Vous êtes sur la page 1sur 114

Heteroscedasticite conditionnelle et mod`eles ARCH

Professeur Georges Bresson


Universite Paris II / SORBONNE Universites
Master I - Ingenierie Economique et Statistique
Master I - Monnaie-Finance-Banque
2011-2012
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 1 / 114
Sommaire
Quelques denitions
Les mod`eles ARCH lineaires
Les mod`eles ARCH non lineaires
Methodes destimation
Mod`eles ARCH et prevision
Simulations de processus ARCH
Application: Intel stock returns
Application: lindice S&P500
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 2 / 114
Quelques denitions
Les mod`eles lineaires de series temporelles (tels que les mod`eles ARIMA)
supposent que les variances non conditionnelles et conditionnelles sont invariantes
dans le temps (stationnarite au second ordre).
Or, en realite, on observe des episodes de volatilite notamment pour les series
nanci`eres.
Mandelbrot, en 1963, a montre que des fortes variations de cours avaient
tendance `a etre suivies par de fortes variations (quelque soit le signe de variation)
et de faibles variations etaient suivies de faibles variations.
Par ailleurs, la reponse `a un choc positif na pas la meme intensite que celle issue
dun choc negatif.
Les series nanci`eres sont donc caracterisees par une volatilite variable et des
phenom`enes dasymetrie qui ne peuvent pas etre pris en compte par les
mod`eles ARIMA.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 3 / 114
Quelques denitions
Considerons un portefeuille constitue de N actifs dont les rendements sont donnes
par:
r
it
, i = 1, ..., N , t = 1, ..., T
Le rendement du portefeuille est donne par:
r
t
=
N

i =1
w
i
r
it
,
N

i =1
w
i
= 1
On peut denir ses caracteristiques `a laide de ses moments.
La moyenne du rendement
r
(resp. sa variance
2
r
) exprime le rendement `a
long terme (resp. le risque).
La symetrie est tr`es utile en nance dans les choix `a court ou `a long terme
et dans la gestion du risque. La symetrie est denie par le coecient
dasymetrie S
r
(skewness).
Quant au coecient daplatissement K
r
(kurtosis), il est relie `a la prevision
de la volatilite.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 4 / 114
Quelques denitions
Ces coecients sont donnes par les moments dordre 3 et 4 de la distribution du
rendement:

r
=
1
T
T

t=1
r
t

2
r
=
1
T
T

t=1
(r
t

r
)
2
S
r
=
1
T
3
r
T

t=1
(r
t

r
)
3
K
r
=
1
T
4
r
T

t=1
(r
t

r
)
4
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 5 / 114
Quelques denitions
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 6 / 114
Quelques denitions
Sous lhypth`ese de normalite:
S
r
N
_
0,
6
T
_
, K
r
3 N
_
0,
24
T
_
On peut donc construire des tests de symetrie et daplatissement:
H
0
: symetrie S

=
S
r
_
6/T
N (0, 1)
H
0
: dist. mesokurtique (K = 3) K

=
K
r
3
_
24/T
N (0, 1)
Jarque et Bera ont propose un test joint pour une distribution gaussienne:
H
0
: dist. gaussienne JB = (K

)
2
+ (S

)
2

2
2
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 7 / 114
Quelques denitions
Il est donc particuli`erement important de comprendre et de modeliser la volatilite
dune serie, c.a.d sa variance conditionnelle. En eet, les decisions
dinvestissement dependent fortement de:
levaluation des rentabilites futures
des risques aerant aux diverses actifs constituant les portefeuilles.
La volatilite des actifs nanciers est la variance conditionnelle de la rentabilite
des actifs.
Lestimation de la volatilite dun actif fournit une mesure du risque qui y est
attachee. Si le processus suivi par la volatilite est correctement specie, il peut
fournir des informations utiles `a la determination du processus generant les
rentabilites.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 8 / 114
Quelques denitions
Si P
t
est le prix dun actif au temps t, la rentabilite brute R
t
(gross return) de cet
actif au temps t est:
P
t
= P
t1
(1 + R
t
) 1 + R
t
=
P
t
P
t1
R
t
=
P
t
P
t1
P
t1
Le rendement pour la periode est:
1 + R
t
() =
P
t
P
t
=
P
t
P
t1
.
P
t1
P
t2
...
P
t+1
P
t
= (1 + R
t
) (1 + R
t1
) ... (1 + R
t+1
)
=
1

j =0
(1 + R
tj
)
Le rendement compose (log return) est le logarithme du rendement brut:
r
t
= ln (1 + R
t
)
et le rendement compose multi-periodes est:
r
t
() = ln (1 + R
t
()) =
1

j =0
(1 + r
tj
)
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 9 / 114
Quelques denitions
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 10 / 114
Quelques denitions
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 11 / 114
Quelques denitions
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 12 / 114
Quelques denitions
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 13 / 114
Quelques denitions
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 14 / 114
Quelques denitions
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 15 / 114
Quelques denitions
La volatilite joue un role considerable dans le mod`ele de Black et Scholes
puisquelle est directement introduite dans la determination du prix des options.
Il a donc fallu modeliser la variance conditionnelle dune serie en fonction dun
ensemble dinformations disponibles.
Cest Engle, en 1982, qui introduit le mod`ele ARCH (AutoRegressive Conditional
Heteroskedasticity).
Etant donne
t1
lensemble dinformations disponibles au temps t 1, la
rentabilite (ou le rendement) dun actif (r
t
) est denie par:
r
t
=
t
+ a
t
= E [r
t
|
t1
] +
t

t
o` u
t
est la moyenne conditionnelle de r
t
et a
t
est un choc aleatoire (ou une
innovation) au temps t.
t
est une sequence iid de moyenne nulle et de variance
unitaire.
t
est lecart-type conditionnel (ou volatilite).
Anterieurement, lanalyse des series temporelles etait concernee par lestimation
du rendement moyen (
t
), i.e, lequation de la moyenne. Engle va proposer
dadjoindre une equation de volatilite (
2
t
).
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 16 / 114
Les mod`eles ARCH lineaires
Reprenons le mod`ele:
r
t
=
t
+ a
t
= E [r
t
|
t1
] +
t

t
Le processus dinnovation a
t
est un processus ARCH(q) si on peut lecrire sous la
forme:
a
t
=
t

t
o` u
2
t
=
0
+
q

j =1

j
a
2
tj
,
0
> 0 ,
j
0
Dune mani`ere generale,
2
t
est une fonction quadratique des
_
a
t1
, ..., a
tq
_
:

2
t
=
0
+ a

q,t1
Ga
q,t1
, a
q,t1
=
_
a
t1
, ..., a
tq
_

et G est une matrice denie non negative de taille (q q) . Posons q = 1:

2
t
=
0
+
1
a
2
t1
E [a
t
] = 0
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 17 / 114
Les mod`eles ARCH lineaires
V [a
t
|
t1
] = E
_
a
2
t
|
t1

= E
_
(
t

t
)
2
|
t1
_
=
2
t
E
_

2
t
|
t1

=
2
t
V [
t
|
t1
] =
2
t
puisque
a
t
=
t

t
et
2
t
=
0
+
1
a
2
t1
alors
a
2
t
=
2
t

2
t
=
0

2
t
+
1
a
2
t1

2
t
et la variance non conditionnelle est:
E
_
a
2
t

= V [a
t
] =
0
E
_

2
t

+
1
E
_
a
2
t1

E
_

2
t

=
0
+
1
E
_
a
2
t1

comme
E
_
a
2
t

= E
_
a
2
t1

donc
V [a
t
] =

0
1
1
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 18 / 114
Les mod`eles ARCH lineaires
De meme, on peut montrer que:
E
_
a
4
t

=
3
2
0
(1
1
)
2
.
_
1
2
1
_
1 3
2
1
= 3 (V [a
t
])
2
.
_
1
2
1
_
1 3
2
1
Le moment dordre 4 existe si et seulement si 3
2
1
< 1 soit 0 <
2
1
<
1
3
. En eet,
a
4
t
=
4
t

4
t
=
_

0
+
1
a
2
t1
_
2

4
t
=
2
0

4
t
+
2
1
a
4
t1

4
t
+ 2
0

1
a
2
t1

4
t
comme
t
N(0, 1), E
_

4
t

= 3 (kurtosis dune loi normale centree reduite) et


comme E
_
a
4
t

= E
_
a
4
t1

, il vient:
E
_
a
4
t

= 3
2
0
+3
2
1
E
_
a
4
t1

+6
0

1
E
_
a
2
t1

= 3
2
0
+3
2
1
E
_
a
4
t1

+6
0

1
_

0
1
1
_
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 19 / 114
Les mod`eles ARCH lineaires
E
_
a
4
t

(1 3
2
1
) = 3
2
0
_
1 +
2
1
1
1
_
= 3
2
0
_
1
2
1
(1
1
)
2
_
E
_
a
4
t

=
3
2
0
(1
1
)
2
.
_
1
2
1
_
1 3
2
1
= 3 (V [a
t
])
2
.
_
1
2
1
_
1 3
2
1
cqfd
Pour
1
= 0, le moment dordre 4 de a
t
est donc plus grand que celui dune
variable aleatoire suivant une loi normale. Il y a donc exc`es de kurtosis.
La fonction de vraisemblance de (a
1
, a
2
, ..., a
T
) est:
L (a
1
, a
2
, ..., a
T
|
0
,
1
) = L
_
a
T
|a
T1
_
L
_
a
T1
|a
T2
_
...L (a
2
|a
1
) .L (a
1
)
L (.) = L
_
a
T
|a
T1
_
L
_
a
T1
|a
T2
_
...L (a
2
|a
1
) .L (a
1
)
=
T

t=2
1
_
2
2
t
exp
_

1
2
a
2
t

2
t
_
.L (a
1
)
=
T

t=2
1
_
2
2
t
exp
_

1
2
a
2
t

2
t
_

1
_
2

0
1
1
exp
_

1
2
a
2
1

0
1
1
_
=
T

t=2
1
_
2
2
t
exp
_

1
2
a
2
t

2
t
_

1
1

2
0
exp
_

(1
1
) a
2
1
2
0
_ Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 20 / 114
Les mod`eles ARCH lineaires
La log-vraisemblance est donc:
ln L (.) =
1
2
T

t=2
ln
_
2
2
t
_

1
2
T

t=2
a
2
t

2
t

1
2
ln
_

0
1
1
_

(1
1
) a
2
1
2
0

1
2
T

t=1
ln
_

2
t
_

1
2
T

t=1
a
2
t

2
t
Cette log-vraisemblance peut etre maximisee `a laide dalgorithmes de
linearisation (cf. infra).
En resume, ce simple mod`ele ARCH(1) est informatif. Il dit que le processus a
t
est faiblement stationnaire si
1
< 1 et traduit un exc`es de kurtosis si 3
2
1
< 1.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 21 / 114
Les mod`eles ARCH lineaires
Bollerslev, en 1986, a generalise le mod`ele ARCH(q) au mod`ele GARCH(p, q)
(Generalized AutoRegressive Conditional Heteroskedasticity):
a
t
=
t

t
o` u
2
t
=
0
+
q

j =1

j
a
2
tj
+
p

j =1

2
tj

2
t
=
0
+ (B)a
2
t
+ (B)
2
t
avec
0
> 0 ,
j
0 ,
j
0
Cette generalisation est similaire `a celle dun ARMA `a partir dun MA.
Intuitivement, si on consid`ere un ARCH() :

2
t
=
0
+
1
a
2
t1
+
2
a
2
t2
+ ...
Si on pose
i
1
=
i
, i 1,

2
t
=
0
+
_

1
+
2
1
B +
3
1
B
2
+ ...

a
2
t1
=
0
+
1
_
1 +
1
B +
2
1
B
2
+ ...

a
2
t1
=
0
+

1
1
1
B
a
2
t1
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 22 / 114
Les mod`eles ARCH lineaires
do` u
(1
1
B)
2
t
= (1
1
B)
0
+
1
a
2
t1
soit

2
t
=
0
+
1

2
t1
+
1
a
2
t1
Une propriete importante du mod`ele GARCH est quil peut sinterpreter comme
un processus ARMA sur le carre des innovations a
2
t
. Posons:
u
t
= a
2
t

2
t
et si

2
t
=
0
+ (B)a
2
t
+ (B)
2
t
alors
a
2
t
u
t
=
0
+ (B)a
2
t
+ (B)
_
a
2
t
u
t
_
[1 (B) (B)] a
2
t
=
0
+ [1 (B)] u
t
Donc une condition necessaire et susante de stationnarite du processus
GARCH(p, q) est:
(B) + (B) < 1
q

j =1

j
+
p

j =1

j
< 1
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 23 / 114
Les mod`eles ARCH lineaires
Empiriquement, lidentication des ordres p et q du processus GARCH seectue
`a partir de letude des autocorrelations et des autocorrelations partielles de la
serie a
2
t
.
Pour un processus ARCH(q), lautocorrelation partielle sannule `a partir du retard
(q + 1) et pour un processus GARCH(p, q), lautocorrelation partielle decrot de
facon exponentielle quand le nombre de retards augmente.
Pour tester la presence deets ARCH, on utilise le test du multiplicateur de
Lagrange.
Soit le mod`ele: r
t
=
t
+ a
t
, on suppose un processus AR(q) sur le carre des
perturbations:
a
2
t
=
0
+
q

j =1

j
a
2
tj
+
t
Sous lhypoth`ese nulle dabsence deets ARCH `a lordre q, la statistique
_
T.R
2
_
est inferieure `a la valeur du
2
`a q degres de liberte.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 24 / 114
Les mod`eles ARCH lineaires
Les processus IGARCH (Integrated Generalized AutoRegressive Conditional
Heteroskedasticity) correspondent au cas dune racine unitaire: (B) +(B) = 1.
Ces mod`eles sont caracterises par un eet dhysteresis dans la variance.
Un choc sur la variance conditionnelle actuelle se repercute sur toutes les valeurs
futures de la variance conditionnelle.
Exemple IGARCH(1, 1):

2
t
=
0
+
1
a
2
t1
+
1

2
t1
,
1
+
1
= 1 avec a
t
=
t

t
=
0
+
1
_

2
t1

2
t1
_
+
1

2
t1
=
0
+
_

2
t1
+
1
_

2
t1
E
_

2
t

=
0
+ E
__

2
t1
+
1
_
.E
_

2
t1

or
E
__

2
t1
+
1
_
=
1
E
_

2
t1

+
1
=
1
+
1
= 1
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 25 / 114
Les mod`eles ARCH lineaires
do` u
E
_

2
t

=
0
+ E
_

2
t1

=
0
+
2
t1
La variance conditionnelle
2
t
est donc une martingale avec derive et par
recurrence, on obtient:
E
_

2
t+
|
t

=
2
t1
+
0
En reprenant le processus IGARCH(1, 1)

2
t
=
0
+
1
a
2
t1
+
1

2
t1
,
1
+
1
= 1
et en debutant `a t = 1 avec
0
et a
0
comme valeurs initiales, on obtient, par
substitutions repetees:

2
t
=
0
_
1 +
t1

i =1
_

2
ti
+
1
_
_
+
2
0
t

i =1
_

2
ti
+
1
_
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 26 / 114
Les mod`eles ARCH lineaires
Si pour simplier, on pose
0
= 0, alors:
ln
_

2
t
_
= ln
_

2
0
_
+
t

i =1
ln
_

2
ti
+
1
_
Si E
_
ln
_

2
ti
+
1
_
> 0, alors lim
t
ln
_

2
t
_
= + impliquant que
2
t
diverge.
Si E
_
ln
_

2
ti
+
1
_
< 0, alors lim
t
ln
_

2
t
_
= impliquant que
2
t
converge vers 0.
Si E
_
ln
_

2
ti
+
1
_
= 0, alors ln
_

2
t
_
est une marche aleatoire avec
derive donc
2
t
est une marche aleatoire dont les variations se situent dans
lintervalle ]0, +[
Si
0
> 0 (ce qui doit etre le cas), les resultats sont plus compliques (cf. Nelson
(1990), Econometric Theory).
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 27 / 114
Les mod`eles ARCH lineaires
Pour accrotre la generalite des specications GARCH, Engle, Lilien et Robins, en
1987, ont introduit des mod`eles ARCH M (ARCH in Mean) dans lesquels la
variance conditionnelle
2
t
devient une variable explicative dans la moyenne
conditionnelle:
r
t
=
t
+
2
t
+ a
t
et
2
t
=
0
+
q

j =1

j
a
2
tj
+
p

j =1

2
tj
Cette categorie de mod`eles ARCH est certainement la plus pertinente.
En eet, levaluation du risque constitue un point central en economie nanci`ere.
Les methodes usuelles de mesure et de prevision du risque sont en general simples
et par consequent inadaptees `a lanalyse des series nanci`eres.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 28 / 114
Les mod`eles ARCH lineaires
Puisque le degre dincertitude concernant les rentabilites varie au cours du temps,
il est raisonnable de penser que la compensation que re coivent les agents issue de
la detention dactifs doit egalement varier au cours du temps. Il convient:
non seulement de mesurer le risque,
de tenir compte de sa variation au cours du temps,
mais egalement dinclure cette information comme un determinant de la
rentabilite du titre ou du portefeuille.
La modelisation ARCH-M permet de tenir compte de ce phenom`ene en
introduisant la variance conditionnelle dans lequation de la moyenne.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 29 / 114
Les mod`eles ARCH non lineaires
Les mod`eles ARCH non lineaires se distinguent des mod`eles ARCH lineaires par
le fait quils rejettent lhypoth`ese de symetrie des specications quadratiques.
En eet, dans ces derni`eres, lamplitude des valeurs passees du bruit est prise en
compte par lintermediaire des termes a
2
tj
.
Les mod`eles ARCH non lineaires font intervenir le signe et lamplitude de a
tj
et vont introduire des mecanismes asymetriques.
Le mod`ele GARCH exponentiel EGARCH evite les contraintes de positivite
imposees aux coecients
j
et
j
.
Un mod`ele EGARCH(1, 1) secrit:
a
t
=
t

t
o` u ln
_

2
t
_
=
0
+
1 B
1 B
g
_

t1
_
o` u la fonction g
_

t1
_
est denie par:
g
_

t1
_
=
t1
+
_
|
t1
| E|
t1
|

=
_
a
t1

t1
_
+
_

a
t1

t1

E
_

a
t1

t1

__
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 30 / 114
Les mod`eles ARCH non lineaires
Du fait de la transformation log, il ny a pas de contrainte de non-negativite `a
imposer. La fonction g
_

t1
_
est une combinaison lineaire ponderee de
t1
et
de son ecart `a la moyenne.
Si
t1
> 0, alors la pente de g
_

t1
_
est ( + )
Si
t1
< 0, alors la pente de g
_

t1
_
est ( )
La variance conditionnelle
2
t
repondra de mani`ere asymetrique aux innovations
passees positives (a
t1
> 0) ou negatives (a
t1
< 0) .
Un mod`ele EGARCH(p, q) secrit:
a
t
=
t

t
ln
_

2
t
_
=
0
+
q

j =1

j
_

tj
+
_
|
tj
| E|
tj
|
_
+
p

j =1

j
ln
_

2
tj
_
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 31 / 114
Les mod`eles ARCH non lineaires
Dun mod`ele EGARCH, on peut denir un mod`ele ARCH `a seuil. En eet,
considerons un EGARCH(0, 0):
ln
_

2
t
_
=
0
+ g
_

t1
_
=
0
+
t1
+
_
|
t1
| E|
t1
|

or, sous lhypoth`ese de normalite:


t
N (0, 1), E [|
t
|] =
_
2/, do` u
ln
_

2
t
_
=
0
+
t1
+ |
t1
|
_
2/
=
_

_
2/
_
+
t1
+ |
t1
|
ln
_

2
t
_
=
_

_
2/
_
+
_
( + )
t1
si
t1
> 0
( )
t1
si
t1
< 0
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 32 / 114
Les mod`eles ARCH non lineaires
Dune mani`ere generale, un ARCH `a seuil TARCH(q) (Threshold ARCH) exprime
la variance conditionnelle comme une fonction quadratique par morceaux des
valeurs passees du bruit:

2
t
=
0
+
q

j =1
_

+
j
a
+
tj

j
a

tj
_
,
_
a
+
tj
= max (0, a
tj
)
a

tj
= min (0, a
tj
)
et le mod`ele TGARCH(p, q) (Threshold GARCH) sera deni par:

2
t
=
0
+
q

j =1
_

+
j
a
+
tj

j
a

tj
_
+
p

j =1

2
tj
,
_
a
+
tj
= max (0, a
tj
)
a

tj
= min (0, a
tj
)
Leet dun choc a
tj
sur la volatilite depend `a la fois du signe et de lamplitude
du choc.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 33 / 114
Les mod`eles ARCH non lineaires
La specication generale pour la variance conditionnelle du TARCH ou TGARCH
peut se ramener `a:

2
t
=
0
+
q

j =1

j
a
2
tj
+
p

j =1

2
tj
+
q

k=1

k
a
2
tk
I
tk
avec I
tk
=
_
1 si a
tk
< 0
0 sinon
Dans ce mod`ele, les bonnes surprises (news)
_
a
tj
> 0
_
et les mauvaises surprises
_
a
tj
< 0
_
ont des eets dierents sur la variance conditionnelle.
Les bonnes surprises ont un impact egal `a
j
,
les mauvaises surprises ont un impact egal `a
j
+
k

Si
k
> 0, les mauvaises surprises augmentent la volatilite. On dit quil
y a eet de levier dordre j (leverage eect of order j ).

Si
k
= 0, limpact des news est asymetrique.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 34 / 114
Les mod`eles ARCH non lineaires
En 1986, Taylor a introduit le standard deviation GARCH model dans lequel
cest lecart-type (et non la variance) qui est modelise. Ce mod`ele a ete generalise
par Ding, Granger et Engle, en 1993, sous le nom de Power ARCH specication
PARCH.
Dans le mod`ele PARCH, le param`etre de puissance () de lecart-type (
t
) peut
etre estime (plutot quimpose) et des param`etres () (optionnels) sont introduits
pour traduire lasymetrie dordre r :

t
=
0
+
p

j =1

tj
+
q

j =1

j
_
|a
tj
|
j
a
tj
_

o` u
> 0 ,
|
j
| 1 pour j = 1, ...., r

j
= 0 pour j > r et r q
Le mod`ele est symetrique si
j
= 0, j .
Si = 2 et
j
= 0, le mod`ele PARCH se ram`ene `a un mod`ele ARCH.
Les eets asymetriques seront presents si
j
= 0 et pour estimer le mod`ele de
Taylor, il sut de poser = 1.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 35 / 114
Les mod`eles ARCH non lineaires
Le mod`ele CGARCH (Component GARCH) permet de denir les composantes
transitoire et permanente de la volatilite. En eet, `a partir du mod`ele
GARCH(1, 1):

2
t
=
0
+
1
a
2
t1
+
1

2
t1
on peut ecrire:

2
t
=
0
+
1
_
a
2
t1

0
_
+
1
_

2
t1

0
_
,
0
(1
1

1
) =
0
La variance conditionnelle montre un retour vers la moyenne (mean reversion)

0
qui est constante t.
A linverse, le mod`ele GARCH `a composantes permet un retour vers une moyenne
variable dans le temps (m
t
)
_

2
t
m
t
=
0
+
1
_
a
2
t1

0
_
+
1
_

2
t1

0
_
m
t
=
0
+ (m
t1

0
) +
_
a
2
t1

2
t1
_

2
t
est toujours la volatilite mais m
t
est la volatilite de long terme. La premi`ere
equation decrit la composante transitoire
_

2
t
m
t
_
qui converge vers 0 au
taux (
1
+
1
) . La seconde equation decrit la composante de long terme (m
t
)
qui converge vers (
0
) au taux () .
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 36 / 114
Les mod`eles ARCH non lineaires
est tr`es souvent compris entre 0.99 et 1.00, c.a.d. que (m
t
) converge tr`es, tr`es
doucement vers (
0
).
On peut combiner les equations de composante transitoire
_

2
t
m
t
_
et
permanente (m
t
):

2
t
= (1
1

1
) (1 )
0
+ (
1
+ ) a
2
t1
(
1
+ (
1
+
1
)) a
2
t2
+ (
1
)
2
t1
(
1
(
1
+
1
))
2
t2
qui est un mod`ele GARCH(2, 2) contraint.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 37 / 114
Methodes destimation
Les deux methodes les plus utilisees sont le pseudo-maximum de
vraisemblance (PMV) et les moindres carres en deux etapes mais la methode
usuellement implantee dans les logiciels est le PMV.
La plupart des actifs nanciers ne suivent pas necessairement une loi normale.
Mais la densite gaussienne peut etre utilisee pour calculer lestimateur meme si la
(vraie) distribution nest pas gaussienne.
On parle alors destimateur du pseudo-maximum de vraisemblance. Cet
estimateur est convergent et asymptotiquement normal.
Soit un mod`ele GARCH(p, q): :
_
r
t
= f (X
t
, b) + a
t
, a
t
=
t

2
t
=
0
+

q
j =1

j
a
2
tj
+

p
j =1

j

2
tj
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 38 / 114
Methodes destimation
On pose
Z

t
=
_
1, a
2
t1
, ..., a
2
tq
,
2
t1
, ...,
2
tp
_

= (
0
,
1
, ...,
q
,
1
, ...,
p
) et

= (b

)
La variance conditionnelle peut secrire:

2
t
= Z

La log-vraisemblance pour T observations secrit:


l
T
() =
1
T
T

t=1
l
t
() =
1
2
T

t=1
ln
_

2
t
_

1
2
T

t=1
_
a
2
t

2
t
_
La maximisation de la log-vraisemblance par rapport `a = (b

permet
decrire les conditions du 1er ordre:
_
_
_
l
t
()

=
1
2
2
t

2
t

_
a
2
t

2
t
1
_
l
t
()
b
=
a
t
X
t

2
t
+
1
2

2
t

2
t
b
_
a
2
t

2
t
1
_
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 39 / 114
Methodes destimation
et le Hessien est donne par:

2
l
t
()

=
_

2
l
t
()

2
l
t
()
bb

_
o` u

2
l
t
()

=
_
a
2
t

2
t
1
_
.

_
1
2
2
t

2
t

1
2 (
2
t
)
2
.

2
t

2
t

.
a
2
t

2
t

2
l
t
()
bb

=
X
t
X

2
t

1
2 (
2
t
)
2

2
t
b

2
t
b

_
a
2
t

2
t
_

2a
t
X
t
2 (
2
t
)
2

2
t
b
+
_
a
2
t

2
t
1
_
.

b

_
1
2
2
t

2
t
b
_
et o` u

2
t

= Z
t
+
p

j =1

2
tj

2
t
b
= 2
q

j =1

j
X
tj
a
tj
+
p

j =1

2
tj
b
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 40 / 114
Methodes destimation
La matrice dinformation de Fisher relative `a b `a linstant t (I
bb,t
) sobtient en
prenant lesperance conditionnelle de loppose du Hessien:
I
bb,t
= E
_

2
l
t
()
bb

_
= E
_
X
t
X

2
t
+
1
2 (
2
t
)
2

2
t
b

2
t
b

_
car
E
_
a
2
t

2
t
_
= 1 et E
_
2a
t
X
t
2 (
2
t
)
2
_
= 0 puisque E [a
t
] = 0
Pour T observations, on obtient:
I
bb,T
=
1
T
T

t=1
I
bb,t
=
1
T
T

t=1
E
_
X
t
X

2
t
+
1
2 (
2
t
)
2

2
t
b

2
t
b

_
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 41 / 114
Methodes destimation
la matrice de variance-covariance de b est linverse de la matrice dinformation de
Fisher: V (b) = I
1
bb,T
.
Lestimateur est obtenu en resolvant numeriquement les conditions du 1er ordre.
Pour cela, on utilise des algorithmes du type Berndt-Hall-Hall-Hausman (BHHH)
(cf. chapitre 2):

(m+1)
=
(m)
+ s
m
_
T

t=1

2
l
t
()

_
1
T

t=1
l
t
()


(m)
+ s
m
_
T

t=1
l
t
()

.
l
t
()

_
1
T

t=1
l
t
()

o` u le scalaire s
m
controle la correction du gradient.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 42 / 114
Mod`eles ARCH et prevision
La question de la prevision dans les mod`eles ARCH a ete etudiee par de
nombreux auteurs. Cest une question technique delicate.
Dans le cas de la variance homoscedastique
_

2
t
=
2
t
_
, nous avons vu que
pour un mod`ele ARMA du type (B) r
t
= (B)a
t
(cf. chapitre 2):
a
t
() = r
t+
E [r
t+
|
t
] =

j =1

j
a
t+
, (B) =
(B)
(B)
et la variance de lerreur de prevision est:
E
_
a
2
t
() |
t

j =1

2
j
E
_
a
2
t+
|
t

j =1

2
j
E
_

2
t+
|
t

car
E
_
a
2
t+
|
t

= E
_

2
t+
|
t

si > 0
donc
E
_
a
2
t
() |
t

j =1

2
j
E
_

2
t+
|
t

j =1

2
j
E
_

2
|
t

=
2

j =1

2
j
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 43 / 114
Mod`eles ARCH et prevision
Dans le cas heteroscedastique, lerreur de prevision du predicteur optimal `a
periodes peut secrire:
E
_
a
2
t
() |
t

j =1

2
j
E
_

2
t+
|
t

=
2

j =1

2
j
+

j =1

2
j
_
E
_

2
t+
|
t

La 2`eme somme exprime la dierence entre la variance conditionnelle (etant


donnees les informations au temps t) et la variance inconditionnelle des
innovations futures.
Si r
t
est stationnaire et admet une representation MA inversible, alors
2
j
tend
vers 0 et E
_

2
t+
|
t

2
quand j augmente.
La presence dheteroscedasticite conditionnelle ne modie pas lexpression
du predicteur optimal mais change la valeur de la variance de lerreur de
prevision.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 44 / 114
Mod`eles ARCH et prevision
Prenons le cas dun mod`ele GARCH(p, q):

2
t
=
0
+
q

j =1

j
a
2
tj
+
p

j =1

2
tj
A lhorizon , on peut ecrire:

2
t+
=
0
+
q

j =1

j
a
2
t+j
+
p

j =1

2
t+j
=
0
+
n

j =1
_

j
a
2
t+j
+
j

2
t+j
_
+
m

j =
_

j
a
2
t+j
+
j

2
t+j
_
avec n = min (m, 1) et m = max (p, q)
E
_

2
t+
|
t

=
0
+
n

j =1
(
j
+
j
) E
_

2
t+j
|
t

+
m

j =
_

j
a
2
t+j
+
j

2
t+j
_
car E
_
a
2
t+
|
t

= E
_

2
t+
|
t

si > 0
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 45 / 114
Mod`eles ARCH et prevision
Pour un mod`ele GARCH(1, 1): p = 1, q = 1, m = 1 et pour > 1, n = 1, soit:
E
_

2
t+
|
t

=
0
+ (
1
+
1
) E
_

2
t+1
|
t

En notant
2
t+
= E
_

2
t+
|
t

, alors

2
t+
=
0
+ (
1
+
1
)
2
t+1
, > 1
Les previsions de volatilite sont donc determinees par la relation precedente.
Asymptotiquement, la prevision converge de facon monotone vers la variance non
conditionnelle:

2
=

0
1 (
1
+
1
)
Les expressions de prevision de la volatilite deviennent vite compliquees pour des
mod`eles ARCH non lineaires.
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 46 / 114
Mod`eles ARCH et prevision
Prenons le cas dun mod`ele EGARCH(1, 0):
ln
_

2
t
_
=
0
+
1
1 B
g
_

t1
_
=
0
+

j =1

j 1
g
_

tj
_
o` u
g
_

tj
_
=
tj
+
_
|
tj
| E
_
|
tj
|

=
_
a
tj

tj
_
+
_

a
tj

tj

E
_

a
tj

tj

__

2
t
= exp
_
_

0
+

j =1

j 1
g
_

tj
_
_
_
E
_

2
t+1
|
t

= E
_
_
exp
_
_

0
+

j =1

j 1
g
_

tj +1
_
_
_
|
t
_
_
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 47 / 114
Mod`eles ARCH et prevision
E
_

2
t+2
|
t

= E
_
_
exp
_
_

0
+

j =1

j 1
g
_

tj +2
_
_
_
|
t
_
_
= exp (
0
) .E
_
exp
_
g
_

t+1
_

. exp
_
_

j =2

j 1
g
_

tj +2
_
_
_
Si
t
N(0, 1), alors pour > 1
E
_

2
t+
|
t

= E
_
_
exp
_
_

0
+

j =1

j 1
g
_

t+j
_
_
_
|
t
_
_
= exp (
0
) .E
_
_
exp
_
_
1

j =1

j 1
g
_

t+j
_
_
_
|
t
_
_
exp
_
_

j =

j 1
g
_

t+j
_
_
_
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 48 / 114
Mod`eles ARCH et prevision
E
_

2
t+
|
t

= exp
_
_

0
+

j =

j 1
g
_

t+j
_
_
_
E
_
_
exp
_
_
1

j =1

j 1
g
_

t+j
_
_
_
|
t
_
_
sous lhypoth`ese de normalite:
t
N (0, 1), E [|
t
|] =
_
2/ et puisque
g
_

t+j
_
=
t+j
+
_
|
t+j
| E
_
|
t+j
|

alors
E
_
exp
_

1
j =1

j 1
g
_

t+j
_
_
|
t
_
=
E
_
exp
_

1
j =1

j 1
()
_
2

_
exp
_

1
j =1

j 1
_

t+j
+ |
t+j
|
_
_
|
t
_
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 49 / 114
Mod`eles ARCH et prevision
E
_
exp
_

1
j =1

j 1
g
_

t+j
_
_
|
t
_
=
E
_

_
exp
_

1
j =1

j 1
()
_
2

_
exp
_

1
j =1

j 1
_
( + )
t+j
|

t+j
>0
+( )
t+j
|

t+j
<0
__

t
_

_
Or, si X N
_
,
2
_
alors
E [exp (X)] = exp
_
+

2
2
_
si X ], +[
E [exp (X)] = exp
_
+

2
2
_
() si X ], 0[ ou ]0, +[
avec () =
1

2
_

t
2
2
dt
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 50 / 114
Mod`eles ARCH et prevision
do` u
E
_
exp
_

1
j =1

j 1
g
_

t+j
_
_
|
t
_
=

1
j =1
exp
_

j 1

_
2

_
exp
_
1
2

2(j 1)
( + )
2
_
.
_

j 1
( + )
_
+exp
_
1
2

2(j 1)
( )
2
_
.
_

j 1
( )
_
_
et
E
_

2
t+
|
t

=
exp
_

0
+

j =

j 1
g
_

t+j
_
_

1
j =1
exp
_

j 1

_
2

_
.
_
exp
_
1
2

2(j 1)
( + )
2
_
.
_

j 1
( + )
_
+exp
_
1
2

2(j 1)
( )
2
_
.
_

j 1
( )
_
_
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 51 / 114
Simulations de processus ARCH
Simulation dun processus AR(2) GARCH(1, 1) sur 1000 observations:
y
t
= 0.4 + 0.83y
t1
0.48y
t2
+ a
t
a
t
=
t

t
,
t
N(0, 1)

2
t
= 1.18 + 0.28a
2
t1
+ 0.54
2
t1
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 52 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 53 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 54 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 55 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 56 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 57 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 58 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 59 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 60 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 61 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 62 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 63 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 64 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 65 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 66 / 114
Simulations de processus ARCH
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 67 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 68 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 69 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 70 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 71 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 72 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 73 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 74 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 75 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 76 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 77 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 78 / 114
Application: Intel stock returns
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 79 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 80 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 81 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 82 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 83 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 84 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 85 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 86 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 87 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 88 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 89 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 90 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 91 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 92 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 93 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 94 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 95 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 96 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 97 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 98 / 114
Application: lindice S&P500
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 99 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 100 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 101 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 102 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 103 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 104 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 105 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 106 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 107 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 108 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 109 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 110 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 111 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 112 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 113 / 114
Application: lindice CAC40
Professeur Georges Bresson (Universite Paris II / SORBONNE Universites) Heteroscedasticite conditionnelle et mod`eles ARCH 114 / 114