MINISTERE DE L’ENSEIGNEMENT SUPERIEUR

ET DE LA RECHERCHE SCIENTIFIQUE

Année académique 2018 – 2019

Département : ADMINISTRATION DES AFFAIRES

Master 1 FINANCE

ECONOMETRIE DES SERIES TEMPORELLES

Etudiants : ENCADREUR

LOBA FRANCK
BINATE IBRAHIM M. N’DABIAN
Encadreur :
SIEHI TOH K. JOSE CHRISTIAN
DJAKORE SIDJE
DJAME DANG ANDREA
ANZHARA FATIMA
MEITE YOUSSOUF
MINOUGOU TIDIANE SAID
Introduction
I. Modèles ARCH / GARCH linéaires
I.1 Modèles ARCH(q)
I.2 Modèle avec erreurs ARCH(q)
I.3 Modèles GARCH(p,q)
II. Tests d’effets ARCH / GARCH
III. Extension des Modèles ARCH / GARCH linéaires
III.1 Modèles ARMA-GARCH
III.2 Modèles GARCH-M
III.3 Modèles IGARCH
Conclusion
Introduction
L’apparition des modèles ARCH / GARCH doit être replacé dans le
contexte plus vaste du débat sur la représentation linéaire ou non linéaire des
processus stochastiques temporels.

”A major contribution of the ARCH literature is the finding that

apparn ent changes in the volatility of economic time series may be
predictable and result from a specific type of nonlinear dependence
rather than exogenous structural changes in variables.” (Berra et
Higgins, 1993, page 315).

Comme l’indiquent Berra et Higgins, la modélisation ARCH / GARCH et

ses extenC sions correspond à une représentation spécifique de la non linéarité
qui permet une modélisation simple de l’incertitude.

Nous allons successivement évoquer ces deux points. Mais avant cela
passons en revue les principales propriétés des séries financières de prix
(action, obligation, taux de change..) et de rendement. Ce qui nous permettra
au passage d’introduire un certain nombre de définitions essentielles.
 I. Modèles ARCH / GARCH linéaires
I.1 Modèles ARCH(q)
I.2 Modèle avec erreurs ARCH(q)
I.3 Modèles GARCH(p,q)
 II. Tests d’effets ARCH / GARCH
Comment tester la présence des effets ARCH dans la série Yt ou dans le résidu du modèle
linéaire autorégressif ? Deux principaux tests existent :
Tests d’autocorrélation sur les carrés ε2 t : application des statistiques usuelles du type Q
stat (Box Pierce, Ljung Box etc.…)
III. Extension des Modèles ARCH / GARCH linéaires
I II.1 Modèles ARMA-GARCH
C’est Weiss (1986) qui a introduit dans la variance conditionnelle des effets additionnels de
variables expliquées. En effet, la modélisation GARCH peut être appliquée non au processus
initial, mais au processus d’innovation. Ceci permet alors d’introduire divers effets
additionnels de variables explicatives soit dans la moyenne conditionnelle, soit dans la
variance conditionnelle. Par exemple, on peut considérer un modèle de régression linéaire
avec erreurs GARCH :
III.2 Modèles GARCH-M
Engle-Lilien-Robbins (1987) ont proposé des modèles GARCH−M où la variance
conditionnelle est une variable explicative de la moyenne conditionnelle. Ces processus
semblent ainsi plus adaptés à une description de l’influence de la volatilité sur le rendement
des titres.
III.3 Modèles IGARCH
Les processus IGARCH(p,q) proposés par Engle et Bollerslev (1986), correspondent au cas
d’une racine unitaire dans le processus de variance conditionnelle. Ces modèles sont alors
caractérisés par un effet de persistance dans la variance. C’est à dire qu’un choc sur la
variance conditionnelle actuelle se répercute sur toutes les valeurs futures prévues. L’étude
de la stationnarité (au 2nd ordre) d’un processus GARCH revient à démontrer que la
variance inconditionnelle est asymptotiquement indépendante du temps (Gourieroux, 1992).
Le processus εt étant une différence de martingale (admettant des composantes non
corrélées de moyenne nulle), on a la propriété suivante :
Conclusion