Vous êtes sur la page 1sur 17

Module : Econométrie financière

Année universitaire : 2018-2019

[ Modélisation et prévision des prix de gros


hebdomadaires des tomates : Une application
des modèles ARIMA, GARCH et EGARCH]

Travail réalisé par : Encadré par :


Onbouh Hassan Pr. Rachidi Lahoucine
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Modélisation et prévision des prix de gros hebdomadaires des


tomates : Une application des modèles ARIMA, GARCH et
EGARCH

Résumé

Ce papier étudie la modélisation et la prévision des prix hebdomadaires des gros des
tomates à travers 3 modèles à savoir ARIMA , GARCH et EGARCH .la comparaison de ces 3
modèles relève la performance du modèle EGARCH en terme de capture de la volatilité
asymétrique et aussi la faible valeur de RMSE et RMAPE .les résultats des tests du racine
unitaire montre que la série est stationnaire ,et pour la détection de l’effet ARCH le test de
multiplicateur de Lagrange a été utilisé .

Mots clés : ARIMA, GARCH, EGARCH, RMSE, RMAPE, volatilité asymétrique

Introduction

La modélisation et la prévision des séries agricoles est nécessaire pour les différentes
parties- prenantes intervenants dans la chaine de production agricole allant de fermiers
jusqu’aux investisseurs, les modèles linéaires sont insuffisant pour modéliser ce type de séries
vue qu’ils se basent sur l’hypothèse de la variance constante, ainsi une extension vers la
famille ARCH est obligatoire.

1
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Mise en œuvre des données

La série des prix de gros hebdomadaires des tomates ont été collectées à partir du site
ASAAR du ministère de l’agriculture et de la pèche maritime du Maroc, ces données sont
utilisées pour mesurer la performance des trois modèles cités en-dessus.

Cette série contient 364 observations hebdomadaires de 1 janvier 2007 au 31 décembre 2013,
les 352 premières observations sont utilisées pour la construction du modèle et les 12
restantes pour la validation du modèle.

Un clin d’œil sur le graphique suivant montre la stationnarité de cette série, et le test d’ADF et
PP la confirme.

prix de gros hebdomadaire des tomates


12

10

0
2007 2008 2009 2010 2011 2012 2013

TEST AUGMENTED DICKEY-FULLER


Null Hypothesis: Y has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=16)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -5.614729 0.0000


Test critical values: 1% level -3.448835
5% level -2.869581
10% level -2.571122

2
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Selon le test ADF, la probabilité p-value est inférieur à 5%, donc on rejette l’hypothèse nulle
de la racine unitaire d’où la série est stationnaire selon le test paramétrique ADF.

LE TEST PHILIPS PERON (PP)

Null Hypothes is : Y has a unit root


Exogenous : Cons tant
Bandwidth: 9 (Newey-Wes t autom atic) us ing Bartlett kernel

Adj. t-Stat Prob.*

Phillips -Perron tes t s tatis tic -4.611563 0.0001


Tes t critical values : 1% level -3.448782
5% level -2.869558
10% level -2.571110

Selon le test non paramétrique PP la série est stationnaire.

Mise en œuvre de modèle ARMA

Le corrélograme de la série stationnaire est mis en œuvre pour identifier les paramètres
ARMA, ainsi la fonction d’autocorrélation et la fonction d’autocorrélation partielle représenté
ci-dessus montre que la série des prix de gros de tomates peut être modélisé soit par un AR(1)
ou un AR(2).

3
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Included obs ervations : 352

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.912 0.912 295.21 0.000


2 0.774 -0.344 508.24 0.000
3 0.638 0.026 653.62 0.000
4 0.516 -0.031 748.96 0.000
5 0.413 0.008 810.11 0.000
6 0.337 0.061 851.05 0.000
7 0.268 -0.100 876.91 0.000
8 0.196 -0.047 890.89 0.000
9 0.118 -0.097 895.95 0.000
10 0.033 -0.080 896.34 0.000
11 -0.043 0.011 897.01 0.000
12 -0.088 0.079 899.84 0.000
13 -0.107 0.012 904.04 0.000
14 -0.118 -0.056 909.15 0.000
15 -0.125 -0.008 914.89 0.000
16 -0.115 0.096 919.77 0.000
17 -0.103 -0.029 923.72 0.000
18 -0.087 0.044 926.54 0.000
19 -0.062 0.029 927.98 0.000
20 -0.025 0.051 928.21 0.000
21 0.020 0.040 928.36 0.000
22 0.063 -0.013 929.86 0.000
23 0.101 0.048 933.72 0.000
24 0.144 0.097 941.58 0.000
25 0.184 -0.007 954.41 0.000
26 0.219 0.038 972.66 0.000
27 0.242 -0.014 995.10 0.000
28 0.241 -0.086 1017.4 0.000
29 0.226 0.014 1037.1 0.000
30 0.210 0.036 1054.1 0.000
31 0.201 0.080 1069.8 0.000
32 0.202 0.050 1085.8 0.000
33 0.205 -0.022 1102.2 0.000
34 0.189 -0.092 1116.2 0.000
35 0.164 0.063 1126.8 0.000
36 0.134 0.008 1133.9 0.000

Le modèle AR(1) est performant que le modèle AR(2) vu qu’il présente les faibles valeurs
d’AKAIKE INFORMATION CRETERION (AIC) et BAYESIEN INFORMATION
CRITERION (BIC), les différentes critères des deux modèles sont illustrés par le tableau
suivant :

Modèle AR(1) AR(2)


Critères
SIGMASQ 0.418757 0.999766

ADJUSTED R-SQUARED 0.830957 0.596416

AIC 1,989455 2.859789

BIC 2.022384 2.892717

4
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Selon le tableau, le modèle AR(1) montre sa supériorité que le modèle AR(2) pour la
modélisation et la supervision des prix de gros des tomates, cette performance est du à son
faible volatilité (fable valeur de SIGMASQ), et aussi les faibles valeurs de AIC et BIC et son
important ADJUSTED R-SQUARED qui est de l’ordre de 0.830957. Le modèle AR(1) pour
la série des prix de gros des tomates est donné par l’équation suivante :

Dependent Variable: Y
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 01/21/19 Time: 22:46
Sample: 1/01/2007 9/23/2013
Included observations: 352
Convergence achieved after 30 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

C 3.075222 0.506968 6.065911 0.0000


AR(1) 0.909785 0.017236 52.78548 0.0000
SIGMASQ 0.418757 0.017018 24.60680 0.0000

R-squared 0.831920 Mean dependent var 3.054034


Adjusted R-squared 0.830957 S.D. dependent var 1.580668
S.E. of regression 0.649890 Akaike info criterion 1.989455
Sum squared resid 147.4026 Schwarz criterion 2.022384
Log likelihood -347.1441 Hannan-Quinn criter. 2.002559
F-statistic 863.6946 Durbin-Watson stat 1.362160
Prob(F-statistic) 0.000000

Test de l’effet ARCH

LM-ARCH a été effectué dans le carré des résidus, le résultat de ce test a soulevé la présence
de l’effet ARCH dans la série des prix de gros des tomates, en effet la visualisation du
graphique de la série de rendement illustre la présence de l’effet ARCH, une forte volatilité
pour une longue période suivi pour une faible volatilité pour une longue période.

5
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

serie de rendement des prix de gros des tomates


4

-1

-2

-3

-4
2007 2008 2009 2010 2011 2012 2013

Le modèle ARIMA a une hypothèse de base que les résidus sont constants tous le temps, par
contre les résidus du modèle avec effet ARCH sont variable tous le temps comme le montre le
graphique suivant :

Résidus au carré
14

12

10

0
2007 2008 2009 2010 2011 2012 2013

Le test ARCH pour la serie de rendement des prix de gros des tomates est donné par le
tableau suivant :

6
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Heteros kedas ticity Tes t: ARCH

F-s tatis tic 45.14920 Prob. F(1,348) 0.0000


Obs *R-s quared 40.19395 Prob. Chi-Square(1) 0.0000

Tes t Equation:
Dependent Variable: RESID^2
Method: Leas t Squares
Date: 01/21/19 Tim e: 23:51
Sam ple (adjus ted): 1/15/2007 9/23/2013
Included obs ervations : 350 after adjus tm ents

Variable Coefficient Std. Error t-Statis tic Prob.

C 0.263978 0.055907 4.721706 0.0000


RESID^2(-1) 0.338844 0.050428 6.719316 0.0000

R-s quared 0.114840 Mean dependent var 0.400573


Adjus ted R-s quared 0.112296 S.D. dependent var 1.034130
S.E. of regres s ion 0.974336 Akaike info criterion 2.791578
Sum s quared res id 330.3674 Schwarz criterion 2.813623
Log likelihood -486.5261 Hannan-Quinn criter. 2.800353
F-s tatis tic 45.14920 Durbin-Wats on s tat 2.026400
Prob(F-s tatis tic) 0.000000

On a la probabilité F-statistic et Obs R-squared inférieur à 5%, donc on rejette l’hypothèse


nulle : pas de l’effet ARCH, donc on conclut que la série contienne un effet ARCH.

La mise en place du modèle GARCH

La modélisation a été faite par le GARCH (1,1), et les résultats d’AR(1) GARCH (1,1) sont
donné comme suit :

7
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Dependent Variable: Y_RET


Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 01/22/19 Time: 00:19
Sample (adjusted): 1/15/2007 9/23/2013
Included observations: 350 after adjustments
Convergence achieved after 19 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(3) + C(4)*RESID(-1)^2 + C(5)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C -0.018735 0.027767 -0.674746 0.4998


AR(1) 0.249684 0.059177 4.219254 0.0000

Variance Equation

C 0.030480 0.007604 4.008648 0.0001


RESID(-1)^2 0.605804 0.114714 5.280985 0.0000
GARCH(-1) 0.469400 0.064687 7.256509 0.0000

R-squared 0.082407 Mean dependent var 0.001600


Adjusted R-squared 0.079770 S.D. dependent var 0.662457
S.E. of regression 0.635486 Akaike info criterion 1.546070
Sum squared resid 140.5372 Schwarz criterion 1.601183
Log likelihood -265.5623 Hannan-Quinn criter. 1.568007
Durbin-Watson stat 1.855687

Inverted AR Roots .25

Pour le test de l’effet ARCH, ce modèle AR(1) GARCH(1,1) ne présente pas l’effet ARCH
puisque le p-value est supérieur à 5% comme le montre le tableau suivant :

Heteros kedas ticity Tes t: ARCH

F-s tatis tic 1.193369 Prob. F(1,347) 0.2754


Obs *R-s quared 1.196134 Prob. Chi-Square(1) 0.2741

Tes t Equation:
Dependent Variable: WGT_RESID^2
Method: Leas t Squares
Date: 01/22/19 Tim e: 00:20
Sam ple (adjus ted): 1/22/2007 9/23/2013
Included obs ervations : 349 after adjus tm ents

Variable Coefficient Std. Error t-Statis tic Prob.

C 1.058355 0.124180 8.522729 0.0000


WGT_RESID^2(-1) -0.058562 0.053607 -1.092414 0.2754

R-s quared 0.003427 Mean dependent var 0.999667


Adjus ted R-s quared 0.000555 S.D. dependent var 2.092129
S.E. of regres s ion 2.091548 Akaike info criterion 4.319400
Sum s quared res id 1517.976 Schwarz criterion 4.341492
Log likelihood -751.7353 Hannan-Quinn criter. 4.328194
F-s tatis tic 1.193369 Durbin-Wats on s tat 1.997247
Prob(F-s tatis tic) 0.275409

8
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Mise en place de modèle EGARCH

Le modèle EGARCH prend en considération non seulement l’ampleur des chocs, mais aussi
leur positivité ou négativité, ainsi ce modèle a été appliqué à la série de rendement des prix de
gros de tomates pour capturer la volatilité asymétrique. Le modèle AR(1) EGARCH (1,1) de
cette série est représenté comme suit :

Dependent Variable: Y_RET


Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 01/22/19 Time: 00:42
Sample (adjusted): 1/15/2007 9/23/2013
Included observations: 350 after adjustments
Convergence achieved after 23 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
LOG(GARCH) = C(3) + C(4)*ABS(RESID(-1)/@SQRT(GARCH(-1))) + C(5)
*RESID(-1)/@SQRT(GARCH(-1)) + C(6)*LOG(GARCH(-1))

Variable Coefficient Std. Error z-Statistic Prob.

C 0.079260 0.026566 2.983554 0.0028


AR(1) 0.241784 0.045944 5.262613 0.0000

Variance Equation

C(3) -0.398651 0.088519 -4.503577 0.0000


C(4) 0.385106 0.091967 4.187448 0.0000
C(5) 0.423864 0.041741 10.15467 0.0000
C(6) 0.911949 0.017454 52.24741 0.0000

R-squared 0.074585 Mean dependent var 0.001600


Adjusted R-squared 0.071926 S.D. dependent var 0.662457
S.E. of regression 0.638189 Akaike info criterion 1.388115
Sum squared resid 141.7352 Schwarz criterion 1.454251
Log likelihood -236.9201 Hannan-Quinn criter. 1.414439
Durbin-Watson stat 1.827217

Inverted AR Roots .24

Comparant le GARCH et l’EGARCH, ce dernier montre sa supériorité avec de faible valeur


d’AIC (1.3881 < 1.5460).

Concernant l’effet ARCH, le modèle AR(1) EGARCH(1,1) ajusté montre l’absence de l’effet
ARCH comme le montre le p-value suivant :

9
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Heteros kedas ticity Tes t: ARCH

F-s tatis tic 0.002543 Prob. F(1,347) 0.9598


Obs *R-s quared 0.002558 Prob. Chi-Square(1) 0.9597

Tes t Equation:
Dependent Variable: WGT_RESID^2
Method: Leas t Squares
Date: 01/22/19 Tim e: 00:56
Sam ple (adjus ted): 1/22/2007 9/23/2013
Included obs ervations : 349 after adjus tm ents

Variable Coefficient Std. Error t-Statis tic Prob.

C 1.001151 0.107821 9.285339 0.0000


WGT_RESID^2(-1) -0.002708 0.053706 -0.050431 0.9598

R-s quared 0.000007 Mean dependent var 0.998441


Adjus ted R-s quared -0.002874 S.D. dependent var 1.743855
S.E. of regres s ion 1.746359 Akaike info criterion 3.958657
Sum s quared res id 1058.270 Schwarz criterion 3.980750
Log likelihood -688.7857 Hannan-Quinn criter. 3.967452
F-s tatis tic 0.002543 Durbin-Wats on s tat 1.998955
Prob(F-s tatis tic) 0.959808

Prévisions

La prévision des 12 observations restantes a été faite sur la base des différentes modèles
ajustés, et la comparaison entre ces modèles se fait sur la base de la racine moyenne des
erreurs aux carrés et la moyenne relative absolue de prédiction de l’erreur.

AR(1)

ROOT MEAN SQUARED ERROR 0.168627


MEAN ABSOLUTE PERCENT ERROR 5.220642

10
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

4.0

3.6

3.2

2.8

2.4

2.0
30 7 14 21 28 4 11 18 25 2 9 16
2013m10 2013m11 2013m12

Y YF

AR(1) GARCH(1,1)

ROOT MEAN SQUARED ERROR 0.066706


MEAN ABSOLUTE PERCENT ERROR 2.065194

4.0

3.6

3.2

2.8

2.4

2.0
23 30 7 14 21 28 4 11 18 25 2 9 16
2013m10 2013m11 2013m12

Y YF

11
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

AR(1) EGARCH (1 ,1)

ROOT MEAN SQUARED ERROR 0.003735


MEAN ABSOLUTE PERCENT ERROR 0.115633

4.4

4.0

3.6

3.2

2.8

2.4

2.0
30 7 14 21 28 4 11 18 25 2 9 16
2013m10 2013m11 2013m12

Y YF

Tableau récapitulatif

modèles AR(1) AR(1) GARCH(1,1) AR(1) EGARCH (1,1)


critères
RMSE 0.168627 0.066706 0.003735
RMAPE 5.220642 2.065194 0.115633

12
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Le tableau cité en-dessus montre la supériorité du modèle AR(1) EGARCH (1,1) dans la
prévision des prix de gros de tomates vu qu’il présente les faibles valeurs de RMSE et
RMAPE par rapport à d’autres modèles. Les valeurs prévues par les trois modèles pour les 12
observations restantes sont données par le tableau suivant :

Semaine Valeur actuelle Valeur prévue


AR(1) AR(1) GARCH(1,1) AR(1) EGARCH (1,1)
30-09-2013 3.61 3.0626 3.1750 3.3358
10-07-2013 3.08 3.0637 3.1639 3.4206
14-10-2013 2.76 3.0647 3.1470 3.5012
21-10-2013 2.69 3.0657 3.1288 3.5808
28-10-2013 2.41 3.0665 3.1101 3.6601
04-11-2013 2.25 3.0673 3.0914 3.7394
11-11-2013 2.49 3.0680 3.0727 3.8186
18-11-2013 3.05 3.0687 3.0540 3.8979
25-11-2013 3.62 3.0693 3.0352 3.9772
02-12-2013 3.85 3.0698 3.0165 4.0564
09-12-2013 3.91 3.0703 2.9978 4.1357
16-12-2013 3.94 3.0707 2.9790 4.2149

13
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

Annexe

Prix de gros hebdomadaires des tomates au Maroc

semaine prix Semaine prix semaine prix Semaine prix Semaine prix
01/01/2007 3.66 26/05/2008 3.25 19/10/2009 2.29 07/03/2011 4.34 30/07/2012 2.16
08/01/2007 2.67 02/06/2008 2.74 26/10/2009 2.19 14/03/2011 3.11 06/08/2012 2.51
15/01/2007 2.78 09/06/2008 2.58 02/11/2009 1.76 21/03/2011 2.35 13/08/2012 2.59
22/01/2007 2.72 16/06/2008 2.82 09/11/2009 1.73 28/03/2011 1.68 20/08/2012 2.57
29/01/2007 2.40 23/06/2008 2.91 16/11/2009 1.74 04/04/2011 1.69 27/08/2012 3.06
05/02/2007 2.05 30/06/2008 2.69 23/11/2009 1.98 11/04/2011 1.8 03/09/2012 3.44
12/02/2007 2.28 07/07/2008 2.75 30/11/2009 1.74 18/04/2011 2.41 10/09/2012 3.51
19/02/2007 2.48 14/07/2008 2.77 07/12/2009 2.55 25/04/2011 2.31 17/09/2012 3.72
26/02/2007 2.6 21/07/2008 2.83 14/12/2009 3.04 02/05/2011 2.06 24/09/2012 4.22
05/03/2007 3.24 28/07/2008 2.88 21/12/2009 2.66 09/05/2011 1.99 01/10/2012 5.33
12/03/2007 2.98 04/08/2008 2.66 28/12/2009 2.2 16/05/2011 1.95 08/10/2012 5.52
19/03/2007 3.34 11/08/2008 2.49 04/01/2010 2.5 23/05/2011 1.84 15/10/2012 2.33
26/03/2007 4.55 18/08/2008 2.68 11/01/2010 3.49 30/05/2011 1.96 22/10/2012 2.48
02/04/2007 3.11 25/08/2008 2.92 18/01/2010 4.42 06/06/2011 1.88 29/10/2012 2.12
09/04/2007 2.46 01/09/2008 2.21 25/01/2010 5.1 13/06/2011 1.85 05/11/2012 2.37
16/04/2007 1.71 08/09/2008 1.97 01/02/2010 5.66 20/06/2011 2.04 12/11/2012 2.67
23/04/2007 1.42 15/09/2008 1.85 08/02/2010 4.42 27/06/2011 2.28 19/11/2012 3.62
30/04/2007 1.44 22/09/2008 2.08 15/02/2010 5.63 04/07/2011 3.27 26/11/2012 5.9
07/05/2007 1.79 29/09/2008 1.98 22/02/2010 6.99 11/07/2011 3.39 03/12/2012 6.9
14/05/2007 1.51 06/10/2008 2.32 01/03/2010 6.12 18/07/2011 4.24 10/12/2012 6.4
21/05/2007 1.4 13/10/2008 2.53 08/03/2010 8.21 25/07/2011 3.08 17/12/2012 4
28/05/2007 1.67 20/10/2008 2.58 15/03/2010 11.67 01/08/2011 3.63 24/12/2012 3.27
04/06/2007 1.65 27/10/2008 2.72 22/03/2010 10.31 08/08/2011 3.33 31/12/2012 3.29
11/06/2007 1.35 03/11/2008 2.87 29/03/2010 10.15 15/08/2011 3.58 07/01/2013 3.13
18/06/2007 1.21 10/11/2008 3.05 05/04/2010 9.16 22/08/2011 3.03 14/01/2013 2.92
25/06/2007 1.19 17/11/2008 2.91 12/04/2010 7.78 29/08/2011 2.92 21/01/2013 2.97
02/07/2007 1.15 24/11/2008 3.01 19/04/2010 6.31 05/09/2011 2.31 28/01/2013 3.52

14
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

09/07/2007 1.14 01/12/2008 3.36 26/04/2010 7.44 12/09/2011 2.2 04/02/2013 3.48
16/07/2007 1.15 08/12/2008 3.13 03/05/2010 8.08 19/09/2011 2.23 11/02/2013 3.14
23/07/2007 1.54 15/12/2008 3.15 10/05/2010 8.08 26/09/2011 2.33 18/02/2013 2.67
30/07/2007 1.47 22/12/2008 3.31 17/05/2010 6.08 03/10/2011 2.02 25/02/2013 2.26
06/08/2007 1.40 29/12/2008 3.13 24/05/2010 4.88 10/10/2011 1.84 04/03/2013 1.99
13/08/2007 1.41 05/01/2009 2.66 31/05/2010 3.53 17/10/2011 2.18 11/03/2013 2
20/08/2007 1.64 12/01/2009 2.45 07/06/2010 2.71 24/10/2011 2.47 18/03/2013 2.08
27/08/2007 1.71 19/01/2009 2.02 14/06/2010 3.02 31/10/2011 1.48 25/03/2013 2.34
03/09/2007 2.03 26/01/2009 1.82 21/06/2010 2.3 07/11/2011 2.03 01/04/2013 2.48
10/09/2007 2.25 02/02/2009 1.77 28/06/2010 1.93 14/11/2011 2.13 08/04/2013 2.34
17/09/2007 2.63 09/02/2009 1.63 05/07/2010 1.61 21/11/2011 2.61 15/04/2013 2.58
24/09/2007 2.7 16/02/2009 1.62 12/07/2010 1.46 28/11/2011 2.23 22/04/2013 3.24
01/10/2007 2.65 23/02/2009 1.63 19/07/2010 1.39 05/12/2011 3.73 29/04/2013 3.03
08/10/2007 2.17 02/03/2009 1.64 26/07/2010 1.42 12/12/2011 4.17 06/05/2013 3.05
15/10/2007 2.15 09/03/2009 2.14 02/08/2010 1.47 19/12/2011 4.27 13/05/2013 3.1
22/10/2007 2.42 16/03/2009 2.02 09/08/2010 1.29 26/12/2011 4.48 20/05/2013 3.56
29/10/2007 3.13 23/03/2009 1.81 16/08/2010 1.25 02/01/2012 3.86 27/05/2013 3.5
05/11/2007 3.32 30/03/2009 2.71 23/08/2010 1.83 09/01/2012 2.83 03/06/2013 2.69
12/11/2007 2.91 06/04/2009 3.95 30/08/2010 1.9 16/01/2012 2.4 10/06/2013 2.73
19/11/2007 2.92 13/04/2009 2.64 06/09/2010 2.08 23/01/2012 2.34 17/06/2013 2.52
26/11/2007 3.27 20/04/2009 3.31 13/09/2010 2.61 30/01/2012 2.7 24/06/2013 2
03/12/2007 4.15 27/04/2009 3.44 20/09/2010 3.8 06/02/2012 3.15 01/07/2013 1.78
10/12/2007 5.28 04/05/2009 3.51 27/09/2010 4.84 13/02/2012 3.41 08/07/2013 2.26
17/12/2007 3.83 11/05/2009 2.52 04/10/2010 6.41 20/02/2012 3.79 15/07/2013 2.04
24/12/2007 2.83 18/05/2009 2 11/10/2010 6.41 27/02/2012 3.48 22/07/2013 2.11
31/12/2007 2.68 25/05/2009 2.36 18/10/2010 5.13 05/03/2012 2.82 29/07/2013 1.98
07/01/2008 2.6 01/06/2009 2.47 25/10/2010 4.85 12/03/2012 2.11 05/08/2013 2.04
14/01/2008 2.35 08/06/2009 2.28 01/11/2010 4.91 19/03/2012 1.93 12/08/2013 2.25
21/01/2008 2.03 15/06/2009 1.98 08/11/2010 5.62 26/03/2012 2.01 19/08/2013 2.66
28/01/2008 1.87 22/06/2009 1.82 15/11/2010 5.24 02/04/2012 2.49 26/08/2013 2.65
04/02/2008 1.72 29/06/2009 1.83 22/11/2010 4.92 09/04/2012 2.51 02/09/2013 2.59
11/02/2008 1.51 06/07/2009 1.81 29/11/2010 4.13 16/04/2012 2.52 09/09/2013 3.06
18/02/2008 1.41 13/07/2009 1.97 06/12/2010 2.87 23/04/2012 2.52 16/09/2013 3.23

15
Modélisation et prévision des prix de gros hebdomadaires des tomates : Une application des modèles ARIMA, GARCH et EGARCH

25/02/2008 1.65 20/07/2009 2.29 13/12/2010 2.17 30/04/2012 2.65 23/09/2013 3.61
03/03/2008 2.03 27/07/2009 2.57 20/12/2010 1.95 07/05/2012 3.09 30/09/2013 3.08
10/03/2008 2.58 03/08/2009 2.76 27/12/2010 2.82 14/05/2012 2.69 07/10/2013 2.76
17/03/2008 2.9 10/08/2009 3.49 03/01/2011 4.52 21/05/2012 2.5 14/10/2013 2.69
24/03/2008 3.01 17/08/2009 3.68 10/01/2011 5.6 28/05/2012 3.17 21/10/2013 2.41
31/03/2008 2.82 24/08/2009 4.26 17/01/2011 5.25 04/06/2012 3.33 28/10/2013 2.25
07/04/2008 2.54 31/08/2009 6.03 24/01/2011 4.08 11/06/2012 2.91 04/11/2013 2.49
14/04/2008 2.04 07/09/2009 7.84 31/01/2011 4.29 18/06/2012 2.72 11/11/2013 3.05
21/04/2008 2.18 14/09/2009 8.55 07/02/2011 4.84 25/06/2012 2.26 18/11/2013 3.62
28/04/2008 2.72 21/09/2009 8.9 14/02/2011 3.93 02/07/2012 2.5 25/11/2013 3.85
05/05/2008 3.55 28/09/2009 7.42 14/02/2011 3.44 09/07/2012 2.68 02/12/2013 3.91
12/05/2008 3.47 05/10/2009 5.12 21/02/2011 3.43 16/07/2012 1.99 09/12/2013 3.94
19/05/2008 3.36 12/10/2009 3.6 28/02/2011 4.04 23/07/2012 1.96

Références bibliographiques

 Modelling and forcasting of price volatility : an application of GARCH and EGARCH


models ACHAL LAMA AND GIRICH JHA 2015
 Econométrie 10 REGIS BORBONNAIS.
 Engle, R.F (1982) Autoregressive conditional heteroscedasticity with estimates of the
variance of UK inflation. Econometrica,
 Bollerslev T.(1986) Generalized autoregressive conditional heteroscedasticity, journal
of econometrics

16

Vous aimerez peut-être aussi