Vous êtes sur la page 1sur 13

Abonnez-vous à DeepL Pro pour éditer ce doc

Visitez www.DeepL.com/Pro pour en savoir plus.

Voir les discussions, les statistiques et les profils des auteurs pour cette publication à : https://www.researchgate.net/publication/273776515

Modélisation et prévision de la volatilité des prix : Une application des modèles GARCH et
EGARCH
Article - Janvier 2015
DOI : 10.5958/0974-0279.2015.00005.1

CITATIONSREADS

10181

4 auteurs :

Achal Lama Girish Jha


Institut indien de recherche sur les statistiques agricoles Institut indien de recherche agricole
8 PUBLICATIONS 10 CITATIONS 83 PUBLICATIONS 280 CITATIONS

VOIR LE PROFIL VOIR LE PROFIL

Ranjit Kumar Paul Bishal Gurung


Institut indien de recherche sur les statistiques agricoles Institut indien de recherche sur les statistiques agricoles
125 PUBLICATIONS 417 CITATIONS 49 PUBLICATIONS 42 CITATIONS

VOIR LE PROFIL VOIR LE PROFIL

Certains des auteurs de cette publication travaillent également sur ces projets connexes :

Modélisation et construction de réseaux transcriptionnels de réglementation à l'aide d'un projet de visualisation des données sur l'expression génétique de séries
chronologiques

UNE STRATÉGIE D'ADAPTATION AUX CHANGEMENTS CLIMATIQUES EN MATIÈRE D'ASSURANCE MÉTÉOGRAPHIQUE Voir le projet
Tout le contenu suivant cette page a été téléchargé par Achal Lama le 28 décembre 2017.

L'utilisateur a demandé l'amélioration du fichier téléchargé.

Revue de la recherche en économie agricole


Vol. 28 (No.1) Janvier-Juin 2015 pp 73-82
DOI : 10.5958/0974-0279.2015.00005.1

Modélisation et prévision de la volatilité des prix : Une


application des modèles GARCH et EGARCH§

Achal Lamaa*, Girish K. Jhab, Ranjit K. Paula et Bishal Gurunga aICAR-Indian


Agricultural Statistics Research Institute, New Delhi - 110 012
bICAR-Division
of Agricultural Economics, Indian Agricultural Research Institute, New Delhi - 110 012

Résumé
Cet article a étudié le modèle autorégressif intégré à moyenne mobile intégrée (ARIMA), le modèle
hétéroscédastique conditionnel autorégressif généralisé (GARCH) et le modèle exponentiel GARCH
(EGARCH) ainsi que leurs procédures d'estimation pour la modélisation et la prévision de trois séries
de prix, à savoir les indices nationaux et internationaux du prix des huiles comestibles et le Cotlook A'
(indice international du coton). Les tests Augmented Dickey-Fuller (ADF) et Philips Peron (PP) ont été
utilisés pour tester la stationnarité de la série. Le test du multiplicateur de Lagrange a été appliqué pour
détecter la présence de l'effet hétéroscédastique conditionnel autorégressif (ARCH). Une étude
comparative des trois modèles ci-dessus a été effectuée en termes d'erreur quadratique moyenne
quadratique (RMSE) et d'erreur relative moyenne absolue de prédiction (RMAPE). Les résidus des
modèles montés ont été utilisés pour le contrôle diagnostique. L'étude a révélé que le modèle EGARCH
a surpassé les modèles ARIMA et GARCH pour ce qui est de la prévision de la série des prix
internationaux du coton, principalement en raison de sa capacité à saisir la volatilité asymétrique. La
version 9.3 du logiciel SAS a été utilisée pour l'analyse des données.

Mots clés : ARIMA, Cotlook Indice A, huiles alimentaires, EGARCH, GARCH, GARCH, volatilité,
prévisions

Classification JEL : C 13, C 53, Q 13, Q 17


Introduction a dominé l'arène de la prévision des séries
chronologiques pendant une assez longue période,
La modélisation et la prévision des prix des
jusqu'à ce que le besoin de traiter des données
produits agricoles de base sont essentielles pour les
volatiles se fasse sentir. Il est intéressant de noter que
décideurs ainsi que pour les diverses parties prenantes
de nombreuses données sur les prix des produits
de la chaîne de commercialisation de ces produits, des
agricoles de base sont intrinsèquement bruyantes et
agriculteurs aux consommateurs. La plupart des
volatiles. En effet, les prix des matières premières
séries de prix agricoles peuvent être modélisées sous
agricoles réagissent rapidement aux changements
forme de données chronologiques, où les
réels et présumés des conditions de l'offre et de la
informations sont collectées dans le temps à des
demande ; en outre, les fluctuations de la production
intervalles de temps égaux. La méthodologie de la
agricole induites par les conditions météorologiques
moyenne mobile intégrée autorégressive (ARIMA)
aggravent la situation. Parfois, des phénomènes
de Box Jenkins a permis de
asymétriques apparaissent également dans les prix
74 de recherche en économie74 Vol.28 (No.1) Janvier-Juin 2015

qui ont tendance à se comporter différemment lorsque


l'économie entre en récession plutôt que d'en sortir.
*Auteur de la correspondance
Courriel : chllm6@gmail.com
De nombreuses séries de prix agricoles ont connu des
§Cet article fait partie de la thèse de maîtrise "A study on
périodes de stabilité, suivies de périodes d'instabilité
agricultural commodity price volatility using dynamic avec une forte volatilité. Ainsi, pour traiter de telles
neural networks" soumise en 2013 par le premier auteur séries, le modèle ARIMA ne sera pas suffisant, car il
à la Post Graduate School, Indian Agricultural Research est limité par des hypothèses de linéarité et de
Institute, New Delhi. variance d'erreur homoscétique.

La volatilité est l'augmentation ou la diminution nécessité d'étendre le modèle de la famille GARCH a


soudaine et inattendue de la série qui peut bouleverser été ressentie et Nelson (1991) y a répondu pour la
les parties prenantes. Il est bien établi que la volatilité première fois sous la forme d'un modèle GARCH
des prix peut déstabiliser les revenus agricoles et exponentiel (EGARCH), qui tient compte non
empêcher les agriculteurs de faire des investissements seulement de l'ampleur du choc mais aussi de son
et d'utiliser les ressources de manière optimale caractère négatif et positif. Les modèles asymétriques
(Schenepf, 1999). En fin de compte, cela peut expliquent ce que l'on appelle l'effet de levier, c'est-à-
détourner les ressources nécessaires du secteur dire qu'une baisse inattendue des prix accroît la
agricole. La série est dite volatile lorsque quelques volatilité plus qu'une hausse inattendue analogue des
termes d'erreur sont plus grands que les autres et sont prix. Une bonne description de ces modèles a été
responsables du comportement unique de la série, un donnée par Fan et Yao (2003) et Tsay (2005).
tel phénomène est appelé hétéroscédasticité. Pour
Modèle ARIMA
traiter de l'hétéroscédasticité, le modèle populaire et
non linéaire est le modèle autorégressif conditionnel Une généralisation des modèles ARMA qui
hétéroscédastique (ARCH), proposé par Engle incorpore une large classe de séries temporelles non
(1982). Le modèle a été généralisé par Bollerslev stationnaires est obtenue en introduisant la
(1986) sous la forme d'un modèle ARCH généralisé différenciation dans le modèle. L'exemple le plus
(GARCH) pour une représentation parcimonieuse de simple d'un processus non stationnaire qui se réduit à
l'ARCH. Dans le modèle GARCH, la variance un processus stationnaire après différenciation est la
conditionnelle est également une fonction linéaire de marche aléatoire. Un processus {yt} est dit suivre un
ses propres retards. Comme dans ARCH, ce modèle modèle ARMA intégré, désigné par ARIMA (p, d, q),
est aussi une moyenne pondérée des résidus au carré si est ARMA (p, q).
du passé, mais il a des poids décroissants qui ne vont Le modèle s'écrit comme l'équation (1) :
jamais complètement à zéro.
Les modèles GARCH sont largement utilisés pour …(1)
la modélisation et la prévision des séries économiques
et financières. De plus, des progrès supplémentaires où, , et WN indiquent un bruit blanc.
ont été réalisés en utilisant la spécification AR avec Le paramètre d'intégration d est un entier non négatif.
les modèles ARCH/GARCH, où l'on a constaté
Lorsque d = 0, ARIMA (p, d, q) ≡ ARMA (p, q).
qu'elle permettait de prévoir plus efficacement la
volatilité. Au cours des deux dernières décennies, les La méthodologie ARIMA s'effectue en trois
modèles non linéaires ont été largement utilisés par étapes, à savoir l'identification, l'estimation et le
divers chercheurs qui ont trouvé différentes contrôle diagnostique. Les paramètres du modèle
combinaisons de modèles AR-GARCH adaptées à ARIMA provisoirement sélectionné à l'étape de
différentes situations (Jordaan et al., 2007 ; Paul et al., l'identification sont estimés à l'étape de l'estimation et
2009 ; Sundaramoorthy et al., 2014). Mais la l'adéquation du modèle provisoirement sélectionné
spécification GARCH la plus utilisée est le modèle est vérifiée à l'étape du diagnostic. Si le modèle
GARCH (1, 1) dans la prévision des séries s'avère inadéquat, les trois étapes sont répétées jusqu'à
temporelles. ce qu'un modèle ARIMA satisfaisant soit sélectionné
pour la série chronologique considérée. Une
Au cours des dernières années, diverses séries
excellente analyse des divers aspects de cette
chronologiques ont montré des modèles symétriques
approche est présentée dans Box et al (2007). La
et asymétriques. Le modèle GARCH, du fait qu'il ne
plupart des logiciels standard, comme SAS, SPSS et
traite que l'ampleur et non la positivité ou la négativité
EViews contiennent des programmes pour
des chocs, s'est révélé relativement inefficace pour
l'adaptation des modèles ARIMA.
modéliser et prévoir de telles séries. Ainsi, la
Modèle GARCH
Le modèle ARCH(q) pour la série {εt} est défini
en spécifiant la distribution conditionnelle de εt
compte tenu des informations disponibles jusqu'au
moment t-1. Laissez ψt-1 indiquer cette information. Le
modèle ARCH (q) de la série {εt} est donné par
…(2)

…(3)

où, a0 >, ai ≥ 0, pour tous les i et doivent


être satisfaits pour assurer une variance
inconditionnelle non négative et finie de la série fixe
{εt}.
Cependant, le modèle ARCH présente certains
inconvénients. Tout d'abord, lorsque l'ordre du
modèle ARCH est très grand,
76 de recherche en économie76 Vol.28 (No.1) Janvier-Juin 2015

l'estimation d'un grand nombre de paramètres est Ainsi, un modèle GARCH peut être considéré
nécessaire. Deuxièmement, la variance conditionnelle comme une extension de l'approche ARMA aux séries
du modèle ARCH(q) a la propriété que la fonction carrées {εt2}. En utilisant la moyenne
d'autocorrélation inconditionnelle (ACF) des résidus inconditionnelle d'un modèle ARMA, nous avons
au carré, si elle existe, diminue très rapidement par
rapport à ce qui est généralement observé, à moins
que le décalage maximal q soit grand. Pour surmonter
les faiblesses du modèle ARCH, Bollerslev (1986) a ...(6) qui montre
proposé le modèle ARCH généralisé (GARCH) dans que le dénominateur de la fraction précédente est
lequel la variance conditionnelle est aussi une positif.
fonction linéaire de ses propres retards et a la forme
suivante : : Modèle EGARCH
Le modèle EGARCH a été mis au point pour tenir
compte des effets asymétriques entre les chocs
positifs et négatifs sur la variance conditionnelle des
…(4) observations futures. Un autre avantage, comme le
soulignent Nelson et Cao (1992), est qu'il n'y a aucune
où, ξt ~ IID(0,1). Une condition suffisante pour que la restriction sur les paramètres. Dans le modèle
variance conditionnelle soit positive est : EGARCH, la variance conditionnelle, ht, est une
a0 > 0, ai ≥ 0, i = 1,2,...,q. bj ≥ 0, j = 1,2,..., p fonction asymétrique des perturbations décalées. Le
modèle est donné par
Le processus GARCH (p, q) est faiblement ,
stationnaire si et seulement si

.
…(7)
La variance conditionnelle définie par l'équation
(4) a la propriété que la fonction d'autocorrélation où,
inconditionnelle de εt2 ; si elle existe, peut se
décomposer lentement. Pour la famille ARCH, le taux
de désintégration est trop rapide par rapport à ce qui
est généralement observé dans les séries B est l'opérateur de rétrogradage (ou de décalage)
chronologiques financières, à moins que le délai tel que
maximal q soit long. Comme l'équation (4) est un
modèle de variance conditionnelle plus parcimonieux
qu'un modèle ARCH d'ordre supérieur, la plupart des
utilisateurs le préfèrent à l'alternative ARCH plus Le modèle EGARCH peut également être
simple. représenté d'une autre manière en spécifiant le
logarithme de la variance conditionnelle comme suit
Le modèle GARCH le plus populaire dans les
applications est le modèle GARCH (1,1). Pour
exprimer le modèle GARCH en termes de modèle
ARMA, nous indiquons ηt = εt2 - ht. Ensuite, à partir de
l'équation (4), nous obtenons, …(8)
Cela signifie que l'effet de levier est exponentiel,
plutôt que quadratique, et que les prévisions de la
…(5) variance conditionnelle sont garanties non négatives.
Karanasos et Kim (2003) ont effectué une analyse
Lama et al : Modélisation et prévision de la volatilité des prix 77

détaillée de la structure des moments du modèle du coton, l'indice Cotlook A. L'indice Cotlook A qui
ARMAEGARCH, tandis que Kobayashi et Shi (2005) représente les prix internationaux du coton brut a été
ont étudié les tests d'EGARCH contre des modèles de tiré du bulletin des prix des produits de base, publié
volatilité stochastique. par la Convention des Nations Unies sur le commerce
et le développement (CNUCED). Les données
Critère d'information d'Akaike et critère internationales sur les prix des huiles comestibles ont
d'information bayésien été recueillies à partir des indices des prix des produits
Des critères d'évaluation standard des modèles, de base de la Banque mondiale (Pink Sheet)
tels que le critère d'information Akaike (AIC) et le disponibles sur son site Web officiel. Les données
critère d'information bayésien (BIC), sont utilisés relatives à l'indice des prix des huiles comestibles sur
pour comparer les performances des différents le marché intérieur ont été recueillies auprès de
modèles. Ces critères pénalisent la diminution des l'Office of the Economic Adviser, Ministry of
degrés de liberté lorsque plus de variables sont Commerce, Government of India. Ces séries illustrent
ajoutées. Pour le modèle ARIMA, il est calculé la complexité et la variation des données typiques sur
comme suit : les prix agricoles (figures 1-3). Chaque série contenait
360 points de données (d'avril 1982 à mars 2012),
dont les 348 premiers points de données ont été
utilisés pour l'élaboration de modèles et les 12 autres
points de données ont été conservés pour validation,
où T′ indique le nombre d'observations utilisées pour sauf pour la série Cotlook A où 346 points de données
l'estimation des paramètres et σ2 indique l'erreur ont été utilisés pour la modélisation et les 14 autres
quadratique moyenne. points pour les prévisions. Cette variation des points
de validation a été faite pour décrire correctement
Les valeurs AIC et BIC du modèle GARCH avec l'effet du modèle EGARCH asymétrique. Les
erreurs distribuées gaussiennes sont calculées par : caractéristiques des ensembles de données utilisés
AIC = 2 log (probabilité)+2T sont présentées dans le tableau 1.
BIC = 2 log (probabilité)+log (Tk) où, k L'inspection visuelle de ces séries (figures 1-3)
suggère clairement que la volatilité était présente à
est le degré de liberté du modèle.
plusieurs époques. De plus, les coefficients
Les valeurs AIC et BIC du modèle EGARCH à d'asymétrie et d'aplatissement de l'indice Cotlook A
erreurs distribuées gaussiennes sont calculées par : suggèrent l'asymétrie et la distribution en queue-de-
boule de la série (tableau 1). La littérature suggère que
les modèles ARCH/GARCH sont appropriés pour
quantifier la volatilité des prix (Jordaan et al., 2007),
car ces modèles présentent deux avantages majeurs
sur ARIMA et d'autres modèles linéaires.
Premièrement, les composantes prévisibles et
où les notations ont le sens habituel tel que défini
imprévisibles du processus d'établissement des prix
précédemment.
peuvent être facilement classées. Deuxièmement,
l'hétéropédastie est considérée comme la variance à
Résultats empiriques
modéliser et non comme un problème. Ainsi,
Données et mise en œuvre GARCH a été préféré au modèle ARIMA dans notre
étude.
Dans cette étude, trois ensembles de données ont
été utilisés pour évaluer la capacité de prévision de Test de stationnarité
différents modèles. La série comprenait les indices
L'hypothèse de base de l'économétrie des séries
des prix des huiles comestibles nationaux et
chronologiques est que la série sous-jacente est de
internationaux ainsi que l'indice international du prix
nature stationnaire. Ainsi, le test de stationnarité des
78 de recherche en économie78 Vol.28 (No.1) Janvier-Juin 2015

trois séries à l'étude a été effectué à l'aide des huiles huiles indice des
statistiques des tests Augmented Dickey Fuller (ADF) comestibles comestibles prix
et Phillips-Perron (PP). Le test ADF repose sur la indice des indice des
transformation paramétrique du modèle, tandis que le prix prix
test PP utilise des méthodes statistiques non Moyenne 74.47 112.95 157.24
paramétriques pour prendre en compte la corrélation Médiane 72.57 100.11 149.68
série dans les termes d'erreur. Pour les trois séries, les Maximum 141.60 256.22 506.34
deux tests ont été les suivants
Minimum 25.22 64.13 81.93
Standard 30.31 41.37 51.66
Tableau 1. Statistiques sommaires des séries de prix divergence
Statistiques Domestique International Cotlook A Inclinaison 0.16 1.64 3.03
Kurtosis 2.12 5.16 17.84

Temps

Figure 1. Modèle AR (2) - GARCH (1, 1) avec ses points de données, 1982-2010

Temps

Figure 2. Modèle AR (2) - GARCH (1, 1) avec ses points de données, 1982-2010
Lama et al : Modélisation et prévision de la volatilité des prix 79

Temps

Figure 3. Modèle AR (2) - GARCH (1, 1) ajusté avec son point de données, 1982-
2010 Tableau 2. Tests de stationnarité pour différentes séries de prix
Série Test ADF valeur P Test PP valeur
P
Indice des prix des huiles comestibles Niveau 0.20 0.97 0.001 0.95
domestiques
Différencié 12.69 <0.001 13.25 <0.001

Indice international des prix des huiles Niveau 1.48 0.58 1.25 0.65
comestibles
Différencié 12.09 <0.001 12.16 <0.001

Cotlook Index A Niveau 0.99 0.29 0.84 0.35


Différencié 10.20 <0.001 9.05 <0.001

a été jugé non significatif au niveau de signification quadratique (EQMR) des séries étaient assez élevées,
de 5 %, confirmant ainsi la non-stationnarité de la cela a confirmé que l'ARIMA ne peut pas modéliser
série de niveaux. Mais, en différenciant les séries une et prévoir efficacement les données volatiles. De plus,
fois, les deux tests ont été jugés très significatifs au le carré des résidus de ces séries présentait une
niveau de signification de 1 %, ce qui confirme leur autocorrélation significative. Ainsi, le besoin de
stationnarité. Ainsi, la nécessité d'une première modéliser ces séries avec des modèles non linéaires
différenciation des séries a été ressentie pour une de la famille GARCH s'est fait sentir. Les estimations
modélisation et une prévision appropriées de ces des paramètres du modèle ARIMA ainsi que les
séries. Les résultats détaillés des essais sont présentés erreurs-types entre parenthèses sont présentées au
dans le tableau 2. tableau 3.

Montage du modèle ARIMA Test de l'effet ARCH


Différentes combinaisons des modèles ARIMA L'approche de Box-Jenkins repose sur l'hypothèse
ont été testées après une première différenciation des
de base que les résidus demeurent constants dans le
trois séries. Au total, le modèle AR (1) avait des
valeurs minimales AIC et BIC pour toutes les séries. temps. Ainsi, le test du multiplicateur ARCH -
Comme les valeurs d'erreur quadratique moyenne Lagrange (LM) a été effectué sur le carré des résidus
80 de recherche en économie80 Vol.28 (No.1) Janvier-Juin 2015

obtenus après ajustement du tableau 3. Estimations des leurs erreurs-types entre parenthèses pour chaque
série sont présentées au tableau 5. Il convient de
paramètres d'ARIMA(1,1,0) Modéliser le modèle
mentionner qu'après avoir également modélisé la
ARIMA sur les trois séries pour vérifier si les résidus variance, le modèle moyen passe de AR(1) à AR(2).
restent effectivement constants. Les résultats du test Les résultats ont révélé que les indices des prix des
huiles comestibles au pays et à l'étranger présentent
ont révélé la présence de l'effet ARCH pour les trois une volatilité persistante élevée puisque la somme de
séries. Les résultats de l'essai sont présentés au a et de b est proche de un. Le bon ajustement du
modèle pour les indices de prix des huiles comestibles
tableau 4. au Canada et à l'étranger est clairement illustré par la
figure 1 et la figure 2, respectivement pour les deux
Montage du modèle GARCH séries. La modélisation de la série d'indices Cotlook
A n'a pas été satisfaisante, une hausse soudaine de la
Le modèle GARCH a été adapté aux trois séries volatilité ayant été observée à l'aide du graphique 3.
de prix, puis des prévisions ont été faites. Pour les Comme nous l'avons indiqué précédemment, la nature
trois séries, le modèle AR(2)-GARCH(1,1) a été
asymétrique de la série était également évidente
identifié comme étant le meilleur modèle sur la base d'après les coefficients d'asymétrie et de kurtosis
des performances en échantillon. Les estimations des (tableau 1). Cela nous a incités à modéliser et prévoir
paramètres du modèle AR(2)-GARCH(1,1) ainsi que la série Cotlook A en utilisant le modèle EGARCH.

Série Paramètre Estimation valeur P


Indice des prix des huiles comestibles AR(1) 0.38 (0.048) < 0.0001
domestiques
Indice international des prix des huiles AR(1) 0.42 (0.049) < 0.0001
comestibles
Cotlook Index A AR(1) 0.56 (0.050) < 0.0001
Note : Les valeurs entre parenthèses sont les erreurs-types correspondantes.
Tableau 4. Test ARCH - LM pour les trois séries
Décal Valeur Q valeur P
ages Domestic edibleInternational edibleCotlook Indice A des prix des
huiles Indice A des prix des huiles Indice des prix des huiles
1336.32 309.32 179.55 < 0.0001
2656 .57 550.00 253.21 < 0.0001
3962 .50 724.16 290.18 < 0.0001
41256 .64 843.79 303.43 < 0.0001
51538 .86 921.25 305.74 < 0.0001
61808.99 970.81 306.06 < 0.0001

Tableau 5. Estimations des paramètres de AR(2)-


GARCH( 1,1) modèle

Série a b valeur AIC

Indice des prix des huiles comestibles 0.09 (0.03) 0.88 (0.03) 1191.90
domestiques
Indice international des prix des huiles 0.40 (0.07) 0.54 (0.06) 2091.03
comestibles
Cotlook Index A 0.20 (0.09) 0.45 (0.05) 2288.88
Note : Les valeurs entre parenthèses sont les erreurs-types correspondantes.
Lama et al : Modélisation et prévision de la volatilité des prix 81

Montage du modèle EGARCH moyenne absolue de prédiction (ERMAPE) et est


présentée au tableau 7. Le tableau 8 présente, entre
Pour saisir la nature asymétrique de la
parenthèses, les prévisions des prix mensuels
volatilité des données, on a utilisé le modèle internationaux des huiles comestibles pour la période
EGARCH. L'équation moyenne du modèle AR(2)- allant d'avril 2011 à mars 2012, ainsi que les erreurs-
EGARCH(1,1) ajusté était : yt = 149,01 - 1,40 yt-1 types correspondantes. La capacité de prévision des

Temps
Figure 4. Modèle AR (2) - EGARCH (1, 1) équipé avec ses points de données
+ 0,45 yt-2 + εt (4,71) (0,05) (0,05) (0,05) deux modèles a été évaluée en fonction de l'erreur
où, quadratique moyenne quadratique (EQMR) et de
l'erreur relative moyenne absolue de prédiction
(ERMAPE) et est présentée au tableau 9.
et ht satisfait à l'équation de variance Le tableau 10 présente les prévisions à une étape
pour l'indice mensuel Cotlook A pour la période de
ht = 0,37 + 0,87 ln(ht-1)+ 0,54
février 2011 à mars 2012, ainsi que les erreurs-types
+ 0.50 correspondantes dans les fourchettes. La capacité de
(0.11) (0.04) (0.12) (0.16) prévision des trois modèles a été évaluée en fonction de
l'erreur quadratique moyenne quadratique (EQMR) et
Les valeurs entre parenthèses pour les équations de l'erreur relative moyenne absolue de prédiction
de la moyenne et de la variance indiquent les erreurs (ERMAPE) et est présentée au tableau 11.
standard des estimations. La valeur AIC pour le
Les résultats ont clairement indiqué que, comme
modèle EGARCH monté est de 2279,45, ce qui est
l'indique la série d'indices Cotlook A, la volatilité est
inférieur à la valeur correspondante, 2288,88 pour le
élevée.
modèle GARCH monté. Cela montre clairement la
supériorité du modèle EGARCH sur le modèle Tableau 6. Prévisions des séries de l'indice des prix
GARCH pour les données considérées aux fins de des huiles comestibles canadiennes
modélisation. Le modèle EGARCH ajusté ainsi que (Période : avril 2011 à mars 2012)
les données sont présentés à la figure 4. De toute MoisRéel Valeur prévisionnelle
évidence, le modèle ajusté a été capable de saisir mérite ARIMA AR(2)-
assez bien la volatilité présente aux épochs
temporels, surtout vers la fin. (1,1,0) GARCH(1,1)
Prévisions avr-11 129.70 128.75 (1.37) 128.90 (1.57)
Le tableau 6 présente les prévisions à un pas en Mai-11 132.10 128.92 (2.33) 129.27 (1.57)
avant de l'indice mensuel de l'indice des prix des huiles Juin-11 133.40 129.17 (3.13) 129.74 (1.57)
comestibles pour la période d'avril 2011 à mars 2012, Juil-11 133.70 129.45 (3.80) 130.26 (1.56)
ainsi que les erreurs-types correspondantes entre
Août-11 135.60 129.74 (4.38) 130.79 (1.56)
parenthèses. La capacité de prévision des deux modèles
Sep-11 136.30 130.04 (4.90) 131.33 (1.56)
a été évaluée en fonction de l'erreur quadratique
oct-11 135.40 130.33 (5.37) 131.88 (1.56)
moyenne quadratique (EQMR) et de l'erreur relative
82 de recherche en économie82 Vol.28 (No.1) Janvier-Juin 2015

Tableau 10. Prévision de la série d'indices Cotlook A


(Période : février 2011 à mars 2012)
Mois M Valeur réelle Valeur prévisionnelle

ARIMA(1,1,0) AR(2)-GARCH(1,1) AR(2)-EGARCH(1,1)

Fév-11 469.98 408.34 (8.30) 389.59 (26.46) 391.77 (22.11)


mar-11 506.34 416.47 (15.56) 371.55 (25.74) 376.72 (18.12)
avr-11 477.56 421.40 (22.35) 348.54 (25.05) 356.74 (15.36)
Mai-11 364.91 424.53 (28.55) 324.69 (24.39) 335.61 (13.39)
Juin-11 317.75 426.66 (34.17) 301.98 (23.75) 315.13 (11.94)
Juil-11 268.96 428.23 (39.29) 281.25 (23.13) 296.14 (10.87)
Août-11 251.55 429.49 (43.97) 262.76 (22.54) 278.91 (10.04)
Sep-11 257.63 430.57 (48.29) 246.50 (21.97) 263.48 (9.41)
oct-11 243.85 431.55 (52.30) 232.32 (21.42) 249.78 (8.91)
nov-11 230.78 432.48 (56.05) 220.01 (20.90) 237.66 (8.52)
Déc-11 210.43 433.37 (59.58) 209.35 (20.39) 226.96 (8.21)
Jan-12 222.91 434.25 (54.45) 200.15 (19.91) 217.55 (7.96)
Fév-12 222.12 435.12 (57.13) 192.21 (19.44) 209.26 (7.76)
12 mars 219.36 435.99 (59.68) 185.37 (19.01) 201.97 (7.59)
Note : Les valeurs entre parenthèses sont les erreurs-types correspondantes.
nov-11 135.30 130.63 (5.80) 132.43 (1.56) avr-11 227.73 224.058 (6.07) 227.72 (10.78)
Déc-11 137.00 130.92 (6.21) 132.98 (1.56) Mai-11 228.26 221.59 (10.53) 226.39 (10.64)
Jan-12 139.20 131.22 (6.59) 133.53 (1.56) Juin-11 225.25 220.75 (14.30) 225.08 (10.51)
Fév-12 139.30 131.52 (6.95) 134.09 (1.56) Juil-11 222.90 220.60 (17.51) 223.77 (10.38)
12 mars 141.60 131.81 (7.23) 134.65 (1.56) Août-11 221.38 220.73 (20.31) 222.49 (10.26)
Note : Les valeurs entre parenthèses sont les erreurs-types Sep-11 216.79 220.98 (22.81) 221.21 (10.14)
correspondantes. oct-11 203.13 221.28 (25.07) 219.95 (10.03)
nov-11 204.64 221.60 (27.15) 218.71 (9.92)
Déc-11 199.87 221.92 (29.08) 217.48 (9.82)
Jan-12 208.08 222.26 (30.89) 216.26 (9.73)
Tableau 7. Évaluation prévisionnelle de la série de
l'indice des prix des huiles comestibles Fév-12 215.89 222.59 (32.06) 215.05 (9.63)
domestiques 12 mars 226.80 222.92 (34.23) 223.84 (9.55)
Modèle Moyenne Moyenne relative Note : Les valeurs entre parenthèses sont les erreurs-types
racine correspondantes.
erreur erreur de
quadratique prédiction
absolue (%) Tableau 9. Évaluation prévisionnelle de la série
ARIMA(1,1,0) 1.71 4.10 d'indices internationaux des prix des huiles
comestibles
AR(2)-GARCH(1,1) 1.25 2.96
Modèle Moyenne Moyenne relative
Tableau 8. Prévisions de la série de l'indice international racine
des prix des huiles comestibles erreur erreur de
(Période : avril 2011 à mars 2012) quadratique prédiction
MoisRéel Valeur prévisionnelle absolue (%)
mérite ARIMA AR(2)- ARIMA (1,1,0) 3.19 3.90
AR(2)-MARCHE (1,1) 2.48 2.78
(1,1,0) GARCH(1,1)
Tableau 11. Évaluation prévisionnelle de la série
d'indices Cotlook A
Lama et al : Modélisation et prévision de la volatilité des prix 83

Modèle Moyenne Moyenne relative prévisions en termes de valeurs RMSE et RMAPE. Par
racine conséquent, les résultats empiriques ont confirmé la
erreur erreur de théorie selon laquelle le modèle EGARCH peut saisir
quadratique prédiction la volatilité asymétrique. La méthodologie employée
absolue (%) dans le présent document peut également être utilisée
ARIMA(1,1,0) 44.03 60.72 pour prévoir d'autres données de séries chronologiques
AR(2)-GARCH(1,1) 15.38 9.36 agricoles montrant la volatilité.
AR(2)-EGARCH(1,1) 14.41 3.99
Remerciements
au cours des mois de février, mars et avril 2011,
l'erreur type respective du modèle EGARCH était Le premier auteur remercie les membres du
élevée et, à mesure que la volatilité diminuait au comité consultatif de sa thèse de maîtrise pour leur
cours des mois restants, l'erreur type correspondante précieux soutien. Les auteurs remercient Lijo
diminuait également. Cette caractéristique n'a pas Thomas et C. Sundaramoorthy d'avoir partagé des
été observée dans le modèle GARCH où l'erreur données sur les graines oléagineuses et le coton,
type a suivi une tendance à la baisse, respectivement, et les examinateurs pour leurs
indépendamment de la volatilité. De plus, les précieuses suggestions.
prévisions ponctuelles du modèle EGARCH pour
juin 2011 et novembre 2011 étaient beaucoup plus Références et références
proches de la valeur réelle et bien meilleures que le Bollerslev, T. (1986) Generalized autoregressive
modèle GARCH concurrent. Enfin, du point de vue conditional heteroscedasticity. Journal of
de la prévision de l'intervalle, on peut noter à partir Econometrics, 31 : 307327.
du tableau 10 que, pour le modèle EGARCH ajusté, Box, G.E.P., Jenkins, G.M. et Reinsel, G.C. (2007)
les valeurs réelles de mai 2011 à mars 2012 se TimeSeries Analysis : Prévision et contrôle. 3e
situent étroitement dans l'intervalle de prévision de édition. Pearson Education, Delhi.
95 % qui n'a pas été observé dans l'étude de l
Engle, R.F. (1982) Autoregressive conditional
modèle GARCH
heteroscedasticity with estimates of the variance of
Conclusions UK inflation. Econometrica, 50 : 987-1008.

La performance du modèle ARCH et ses Fan, J. et Yao, Q. (2003) Nonlinear Time Series :
modifications, à savoir GARCH et EGARCH, a été Méthodes non paramétriques et paramétriques.
étudiée à l'aide d'indices mensuels des prix des matières Springer, New York, États-Unis.
premières agricoles. Les indices nationaux et
internationaux des prix des huiles comestibles ont été
modélisés et prévus à l'aide des modèles ARIMA et
GARCH. Pour les deux séries, le modèle AR(2)-
GARCH (1,1) a surpassé le modèle ARIMA(1,1,0) en
termes de précision de prévision. La supériorité du
modèle GARCH pour la modélisation de la série est
mise en évidence par des valeurs AIC inférieures à
celles du modèle ARIMA correspondant et la grande
précision des prévisions a été assurée par de faibles
valeurs RMSE et RAMPE.
Le modèle AR-GARCH a donné de meilleures
prévisions ponctuelles que le modèle ARIMA
concurrent pour les deux indices de prix. Le modèle
GARCH a mieux anticipé la volatilité que le modèle
ARIMA en une seule étape prévue vers la fin. De plus,
en raison d'un pic soudain dans la série d'indices
Cotlook A, EGARCH a été utilisé en plus des modèles
ARIMA et GARCH afin de saisir l'asymétrie des
données. Le modèle EGARCH a surpassé les modèles
GARCH et ARIMA pour le présent ensemble de
données en ce qui concerne la modélisation et les
84 de recherche en économie84 Vol.28 (No.1) Janvier-Juin 2015

Voir les statistiques des publications

Jordaan, H., Grove, B., Jooste, A. et Alemu, Z.G. (2007)


Measuring the price volatility of certain field crops in
South Africa using ARCH/GARCH approach. Agrekon,
46 : 306-322.
Karanasos, M. et Kim, J.G. (2003) Moments of the
ARMAEGARCH model. Econometrics Journal, 6 :
146-166.
Kobayashi, M. et Shi, X. (2005) Testing for EGARCH
against stochastic volatility models. Journal of Time
Series Analysis, 26 : 135-150.
Nelson, D.B. (1991) Conditional heteroscedasticity in asset
returns : Une nouvelle approche. Econometrica, 59 :
347-370.
Nelson, D. et Cao, C.Q. (1992) Inequality constraints in the
univariate GARCH models. Journal of Business
Economics and Statistics, 25 : 189-212.
Paul, R., Prajneshu et Ghosh, H. (2009) GARCH analyse de
séries chronologiques non linéaires pour la modélisation
et la prévision des données d'exportation des épices
volatiles de l'Inde. Journal of the Indian Society of
Agricultural Statistics, 63 : 123-131.
Schnepf, R. (1999) Assessing agricultural commodity price
variability. Economic Research Service/United States
Department of Agriculture - Agricultural Outlook.
Sundaramoorthy, C., Jha, G.K., Pal, S. et Mathur, V.C.
(2014) Market integration and volatility in edible oil
sector in India. Journal of the Indian Society of
Agricultural Statistics, 68 : 67-76.
2e
Tsay, R.S. (2005) Analysis of Financial Time Series.
édition. John Wiley, New York, États-Unis.

Reçu : Avril 2014 ; Accepté : Décembre, 2014

Vous aimerez peut-être aussi