Académique Documents
Professionnel Documents
Culture Documents
Jean-Michel ZAKOIAN
Generalized ARCH
Bollerslev (1986) :
Outline
Modèles stationnaires
Définition
(Xt ) est stationnaire au sens strict si
Définition
Soit (Xt ) telle que EXt2 < ∞. La fonction moyenne de (Xt ) est
µX (t) = E(Xt )
γX (r, s) = Cov(Xr , Xs )
Définition
(Xt ) est stationnaire (au second-ordre) si
(i) µX (t) est indépendante de t, et
(ii) γX (t, t + h) est indépendante de t, pour tout h.
γX (h)
ρX (h) = = Cor(Xt , Xt+h ), h = 0, ±1, ±2, . . .
γX (0)
Bruit blanc
Définition
Un bruit blanc est une suite (t ) de variables centrées, de variance
constante et non corrélées :
Autocorrélations empiriques
En pratique on observe x1 , . . . xn :
réalisation partielle d’une série (Xt ) supposée stationnaire.
Pour étudier la dépendance, en vue de la sélection d’un modèle, un
outil important est la fonction d’autocorrélation empirique.
Définition
1 Pn
La moyenne empirique de x1 , . . . xn est x = n t=1 xt .
La fonction d’autocovariance empirique est
n
1X
γ̂(h) = (xt+|h| − x)(xt − x), |h| < n.
n
t=1
γ̂(h)
ρ̂(h) = , |h| < n.
γ̂(0)
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastique
Stationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
0.06
0.04
0.02
2 4 6 8 10 12
-0.02
-0.04
-0.06
Prévisions théoriques
2 concepts :
Espérance conditionnelle :
Innovations
2 concepts :
Innovation forte :
Innovation linéaire :
E(t | t−1 ) = 0.
Modèles ARMA
ARMA(p, q) :
Xt − φ1 Xt−1 − · · · − φp Xt−p = t − ψ1 t−1 − · · · − ψq t−q
4000
3000
2000
0.05
0.00
-0.05
-0.10
0 500 1000 1500 2000 2500
0.04
0.02
-0.02
-0.04
-0.06
0.004
0.003
0.002
0.001
√
Corrélogrammes de la série CAC 40 et de son carré. Les traits en pointillé correspondant à ±1.96/ n
0.3
0.25
0.2
0.15
0.1
0.05
2 4 6 8 10 12 14
-0.05
0.3
0.25
0.2
0.15
0.1
0.05
2 4 6 8 10 12 14
To Chi- Pr >
Lag Square DF Khi2 -----------------Auto-corrélations-----------------
To Chi- Pr >
Lag Square DF Khi2 -----------------Auto-corrélations-----------------
t = σt ηt
où
(ηt ) est un processus iid (0,1)
(σt ) est un processus appelé volatilité, σt > 0
les variables σt et ηt sont indépendantes
Deux grandes classes de modèles :
type GARCH (Generalized Autoregressive Conditional
Heteroskedasticity) : σt ∈ t−1 (passé de t )
à volatilité stochastique
Définition
On dit que (t ) est un processus GARCH(p, q) semi-fort si
(i) E(t /t−1 ) = 0, t ∈ ZZ ;
(ii) Il existe des constantes ω, αi , i = 1, . . . , q et βj , j = 1, . . . , p
telles que
q
X p
X
σt2 = V (t /t−1 ) = ω + αi 2t−i + 2
βj σt−j , t ∈ ZZ.
i=1 j=1
ARCH : p = 0
où r = max(p, q)
(t ) bruit blanc ? oui si E2t < ∞ car
Définition
(t ) est un processus GARCH(p, q) au sens fort s’il vérifie
t = σt ηt
Pq Pp
σt2 = ω0 + 2
i=1 α0i t−i + 2
j=1 β0j σt−j , ∀t ∈ Z
où ai (z) = αi z 2 + βi , i = 1, . . . , r.
q
Simulation de taille 500 du processus ARCH(1) : t = 1 + 0.52t−1 ηt , ηt ∼ N (0, 1)
4
-4
q
Simulation de taille 500 du processus ARCH(1) : t = 1 + 0.952t−1 ηt , ηt ∼ N (0, 1)
10
-10
q
Simulation de taille 500 du processus ARCH(1) : t = 1 + 1.12t−1 ηt , ηt ∼ N (0, 1)
20
15
10
5
100 200 300 400 500
-5
-10
-15
-20
q
Simulation de taille 200 du processus ARCH(1) : t = 1 + 32t−1 ηt , ηt ∼ N (0, 1)
20000
15000
10000
5000
50 100 150 200
-5000
-10000
-15000
-20000
200
100
10 20 30 40
-100
-200
-300
-400
-500
15
10
5
15
10
5
σt2 = 2
ω + a(ηt−1 )σt−1 (a(z) = αz + β)
2
= ω + a(ηt−1 ){ω + a(ηt−2 )σt−2 }
" N
#
X
2
= ω 1+ a(ηt−1 ) . . . a(ηt−n ) + a(ηt−1 ) . . . a(ηt−N −1 )σt−N −1
n=1
2
:= ht (N ) + a(ηt−1 ) . . . a(ηt−N −1 )σt−N −1 .
Le processus limite
∞
( )
X
ht = 1+ a(ηt−1 ) . . . a(ηt−n ) ω
n=1
n
" #
1X
[a(ηt−1 ) . . . a(ηt−n )]1/n = exp log{a(ηt−i )} → eγ p.s.,
n
i=1
Propriété
Le modèle GARCH(1,1) a une (unique) solution strictement
stationnaire non anticipative ssi
γ = E log{αηt2 + β} < 0.
[Nelson, 1990]
soit
(1 − α − β)E(2t ) = ω.
Il faut donc α + β < 1. On obtient de plus : E(2t ) > 0.
Inversement si α + β < 1 on a γ < 0. La solution strictement
stationnaire vérifie
+∞
" #
X
E(2t ) = E(ht ) = 1 + E{a(ηt−1 ) . . . a(ηt−n )} ω
n=1
+∞
" #
X
n ω
= 1+ {Ea(ηt )} ω= .
1 − (α + β)
n=1
Propriété
Le modèle GARCH(1,1) a une solution stationnaire au second-ordre
non anticipative ssi
α + β < 1.
2
1
0 1 2 3 4
Représentation vectorielle
z t = bt + At z t−1
où
z t = (2t , . . . , 2t−q+1 , σt2 , . . . , σt−p+1
2 )0 ∈ Rp+q ,
bt = (ωηt2 , 0, . . . , ω, 0, . . . , 0)0 ∈ Rp+q ,
Si on déroule le modèle
z t = bt + At z t−1
on obtient
Coefficient de Lyapounov
pour toute suite de matrices aléatoires A = (At ), strictement
stationnaire et ergodique, telle que E log+ kAt k < ∞ on définit
1
γ(A) := inf∗ E(log kAt At−1 . . . A1 k)
t∈N t
1
= lim a.s. log kAt At−1 . . . A1 k.
t→∞ t
Propriété
Le modèle GARCH (p, q) a une (unique) solution strictement
stationnaire non anticipative ssi
γ(A) < 0.
Pp
γ(A) < 0 ⇒ j=1 βj < 1.
Le coefficient peut être estimé par simulations.
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastique
Stationnarité, innovations, modèles ARMA Définitions, Représentations
Propriétés des séries financières Etude de la stationnarité
Modèles GARCH : propriétés probabilistes Asymétries et autres spécifications
q
Régions de stationnarité du modèle ARCH(2) : t = 1 + α1 2t−1 + α2 2t−2 ηt , ηt ∼ N (0, 1).
1 : Stationnarité au second-ordre ;
1 et 2 : Stationnarité stricte ;
3 : Non stationnarité
α2
3
1
2
1
0
α1
0 1 2 3
Propriété
Le modèle GARCH (p, q) a une solution
Pq stationnaire
Pp au
second-ordre non anticipative ssi i=1 αi + j=1 βj < 1.
Propriété
Si E(ηt2m ) < ∞,
E(2m
t )<∞ ⇐⇒ ρ{E(A⊗m
t )} = ρ{E(At ⊗ · · · ⊗ At )} < 1.
µ2i = E(ηt2i ), i = 0, . . . , m.
1.0
0.8
0.6
3
0.4
1 2
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0 1.2
Kurtosis :
Distribution conditionnelle :
E(4t /t−1 ) E(ηt4 )
E(2k 2k 2k
t /t−1 ) = σt E(ηt ) ⇒ = := κη .
{E(2t /t−1 )}2 {E(ηt2 )}2
Distribution marginale :
0.4
0.3
0.2
0.1
2 4 6 8 10 12
0.4
0.3
0.2
0.1
2 4 6 8 10 12
E(2t+h |t−1 ) = 2
E(σt+h |t−1 )
X
q
X
p
= ω+ αi E(2t+h−i |t−1 ) + 2
βj E(σt+h−j |t−1 ),
i=1 j=1
avec
E(2t+h−i |t−1 ) = 2
E(σt+h−i |t−1 ), i≤h
E(2t+h−i |t−1 ) = 2t+h−i , 2
E(σt+h−i |t−1 ) 2
= σt+h−i , i > h.
Intervalles de prévision à horizon 1, à 95%, pour le bruit blanc fort de loi N (0, 1).
-1
-3
13
-2
-7
-12
30
20
10
-10
-20
-30
50
-50
-100
100 200 300 400 500
8
< Xt = φXt−1 + t
: t
σt2
= σt ηt
= ω + α2t−1 + βσt−1
2
ω > 0, α, β ≥ 0, α + β < 1, |φ| < 1.
ω(1 − φ2(h+1) )
ω
φ2(h+1) − (α + β)(h+1)
= + σt2 −
{1 − (α + β)}(1 − φ2 ) 1 − (α + β) φ2 − (α + β)
si φ2 6= α + β
ω(1 − φ2(h+1) )
ω
V (Xt+h |Xt−1 ) = + σt2 − (h + 1)φ2h
(1 − φ2 )2 1 − (α + β)
si φ2 = α + β.
ωh
ω
1 − (α + β)(h+1)
= + σt2 − .
{1 − (α + β)} 1 − (α + β) 1 − (α + β)
Si α + β = 1 et |φ| < 1,
Propriétés d’agrégation ?
Agrégation temporelle : un modèle GARCH à une fréquence donnée
est-il compatible avec un modèle GARCH à une autre fréquence ?
On en déduit que
est i.i.d. On a
E(η̃t |2(t−1) , 2(t−2) , . . .) = 0 E(η̃t2 |2(t−1) , 2(t−2) , . . .) = 1
mais
!
(µ4 − 1)α3 22(t−1) (α22(t−1) + 2ω)
E(η̃t4 |2(t−1) , 2(t−2) , . . .) = µ4 1+
{ω(1 + α) + α2 22(t−1) }2
Définition
Soit (t ) stationnaire à l’ordre 4. On dit que (t ) est un
GARCH(r, p) au sens faible si
(i) (t ) est un bruit blanc ;
(ii) (2t ) admet une représentation ARMA de la forme
r
X p
X
2t − ai 2t−i = c + νt − bi νt−i
i=1 i=1
Proposition
Soit (t ) un processus GARCH(1,1) faible. Alors, pour tout entier
m ≥ 1, le processus (mt ) est également un processus GARCH(1,1)
faible. Les paramètres des représentations ARMA
2t − a2t−1 = c + νt − bνt−1 et 2mt − a(m) 2m(t−1) = c(m) + ν(m),t − b(m) ν(m),t−1
1 2 3 4 5 10 20
ρ̂(t , t−h ) 0.030 0.005 −0.032 0.028 −0.046 0.016 0.003
ρ̂(+
t , t−h ) 0.011 −0.094 −0.148 −0.018 −0.127 −0.039 −0.026
où
g(ηt−i ) = θηt−i + γ[|ηt−i | − E|ηt−i |].
Modélisation multiplicative de la volatilité
q p
Y Y βj
σt2 = eω exp{αi g(ηt−i )} 2
σt−j
i=1 j=1
t = σt ηt P
log σt = ω + qi=1 αi g(ηt−i ) + pj=1 βj log σt−j
2 2
P
où
g(ηt−i ) = θηt−i + γ[|ηt−i | − E|ηt−i |].
q
X p
X
α(z) = αi z i et β(z) = 1 − βi z i
i=1 i=1
α(L) P∞ i
β(L) = i=1 λi L , gη (x) = E[exp{xg(ηt )}]
Contraintes de positivité
Stationnarité :
étude fondée sur
+ +
t = σt ηt , − −
t = σt ηt .
Conséquences :
max{p,q}
X
σt = ω + ai (ηt−i )σt−i , ai (z) = αi,+ z + − αi,− z − + βi .
i=1
⇔ α1,+ α1,− < e−2E log |ηt | avec (ηt ) de loi symétrique.
z t = bt + At z t−1
où 0 1 0 +
1
BB
ωηt+
CC BB −−
t
C
C
BB
−ωηt−
CC BB t
C
C
BB
0
CC BB ..
. C
C
bt = b(ηt ) = B
B
..
CC ∈ IRp+2q , zt = B
B + C
C
BB
.
CC BB t−q+1
−− C
C
∈ IRp+2q ,
BB
ω
CC BB t−q+1
C
C
B@
0
CA BB σt
C
C
@ A
.. ..
. .
0 σt−p+1
z t = bt + At z t−1
où
0 α1,+ ηt+ αq,+ ηt+ αq,− ηt+ β1 ηt+ βp ηt+
1
BB C
··· ···
BB −α1,+ ηt− ··· −αq,+ ηt+ −αq,− ηt− −β1 ηt− ··· −βp ηt− C
C
B C
C
At = B BB C
C
I2(q−1) 02(q−1)×1 02(q−1)×1 02(q−1)×(p−1) 02(q−1)×1
C
.
BB C
C
@ A
α1 ··· αq,+ αq,− β1 ··· βp
0.3
0.25
0.2
0.15
0.1
0.05
2 4 6 8 10 12 14
0.3
0.2
0.1
2 4 6 8 10 12 14
-0.1
>
: σt2 = 8. 10−6 + 0.09 2t−1 + 0.84 2
σt−1
(2. 10−6 ) (0.02) (0.02)
EGARCH(1,1)
8
>
>
>
rt = 4. 10−4 + t , t = σt ηt , ηt ∼ N (0, 1)
>
<
(2. 10−4 )
q2
log σt2 = −0.64 + 0.15 ( −0.53 ηt−1 + |ηt−1 | − )
>
>
π
>
(0.15) (0.03) (0.14)
>
: + 0.93
(0.02)
2
log σt−1
QGARCH(1,1)
8
>
< rt = 3. 10−4
(2. 10−4 )
+ t , t = σt ηt , ηt ∼ N (0, 1)
>
: σt2 = 9. 10−6 + 0.07 2t−1 − 9. 10−4 t−1 + 0.85 2
σt−1
(2. 10−6 ) (0.01) (2. 10−4 ) (0.03)
>
: σt2 = 1. 10−5 + 0.13 2t−1 − 0.10 2t−1 1l{t−1 >0} + 2
0.84 σt−1
(2. 10−6 ) (0.02) (0.02) (0.03)
TGARCH(1,1)
8
>
< rt = 4. 10−4
(2. 10−4 )
+ t , t = σt ηt , ηt ∼ N (0, 1)
>
: σt = 8. 10−4 + 0.03 +
t−1 − 0.12 −
t−1 + 0.87 σt−1
(2. 10−4 ) (0.01) (0.02) (0.02).
5
0.04
0.02 4
-0.02 2
-0.04 1
-0.06
100 200 300 400 500
5 5
4 4
3 3
2 2
1 1
100 200 300 400 500 100 200 300 400 500
6
5
5
4
4
3 3
2 2
1 1
100 200 300 400 500 100 200 300 400 500
volatilités estimées par modèles EGARCH et TARCH, puis TGARCH et GJR-GARCH : nuage des points
2
σ − σ2 , σ2 2
− σt, GARCH , (graphe de gauche)
2t,TGARCH 2t,GARCH 2t,EGARCH 2
σt,TGARCH − σt,GARCH , σt,GJR-GARCH − σt,GARCH (graphe de droite)
0.3 0.3
0.25
0.2
0.2
0.15
0.1
0.1
0.05
2 4 6 8 10 12 14
2 4 6 8 10 12 14
-0.1
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 2 4 6 8 10 12 14 0 2 4 6 8 10 12 14
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 2 4 6 8 10 12 14 0 2 4 6 8 10 12 14