Modélisation Multifractale Du Taux de Change Dollar - Euro

MODÉLISATION MULTIFRACTALE DU TAUX DE CHANGE DOLLAR/EURO
Jérôme Fillol
La Documentation française | « Économie internationale »
2005/4 no 104 | pages 135 à 150

ISSN 1240-8093
DOI 10.3917/ecoi.104.0135
Article disponible en ligne à l'adresse :
--------------------------------------------------------------------------------------------------------------------
https://www.cairn.info/revue-economie-internationale-2005-4-page-135.htm
--------------------------------------------------------------------------------------------------------------------
Distribution électronique Cairn.info pour La Documentation française.

© La Documentation française. Tous droits réservés pour tous pays.
© La Documentation française | Téléchargé le 04/11/2021 sur www.cairn.info (IP: 41.92.3.142)

La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les
limites des conditions générales d'utilisation du site ou, le cas échéant, des conditions générales de la
licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie,
sous quelque forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de
l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est précisé que son stockage
dans une base de données est également interdit.
Powered by TCPDF (www.tcpdf.org)

Économie internationale 104 (2005), p. 135-150.
M ODÉLISATION MULTIFRACTALE
DU TAUX DE CHANGE DOLLAR / EURO
Jérôme Fillol1
Date de réception de l’article : 20 janvier 2003
Date d’acceptation pour publication : 4 novembre 2005
RÉSUMÉ. L’approche multifractale en finance a fait dernièrement l’objet de développe-

ments théoriques que l’on doit principalement à Calvet et Fisher (2001, 2002). Dans cet
article, nous présentons la modélisation multifractale (Multifractal Model of Asset Returns,
MMAR) dont nous proposons une application sur le taux de change dollar/euro. Nous
concluons au caractère multifractal de ce taux de change, et, au moyen de simulations de
Monte Carlo, à la supériorité de la modélisation multifractale par rapport aux modèles
GARCH et FIGARCH pour rendre compte des propriétés de la série étudiée.
Classification JEL : C5 ; G0 ; F31.

Mots-clefs : Modélisation multifractale ; fonction d’échelle ; spectre multifractal ; taux de change.
ABSTRACT. The multifractal model in finance was recently revised by Calvet and Fisher
(2001, 2002). This article presents the basics of multifractal modelling and demonstrates the
multifractal properties of the USD/Euro exchange rate. The estimation of the multifractal
spectrum of the series indicates that the exchange rate might be charaterised as multifractal,
and allows the series’ properties to be modelled. Monte Carlo simulations allow the superio-
rity of the MMAR to be demonstrated, compared to GARCH and FIGARCH models.
JEL Classification: C5; G0; G31.
Keywords: Multifractal Model; Scaling Function; Multifractal Spectrum; Exchange Rate.
1. Jérôme FILLOL, Maître de Conférences, Université Paris X Nanterre, Laboratoire EconomiX (jfillol@u-paris10.fr).
136 Jérôme Fillol / Économie internationale 104 (2005), p. 135-150.
I NTRODUCTION
Les fractales sont issues de l’observation des systèmes naturels comme l’illustre l’étude de
Mandelbrot (1977) sur la longueur de la côte de Bretagne. Mandelbrot s’est rendu compte de
deux caractéristiques : l’existence d’une relation entre le pas de mesure et la longueur totale
de la côte, ainsi que l’existence de relations d’échelle. Il établit que plus le pas de mesure,
c’est-à-dire le référentiel de mesure, est petit, plus la distance mesurée est grande. En utilisant
un pas de l’ordre de ε(ε → 0), on obtient une côte d’une longueur infinie. De plus, il
remarque que les échelles successives observées sur la côte font ressortir le caractère irrégulier
de celle-ci, mais aussi des spécificités inattendues. En effet, il apparaît un même caractère glo-
bal : le phénomène à l’origine des irrégularités observées à grande et petite échelles est le fruit
d’un même mécanisme homothétique. On passe d’un niveau d’observation à un autre par une
transformation géométrique, on dit alors que la côte présente une homothétie interne ou
encore qu’elle est auto similaire (self similar). Ces observations relatives aux notions de lon-
gueur infinie et de relation d’échelle sont les principales caractéristiques des fractales. De
telles propriétés peuvent également être mises en évidence sur certaines séries financières au
sens où quelle que soit la fréquence retenue (mensuelle, trimestrielle, annuelle…), les mêmes
caractéristiques sont observées. Les processus multifractals intègrent ces propriétés.
Les processus multifractals appliqués aux rentabilités d’actifs financiers (Multifractal Model of

Asset Returns, MMAR) ont été développés par Calvet et Fisher (2001, 2002) à partir des pre-
mières recherches de Mandelbrot (1974) sur les mesures fractales. Les processus MMAR
reposent sur la théorie des mouvements Browniens fractionnaires (Mandelbrot et van Ness,
1968) et sur la notion de temps d’échange (Mandelbrot et Taylor, 1967 ; Clark, 1973). Cette
notion de temps d’échange a fait l’objet de développements récents. Citons par exemple les
travaux de Dacorogna et al. (1993) qui y ont recours pour construire leurs modèles intégrant
des facteurs de saisonnalité ou encore Ghysels et al. (1996) qui l’introduisent pour élaborer
une mesure de l’activité du marché. La modélisation multifractale (MMAR) est novatrice dans
la mesure où elle définit le temps d’échange à partir d’une mesure multifractale permettant
de rendre compte de l’ensemble des propriétés observées sur les séries financières. Les
modélisations les plus communément utilisées en finance sont de type GARCH (Generalized
Autoregressive Conditional Heteroscedasticity) et FIGARCH (Fractionally Integrated
Generalized Autoregressive Conditional Heteroscedasticity), respectivement introduites par
Bollerslev (1986) et Baillie et al. (1996). Ces modèles permettent de modéliser les regroupe-
ments de volatilité observés sur les séries financières au sens où les périodes de forte (respec-
tivement faible) volatilité ont tendance à être suivies par des périodes de forte
(respectivement faible) volatilité. Cependant, contrairement à la modélisation MMAR, ces
modèles ne prennent pas en compte les propriétés d’échelle mises en évidence par Calvet et
Fisher (2002)2. Celles-ci concernent les moments de la série, et définissent le caractère fractal
2. Voir aussi Calvet et al. (1997abc).

Jérôme Fillol / Économie internationale 104 (2005), p. 135-150. 137
d’une série. Une série présentant des relations d’échelle dans ses moments, est une série où
il existe une même caractéristique entre l’espérance, la variance, le moment d’ordre3… On
parle de série unifractale lorsqu’il n’existe qu’une seule relation d’échelle et de série multi-
fractale lorsqu’il en existe plusieurs. Une relation d’échelle définit ainsi l’existence de caracté-
ristiques similaires pour toute échelle d’observation. Calvet et Fisher proposent une
méthodologie spécifique pour détecter et étudier le caractère multifractal des séries tout en
tenant compte des propriétés connues de ces séries financières.
L’objet de cet article est d’exposer les outils de la formalisation multifractale afin de pouvoir
présenter, de façon claire et synthétique la modélisation multifractale (MMAR). Nous démon-
trons également la supériorité de la modélisation MMAR par rapport aux modèles usuels de
type GARCH et FIGARCH.
L’article présente les outils propres à la modélisation multifractale des séries financières. Puis
il présente une application empirique sur le taux de change dollar/euro basée sur l’estimation
de modèles GARCH, FIGARCH et MMAR. Enfin, à l’aide de simulations de Monte Carlo, il
met en exergue la supériorité de la modélisation multifractale par rapport aux modélisations
GARCH et FIGARCH pour rendre compte des propriétés du taux de change étudié.
F ORMALISATION MULTIFRACTALE :
UNE BR È VE PRÉSENTATION

Mesures fractales
Les séries financières présentent plusieurs propriétés qui ont été regroupées en faits stylisés.
Parmi ceux-ci on peut notamment citer l’existence de queues de distributions épaisses (lepto-
kurticité) et la présence de mémoire longue dans la volatilité. Depuis les études menées par
Mandelbrot (1963) et Fama (1965), il est bien connu que les séries financières sont leptokur-
tiques, c’est-à-dire qu’elles présentent un fort coefficient d’aplatissement. Ainsi, les valeurs
extrêmes ont une probabilité non négligeable d’apparaître. Cette propriété ne peut être
appréhendée à partir de la modélisation standard des marchés financiers reposant sur l’hypo-
thèse de normalité de la rentabilité d’un actif. Une autre propriété importante a été mise en
exergue par les travaux de Taylor (1986) et concerne la décroissance hyperbolique de la fonc-
tion d’autocorrélation de la volatilité des séries financières. En d’autres termes, les consé-
quences d’un choc sur la volatilité persistent : la volatilité des rentabilités boursières présente
de la mémoire longue. De plus, les autocorrélations sont positives, ce qui implique qu’une
forte volatilité observée à une date t – 1 engendre une probabilité élevée d’observer une
forte volatilité à la date t. Ce phénomène est appelé regroupement de volatilité ou clustering.
Afin de tenir compte de ces propriétés, plusieurs modélisations ont été proposées. Les plus
communément utilisées pour modéliser la volatilité des séries financières sont les modèles de
type GARCH (Generalized Autoregressive Conditional Heteroscedasticity). Une alternative
consiste à recourir aux mesures multifractales.
3. Pour une revue des propriétés des séries financières, voir par exemple Cont (2001).
Nous utilisons l’exemple de la mesure binomiale4 pour expliciter la notion de mesure multi-
fractale. La mesure binomiale se construit à partir de la procédure itérative suivante.
Soient m0 et m1 deux nombres tels que :
m0 + m1 = 1 et m0, m1 > 0 (1)
et μ0 la distribution d’une loi uniforme [0, 1].
À toute itération, on divise chaque segment en deux parties égales, on attribue alors à
chaque partie de gauche le poids m0 et à chaque partie droite le poids m1. Ainsi, à la pre-
mière itération (k = 1), on applique une probabilité (un poids) m0 au segment [0, 1/2] et m1
au segment [1/2,1]. À l’itération suivante (k = 2), on a une distribution de probabilité μ2 telle
que :
μ2 [0, 1/4] = m0m0 μ2 [1/4, 1/2] = m0m1 μ2 [1/2, 3/4] = m0m1 μ2 [3/4, 1] = m1m1 (2)
Cette procédure génère une suite de distribution (μk) qui converge vers la mesure binomiale
(μ).
Le GRAPHIQUE 1 représente une mesure binomiale pour l’ordre d’itérations k = 8 avec m0 = 0,4
et m0 = 0,6. Ce graphique illustre les effets de dépendances de structures créés par la
mesure fractale, en révélant notamment la présence de relations d’échelle et d’intermit-
tences. On peut obtenir des extensions de cette mesure, par exemple, en considérant que les

valeurs des poids sont tirées dans une variable aléatoire M. On parle alors de mesure multi-
fractale aléatoire.
Ainsi, à travers ces représentations de différentes mesures multifractales5, nous retrouvons
les propriétés de la volatilité rencontrées sur les marchés financiers : l’existence de queues de
distribution épaisses (dues aux sauts occasionnels) et un phénomène de mémoire longue
(puisque chaque étape de la construction est régie par les mêmes règles). Par construction, la
mesure multifractale génère ainsi les propriétés observées sur les séries financières.
Processus multifractal et fonction d’échelle

Nous reprenons la définition de Calvet et Fisher (2002) d’un processus multifractal. Un pro-
cessus stochastique {X(t)} est appelé multifractal si ses incréments sont stationnaires et véri-
fient :
q
E ( X (t ) = c (q ) ⋅ t τ ( q ) + 1 (3)
pour tout t ∈ T, q ∈ Q
où T et Q sont des intervalles de R, τ(q) et c(q) sont des fonctions définies sur Q. De plus, il
est supposé 0 ∈ T, [0,1] ⊆ Q.
4. Appelée aussi mesure de Bernoulli. Notons que cette dernière présente l’avantage d’être une mesure multifractale
très simple dans son mode de construction (Tricot, 1999).
5. Pour une mesure binomiale, le nombre de poids est de deux (ici m0 et m1). Le nombre d’intervalles est multiplié
par deux à chaque itération. Notons b le nombre de poids distincts. On peut généraliser la construction précédente à
une mesure où b > 2 : on définit alors une mesure multinomiale.
Graphique 1 - Mesure binomiale
0,018
0,016
0,014
0,012
0,01
0,008
0,006
0,004
0,002
0
1 21 41 61 81 101 121 141 161 181 201 221 241
m = 0,4

0,007
0,006
0,005
0,004
0,003
0,002
0,001
0
1 21 41 61 81 101 121 141 161 181 201 221 241
m = 0,6
τ(q) est appelée fonction d’échelle du processus multifractal et présente la propriété

suivante6 :
τ(1/H) = 0 (4)
La fonction d’échelle est l’outil principal permettant de détecter le caractère multifractal

d’une série7. La relation (4) correspond à la valeur particulière (1/H) pour laquelle la fonction
d’échelle est nulle. Ainsi, pour l’inverse de la valeur de l’exposant de Hurst la fonction
d’échelle s’annule. Notons que nous utiliserons cette propriété dans notre application empi-
rique pour déterminer la valeur de l’exposant de Hurst, c’est-à-dire du paramètre de mémoire
longue du processus étudié. Lorsque la fonction d’échelle est linéaire, elle est déterminée
uniquement par la valeur de H. Les processus correspondants sont appelés unifractals
(linéaire), par opposition aux processus multifractals (où τ(q) est non linéaire).
Ainsi, un processus multifractal se caractérise principalement par l’existence de relations
d’échelle entre les moments du processus. Afin d’étudier les propriétés d’échelle des proces-
sus multifractals, on a recours à deux outils : les exposants de Hölder et le spectre multifrac-
tal. La présentation mathématique de ces outils est reportée en ANNEXES 1 et 2. Intéressons
nous maintenant à la méthodologie permettant de détecter la multifractalité d’une série.
Détection de la multifractalité et modélisation multifractale

(MMAR)

Pour estimer la fonction d’échelle, c’est-à-dire pour déterminer le caractère fractal d’une série,
nous utilisons la fonction de partition dont nous effectuons une présentation ci-dessous.
Considérons une série de prix P(t) définie sur [0, T] et notons X(t,Δt) les incréments du pro-
cessus stochastique X(t) :
X (t , Δt ) X (t + Δt ) − X (t ) (5)
avec 0 < t < T.

La fonction de partition, notée Sq(T, Δt), s’obtient en décomposant l’intervalle [0, T] en N
sous-intervalles de longueur Δt :
N –1 q
Sq (T , Δt ) ∑ X ( i Δt , Δt ) (6)
i =0
Avec la relation (3), X(t) est un processus multifractal si la relation suivante est vérifiée :
logE[Sq(T, Δt)] = τ(q)log (Δt) + c(q)logT (7)
quand les qiemes moments existent.
6. On peut trouver une démonstration dans Calvet et al. (1997ab).

7. H est appelé exposant de Hurst et permet d’évaluer le degré de mémoire longue d’une série (0 < H < 1). Si
H = 0,5 la série ne présente aucune mémoire longue, si 0,5 < H < 1, on dit que la série présente de la mémoire
longue. Plus H est proche de 1, plus la mémoire longue est forte. Si 0 < H < 0,5, on dit que la série présente de
l’antipersistance.
La méthodologie consiste à régresser log(Δt) sur logE[Sq(T, Δt)], et à représenter graphique-

ment (log(Δt), Sq(Δt)).
On établit une estimation τ̂ (q) à partir de la fonction de partition (notons que le terme
c(q)logT est indépendant de t et Δt ; on peut donc le négliger pour l’estimation de la fonction
d’échelle) :
τ̂ (q) = ((Sq(T, Δt)])/(log (Δt))) (8)
Enfin, à partir des expressions (8) et (12) on obtient l’estimation suivante du spectre multi-
fractal :
fˆ (α ) = minq [qα − τˆ (q )] (9)
Le spectre multifractal se résume à un point si le processus présente une relation d’échelle et

à plus d’un point si le processus présente plusieurs relations d’échelle. Ainsi, à partir de la
fonction d’échelle et du spectre multifractal, nous pouvons déterminer si une série est multi-
fractale. Une fois la multifractalité détectée, il est possible de modéliser la série étudiée par le
biais des processus MMAR.
Les processus MMAR se composent de deux parties : une partie fondée sur la théorie des
mouvements Browniens fractionnaires permettant de tenir compte d’une éventuelle mémoire
longue de la série modélisée et une deuxième partie fondée sur la notion de temps

d’échange8 permettant de rendre compte d’éventuelles valeurs extrêmes et de queues de dis-
tribution épaisses.
L’estimation de la partie mémoire longue s’effectue à partir de la fonction d’échelle (on
obtient une estimation du paramètre H à partir de la relation). L’estimation de la partie temps
d’échange est donnée par l’étude du spectre multifractal (voir ANNEXEs 1 et 2). Nous allons
maintenant appliquer l’ensemble de la méthodologie présentée ci-dessus à la série du taux
de change dollar/euro.
M ODÉLISATION MULTIFRACTALE DU TAUX DE CHANGE

DOLLAR / EURO
L’étude porte sur le taux de change dollar/euro en fréquence journalière sur la période du
16/04/1986 au 16/04/20019. Afin d’analyser le caractère multifractal de cette série, nous uti-
lisons la méthodologie présentée supra et nous estimons dans un premier temps le spectre
multifractal au moyen de la fonction de partition et de la fonction d’échelle.
8. Le temps d’échange est la fonction de distribution cumulée d’une mesure fractale définie sur [0 ; T], T étant le
nombre d’observations de la série étudiée.
9. La série de taux de change dollar/euro entre 1986 et 1998 a été construite à partir d’une moyenne pondérée des
taux de change bilatéraux entre le dollar et l’ensemble des devises prenant part à l’euro. Conformément à la
méthode utilisée par l’OCDE, le système de pondération choisi est identique à celui retenu pour l’ECU.
Détection de la multifractalité du taux de change dollar/euro

Nous estimons dans un premier temps la fonction de partition10 et la fonction d’échelle.
Nous calculons la fonction de partition pour différents moments q : q = {0,5 ; 1 ; 2 ; 3 ; 4 ; 5}
(GRAPHIQUE 2). La fonction de partition est horizontale pour une valeur de q proche de 2, ce
qui implique que l’exposant de Hurst est proche de Ĥ = 1/q = 0,5.
Graphique 2 - Fonction de partition du taux de change dollar/euro

8
q=5
6
Fonction de partition S(q)
4 q = 0.4
q = 0.3
2

q=2
0
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2
–2 q=1
q = 0.5
–4
Log10 (delta t)
À partir de la fonction de partition nous estimons la fonction d’échelle du taux de change

dollar/euro (GRAPHIQUE 3). En utilisant la relation (4) nous obtenons une estimation11 de
l’exposant de Hurst Ĥ = 1/q = 1/1,93 = 0,52. Cette valeur de H nous indique que le taux de
change dollar/euro présente une persistance assez faible, dans la mesure où H n’est que très
légèrement supérieur à 0,5.
10. Les paramètres de la fonction d’échelle, c’est-à-dire Δt et le pas, ont été choisis de façon à rendre insensible la
valeur estimée de H à celle de Δt et au pas. Nous avons retenu Δt = 50, et un pas de 10 (c’est-à-dire que Δt = 50,
60, 70, 80,…, T).
11. Pour une comparaison de l’estimation du paramètre d’auto-affinité H entre la fonction d’échelle et les méthodes
usuelles, telles que R/S et GPH, voir Fillol et Tripier (2003).
Graphique 3 - Estimation de la fonction dÕé chelle du taux de change dollar/euro
1,5
0,5
Fonction d’échelle
q = 1,935
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5
– 0,5
–1

– 1,5 q
Nous présentons au GRAPHIQUE 4 l’estimation du spectre multifractal obtenue à partir de la

fonction d’échelle estimée précédemment. La concavité observée du spectre multifractal
estimé pour le taux de change dollar/euro révèle l’existence de relations d’échelle dans les
moments du taux de change dollar/euro. Il existe alors des relations statistiques stables entre
les différents moments de la série (c’est-à-dire qu’il existe une même caractéristique pour le
taux de change dollar/euro entre son espérance, sa variance, son moment d’ordre 3…). Le
recours à la modélisation multifractale (MMAR) semble donc particulièrement adéquat pour
modéliser le taux de change dollar/euro. Nous allons voir que seule la modélisation multifrac-
tale peut rendre compte de ces propriétés d’échelle.
Graphique 4 - Estimation du spectre multifractal du taux de change dollar/euro

1
0,9
0,8
Spectre multifractal
0,7
0,6
0,5
0,4

0,3
0,3 0,35 0,4 0,45 0,5 0,55 0,5695 0,6
Alpha
Modélisation multifractale MMAR

Pour construire un modèle MMAR, il nous faut après avoir estimé la partie mémoire longue,
construire la mesure multifractale du temps d’échange Cette dernière est donnée par l’esti-
mation du spectre multifractal. En combinant les deux parties (mémoire longue et spectre
multifractal) nous obtenons la modélisation MMAR (voir ANNEXE 2 pour la méthodologie).
Nous estimons alors la fonction d’échelle de cette modélisation : les estimations pour diffé-
rents moments sont reportées dans le TABLEAU 1. Nous avons effectué 10 000 simulations de
modélisation MMAR pour obtenir une valeur moyenne et des intervalles de confiance des
valeurs estimées de la fonction d’échelle. L’étude de ces résultats met en évidence la grande
capacité de notre modélisation à rendre compte des propriétés d’échelle du taux de change
dollar/euro. On constate que pour chaque q(q ∈ {1,2,3,4,5}) la valeur moyenne de la fonction
d’échelle du modèle MMAR est très proche des valeurs empiriques (TABLEAU 1). En effet nous
obtenons des estimations très voisines des valeurs empiriques pour chaque moment, et
notamment des intervalles de confiance très faibles. Notons que nos résultats deviennent
moins performants pour des valeurs élevées des moments (pour q = 5 nos résultats présen-
tent en effet un intervalle de confiance plus grand que pour les autres valeurs étudiées).
Nous allons maintenant comparer les performances des modèles MMAR à celles réalisées par
les modèles usuellement utilisés en finance : les modèles GARCH et FIGARCH. Ces modèles
ont été développés afin de permettre à la variance d’une série de dépendre de l’ensemble de
l’information disponible, et notamment du temps. Les processus GARCH sont des processus à
mémoire courte par opposition aux processus FIGARCH qui visent à tenir compte des caracté-
ristiques de mémoire longue de la volatilité. D’un point de vue économique, il est primordial
de comprendre et de modéliser la volatilité. En effet, la volatilité constitue une mesure du
risque et ainsi aide à la prise de décision d’investissements sur un marché ou sur une action.
Notons que la modélisation multifractale MMAR permet également de modéliser la volatilité.
Tableau 1 - Valeurs moyennes estimées de la fonction d’échelle
Série dollar/euro MMAR FIGARCH GARCH

τemp τ– τ– τ–
q=1 – 0,45 – 0,45 – 0,48 – 0,5
[– 0,47;0,43] [– 0,5 ;– 0,45] [– 0,52;– 0,47]
q=2 0,33 0,03 0,06 – 0,004
[– 0,003;0,09] [0,02;0,09] [– 0,04;0,04]

q=3 0,47 0,45 0,60 0,48
[0,3;0,59] [0,55;0,65] [0,41;0,55]
q=4 0,88 0,81 1,14 0,96
[0,69;1,06] [1,06;1,21] [0,86;1,06]
q=5 1,28 1,12 1,66 1,42
[0,69;1,50] [1,56;1,77] [1,29;1,56]
Note : Les valeurs entre crochets sont les intervalles de confiance obtenus au seuil de 5 %.
Comparaison de modèles : simulations de Monte Carlo

Nous estimons un modèle GARCH(1, 1) et un modèle FIGARCH(1, d, 1) pour la série de taux
de change dollar/euro. Nous avons reporté dans les TABLEAUX 2 et 3 les différentes estimations
pour ces deux modélisations. Au moyen de simulations de Monte Carlo12 nous comparons la
capacité des trois modèles à rendre compte des propriétés d’échelle mises en évidence sur les
données empiriques du taux de change dollar/euro. Le TABLEAU 2 présente les valeurs
moyennes et les intervalles de confiance estimés de la fonction d’échelle pour chacun des
trois modèles.
12. Pour chacun des (m) modèles testés nous effectuons J = 10 000 simulations de longueur T = 4 000 points.
Tableau 2 - Estimation des paramètres du modèle GARCH(1, 1)
Série α β
dollar/euro 0,04646 0,93875
Note : GARCH(1, 1) σ t 2 = w + α εt −12 + β σ t −12 .
Tableau 3 - Estimation des paramètres du modèle FIGARCH(1, d, 1)
Série Cte Var d β Φ

dollar/euro 0,0879 0,2035 0,3587 0,22028
Note : FIGARCH(1, d, 1) σ t 2 = w + [1 − (1 − β L)−1(1 − φ ( L))(1 − L) d ]εt 2 .
Les résultats obtenus pour les modèles GARCH et FIGARCH sont nettement inférieurs aux
résultats relatifs aux MMAR. En effet, par exemple pour q = 2, la valeur empirique est de
0,03 que l’on retrouve avec la modélisation MMAR, alors qu’avec la modélisation GARCH
nous obtenons – 0,004 et pour la modélisation FIGARCH 0,06. De plus, les intervalles de
confiance montrent la robustesse de la modélisation MMAR pour rendre compte de la multi-

fractalité du taux de change dollar/euro. Notons tout de même que la modélisation GARCH
estime mieux le moment d’ordre 4 que la modélisation multifractale. Afin de quantifier la
supériorité des MMAR nous calculons une statistique de test13 et sa probabilité associée pour
chacun des modèles. Les résultats obtenus (TABLEAU 4) montrent la grande supériorité des
MMAR à retracer les propriétés d’échelle (avec une probabilité de 0,551 contre 0,0003 pour
le FIGARCH et 0,0001 pour le GARCH). Ainsi, la modélisation multifractale apparaît plus effi-
cace que les modélisations usuelles en moyenne pour chaque moment q mais aussi de façon
globale, c’est-à-dire sur l’ensemble des moments estimés. La construction de la statistique de
test confirme nos résultats sur les apports de la modélisation multifractale.
Tableau 4 - Statistiques de test et probabilités associées
Série dollar/euro Statistique de test P_Value

MMAR 0,007 0,551
FIGARCH 2,19 0,0002
GARCH 6,5 0,0001
13. Voir ANNEXE 3.

C ONCLUSION
À partir d’outils spécifiques nous mettons en évidence pour la série de taux de change dol-
lar/euro une propriété récemment mise en exergue : les relations d’échelle. Notre étude
montre que seule la modélisation multifractale (MMAR) permet de rendre compte de cette
propriété. Cette modélisation permet également de tenir compte des propriétés connues
(mémoire longue, regroupement de volatilité, propriétés d’échelle) des séries économiques et
financières. Ainsi, la modélisation multifractale offre un nouveau cadre d’étude des séries
financières dont les premiers résultats sur les taux de change sont très prometteurs et
ouvrent de nouvelles perspectives sur l’approche prévisionnelle des séries financières.
J. F.
A NNEXE 1
Exposants de Hölder et spectre multifractal
Un processus fractal présente de nombreuses intermittences pouvant être étudiées à partir des
exposants de Hölder qui permettent d’évaluer le degré de régularité d’une mesure. La présenta-
tion qui suit est basée sur Calvet et al. (1997b)14.
Soit g une fonction définie au voisinage de t :

Lim inf ((ln g (t + Δt ) − g(t ) ) / ln( Δt )) (10)
quand Δt → 0
est appelé exposant de Hölder de g au point t.
Une définition plus heuristique des exposants de Hölder peut être formulée à partir de la mesure
binomiale. On peut en proposer l’approximation suivante :
α k (t ) = ln( μ ⎡⎣ t , t + Δt ⎤⎦ / ln( Δt )) (11)
On peut alors montrer que pour la mesure binomiale il existe plusieurs exposants de Hölder. Cette
pluralité est caractéristique des mesures fractales présentant de fortes irrégularités : on parle de
mesure hétérogène. À l’inverse, une mesure homogène a un seul et unique exposant de Hölder.
Le spectre multifractal donne la répartition statistique des exposants de Hölder. À partir de la
théorie des larges déviations de Cramer15, on peut établir une relation entre la fonction d’échelle
τ(q) et le spectre multifractal f(α) énoncée par le théorème16 suivant.
Le spectre multifractal f(α) est la transformée de Légende de la fonction d’échelle τ(q) :
f (α ) = infq ⎡⎣ qα − τ (q ) ⎤⎦ (12)
Notons qu’il existe une valeur particulière notée α0 vérifiant f(α0) = 1, correspondant au maximum
de f(α). Le spectre multifractal se résume à un point si la mesure est homogène et sera par contre
composé de plusieurs points si la mesure est multifractale. Ainsi, la détermination du spectre mul-
tifractal permet de déterminer si le processus est multifractal ou non.
14. Voir aussi Tricot (1999) ou Seuret & Lévy Véhel (2002).
15. Nous renvoyons le lecteur à Durrett (1991) pour une présentation de cette dernière.
16. Calvet et Fisher (2002).
A NNEXE 2
Détermination des paramètres
de la modélisation multifractale
Calvet et al. (1997b) montrent que le processus X(t) a un spectre multifractal quadratique si l’on
considère une construction de la fonction de temps d’échange à partir d’une variable aléatoire M
(gouvernant la répartition des poids) de loi :
− log b M ~ N ⎡⎣ λ , ϑ ⎤⎦ , où b est le nombre de poids différents utilisé pour la construction de θt, et
[λ, ϑ], respectivement l’espérance et la variance de la distribution log-normale.
Afin de construire les MMAR il nous faut estimer les paramètres [λ, ϑ]. Les auteurs montrent que
le spectre multifractal de la fonction du temps d’échange peut s’écrire comme suit :
fθ (α ) = 1 − (1/ (2ln b))((α − λ ) /ϑ )2 (13)
Le spectre fθ(α) admet un maximum en α = α0 = λ. À partir du théorème suivant, reliant, le

spectre multifractal du temps d’échange fθ(α) au spectre du processus des log-prix fx(α), on va
pouvoir obtenir une estimation de λ (voir TABLEAU 4).
Soit fθ(α) le spectre du processus multifractal du temps d’échange. Les processus X(t) et P(t) ont les
mêmes spectres multifractals fx(α) = fθ(α/H).
Ainsi, à partir du maximum (α0) du spectre multifractal fx on obtient une estimation de λ par :
αˆ

(14)
λˆ = 0
ˆH
Pour obtenir l’estimation de ϑ2, nous effectuons une restriction sur la répartition des poids17, en
supposant qu’il y a conservation des poids à chaque stage de la construction du temps d’échange.
On a alors la relation suivante :
1/b = E(M) (15)
On peut montrer que la relation (15) implique :
Logb = 2(λ – 1)/ϑ2 (16)
Nous obtenons par la relation (16) l’estimation de ϑ . À partir des estimations de H, λ et α0 nous
2
pouvons construire le modèle MMAR.
Tableau A2.1 - Estimation des paramètres de la modélisation MMAR
Série α0 λ θ
dollar/euro 0,695 1,1 0,29
17. Cette restriction permet de simplifier l’estimation de ϑ2 (Calvet et Fisher, 2002).

A NNEXE 3
Construction de la statistique de test
{ }
T
À partir des simulations de Monte Carlo, nous formons Y j m = Y j ,t m (1 ≤ j ≤ J ) c’est-à-dire les
t =1
10 000 valeurs simulées pour chaque modèle (m) et pour chaque q = {1, 2, 3, 4, 5}. Pour chaque
simulation nous estimons la fonction d’échelle : τˆ (q,Y jm ) , cette estimation nous est donnée par
les moindres carrés ordinaires dont nous récupérons la somme des erreurs au carré SSE (q, Y jm ).
Pour chaque simulation, nous créons18 :
⎧ ⎫
h(Y jm ) = ⎨ ⎡⎣ τˆ (q,Y jm ),ln SSE (q,Y jm ) ⎤⎦ ⎬
q = {1, 2,3, 4,5 } ⎭
⎩
Nous obtenons ainsi pour chaque modèle (m) une matrice de taille (12,10000) dont nous notons
chaque colonne [ Y1m ,…, Y jm ]'.
Notons X = {Xt} (t = 1 à T) la série empirique et formons h(X). Afin d’avoir une mesure entre les
simulations obtenues pour chaque modèle et la série empirique, nous considérons :
J
H ( X ,Y m ) = h( X ) – (1 / J )∑ h(Y j m )
j =1
m
À partir de H(X, Y ), on construit la statistique globale :

Gm (X) = H(X, Ym)' WmH(X,Ym)
J
où Wm = (1/J )∑ H ((Y j m ,Y m )H ((Y j m ,Y m )'
j =1
Nous pouvons estimer la fonction de distribution cumulée Fm de la statistique Gm(X) et ainsi, pour
chaque modèle considéré, nous pouvons calculer la probabilité : 1 – Fm[Gm(X)].
R ÉFÉRENCES
Baillie R.T., Bollerslev, T., Mikkelsen, H.O., 1996. Fractionally integrated generalized autoregressive
conditional heteroskedasticity, Journal of Econometrics 74 (1), septembre, 3-30.
Bollerslev, T., 2001. Generalized autoregressive conditional heteroskedasticity, Journal of
Econometrics 100 (1), janvier, 307-327.
Calvet, L., Fisher, A., 2001. Forecasting multifractal volatility, Journal of Econometrics 105 (1),
novembre, 27-58.
Calvet, L., Fisher, A., 2002. Multifractality in asset returns: Theory and evidence, The Review of
Economics and Statistics 84 (3), 381-406.
Calvet, L. Fisher, A., Mandelbrot, B.B., 1997a. A multifractal model of asset returns, Cowles
18. Nous prenons le logarithme des sommes des erreurs au carré afin d’éviter des problèmes de distributions non
symétriques.
Foundation, Yale University, Cowles Foundation Discussion Papers: 1164.

Calvet, L., Fisher, A., Mandelbrot, B.B., 1997b. Large deviation and the distribution of price
changes, Cowles Foundation, Yale University, Cowles Foundation Discussion Papers: 1165.
Calvet, L., Fisher, A., Mandelbrot, B.B., 1997c. Multifractality of Deutsche Mark/US Dollar exchange
rate, Cowles Foundation, Yale University, Cowles Foundation Discussion Papers: 1166.
Clark, P.K., 1973. A subordinated stochastic process model with finite variance for speculative
prices, Econometrica 41 (1), janvier, 135-156.
Cont, R., 2001. Empirical properties of asset returns: Stylized facts and statistical issues,
Quantitative Finance 1 (2), mars, 223-236.
Dacarogna, M.M., Müller, U.A., Nagler, R.J, Olsen, R.B., Pictet, O.V., 1993. A geographical model
for the daily and weekly seasonal volatility in the foreign exchange market, Journal of International
Money and Finance 12 (4), août, 413-438.
Durett, R., 1991. Probability: Theory and Examples, Pacific Grove, Calif: Wadsworth & Books/Cole
Advanced Book & Software.
Fama, E.F., 1965. The Behavior of stock market prices, Journal of Business 38 (1), 31-105.
Fillol, J., 2003. Multifractality: Theory and evidence. An application to the french stock market,
Economics Bulletin 3 (31), 1-12.
Fillol, J., Tripier, F., 2003. The scaling function-based estimator of the long memory parameter: A

comparative study, Economics Bulletin 3 (23), 1-7.
Ghysels, E., Gouriéroux, C., Jasiak, J., 1996. Trading patterns, time deformation and stochastic vola-
tility in fororeign exchange markets, CREST Working Paper, 9655.
Mandelbrot, B.B., 1963. The variation of certain speculative prices, Journal of Business 36 (4), 394-
419.
Mandelbrot, B.B., 1974. Intermittent turbulence in self similar cascades; Divergences of high
moments and dimension of the carrier, Journal of Fluid Mechanics 62.
Mandelbrot, B.B., 1977. The Fractal Geometry of Nature, Freeman Edition.
Mandelbrot, B.B., van Ness, J.W., 1968. Fractional brownian motion, fractional noises and applica-
tion, SIAM Review 10, 422-437.
Mandelbrot, B.B, Taylor, H.W., 1967. On the distribution of stock price differences, Operations
Research 15, 1057-1062.
Seuret, S., Lévy Véhel, J., 2002. The local Hölder function of a continuous function, Comput.
Harmon, Anal. 13 (3), 263-276
Taylor, S., 1986. Modelling financial time series, New York: Wiley.
Tricot, C., 1999. Courbes et dimension fractale, Springer.

Modélisation Multifractale Du Taux de Change Dollar - Euro

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

Modélisation Multifractale Du Taux de Change Dollar - Euro

Transféré par

Droits d'auteur :

Formats disponibles

MODÉLISATION MULTIFRACTALE DU TAUX DE CHANGE DOLLAR/EURO

La Documentation française | « Économie internationale »

2005/4 no 104 | pages 135 à 150

Distribution électronique Cairn.info pour La Documentation française.

© La Documentation française | Téléchargé le 04/11/2021 sur www.cairn.info (IP: 41.92.3.142)

Powered by TCPDF (www.tcpdf.org)

RÉSUMÉ. L’approche multifractale en finance a fait dernièrement l’objet de développe-

© La Documentation française | Téléchargé le 04/11/2021 sur www.cairn.info (IP: 41.92.3.142)

© La Documentation française | Téléchargé le 04/11/2021 sur www.cairn.info (IP: 41.92.3.142)

2. Voir aussi Calvet et al. (1997abc).

© La Documentation française | Téléchargé le 04/11/2021 sur www.cairn.info (IP: 41.92.3.142)

© La Documentation française | Téléchargé le 04/11/2021 sur www.cairn.info (IP: 41.92.3.142)

Processus multifractal et fonction d’échelle

Graphique 1 - Mesure binomiale

© La Documentation française | Téléchargé le 04/11/2021 sur www.cairn.info (IP: 41.92.3.142)

τ(q) est appelée fonction d’échelle du processus multifractal et présente la propriété

La fonction d’échelle est l’outil principal permettant de détecter le caractère multifractal

Détection de la multifractalité et modélisation multifractale

© La Documentation française | Téléchargé le 04/11/2021 sur www.cairn.info (IP: 41.92.3.142)

avec 0 < t < T.

quand les qiemes moments existent.

6. On peut trouver une démonstration dans Calvet et al. (1997ab).

La méthodologie consiste à régresser log(Δt) sur logE[Sq(T, Δt)], et à représenter graphique-

Le spectre multifractal se résume à un point si le processus présente une relation d’échelle et

© La Documentation française | Téléchargé le 04/11/2021 sur www.cairn.info (IP: 41.92.3.142)