Académique Documents
Professionnel Documents
Culture Documents
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 :
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.
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
…(3)
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
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.
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.
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
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
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