Académique Documents
Professionnel Documents
Culture Documents
2ème Semestre
Année universitaire : 2020/2021
Plan du cours
7 Modèles ARCH
8 Modèles GARCH
2
Pr. R. EL YAMANI 2
3
Pr. R. EL YAMANI
Introduction
4
Une série est dite stationnaire si ses caractéristiques
stochastiques se trouvent non variées dans le temps.
De manière formalisée, une série xt est stationnaire si:
𝑬 𝒙𝒕 = 𝑬 𝒙𝒕+𝒎 = 𝝁 ∀𝒕 𝒆𝒕 ∀𝒎
L'espérance (la moyenne) est constante et indépendante
du temps, il n'y a donc pas de tendance.
𝑽 𝒙𝒕 < ∞ ∀𝒕 : La variance est finie et indépendante du
temps.
𝑪𝒐𝒗 𝒙𝒕 , 𝒙𝒕+𝒌 = 𝑬 𝒙𝒕 − 𝝁 × 𝒙𝒕+𝒌 − 𝝁 = 𝜸𝒌
La covariance est indépendente du temps.
Pr. R. EL YAMANI
Stationnarité
5
Pr. R. EL YAMANI
Fonction d’autocorrélation
6
Définition
L'autocorrélation (ou l'autocovariance) d'une série fait
référence au fait que dans une série temporelle, la
mesure d'un phénomène à un instant t peut être
corrélé aux mesures précédentes (au temps t − 1, t − 2,
t − 3, etc.) ou aux mesures suivantes (à t + 1, t + 2,
t + 3, ...).
Une série autocorrélée est ainsi corrélée à elle-même,
avec un décalage (lag) donné.
Pr. R. EL YAMANI
Fonction d’autocorrélation
7
La définition mathématique de
l'autocorrélation:
Pour une variable 𝑌𝑡 de moyenne μ et d'écart-type σ.
Autocovariance de Y pour un décalage de k:
Pr. R. EL YAMANI
Analyse de la Fonction d’autocorrélation
8
La représentation graphique de la fonction d’autocorrélation (notée FAC) est appellée
corrélogramme.
La fonction d’autocorrélation décrit la dynamique du court terme de la série.
Elle peut rensigner sur la stationnarité de la série.
Pr. R. EL YAMANI
Analyse de la Fonction
d’autocorrélation 10
Elle diminue très lentement;
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
Si aucune autocorrélation n’est
significativement différente de 0, le 1 0.897 0.897 179.26 0.000
processus ne comporte aucune 2 0.830 0.134 333.60 0.000
3 0.795 0.158 475.83 0.000
mémoire (Bruit blanc). 4 0.782 0.164 614.19 0.000
Les bornes de l’intervalle de confiance 5 0.760 0.035 745.35 0.000
sont stylisées par des traits pointillés 6 0.735 0.030 868.66 0.000
7 0.696 -0.06... 979.64 0.000
horizontaux ; chaque terme qui sort de 8 0.673 0.039 1083.9 0.000
cet intervalle est donc significativement 9 0.640 -0.06... 1178.6 0.000
différent de 0 au seuil de 5 %. 1... 0.623 0.055 1268.9 0.000
1... 0.598 -0.02... 1352.5 0.000
Nous nous apercevons que tous les 1... 0.594 0.106 1435.2 0.000
termes du corrélogramme simple sont 1... 0.566 -0.06... 1510.9 0.000
extérieurs à l'intervalle de confiance. 1... 0.556 0.072 1584.1 0.000
1... 0.528 -0.07... 1650.5 0.000
Le processus n'est pas un bruit blanc (il 1... 0.516 0.041 1714.3 0.000
semble même caractéristique d'un 1... 0.493 -0.04... 1772.6 0.000
1... 0.481 0.026 1828.7 0.000
processus non stationnaire).
1... 0.455 -0.05... 1879.0 0.000
2... 0.437 -0.01... 1925.6 0.000
Pr. R. EL YAMANI
Notion de Bruit blanc
11
Pr. R. EL YAMANI
Analyse de la fonction d’autocorrélation
12
Pr. R. EL YAMANI
Statistiques de Box-Pierce et Ljung-Box
13
Pr. R. EL YAMANI
300
Series: DCAC
Sample 1 1160
250
Observations 1159
50 Jarque-Bera 743.5087
Probability 0.000000
0
-120 -80 -40 0 40 80
Test d’hypotheses:
𝐻0 : :la distribution suit la loi normale
𝐻1 : : la distribution ne suit pas la loi normale.
La statistique: Statistique de Jarque-Bera
La règle de decision : L’hypothèse de normalité est acceptée lorsque
la probabilité de la statistique de Jarque et Bera, fournie par Eviews, est
supérieure à (0,05). (probability=0,0000 dans l’exemple ci-dessus, donc
rejet de H0. La statistique de J-B suit une loi de 𝝌𝟐𝟎,𝟎𝟓 (2) degrés de liberté.
On a J-B= 743>Khi2 (2,0.05) (=5.99 selon la table de Khi2), on rejette H0
de normalité au seuil de 0.05.
Pr. R. EL YAMANI 16
17
Pr. R. EL YAMANI
La non-stationnarité : les processus TS et DS
18
Pr. R. EL YAMANI
La non-stationnarité : les processus TS et DS
20
Pr. R. EL YAMANI
les processus TS (Trend Stationary)
21
x𝒕 = a₀+a₁ t+ ε𝒕
Pr. R. EL YAMANI
les processus TS (Trend Stationary)
22
Ce processus s’écrit :
x𝒕 = a₀+a₁ t+ ε𝒕
Ce type de processus est non stationnaire, par ce que :
E(𝑋𝑡 )= a₀+a₁t +E(ε𝑡 )= a₀+a₁t,
V(𝑋𝑡 )= 0 +V(ε𝑡 )= 𝜎𝜀2
Cov(𝑋𝑡 ; 𝑋′𝑡 )= 0 pour t≠ 𝑡′
Ce type de processus TS est non staionnaire car E(𝑋𝑡 )
dépend du temps.
Pr. R. EL YAMANI
les processus TS (Trend Stationary)
23
Connaissant 𝑎
ො ₀ et 𝑎ො ₁, le processus 𝑋𝑡 peut etre
stastionnarisé, en retranchant de la valeur de 𝑋𝑡 en t; la
valeur estimée 𝑎₀+
ො 𝑎₁t.
ො
D’un point de vue économique, un processus TS
implique que les chocs aléatoires frappant l’économie
n’auront qu’un effet transitoire sur l’évolution de la
chronique qui aura tendance ensuite à revenir sur son
trend de long terme stable.
Le modèle étant déterministe.
Pr. R. EL YAMANI
Le processus DS : Differency stationnary
24
Pr. R. EL YAMANI
Le processus DS : Differency stationnary
25
Pr. R. EL YAMANI
Le processus DS : Differency stationnary
26
Pr. R. EL YAMANI
Le processus DS : Differency stationnary
27
Pr. R. EL YAMANI
Les conséquences associées à la distinction
entre TS et DS
28
Pr. R. EL YAMANI
Les conséquences associées à la distinction
entre TS et DS
29
Pr. R. EL YAMANI
Les conséquences associées à la distinction
entre TS et DS
30
Pr. R. EL YAMANI
Les conséquences associées à la distinction
entre TS et DS
31
Pr. R. EL YAMANI