Vous êtes sur la page 1sur 145

Pratique de l’économétrie des séries chronologiques

Partie 2 : Analyse des propriétés stochastiques

Prof. Soussi Noufail Outmane

Université Mohammed V Rabat


FSJES Salé

Septembre 2019
Sommaire

1 Position du problème 5 Processus TS et DS


Présentation Racine unitaire
Objectifs recherchés Analyse du processus TS
2 Notion de la stationnarité Analyse du processus DS
Processus Stochastique 6 Spurious Regression
Stationnarité Importance de la stationnarité
3 Processus Stationnaires Phénomène de la régression
Processus purement fallacieuse
stationnaire 7 Test de Racine unitaire
Processus stationnaire de Test de non-stationnarité
second ordre Stratégie du test
4 Processus Non-stationnaires
La Non-stationnarité
Marche aléatoire sans dérive
Marche aléatoire avec dérive
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 2 / 79
Sommaire

1 Position du problème 5 Processus TS et DS


Présentation
Objectifs recherchés 6 Spurious Regression

2 Notion de la stationnarité 7 Test de Racine unitaire

3 Processus Stationnaires

4 Processus Non-stationnaires

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 3 / 79


Position du problème
Pour présenter des concepts théoriques de l’analyse des séries
chronologiques, il est utile d’envisager à titre d’exemple plusieurs séries
temporelles macroéconomiques (PIB, Consommation des ménages) et
financières (Dividendes, et profit) en milliards de Dollar USA.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 4 / 79


Position du problème
Pour présenter des concepts théoriques de l’analyse des séries
chronologiques, il est utile d’envisager à titre d’exemple plusieurs séries
temporelles macroéconomiques (PIB, Consommation des ménages) et
financières (Dividendes, et profit) en milliards de Dollar USA.
Example (Données américaines trimestrielles. 1970I − 1991IV )

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 4 / 79


Position du problème
Graphiquement
Les représentations graphiques de ces données sont présentées comme
suit :

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 5 / 79


Position du problème
Graphiquement
Les représentations graphiques de ces données sont présentées comme
suit :

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 5 / 79


Position du problème
Graphiquement
Les représentations graphiques de ces données sont présentées comme
suit :

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 5 / 79


Position du problème
Graphiquement
Les représentations graphiques de ces données sont présentées comme
suit :

Remarque importante
Pourquoi ces séries se rassemblent -elles (macro) et (Fina) ?
Qui a généré ces courbes ? Et avec quel mécanisme ?
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 5 / 79
Objectifs

Modéliser les paramètres de la partie aléatoire d’une série


temporelle.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 6 / 79


Objectifs

Modéliser les paramètres de la partie aléatoire d’une série


temporelle.
Comprendre la dynamique d’une chronique

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 6 / 79


Objectifs

Modéliser les paramètres de la partie aléatoire d’une série


temporelle.
Comprendre la dynamique d’une chronique
Dans la première partie du cours nous avons vu que :

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 6 / 79


Objectifs

Modéliser les paramètres de la partie aléatoire d’une série


temporelle.
Comprendre la dynamique d’une chronique
Dans la première partie du cours nous avons vu que :

Résultat 1 On aimerait maintenant aller plus loin et proposer des


modèles (mathématiques) capable de reproduire le «
comportement réel » des séries chronologiques de façon
analogue.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 6 / 79


Objectifs

Modéliser les paramètres de la partie aléatoire d’une série


temporelle.
Comprendre la dynamique d’une chronique
Dans la première partie du cours nous avons vu que :

Résultat 1 On aimerait maintenant aller plus loin et proposer des


modèles (mathématiques) capable de reproduire le «
comportement réel » des séries chronologiques de façon
analogue.
Résultat 2 Cela sans doute aura un impact significatif sur les
prévisions

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 6 / 79


Vocabulaire

Processus stochastiques
Stationnarité
Processus purement stationnaire
Processus purement non stationnaires
Variables intégrées d’ordre p
Tendances déterministes et stochastiques
Modèles à processus aléatoires
Tests de racine unitaire (test de Non-stationnarité)
Cointégration

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 7 / 79


Sommaire

1 Position du problème 5 Processus TS et DS

2 Notion de la stationnarité 6 Spurious Regression


Processus Stochastique
Stationnarité 7 Test de Racine unitaire

3 Processus Stationnaires

4 Processus Non-stationnaires

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 8 / 79


Processus aléatoire

Definition (Processus)
Est une collection de variables aléatoire YT indexées dans le temps.

Y = {YT } = {Y1 , Y2 , Y3 , ..., YT }

Yt est alors une réalisation du processus stochastique {YT }

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 9 / 79


Processus aléatoire

Definition (Processus)
Est une collection de variables aléatoire YT indexées dans le temps.

Y = {YT } = {Y1 , Y2 , Y3 , ..., YT }

Yt est alors une réalisation du processus stochastique {YT }

Dans quel sens pouvons-nous considérer le PIB comme un


processus stochastique ?

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 9 / 79


Processus aléatoire

Definition (Processus)
Est une collection de variables aléatoire YT indexées dans le temps.

Y = {YT } = {Y1 , Y2 , Y3 , ..., YT }

Yt est alors une réalisation du processus stochastique {YT }

Dans quel sens pouvons-nous considérer le PIB comme un


processus stochastique ?
PIB
Considérons par exemple le PIB pour 1970-I (2,8728 trillions $).

En théorie, ce chiffre aurait pu être n’importe quel nombre, en fonction


du climat économique et politique qui prévalait.
Ce chiffre est une réalisation particulière de toutes ces possibilités.
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 9 / 79
Processus aléatoire

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 10 / 79


Processus aléatoire

PIB est un processus stochastique


Nous pouvons dire que le PIB est un processus stochastique et les
valeurs réelles sont des réalisations particulières de ce processus.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 10 / 79


Processus aléatoire

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 11 / 79


Stationnarité au sens strict

Definition ( La stationnarité)
Est un concept clé pour la validité d’une régression sur séries
temporelles. D’un point de vue statistique, la stationnarité suppose
que le passé est comparable au présent et au futur.
Ainsi, une série chronologique est stationnaire, au sens strict, si sa
distribution de probabilité ne change pas au cours du temps.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 12 / 79


Stationnarité au sens strict

Definition ( La stationnarité)
Est un concept clé pour la validité d’une régression sur séries
temporelles. D’un point de vue statistique, la stationnarité suppose
que le passé est comparable au présent et au futur.
Ainsi, une série chronologique est stationnaire, au sens strict, si sa
distribution de probabilité ne change pas au cours du temps.

Definition (Processus stationnaire)


Un processus est stationnaire si celui-ci n’a ni trend, ni saisonnalité et
de ce fait, fluctue autour d’une moyenne constante.
Il apparait donc que la stationnarité est une exigence qui assure
l’utilisation du modèle en dehors de la période sur laquelle il a été
estimé.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 12 / 79


Stationnarité

Definition (Processus stationnaire)


Un processus stochastique est dit stationnaire si sa moyenne et sa
variance sont constantes dans le temps et la valeur de la covariance
entre les deux périodes de temps ne dépend pas du temps auquel la
covariance est calculée.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 13 / 79


Stationnarité

Definition (Processus stationnaire)


Un processus stochastique est dit stationnaire si sa moyenne et sa
variance sont constantes dans le temps et la valeur de la covariance
entre les deux périodes de temps ne dépend pas du temps auquel la
covariance est calculée.

Moyenne du processus Est constante


E(Xt ) = µ
Variance du processus Est invariable dans le temps
V ar(Xt ) = E(Xt − µ)2 = σ 2
Covariance du processus Ne dépend que de la distance entre deux
points dans le temps et non d’une date particulière
γs = E[(Xt − µ)(Xt−s − µ)]
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 13 / 79
Stationnarité

Example
Supposons que nous déplacions l’origine du 1970.I au 1975.I. le PIB
est dit stationnaire si la moyenne, la variance et la covariance doivent
être identiques.
C’est-à-dire, elles ne varient pas dans le temps (pour divers
retards / échantillons).

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 14 / 79


Stationnarité

Example
Supposons que nous déplacions l’origine du 1970.I au 1975.I. le PIB
est dit stationnaire si la moyenne, la variance et la covariance doivent
être identiques.
C’est-à-dire, elles ne varient pas dans le temps (pour divers
retards / échantillons).

Attention
Si une série chronologique n’est pas stationnaire, ( une faible
stationnarité ) elle représente une moyenne variable dans le temps, ou
une variance fluctuante dans le temps ou les deux.

Pourquoi les séries temporelles stationnaires sont-elles aussi


importante ?
Comment savoir si une série est stationnaire ?
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 14 / 79
Sommaire

1 Position du problème 5 Processus TS et DS

2 Notion de la stationnarité 6 Spurious Regression

3 Processus Stationnaires 7 Test de Racine unitaire


Processus purement
stationnaire
Processus stationnaire de
second ordre

4 Processus Non-stationnaires

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 15 / 79


Bruit Blanc

Un type particulier de processus stochastiques stationnaires : c’est un


processus purement aléatoires nommé processus bruit blanc.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 16 / 79


Bruit Blanc

Un type particulier de processus stochastiques stationnaires : c’est un


processus purement aléatoires nommé processus bruit blanc.
Definition
Un processus est dit de bruit blanc si sa moyenne est nulle, sa
variance est constante, et si la covariance n’est pas corrélée
sériellement.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 16 / 79


Bruit Blanc

Un type particulier de processus stochastiques stationnaires : c’est un


processus purement aléatoires nommé processus bruit blanc.
Definition
Un processus est dit de bruit blanc si sa moyenne est nulle, sa
variance est constante, et si la covariance n’est pas corrélée
sériellement.

Example (Hypothèse fondamentale du modèle de régression simple )


Rappelons-le que le terme aléatoire du modèle classique est supposé
être un processus de bruit blanc ; noté : ut → N ID(0; σ 2 )
C’est-à-dire, ut est distribué indépendamment et identiquement comme
une distribution normale avec une moyenne nulle et une variance
constante.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 16 / 79


Bruit Blanc

Illustration numérique
On génère sur le logiciel Eviews un workfile fictif. une échantillon de
600 observations mensuelles est pris en considération. (1970 − 2019)
On génère un terme aléatoire de bruit blanc (genr u=nrnd).

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 17 / 79


Bruit Blanc

Illustration numérique
On génère sur le logiciel Eviews un workfile fictif. une échantillon de
600 observations mensuelles est pris en considération. (1970 − 2019)
On génère un terme aléatoire de bruit blanc (genr u=nrnd).
la représentation graphique de cette variable est la suivante :

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 17 / 79


Stationnarité de second ordre

Definition (Stationnaire en moyenne)


Un processus X est dit stationnaire en moyenne, lorsque la moyenne de
chacune des variables de la suite (processus)est identique

E(Xt ) = E(X0 ) = µX

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 18 / 79


Stationnarité de second ordre

Definition (Stationnaire en moyenne)


Un processus X est dit stationnaire en moyenne, lorsque la moyenne de
chacune des variables de la suite (processus)est identique

E(Xt ) = E(X0 ) = µX

Definition (Stationnaire en variance)


Un processus X est dit stationnaire en variance, lorsque la variance de
chacune des variables de la suite (processus)est identique
2
V ar(Xt ) = V ar(X0 ) = σX

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 18 / 79


Stationnarité de second ordre

Definition (Stationnaire de second ordre)


Un processus X = (Xt )t∈Z est dit stationnaire de second ordre (ou
faiblement stationnaire), si et seulement si :
(i) E(Xt ) = µ, ∀t ∈ Z
(ii) V ar(Xt ) = E(Xt − µ)2 = σ 2
2
(iii) γs = E[(Xt − µ)(Xt−s − µ)] V ar(Xt ) = V ar(X0 ) = σX
Dans cette définition, la propriété (i) exprime la stationnarité en
moyenne, (ii) assure que la variance de chaque variable est finie et (iii)
précise ce que l’on entend par invariance de la structure de covariance.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 19 / 79


Stationnarité de second ordre

Definition (Stationnaire de second ordre)


Un processus X = (Xt )t∈Z est dit stationnaire de second ordre (ou
faiblement stationnaire), si et seulement si :
(i) E(Xt ) = µ, ∀t ∈ Z
(ii) V ar(Xt ) = E(Xt − µ)2 = σ 2
2
(iii) γs = E[(Xt − µ)(Xt−s − µ)] V ar(Xt ) = V ar(X0 ) = σX
Dans cette définition, la propriété (i) exprime la stationnarité en
moyenne, (ii) assure que la variance de chaque variable est finie et (iii)
précise ce que l’on entend par invariance de la structure de covariance.

Remarque pratique
L’importance de la stationnarité du 2nd ordre tient aux problèmes de
régression. On se limite souvent (pratique) à la vérification des trois
propriétés et non pas aux propriétés probabilistes du processus.
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 19 / 79
Processus Stochastique Stationnaire

Important
Dans la suite, nous utiliserons le terme "stationnaire" pour un
processus stationnaire de second ordre et nous nous
cantonnerons simplement à ce type de stationnarité.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 20 / 79


Sommaire

1 Position du problème 5 Processus TS et DS

2 Notion de la stationnarité 6 Spurious Regression

3 Processus Stationnaires 7 Test de Racine unitaire

4 Processus Non-stationnaires
La Non-stationnarité
Marche aléatoire sans dérive
Marche aléatoire avec dérive

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 21 / 79


La Non-stationnarité
Présentation

Ce sont les séries les plus rencontrées dans la pratique.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 22 / 79


La Non-stationnarité
Présentation

Ce sont les séries les plus rencontrées dans la pratique.

Une chronique ne vérifiant pas les trois hypothèses de stationnarité, est


dite non-stationnaire.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 22 / 79


La Non-stationnarité
Présentation

Ce sont les séries les plus rencontrées dans la pratique.

Une chronique ne vérifiant pas les trois hypothèses de stationnarité, est


dite non-stationnaire.

Il faudra identifier la source de la non-stationnarité

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 22 / 79


La Non-stationnarité
Présentation

Ce sont les séries les plus rencontrées dans la pratique.

Une chronique ne vérifiant pas les trois hypothèses de stationnarité, est


dite non-stationnaire.

Il faudra identifier la source de la non-stationnarité

Il faudra après stationnariser cette série avant de procéder à son


estimation.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 22 / 79


La Non-stationnarité
Présentation

Ce sont les séries les plus rencontrées dans la pratique.

Une chronique ne vérifiant pas les trois hypothèses de stationnarité, est


dite non-stationnaire.

Il faudra identifier la source de la non-stationnarité

Il faudra après stationnariser cette série avant de procéder à son


estimation.

La méthode de stationnarisation dépend justement de la source de


non-stationnarité.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 22 / 79


La Non-stationnarité
Présentation

Ce sont les séries les plus rencontrées dans la pratique.

Une chronique ne vérifiant pas les trois hypothèses de stationnarité, est


dite non-stationnaire.

Il faudra identifier la source de la non-stationnarité

Il faudra après stationnariser cette série avant de procéder à son


estimation.

La méthode de stationnarisation dépend justement de la source de


non-stationnarité.

L’objectif : est d’identifier les sources de non-stationnarité


Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 22 / 79
Modèle de marche aléatoire
Random Walk March (RWM)
Principal instrument de la modélisation des variations boursières
depuis plus de 150 dernières années.

Efficience des marchés boursiers : Il est souvent dit que les prix
des actifs, tels que les cours des actions ou les taux de change, suivent
une marche aléatoire ; autrement dit, ils sont non stationnaires.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 23 / 79


Modèle de marche aléatoire
Random Walk March (RWM)
Principal instrument de la modélisation des variations boursières
depuis plus de 150 dernières années.

Efficience des marchés boursiers : Il est souvent dit que les prix
des actifs, tels que les cours des actions ou les taux de change, suivent
une marche aléatoire ; autrement dit, ils sont non stationnaires.

Cours de clôture, Action Maroc Telecom, Données journalières.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 23 / 79


Marche aléatoire sans dérive
Definition (sans dérive, avec rupture)
Supposons que ut est un terme d’erreur gaussien ou bruit blanc.
Le processus Y est un processus qui suit une marche aléatoire sans
dérive lorsque :
Yt = Yt−1 + ut
Ce qui montre que la valeur de Y à l’instant (t) est égale à sa valeur
au temps (t − 1) plus un choc aléatoire normalement distribué.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 24 / 79


Marche aléatoire sans dérive
Definition (sans dérive, avec rupture)
Supposons que ut est un terme d’erreur gaussien ou bruit blanc.
Le processus Y est un processus qui suit une marche aléatoire sans
dérive lorsque :
Yt = Yt−1 + ut
Ce qui montre que la valeur de Y à l’instant (t) est égale à sa valeur
au temps (t − 1) plus un choc aléatoire normalement distribué.

Exemple
Les croyants de l’hypothèse des marchés de capitaux efficients
soutiennent l’idée : que les cours des actions sont essentiellement
aléatoire et donc il n’y a pas de place pour une spéculation rentable
dans le marché boursier.
Si l’on pouvait prédire le prix de demain sur la base des prix
d’aujourd’hui, nous serions tous des millionnaires.
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 24 / 79
Marche aléatoire sans dérive

Exemple Numérique
On considère le processus ci-dessous, avec ut → N id(0, 1)

Yt = 0.05Yt−1 + ut

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 25 / 79


Marche aléatoire sans dérive

Exemple Numérique
On considère le processus ci-dessous, avec ut → N id(0, 1)

Yt = 0.05Yt−1 + ut

On peut dire
Généralement, c’est typiquement le cas des séries financières

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 25 / 79


Marche aléatoire sans dérive

Definition (Source de non-stationnarité)


Le processus Y est une marche aléatoire sans dérive :

Yt = Yt−1 + ut

Si le processus commence à Y0 alors :

Y1 = Y0 + u1

Y2 = Y1 + u2
Y2 = Y0 + u1 + u2
... X
Yt = Y0 + ut

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 26 / 79


Marche aléatoire sans dérive
Source de non-stationnarité
En analysant les deux moments E(Yt ) et V ar(Yt ) du processus :
X
Yt = Y0 + ut

Alors : X
E(Yt ) = E(Y0 + ut ) = Y0
Et : X
V ar(Yt ) = V ar(Y0 + ut ) = t × var(Y0 ) = tσ 2

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 27 / 79


Marche aléatoire sans dérive
Source de non-stationnarité
En analysant les deux moments E(Yt ) et V ar(Yt ) du processus :
X
Yt = Y0 + ut

Alors : X
E(Yt ) = E(Y0 + ut ) = Y0
Et : X
V ar(Yt ) = V ar(Y0 + ut ) = t × var(Y0 ) = tσ 2

Conclusions
Pour E(Yt ) : L’espérance mathématique ne dépend pas du
temps, vérifiant la 1ère condition de stationnarité.
Pour V ar(Yt ) : Comme t augmente, sa variance augmente
indéfiniment, violant ainsi la 2ème condition de stationnarité.
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 27 / 79
Marche aléatoire sans dérive

à retenir
Une marche aléatoire sans dérive est un processus stochastique
non stationnaire
Ce processus vérifie la première condition de la définition de la
faible stationnarité :(Espérance constante dans le temps)
Mais il ne satisfait pas la deuxième condition de la faible
stationnarité (variance est ici non convergente : variance non
constante dans le temps)

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 28 / 79


Marche aléatoire sans dérive

à retenir
Une marche aléatoire sans dérive est un processus stochastique
non stationnaire
Ce processus vérifie la première condition de la définition de la
faible stationnarité :(Espérance constante dans le temps)
Mais il ne satisfait pas la deuxième condition de la faible
stationnarité (variance est ici non convergente : variance non
constante dans le temps)

Supposition
L’examen d’une réalisation (analyse graphique) de ce processus ne
permet pas a priori de dire que cette variable est non stationnaire.
Cela nous oblige à proposer davantage des tests de non
stationnarité (On discutera plus tard).

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 28 / 79


Marche aléatoire sans dérive

Transformation : (Première Différence)


Il est facile de montrer que, si Yt est non stationnaire, sa première
différence est stationnaire.

Yt − Yt−1 = ∆Y = ut

Definition
La transformation par des premières différences d’une série
chronologique de marche aléatoire sans dérive est stationnaire.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 29 / 79


Marche aléatoire avec dérive

Definition (Avec dérive, avec tendance)


Supposons que ut est un terme d’erreur bruit blanc. la série Yt est dit
être une marche aléatoire avec dérive si :

Yt = δ + Yt−1 + ut

Où δ est connu comme le paramètre de la dérive (tendance).

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 30 / 79


Marche aléatoire avec dérive

Definition (Avec dérive, avec tendance)


Supposons que ut est un terme d’erreur bruit blanc. la série Yt est dit
être une marche aléatoire avec dérive si :

Yt = δ + Yt−1 + ut

Où δ est connu comme le paramètre de la dérive (tendance).

On peut dire
Généralement, c’est typiquement le cas des séries macro-économiques

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 30 / 79


Marche aléatoire avec dérive

Exemple numérique
On considère le processus ci-dessous, avec ut → N id(0, 1)

Yt = 1 + 0.05Yt−1 + ut

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 31 / 79


Marche aléatoire avec dérive

Definition (Source de non-stationnarité)


Le processus Y est une marche aléatoire avec dérive :

Yt = δ + Yt−1 + ut

Si le processus commence à Y0 alors :

Y1 = δ + Y0 + u1

Y2 = δ + Y1 + u2
Y2 = 2 × δ + Y0 + u1 + u2
....
X
Yt = tδ + Y0 + ut

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 32 / 79


Marche aléatoire avec dérive
Source de non-stationnarité
En analysant les deux moments E(Yt ) et V ar(Yt ) du processus :
X
Yt = tδ + Y0 + ut

Alors : X
E(Yt ) = E(tδ + Y0 + ut ) = Y0 + tδ
Et : X
V ar(Yt ) = V ar(tδ + Y0 + ut ) = t × var(Y0 ) = tσ 2

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 33 / 79


Marche aléatoire avec dérive
Source de non-stationnarité
En analysant les deux moments E(Yt ) et V ar(Yt ) du processus :
X
Yt = tδ + Y0 + ut

Alors : X
E(Yt ) = E(tδ + Y0 + ut ) = Y0 + tδ
Et : X
V ar(Yt ) = V ar(tδ + Y0 + ut ) = t × var(Y0 ) = tσ 2

Conclusions
Pour E(Yt ) : L’espérance mathématique dépend du temps,
violant la 1ère condition de stationnarité.
Pour V ar(Yt ) : Comme t augmente, sa variance augmente
indéfiniment, violant ainsi la 2ème condition de stationnarité.
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 33 / 79
Marche aléatoire avec dérive

Transformation : (Première Différence)


Il est facile de montrer que, si Yt est non stationnaire, sa première
différence est stationnaire.

Yt − Yt−1 = δ + ∆Y = δ + ut

Definition
La transformation par des premières différences d’une série
chronologique de marche aléatoire avec dérive est stationnaire.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 34 / 79


Sommaire

1 Position du problème 5 Processus TS et DS


Racine unitaire
2 Notion de la stationnarité Analyse du processus TS
Analyse du processus DS
3 Processus Stationnaires
6 Spurious Regression
4 Processus Non-stationnaires
7 Test de Racine unitaire

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 35 / 79


Analyse des sources de non-stationnarité

Processus déterministe vs Processus stochastique


Jusque là nous avons vu deux situations de source de non stationnarité
du processus Yt :

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 36 / 79


Analyse des sources de non-stationnarité

Processus déterministe vs Processus stochastique


Jusque là nous avons vu deux situations de source de non stationnarité
du processus Yt :
Première situation : L’origine de la non stationnarité provient
de l’inclusion de la tendance. La moyenne du processus fluctue en
fonction du temps. la non stationnarité est de type déterministe.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 36 / 79


Analyse des sources de non-stationnarité

Processus déterministe vs Processus stochastique


Jusque là nous avons vu deux situations de source de non stationnarité
du processus Yt :
Première situation : L’origine de la non stationnarité provient
de l’inclusion de la tendance. La moyenne du processus fluctue en
fonction du temps. la non stationnarité est de type déterministe.
Deuxième situation : L’origine de la non stationnarité provient
de l’accumulation des chocs stochastiques. Les chocs ut
s’accumulent au cours du temps, ce qui accroit la variance de Yt au
fur et à mesure que le temps passe. la non stationnarité peut être
de type stochastique.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 36 / 79


Racine unitaire
Definition
Soit le modèle RWM (général) suivant :

Yt = ρYt−1 + ut

Il rassemble à un modèle AR (Auto-régressif ). ρ présente les deux cas


de figure suivants.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 37 / 79


Racine unitaire
Definition
Soit le modèle RWM (général) suivant :

Yt = ρYt−1 + ut

Il rassemble à un modèle AR (Auto-régressif ). ρ présente les deux cas


de figure suivants.

Racine unitaire
Si ρ = 1 : le modèle devient un modèle de marche aléatoire sans dérive.
Et nous somme en présence de ce qu’on appelle un problème de racine
unitaire (= 1), c-à-d une situation de non stationnarité.
ρ = 1 : Non stationnarité = marche aléatoire = racine unitaire.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 37 / 79


Racine unitaire
Definition
Soit le modèle RWM (général) suivant :

Yt = ρYt−1 + ut

Il rassemble à un modèle AR (Auto-régressif ). ρ présente les deux cas


de figure suivants.

Racine unitaire
Si ρ = 1 : le modèle devient un modèle de marche aléatoire sans dérive.
Et nous somme en présence de ce qu’on appelle un problème de racine
unitaire (= 1), c-à-d une situation de non stationnarité.
ρ = 1 : Non stationnarité = marche aléatoire = racine unitaire.

Deuxième cas
Si ρ ≤ 1 la série Yt est donc stationnaire.
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 37 / 79
Analyse du processus Trend Stationnary

Définition
Nelson et Plosser (1982) définissent un processus Yt de type TS s’il
s’écrit comme :
Yt = f (t) + ut
Où f (t) est une fonction du temps (trend). Et ut est processus Bruit
blanc (stationnaire).
Le processus TS est exprimé en fonction de deux composantes
(déterministe et stochastique) de type ARMA.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 38 / 79


Analyse du processus Trend Stationnary

Définition
Nelson et Plosser (1982) définissent un processus Yt de type TS s’il
s’écrit comme :
Yt = f (t) + ut
Où f (t) est une fonction du temps (trend). Et ut est processus Bruit
blanc (stationnaire).
Le processus TS est exprimé en fonction de deux composantes
(déterministe et stochastique) de type ARMA.

Processus TS
Il est important de savoir si le trend observé est déterministe
(prévisible ou non variable) ou stochastique (imprévisible et variable).

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 38 / 79


Analyse du processus Trend Stationnary

Violation
Le Processus TS défini sous sa forme générale (f (t)) en fonction du
temps : Il est évident que le processus ne satisfait plus la définition de
la faible stationnarité : E(Y ) dépend du temps.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 39 / 79


Analyse du processus Trend Stationnary

Violation
Le Processus TS défini sous sa forme générale (f (t)) en fonction du
temps : Il est évident que le processus ne satisfait plus la définition de
la faible stationnarité : E(Y ) dépend du temps.

Forme linéaire simple de f (t)


On pose : f (t) = β0 + β1 t
Dans ce cas, on a bien vérifié précédemment que ce processus est non
stationnaire.
L’écart ∆Y entre le processus et la fonction f (t) est désormais
stationnaire :
∆Y = Yt − (β0 + β1 t) = ut
Car ut est un processus purement stationnaire (Bruit blanc).

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 39 / 79


Influence des innovations stochastiques

Lorsque un TS est affecté par un choc aléatoire


Ce choc tend à disparaître au fur et à mesure que le temps passe : c’est
la propriété de non persistance des chocs.
En cas de choc (+) ou (-) à une date donnée, toutes choses égales par
ailleurs, l’influence de ce choc a tendance à s’estomper au cours du
temps.
La variable considérée rejoint alors sa dynamique de long terme
déterminée par le Trend f (t).

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 40 / 79


Influence des innovations stochastiques

Lorsque un TS est affecté par un choc aléatoire


Ce choc tend à disparaître au fur et à mesure que le temps passe : c’est
la propriété de non persistance des chocs.
En cas de choc (+) ou (-) à une date donnée, toutes choses égales par
ailleurs, l’influence de ce choc a tendance à s’estomper au cours du
temps.
La variable considérée rejoint alors sa dynamique de long terme
déterminée par le Trend f (t).

Économiquement
Cela signifie que la trajectoire de long terme de la série est insensible
aux aléas conjoncturels.
Ou encore il y a absence de persistance des chocs, ou l’absence
d’hystérésis pour les processus TS.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 40 / 79


Exemple Numérique

Illustration de la persistance des chocs aléatoire (TS)


Pour illustrer ce phénomène, nous allons générer 100 observations
fictives (Eviews).
Première étape : Création de la série des chocs.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 41 / 79


Exemple Numérique

Illustration de la persistance des chocs aléatoire (TS)


Pour illustrer ce phénomène, nous allons générer 100 observations
fictives (Eviews).
Première étape : Création de la série des chocs.
Deuxième étape : Création de la composante stationnaire
Zt = 0.4 × Zt−1 + chocs

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 41 / 79


Exemple Numérique

Illustration de la persistance des chocs aléatoire (TS)


Pour illustrer ce phénomène, nous allons générer 100 observations
fictives (Eviews).
Première étape : Création de la série des chocs.
Deuxième étape : Création de la composante stationnaire
Zt = 0.4 × Zt−1 + chocs
Troisième étape : Création de la tendance f (t) = 1 + 0.05 × t

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 41 / 79


Exemple Numérique

Illustration de la persistance des chocs aléatoire (TS)


Pour illustrer ce phénomène, nous allons générer 100 observations
fictives (Eviews).
Première étape : Création de la série des chocs.
Deuxième étape : Création de la composante stationnaire
Zt = 0.4 × Zt−1 + chocs
Troisième étape : Création de la tendance f (t) = 1 + 0.05 × t
Quatrième étape : Création de la série Y : Yt = f (t) + Zt

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 41 / 79


Analyse du processus Differency Stationnary

Définition
Un processus Yt non stationnaire est un Differency Stationnary (DS)
d’ordre d si le processus ∆d Yt = (1 − L)d Yt est stationnaire.
On dit que le processus Yt est un processus intégré d’ordre d :I(d).

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 42 / 79


Analyse du processus Differency Stationnary

Définition
Un processus Yt non stationnaire est un Differency Stationnary (DS)
d’ordre d si le processus ∆d Yt = (1 − L)d Yt est stationnaire.
On dit que le processus Yt est un processus intégré d’ordre d :I(d).

Lorsque d = 1 : différences premières


Dans ce cas, nous sommes en présence d’un processus intégré d’ordre
un. CAD le processus stationnaire est définit par les différences
première : ∆Yt = (1 − L)Yt = Yt − Yt−1

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 42 / 79


Analyse du processus Differency Stationnary

Définition
Un processus Yt non stationnaire est un Differency Stationnary (DS)
d’ordre d si le processus ∆d Yt = (1 − L)d Yt est stationnaire.
On dit que le processus Yt est un processus intégré d’ordre d :I(d).

Lorsque d = 1 : différences premières


Dans ce cas, nous sommes en présence d’un processus intégré d’ordre
un. CAD le processus stationnaire est définit par les différences
première : ∆Yt = (1 − L)Yt = Yt − Yt−1

Lorsque d = 2 différences secondes


Dans ce cas, nous sommes en présence d’un processus intégré d’ordre
deux. CAD le processus stationnaire est définit par les différences
secondes : ∆2 Yt = (1 − L)2 Yt = (1 − L)∆Yt = Yt − 2Yt−1 + Yt−2

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 42 / 79


Analyse du processus Differency Stationnary

Important
On comprend alors que la définition des processus DS repose sur la
présence de racines unitaires dans le polynôme associé à la
dynamique auto-régressive du processus.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 43 / 79


Analyse du processus Differency Stationnary

Important
On comprend alors que la définition des processus DS repose sur la
présence de racines unitaires dans le polynôme associé à la
dynamique auto-régressive du processus.

Généralisation
Si Yt est un processus est stationnaire, alors que la somme pondérée de
ses valeurs passées est aussi stationnaire.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 43 / 79


Persistance aux chocs stochastiques

Influence d’une innovation sur un processus


Contrairement au cas des processus TS, les chocs aléatoires conservent
une influence sur le niveau de la variable I(d) et cela jusqu’à l’infini des
temps.
En référence au cas usuel : Marche aléatoire avec dérive,nous avons
obtenu la formule suivante :
X
Yt = tδ + Y0 + ut

Cette écriture signifie que le processus est exprimé en fonction d’une


moyenne mobile (MA) infinie qui correspond à une accumulation des
chocs présents et passés.
Dés lors l’effet du choc est permanent.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 44 / 79


Persistance aux chocs stochastiques

Présentation graphique
On génère pour un échantillon de 1000 observations deux marches
aléatoires :
RWM sans dérive : xt = x−1 + ut
RWM avec dérive : yt = 0.05 + y−1 + ut Avec ut → N iid(0, 1)

A priori il n’existe aucun phénomène de "rattrapage" vers une


quelconque tendance linéaire de long terme pour ces deux processus.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 45 / 79


Sommaire

1 Position du problème 5 Processus TS et DS

2 Notion de la stationnarité 6 Spurious Regression


Importance de la stationnarité
3 Processus Stationnaires Phénomène de la régression
fallacieuse
4 Processus Non-stationnaires
7 Test de Racine unitaire

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 46 / 79


Stationnarité et Estimation
Quels enjeux ?
Connaitre pourquoi il faut impérativement faire la distinction
entre "une série stationnaire" et "une série non-stationnaire"
(connaitre aussi s’il s’agit d’un processus TS ou DS).

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 47 / 79


Stationnarité et Estimation
Quels enjeux ?
Connaitre pourquoi il faut impérativement faire la distinction
entre "une série stationnaire" et "une série non-stationnaire"
(connaitre aussi s’il s’agit d’un processus TS ou DS).
Connaitre ceci est une condition principale quant au choix de la
méthode d’estimation économétrique à adopter.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 47 / 79


Stationnarité et Estimation
Quels enjeux ?
Connaitre pourquoi il faut impérativement faire la distinction
entre "une série stationnaire" et "une série non-stationnaire"
(connaitre aussi s’il s’agit d’un processus TS ou DS).
Connaitre ceci est une condition principale quant au choix de la
méthode d’estimation économétrique à adopter.
Et cela conditionne les propriétés asymptotiques des estimateurs
des paramètres de ce modèle.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 47 / 79


Stationnarité et Estimation
Quels enjeux ?
Connaitre pourquoi il faut impérativement faire la distinction
entre "une série stationnaire" et "une série non-stationnaire"
(connaitre aussi s’il s’agit d’un processus TS ou DS).
Connaitre ceci est une condition principale quant au choix de la
méthode d’estimation économétrique à adopter.
Et cela conditionne les propriétés asymptotiques des estimateurs
des paramètres de ce modèle.
Et par conséquent les propriétés asymptotiques des statistiques des
tests usuels sur les paramètres.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 47 / 79


Stationnarité et Estimation
Quels enjeux ?
Connaitre pourquoi il faut impérativement faire la distinction
entre "une série stationnaire" et "une série non-stationnaire"
(connaitre aussi s’il s’agit d’un processus TS ou DS).
Connaitre ceci est une condition principale quant au choix de la
méthode d’estimation économétrique à adopter.
Et cela conditionne les propriétés asymptotiques des estimateurs
des paramètres de ce modèle.
Et par conséquent les propriétés asymptotiques des statistiques des
tests usuels sur les paramètres.

Conclusion
Si le processus est non stationnaire, et en particulier DS, on a alors
des propriétés asymptotiques particulières (pas celles du modèle
classique).
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 47 / 79
Stationnarité et Estimation

Propriétés asymptotiques particulières


L’ignorance de ces propriétés asymptotiques particulières peut
conduire, par exemple dans le cas d’un processus DS à des erreurs de
diagnostics et à des modélisations totalement fallacieuses.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 48 / 79


Stationnarité et Estimation

Propriétés asymptotiques particulières


L’ignorance de ces propriétés asymptotiques particulières peut
conduire, par exemple dans le cas d’un processus DS à des erreurs de
diagnostics et à des modélisations totalement fallacieuses.

Approximation de la loi de Student par la loi Normale


Ce seuil est asymptotiquement égal à 1.96 dans le cas standard.
Ce seuil est en particulier valide dans le cas d’une régression entre
deux processus stationnaires.
Alors que lorsqu’on régresse deux processus I(1) la loi
asymptotique du T-Stat associée au test sur les coefficients estimés
n’est ni une loi de Student, ni une loi normale centrée réduite.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 48 / 79


Phénomène de la régression fallacieuse

Exemple numérique
On simule les deux RWM suivantes :

Yt = Yt−1 + ut et Xt = Xt−1 + vt

On génère 500 valeurs de ut et de vt à partir d’une distribution normale


standard et on suppose que les valeurs initiales de Y et X égalent à 0.
Nous avons également supposé que ut et vt ne sont pas corrélées.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 49 / 79


Phénomène de la régression fallacieuse

Exemple numérique
On simule les deux RWM suivantes :

Yt = Yt−1 + ut et Xt = Xt−1 + vt

On génère 500 valeurs de ut et de vt à partir d’une distribution normale


standard et on suppose que les valeurs initiales de Y et X égalent à 0.
Nous avons également supposé que ut et vt ne sont pas corrélées.

Objectif
Réaliser la régression suivante : Yt = aXt + b + εt

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 49 / 79


Phénomène de la régression fallacieuse

Exemple numérique
On simule les deux RWM suivantes :

Yt = Yt−1 + ut et Xt = Xt−1 + vt

On génère 500 valeurs de ut et de vt à partir d’une distribution normale


standard et on suppose que les valeurs initiales de Y et X égalent à 0.
Nous avons également supposé que ut et vt ne sont pas corrélées.

Objectif
Réaliser la régression suivante : Yt = aXt + b + εt

Seulement : Ces deux séries sont I(1).


On s’attend à : R2 tend vers 0 puisque les deux processus ne
sont pas corrélés
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 49 / 79
Phénomène de la régression fallacieuse

Exemple numérique
Les résultats sont :

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 50 / 79


Phénomène de la régression fallacieuse

Exemple numérique
Les résultats sont :

Commentaires Coefficient de X (la pente) est très significatif bien que


le R2 est très faible.
Donc il existe une relation statistiquement significative
entre les variables, alors qu’a priori il devrait avoir aucune.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 50 / 79


Phénomène de la régression fallacieuse

Exemple numérique
Les résultats sont :

Commentaires Coefficient de X (la pente) est très significatif bien que


le R2 est très faible.
Donc il existe une relation statistiquement significative
entre les variables, alors qu’a priori il devrait avoir aucune.

C’est le phénomène de régression fallacieuse


Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 50 / 79
Sommaire

1 Position du problème 5 Processus TS et DS

2 Notion de la stationnarité 6 Spurious Regression

3 Processus Stationnaires 7 Test de Racine unitaire


Test de non-stationnarité
4 Processus Non-stationnaires Stratégie du test

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 51 / 79


Tests de Non stationnarité dans la pratique

Questions Importantes
Comment pouvons-nous savoir si une série de temps donné est
stationnaire ?
Si celle-ci n’est pas stationnaire, est-il possible de la rendre
stationnaire ?

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 52 / 79


Tests de Non stationnarité dans la pratique

Questions Importantes
Comment pouvons-nous savoir si une série de temps donné est
stationnaire ?
Si celle-ci n’est pas stationnaire, est-il possible de la rendre
stationnaire ?

Objectifs
Bien qu’il existe de multiples tests de non-stationnarité, nous
discuterons de ces types tests :
(1) L’analyse graphique
(2) Le test de corrélogramme
(3) Le test de Dickey Fuller et de Dickey Fuller augmenté

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 52 / 79


Analyse graphique

Tester la stationnarité à partir du graphique


On considère les deux séries suivantes : PIB (Données trimestrielles),
Prix de l’action M-Telecom (Données journalières)

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 53 / 79


Analyse graphique

Tester la stationnarité à partir du graphique


On considère les deux séries suivantes : PIB (Données trimestrielles),
Prix de l’action M-Telecom (Données journalières)

Série du PIB

Le PIB a été en hausse, montrant


une tendance à la hausse.
Moyenne changeante dans le temps
La série peut être Non-stationnaire

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 53 / 79


Analyse graphique

Tester la stationnarité à partir du graphique


On considère les deux séries suivantes : PIB (Données trimestrielles),
Prix de l’action M-Telecom (Données journalières)

Série du PIB Série du prix de l’action

Le PIB a été en hausse, montrant


Le cours a été volatile, montrant
une tendance à la hausse.
une variance instable
Moyenne changeante dans le temps
Variance changeante dans le temps
La série peut être Non-stationnaire
La série peut être Non-stationnaire

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 53 / 79


Analyse du Corrélogramme
Etude de la fonction d’autocorrélation
Soit le processus Yt , un simple test de la stationnarité est basé sur la
fonction d’autocorrélation, ACF pour k retards ρk est définie par :
PT
γk t=k+1 (Yt − Ȳ )(Yt−k − Ȳ )
ρk = = PT
γ0 t (Yt − Ȳ )
2

covariance au retard k
ρk =
variance
La représentation graphique de cette fonction est appelée
corrélogramme

Comment se présente le corrélograme pour les cas suivants :

Bruit Blanc Série du PIB


Marche aléatoire Série du Prix de l’action Maroc Télecom
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 54 / 79
Analyse du Corrélogramme

Cas d’un processus Bruit Blanc

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 55 / 79


Analyse du Corrélogramme

Cas d’un processus RWM

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 56 / 79


Analyse du Corrélogramme

Cas des réalisations du PIB

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 57 / 79


Analyse du Corrélogramme

Cas des réalisations du prix du cours de l’action

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 58 / 79


Analyse du Corrélogramme

Deux questions pratiques peuvent être posées ici


Comment pouvons-nous choisissons un retard (lag) pour calculer
l’ACF ?
Comment décidions-nous si un coefficient de corrélation à un
certain décalage est statistiquement significative ?

Solutions proposées
N
Le choix se fait selon la règle du tiers des observations 3
À priori il est conseillé de commencer l’analyse par des Lags
importants.
Bartlett a montré que si une série chronologique est purement
aléatoire, chaque coefficient d’autocorrélation peut être testé car :
1
ρ̂k ∼ N (0; )
N
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 59 / 79
Analyse du Corrélogramme

Solutions proposées
Au lieu de tester la signification statistique de chaque (ρ̂k ) particulier,
on peut tester l’hypothèse que tout les (ρ̂k ) jusqu’à certains retards
sont simultanément égaux à zéro. Cela peut être fait en utilisant la
statistique Q développée par Box et Pierce, qui est définie comme :
m m
X X ρ̂2k
Q=n ρ̂2k ∼ χ2m ou QLB = n(n + 1) ∼ χ2m
k=1 k=1
(n − k)

La statistique Ljung–Box (LB) est similaire au Q-stat, fournie par


Eviews. La stratégie du test est formulée comme suit :
(
H0 : il n’y a pas d’autocorrélation jusqu’à l’ordre k
H1 : il y a une autocorrélation jusqu’à l’ordre k

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 60 / 79


Analyse du Corrélogramme

Solutions proposées
Au lieu de tester la signification statistique de chaque (ρ̂k ) particulier,
on peut tester l’hypothèse que tout les (ρ̂k ) jusqu’à certains retards
sont simultanément égaux à zéro. Cela peut être fait en utilisant la
statistique Q développée par Box et Pierce, qui est définie comme :
m m
X X ρ̂2k
Q=n ρ̂2k ∼ χ2m ou QLB = n(n + 1) ∼ χ2m
k=1 k=1
(n − k)

La statistique Ljung–Box (LB) est similaire au Q-stat, fournie par


Eviews. La stratégie du test est formulée comme suit :
(
H0 : il n’y a pas d’autocorrélation jusqu’à l’ordre k
H1 : il y a une autocorrélation jusqu’à l’ordre k

Décision du test : Si la p-value QL B < 0.05 : On rejette H0


Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 60 / 79
Analyse du Corrélogramme

Cas du Bruit Blanc


La probabilité critique des différents retards k est supérieure au seuil
de signification : On accepte H0 . Conclusion : processus stationnaire.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 61 / 79


Analyse du Corrélogramme

Cas du Bruit Blanc


La probabilité critique des différents retards k est supérieure au seuil
de signification : On accepte H0 . Conclusion : processus stationnaire.

Cas du RWM
La probabilité critique des différents retards k est inférieure au seuil de
signification : On rejette H0 . Conclusion : Processus non stationnaire

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 61 / 79


Analyse du Corrélogramme

Cas du Bruit Blanc


La probabilité critique des différents retards k est supérieure au seuil
de signification : On accepte H0 . Conclusion : processus stationnaire.

Cas du RWM
La probabilité critique des différents retards k est inférieure au seuil de
signification : On rejette H0 . Conclusion : Processus non stationnaire

Cas des réalisations du PIB


La probabilité critique des différents retards k est inférieure au seuil de
signification : On rejette H0 . Conclusion : Processus non stationnaire

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 61 / 79


Analyse du Corrélogramme

Cas du Bruit Blanc


La probabilité critique des différents retards k est supérieure au seuil
de signification : On accepte H0 . Conclusion : processus stationnaire.

Cas du RWM
La probabilité critique des différents retards k est inférieure au seuil de
signification : On rejette H0 . Conclusion : Processus non stationnaire

Cas des réalisations du PIB


La probabilité critique des différents retards k est inférieure au seuil de
signification : On rejette H0 . Conclusion : Processus non stationnaire

Cas des réalisations du prix de l’action


La probabilité critique des différents retards k est inférieure au seuil de
signification : on rejette H0 . Conclusion : Processus non stationnaire
Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 61 / 79
Test de racine unitaire

Rappel
Test de non-stationnarité = Test de racine unitaire

Yt = ρYt−1 + ut Avec ut ∼ N (0; 1) et − 1 < ρ < 1


Si ρ = 1 : (il y a racine unitaire), Dans ce cas le processus Yt devient un
RWM sans dérive, qui est un processus stochastique purement non
stationnaire.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 62 / 79


Test de racine unitaire

Rappel
Test de non-stationnarité = Test de racine unitaire

Yt = ρYt−1 + ut Avec ut ∼ N (0; 1) et − 1 < ρ < 1


Si ρ = 1 : (il y a racine unitaire), Dans ce cas le processus Yt devient un
RWM sans dérive, qui est un processus stochastique purement non
stationnaire.

L’idée du test
L’idée est de régresser simplement Yt sur sa valeur retardée Yt−1 .
Puis tester ou trouver si ρ est statistiquement égal à 1.
S’il ρ l’est, alors Yt est impérativement non-stationnaire.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 62 / 79


Test de racine unitaire

Pratiquement
Au lieu de tester l’hypothèse ρ = 1, On réalise la transformation
suivante :
∆Yt = ρYt−1 − Yt−1 + ut
∆Yt = (ρ − 1)Yt−1 + ut
∆Yt = δYt−1 + ut
On teste alors l’hypothèse nulle δ = 0 par rapport au première
différence au lieu de ρ = 1 par rapport à la variable en niveau.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 63 / 79


Test de racine unitaire

Pratiquement
Au lieu de tester l’hypothèse ρ = 1, On réalise la transformation
suivante :
∆Yt = ρYt−1 − Yt−1 + ut
∆Yt = (ρ − 1)Yt−1 + ut
∆Yt = δYt−1 + ut
On teste alors l’hypothèse nulle δ = 0 par rapport au première
différence au lieu de ρ = 1 par rapport à la variable en niveau.

Résultat du test
Si δ = 0 alors ρ = 1. Alors il y a donc une racine unitaire, CAD que la
série n’est pas stationnaire.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 63 / 79


Test de racine unitaire

Problème d’inférence statistique


Quel test à utiliser pour savoir si le coefficient estimé est nul ou non ?

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 64 / 79


Test de racine unitaire

Problème d’inférence statistique


Quel test à utiliser pour savoir si le coefficient estimé est nul ou non ?
Malheureusement la valeur de t des coefficients estimés ne suit pas une
distribution t-Student, ce qui signifie qu’il n’y a pas de distribution
normale asymptotique.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 64 / 79


Test de racine unitaire

Problème d’inférence statistique


Quel test à utiliser pour savoir si le coefficient estimé est nul ou non ?
Malheureusement la valeur de t des coefficients estimés ne suit pas une
distribution t-Student, ce qui signifie qu’il n’y a pas de distribution
normale asymptotique.

Dickey et Fuller
Dickey et Fuller ont montré que la valeur estimée de t des coefficients
suit la statistique τ (tau).
Ils ont calculé les valeurs critiques. Puis MacKinnon a élaboré les
tables qui sont incorporées dans plusieurs logiciels d’économétrie.
Dans la littérature τ est connu sous le nom du test de DF.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 64 / 79


Stratégie du Test DF

Procédure du test
Pour prendre en compte les diverses possibilités, le test DF est estimé
sous trois formes différentes, c’est-à-dire trois hypothèses nulles
différentes.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 65 / 79


Stratégie du Test DF

Procédure du test
Pour prendre en compte les diverses possibilités, le test DF est estimé
sous trois formes différentes, c’est-à-dire trois hypothèses nulles
différentes.
Dickey et Fuller considèrent trois modèles de base :
Modèle [1] : modèle sans constante ni tendance déterministe :

∆Yt = δYt−1 + ut

Modèle [2] : modèle avec constante sans tendance déterministe :

∆Yt = δYt−1 + γ + ut

Modèle [3] : modèle avec constante et tendance déterministe :

∆Yt = δYt−1 + γ + θt + ut

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 65 / 79


Prolongement du Test

L’idée du ce test
L’idée est de tester la stationnarité pour tous les retards. Donc :
Le test DF standard est un test de stationnarité qui ne concerne
que les processus auto-régressif d’ordre 1 AR(1).
Le test DF a donc été prolongé par le test de ADF (Dickey et
Fuller Augmenté) afin de détecter la présence d’une racine unitaire
pour les processus auto-régressif d’ordre p de type AR(p).

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 66 / 79


Stratégie du Test ADF

Procédure du test
Le test de Dickey et Fuller augmenté consiste à estimer les modèles qui
précédent en introduisant des variables retardées.
Modèle [1] : modèle sans constante ni tendance déterministe :
X
∆Yt = δYt−1 + βj ∆Yt−j+1 + ut

Modèle [2] : modèle avec constante sans tendance déterministe :


X
∆Yt = δYt−1 + γ + βj ∆Yt−j+1 + ut

Modèle [3] : modèle avec constante et tendance déterministe :


X
∆Yt = δYt−1 + γ + θt + βj ∆Yt−j+1 + ut

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 67 / 79


Stratégie du Test ADF

La règle de décision du Test ADF


L’hypothèse nulle du test DF et ADF est l’hypothèse de la racine
unitaire (ou de non stationnarité) de la variable Yt est :
(
H0 : δ = 0
H1 : δ 6= 0

Le test consiste à comparer la valeur estimée du T-test associé au paramètre τ


aux valeurs tabulées de cette statistique (tables de MacKinnon)

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 68 / 79


Stratégie du Test ADF

La règle de décision du Test ADF


L’hypothèse nulle du test DF et ADF est l’hypothèse de la racine
unitaire (ou de non stationnarité) de la variable Yt est :
(
H0 : δ = 0
H1 : δ 6= 0

Le test consiste à comparer la valeur estimée du T-test associé au paramètre τ


aux valeurs tabulées de cette statistique (tables de MacKinnon)

Conclusions
Si la valeur calculée de la T-stat associée à δ est inférieure à la
valeur critique, on rejette l’hypothèse nulle de non stationnarité.
Si la valeur calculée de la T-stat associée à δ est supérieure à la
valeur critique, on accepte l’hypothèse nulle de non stationnarité.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 68 / 79


Tester la Non-stationnarité dans la pratique

Stratégie ADF

Valeurs critiques (Exemple de la Table de MacKinnon)

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 69 / 79


Tester la Non-stationnarité dans la pratique

Détermination du nombre de retards à insérer dans les modèles


Le nombre de retards considéré pour le test ADF est déterminé par le
critère d’information d’Akaike (AIC) :

l k
AIC = −2log( ) + 2( )
t t
Avec :
l est la valeur du logarithme de vraisemblance de la fonction.
k est le nombre de paramètres de cette dernière
t est le nombre d’observations.

Choix du nombre de retards


Le nombre de retards retenu est celui qui minimise la valeur
du critère AIC.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 70 / 79


Étude de cas : Analyse de la série CAC

Analyse de la série du CAC (1160 observations)


Objectif : étude de la stationnarité de cette série ( = construire un
modèle de prévision de Type AR MA).

Étape 1 : Analyse graphique et analyse du corrélogramme

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 71 / 79


Étude de cas : Analyse de la série CAC
Conclusions
Série non stationnaire (introduire le log pour stabiliser la variance)
Choix du retard p= ? : (Analyse des coefficients des
auto-corrélation partielles )
Décision : Utiliser les critères de Schwarz pour déterminer le degrés de
retard optimal automatiquement.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 72 / 79


Étude de cas : Analyse de la série CAC

Étape 2 : Application du test de ADF


Modèle [3] : Série en niveau
Yt
Le T-Stat : t = 1, 108 < 1, 96,
on accepte H0, la tendance
n’est pas significativement
différente de 0.
Conclusion
On passe à l’estimation du
modèle [2].

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 73 / 79


Étude de cas : Analyse de la série CAC

Étape 2 : Application du test de ADF


Modèle [2] : Série en niveau
Yt
Le T-stat : t = 1, 85 < 1, 96,
on accepte H0,
La constante n’est pas
significativement différente
de 0.
Conclusion
On passe à l’estimation du
modèle [1].

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 74 / 79


Étude de cas : Analyse de la série CAC

Étape 2 : Application du test de ADF


Modèle [1] : Série en niveau
Yt
La signification du τ :
τ = 0, 53 > τtabulé = −1, 94,
on accepte H0,
La constante n’est pas
significativement différente
de 0.
Conclusion
Série non stationnaire.
Source de non stationnarité :
Processus DS

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 75 / 79


Étude de cas : Analyse de la série CAC

Étape 3 : Vérification (Tests sur les différences)


Modèle [3] : Série en
différences ∆Yt
Le T-stat :t = 0, 51 < 1, 96.
On accepte H0, la tendance
n’est pas significativement
différente de 0.
Conclusion
On passe à l’estimation du
modèle [2].

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 76 / 79


Étude de cas : Analyse de la série CAC

Étape 3 : Vérification (Tests sur les différences


Modèle [2] : Série en
différences ∆Yt
Le T-stat : t = 0, 63 < 1, 96.
On accepte H0, la constante
n’est pas significativement
différente de 0.
Conclusion
On passe à l’estimation du
modèle [1].

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 77 / 79


Étude de cas : Analyse de la série CAC

Étape 3 : Vérification (Tests sur les différences


Modèle [1] : Série en
différences ∆Yt
La signification du τ :
τ = −31, 9 > τtabulé = −1, 94,
on accepte H1,
la racine est maintenant
significativement égale à 0.
Conclusion
Série stationnaire après
différences premières.

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 78 / 79


Bonne Lecture

Prof. Soussi (UM5-FSJES Salé) Économétrie de la finance P2 Sep 2019 79 / 79