Master Marchés Financiers et Economie Appliquée

2ème Semestre
Année universitaire : 2020/2021
 Plan du cours

1 Généralités sur les séries chronologiques

2 Détection de de la saisonnalité et Décomposition de la série

3 Stationnarité et processus non stationnaires

4 Tests de racine unitaire

5 Identification du processus générateur ARIMA

6 Méthode de Box & Jenkin

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

Une série chronologique est stationnaire si elle est la

réalisation d’un processus stationnaire. Cela implique que la
série ne comporte ni tendance ni saisonnalité.

== Aucun facteur n’ évolue dans le temps.

Ainsi, l’analyse de la stationnarité commence par l’analyse de

la fonction d’autocorrélation

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.

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.989 0.989 1136.6 0.000

2 0.976 -0.04... 2245.7 0.000
3 0.964 0.020 3329.0 0.000
4 0.953 0.015 4387.8 0.000
5 0.941 -0.05... 5420.2 0.000
6 0.929 0.024 6427.5 0.000
7 0.917 0.009 7411.2 0.000
8 0.907 0.035 8373.4 0.000
9 0.896 -0.00... 9314.4 0.000
1... 0.885 -0.03... 10233. 0.000
1... 0.874 -0.01... 11128. 0.000
1... 0.862 0.004 12002. 0.000
1... 0.850 -0.04... 12852. 0.000
1... 0.838 0.003 13679. 0.000
1... 0.827 0.000 14483. 0.000

Comment obtenir le correlogramme sur Eviews:

Pr. R. EL YAMANI
Double clic sur la série à étudier ViewCorrelogrammOk
 Analyse de la Fonction
d’autocorrélation 9

 Eviews fournit les résultats des fonctions

d’autocorrélation simple (colonne AC) et Autocorrelation Partial Correlation AC PAC Q-Stat Prob
partielle (colonne PAC), avec les
corrélogrammes respectifs. 1 0.265 0.265 1.9043 0.168
 Les bornes de l’intervalle de confiance 2 -0.00... -0.08... 1.9050 0.386
sont stylisées par des traits pointillés 3 0.166 0.204 2.7203 0.437
horizontaux ; on observe que tous les 4 -0.22... -0.37... 4.2991 0.367
termes sont à l’intérieur de cet intervalle;
5 -0.12... 0.123 4.7977 0.441
 Aucune autocorrélation n’est 6 0.266 0.233 7.2425 0.299
significativement différente de 0, au seuil
7 0.098 0.048 7.5950 0.370
de 5 %.
8 -0.09... -0.23... 7.9348 0.440
 Le processus ne comporte aucune
mémoire; donc il constitue un Bruit blanc 9 0.088 0.079 8.2591 0.508
(il semble même caractéristique d'un 1... -0.07... -0.03... 8.5407 0.576
processus stationnaire). 1... -0.25... -0.10... 11.562 0.397
1... -0.02... -0.12... 11.606 0.478

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

 Un processus de bruit blanc est une suite de

variables indépendament et identiquement
distribuées (i.i.d.) (variables non corrélées, de
moyenne nulle et de variance constante).
-Bruit blanc: identiquement et indépendamment
distribuée, notée: i.i.d
-Bruit blanc gaussien: normalement et
indépendamment distribuée, notée: n.i.d.

Pr. R. EL YAMANI
 Analyse de la fonction d’autocorrélation
12

 Etude de la FAC== chercher les termes 𝜌𝑘 qui

sont significativement différents de 0.
 Test d’hypothese:
𝐻0 : 𝜌𝑘 =0
𝐻1 : 𝜌𝑘 #0
1
== 𝜌𝑘 = 0 ± 𝑡 𝛼 Τ2 ×
𝑛
== La règle de décision: Si le coefficient calculé 𝜌ˆ𝑘
est à l’extérieur de cet intervalle, il est
significativement différent de 0 au seuil de 𝛼.

Pr. R. EL YAMANI
 Statistiques de Box-Pierce et Ljung-Box
13

 Le test de Box-Pierce permet d’identifier les

processus sans mémoire (suite de variables
aléatoires indépendantes entre elles). Nous devons
donc identifier cov (𝒚𝒕 ,𝒚𝒕−𝒌 ) = 0 ou encore 𝝆𝒌 = 0
∀k
 Un processus de bruit blanc implique que:
𝜌1 = 𝜌2 = . . . = 𝜌ℎ = 0 , soit les hypothèses :
𝐻0 : 𝜌1 = 𝜌2 = . . . = 𝜌ℎ = 0 (bruit blanc)
𝐻1 : il existe au moins un 𝜌𝑖 significativement
différent de 0.
Pr. R. EL YAMANI
 Statistiques de Box-Pierce et Ljung-Box
14

 La statistique Q (due à Box-Pierce1) qui est donnée

par :
𝑸 = 𝒏 σ𝒉𝒌=𝟏 𝝆ˆ𝟐𝒌
h = nombre de retards,𝜌ˆ𝑘 = autocorrélation
empirique d’ordre k, n = nombre
d’observations.
 Règle de décision: Si Q > 𝝌𝟐
𝒉 au seuil (1-α)
=== rejet de 𝐻0 la probabilité de ce test 𝛼𝑐 <
0,05 ==== rejet de H0.
Pr. R. EL YAMANI
 Tests de normalité
15

Pour calculer des intervalles de confiance

prévisionnels et aussi pour effectuer les tests de
Student sur les paramètres, il convient de vérifier la
normalité des erreurs. Le test de Jarque et Bera
(1984), fondé sur la notion de Skewness (asymétrie)
et de Kurtosis (aplatissement), permet de vérifier la
normalité d’une distribution statistique.

Pr. R. EL YAMANI
300
Series: DCAC
Sample 1 1160
250
Observations 1159

200 Mean 0.417204

Median 0.000000
Maximum 102.7000
150 Minimum -132.7700
Std. Dev. 20.64858
100
Skewness -0.397669
Kurtosis 6.842349

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

 Les chroniques économiques se réalisent rarement

des processus aléatoires stationnaires.
 La non-stationnarité peut concerner aussi bien le
moment du premier ordre (espérance
mathématique) que celui du second ordre
(variance et covariance du processus).
 Cependant, si la série étudiée est issue d'un
processus stationnaire, on cherche alors le meilleur
modèle parmi l’ensemble des processus
stationnaires pour la représenter, puis on estime ce
modèle.
Pr. R. EL YAMANI
 La non-stationnarité : les processus TS et DS
19

 En revanche si la série est issue d'un processus non

stationnaire, on doit avant toutes choses, chercher
à la «stationnariser», c'est à dire trouver une
transformation stationnaire de ce processus.
 Puis, on modélise et l'on estime les paramètres
associés à la composante stationnaire.

Pr. R. EL YAMANI
 La non-stationnarité : les processus TS et DS
20

 Il existe plusieurs sources de non stationnarité et chaque

type nous renvoi à une méthode bien spécifique de
stationnarisation.
 Nous allons donc commencer par présenter deux classes
de processus non stationnaires, depuis les travaux de
Nelson et Plosser (1982), les cas de non-stationnarite les
plus frequents sont :
 les processus TS (Trend Stationary) qui représentent
une non-stationnarité de type déterministe ;
 les processus DS (Differency Stationary) pour les
processus non stationnaires aléatoires.

Pr. R. EL YAMANI
 les processus TS (Trend Stationary)
21

 Un processus TS, qui représente une non-stationnarité

déterministe, s’écrit :
𝑋𝑡 =𝑓𝑡 + ε𝑡
 où f𝑡 est une fonction du temps et ε𝑡 est un processus
stochastique stationnaire.
 Le processus TS le plus simple est représenté par une
fonction polynomiale de degré 1.
 Ce processus s’écrit :

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

 Les processus DS [Differency Stationary] sont

caractérisés par la présence d’au moins une racine
unitaire. On peut les rendre stationnaires par
l'utilisation d'un filtre aux différences :
 𝟏 − 𝑫 𝒅 x𝒕 = β + ε𝒕 où ε𝒕 , est un processus
stationnaire, β une constante réelle, D l'opérateur
décalage et d l'ordre du filtre aux différences.
 Ces processus sont souvent représentés en utilisant le
filtre aux différences premières (d = 1).
 Le processus est dit alors processus du premier ordre.
Il s'écrit :
(𝟏 − 𝑫) x𝒕 = β+ ε𝒕 < ==== > x𝒕 = x𝒕−𝟏 + β + ε𝒕

Pr. R. EL YAMANI
 Le processus DS : Differency stationnary
25

 L'introduction de la constante β dans le processus

DS permet de définir deux processus différents :
 β = 0 : le processus DS est dit sans dérive.
 Il s'écrit :
x𝒕 = x𝒕−𝟏 + ε𝒕
 Comme ε𝒕 est un bruit blanc, ce processus DS porte
le nom de modèle de marche au hasard ou de
marche aléatoire (Randon' Walk Model).

Pr. R. EL YAMANI
 Le processus DS : Differency stationnary
26

 Il est très fréquemment utilisé pour analyser

l'efficience des marchés financiers.
 Pour stationnariser la marche aléatoire, il suffit
d'appliquer au processus le filtre aux différences
premières.
 D’un point de vue économique, les chocs frappant
l’économie auront un effet persistant et durable sur
l’évolution de la chronique si le processus est DS.

Pr. R. EL YAMANI
 Le processus DS : Differency stationnary
27

 β ≠0 : le processus porte alors le nom de processus

DS avec dérive.
 Il s'écrit : x𝒕 = x𝒕−𝟏 + β + ε𝒕
 La stationnarisation de ce processus est réalisée en
utilisant le filtre aux différences premières.
 En résumé, pour stationnariser un processus TS, la
bonne méthode est celle des moindres carrés
ordinaires ; pour un processus DS, il faut employer le
filtre aux différences. Le choix d'un processus DS ou
TS comme structure de la chronique n'est donc pas
neutre.

Pr. R. EL YAMANI
 Les conséquences associées à la distinction
entre TS et DS
28

 Pour un processus TS, la bonne méthode de

stationnarisation est celle des MCO. Supposons
que l'on applique au processus TS du premier ordre
un filtre aux différences premières.
 A priori, comme le degré du polynôme est 1, ce
filtre peut être considéré comme correct puisqu'un
filtre aux différences d'ordre d élimine un
polynôme de même degré.
 Cependant, on démontre que l'application du filtre
aux différences a créé une perturbation artificielle.

Pr. R. EL YAMANI
 Les conséquences associées à la distinction
entre TS et DS
29

 Pour un processus DS, la bonne méthode de

stationnarisation est le filtre aux différences
premières.
 Supposons que l'on applique la méthode des MCO
(régression sur le temps) sur les observations d'un
échantillon du processus, les paramètres de la
tendance sont estimés et par conséquent le résidu
de la régression doit être un bruit blanc.

Pr. R. EL YAMANI
 Les conséquences associées à la distinction
entre TS et DS
30

 Nelson et Kang montrent à partir de simulations,

que l'élimination d'une tendance linéaire sur un
processus aléatoire crée artificiellement une forte
autocorrélation des résidus pour les premiers
retards.

Pr. R. EL YAMANI
 Les conséquences associées à la distinction
entre TS et DS
31

 Sur le plan économétrique, il est donc primordial

d'identifier clairement le processus sous-jacent et
d'employer la méthode adéquate de
stationnarisation.
 Sinon le risque de créer des « bruits parasites »
artificiels est très élevé.

Pr. R. EL YAMANI