Chapitre 2

Introduction
Définitions
Processus stochastique stationnaire
Processus stochastique non stationnaire
Typologie des processus stochastiques non stationnaires
Conséquences de la non stationnarité
Tests de stationnarité
Économétrie
Chapitre II :
Généralités sur les séries temporelles:
Processus stationnaire
Professeur: BADDI HICHAM
1/52
Économétrie
Introduction
Définitions
Plan
1 Introduction
2 Définitions
3 Processus stochastique stationnaire
4 Processus stochastique non stationnaire
5 Typologie des processus stochastiques non stationnaires
6 Conséquences de la non stationnarité
7 Tests de stationnarité
2/52
Économétrie
Introduction
Définitions
Introduction :
L’utilisation des séries temporelles permet d’étudier le comporte-

ment passé de la série.
Pour pouvoir faire de prévisions, il faut alors une bonne analyse

du comportement passé de la série.
L’étude des séries temporelles a montré qu’il peut exister au fil

du temps une sorte d’irrégularité dans le comportement de ces
séries.
Si le comportement était irrégulier, alors les résultats tirés de

l’analyse du passé de la série n’auront aucun intérêt prédictif.
3/52
Économétrie
Introduction
Définitions
Objectifs :
Définir les processus stochastiques stationnaires et non station-

naires.
Distinguer entre processus à tendance déterministe et à tendance

stochastique.
Présenter les principaux tests de racine unitaire.
4/52
Économétrie
Introduction
Définitions
1- Définitions : Séries temporelles et processus aléatoires
Une série chronologique, ou série temporelle, est vue est comme

une réalisation d’un processus stochastique.
Elle est définie comme étant une suite d’observations répétées

d’un même phénomène à des dates différentes.
Autrement dit, Elle est une série d’observations numériques in-

dicées par le temps.
Elle peut être observée de manière discrète ou de manière conti-

nue.
5/52
Économétrie
Introduction
Définitions

Exemple d’une série temporelle discrète :
Exemple d’une série temporelle continue : Données ba-

rométriques en météorologie, signal radio,etc.
6/52
Économétrie
Introduction
Définitions
Un processus aléatoire ou stochastique Y est défini comme

étant une variable aléatoire indicée par le temps, multivariée et
dont chaque composante univariée représente toujours le même
concept économique quelle que soit la période considérée.
La réalisation d’un processus stochastique Y est une série tempo-

relle observée, dont chaque composante est une réalisation d’une
composante différente de X.
Par exemple, la série du PIB présentée ci-dessus est considérée
comme la réalisation d’un processus stochastique Y .
Si Y représente le PIB sur la période 1990-2018, les données se-
ront notées Y1 , Y2 , Y3 ,...,Y29 où l’indice 1 représente la première
observation qui concerne le PIB réel en 1990 et l’indice 29
représente la dernière observation qui concerne le PIB réel en
2018. 7/52
Économétrie
Introduction
Définitions
Théoriquement, la valeur du PIB en 1990 pouvait prendre n’im-

porte quelle valeur dépendant du climat économique et des poli-
tiques économiques du moment.
Ce chiffre est une réalisation particulière de toutes les possibi-

lités.
En conséquence, on peut dire que le PIB est un processus stochas-

tique et les valeurs observées pour la période 1990-2018 sont une
réalisation particulière de ce processus.
Un type de processus stochastique qui a reçu une grande atten-

tion et qui a bénéficié d’un examen minutieux de la part des ana-
lystes des séries temporelles porte le nom de processus stochas-
tique stationnaire.
8/52
. Économétrie
Introduction
Définitions
2- Processus stochastique stationnaire

Définition 1 :
Un processus stochastique Y est stationnaire au second ordre, ou

stationnaire au sens faible, ou stationnaire d’ordre deux si les trois
conditions sont satisfaites :
1 E(Yt ) = µ ∀ t ;
2 var(Yt ) = E(Yt − µ)2 = σ 2 ∀ t ;
3 cov(Yt , Yt+1 ) = E [(Yt − µ)(Yt+k − µ)] = γk .
9/52
Économétrie
Introduction
Définitions
En d’autres termes, Un processus stochastique Y est stationnaire

si :
1 La moyenne est constante et indépendante du temps.
2 La variance est constante et indépendante du temps.
3 La covariance entre une composante d’une date t et une compo-

sante d’une autre date t+k ne dépend que du nombre de décalages
(le retard ). Par exemple : cov(Y80 , Y81 ) = cov(Y89 , Y90 )
10/52
Économétrie
Introduction
Définitions
Alors,une série chronologique est stationnaire si ses moyennes,

variances, et autovariances (pour divers retards) sont identiques
quel que soit le point auquel elles sont mesurées, c’est à dire, elles
sont constantes dans le temps.
Une telle série fluctue autour d’une valeur moyenne stable et les
fluctuations autour de cette moyenne (mesurées par la variance)
présenteront une amplitude généralement constante. De plus, la
manière dont ses valeurs sont liées aux valeurs précédentes se
répète de façon stable dans le temps
11/52
Économétrie
Introduction
Définitions

Définition 2 :
Un processus stochastique Y est un bruit blanc si :
- E(Yt ) = 0 ∀ t.
- var(Yt ) = σ 2 ∀ t.
- cov(Yt , Yt+1 ) = 0
Le bruit blanc est un cas particulier d’un processus stochastique

stationnaire.
12/52
Économétrie
Introduction
Définitions
Remarque :
- Un processus stochastique Y est non stationnaire si l’une de ces

trois conditions n’est pas remplie.
- La non stationnarité est due souvent à une espérance ou à une

variance qui varie dans le temps, ou aux deux à la fois.
13/52
Économétrie
Introduction
Définitions

Définition 3 :
Le processus stochastique (Yt )t∈Z est stationnaire au sens fort ou

stationnaire au sens strict si pour tout t1 , t2 , ...., tn ∈ Z et pour tout
h ≥ 1 la loi de probabilité conjointe de Yt1+h , Yt2+h , ...., Ytn+h est
indépendante de h
La notion de stationnarité stricte revient à dire que la loi tempo-

relle est invariante en fonction du temps. En particulier les va-
riables Yt ont la même loi.
L’hypothèse de stationnarité forte est très contraignante et elle est

peu réaliste, c’est pourquoi on maintient souvent l’hypothèse de
la stationnarité faible.
14/52
Économétrie
Introduction
Définitions
3- Processus stochastique non stationnaire
On rencontre souvent des séries chronologiques non station-

naires.
L’exemple classique des processus non stationnaires est le modèle

à marche aléatoire.
On distingue deux types de marches aléatoires :
- Marche aléatoire sans dérive ;
- Marche aléatoire avec dérive.
15/52
Économétrie
Introduction
Définitions
La série Yt est dite une marche aléatoire si : Yt = Yt−1 + εt
εt est un bruit blanc avec moyenne nulle et une variance constante

dans la temps.
Dans ce modèle à marche aléatoire, la valeur de Y en temps t est

égale à sa valeur en t − 1 plus un choc aléatoire. C’est un modèle
AR(1).
Exemple : Les prix des actions sont souvent des marches

aléatoires.
16/52
Économétrie
Introduction
Définitions
A partir de l’équation du modèle marche aléatoire, on écrit :
Y1 = Y0 + ε1
Y2 = Y1 + ε2 = Y0 + ε1 + ε2
Y3 = Y2 + ε3 = Y0 + ε1 + ε2 + ε3
D’une manière générale, c’est le processus démarre à une période

0 avec une valeur Y0 , on obtient :
P
Yt = Y0 + εt
17/52
Économétrie
Introduction
Définitions

!
P
D’où, E(Y )t = E Y0 + εt = Y0
Et var(Y )t = tσ 2
Ainsi, la moyenne de Y est égale à sa valeur initiale, qui

est constante, mais lorsque t augmente, sa variance croı̂t
indéfiniment, ce qui viole une condition de la stationnarité.
Par conséquent, le modèle à marche aléatoire sans dérive est un

processus stochastique non stationnaire.
18/52
Économétrie
Introduction
Définitions
Dans le cas d’un modèle à marche aléatoire avec dérive (présence

d’un terme constant), l’équation s’écrit comme suit : Yt = c+Yt−1 +
εt , où c est le terme constant.
Le terme dérive provient du fait que l’équation ci-dessus

précédente s’écrit comme suit : Yt − Yt−1 = ∆Y = c + εt .
Ainsi, Yt se déplace vers le haut ou vers le bas selon le signe du

paramètre c.
En effet, le modèle à marche aléatoire est un exemple de ce que la

littérature nomme un processus à racine unitaire.
19/52
Économétrie
Introduction
Définitions
Écrivons le modèle à marche aléatoire sous la forme suivante :

Yt = ρYt−1 + ut .
Si ρ = 1, on trouve un modèle à marche aléatoire sans dérive.
Nous somme alors en présence d’une racine unitaire, c’est à dire

que la série Yt n’est pas stationnaire.
20/52
Économétrie
Introduction
Définitions
En effet, les termes de non stationnaire, marche aléatoire et racine

unitaire peuvent être considérés comme synonymes.

Cependant, si ρ ≤ 1, la série chronologique Yt est stationnaire.
Il est important alors de vérifier si une série chronologique

possède une racine unitaire ou non.
21/52
Économétrie
Introduction
Définitions
Exemple d’un processus non stationnaire
22/52
Économétrie
Introduction
Définitions
4- Typologie des processus stochastiques non stationnaires
Deux types de processus non stationnaires sont distingués :
- les processus TS (Trend Stationary) qui représente une non sta-

tionnarité de nature déterministe ;
- les processus DS (Differency Stationary) qui représente une non

stationnarité de type aléatoire.
23/52
Économétrie
Introduction
Définitions

4.1 Les processus TS (Trend Stationary)
Définition : On dit que le processus Yt est TS (Trend Stationary),

ou encore le processus Yt est caractérisé par une non stationnarité
déterministe s’il peut s’écrire sous la forme suivante :
Yt = f (t) + ut
où f (t) est une fonction du temps et ut est un processus stochas-

tique stationnaire.
Le processus Yt s’écrit alors comme la somme d’une fonction

déterministe de temps et d’une composante stochastique station-
naire.
24/52
Économétrie
Introduction
Définitions

L’exemple le plus simple et le plus répandu d’un processus TS est

celui d’une tendance linéaire perturbée par un bruit blanc.
Ce processus s’écrit sous la forme suivante : Yt = a0 + a1 t + εt
Avec f (t) = a0 + a1 t et ut = εt
25/52
Économétrie
Introduction
Définitions

Ce processus n’est pas stationnaire car E (Yt ) = a0 + a1 t dépend

du temps.
Ainsi, ce processus est rendu stationnaire en lui enlevant sa ten-

dance déterministe : Yt − (a0 + a1 t) = εt
Lorsque le processus TS est affecté par un choc (ou par plusieurs

chocs) à l’instant t, l’effet de ce choc est transitoire.
Puisque le modèle est déterministe, la chronique retrouve son

mouvement de long terme qui est ici la droite de la tendance.
26/52
Économétrie
Introduction
Définitions

Exemple d’un processus non stationnaire : Tendance déterministe
27/52
Économétrie
Introduction
Définitions

4.2 Les processus DS (Differency Stationary)
Définition : On dit que le processus Yt est caractérisé par une non

stationnarité stochastique, ou encore le processus Yt est DS (Dif-
ference stationnary) si le processus différencié d fois (1 − L)d Yt
est stationnaire.
On dit que le processus Yt est intégré d’ordre d, noté I(d).
On dit que le processus Yt est intégré d’ordre 1, noté I(1), si le

processus différencié une seule fois (1 − L)Yt est stationnaire.
28/52
Économétrie
Introduction
Définitions

Les exemples les plus connus de processus I(1) sont :
- le processus DS sans dérive : Yt = Yt−1 + εt
- Ce processus porte aussi le nom de modèle de marche aléatoire

sans dérive ou pure.
- le processus DS avec dérive : Yt = c + Yt−1 + εt
- Ce processus porte aussi le nom de modèle de marche aléatoire

avec dérive.
29/52
Économétrie
Introduction
Définitions

Dans les processus DS, l’effet d’un choc à une date donnée est
permanent.
Le processus est caractérisé par la persistance des chocs ou de

l’hystérie.
Ainsi, un choc temporaire à un instant donné a un effet perma-

nent sur le niveau du processus puisque le processus ne rejoindra
jamais sa valeur initiale suite à ce choc.
30/52
Économétrie
Introduction
Définitions

Exemple d’un processus non stationnaire : Marche aléatoire sans

dérive
31/52
Économétrie
Introduction
Définitions
5- Conséquences de la non stationnarité

5.1- Conséquences statistiques de la non stationnarité
Les propriétés de stationnarité ou de non stationnarité des séries
utilisées déterminent le type de modélisation et les propriétés
asymptotiques des estimateurs.
On sait que pour un processus TS, la bonne méthode de station-
narisation est la méthode des moindres carrés ordinaires.
L’utilisation d’un filtre aux différences pour stationnariser un
processus TS conduit à une autocorrélation fallacieuse du résidu
du filtre.
On sait également que pour un processus DS, la bonne méthode
de stationnarisation est le filtre aux différences.
Si on applique à ce processus la méthode des moindres carrés or-
dinaires, cela va engendrer une forte autocorrélation des résidus
pour les premiers retards.
32/52
Économétrie
Introduction
Définitions

L’élimination d’une tendance linéaire d’une marche aléatoire crée ar-

tificiellement une forte autocorrélation positive des résidus dans les
premiers retards. (Chan, Hayya et Ord, 1977).
33/52
Économétrie
Introduction
Définitions

La non stationnarité affecte les propriétés asymptotiques des sta-
tistiques des tests usuels sur les paramètres.
Prenons par exemple le seuil asymptotique de significativité à 5%
d’une statistique de Student d’un test de nullité sur un coefficient.
Puisqu’on approxime la loi de Student par la loi normale centrée

réduite, ce seuil est asymptotiquement égal à 1.96 dans le cas
standard.
Toutefois, quand on régresse deux processus I(1), la loi asympto-
tique de la statistique de Student associé au test de la nullité du
coefficient estimé n’est plus une loi de Student, ni une loi normale
centrée réduite.
Ainsi, le seuil à 5% de 1.96 n’est plus valide.
34/52
Économétrie
Introduction
Définitions

5.1- Conséquences économiques de la non stationnarité
Les conséquences sont aussi importantes sur le plan économique.
Si on prend par exemple, le PIB réel d’un pays et si ce dernier est

DS plutôt que TS, alors il est nécessaire de remettre en cause les
schémas de décomposition tendance / cycle.
Si le PIB est DS, alors la croissance économique et le cycle sont

liés et ne peuvent être étudier d’une manière séparée.
Sur 14 séries macroéconomiques américaines, Nelson et Plosser

(1982) montrent qu’à l’exception du taux de chômage ; toutes les
séries sont issues d’un processus DS.
35/52
Économétrie
Introduction
Définitions

5.1- Conséquences économiques de la non stationnarité
De plus, ils indiquent que la variabilité de la composante conjonc-

turelle de ces séries est due à la structure DS.
L’analyse de la composante cyclique, à partir du résidu d’une

régression entre le PIB et une tendance déterministe, conduit à
une surestimation de l’amplitude du cycle et à une sous estima-
tion de l’importance de la tendance.
36/52
Économétrie
Introduction
Définitions
6- Tests de stationnarité
Un processus stochastique peut être :
- stationnaire ;
- non stationnaire à tendance déterministe ;
- ou non stationnaire à tendance stochastique.
37/52
Économétrie
Introduction
Définitions
Deux questions majeures se posent :
1 Comment vérifier si une série chronologique est stationnaire ou

non ?
2 Si on trouve que la série est non stationnaire, comment peut on

la rendre stationnaire ?
38/52
Économétrie
Introduction
Définitions
Bien qu’il existe plusieurs tests de stationnarité, nous n’abordons

que ceux qui sont souvent utilisés dans la littérature à savoir :
1 l’analyse graphique ;
2 la fonction d’autocorrélation ;
3 les tests de racine unitaire
39/52
Économétrie
Introduction
Définitions
6.1 Analyse graphique
Avant d’exécuter les tests usuels de racine unitaire, il est toujours

préférable de représenter graphiquement la série chronologique.
Une telle représentation donne une première indication sur la na-

ture probable de la série.
On peut par exemple à travers cette analyse, détecter la présence

d’une tendance ou d’une rupture de la tendance, ce qui nous
laisse présumer que la série est non stationnaire.
Comme on peut également dire que la série est stationnaire si

son graphe en fonction du temps montre un niveau moyen à peu
près constant et des fluctuations plus au moins du même ampleur
autour de la moyenne.
40/52
Économétrie
Introduction
Définitions
Exemple d’un processus non stationnaire
41/52
Économétrie
Introduction
Définitions
Exemple d’un processus stationnaire
42/52
Économétrie
Introduction
Définitions
6.2 Fonction d’autocorrélation
Un test simple de stationnarité est basé sur la fonction dauto-

corrélation (FAC).
La fonction dautocorrélation au retard k, notée par ρk , se définit

par :
cov(y y )
ρk = σ y σty t+k
t t+k
Si le processus est stationnaire la variance de yt , est constante au

cours du temps.
cov(yt yt+k ) γk
Ainsi, σ yt σ yt+k = σ yt 2 = γ0 d’où ρk = γ0 = γ0
43/52
Économétrie
Introduction
Définitions
Par définition ρ0 = 1.
On a pour tout k, ρk est compris entre −1 et 1, comme l’est n’im-

porte quel coefficient de corrélation.
La fonction d’autocorrélation représente un outil important pour

identifier les propriétés d’un processus stochastique stationnaire,
sa représentation graphique en fonction du décalage k est appelée
corrélogramme.
44/52
Économétrie
Introduction
Définitions
Si un processus est stationnaire, son évolution subit une sorte

d’amortissement au cours du temps, ce qui se traduit statis-
tiquement par une décroissance rapide des coefficients d’auto-
corrélation.
Un processus non stationnaire peut avoir une résonance de la

période t à une période plus éloignée, de telle sorte que des coeffi-
cients d’auto-corrélation élevés puissent exister pour des valeurs
élevées de k.
On peut tester alors la stationnarité d’un processus à travers la

décroissance rapide de ses coefficients d’auto-corrélation.
45/52
Économétrie
Introduction
Définitions
Fonctions d’autocorrélation simple et partielle (Indice CAC40 sur
la période allant du 30/06/89 au 9/12/1993)
46/52
Économétrie
Introduction
Définitions
On constate que que tous les termes du corrélogramme simple

sont extérieurs à l’intervalle de confiance.
Ainsi, le processus n’est pas un bruit blanc.
Il semble même que le processus n’est pas stationnaire.
La statistique Q de Ljung-Box confirme ce fait : la probabilité cri-

tique de ce test est indiquée α = 0, 000 ≺ 0.05 donc on refuse l’hy-
pothèse de nullité des coefficients ρk .
47/52
Économétrie
Introduction
Définitions
6.3 Les tests de racine unitaire
Les tests de racine unitaire permettent de détecter la présence

d’une racine unitaire pour les processus de type AR(p).
Les principaux tests sont :
- Test de Dickey-Fuller (1979) ;
- Test de Dickey-Fuller AugmentÈs ;
- Test de Phillips et Perron (1988) ;
- Test KPSS(1992).
48/52
Économétrie
Introduction
Définitions
Les tests de Dickey-Fuller (1979) sont fondés sur l’estimation

par les MCO de trois modèles autorégressifs du premier ordre
dont les erreurs sont identiquement et indépendamment dis-
tribuées.
Modèle 1 : xt = φ1 xt−1 + εt
Modèle 2 : xt = φ1 xt−1 + a + εt
Modèle 3 : xt = φ1 xt−1 + bt + c + εt
Le principe des tests consiste à tester la présence d’une racine

unitaire (φ1 = 1) et ou la nullité
des coefficients a, b et c contre les
hypothèses alternatives φ1 ≺ 1 et ou a , 0, b , 0, c , 0.
49/52
Économétrie
Introduction
Définitions
Il suffit ensuite, soit d’appliquer la stratégie séquentielle- descen-

dante du modèle (3) vers le modèle (1), en testant l’hypothèse
faite pour chaque coefficient, soit d’effectuer un test d’hypothèse
jointes.
Dickey-Fuller ont montré que sous l’hypothèse nulle d’une racine

unitaire les t statistiques de φ1 , a, b, c estimés ne suivent pas des
lois de Student usuelles. A partir de simulation de Monte Carlo,
ils ont donc construit des tabulations particulières ( les valeurs
critiques) pour différentes tailles d’échantillon.
50/52
Économétrie
Introduction
Définitions
Les tests de Dickey-Fuller Augmentés (ADF) : Dickey-Fuller
ont aussi envisagé le cas où les perturbations sont autocorrélés. Si
l’on reprend le modèle (1) et que l’on suppose que les perturba-
tions sont autocorrélés à l’ordre p −1, ils ont montré qu’il possible
de réécrire ce modèle sous forme d’un AR(p) où les perturbations
sont non autocorrélés.
Les trois modèles du test ADF s’écrivent comme suit :
p
P
- ∆xt = ρxt−1 − φj ∆xt−j+1 + εt
j=2
p
P
- ∆xt = ρxt−1 − φj ∆xt−j+1 + c + εt
j=2
p
P
- ∆xt = ρxt−1 − φj ∆xt−j+1 + c + bt + εt .
j=2 51/52
Économétrie
Introduction
Définitions
Stratégie séquentielle des tests de racine unitaire
52/52
Économétrie

Chapitre 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 2

Transféré par

Droits d'auteur :

Formats disponibles

Introduction

Professeur: BADDI HICHAM

3 Processus stochastique stationnaire

4 Processus stochastique non stationnaire

5 Typologie des processus stochastiques non stationnaires

6 Conséquences de la non stationnarité

L’utilisation des séries temporelles permet d’étudier le comporte-

Pour pouvoir faire de prévisions, il faut alors une bonne analyse

L’étude des séries temporelles a montré qu’il peut exister au fil

Si le comportement était irrégulier, alors les résultats tirés de

Définir les processus stochastiques stationnaires et non station-

Distinguer entre processus à tendance déterministe et à tendance

Présenter les principaux tests de racine unitaire.

1- Définitions : Séries temporelles et processus aléatoires

Une série chronologique, ou série temporelle, est vue est comme

Elle est définie comme étant une suite d’observations répétées

Autrement dit, Elle est une série d’observations numériques in-

Elle peut être observée de manière discrète ou de manière conti-

1- Définitions : Séries temporelles et processus aléatoires

Exemple d’une série temporelle continue : Données ba-

1- Définitions : Séries temporelles et processus aléatoires

Un processus aléatoire ou stochastique Y est défini comme

La réalisation d’un processus stochastique Y est une série tempo-

1- Définitions : Séries temporelles et processus aléatoires

Théoriquement, la valeur du PIB en 1990 pouvait prendre n’im-

Ce chiffre est une réalisation particulière de toutes les possibi-

En conséquence, on peut dire que le PIB est un processus stochas-

Un type de processus stochastique qui a reçu une grande atten-

2- Processus stochastique stationnaire

Un processus stochastique Y est stationnaire au second ordre, ou

2 var(Yt ) = E(Yt − µ)2 = σ 2 ∀ t ;

3 cov(Yt , Yt+1 ) = E [(Yt − µ)(Yt+k − µ)] = γk .

2- Processus stochastique stationnaire

En d’autres termes, Un processus stochastique Y est stationnaire

1 La moyenne est constante et indépendante du temps.

2 La variance est constante et indépendante du temps.

3 La covariance entre une composante d’une date t et une compo-

2- Processus stochastique stationnaire

Alors,une série chronologique est stationnaire si ses moyennes,

2- Processus stochastique stationnaire

Un processus stochastique Y est un bruit blanc si :

Le bruit blanc est un cas particulier d’un processus stochastique

2- Processus stochastique stationnaire

- Un processus stochastique Y est non stationnaire si l’une de ces

- La non stationnarité est due souvent à une espérance ou à une

2- Processus stochastique stationnaire

Le processus stochastique (Yt )t∈Z est stationnaire au sens fort ou

La notion de stationnarité stricte revient à dire que la loi tempo-

L’hypothèse de stationnarité forte est très contraignante et elle est

3- Processus stochastique non stationnaire

On rencontre souvent des séries chronologiques non station-

L’exemple classique des processus non stationnaires est le modèle

On distingue deux types de marches aléatoires :

- Marche aléatoire sans dérive ;

- Marche aléatoire avec dérive.

3- Processus stochastique non stationnaire

La série Yt est dite une marche aléatoire si : Yt = Yt−1 + εt

εt est un bruit blanc avec moyenne nulle et une variance constante

Dans ce modèle à marche aléatoire, la valeur de Y en temps t est

Exemple : Les prix des actions sont souvent des marches

3- Processus stochastique non stationnaire

A partir de l’équation du modèle marche aléatoire, on écrit :

D’une manière générale, c’est le processus démarre à une période