Académique Documents
Professionnel Documents
Culture Documents
Jaouad Madkour
e-mail: jaouad.madkour@outlook.com
Version 2016.01
1 / 150
Introduction
Soit Pt le prix dun actif financier a la date t. Les rentabilites de cet actif
sont donnees par les formules suivantes :
Rentabilite nette :
Pt Pt1
Rt =
Pt1
Rentabilite brute :
Pt
1 + Rt =
Pt1
Log-rentabilite :
rt = ln (1 + Rt ) = ln (Pt ) ln (Pt1 )
2 / 150
Introduction
3 / 150
Introduction
4 / 150
Introduction
Plan du cours
Chapitre 1 : Definitions
Chapitre 2 : Representation
Chapitre 3 : Identification
Chapitre 4 : Estimation
Chapitre 5 : Validation
Chapitre 6 : Prevision
Chapitre 7 : Tests de racine unitaire
5 / 150
Chapitre 1 : Definitions
6 / 150
1. Definitions
1.1.1. Definitions
7 / 150
1. Definitions
1.1. Processus stochastiques
1.1.1. Definitions
8 / 150
1. Definitions
1.1. Processus stochastiques
1.1.1. Definitions
Remarques :
Un processus stochastique est note {yt }T
t=1 ou simplement yt .
9 / 150
1. Definitions
1.1. Processus stochastiques
t WN (0,2 ) , t = 1,2, ,T
10 / 150
1. Definitions
1.1. Processus stochastiques
1.1.2. Exemple de processus stochastiques
11 / 150
1. Definitions
1.2.1. Definition
12 / 150
1. Definitions
1.2. Processus stochastiques stationnaires
1.2.1. Definition
13 / 150
1. Definitions
1.2. Processus stochastiques stationnaires
1.2.1. Definition
14 / 150
1. Definitions
1.2. Processus stochastiques stationnaires
15 / 150
1. Definitions
1.2. Processus stochastiques stationnaires
16 / 150
1. Definitions
17 / 150
1. Definitions
1.3. Operateur retard et polynome retard
yt1 = Lyt
Plus generalement :
ytk = Lk yt
18 / 150
1. Definitions
1.3. Operateur retard et polynome retard
1.3.1 Operateur retard L
Remarque :
Si le processus stochastique yt prend la meme valeur a chaque instant t,
alors on a :
yt = Lyt1
= L (1)
19 / 150
1. Definitions
1.3. Operateur retard et polynome retard
(L) yt
yt yt1 = yt Lyt
= (1 L) yt
yt
20 / 150
Chapitre 2 : Representation
21 / 150
2. Representation
Remarque preliminaire :
Tout au long de ce cours, il sera fait appel aux notions desperance mathema-
tique, de variance et de covariance quil faut savoir manipuler. Celles-ci, et
plus particulierement la covariance, peuvent donner lieu a des calculs fasti-
dieux. Afin de les simplifier et den reduire le nombre, les variables aleatoires
seront centrees de sorte que la covariance entre deux variables aleatoires soit
simplement egale a lesperance mathematique de leur produit. Une variable
aleatoire centree etant une variable dont lesperance est nulle :
cov (X ,Y ) = E X E (X ) Y E (Y ) = E [XY ]
| {z } | {z }
0 0
22 / 150
2. Representation
23 / 150
2. Representation
2.1. Modele Autoregressif
avec t WN (0,2 ) et 1 6= 0.
24 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.1. Formule analytique dun AR(1)
Signification de chaque element du modele (2) :
yt : la variable expliquee, elle depend de facon lineaire de la variable
explicative yt1 ;
yt1 : la variable explicative, il sagit du retard de la variable expliquee
yt . Le sens et lampleur du lien lineaire qui existe entre les variables yt
et yt1 sont donnes par le parametre 1 ;
: lordonnee a lorigine, i.e. la valeur de yt pour yt1 = 0. Cest un
parametre qui donne la position de la droite par rapport a lorigine des
axes. Une valeur nulle de ce parametre indique que la droite passe par
lorigine des axes ;
1 : le coefficient directeur de la droite qui lie la variable expliquee a la
variable explicative, il est egal au coefficient dautocorrelation partielle
entre les variables yt et yt1 .
t : un terme derreur, une innovation ou un choc a cause duquel les
points (yt1 ; yt ) ne sont pas necessairement alignes. Il sagit dun bruit
blanc car il ne doit contenir aucune information exploitable.
25 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.1. Formule analytique dun AR(1)
Representation graphique du modele (2) :
yt = + 1 yt1 + t
= + 1 ( + 1 yt2 + t1 ) + t
= + 1 + 12 yt2 + 1 t1 + t
= + 1 + 12 (0 + 1 yt3 + t2 ) + 1 t1 + t
= + 1 + 12 + 13 yt3 + 12 t2 + 1 t1 + t
2
X 2
X
= 1i + 13 yt3 + 1i ti
i=0 i=0
..
.
t1
X t1
X
= 1i + 1t y0 + 1i ti
i=0 i=0
28 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.1. Formule analytique dun AR(1)
Rappel : Convergence de la suite geometrique un = n
Pt1
I |1 | < 1 : on a lim 1t = 0 et lim i=0 1i = 1
11
t+ t+
+
X i
yt = + 1 ti
1 1 i=0
Les poids 1i des chocs decroissent, en valeurs absolues, a mesure que ces
derniers seloignent dans le temps traduisant limportance decroissante
des chocs les plus anciens. On dit que les chocs sont temporaires ou
transitoires.
30 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.1. Formule analytique dun AR(1)
I |1 | = 1
Pt1
1 = 1 : on a i=0 1i = t
yt = t + y0 + t + t1 + + 1
Les poids des chocs restent identiques a mesure que ces derniers
seloignent dans le temps traduisant le maintien de limportance
des chocs les plus anciens. On dit que les chocs sont permanents ou
persistants.
31 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.1. Formule analytique dun AR(1)
I |1 | = 1
Pt1 i 1 si t impair
1 = 1 : on a
i=0 1 = I (t impair )=
0 si t pair
Les poids des chocs restent, en valeurs absolues, identiques a mesure que ces
derniers seloignent dans le temps traduisant le maintien de limportance des
chocs les plus anciens. On dit que les chocs sont permanents ou persistants.
32 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.1. Formule analytique dun AR(1)
I |1 | > 1 : on a lim 1t =
t+
Les poids 1i des chocs croissent, en valeurs absolues, a mesure que ces
derniers seloignent dans le temps traduisant limportance croissante des
chocs les plus anciens.
33 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
I |1 | = 1 :
? 1 = 1 :
yt = t + y0 + t + t1 + + 1
? 1 = 1 :
I |1 | > 1 :
t1
1 1t
X
yt = + 1t y0 + 1i ti
1 1 i=0
34 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
|1 | < 1 :
+
!
X i
E (yt ) = E + 1 ti
1 1 i=0
+
X i
= + 1 E (ti )
1 1 i=0
| {z }
0
=
1 1
Lesperance du processus yt ne depend pas du temps t.
35 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
1 = 1 :
E (yt ) = E (t + y0 + t + t1 + + 1 )
= t + y0 + E (t ) + E (t1 ) + + E (1 )
| {z } | {z } | {z }
0 0 0
= t + y0
36 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
1 = 1 :
= I (t impair ) + (1)t y0
37 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
|1 | > 1 :
" t1
#
1 1t
X
t i
E (yt ) = E + 1 y0 + 1 ti
1 1 i=0
t1
1 1t
X
= + 1t y0 + 1i E (ti )
1 1 i=0
| {z }
0
1 1t
= + 1t y0
1 1
38 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
|1 | < 1 :
+
!
X i
V (yt ) = V + 1 ti
1 1 i=0
+
X 2
= 1i V (ti )
i=0
| {z }
2
+
X i
= 2 12
i=0
2
=
1 12
39 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
1 = 1 :
V (yt ) = V (t + y0 + t + t1 + + 1 )
= V (t ) + V (t1 ) + + V (1 )
| {z } | {z } | {z }
2 2 2
= t2
40 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
1 = 1 :
= t2
41 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
|1 | > 1 :
" t1
#
1 1t
X
V (yt ) = V + 1t y0 + 1i ti
1 1 i=0
t1
i 2
X
= 1 V (ti )
i=0
| {z }
2
t1
X i
= 2 12
i=0
1 12t
= 2
1 12
42 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
Comme :
yt = + 1 yt1 + t (4)
E (yt ) = + 1 E (yt1 ) (5)
| {z } | {z }
t t1
Alors :
(4) (5) yt t = 1 (yt1 t1 ) + t
43 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
dou :
44 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
k =1:
45 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
k =2:
cov (yt ; yt2 ) = 1 E [(yt1 t1 ) (yt2 t2 )]
= 1 E {[1 (yt2 t2 ) + t1 ][yt2 t2 ]}
= 1 E {[1 (yt2 t2 )][yt2 t2 ] + t1 [yt2 t2 ]}
= 21 V (yt2 )
46 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
2.1.1.2.3. Fonction dautocovariance cov (yt ; ytk ) :
k =3:
cov (yt ; yt3 ) = 1 E [(yt1 t1 ) (yt3 t3 )]
= 1 E {[1 (yt2 t2 ) + t1 ][yt3 t3 ]}
= 1 E {[1 (yt2 t2 )][yt3 t3 ] + t1 [yt3 t3 ]}
= 21 E [(yt2 t2 ) (yt3 t3 )] + 1 E {[t1 E (t1 )][yt3 t3 ]}
| {z }
0
= 31 V (yt3 ) 47 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
48 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
2
|1 | < 1 : V (ytk ) = 12 1
1k 2
cov (yt ; ytk ) =
1 12
49 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
|1 | = 1 : V (ytk ) = (t k ) 2
50 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.2. Proprietes statistiques dun AR(1)
!
2(tk )
1 1
cov (yt ; ytk ) = 1k 2
1 12
51 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
Rappel :
52 / 150
2. Representation
2.1. Modele Autoregressif
2.1.1. Modele Autoregressif dordre 1
2.1.1.3. Condition de stationnarite dun AR(1)
|1 | < 1 |1 | = 1 |1 | > 1
t + y0
1t1
E (yt ) 11 11
+ 1t y0
t
I (t impair ) + (1) y0
2 12t
V (yt ) 12
t2 2 1
12
1 1
2(tk )
k1 2 11
cov (yt ; ytk ) 12
(t k ) 1k 2 1k 12
2
1 1
53 / 150
2. Representation
2.1. Modele Autoregressif
avec t WN 0,2 et p 6= 0.
54 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
2.1.2.1. Formule analytique dun AR (p)
(L) yt = + t
avec (L) 1 1 L 2 L2 p Lp .
55 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
(1 1 L) yt = + t
| {z }
(L)
1 1 z = 0
Cette equation admet comme racine z = 1/1 . Nous avons vu que la condi-
tion de stationnarite dun AR (1) est |1 | < 1, cette condition peut se traduire
en termes de racine de lequation caracteristique par |z | > 1. Ce resultat sera
generalise au cas dun modele AR (p).
56 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
2.1.2.2. Condition de stationnarite dun AR (p)
Considerons lecriture suivante dun modele AR (p) :
1 1 L 2 L2 p Lp yt = + t
| {z }
(L)
1 1 z 2 z 2 p z p = 0
(1 1 z ) (1 2 z ) (1 p z ) = 0
Chaque facteur est lequation caracteristique dun AR (1). Il faut donc verifier
la condition de stationnarite pour chacune des ces equations pour garantir la
stationnarite du modele AR (p), cest a dire :
57 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
2.1.2.2. Condition de stationnarite dun AR (p)
Remarques :
58 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
= + 1 + 2 + + p
(1 1 2 p ) =
dou :
=
1 1 2 p
Notons que si = 0 alors E (yt ) = 0. On dit que le processus stochastique
yt est centre.
59 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
2.1.2.3. Proprietes statistiques dun AR (p)
= + 1 + 2 + + p (8)
alors on a :
(7) (8) yt = 1 (yt1 ) + 2 (yt2 ) + + p (ytp ) + t
60 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
2.1.2.3. Proprietes statistiques dun AR (p)
61 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
2.1.2.3. Proprietes statistiques dun AR (p)
2.1.2.3.2. Variance V (yt ) et fonction dautocovariance cov (yt ; ytk ) :
On sait que
ytk = 1 (ytk 1 ) + 2 (ytk 2 ) + + p ytk p + tk
On peut donc ecrire :
E [t (ytk )] =E [t 1 (ytk 1 ) + t 2 (ytk 2 ) + + t p ytk p
+ t tk ]
63 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
2.1.2.3. Proprietes statistiques dun AR (p)
2.1.2.3.2. Variance V (yt ) et fonction dautocovariance cov (yt ; ytk ) :
k =0:
0 = 1 1 + 2 2 + + p p + 2
= 1 1 + 2 2 + + p p + 2
0 1 2 p 2
= 1 + 2 + + p +
0 0 0 0 0
2
1 = 1 1 + 2 2 + + p p +
0
i
avec i est le coefficient dautocorrelation defini par i = 0
, dou :
2
0 = Pp
1 i=1 i i
64 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
2.1.2.3. Proprietes statistiques dun AR (p)
k >0:
1 = 1 0 + 2 1 + + p 1p
2 = 1 1 + 2 0 + + p 2p
..
.
1 = 1 0 + 2 1 + + p 1p
2 = 1 1 + 2 0 + + p 2p
..
.
Exemple :
Soit le modele AR(2) stationnaire suivant :
On a :
(
1 si k = 0
k = 0.1k 1 + 0.2k 2 +
0 si k > 0
66 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
2.1.2.3. Proprietes statistiques dun AR (p)
I Variance V (yt ) :
0 = 0.11 + 0.22 + 1
0 1 2 1
= 0.1 + 0.2 +
0 0 0 0
1
1 = 0.11 + 0.22 +
0
dou :
1
0 =
1 0.11 0.22
67 / 150
2. Representation
2.1. Modele Autoregressif
2.1.2. Modele Autoregressif dordre p
2.1.2.3. Proprietes statistiques dun AR (p)
2.1.2.3.2. Variance V (yt ) et fonction dautocovariance cov (yt ; ytk ) :
I Fonction dautocovariance cov (yt ; ytk ) :
Equations de Yule - Walker :
et
0 = 1.0582
dou :
1 = 1 0 = 0.1323
2 = 2 0 = 0.2249
3 = 3 0 = 0.0489
68 / 150
2. Representation
2.1. Modele Autoregressif
SERIES e = 2 * NRND
SERIES Y = 0
SMPL @FIRST+1 @LAST
Y = 0.2 + 0.5 * Y( -1 ) + e
69 / 150
2. Representation
2.1. Modele Autoregressif
2.1.3. Exemples de modeles AR
SERIES e = 2 * NRND
SERIES Y = 0
SMPL @FIRST+1 @LAST
Y = 0.2 + Y( -1 ) + e
70 / 150
2. Representation
2.1. Modele Autoregressif
2.1.3. Exemples de modeles AR
SERIES e = 2 * NRND
SERIES Y = 0
SMPL @FIRST+1 @LAST
Y = 0.2 + 0.9 * Y( -1 ) + e
71 / 150
2. Representation
2.1. Modele Autoregressif
2.1.3. Exemples de modeles AR
SERIES e = 2 * NRND
SERIES Y = 0
SMPL @FIRST+2 @LAST
Y = 0.3 + 0.1 * Y( -1 ) + 0.4 * Y( -2 ) +
e
72 / 150
2. Representation
2.1. Modele Autoregressif
2.1.3. Exemples de modeles AR
SERIES e = 2 * NRND
SERIES Y = 0
SMPL @FIRST+2 @LAST
Y = 0.3 + 0.5 * Y( -1 ) + 0.4 * Y( -2 ) +
e
73 / 150
2. Representation
74 / 150
2. Representation
2.2. Modele Moyenne Mobile
avec t WN (0,2 ) et 1 6= 0.
75 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.1. Modele Moyenne Mobile dordre 1
2.2.1.1. Formule analytique dun MA (1)
yt = + 1 Lt + t
= + (1 + 1 L) t
= + (L) t
avec (L) 1 + 1 L.
76 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.1. Modele Moyenne Mobile dordre 1
E (yt ) = E ( + 1 t1 + t )
= + 1 E (t1 ) + E (t )
| {z } | {z }
0 0
77 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.1. Modele Moyenne Mobile dordre 1
2.2.1.2. Proprietes statistiques dun MA (1)
V (yt ) = V ( + 1 t1 + t )
= 12 V (t1 ) + V (t )
| {z } | {z }
2 2
= 12 2 + 2
= 1 + 12 2
78 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.1. Modele Moyenne Mobile dordre 1
2.2.1.2. Proprietes statistiques dun MA (1)
79 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.1. Modele Moyenne Mobile dordre 1
2.2.1.2. Proprietes statistiques dun MA (1)
k =1:
cov (yt ; yt1 ) = E (t t1 ) +1 E (t t2 ) +1 E (t1 t1 ) +12 E (t1 t2 )
| {z } | {z } | {z } | {z }
0 0 2 0
= 1 2
k >1:
cov (yt ; ytk ) = E (t tk ) +1 E (t tk 1 ) +1 E (t1 tk ) +12 E (t1 tk 1 )
| {z } | {z } | {z } | {z }
0 0 0 0
=0
80 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.1. Modele Moyenne Mobile dordre 1
2.2.1.2. Proprietes statistiques dun MA (1)
2 si k = 1
1
cov (yt ; ytk ) = , t = 1,2, ,T et k 6= 0
0 si k > 1
81 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.1. Modele Moyenne Mobile dordre 1
Rappel :
82 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.1. Modele Moyenne Mobile dordre 1
2.2.1.3. Condition de stationnarite dun MA(1)
1. E (yt ) = , t = 1,2, ,T
2. V (yt ) = 1 + 12 2 , t = 1,2, ,T
(
1 2 si k = 1
3. cov (yt ; ytk ) = , t = 1,2, ,T et k 6= 0
0 si k > 1
Il en resulte quun modele MA (1) est toujours stationnaire.
83 / 150
2. Representation
2.2. Modele Moyenne Mobile
avec t WN (0,2 ) et q 6= 0.
84 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.1. Formule analytique dun MA (q)
yt = + 1 Lt + 2 L2 t + + q Lq t + t
yt = + 1 + 1 L + 2 L2 + + q Lq t
yt = + (L) t
avec (L) 1 + 1 L + 2 L2 + + q Lq .
85 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
86 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
= 1 + 12 + 22 + + q 2 2
87 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
88 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
89 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
q = 2 et k = 1 :
90 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
q = 2 et k = 2 :
91 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
q = 2 et k = 3 :
q = 2 et k > 2 :
cov (yt ; ytk ) = 0
92 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
Modele MA (2)
(1 + 2 1 ) 2 si k = 1
cov (yt ; ytk ) = 2 2 si k = 2 , t = 1,2, ,T et k 6= 0
0 si k > 2
93 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
q = 3 et k = 1 :
cov (yt ; yt1 ) =E (t t1 ) + 1 E (t t2 ) + 2 E (t t3 ) 3 E (t t4 )
+1 E (t1 t1 ) + 12 E (t1 t2 ) + 1 2 E (t1 t3 ) + 1 3 E (t1 t4 )
+2 E (t2 t1 ) + 2 1 E (t2 t2 ) + 22 E (t2 t3 ) + 2 3 E (t2 t4 )
+3 E (t3 t1 ) + 3 1 E (t3 t2 ) + 3 2 E (t3 t3 ) + 32 E (t3 t4 )
94 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
q = 3 et k = 2 :
cov (yt ; yt2 ) =E (t t2 ) + 1 E (t t3 ) + 2 E (t t4 ) + 3 E (t t5 )
+1 E (t1 t2 ) + 12 E (t1 t3 ) + 1 2 E (t1 t4 ) + 1 3 E (t1 t5 )
+2 E (t2 t2 ) + 2 1 E (t2 t3 ) + 22 E (t2 t4 ) + 2 3 E (t2 t5 )
+3 E (t3 t2 ) + 3 1 E (t3 t3 ) + 3 2 E (t3 t4 ) + 32 E (t3 t5 )
95 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
q = 3 et k = 3 :
cov (yt ; yt3 ) =E (t t3 ) + 1 E (t t4 ) + 2 E (t t5 ) + 3 E (t t6 )
+1 E (t1 t3 ) + 12 E (t1 t4 ) + 1 2 E (t1 t5 ) + 1 3 E (t1 t6 )
+2 E (t2 t3 ) + 2 1 E (t2 t4 ) + 22 E (t2 t5 ) + 2 3 E (t2 t6 )
+3 E (t3 t3 ) + 3 1 E (t3 t4 ) + 3 2 E (t3 t5 ) + 32 E (t3 t6 )
=3 E (t3 t3 )
=3 2
96 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
q = 3 et k = 4 :
cov (yt ; yt4 ) =E (t t4 ) + 1 E (t t5 ) + 2 E (t t6 ) + 3 E (t t7 )
+1 E (t1 t4 ) + 12 E (t1 t5 ) + 1 2 E (t1 t6 ) + 1 3 E (t1 t7 )
+2 E (t2 t4 ) + 2 1 E (t2 t5 ) + 22 E (t2 t6 ) + 2 3E (t2 t7 )
+3 E (t3 t4 ) + 3 1 E (t3 t5 ) + 3 2 E (t3 t6 ) + 32 E (t3 t7 )
=0
q = 3 et k > 3 :
97 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
Modele MA (3)
(1 + 2 1 + 3 2 ) 2 si k = 1
(2 + 3 1 ) 2 si k = 2
cov (yt ; ytk ) = , t = 1,2, ,T et k 6= 0
2
3 si k = 3
0 si k > 3
98 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.2. Proprietes statistiques dun MA (q)
Modele MA (q)
2 qk
P
si k q
i=0 i k +i
cov (yt ; ytk ) = , t = 1,2, ,T , k 6= 0 et 0 = 1
0 si k > q
99 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
Rappel :
100 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.2. Modele Moyenne Mobile dordre q
2.2.2.3. Condition de stationnarite dun MA(q)
1. E (yt ) = , t = 1,2, ,T
2. V (yt ) = 1 + 12 + 22 + + q2 2 , t = 1,2, ,T
2 Pqk
i=0 i k +i
si k q
3. cov (yt ; ytk ) = t = 1,2, ,T
0 si k > q
Il en resulte quun modele MA (q) est toujours stationnaire.
101 / 150
2. Representation
2.2. Modele Moyenne Mobile
SERIES e = 2 * NRND
SERIES Y = 0
Y = 0.8 * e( -1 ) + e
102 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.3. Exemples de modeles MA
SERIES e = 2 * NRND
SERIES Y = 0
Y = -0.5 * e( -1 ) + e
103 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.3. Exemples de modeles MA
SERIES e = 2 * NRND
SERIES Y = 0
Y = 0.8 * e( -1 ) + 0.3 * e( -2 ) + e
104 / 150
2. Representation
2.2. Modele Moyenne Mobile
2.2.3. Exemples de modeles MA
SERIES e = 2 * NRND
SERIES Y = 0
Y = -0.5 * e( -1 ) + 0.3 * e( -2 ) + e
105 / 150
2. Representation
106 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
107 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.1. Modele Autoregressif Moyenne Mobile dordre (1,1)
2.3.1.1. Formule analytique dun ARMA(1,1)
yt 1 yt1 = + 1 t1 + t
yt 1 Lyt = + 1 Lt + t
(1 1 L) yt = + (1 + 1 L) t
(L) yt = + (L) t
108 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
Le modele ARMA(1,1) est le melange dun modele AR(1) qui nest pas tou-
jours stationnaire et dun modele MA(1) qui est au contraire toujours station-
naire. Par consequent, la condition de stationnarite dun modele ARMA(1,1)
provient de celle de sa partie autoregressive AR(1), en loccurrence |1 | < 1.
109 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.1. Modele Autoregressif Moyenne Mobile dordre (1,1)
yt = + 1 yt1 + 1 t1 + t
E (yt ) = E ( + 1 yt1 + 1 t1 + t )
| {z }
= + 1
(1 1 ) =
dou :
=
1 1
110 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.1. Modele Autoregressif Moyenne Mobile dordre (1,1)
2.3.1.3 Proprietes statistiques dun ARMA(1,1)
yt = + 1 yt1 + 1 t1 + t
V (yt ) = V ( + 1 yt1 + 1 t1 + t )
| {z }
2
111 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.1. Modele Autoregressif Moyenne Mobile dordre (1,1)
2.3.1.3 Proprietes statistiques dun ARMA(1,1)
dou :
2 = 12 2 + 12 2 + 2 + 21 1 2
Enfin :
1 + 21 1 + 12
2 = 2
1 12
112 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.1. Modele Autoregressif Moyenne Mobile dordre (1,1)
2.3.1.3 Proprietes statistiques dun ARMA(1,1)
yt = + 1 yt1 + 1 t1 + t
E (yt ) = + 1 E (yt1 ) +1 E (t1 ) + E (t )
| {z } | {z } | {z } | {z }
0 0
yt = 1 (yt1 ) + 1 t1 + t
113 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.1. Modele Autoregressif Moyenne Mobile dordre (1,1)
2.3.1.3 Proprietes statistiques dun ARMA(1,1)
k = E [(yt ) (ytk )]
= E {[1 (yt1 ) + 1 t1 + t ][ytk ]}
= E [1 (yt1 ) (ytk ) + 1 t1 (ytk ) + t (ytk )]
= 1 E [(yt1 ) (ytk )] + 1 E {[t1 E (t1 )][ytk ]}
| {z }
0
114 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.1. Modele Autoregressif Moyenne Mobile dordre (1,1)
2.3.1.3 Proprietes statistiques dun ARMA(1,1)
= 1 1
= 1 k 1
115 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
avec t WN 0,2 et p 6= 0 et q 6= 0.
116 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.2. Modele Autoregressif Moyenne Mobile dordre (p,q)
2.3.2.1 Formule analytique dun ARMA(p,q)
117 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.2. Modele Autoregressif Moyenne Mobile dordre (p,q)
2.3.2.1 Formule analytique dun ARMA(p,q)
Remarque :
118 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.2 Modele Autoregressif Moyenne Mobile dordre (p,q)
Le modele ARMA(p,q) est le melange dun modele AR(p) qui nest pas tou-
jours stationnaire et dun modele MA(q) qui est au contraire toujours station-
naire. Par consequent, la condition de stationnarite dun modele ARMA(p,q)
provient de celle de sa partie autoregressive AR(p), en loccurrence |zi | >
1 , i = 1,2, ,p...
119 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.2 Modele Autoregressif Moyenne Mobile dordre (p,q)
= + 1 + + p
dou :
=
1 1 2 p
120 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.2 Modele Autoregressif Moyenne Mobile dordre (p,q)
2.3.2.3. Proprietes statistiques dun ARMA(p,q)
2.3.2.3.1. Variance non conditionnelle V (yt )
Sous lhypothese de stationnarite de yt , on note V (yt ) 2 :
dou :
1 pi=1 i2 2
P
X
2 = Pq +2
2
i j cov (yti ; tj )
1 + j =1 j
ij
121 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.2 Modele Autoregressif Moyenne Mobile dordre (p,q)
2.3.2.3. Proprietes statistiques dun ARMA(p,q)
k = 1 k 1 + 2 k 2 + + p k p
122 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
SERIES e = 2 * NRND
SERIES Y = 0
SMPL @FIRST+1 @LAST
Y = 0.2 + 0.5 * Y( -1 ) + 0.8 * e( -1 ) +
e
123 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.3. Exemples de modeles ARMA
SERIES e = 2 * NRND
SERIES Y = 0
SMPL @FIRST+2 @LAST
Y = 0.2 + 0.5 * Y( -1 ) + 0.8 * e( -1 ) +
0.2 * e( -2 ) + e
124 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.3. Exemples de modeles ARMA
SERIES e = 2 * NRND
SERIES Y = 0
SMPL @FIRST+2 @LAST
Y=
0.2+0.5*Y(-1)+0.1*Y(-2)+0.8*e(-1)+e
125 / 150
2. Representation
2.3. Modele Autoregressif Moyenne Mobile
2.3.3. Exemples de modeles ARMA
SERIES e = 2 * NRND
SERIES Y = 0
SMPL @FIRST+2 @LAST
Y=0.2+0.5*Y(-1)+0.1*Y(-2)+0.8*e(-1)+0.2*e(-
2)+e
126 / 150
2. Representation
127 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
1
P 1 (x ) = = Q(x ) = b0 + b1 x + b2 x 2 + + bm x m
P (x )
Pm
Lexistence du polynome Q(x ) suppose, en outre, que la somme i=0 bi x i
est convergente.
128 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.2.1. Stationnarite et inversibilite des processus
+
X
yt = i ti = t + 1 t1 + 2 t2 +
i=0
avec 0 = 1.
Intuitivement, limpact du choc ti sur le processus yt , mesure par le co-
efficient i (i = 0; 1; 2; ), doit sattenuer a mesure que ce choc seloigne
dans le temps. Ceci garantie la convergence de la somme +
P
i=0 i ti et donc
linversibilite du polynome retard associe a yt .
129 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.2.1. Stationnarite et inversibilite des processus
+
X
t = i yti = yt + 1 yt1 + 2 yt2 +
i=0
avec 0 = 1.
Intuitivement, la contribution de lobservation yti dans la reconstruction du
choc t , mesuree par le coefficient i (i = 0; 1; 2; ), doit se reduire a mesure
que cette observation seloigne dans le temps. Ceci garantie la convergence
de la somme +
P
i=0 i yti et donc linversibilite du polynome retard associe
a t .
130 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
yt = 1 yt1 + t (13)
ou encore :
yt = t + 1 t1 + 12 t2 + + 1n ytn
131 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.4.2. Representation MA() dun AR(p)
132 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.4.2. Representation MA() dun AR(p)
En utilisant des polynomes retard, on ecrit (13) comme suit :
yt = 1 yt1 + t
yt (1 1 L) = t
(L)yt = t (15)
et (14) comme suit :
yt = t + 1 t1 + 21 t2 + 31 t3 +
yt = 1 + 1 L + 21 L2 + 31 L3 + t
En posant i = i1 (avec i = 1; 2; ) :
yt = 1 + 1 L + 2 L2 + 3 L3 + t
yt = (L)t (16)
On peut montrer que les ecritures (15) et (16) sont equivalentes en verifiant que le
polynome retard (L) est simplement linverse du polynome retard (L), i.e. :
(L) = 1 (L)
133 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.4.2. Representation MA() dun AR(p)
Soit la division suivant les puissances croissantes de 1 par 1 1 L :
1 1 1 L
1 1 L 1 + 1 L + 21 L2 + 31 L3 +
0 +1 L
+1 L 21 L2
0 +21 L2
+21 L2 31 L3
0 +31 L3
..
.
dou
1
= 1 + 1 L + 21 L2 + 31 L3 +
1 1 L
En posant i1 = i (avec i = 1; 2; ), on obtient :
1
= 1 + 1 L + 2 L2 + 3 L3 +
1 1 L
Finalement :
1 (L) = (L)
134 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.4.2. Representation MA() dun AR(p)
Recapitulatif :
135 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.4.2. Representation MA() dun AR(p)
Generalisation :
136 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
yt = 1 t1 + t (17)
ou encore :
137 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.4.3. Representation AR() dun MA(q)
138 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.4.3. Representation AR() dun MA(q)
En utilisant des polynomes retard, on ecrit (17) comme suit :
yt = 1 t1 + t
yt = (1 + 1 L) t
yt = (L)t (19)
t = (1 + 1 L + 2 L2 + 3 L3 + )yt
(L)yt = t (20)
On peut montrer que les ecritures (19) et (20) sont equivalentes en verifiant
que le polynome retard (L) est simplement linverse du polynome retard
(L), i.e. :
(L) = 1 (L)
139 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.4.3. Representation AR() dun MA(q)
Considerons la division suivant les puissances croissantes de 1 par 1 + 1 L :
1 1 + 1 L
1 +1 L 1 1 L + 12 L2 13 L3 +
0 1 L
1 L 12 L2
0 +12 L2
+12 L2 +13 L3
0 13 L3
..
.
dou
1
= 1 1 L + 12 L2 13 L3 +
1 + 1 L
En posant i = (1)i 1i , on obtient :
1
= 1 1 L 2 L2 3 L3 +
1 + 1 L
Finalement :
1 (L) = (L)
140 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.4.3. Representation AR() dun MA(q)
Recapitulatif :
141 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
2.4.3. Representation AR() dun MA(q)
Generalisation :
142 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
yt = 1 yt1 + 1 t1 + t
yt 1 yt1 = 1 t1 + t
ou encore :
yt (1 1 L) = (1 + 1 L)t
143 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
1 + 1 L
= 1 + 1 L + 2 L2 + 3 L3 +
1 1 L
yt = 1 + 1 L + 2 L2 + 3 L3 + t
144 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
Si le processus yt est inversible, i.e. |1 | < 1, alors le polynome 1 + 1 L est
inversible et lon peut ecrire :
1 1 L
yt = t
1 + 1 L
1 1 L 2 L2 3 L3 yt = t
1 + 1 L
ARMA(1,1) stationnaire yt = t
1 1 L
yt = (1 + 1 L + 2 L2 + )t
yt = 1 t1 + 2 t2 + + t MA()
1 1 L
ARMA(1,1) inversible yt = t
1 + 1 L
(1 1 L 2 L2 )yt = t
yt 1 yt1 2 yt2 = t
yt = 1 yt1 + 2 yt2 + + t AR()
146 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
Generalisation :
p
X q
X
ARMA(p,q) yt = i yti + i ti + t
i=1 i=1
Xp q
X
(1 i Li )yt = (1 + i Li )t
i=1 i=1
(L)yt = (L)t
(L)
ARMA(p,q) stationnaire yt = t
(L)
yt = (L)t
yt = (1 + 1 L + 2 L2 + )t
yt = 1 t1 + 2 t2 + + t MA()
(L)
ARMA(p,q) inversible yt = t
(L)
(L)yt = t
(1 1 L 2 L2 )yt = t
yt 1 yt1 2 yt2 = t
yt = 1 yt1 + 2 yt2 + + t AR()
147 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
148 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
Remarque : Processus non-centres (suite)
Lune des proprietes de loperateur retard L est quil na aucun effet sur un
terme constant , i.e. L = . Dans ce cas precis, loperateur retard L se
comporte exactement comme lelement neutre de la multiplication, a savoir
le nombre 1. Etudions la multiplication de la constante par le polynome
retard (L) = 1 + 1 L + 2 L2 + + n Ln :
(L) = (1 + 1 L + 2 L2 + + n Ln )
= + 1 L + 2 L2 + + n Ln
= + 1 + 2 + + n
= (1 + 1 + 2 + + n )
= (1)
149 / 150
2. Representation
2.4. Liens entre les modeles AR, MA et ARMA
Synthese :
150 / 150