Université Hassan II– Casablanca

Faculté des Sciences Juridiques,

Economiques & Sociales-Mohammedia

Module :
Analyse des séries chronologiques

Master Marchés Financiers et Economie Appliquée

2eme Semestre

Pr. R.EL YAMANI

Année universitaire : 2020/2021

 Plan de 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
 3

Tests de racine
unitaire

Pr. R. EL YAMANI
 Test de Dickey Fuller
4

 Les tests de racine unitaire « Unit Root Test » permettent non

seulement de détecter l'existence d'une non-stationnarité
mais aussi de déterminer de quelle non-stationnarité il s'agit
(processus TS ou DS) et donc la bonne méthode pour
stationnariser la série.

Pr. R. EL YAMANI
 Test de Dickey Fuller
5

 Modèle [1] : 𝒙𝒕 =𝜱𝟏 𝒙𝒕−𝟏 +ԑ𝒕 Modèle autorégressif d’ordre 1.

 Modèle [2] : 𝒙𝒕 =𝜱𝟏 𝒙𝒕−𝟏 + β +ԑ𝒕 Modèle autorégressif avec constante.

 Modèle [3] : 𝒙𝒕 =𝜱𝟏 𝒙𝒕−𝟏 + 𝒃𝒕 + c +ԑ𝒕 Modèle autorégressif avec tendance.

Pr. R. EL YAMANI
 Stratégie du test de
Dickey Fuller
6

 Les tests de Dickey-Fuller (DF) permettent de

mettre en évidence le caractère stationnaire ou non
d'une chronique par la détermination d'une
tendance déterministe ou stochastique.
 Le test de racine unitaire consiste à tester
l'hypothèse nulle de présence d'une racine unitaire
contre une hypothèse alternative;
 𝐻0 :Φ1 =1 (Il existe une racine unitaire, le processus
n’est pas stationnaire)
 𝐻1 : Φ1 <1 (Il n’existe pas une racine unitaire, le
processus est stationnaire)
Pr. R. EL YAMANI
 Stratégie du test de
Dickey Fuller
7

 Les modèles servant de base à la construction de ces

tests sont au nombre de trois. Le principe des tests
est simple : si l'hypothèse 𝐻0 : p = 1 est retenue
dans l'un de ces trois modèles, le processus est alors
non stationnaire.
 [1] 𝑥𝑡 =Φ1 𝑥𝑡−1 +ԑ𝑡 Modèle autorégressif d'ordre 1.
 [2] 𝑥𝑡 = Φ1 𝑥𝑡−1 +β+ ԑ𝑡 Modèle autorégressif avec
constante.
 [3] 𝑥𝑡 = Φ1 𝑥𝑡−1 + 𝑏𝑡 + c+ ԑ𝑡 Modèle autorégressif
avec tendance.
 === Si l'hypothèse H₀ est vérifiée, la chronique 𝑥𝑡
n'est pas stationnaire quel que soit le modèle retenu.
Pr. R. EL YAMANI
 Stratégie du test de
Dickey Fuller
8

 Dans le dernier modèle [3], si on accepte 𝑯𝟏 : 𝜱𝟏 < 1

et si le coefficient b est significativement différent de
0, alors le processus est un processus TS ;
 On peut le rendre stationnaire en calculant les
résidus par rapport à la tendance estimée par les
moindres carrés ordinaires.

Pr. R. EL YAMANI
 Stratégie du test de
Dickey Fuller
9

 Sous 𝑯𝟎 , les règles habituelles de l'inférence

statistique ne peuvent pas être appliquées pour
tester cette hypothèse, en particulier la distribution
de Student du paramètre Φ1 ;
 Dickey et Fuller ont donc étudié la distribution
asymptotique de l'estimateur Φ1 , sous l'hypothèse 𝑯𝟎 .
 À l'aide de simulations de Monte-Carlo, ils ont tabulé
les valeurs critiques pour des échantillons de tailles
différentes.
 Ces tables sont des tables analogues aux tables du t
de Student.

Pr. R. EL YAMANI
La stratégie séquentielle de test

10

Pr. R. EL YAMANI
Test de Dickey-Fuller

11

Pr. R. EL YAMANI
 Application sur les tests de
racine unitaire
Fichier Eviews:
Application 2-Tests de racine unitaire

Pr. R. EL YAMANI
12
 Exemple d’application des
tests de racine unitaire
13

On demande d’appliquer les tests de non-stationnarité

sur la séries 𝐶𝐴𝐶40 (indice représentatif de l’évolution
des cours de bourse) sur une période de 1160 jours.
Solution
Nous allons étudier le CAC40 sur 1 160 observations
quotidiennes.

Pr. R. EL YAMANI
 Le graphique
illustre l’évolution de l’indice CAC40.

CAC 14

2,300

2,200

2,100

2,000

1,900

1,800

1,700

1,600

1,500

1,400
250 500 750 1000
Pr. R. EL YAMANI
 Les fonctions
d’autocorrélation
15

Les fonction d’autocorrélation simple et partielle,

pour h = 15 retards, sont obtenues
directement sur Eviews: ViewCorrelogrammOk
Date: 03/24/20 Tim e: 14:32
Sam ple: 1 1160
Included obs ervations : 1160

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...
Pr. R. EL YAMANI 0.838 0.003 13679. 0.000
1... 0.827 0.000 14483. 0.000
 Les fonctions
d’autocorrélation
16

Eviews fournit les résultats des Date: 03/24/20 Time: 14:32

Sample: 1 1160
fonctions d’autocorrélation simple Included observations: 1160
(colonne AC) et partielle (colonne
PAC), avec les corrélogrammes Autocorrelation Partial Correlation AC PAC Q-Stat Prob
respectifs. Les bornes de l’intervalle de 1 0.989 0.989 1136.6 0.000
confiance sont stylisées par des traits 2 0.976 -0.04... 2245.7 0.000
pointillés horizontaux ; chaque terme 3 0.964 0.020 3329.0 0.000
4 0.953 0.015 4387.8 0.000
qui sort de cet intervalle est donc
5 0.941 -0.05... 5420.2 0.000
significativement différent de 0 au seuil 6 0.929 0.024 6427.5 0.000
de 5 %. Nous nous apercevons que 7 0.917 0.009 7411.2 0.000
tous les termes du corrélogramme 8 0.907 0.035 8373.4 0.000
9 0.896 -0.00... 9314.4 0.000
simple sont extérieurs à l'intervalle de 1... 0.885 -0.03... 10233. 0.000
confiance. Le processus n'est pas un 1... 0.874 -0.01... 11128. 0.000
bruit blanc (il semble même 1... 0.862 0.004 12002. 0.000
1... 0.850 -0.04... 12852. 0.000
caractéristique d'un processus non 1... 0.838 0.003 13679. 0.000
stationnaire). 1... 0.827 0.000 14483. 0.000
Pr. R. EL YAMANI
 Les fonctions
d’autocorrélation
17

La statistique Q de Ljung-Box confirme Date: 03/24/20 Time: 14:32

Sample: 1 1160
ce fait : Included observations: 1160
Q-Stat = 14483 (au retard k = 15) >
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
χ2 0,05;15 = 25, on refuse l'hypothèse
de nullité des coefficients ρk (la 1 0.989 0.989 1136.6 0.000
probabilité critique de ce test est 2 0.976 -0.04... 2245.7 0.000
3 0.964 0.020 3329.0 0.000
indiquée αc = 0,000 < 0,05, donc on
4 0.953 0.015 4387.8 0.000
refuse H0). Le processus CAC40 n'est 5 0.941 -0.05... 5420.2 0.000
pas un bruit blanc. A partir des tests de 6 0.929 0.024 6427.5 0.000
Dickey-Fuller nous allons examiner si 7 0.917 0.009 7411.2 0.000
8 0.907 0.035 8373.4 0.000
le processus est non stationnaire. 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
Pr. R. EL YAMANI
 Test de Dickey-Fuller
Augmenté
18

Le test de Dickey-Fuller consiste à estimer les trois

modèles:

• [1] : CACt − CACt−1 = DCACt = (φ1 − 1) CACt−1

• [2] : CACt − CACt−1 = DCACt = (φ1 − 1) CACt−1 +

c

• [3] : CACt − CACt−1 = DCACt = (φ1 − 1) CACt−1 +

c + bt

Pr. R. EL YAMANI
 Test de Dickey-Fuller
Augmenté
19
On commence toujours par le 3ème modèle : ViewUnit Root test  Cocher
Trend and IntreceptOk
Null Hypothesis: CAC40 has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.053788 0.5705

Test critical values: 1% level -3.965984
5% level -3.413694
10% level -3.128911

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(CAC40)
Method: Least Squares
Date: 03/24/20 Time: 14:37
Sample (adjusted): 2 1160
Included observations: 1159 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

CAC40(-1) -0.008447 0.004113 -2.053788 0.0402

C 14.93911 7.437617 2.008589 0.0448
@TREND("1") 0.002103 0.001896 1.108866 0.2677

Le coefficient de la droite de tendance n’est pas Tendance :

significativement différent de 0 (t∗ = 1,108< t- 𝑯𝟎 : b = 0
tabulée = 3,11 au risque de 5%.), on rejette
𝑯𝟏 : b ≠ 0
l’hypothèse d’un processus TS. Pr. R. EL YAMANI
 Test de Dickey-Fuller
Augmenté
20

On passe à l’estimation du modèle 2 : ViewUnit Root test  Cocher IntreceptOk

Null Hypothesis: CAC40 has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.805839 0.3779

Test critical values: 1% level -3.435777
5% level -2.863824
10% level -2.568037

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(CAC40)
Method: Least Squares
Date: 03/24/20 Time: 15:08
Sample (adjusted): 2 1160
Included observations: 1159 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

CAC40(-1) -0.007093 0.003928 -1.805839 0.0712

C 13.63563 7.344864 1.856485 0.0636

Constante :
Le terme constant n’est pas significativement différent
de 0 (t∗ = 1,85< t-tabulée = 2,83 au risque de 5%), on 𝑯𝟎 : c = 0
rejette l’hypothèse d’un processus DS avec dérive et
𝑯𝟏 : c ≠ 0
tˆφ1 = −1,805 > t-tabulée = −2,86 ; on accepte
l’hypothèse H0 ; le processus n’est pas stationnaire. Pr. R. EL YAMANI
 Test de Dickey-Fuller
Augmenté
21

On passe à l’estimation du modèle 1 : ViewUnit Root test  Cocher NoneOk

Null Hypothesis: CAC40 has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=22)

t-Statistic Prob.*

0.536641 0.8318
Augmented Dickey-Fuller test statistic
Test critical values: 1% level -2.566959
5% level -1.941097
-1.941097
10% level -1.616515

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(CAC40)
Method: Least Squares
Date: 03/24/20 Time: 15:22
Sample (adjusted): 2 1160
Included observations: 1159 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

CAC40(-1) 0.000174 0.000324 0.536641 0.5916

Racine unitaire :
t = 0,536 > t = −1,941 , on accepte
ˆφ1 tabul´e

𝑯𝟎 : φ1 ≥ 1 Admet une racine unitaire

l’hypothèse 𝑯𝟎 ; le processus n’est
pas stationnaire.== Il s’agit d’un 𝑯𝟏 : φ1 < 1 N’admet pas une racine unitaire
processus DS sans dérive.
Pr. R. EL YAMANI
 Test de Phillips et Perron
(1988)
22

Nous procédons ensuite au test de Phillips-Perron

Les probabilités critiques sont toutes supérieures à 0,05, nous
ne rejetons pas l’hypothèse H0 ; nous pouvons donc conclure
que le processus CAC40 possède une racine unitaire et il n’est
pas, donc, stationnaire.

Pr. R. EL YAMANI
 Test KPSS (1992)
23

Enfin, nous procédons aux tests KPSS

La statistique LM est supérieure à la valeur critique
(pour un seuil de 5%) pour les deux spécifications,
nous rejetons l’hypothèse H₀, le processus CAC40
possède donc une racine unitaire.

Pr. R. EL YAMANI
 Conclusion
24

Tous les résultats sont convergents, nous pouvons donc

conclure que le processus CAC40 n’est pas stationnaire.
S’agit-il d’un processus de marche au hasard sans dérive ?
Nous allons le vérifier en calculant le corrélogramme de la
série filtrée par les différences premières ceci afin de
stationnariser le processus :
DCACt = CACt – CACt–1.

Pr. R. EL YAMANI
 Conclusion
25

 L’on notera que le test ADF est efficace en présence

d’autocorrélation des erreurs,
 Le test PP est conseillé en présence d’erreurs
hétéroscédastiques,
 Le test AZ est adapté pour des séries qui sont
victimes de changement de régime (rupture de
tendance) identifié de façon endogène, et
 Le test KPSS décompose une série en trois
composantes (partie déterministe, partie aléatoire,
bruit blanc) avec l’hypothèse nulle de stationnarité.

Pr. R. EL YAMANI