Vous êtes sur la page 1sur 17

Modèles ARCH/GARCH

Limites des modèles ARIMA et pratique des modèles


ARCH/GARCH

HORMA Bouchaı̈b & BOUKHNIF Mouhsine

23 février 2010

Table des matières


1 Présentation 2

2 Limites des modèles ARIM A 2

3 La modélisation ARCH/GARCH 6
3.1 Définition des modèles ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Propriétés des modèles ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3 Définition des modèles GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.4 Propriétés des modèles GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . 8

4 Pratique des modèles ARCH/GARCH 8


4.1 Application sur le taux de change . . . . . . . . . . . . . . . . . . . . . . . . . . 9
4.2 Le modèle GARCH(1, 1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

5 Prévision 13
5.1 Prévision des modèles GARCH(p, q) . . . . . . . . . . . . . . . . . . . . . . . . 13
5.2 Prévision du modèle GARCH(1, 1) . . . . . . . . . . . . . . . . . . . . . . . . . 14

6 Conclusion 16

1
1 PRÉSENTATION 2

1 Présentation
Au niveau du module Méthodes de prévisions avec Mr K. EL HIMDI, nous nous sommes
intéressé le long de ce semestre aux séries chronologiques (stationnaires ou non) décrivant
des phénomènes relevant de plusieurs domaines, notamment l’économie et la finance. En ef-
fet, ayant comme objectif faire des prévisions fiables selon les modèles les plus pertinents, les
modèles de décomposition de séries chronologiques et ceux dits ARIM A (AutoRegressive In-
tegrated Moving Average) faisaient alors une partie très prépondérante de notre cours. Pour
avoir une vue exhaustive par rapport aux limites et possibilités de développement des modèles
étudiés, des études de cas ont été organisés par les étudiants sous forme de petits projets.
L’étude des modèles (AutoRegressive Conditionnally Hetetoscedastic/ Generalized ARCH)
ARCH/GARCH faisait partie de ces projets vue son extrême importance dans la description
des séries financières. L’importance dont nous parlons vient de la capacité de ces modèles à
prendre en compte des phénomènes hétéroscédastiques, c’est à dire des séries à variance variable
dans le temps, chose qui était mal traitée par les modèles ARIM A (dans lesquels on suppose
que la variance est constante dans le temps).
Ce document traite les modèles ARCH/GARCH, et est structuré de manière à présenter les li-
mites des modèles ARIM A, donner les définitions et propriétés des modèles ARCH/GARCH,
ensuite voir comment identifier et estimer un modèle de la famille ARCH/GARCH. Et enfin,
nous verrons l’apport des modèles ARCH/GARCH au niveau des prévisions.

2 Limites des modèles ARIM A


Nous allons étudier la série du taux de change quotidien entre le Dollar US et le Dirham
Marocain USD/MAD 1 . Notre série date de 01/09/2004 jusqu’au 12/02/2010, elle comporte
1357 observations. Le diagramme séquentiel de cette série est dans la figure 1 :

Le graphe représente les variations quotidiennes du taux de change entre le Dollar américain
et le Dirham marocain USD/MAD, on remarque que généralement le taux de change affiche
des variations irrégulières tout en marquant une tendance baissière depuis début 2006 jusqu’en
mi-2008 (ceci peut être expliqué par l’impact de la crise financière). Cette tendance a connu
un reversement, en gagnant des points atteignant des sommets égaux à ceux affichés en début
2006. En 2009 le taux de change a repris son rythme baissier général.

Remarquons notamment que les variations entre observations peuvent parfois être trop agités
par rapport à d’autres situations où ces variations sont assez régulières (ce phénomène va être
expliqué dans la suite de cette étude).
Á partir de l’allure de ce graphe, cette série n’est pas stationnaire : elle semble présenter, d’une
part une rupture de tendance et d’autre part une volatilité qui varie au cours du temps. Ce
graphe séquentiel permet une première approche intuitive du phénomène de rupture dans la
série. Il convient de préciser cette intuition en étudiant les corrélogrammes de la série.

1. http ://www.mataf.net/
2 LIMITES DES MODÈLES ARIM A 3

Figure 1 – Diagramme séquentiel de la série du taux de change USD/MAD

Nous allons à ce stade nous intéresser aux fonctions d’autocorrélations ACF et d’auto-
corrélations partielles P ACF , pour en tirer des résultats pouvant nous guider à choisir le bon
modèle.

Figure 2 – Fonction d’autocorrelations et fonction d’autocorrelations partielles


2 LIMITES DES MODÈLES ARIM A 4

La décroissance lente de la fonction d’autocorrélations obtenue ci-dessus met clairement en


évidence la non-stationnarité de la série.
Dans l’hypothèse où nous avons affaire à un processus non-stationnaire, nous différencions une
première fois, puis nous examinons le corrélogramme de la série différenciée (voir figure 3).

Figure 3 – Diagramme séquentiel de la série différenciée

Le graphique ainsi obtenu montre l’effet de la différenciation : la série différenciée ne semble


plus présenter de tendance. Examinerons maintenant les corrélogrammes de cette série (voir
figure 4).

Le graphe de la fonction d’autocorrélations comme celui de la fonction d’autocorrélations


partielles ne présentant pas de pics significatifs aux premiers ordres de décalages, nous pen-
serons à une marche aléatoire. Les corrélogrammes nous invitent alors à tester l’hypothèse
de bruit blanc sur la série différenciée. Revenons maintenant au graphe séquentiel de la série
différenciée c’est à dire figure 3 :

Cette figure se caractérise par des variations non constantes au cours du temps. En effet, il
existe des périodes à faible variation et des périodes à très grande volatilité (ce qui contredit
2 LIMITES DES MODÈLES ARIM A 5

Figure 4 – Fonction d’autocorrelations et fonction d’autocorrelations partielles de la série


différenciée

l’hypothèse de variance constante des bruits blancs). En outre, cette série laisse apparaitre un
phénomène de mémoire, ceci veut dire que si la variance de la série est importante à un instant
 t  alors il y a de fortes chances qu’elle le soit aussi à l’instant qui suit car les moments
de grande variabilité semblent être regroupés. Toutes ces remarques nous indiquent l’existence
d’une hétéroscédasticité dans cette série différenciée, pour s’en convaincre nous allons étudier
les propriétés de la série différenciée et les comparer à ceux d’un bruit blanc (voir figure 5).

La première constatation que l’on peut faire est que la série n’est pas gaussienne, et, en parti-
culier, a des queues de distribution trop épaisses (coefficient d’aplatissement  Kurtosis 2  est
égal à 4, 397 qui est supérieure à 3). De plus, et comme nous l’avons déjà cité la série est
stationnaire, cependant, des périodes de forte volatilité sont observées. Notons aussi que le
coefficient d’asymétrie  Skewness 3  (étant de l’ordre de −0, 325 n’est pas nulle) ainsi que
l’histogramme, affirment tout les deux l’inexistence de symétrie dans cette distribution. En
résumé, l’hypothèse de bruit blanc est rejetée, ce qui nous emmène alors à penser à d’autres
modélisations de cette série.

En somme, la modélisation ARIM A s’est montrée incapable de modéliser et de prendre en


considération ce phénomène d’hétéroscidasticité. Afin de remédier à cette défaillance Engle
propose en 1982 les modèles ARCH (AutoRegressive Conditionally Heteroscedastic) comme
solution, puis une généralisation de ces derniers en modèles GARCH ( Generalized ARCH)
fut proposée par Bollerslev en 1986. Aujourd’hui la famille des processus ARCH/GARCH
2. Correspond au moment d’ordre 4 standardisé, et est égal à 3 dans le cas d’une distribution normale, si il
est supérieur à 3 la distribution sera plus aplatie que la normale, et inversement s’il est inférieur à 3
3. Correspond au moment d’ordre 3, et est égal à 0 dans le cas de la loi normale, s’il n’est pas nul alors la loi
n’est pas symétrique
3 LA MODÉLISATION ARCH/GARCH 6

Figure 5 – Histogramme et coefficients de distribution et de dispersion de la série différenciée

joue un rôle très important dans l’analyse et l’étude de séries chronologiques notamment les
séries financières.

Dans la section suivante nous présentons la famille des modèles ARCH/GARCH.

3 La modélisation ARCH/GARCH
L’observation de certaines séries chronologiques provenant du monde économique et fi-
nancier (taux de change, taux de rendement d’action, indices,...) montre des caractéristiques
spécifiques qui ne sont pas théoriquement prises en compte dans les modélisations ARIM A
notamment celle de Box Jenkins. La première caractéristique concernée est le comportement
hétéroscédastique de la variance (en plus les périodes de grande variabilité sont groupées, tan-
dis que les petites variations sont plutôt suivies par de petits changements). La deuxième
caractéristique concerne la distribution probabiliste de la série (L’apparition de chocs n’est pas
compatible avec la loi normale). Alors pour une modélisation plus réaliste de ces séries, les
modèles ARCH/GARCH sont les plus utiles.

3.1 Définition des modèles ARCH


Un processus ARCHp est défini par :

Xt = t

t |Xt−1 , Xt−2 ... v N (0, σt2 )


3 LA MODÉLISATION ARCH/GARCH 7

σt2 = α0 + α1 Xt−1
2 2
+ ... + αp Xt−p
La variance conditionnelle dépend du temps : si les valeurs précédentes sont grandes (en valeur
absolue), la variance sera grande, et inversement. Ainsi, si on observe un choc dans la série
(valeur anormalement grande), elle sera suivie d’une période de haute volatilité, dont la durée
dépend de l’ordre p du modèle ARCH.

Ramarque :
2 + ... + α X 2
La notation ht = α0 + α1 Xt−1 p t−p est souvent utilisée.

3.2 Propriétés des modèles ARCH


Si Xt est un processus ARCH alors :

E[Xt ] = 0
E[Xt |It−1 ] = 0 avec It−1
P = Xt−1 , Xt−2 , ...
V (Xt ) = 1−Pαp0 α si pi=1 αi < 1
i=1 i
2 + ... + α X 2
V (Xt |It−1 ) = α0 + α1 Xt−1 p t−p
Cov(Xt , Xt+h ) = γh = 0 ∀h > 0
Cov(Xt , Xt+h |It−1 ) = 0

Remarque : Un processus ARCH est conditionnellement hétéroscédastique mais incondi-


tionnellement homoscédastique !
Pp
Condition suffisante de stationnarité : i=1 αi < 1
En pratique, la distribution d’un processus ARCH a :
– un skewness non nul (moment centré d’ordre 3) : la distribution est donc asymétrique
– un kurtosis (moment centré d’ordre 4) supérieur à 3 : la distribution est donc plus aplatie
qu’une gaussienne.

3.3 Définition des modèles GARCH


Un processus GARCHp,q est défini par :

Xt = t

t |Xt−1 , Xt−2 ... v N (0, σt2 )


σt2 = α0 + α1 Xt−1
2 2
+ ... + αp Xt−p 2
+ β1 σt−1 2
+ ... + βq σt−q
avec α0 > 0, αi ≥ 0 ∀i = 1, ..., p et βj ≥ 0 ∀j = 1, ..., q.
Un processus GARCH peut être vu comme un processus ARCH d’ordre infini, et peut ainsi
représenter formellement de façon plus parcimonieuse un processus ARCH comprenant un
nombre élevé de paramètres.

Ramarque :
2 + ... + α X 2 + β h2
La notation ht = α0 + α1 Xt−1 2
p t−p 1 t−1 + ... + βq ht−q est souvent utilisée.
4 PRATIQUE DES MODÈLES ARCH/GARCH 8

3.4 Propriétés des modèles GARCH


Si Xt est un processus GARCHp,q alors :

E[Xt ] = 0
E[Xt |It−1 ] = 0 avec It−1 = Xt−1 , Xt−2 , ...
Cov(Xt , Xt+h ) = γh = 0 ∀h > 0
Cov(Xt , Xt+h |It−1 ) = 0

Remarque : Un GARCHp,0 est un ARCHp .

Soit Xt un processus GARCHp,q , et soit m = max(p, q). Le processus Xt2 admet une
représentation ARM A(m, q).
Un processus GARCH(p, q) est stationnaire si pi=1 αi + qj=1 βj < 1.
P P

Bien entendu, l’absence de corrélations n’implique pas que les valeurs Xt d’un processus
GARCH soient indépendantes. En effet, en notant νt = Xt2 − σt2 , ce qui peut s’écrire :

Xt2 = σt2 + νt
p
X q
X
Xt2 = α0 + 2
αi Xt−i + 2
βj σt−j + νt
i=1 j=1

Si m = max(p, q), et si on convient que αi = 0 pour i > p et βj = 0 pour j > q alors cette
dernière expression s’écrit de la manière suivante :
m
X q
X
Xt2 = α0 + (αi + βi − 2
βi )Xt−i + 2
βj σt−j + νt
i=1 j=1
m
X q
X
Xt2 = α0 + 2
(αi + βi )Xt−i + 2
βj (σt−j 2
− Xt−j ) + νt
i=1 j=1
m
X q
X
Xt2 = α0 + (αi + 2
βi )Xt−i − βj νt−j + νt
i=1 j=1

En conséquence de cette dernière présentation, Xt2 est ARM A(m, q), et νt est un processus
innovation. Ainsi pour identifier un GARCHp,q , nous identifierons tout d’abord le processus
ARM A(m, q) qui modélise Xt2 . Pour identifier p dans le cas oú m = q où (p ≤ q), il faut
effectuer des tests de significativité des coefficients αq , ..., α1 du modèle ARM A(m, q).

4 Pratique des modèles ARCH/GARCH


La théorie des modèles ARCH/GARCH, a été appliquée aux erreurs d’une régression
linéaire ou à un processus d’innovation d’un modèle ARM A. Dans le premier cas, le modèle
4 PRATIQUE DES MODÈLES ARCH/GARCH 9

consiste à considérer un modèle de régression linéaire avec erreurs GARCH :



Yt = aXt + t
t v GARCHp,q

Ce modèle est appelé modèle de régression avec erreurs GARCH. Dans le deuxième cas, le
modèle consiste en un processus ARM A avec un processus d’innovations GARCH :

φ(B)Xt = Θ(B)t
t v GARCHp,q

Ce modèle est appelé modèle ARMA-GARCH.

4.1 Application sur le taux de change


En prenant en compte les résultats élaborés précédemment dans le cadre de l’étude de notre
série USD/MAD. L’existence d’un lien fort entre ce qui est annoncé dans la dernière définition
et ce qui a été constaté au niveau des résidus semble cohérent.
Nous pensons avoir affaire à une série de modèle ARIM A(0, 1, 0) avec un résidu qui n’est pas
un bruit blanc. Alors pour détecter les effets ARCH/GARCH, qui peuvent éventuellement
affecter ces résidus, nous utiliserons le langage  R .

Figure 6 – Diagramme séquentiel de la série différenciée


4 PRATIQUE DES MODÈLES ARCH/GARCH 10

Analytiquement notre modèle s’écrit : (1 − B)Xt = t oú Xt représente le taux de change


U SD/M AD et t représente l’erreur.
La figure 6 qui représente les résidus t , montre en effet, les symptômes d’un processus GARCH.
Pour confirmer cette intuition, nous effectuerons le test de Jarque Bera ou M ultiplicateur de
Lagrange 4 pour tester l’hypothèse H0 : les Xt2 sont indépendants contre H1 : les Xt peuvent
être corrélés (Xt peut suivre un GARCH).
Le résultat de JB est 134, 236 et la p − value < 2.2e − 16 pratiquement nulle d’oú le rejet de
H0. La présence d’effets GARCH est ainsi confirmée.

Nous pouvons discuter la modélisation de 2t depuis la figure 7 qui montre l’ACF et P ACF
de la série différenciée élevée au carré.

Figure 7 – ACF et P ACF de la série différenciée au carré

Nous proposons deux modèles candidats pour modéliser 2t :


– ARM A(2, 0) correspondant à un ARCH(2).
– ARM A(2, 2) correspondant à un GARCH(2, 2).
4. C’est un test d’hypothèse qui cherche à déterminer si des données suivent une loi normale. On a :
H0 : les données suivent une loi normale Vs H1 : les données ne suivent pas une loi normale :
2
avec JB = n−k6
(S 2 + (K−3)
4
) v χ2 à deux degrés de liberté
– n = Nombre d’observations
– k = Nombre de variables explicatives si les données proviennent des résidus d’une régression linéaire.
Sinon, k = 0.
– S = Coefficient d’asymétrie : Moment d’ordre 3 d’une variable centrée-réduite
– K = Kurtosis : Moment d’ordre 4 d’une variable centrée-réduite.
Une loi normale a un coefficient d’asymétrie = 0 et une kurtosis = 3. On saisit alors que si les données
suivent une loi normale, le test s’approche alors de 0 et on accepte (ne rejette pas) H0 au seuil α.
4 PRATIQUE DES MODÈLES ARCH/GARCH 11

Analytiquement on a :
– Si t est un ARCH(2) alors σt2 = α0 + α1 2t−1 + α2 2t−2 .
– Si t est un GARCH(2, 2) alors σt2 = α0 + α1 2t−1 + α2 2t−2 + β1 σt−1
2 2
+ β2 σt−2

Le langage R nous propose comme modèle GARCH(1, 1), nous allons alors faire une com-
paraison des trois modèles en se basant sur le critère AIC ; pour plus de visibilité nous allons
créer une matrice des AIC de neuf modèles GARCH à l’aide du programme R ci-dessous, tout
en admettant que AIC(garch(2, 0)) vaut −4585, 682.Le programme R associé est le suivant :

Figure 8 – Programme R pour la matrice de comparaison selon les AIC

Figure 9 – AIC des neuf modèles

La comparaison de ces résultats nous indique le modèle GARCH(1, 1) comme meilleur


modèle pour représenter les résidus t . En effet, ce modèle GARCH(1, 1), est sans doute le
modèle de la famille GARCH le plus approprié pour décrire les séries financières. Ce qui re-
joints les études faites par plusieurs chercheurs du domaine. Nous détaillerons alors ce dernier
dans le paragraphe suivant.

4.2 Le modèle GARCH(1, 1)


Le modèle décrivant notre série s’écrit de la façon suivante :
Xt = Xt−1 + t
avec t un GARCH(1, 1) c’est à dire :
2t = α0 + α1 2t−1 + β1 ht−1 + νt
où νt est une pure innovation gaussienne, et σ2t = α0 + α1 2t−1 + β1 σ2t−1
ou bien ht = α0 + α1 2t−1 + β1 ht−1
4 PRATIQUE DES MODÈLES ARCH/GARCH 12

Estimation des paramètres :


Compte tenu du caractère non linéaire des modèles GARCH, les paramètres de notre modèle
GARCH(1, 1) sont estimés par la méthode du maximum du vraisemblance.
Nous allons établir cette estimation par le biais des commandes R suivantes :

Création du modèle : g = garch(dif f (U SD M AD), order = c(1, 1))


Visualisation des paramètres : summary(g)

Figure 10 – Résultat de l’estimation

Ainsi notre modèle s’énonce explicitement de la manière suivante :

Xt = Xt−1 + t
2t = 4, 864e−06 + 3, 129e−02 2t−1 + 9, 666e−01 ht−1 + νt
σ2t = 4, 864e−06 + 3, 129e−02 2t−1 + 9, 666e−01 σ2t−1
Les paramètres obtenus sont positifs et vérifient la condition de stationnarité α1 + β1 < 1
Les résultats élaborés par R sont affichés dans la figure 11.

Commentaires des résultats :


L’examen de la figure 11, semble bien soulageant en termes de leptokurticité 5 puisque la
distribution des erreurs est plus symétrique par rapport à ce qui a été constaté au niveau
de la modélisation ARIM A (voir figure 5). L’ACF du carré des résidus de la modélisation
GARCH n’affiche pas de corrélations. Cela dit, la normalité des résidus de la modélisation
GARCH n’est pas totalement assurée. Cette dernière constatation est un peu inquiétante dans
la mesure où un des objectifs ultimes d’introduction des modèles GARCH est justement la
réduction, éventuellement l’élimination des effets anormaux de la distribution.
5. Phénomène d’épaisseur des queues de la distribution par rapport à une distribution gaussienne
5 PRÉVISION 13

Figure 11 – Résultat de la modélisation GARCH des résidus

5 Prévision
5.1 Prévision des modèles GARCH(p, q)
Partant du processus ARM A(r, s) − GARCH(p, q), nous avons : φ(B)Xt = Θ(B)t
avec t v GARCH(p, q). Supposant que l’on observe cette série jusqu’à la date t. La prévision
à l’instant t d’horizon h s’écrit comme l’espérance conditionnellement à l’information It dispo-
nible à la date t de la formule suivante :
r
X s
X
Xt+h = φi Xt+h−i + θj t+h−j + t+h
i=1 j=1
5 PRÉVISION 14

qui donne
r
X s
X
X̂t+h = E(Xt+h |It ) = φi E(Xt+h−i |It ) + θj E(t+h−j |It )
i=1 j=1

puisque E(t+h |It ) = 0.

Jusqu’a présent, la prévision est formellement identique à celle des processus ARIM A avec
des erreurs présentés par des innovations.

En effet, la présence des effets GARCH au niveau des résidus affecte juste les intervalles de
confiance puisque l’erreur de prévision varie en fonction des variances hétéroscédastiques.
Dans le chapitre 6 du cours de Méthodes de prévision de Mr K. EL HIMDI, nous sommes
convenu que l’erreur de prévision pour un horizon h s’écrit comme suit :

et (h) = Xt+h − X̂t (h) = t+h + ψ1 t+h−1 + ψ2 t+h−2 + ... + ψh−1 t+1

V ar[et (h)] = σ2 (1 + ψ12 + ψ22 + ... + ψh−1


2
)
Cependant, le problème avec cette formulation est que la qualité de la prévision (que mesure
la variance conditionnelle de l’erreur) est indépendante de la date t à laquelle est réalisée la
prévision.

5.2 Prévision du modèle GARCH(1, 1)


Regardons maintenant l’erreur de prévision dans le cas où l’erreur suit un modèle GARCH :
Puisque l’erreur des prévisions pour un horizon h dépendent des innovations futures, nous
concluons que la variation de l’erreur de prévision est fonction des variations de ces innovations
compte tenu du caractère hétéroscédastique de ces dernières.

V ar(et (h)) = V ar(t+h ) + ψ12 V ar(t+h−1 ) + ψ22 V ar(t+h−2 ) + ... + ψh−1


2
V ar(t+1 )

Les variances des erreurs n’étant pas les mêmes, l’exercice devient plus complexe que dans le
cas des erreurs conditionnellement homoscédastiques.

Nous savons que :

V ar(t+1 ) = E(2t+1 |It ) = ht+1 = α0 + α1 2t + β1 ht

On peut montrer par récurrence que :

E(2t+h |It ) = α0 [1 + (α1 + β1 ) + ... + (α1 + β1 )h−1 ] + (α1 + β1 )h−1 (α1 2t + β1 ht )
α0
qui converge vers 1−(α1 +β1 ) quand h tend vers l’infini.

En somme, la modélisation des erreurs par des modèles GARCH, ne change en rien les
prévisions. Par contre, les intervalles de confiance vont changer au fur et à mesure de la volatilité
des erreurs changent dans le temps.
5 PRÉVISION 15

Prévision GARCH sous R


: Pour prévoir les variances des résidus GARCH, nous allons, au début, créer notre modèle
GARCH issu de la série différenciée avec les paramètres p = 1 et q = 1, en se servant de la
commande R suivante :
– f it = garchF it(f ormula = garch(1, 1), data = dif f U SD M AD, trace = F ALSE)
Pour établir des prévisions sur un horizon de dix périodes nous allons nous servir de la
commande predict() :
– prevision = predict(f it, n.ahead = 10, trace = F ALSE)
Cette dernière commande nous produit les résultats de la figure 12 :

Figure 12 – Résultat de la prévision d’horizon 10 du modèle GARCH des résidus

Dans cette figure (figure 12) meanF orecast correspond à la valeur prédite de l’erreur ou de
la série différenciée (Xt+1 − Xt ), avec un intervalle de confiance égal à
[meanF orecast ± 2 ∗ standardDeviation]. En d’autres termes, l’intervalle de confiance de X̂t (1)
est [Xt + meanF orecast ± 2 ∗ standardDeviation1 ].
Nous allons alors effectuer les opérations nécessaires pour construire les intervalles de confiance
sur un horizon de 5 jours, sachant que notre prévision pour ces 5 jours est l’observation du
12/02/2010 qui était de 8.2446 Dh le Dollar USD. Voir figure 12 et figure 13.

Figure 13 – Tableau des opérations pour construire les intervalles de confiance d’horizon 5
jours
6 CONCLUSION 16

Figure 14 – Résultats de la prévision et des intervalles de confiance d’horizon 5 de notre


modèle

6 Conclusion
En Résumé, face à la modélisation ARIM A qui ne prend pas en considération les phénomènes
d’hétéroscédasticité et de non normalité des résidus, la modélisation ARCH/GARCH s’est
montrée la plus efficace en matière de description des séries temporelles affectées par ces deux
phénomènes, notamment les séries financières dans lesquelles l’effet de mémoire joue un rôle
phare. Ainsi, dans les marchés financiers où l’information est l’élément clef de toutes les tran-
sactions, la modélisation ARCH/GARCH s’est bien imposée par rapport à tous les autres
modèles.
Néanmoins, les résidus de la modélisation ARCH/GARCH souffrent parfois de quelques défauts
dont la non normalité qui peut être dû à plusieurs origines, à savoir la distribution non gaus-
sienne des résidus (parfois de Student qui est aussi caractérisé par le phénomène de leptokur-
ticité). Ajoutons aussi que souvent les modèles GARCH sont à la limite de la stationnarité
(noter toutefois que dans notre cas la somme α1 + β1 ≈ 1).
Cela dit, plusieurs travaux dans le sens d’améliorer ces défauts ont abouti à des extensions de
ces modèles à titre d’exemple on citera : IGARCH, EGARCH, M GARCH, T ARCH,...
6 CONCLUSION 17

Annexe :
Ci-dessous sont les différentes commandes R utilisées le long de cette étude :
> library(”quadprog”)
> library(”tseries”)
> library(”xlsReadW rite”)
> library(”timeDate”)
> library(”timeSeries”)
> library(”f Basics”)
> library(”M ASS”)
> library(f Garch)
> library(”f oreign”)
> Xt = read.spss(”U SD M AD.sav”, use.value.labels = T RU E, to.data.f rame = T RU E)
> Xt = ts(Xt)
> dif f Xt = dif f (Xt)
> acf (dif f Xt)
> pacf (dif f Xt)
> JarqueberaT est(dif f Xt)
> f it = garchF it(f ormula =v garch(1, 1), data = dif f Xt, trace = F ALSE)
> summary(f it)
> plot(f it)
> predict(f it, 5)

Références :

1. La modélisation ARCH, cours confié par Mr K. EL HIMDI.


2. Atelier - Séries Chronologiques ; modèle ARCH − GARCH, cours confié par Mr K. EL
HIMDI.
3. http ://www.stat.ucl.ac.be/cours/stat2170/, site du cours STAT2170 : Séries chronolo-
giques de l’Institut de Statistique - Université Catholique de Louvain.
4. http ://math.univ-lille1.fr/ jacques/, site de Julien JACQUES professeur de Séries Chro-
nologiques et maitre de conférences à P olytech0 Lille.
5. http ://www.r-project.org/, site du projet R.
6. http ://www.emse.fr/ roustant/enseignement.html, site d’Olivier Roustant professeur à
l’Ecole Nationale Supérieure des Mines Saint-Etienne.