
que
-5%
une
raction
plus
forte
de
la
volatilit
que
exemple,
un mod`
seuileles
de asym
panique
a -5%
`
impliquerait
que seules
baisses plus
importantes
Dautres
etriques
permettent
une analyse
plusles
approfondie
en proposant
desque
seuils
des hausses de
la mme
ampleur. les chocs pass
estimables
au-del`
a desquels
es ont un impact asymetrique sur la volatilite. Par
-5%estimables
provoqueraient
une
reactionles
plus
fortepass
de elas volatilit
que desasym
hausses
de la
ampleur.
au-del`
a desquels
chocs
ont un eimpact
etrique
surmelame
volatilit
e. Par
exemple, un seuil de panique `
a -5% impliquerait que seules les baisses plus importantes que
exemple, un seuil de panique `
a -5% impliquerait que seules les baisses plus importantes que
-5% provoqueraient une reaction plus forte de la volatilite que des hausses de la meme ampleur.
-5% provoqueraient une reaction plus forte de la volatilit
e que
des hausses
la meme ampleur.
Lenjeu
principal
de ces de
gnralisations
plusieurs sries

VOLATILIT MULTIVARIE
OU LIMPACT DE LA MONDIALISATION

Si les modles asymtriques constituent une avance remarquable pour les modles GARCH, lanalyse de la volatilit reste limite au cas peu commode dun seul actif ou
indice. En dautres termes, nous ne savons rien de limpact
possible sur la volatilit dun march ou dun actif de celle
dun autre march ou actif.
Or, le dbordement de la volatilit est dune vidence frappante4 lors des crises o lon constate de la contagion et
des dfaillances en chane travers les marchs intgrs.
Pour certains acteurs, notamment les gestionnaires de portefeuille, ces explosions ponctuelles de la covariance sont
dautant plus dangereuses que leurs modles de diversification peuvent supposer une corrlation faible entre marchs
chaque instant.

tait de maintenir la simplicit du modle face la prolifration des paramtres. La calibration de ces modles sest
avre rdhibitoire pour des portefeuilles plus de trois ou
quatre actifs. Afin de dpasser cet obstacle, une autre classe
de modles multivaris, dits corrlation conditionnelle,
fut conue.
La calibration de ces modles peut se faire en deux tapes :
dabord, les variances de chaque srie du portefeuille sont
estimes avec un modle GARCH au choix ; ensuite, la
matrice de corrlation conditionnelle est specifie. Cette
dernire peut tre constante, dans le cas du modle CCC
(Bollerslev, 1990), ou dynamique, telle que propose par
Engle (2002) et Tse et Tsui (2002).

Pour pallier cela, la classe de modles GARCH multivaris fut cre. Ceux-ci permettent la volatilit dun march dtre fonction de sa propre volatilit passe ainsi que
de celles dun ou plusieurs autres marchs.
Les nouvelles de tous les marchs sont dsormais pertinentes :

negativedune
asymmetric
relation
Hibbert
al, 2008
part la return-volatility
variance engendre
par les
chocs etpropres

un march peut influer directement sur un autre march ;


negative
asymmetric
return-volatility
relation Hibbert
et al, 2008
dautre
part,
la covariance,
ou la tendance
negative
asymmetric
return-volatility
relationcommune
Hibbert4 etentre
al, 2008
Opus
Finance
contribue
la transmission de la volatilit.
21 rue marchs,
des Jeuneurs
75002Paris

4
Opus Finance
Opus
Les
premires
formulations
21Finance
rue des Jeuneurs
75002 conues
Paris partir de la fin4des
21 rue
des 80
Jeuneurs
75002 Paris
annes
ont cherch
gnraliser directement le modle
GARCH univari. Nous y trouvons les modles VEC (Vector MGARCH dEngle, Wooldridge, Bollerslev, 1988),
BEKK (travaux de Baba, Engle, Kraft et Kroner, 1995) et
RiskMetrics de J.P. Morgan (1996).

4. Financial contagion in the era of globalised banking OECD, June 2012.

36

LL aa rr ee vv uu ee dd OO pp uu ss FF ii nn aa nn cc ee
N1 dcembre 2012

www.opus-finance.com
vincent.boisbourdain@opus-finance.com
www.opus-finance.com
www.opus-finance.com
vincent.boisbourdain@opus-finance.com
vincent.boisbourdain@opus-finance.com

DOSSIER TECHNIQUE

Pour mettre en vidence les gains tirer dune telle


modlisation, le graphique ci-contre montre la Valueat-Risk (VaR) un jour avec un niveau de confiance de
99% pour les rendements du S&P 500.
titre de comparaison, nous modlisons la VaRAPARCH ainsi que les mthodologies classiques: paramtrique et historique.

Opus Finance Research

Rappelons Opus
que lorsque
lonResearch
dtient une position
Finance
Opus
Finance
Research
longue
qui
serait
perdante
en
cas
dune baisse de prix
arch
Opus
Finance
Research
de lactif,
ilOpus
est souhaitable
que
la
VaR,
Finance Research associe cette
(ENCART: PARTIE
Opus
Finance
Research
Opus
Finance
Research
Opus
Opus
Finance
Finance
Research
Research
Opus
Finance
Research
Opus
Finance
Research
position,
prenne
en compte la raction de la volatilit
(ENCART: PARTIE TECHNIQUE)
PARTIE
PARTIETECHNIQUE)
TECHNIQUE)
aux baisses des prix.
(ENCART: PARTIE TECHNIQUE)
VALUE-AT-RISK DES RENDEMENTS DU S&P 500

(ENCART: PARTIE TECHNIQUE)


Un mod`
ele GARC
(ENCART:
PARTIE PARTIE
TECHNIQUE)
Opus Finance Research
(ENCART:
TECHNIQUE)
Un mod`
ele GARCH
Multivari
e
(ENCART:
PARTIE
TECHNIQUE)
(ENCART:
PARTIE
TECHNIQUE)
(ENCART:
(ENCART:
PARTIE
PARTIE
TECHNIQUE)
TECHNIQUE)
(ENCART:
PARTIE
TECHNIQUE)
(ENCART:
PARTIE
TECHNIQUE)
Le
graphique
ci-contre
montre
que
seule
la
VaR-APARCH
est
capable
de
suivre
les
chocs
ngatifs,
surtout
pendant
eGARCH
GARCHMultivari
Multivari
ee
Un mod`
ele GARCH Multivari
e
Un lemod`
ele GARCH
e mod`
cluster
de volatilitMultivari
forte en 2008/9.
De eplus,
la VaR-APARCH
est ractive
hausse:
ceci permet
de ne
Gr
ace `ala sa
specification
dynamique
des correla
Un
le
GARCH
Multivari
e
Un
mod`
eledes
GARCH
Multivari
Gr
acede`
alasaVaR
spesuite
cification
dynamique
corr
elations,
meme een presence dun grand nombre
pas
survaluer
le
niveau

la
sortie
dune
priode
de
crise.
Un
mod`
e
GARCH
Multivari
Un
mod`
emod`
le
GARCH
Multivari
Un
mod`
Un
mod`
ele
le
eleGARCH
GARCH
Multivari
Multivari
e en
Un
eGARCH
le
Multivari
ede
(ENCART:
PARTIE
TECHNIQUE)
series,
le mod`
ele DCC
(Dynamic
Conditional C
mod`
e
ledynamique
GARCH
Multivari
e e eememe
des
es corr
corr
elations,
elations,m
m
eme
eme
en
pr
sence
esence
dun
grand
nombre
nombre
Gr
aen
cepr
`aede
sa
sp
edun
cification
des
corr
elations,
presence
dun
grand
nombreen notori
s
eUn
ries,
legrand
mod`
ele
(Dynamic
Conditional
Correlation,
Engle
2002) gagne
ete.
ecification dynamique
des
corr
esp
lations,
m
eme
enDCC
presence
dun
grand
nombre
Nous
l
e
crivons
ainsi
:
Gr
a
ce
a
`
sa
e
cification
dynamique
des
corr
e
lations,
m
e
me
en
pr
e
sence
dun
grand
nombre
nditional
ditional Correlation,
Correlation,
Engle
Engle
2002)
gagne
gagne
en
en
notori
notori
et
eet
.eConditional
.dynamique Correlation,
de series,
le2002)
mod`
el
le
DCC
(Dynamic
Englem
2002)
gagne
en notori
egrand
te. nombre
Gr
a
ce
a
`
sa
sp
e
cification
des
corr
e
lations,
e
me
en
pr
e
sence
dun
Nous
e
crivons
ainsi
:
`ele DCC
(Dynamic
Conditional
Correlation,
Engle
2002)
gagne
en
notori
eepr
t
eesence
.sence
Gr
`asa
sa
sp
esa
dynamique
des
ecorr
m
een
pr
een
dun
grand
nombre
Gr
ace
`ade
e`asp
cification
des
corr
elations,
em
me
en
sence
dun
grand
nombre
Gr
ce
Gr
`ace
as
sa
ecification
cification
sp
eecification
dynamique
dynamique
des
corr
des
elations,
corr
lations,
elations,
eme
me
m
een
me
pr
esence
dun
dun
grand
grand
nombre
nombre
Gr
asp
`al
sp
ecification
dynamique
des
em
lations,
m
me
en
pr
esence
dun
grand
nombre
esp
Un
le
GARCH
Multivari
eeen
ece
ries,
le
mod`
edynamique
le
DCC
(Dynamic
Conditional
Correlation,
Engle
2002)
gagne
en
notori
e. notoriete.
Gr
ace
`aaace
sa
cification
dynamique
des
corr
ecorr
lations,
em
me
pr
epr
sence
dun
grand
nombre
Nous
esa
crivons
ainsi
de
s
ries,
le: mod`
mod`
eele
DCC
(Dynamic
Conditional
Correlation,
Engle
2002)
gagneet
en
inside: de
es
ecrivons
DCC
(Dynamic
Conditional
Correlation,
Engle
2002)
gagne
en
notori
eeet
ses
ries,
mod`
ele
DCC
(Dynamic
Conditional
Correlation,
Engle
2002)
gagne
en
notori
e.t
.ete. .et
eries,
de
ries,
s
eleries,
lemod`
mod`
ele
mod`
leNous
eleDCC
DCC
(Dynamic
(Dynamic
Conditional
Conditional
Correlation,
Correlation,
Engle
Engle
2002)
2002)
gagne
gagne
en
notori
en
notori
e
t
e
.
de
sele
ries,
le
mod`
eDCC
le
(Dynamic
Conditional
Correlation,
Engle
2002)
gagne
en
notori
e
.
Yt = +
Nous
l
ele
ainsi
:
sde
ede
ries,
le
mod`
e
le
DCC
(Dynamic
Conditional
Correlation,
Engle
2002)
gagne
en
notori
e
t
e
lecrivons
ainsi :
UN
MODLE
GARCH
MULTIVARI
Y t = + t
Nous
l
e
crivons
ainsi
:
Nous
l
e
crivons
ainsi
:
Nous
Nous
l
e
crivons
l
e
crivons
ainsi
ainsi
:
:
Nous
l
e
crivons
ainsi
:
Nous
l
e
crivons
ainsi
:
Gr
a
ce
a
`
sa
sp
e
cification
dynamique
des
corr
e
lations,
m
e
me
en
pr
e
sence
dun
grand
nombre
YY
t t==++tt
Y t = + t
+ t dynamique
1
t = (Dynamic
de series, leGrce
mod`
leYspcification
DCC
Conditional
Correlation,
2002)
en notori
te. le modle
esa
des corrlations,
mme
dungagne
grand nombre
de esries,
Yt =
+en
Engle
tYprsence
2
t = +1t

=
H
t
t
DCC (Dynamic
2002)
gagne
lcrivons ainsi :
+
=

+
=
=
Y+
tt++
tt1 en notorit.
Ytt Y=tYY

+
Y
Nous
ecrivons
ainsi : Conditional Correlation,
1 1 l
tEngle
t
t=
t
t = Ht2 zNous
t
ttt=
22
1
2
1
tt==HH

=
H
z
1
t tztzt
t
t2 t
1
t = Ht2 zt 21
O`
u Ht2 est une matrice m x m et zt est un n x
=
2
t m
1 1
1m
1 1H
t zztt est
O`
u Ht est une Ymatrice
x
et
un
n
x
1
vecteur (0, In ).
1

=
H
z
11 +

t
t
t =
t
t
2 22
2
2 o
2 ).
22
=
=
zH
tm
zt est
est
estun
unnnxx11vecteur
vecteur
(0,
InIt1).
=zH
zt H
ttet
t=
n
O`
u(0,H
est une matrice
mttx=
ztttH
ttun
t x 1 vecteur (0, In ).
H
tztzn
tH
tt=
t
1
ne matrice m x m etO`
zut H
est2 un
nune
x 1 2vecteurm
(0,xIm
n ).et z est un n x 1 vecteur (0, I ).
Ht = D t P
t x m et z est un n x 1 vecteur
n
11
t estO`
u Hmatrice
est une matrice
m
(0, In ).
11 1 1 1
1
t Ht = D t P t D t
t
2
2
2
2
2
2
2
2n
O`
u
H
est
une
matrice
m
x
m
et
z
est
un
x
1
vecteur
(0,
I
).
O`
u
H
est
une
matrice
m
x
m
et
z
est
un
n
x
1
vecteur
(0,
I
).
O
est
une
matrice
x
et
est
un
x
1
vecteur
.
O`
u
H
O`
u
est
H
une
est
matrice
une
matrice
m
x
m
m
x
et
m
z
et
est
z
un
est
n
un
x
1
n
vecteur
x
1
vecteur
(0,
I
(0,
).
I
).
O`
u
H
est
une
matrice
m
x
m
et
z
est
un
n
x
1
vecteur
(0,
I
).
t
n
t
n
t
t
n
n
t
n
t
n
O`
u
H
est
une
matrice
m
x
m
et
z
est
un
n
x
1
vecteur
(0,
I
).
HH
t = Ht zH
tt
t
t t==DD
tP
tP
tD
tD
tttt t t t
t t = Dt Pt Dn
t
Ht = D t P t D t
Dt = D P D 1
Ht = D t P t H
1
t
t t t
Dt = diag(
2
D
D
=
Pxt=
D
H=H
=
D
D
P
H
O`
u1 H
un
1PtD
1 t est une matrice m x m et z
t t=
ttP
tH
tvecteur
tto
tD
ttP
tD
t t (0,
t ttest
n ).diag(Ht2 )
D1t I=
D
PnH
H
ttD
tttD
tt=
22
1
D
diag(H
t t==diag(H
Dt = diag(Ht12 )
t t) )
2
ere equation modelise les rendements
1La premi`
Dt = diag(H
2
t )
La premi`
ere equation
mod
e
lise
les
rendements
de
la
m
e
me
facon que le mod`ele GARCH.
D
=
diag(H
)
2
t
1
1
1
1
1
1
t
D
=
diag(H
)
1
H
Cependant,
dans
la
seconde
equation,
notre matri
t la que
modlise
les
rendements
det2la2 2mme
le modle
GARCH.
Cependant,
dans
la
t =D
t Prendements
t2D
t fa
ndements
endementsdedelalaLa
m
m
epremire
me
eLa
mefa
fa
con
cquation
on
que
que
le
le
mod`
mod`
e
le
e
le
GARCH.
GARCH.
2 2 faon
premi`
e
re

e
quation
mod
e
lise
les
de
m
e
me
c
on
que
le
mod`
eele
GARCH.
2
D
=
diag(H
)
D
=
diag(H
)
D
=
D
diag(H
=
diag(H
)
)
Dtque
1
Cependant,
seconde
ediag(H
matrice de variance
est
d
sormais
une matrice de
tcton
t=tt
=tfa
diag(H
)quation,
t tmod`
t
t et)lenotre
equation modelise
les
rendements
dematrice
la dans
m
eD
me
le
GARCH.
tt la
2
seconde
quation,
notre
de
variance
est
dsormais
une
matrice
de
covariance
.
1
La
premi`
e
re

e
quation
mod
e
lise
les
rendements
de
la
m
e
me
fa
c
on
que
le
mod`
e
le
GARCH.
tre
otrematrice
matricededevariance
varianceest
estd
d
sormais
eLa
sormais
une
dede
. cNous
estimons
dans
un premier t
covariance,
Ht fa
Cependant,
dans
la seconde
equation,
notre
de variance
estm
d
sormais
matrice
de
premi`
eune
re2matrice
ematrice
quation
mod
e1lisematrice
les
rendements
de la
eeme
onune
que
le mod`
ele GARCH.
la seconde
eLa
quation,
notre
matrice
de
variance
est
d
esormais
une
matrice
de
.lise
Nous
estimons
dans
un
premier
temps
les
variances
de
chaque s
erie avec, par
covariance,
H
1quation
La
premi`
equation
eeequation
mod
e
lise
les
rendements
de
la
m
e
me
fa
c
on
que
le
mod`
e
le
GARCH.
La
premi`
epremi`
re
equation
mod
e
lise
les
rendements
de
la
m
e
me
fa
c
on
que
le
mod`
e
le
GARCH.
premi`
La
premi`
ere
re
equation
re

e
mod
e
mod
lise
e
les
lise
rendements
les
rendements
de
la
de
m
la
e
me
m
e
fa
me
c
on
fa
que
c
on
le
que
mod`
le
e
mod`
le
GARCH.
e
le
GARCH.
La
re

e
quation
mod
e
les
rendements
de
la
m
e
me
fa
c
on
que
le
mod`
e
le
GARCH.
t
Cependant,
dans
la
seconde

e
quation,
notre
matrice
de
variance
est
d
e
sormais
une
matrice
de
La
premi`
e
re

e
mod
e
lise
les
rendements
de
la
m
e
me
fa
c
on
que
le
mod`
e
le
GARCH.
2
exemple,
un
mod`
e
le
GARCH
asym
e
trique.
Ensuit
2 chaque
Cependant,
dans
la
seconde
notre matrice
de variance
est d
eesormais
matrice de
premier
premiertemps
tempsles
les
variances
variances
de
de
chaque
ses
rie
erie
avec,
par
par
D
=
diag(H
) de chaque
Nous
estimons
dans
unequation,
premier
temps
les
variances
de
chaque
s
rie
avec,une
par
covariance,
H
tasym
t12la.seconde
Nous
estimons
dans
un
premier
temps
les
variances
srie
avec
par
exemple
unune
modle
GARCH
asyexemple,
un
mod`
eavec,
letnotre
GARCH
es
trique.
Ensuite,
nous
estimons
la
matrice
de
correlation.
1quation,
Cependant,
dans
la
seconde

e
quation,
notre
matrice
de
variance
est
d
e
sormais
une
matrice
de
Cependant,
dans
la
seconde

e
quation,
notre
matrice
de
variance
est
d
e
sormais
une
matrice
de
Cependant,
Cependant,
dans
dans
la
seconde
seconde

e
quation,

e
quation,
notre
matrice
matrice
de
variance
de
variance
est
d
est
e
sormais
d
e
sormais
une
matrice
une
matrice
de
de
Cependant,
dans
la

e
notre
matrice
de
variance
est
d
e
sormais
matrice
de
Nous
estimons
dans
un
premier
temps
les
variances
de
chaque
e
rie
avec,
par
Cependant,
dans
la
seconde

e
quation,
notre
matrice
de
variance
est
d
e
sormais
une
matrice
de
La les
corr
elation
conditionnelle
entre
deux series
. nous
Nous
estimons
dans
un
premier
temps
lesestimons
variances
chaque
secorr
rie
avec,
par
covariance,
Hmatrice
2corr
ue.
e. Ensuite,
Ensuite,nous
nous
estimons
dede
corr
ela
lation.
easym
lation.
1 1 1 Ensuite,
1la
1la
tmatrice
exemple,
un
mod`
ele
GARCH
etrique.
Ensuite,
nous
lade
matrice
elation.
. Nous
estimons
dans
un
premier
temps
variances
chaque
s
ede
rie
covariance,
H
11estimons
mtrique.
estimons
matrice
de de
corrlation.
La
corrlation
conditionnelle
entre
deux
sries
La
corr
elation
conditionnelle
entre
deux
series
dele
rendements
de
2,t
peut
seavec,
crire :par
tles
1,tdeet
2 2
2quation
2
2 Ensuite,
2ere
Lacovariance,
premi`
eNous
mod
eGARCH
lise
rendements
latemps
m
evariances
me
fa
cvariances
on
que
mod`
es
le
GARCH.
`ele covariance,
GARCH
asym
trique.
nous
estimons
laetrique.
matrice
de
corr
enous
lation.
2
.
Nous
estimons
dans
un
premier
temps
les
variances
de
chaque
e
rie
avec,
par
covariance,
H
.
estimons
dans
un
premier
temps
les
de
chaque
s
e
rie
avec,
par
covariance,
H
.
Nous
.
Nous
estimons
estimons
dans
dans
un
premier
un
premier
temps
temps
les
variances
les
de
chaque
de
chaque
s
e
rie
s
avec,
e
rie
avec,
par
par
covariance,
covariance,
H
H
.
Nous
estimons
dans
un
premier
les
variances
de
chaque
s
e
rie
avec,
par
H
.
Nous
estimons
dans
un
premier
temps
les
variances
de
chaque
s
e
rie
avec,
par
H
exemple,
un
mod`
e
le
asym
Ensuite,
estimons
la
matrice
de
corr
e
lation.
t t corr
ux
euxses
ries
eriesdederendements
rendements
t1,t
texemple,
et
et2,t
2,tconditionnelle
peut
peut
s
s
ecrire
eecrire
: entre
:
1,t
rendements
et
peut
scrire
elation
deux
seeries
de rendements
1,testimons
et 2,t peut
secrire de
: correlation. E (
tt tLa
un
mod`
le: GARCH
asym
trique.
Ensuite,
nous
la matrice
Cependant,
dans
seconde
econditionnelle
quation,
notre
matrice
de
variance
est
d
ematrice
sormais
une
matrice
de
n conditionnelle
entre
eeGARCH
ries
de
rendements
entre
et deux
nous
peut
s
ede
crire
:la
t1
1,t
2,tnous
exemple,
un
mod`
eele
GARCH
asym
easym
trique.
Ensuite,
nous
estimons
la
matrice
de
corr
e
lation.
exemple,
mod`
ela
le
GARCH
asym
easym
trique.
Ensuite,
estimons
de
corr
e
lation.
exemple,
exemple,
un
mod`
un
mod`
le
eLa
leGARCH
GARCH
asym
e
trique.
e
trique.
Ensuite,
Ensuite,
nous
nous
estimons
estimons
la
matrice
la
matrice
de
corr
de
e
corr
lation.
e
lation.
exemple,
mod`
le
e
trique.
Ensuite,
nous
estimons
la
matrice
de
corr
e
lation.
corr
es
lation
s
e
ries
rendements

et

peut
s
e
crire
:
exemple,
unun
mod`
eun
ledeux
GARCH
asym
e
trique.
Ensuite,
estimons
la
matrice
de
corr
e
lation.
1,t
2,t
(

)
E
1,2,t
= :
1La
t1 de1,trendements
2,t
correlation conditionnelle entre
deux
series
1,t et 2,t peut s
ecrire
2


=
EE
(
(


)
)
Et1 (1
1,2,t
La
ecorr
lation
conditionnelle
entre
deux
s
eseries
de
rendements
1,t
et
2,t
eavec,
:crire
corr
eH
lation
entre
s
edeux
ries
de
rendements
1,t
et
1,t
peut
es
crire
t1
t1
1,t
1,t
2,t
2,t
(rendements
)et
E
La
corr
La
corr
lation
econditionnelle
lation
conditionnelle
conditionnelle
entre
entre
deux
ries
s
ede
ries
rendements
devariances
de
2,t
et
et
etpeut
s
peut
s
ecrire
crire
s
epar
: ::
La
elation
conditionnelle
entre
deux
s
erendements
ries
de
rendements
chaque
peut
peut
e:crire
. conditionnelle
Nous
estimons
dans
undeux
premier
temps
les
ees
rie
t1
1,t1,t
2,t
1,t
1,t
2,t
2,t
2,t
1,t
2,t
LaLa
corr
ecorr
lation
ries
de
2,t
peut
s
crire
:s
te
 covariance,
E
(
2,t ) deux s
Et1 (1,tentre

t1
1,t )Et1 (2,t )
e1,2,t
=
(

)
E
t1
1,t
2,t


=
exemple,
un
mod`
e
le
GARCH
asym
e
trique.
Ensuite,
nous
estimons
la
matrice
de
corr
e
lation.
EE
((
)E
)E
(1,2,t
(
))
2,t )a en numerateur la covariance, et les ecartEt1
t1
t1
1,t
1,t
t1
t1
2,t
2,t
Et1 (1,t )Et1
(2,t()1,tElle

1,2,t
=(E

rendements
=
Et1 (Elle
(
(
)1,t
E
t1
E
(
)(
)2,t
et
)  e(
Et1
E
) les
1,2,t
1,t )E
2,t )deux
1,t
2,t
t1
1,t
t1
1,t
2,t
2,t
at1
en
num
erateur
la
covariance,
cart-types
en d
eenominateur.
Nous pouvons consit1
1,t
t1
1,t
2,t
(
(
)2,t
E
t1
1,t
2,t
E
(
)E
)
La correlation conditionnelle
entre
s
e
ries
de
et

peut
s
crire : corr
t1
1,t
t1
2,t
1,t
2,t



=




=

=
=

=
Et1
(d
)E
d
enominateur.
rert1
ce(processus
elation
co
1,2,t
1,2,t
1,2,t
1,2,t
1,2,t
1,t
2,t ) Nousde
tles
lesecart-types
ecart-typesenend
d
eElle
nominateur.
enominateur.
Nous
Nous
pouvons
pouvons
consiconsi1,2,t
a end
num
ece
rateur
la1,2,t
covariance,
et
les

e
cart-types
en
e
pouvons
consi-conditionnelle
e
rer
processus
de
corr
e
lation
conditionnelle
comme
un
processus
stochastique,
Q1,2,t . Par
(
)E
)()(
EE
(E
)E
(
)t1
Et1
E
(
)E
(
)E
(
(t1
)E
) ) Nous
(
1,t
t1
2,t
t1
1,t
2,t
t1
t1
1,t
1,t
t1
2,t
t1
1,t
t1
2,t2,t
t1
1,t
t1
2,t
erateur la covariance,
etnumrateur
lesenecart-types
enlad
enominateur.
Nous
pouvons
consiE
(
)E
)(
Elle
a
en
la
covariance,
et
les
cart-types
en
dnominateur.
pouvons
considrer
ce
processus
de
t1
1,t
t1
2,t
exemple,
nous
pouvons
supposer
que
la
corr
e
lation
Elle
a
num
e
rateur
covariance,
et
les

e
cart-types
en
d
e
nominateur.
Nous
pouvons
consi. .Par
onnelle
ionnellecomme
commeun
un
processus
processus
stochastique,
stochastique,
Q
1,2,t
1,2,t
Par
d
erer
ce processus
corr
epouvons
lation
conditionnelle
un processus
stochastique,
Q
Elle
adeen
num
eQ
rateur
la
covariance,
etQ
les ecart-types
enominateur.
Nous
pouvons
consi(stochastique
) comme
EPar
1,2,t .au
exemple,
nous
supposer
que
la
corr
lation
suit en
und
processus
analogue
GARCH(1,1)
t1
1,t 2,t
Par
s de corr
elation
conditionnelle
comme
un
processus
stochastique,
corrlation
conditionnelle
un
processus
..un
1,2,t

Elle
aun
en
eprocessus
lacovariance,
covariance,
etles
les
eecart-types
en
een
nominateur.
Nous
pouvons
consiElle
aun
en
num
erateur
la
et
eetcart-types
en
d
ed
nominateur.
Nous
pouvons
consicomme
=
aElle
en
en
erateur
num
rateur
e
rateur
la
covariance,
la
covariance,
et
les
et
cart-types
les

e
cart-types
en
d
e
en
nominateur.
d
e
nominateur.
Nous
Nous
pouvons
pouvons
consiconsiElle
anum
en
num
e
rateur
la
covariance,
les

e
cart-types
d
e
nominateur.
Nous
pouvons
consiElle
aElle
en
num
eanum
rateur
la
covariance,
et
les

e
cart-types
en
d
e
nominateur.
Nous
pouvons
consio`
u
les
corr
e
lations

e
voluent
au
gr
e
des
information
.
Par
d
eprocessus
rer
ce
de
corr
e
lation
conditionnelle
comme
processus
stochastique,
Q
1,2,t
orr
corr
elation
elation
suit
suit
processus
analogue
analogue
au
au
GARCH(1,1)
GARCH(1,1)
1,2,t
exemple,
nous
pouvons
supposer
que
la
corr
e
lation
suit
un
processus
analogue
au
GARCH(1,1)
. Par :
erer
processus
de
elation
conditionnelle
comme
un processus
stochastique,
Q1,2,t
o`
u lescesuit
corr
elations
evoluent
au
gr
e (
des
jointes
qui arrivent
dans chaque
periode
Ecorr
(
)E
)informations
t1
1,tcomme
t1
2,t
uvons
supposer
que
la
corr
ed
lation
processus
analogue
au
GARCH(1,1)
.Q
ece
processus
de
corr
ecorr
conditionnelle
un
processus
stochastique,
.QPar
d
ed
rer
ce
processus
de
corr
edans
lation
comme
un
processus
stochastique,
QQ
.Par
Par
.Par
Par
d
erer
rer
d
ece
rer
processus
ce
processus
de
corr
de
elation
corr
lation
econditionnelle
lation
conditionnelle
conditionnelle
comme
comme
un
processus
un
processus
stochastique,
stochastique,
Q
.p
d
ece
rer
cequi
processus
de
eun
lation
conditionnelle
comme
un
processus
stochastique,
exemple,
nous
pouvons
supposer
que
la
corr
eque
lation
suit
un
processus
analogue
au
GARCH(1,1)
1,2,t
1,2,t
1,2,t
1,2,t
1,2,t
1,2,t
.
Par
derer
processus
de
corr
e
lation
conditionnelle
comme
un
processus
stochastique,
Q
nformations
formations
jointes
jointes
qui
arrivent
arrivent
dans
chaque
chaque
p
p
e
riode
e
riode
:
:
1,2,t
o`
u
les
corr
e
lations

e
voluent
au
gr
e
des
informations
jointes
qui
arrivent
dans
chaque
e
riode
:
exemple,
nous
pouvons
supposer
la
corr
e
lation
suit
un
processus
analogue
au
GARCH(1,1)
Par
exemple,
nous pouvons
supposer
que la corrlation
suit un p
processus
analogue au GARCH(1,1) o les corrs evoluent
au
enous
des
informations
jointes
qui
arrivent
dans
chaque
eprocessus
riode
:analogue
exemple,
pouvons
supposer
que
la
corr
ecart-types
suit
un
processus
analogue
au
GARCH(1,1)
exemple,
nous
pouvons
supposer
que
la
corr
eela
lation
un
processus
analogue
GARCH(1,1)
exemple,
exemple,
nous
pouvons
pouvons
supposer
supposer
la
corr
elation
corr
lation
esuit
lation
suit
un
suit
processus
un
processus
analogue
au
GARCH(1,1)
auGARCH(1,1)
GARCH(1,1)
exemple,
nous
pouvons
que
la
corr
einformations
lation
suit
un
analogue
au
exemple,
nous
pouvons
supposer
que
laque
corr
egr
lation
suit
un
processus
analogue
auau
GARCH(1,1)
Elle
agr
en
num
ecorr
rateur
la
covariance,
et
les
en
deinformations
nominateur.
Nous
pouvons
consi-dans
Q
e1,2
+ : 1,t1 
o`
unous
les
eo`
lations
esupposer
voluent
au
des
jointes
qui
arrivent
dans
chaque
periode
1,2,t := p
u au
les
corr
elations
eque
voluent
au
gr
e=
des
jointes
qui
arrivent
chaque
riode
lations
voluent
gr
des
informations
jointes
arrivent
dans
chaque
Qqui
1,2
+ 
+: Q
1,2,t
1,t1 priode
2,t1
1,2,t1
o`
u
les
corr
e
lations

e
voluent
au
gr
e
des
informations
jointes
qui
arrivent
dans
chaque
p
e
riode
:
o`
u
les
corr
e
lations

e
voluent
au
gr
e
des
informations
jointes
qui
arrivent
dans
chaque
p
e
riode
:
o`
u
les
o`
u
corr
les
e
corr
lations
e
lations

e
voluent

e
voluent
au
gr
au
e
des
gr
e
informations
des
informations
jointes
jointes
qui
arrivent
qui
arrivent
dans
dans
chaque
chaque
p
e
riode
p
e
riode
:
:
o`
u
les
corr
e
lations

e
voluent
au
gr
e
des
informations
jointes
qui
arrivent
dans
chaque
p
e
riode
:
d
erer
ce eprocessus
de corr
lation
conditionnelle
comme
un
stochastique,
Q
1,2,t . Par
o`
u1,t1
les
lations
evoluent
au
gre des
informations
jointes
quiprocessus
arrivent
dans
chaque p
eriode
:
++

2,t1
corr
+
+Q
Q
1,t1
2,t1
1,2,t1
1,2,t1
Q1,2,t = 1,2
+ 1,t1
2,t1
+ Q
1,2,t1
Naturellement,
lorsque
les deux series de rende
Q1,2,t
= pouvons
2,t1 que
+ Q
1,2 + 1,t1
1,2,t1
exemple,
nous
supposer
laQ
corr
e
lation
suit
un
processus
analogue
au
GARCH(1,1)
Naturellement,
lorsque
les
deux
s
e
ries
de
rendements

e
voluent
dans
le meme sens, la corre=

+


+
Q
1,2,t
1,2
1,t1
2,t1
1,2,t1
Q
=

+


+
Q
lation
augmentera
au-dessus
de sa
moyenne et vice
1,2,t
1,2
1,t1
2,t1 dans
1,2,t1
sdederendements
rendements
voluent
evoluent
dans
dans
leQlem
m
eQ
me
egr
me
sens,
sens,
la
la
corr
corr
e+
-ee+
-ries
Naturellement,
lorsque
les
deux
s
de
rendements
e1,2,t1
voluent
m
me
sens,
e-information
=
+
+

m
+
Q
Q
=

+

+
Q
Q
=

=
+


jointes
moyenne
+
Q
Q
=


Q
++
Q
=


+
o`
u leslescorr
eelations
voluent
au
eQ
des
informations
qui
arrivent
chaque
peeet
riode
: la corr
lation
augmentera
au-dessus
de
et
vice
versa.
Aulefur
`a mesure,
cette
1,2,t
1,2
1,t1
2,t1
1,2,t1
1,2,t
1,2
1,t1
2,t1
1,2,t1
1,2,t
1,2,t
1,2
1,2
1,t1
1,t1
2,t1
2,t1
1,2,t1
1,2,t
1,2
1,t1
2,t1
1,2,t1
1,2,t
1,2
1,t1
2,t1
1,2,t1
t, lorsque
deux
s
eriesede
rendements
eQ
voluent
dans
le
esa
me
sens,
la
corr
esamortira
- dans
1,2,t
1,2
1,t1
2,t1
1,2,t1
(`
a
la
vitesse
d
e
termin
e
e
par
ete-), et
Naturellement,
lorsque
les
deux
s
e
ries
de
rendements

e
voluent
dans
le
m
e
me
sens,
la
corr
nne
ne etetvice
viceversa.
versa.lation
Au
Aufur
fur
etet`a`amesure,
mesure,
cette
cette
information
augmentera
au-dessus
de
sademoyenne
et
vice
versa.
Aule
`asens,
cette leinformation
Naturellement,
lorsque
deux
eries
rendements
evoluent
dans
m
la corr
samortira
(`
aAu
lainformation
vitesse
d
eles
termin
ee s
par
de
etdans
),
etfur
la et
corr
emesure,
lation
reviendra
`aeme
sonsens,
niveau
moyen
Naturellement,
lorsque
lesdeux
deux
sries
rendements
voluent
mme
la
corrlation
augmentera
a au-dessus
de sa
moyenne
et
vice
versa.
fur
et
a
`
mesure,
cette
information
Naturellement,
lorsque
les
s
e
ries
de
rendements

e
voluent
dans
le
m
e
me
sens,
la
corr
e
Naturellement,
lorsque
les
deux
s
e
ries
de
rendements

e
voluent
dans
le
m
e
me
sens,
la
corr
e
Naturellement,
Naturellement,
lorsque
lorsque
les
deux
les
deux
s
e
ries
s
e
de
ries
rendements
de
rendements

e
voluent

e
voluent
dans
dans
le
m
e
le
me
m
e
sens,
me
sens,
la
corr
la
e
corr
e
Naturellement,
lorsque
les
deux
s
e
ries
de
rendements

e
voluent
dans
le
m
e
me
sens,
la
corr
e
Naturellement,
lorsque
les
deux
s
e
ries
de
rendements

e
voluent
dans
le
m
e
me
sens,
la
corr
e
historique.
augmentera
de
sa
moyenne
et
vice
versa.
fur
et
`aAu
mesure,
cette
information
etet),
),etetlalacorr
corr
elation
lation
elation
reviendra
reviendra
a`
`
aau-dessus
son
son
niveau
niveau
moyen
moyen
samortira
(`
a moyenne
la vitesse
d
etermin
eAu
e1,t1
par

et
),
et 1,2,t1
la
corr
eAu
lation
reviendra
`aetson
niveau
moyen
lation
augmentera
au-dessus
de
sa
moyenne
et
vice
versa.
fur
a
`
mesure,
cette
information
au-dessus
de
sa
et
vice-versa.
fur
et

mesure,
cette
information
samortira
(
la
vitesse
dtermine
Q
=
+


+
Q
historique.
1,2,t
1,2
2,t1
vitesse
d
elation
termin
esamortira
e augmentera
par
au-dessus
etau-dessus
),
et
lade
corr
ede
reviendra
`avice
son
niveau
moyen
lation
augmentera
sa
moyenne
et
vice
versa.
Au
fur
et
`amesure,
mesure,
cette
information
lation
augmentera
sa
moyenne
et
vice
Au
fur
et
`aet
cette
information
lation
augmentera
augmentera
au-dessus
au-dessus
de
sa
de
moyenne
moyenne
vice
etet
vice
versa.
Au
fur
Au
`aet
mesure,
et`acorr
`amesure,
mesure,
cette
cette
information
lation
au-dessus
sasamoyenne
et
versa.
Au
fur
cette
information
(`
a la
vitesse
d
elation
termin
evice
par
versa.
et
corr
efur
lation
reviendra
`ainformation
son
niveau
moyen
lation
augmentera
de
sade
moyenne
et
versa.
Au
fur
`a),
mesure,
cette
information
historique.
(`
areviendra
la
vitesse
d
eet
termin
eversa.
e),
par
laet
et
et
la
elation
reviendra
`a son
niveau moyen
par
etau-dessus
), etsamortira
la
corrlation
eson
niveau
moyen
historique.
samortira
eles
termin
par

etet
),
et
lacorr
corr
ecorr
lation
reviendra
son
niveau
moyen
samortira
(`
a(`a(`
la
d
ed
termin
etermin
eeepar

et
),
et
la
lation
reviendra
`ae`ason
niveau
moyen
samortira
samortira
alavitesse
la
(`
vitesse
alala
vitesse
d
e
termin
d
e
e
par
e

par

),
et
et
),
la
et
corr
la
e
corr
lation
e
lation
reviendra
reviendra
a
`
son
a
`
niveau
son
niveau
moyen
moyen
samortira
(`avitesse
vitesse
d
e
termin
e
e
par

et
),
et
la
e
lation
reviendra
a
`
son
niveau
moyen
samortira
(`ahistorique.
la
vitesse
d
e
termin
e
e
par

et
),
et
la
corr
e
lation
reviendra
a
`
son
niveau
moyen
Naturellement,
lorsque
deux
s
e
ries
de
rendements

e
voluent
dans
le
m
me
sens,
la
corr
e
historique.
historique.
historique.
historique.
historique. au-dessus de sa moyenne et vice versa. Au fur et `a mesure, cette information
historique.
historique.
lation
augmentera
samortira (`a la vitesse determinee par et ), et la correlation reviendra `a son niveau moyen
historique.
La revue dOpus Finance
N1 dcembre 2012

37

simplicit
du mod`
mod`
DCC fait
fait sa
sa force
force;; nous
nous pouvons
pouvons tout
tout de
de m
m
me raffiner
raffiner davantag
davanta
eque
quesoit
soitlalataille
tailledu
dusyst`
syst`
me.Certes,
Certes,
lala simplicit
ee du
eelele DCC
eeme
eeme.
mod`
e
le
g
e
n
e
rique
afin
de
r
e
aliser
des
gains
importants
en
mati`
e
re
de
pr
e
visions.
ns
tout
de
m
e
me
raffiner
davantage
le
mod`
e
le
g
e
n
e
rique
afin
de
r
e
aliser
des
gains
importants
en
mati`
e
re
de
pr
e
visions.
ns tout de meme raffiner davantage le
en
mati`
rede
depr
pr
visions.
n mati`
eere
eevisions.

DOSSIER TECHNIQUE

(ENCART: PARTIE
PARTIE TECHNIQUE)
TECHNIQUE)
(ENCART:

CHNIQUE)
HNIQUE)

la pratique,
quelles difficult
es ?
les estimations
des paramtres.
Des mthodologies
stanDANS LA PRATIQUE, QUELLES DIFFICULTS ? Dans
difficult
difficult
eess??
dards telles que linterpolation ou la moyenne pondre
Dans la pratique, quelles difficult
es ?

Limpl
ementation
mentation des
des mod`
les GARCH
GARCH
se heurte
heurte
souventDe
des difficult
dont certa
certa
permettent
de fairese
face
ce problme.
ildifficult
convient
Limpl
eeles
souvent
`a`aplus,
des
ees,s, dont
Limplmentation des modles GARCH
seeheurte
souvent des mod`
de
corriger
le
problme
des
horaires
non
synchroniss
de
sont
propres
au
GARCH
et
dautres
communes
a
`
la
mod
e
lisation
des
s
e
ries
temporelle
ouvent
desdifficults,
difficult
s, dont
dont
certaines
propres
au GARCH
a la modelisation des series temporelle
uvent a``a des
difficult
ees,
certaines
dont
certaines
sontsont
propres
au GARCH
et dautres et dautres communes `
g
n
ral.temporelles en gnral. trading1 ou douverture de bourse dans le cas multivari2.
mod
lisation communes
des s
s
ries
temporelles
en
g
een
eeral.
mod
eelisation
des
eeries
temporelles
en
la
modlisation des
sries
Lorsque lon estime un modle GARCH sur plusieurs anou dcennies, la srie peut contenir des ruptures strucStationnarit
:Afin
Afinde
denes
garantir
stationnarit
sommedes
desparam`
param`
tresi i et
eti i,,a
1.1.laStationnarit
garantir
lalastationnarit
ee,,lalasomme
eetres
1. STATIONNARIT : afin de garantir
stationnarit, elae:somme
turelles dont il faut tenir compte pour lanalyse des paraque
et dans
danslelele
cas
asym
triquedoit
doiteetre
treinf
inf
erieure
rieure`a`a11..Or,
Or,en
enpratique,
pratique,lalasomme
sommefait
fait
asomme
sommedes
desdes
param`
tresi i et
eti,,i ,ainsi
ainsi
paramtres
et
que et
et
dans
cas
asymque
cas
asym
eetrique
e
param`
eetres
ainsi
mtres. Lintroduction de leuro en est un exemple.
trique
doit
tre
infrieure

1.
Or,
en
pratique,
la
somme
fait
vent
1,
ce
qui
donne
un
processus
a
`
racine
unitaire,
ou
non-stationnaire.
Les
mod`
e
les
IGAR
Or,en
enpratique,
pratique,lalasomme
sommefait
faitsousouvent 1, ce qui donne un processus `a racine unitaire, ou non-stationnaire. Les mod`eles IGAR
11. .Or,
souvent
ce equi
un d
processus
racine
unitaire, ou(1986)
d
a Engle
Engle
et Bollerslev
Bollerslev
(1986) ou
ou lele mod`
mod`
Riskmetrics de
de J.P.
J.P. Morgan
Morgan (1996)
(1996) sont
sont d
on-stationnaire.
Les1,
mod`
eles
lesdonne
IGARCH
uu `
a`
et
eelele Riskmetrics
on-stationnaire.
Les
mod`
IGARCH
non-stationnaire.
Les
modles
IGARCH
dus

Engle
et Bolrics
de
J.P.
Morgan
(1996)
sont
deux
ics de J.P. Morgan (1996) sont deux
lerslev (1986) ou le modle Riskmetrics de J.P. Morgan (1996)
sont deux exemples de modles GARCH non-stationnaires. Nous avons vu les limites des modles habituels face aux
OpusFinance
Finance
www.opus-fina
88 en finance ; sans faire lerreur dewww.opus-finan
Dans ces modles, , ou laOpus
volatilit moyenne long terme, vnements imprvisibles
21
rue
des
Jeuneurs
75002
Paris
21
rue
des
Jeuneurs
75002
Paris
vincent.boisbourdain@opus-fina
www.opus-finance.com
avec les meilvincent.boisbourdain@opus-finan
www.opus-finance.com
nexiste pas,
et les chocs sur la volatilit persistent infiniment. vouloir tout prvoir, nous sommes capables,
leurs modles GARCH, daffiner notre comprhension des
vincent.boisbourdain@opus-finance.com
vincent.boisbourdain@opus-finance.com
2. ESTIMATIONS : les modles GARCH tant paramtriques, risques pour mieux les anticiper.
la mthode de maximum de vraisemblance est habituelleDes modles rcents permettent daller encore plus loin.
ment utilise pour lestimation. Pour cela, il est ncessaire
Par exemple, il est probable que la corrlation ait, elle ausdimposer une loi sur les innovations. En pratique, lusage
si, une raction plus importante aux chocs ngatifs comOpus
Finance Research
dune loi gaussienne ne correspond pas au
comportement
muns quaux chocs positifs communs.
des chocs, ce qui favorise des distributions non-normales
ayant des paramtres additionnels pour le biais et le kurtosis.
Des modles tels que celui de Cappiello, Engle et Sheppard
(ENCART: EXEMPLE / ILLUSTRATION)
(2006), AG-DCC, permettent de prendre cela en compte.
3. PRVISIONS : si la prvision de la volatilit laide du Dautres modles reconnaissent limportance de la macromodle GARCH est simple, celle qui utilise les modles conomie
Francecomme
et Allemagne
correleesdesdynamiquement
moteur sous-jacent
fluctuations finanasymtriques doit prendre en compte la loi des innova- cires.
tions : lorsque la distribution est gaussienne, la probabilit
Le graphique ci-dessous demontre la correlation dynamique entre le CAC40 et le DAX30 de
davoir un choc ngatif est de 50% ; lorsque la distribution Le modle multivari DCC-GARCH-MIDAS dEngle,
1996. dpendra
A laide du mod`ele DCC, il est aise de voir limpact de lintroduction de la mon
est du type Student asymtrique, la probabilit
Ghysels et Colacito (2011) a pour objectif destimer la dyelation de
ces deux march
s. La
rupture
structurelle
se demarque d`es
des paramtres dasymtrie et de kurtosis. unique sur la corr
namique
dinteraction
entreeles
sphres
relle
et financire.
et la tendance haussi`
e
re
sintensifie
a
`
partir
de
2002.
Aujourdhui,
la
corr
elation semble os
De telles tudes sont particulirement innovantes pour des
autour
90%, reprvisions
agissant endeparticulier
la crise de la dette et
souveraine
dans la zone eur
4. DONNES : les sries temporelles disponibles
en de
finance
grandeurs`amacroconomiques
de volatiliont souvent des donnes manquantes, qui peuvent biaiser ts horizons lointains.

CONCLUSION

FRANCE ET ALLEMAGNE CORRLES


DYNAMIQUEMENT
Le graphique ci-contre dmontre la corrlation dynamique
entre le CAC40 et le DAX30 depuis 1996. laide du modle DCC, il est ais de voir limpact de lintroduction de
la monnaie unique sur la corrlation de ces deux marchs.
La rupture structurelle se dmarque ds 1999 et la tendance
haussire sintensifie partir de 2002. Aujourdhui, la corrlation semble osciller autour de 90%, ragissant en particulier la crise de la dette souveraine dans la zone euro. Dans
ce systme, il ny a que deux paramtres quelle que soit la
taille du systme. Certes, la simplicit du modle DCC fait
sa force ; nous pouvons tout de mme affiner davantage le
modle gnrique afin de raliser des gains importants en
matire de prvisions.

CORRLATION DYNAMIQUE ENTRE


CAC40
ET LE DAX30
Figure : Correlation dynamique LE
entre
le CAC40
et le DAX30

1. An econometric analysis of nonsynchronous trading Lo et MacKinley,


1989.
- 2.eme
Non-synchronous
testing efortres
market
integration
Central
Dans ce
syst`
il ny a quetrading
deuxandparam`
quelle
que insoit
la European
taille du
emerging markets , Schot et Zalewska, 2006.

syst`eme. Ce
la simplicite du mod`ele DCC fait sa force ; nous pouvons tout de meme raffiner davanta
mod`ele generique afin de realiser des gains importants en mati`ere de previsions.

38

LL aa rr ee vv uu ee dd OO pp uu ss FF ii nn aa nn cc ee
N1 dcembre 2012