Vous êtes sur la page 1sur 22

01/12/2014

Anne Universitaire: 2014-2015

Facult Polydisciplinaire de Ttouan


Master Finance Islamique

M12 Modlisation Mathmatique II:


-Mthodes de Prvision en Finance
Pr. Mohamed El Merouani
Dpartement de Statistique et Informatique
e-mail: m_merouani@yahoo.fr
http://elmerouani.jimdo.com

Pr. Mohamed El Merouani

Contenu:
Chapitre 1: Processus Stochastiques
Chapitre 2: Modles linaires
Chapitre 3: Modles non linaires

Pr. Mohamed El Merouani

01/12/2014

Contenu: Processus Stochastiques


Caractrisation des processus par
une distribution de probabilit
par les moments
Processus stationnaires
Processus rgodiques

Pr. Mohamed El Merouani

Contenu: Modles linaires


(de Box-Jenkins):

Processus purement alatoires,


Rappels sur les oprateurs
Les modles AR (Processus Auto-Regressifs)
Les modles MA (Procesus de Moyennes
Mobiles (Moving-Average))
Les modles ARMA (et les processus obtenus
comme combinaison de ces deux drniers).

Pr. Mohamed El Merouani

01/12/2014

Contenu: Modles non linaires de la


Finance
Les modles ARCH (Engle, 1982)
(AutoRegressive Conditionnal Heteroscedasticity)
Les modles GARCH (Bollerslev, 1986)
(Generalized AutoRegressive Conditionnal
Heteroscedasticity)
Les modles ARCH-M
(AutoRegressive Conditionnal Heteroscedasticity-inMean)
Pr. Mohamed El Merouani

Logiciels pour analyser des sries


temporelles:

Eviews
R
SPSS
SAS
XLSTAT
NumXL

Pr. Mohamed El Merouani

01/12/2014

Bibliographie
Rgis BOURBONNAIS, Michel
TERRAZA: Analyse des sries temporelles:
Applications lconomie et la gestion,
DUNOD, 2004.
Sandrine LARDIC, Valrie MIGNON:
conomtrie des Sries Temporelles
Macroconomiques et Financires,
Economica, 2002.
Pr. Mohamed El Merouani

Chapitre 1: Processus Stochastiques

Pr. Mohamed El Merouani

01/12/2014

Introduction

Un srie temporelle ou chronologique est


une suite dobservations dun phnomne
au cours du temps:
Yt = Dt + N t

Dt composante dterministe
Nt composante alatoire

Pr. Mohamed El Merouani

Introduction

Un srie temporelle ou chronologique peut


avoir comme compositions:
Yt = Tt Ct S t t

ou

Yt = Tt + Ct + S t + t

Tt tendance
Ct le cycle ou la conjoncture
St la saison ou la composante saisonnire
t le rsidus ou le facteur rsiduel
Pr. Mohamed El Merouani

10

01/12/2014

Processus Stochastiques:
Un processus stochastique est une famille de
variables alatoires qui correspondent des instants
successifs du temps.
Il sera not par: Y (t, u)
o t est le temps et u est la variable alatoire.
Si on fixe t=t0, alors Y (t 0 , u ) sera une variable
alatoire.
Mais, si on fixe u=u0, alors pour chaque instant du
temps, le processus prendra une seule valeur

Y (t , u0 )
Pr. Mohamed El Merouani

11

Processus Stochastiques:
distribution de probabilit
Lorsque lon fixe une valeur dans le temps, le
processus stochastique devient une variable
alatoire qui aura sa propre distribution de
probabilit.
Ainsi, pour t=ti, la distribution de probabilit
sera note par F[Y(ti)].

Pr. Mohamed El Merouani

12

01/12/2014

Processus Stochastiques:
distribution de probabilit
Si, au lieu dune valeur, on fixe deux valeurs du
temps, on obtiendra une variable
bidimensionnelle avec une fonction de
distribution bivariante. Ainsi pour t=ti et t=tj,
la distribution de pobabilit sera F[Y(ti), Y(tj)].
En gnral, pour un ensemble fini des valeurs
du temps, on obtiendra une fonction de
distribution conjointe. Ainsi, pour t1, t2, t3,, tn
la fonction de distribution conjointe sera:
F[Y(t1), Y(t2),, Y(tn)].
Pr. Mohamed El Merouani

13

Processus Stochastiques:
distribution de probabilit
De cette faon, on dit quun processus stochastique
est parfaitement caractris lorsque lon peut
dterminer les fonctions de distribution conjointe
pour chaque ensemble fini de variables du
processus, cest--dire pour chaque nombre fini n
de variables alatoires.
La dtermination des caractristiques du processus
partir des fonctions de distribution est, en gnral,
une mthode complique. Pour cela, on a lhabitude
dutiliser de prfrence la mthode des moments.
Pr. Mohamed El Merouani

14

01/12/2014

Processus Stochastiques:
caractrisation pas les moments
Dans une distribution de probabilit, on peut
calculer les moments de diffrents ordres, mme si
les moments de premier et de second ordre sont les
plus utiliss.
Pour un processus stochastique, que lon note, pour
simplifier la notation , Yt, la moyenne ou le moment
de premier ordre est dfini de la forme suivante:

t = E (Yt )

Lindice t indique que la moyenne sera, en gnral,


diffrente pour chaque priode de temps.
Pr. Mohamed El Merouani

15

Processus Stochastiques:
caractrisation pas les moments
Comme moments de second ordre par rapport la
moyenne, on considre en plus de la variance, les
covariances entre les variables aux diffrents instants
du temps ou autocovariances qui seront dfinies par:

t , s = Cov(Yt , Ys ) = E [(Yt t )(Ys s )]


lorsque s=t, on obtient la variance:

t ,t = Var (Yt , Yt ) = E [(Yt t ) 2 ]


Pr. Mohamed El Merouani

16

01/12/2014

Processus Stochastiques:
caractrisation pas les moments
Comme une manire alternative de
caractrisation dun processus stochastique,
on utilise aussi les coefficients
dautocorrelation
Rt ,s =

)
Var (Y ) Var (Y )
Cov Y t , Y s
t

Pr. Mohamed El Merouani

17

Remarques:
Les autocorrelations et les variances ensemble
donnent la mme information que les
autocovariances. Mais, il est prferable dutiliser
les autocorrelations puisquelles donnent des
mesures relatives, mieux que les autocovariances
qui sont affectes par lchelle utilise.
La caractrisation dun processus stochastique
par les moments de premier et de second ordre
est, en principe, plus incomplte que lorsquelle
est faite par les fonctions de distribution.
Pr. Mohamed El Merouani

18

01/12/2014

Mais si le processus est normal, il sera


parfaitement caractris par ses deux
premiers moments.
Dans le context des processus stochastiques,
comment se conceptualise une srie
temporelle?
Mme si, dans une srie temporelle, on
dispose dune observation pour chaque
priode du temps, on lobtient pas en gnral
dune forme dterministe comme dans le cas
dune fonction exacte du temps.
Pr. Mohamed El Merouani

19

Une srie temporelle a, en gnral, un


caractre alatoire, et elle peut tre
considre comme un chantillon de taille 1
pris dans des priodes successifs de temps
partir dun processus alatoire.
Dans ce sens, une srie temporelle sera
considre comme une ralisation alatoire
dun processus stochastique.
Pr. Mohamed El Merouani

20

10

01/12/2014

Mais, contrairement lechantillonnage


alatoire simple o chaque extraction est
indpendante des autres, dans une srie
temporelle la donne extraite pour une
priode concrte ne sera pas, en gnral,
indpendante des donnes extraites pour des
priodes antrieures.
Linformation utilise en conomie adopte,
dans plusieures cas, la forme dune srie
temporelle.
Pr. Mohamed El Merouani

21

Ainsi, les agregats de la Comptabilit


Nationale, les sries monnaitaires de la
Banque de Maroc, la srie des Ventes dune
entrepriseetc. viennent sous forme des
sries temporelles.
En conomie et, en gnral, dans les sciences
sociales, linformation dune srie sobtient
par observation passive, cest--dire, sans
contrle des facteurs qui influencent sur la
variable objet dtude.
Pr. Mohamed El Merouani

22

11

01/12/2014

Par consquent, mme si on dispose dune srie trs


longue, on doit la considrer toute entire comme
une seule ralisation dun processus stochastique.
Par exemple, si on considre un indice mensuel des
prix partir de 1800 jusqu lactualit, il ne se sera
pas raisonable de supposer qu partir dune date
dtermine, par exemple partir de 1900,
commence une seconde ralisation du processus
stochastique puisque le context dans lequel se
produit lobservation des prix au dbut du XIXme
sicle est diffrente du correspondant au dbut de
XXme sicle.

Pr. Mohamed El Merouani

23

D au caractre passif de la prise


dinformations, en conomie, en gnral, on
dispose seulement dune seule ralisation
pour chaque processus stochastique.
Si, on dispose de n donnes, alors on doit
estimer n moyennes et n variances, sans
compter les autocovariances qui sont aussi
indisponsables pour caractriser le processus.
Autrement dit, le problme est trs
compliqu.
Pr. Mohamed El Merouani

24

12

01/12/2014

Pour pouvoir, partir dune seule ralisation, faire


infrence sur un processus stochastique, il faut
imposer des restrictions ce drenier. Les restrictions
imposer habituellement sont quil soit stationnaire
et rgodique.

Pr. Mohamed El Merouani

25

Processus stationnaires :
Pour dfinir un processus stationnaire, on
peut utiliser, comme on la fait pour sa
cactrisation, soit les fonctions de distribution
ou alternativement les moments.

Pr. Mohamed El Merouani

26

13

01/12/2014

Processus stationnaires:
On dit quun processus stochastique est stationnaire,
au sens strict ou stationnarit forte, lorsque lon
ralise un mme dplacement dans le temps de
toutes les variables de nimporte quelle distribution
conjointe finie, cette distribution ne varie pas.
Considrons la fonction de distribution conjointe
F(Yt ,Yt2,, Ytk).
1
Si on suppose que lon dplace tous les lments de
cette distribution de m priodes, la nouvelle fonction
de distribution conjointe sera F(Yt1+m,Yt2+m,, Ytk+m).
Pr. Mohamed El Merouani

27

Processus stationnaires:
Si le processus est stationnaire, au sens strict, on
vrifie que:
F(Yt ,Yt2,, Ytk)= F(Yt1+m,Yt2+m,, Ytk+m).
1
et de mme, on doit obtenir un rsultat analogue
pour nimporte quelle autre distribution
conjointe finie.
Aussi dans ce cas, il est plus difficil danalyser un
processus stationnaire partir des fonctions de
distribution que de le faire partir des moments.
Pr. Mohamed El Merouani

28

14

01/12/2014

Processus stationnaires:
En utilisant les moments, un processus est dit
stationnaire de premier ordre, ou en moyenne, sil
vrifie:

E[Yt ] =

Par consquent, dans un processus stationnaire en


moyenne, lesprance mathmatique, ou la
moyenne thorique, reste constante dans le temps.

Pr. Mohamed El Merouani

29

Processus stationnaires:
On dit quun processus est stationnaire de second
ordre (ou au sens large) lorsque les deux conditions
suivantes sont vrifies:
1. La variance est finie et reste constante dans le temps,
cest--dire: E Yt 2 = 2 <
t
2. Lautocovariance entre deux priodes distinctes de
temps dpend uniquement de lintervalle du temps
entre ces deux priodes. Cest--dire:
E (Yt + k )(Yt ) = k
t
est lautocovariance dordre k, o k est la longueur de
cet intervalle de temps entre Yt et Yt+k.
Sa valeur k est indpendante de linstant t du
temps que lon considre.

Pr. Mohamed El Merouani

30

15

01/12/2014

Remarques:
Comme on peut remarquer, la variance du
processus est tout simplement
lautocovariance dordre 0.
Lors de la dfinition dun processus
stationnaire au sens large, implicitement, on
tient compte de que le processus est aussi
stationnaire en moyenne, puisque soit dans la
variance soit dans les autocovariances, le
symbole nest affect par aucun indice.
Pr. Mohamed El Merouani

31

Remarques:
Si un processus est stationnaire au sens strict,
il sera aussi stationnaire au sens large, mais la
rciproque nest pas ncessairement vraie,
puisque le processus peut ne pas tre
stationnaire pour les moments dordre
suprieures au second.
Aussi, ici, si le processus est stationnaire au sens
large, et en plus il est normal, on vrifie que le
processus est stationnaire au sens strict.
Pr. Mohamed El Merouani

32

16

01/12/2014

Lorsque le processus est stationnaire, en principe,


on peut estimer les paramtres , 0 , 1 , 2 ,
partir dune seule ralisation.
Considrant un chantillon Y1, Y2,, YT, on peut
utiliser les estimateurs suivants:

1 T
0 = Yt
T t =1

1 T
= Yt
T t=1

)(

1 T k
k = Yt + k Yt
T t =1

videment, lorsque k crot, on dispose de moins


dobservations pour calculer k . Ainsi, pour T 1
on disposera seulement dune seule observation.
Pr. Mohamed El Merouani

33

Corrlogramme:
Pour un processus stationnaire les autocorrelations
sont dfinies de la forme suivante:
Rk =

k
0

k0

et comme E [(Y )(Y )] =


t +k
t
k
on vrifie que k =
et par consquent

t 0

Rk = R k
Pr. Mohamed El Merouani

34

17

01/12/2014

Corrlogramme:
La representation graphique de Rk pour
k=0,1,2,3, sappelle Corrlogramme.
Lexamen du Corrlogramme des donnes
observes permettra de reprer lexistence
dautocorrlations ventuelles ainsi que
lordre dautocorrlation le plus significatif.

Pr. Mohamed El Merouani

35

tude graphique de la stationnarit


partir du Corrlogramme:
Si toutes les auto-corrlations sont
significativement diffrentes de zro et
diminuent trs lentement, alors ceci indique
que la srie temporelle est non-stationnaire.
Il est ensuite ncessaire de vrifier cette
intuition en appliquant des tests statistiques
de stationnarit et/ou de non stationnarit.

36

18

01/12/2014

1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1

11

13

15

17

19

21

23

25

Pr. Mohamed El Merouani

37

1
0,8
0,6
0,4
0,2
0
1

11

13

15

17

19

21

23

25

-0,2
-0,4
-0,6
-0,8
-1

Pr. Mohamed El Merouani

38

19

01/12/2014

Processus rgodiques:
En plus dtre stationnaire, il est ncessaire que le
processus stochastique a la proprit dergodicit,
pour que linfrence peut se raliser dune forme
adquate.
Le concept dergodicit sera examin dune forme
intuitive. Lorsquil y a une forte corrlation entre les
valeurs dune srie temporelle loignes dans le
temps, cest--dire Rk garde des valeurs trs leves
pour un k assez grand, il arrive que lorsque on
augmente la taille de lchantillon, il y a peu
dinformation nouvelle qui sajoute.
Pr. Mohamed El Merouani

39

Processus rgodiques:
La consquence de ce fait est que
laugmentation de la taille de lchantillon
naura pas dutilit, puisquil faudra calculer un
nombre lev dautocovariances pour bien
caractriser le processus.
Lorsque la proprit dergodicit est vrifie,
on peut caractriser le processus par ses
moments de premier et de second ordre.
Pr. Mohamed El Merouani

40

20

01/12/2014

Processus rgodiques:
Une condition ncessaire, mais pas suffisante de
lrgodicit est:

lim Rk = 0

Lorsquun processus est stationnaire et aussi


rgodique- tout le problme de linfrence se
simplifie dune faon remarquable.
Maintenant, on peut poser cette question: Est-il
raisonable de supposer les sries conomiques
sont gnres par des processus stochastiques
stationnaires?
Pr. Mohamed El Merouani

41

Rponse:
En gnral, on peut affirmer que les sries conomiques
ne sont pas stationnaires. On peut penser, par exemple,
au PIB, lindice des prix, loffre monnaitaireetc.
Aprs avoir examiner cette situation, on peut conclure
immdiatement que lutilisation des processus
stochastiques stationnaires en conomie est peu
intressante. Mais, en ralit, cest pas le cas, parce que
par de simples transformations la plus part des sries
conomiques peuvent se convertir en des sries
approximativement stationnaires. Alors, il sera facil
dappliquer linfrence statistique ces processus.

Pr. Mohamed El Merouani

42

21

01/12/2014

Pourquoi des sries sont non


stationnaires?
La premire srie non stationnaire laquelle
on pense est celle qui est croissante dans le
temps.
Une srie saisonnire est galement non
stationnaire puisque la valeur espre dpend
du temps dans la priode de la saison.
Une srie dont la dispersion varie dans le
temps nest pas stationnaire.

Pr. Mohamed El Merouani

43

Comment rendre une srie stationnaire?


En fait, en prenant une srie brutalement, on
a fort peu de chances pour quelle soit
stationnaire.
La transformation par le Logarithme permet
dviter le problme de quune srie ait une
dispersion qui varie dans le temps.
Comme on peut aussi utiliser les techniques
de lissage de la srie.

Pr. Mohamed El Merouani

44

22