LES MODELES AUTOREGRESSIF

CONDITIONNELEMENT
HETEROSCEDASTIQUE (Modèle GARCH)

Demandé par: Mme ELYAMANI Rachida

réalisé par:
ELFARAGUI Laila
SAYDI ALAMI Zineb
 PLAN
INTRODUCTION
PREMIERE PARTIE : Rappel Théorique
 Présentation théorique du modèle GARCH
 Les caractéristiques du modèle
 Rappels sur les étapes du méthode BOX & JENKINGS

Deuxième partie : Cas Pratique

 Présentation des données
 Études de stationnarité
 Étude descriptive de la série
 Estimation du modèle ARCH/GARCH
INTRUDUCTION
Ces dernières années, la recherche en finance s’est de plus en plus
intéressée à la modélisation des phénomènes présents sur les marchés
comme l’évolution des cours, la volatilité, ect.

Pour cela, elle a fait appel très fréquemment à des outils mathématiques et
probabilistes afin de décrire ses phénomènes.

La préoccupation dédiée à la volatilité est expliquée par le fait que les

décisions d’investissement dépendent non seulement du niveau des
rendements attendus, mais également du niveau des risques afférents aux
divers actifs constituant les portefeuilles.
L’étude des séries chronologiques a conduit au
développement de plusieurs modèles ,qui
s’intéressent à l’étude de la volatilité des actifs
financiers parmi lesquels le modèle

ARCH/GARCH.
Première partie: Rappel Théorique
Présentation théorique du modèle GARCH

 Signification:
G:Generalized
AR: Auto Regressive
CH: Conditional Heteroskedasticity
 Origine :
ENGELE(1982):ARCH(q)
BOLLERSLEV(1986):GARCH(p,q)
Présentation théorique du modèle GARCH

 Dans le modèle GARCH ,on veut que la variance globale soit constante;

C’est important pour pouvoir identifier les paramètres du modèles qui s’écrit sous
la forme GARCH(p,q)

 Si q =0 on a un GARCH(p,q)=GARCH(p,0) =ARCH(p)

 Les processus GARCH sont similaires aux processus ARMA usuels dans le sens
où le degré q apparait comme le degré de la partie moyenne mobile et p comme
celui de l’autorégressive .
 Les caractéristiques du modèle

I. L’analyse graphique des séries brutes et stationnaires .

II. L’étude des statistiques descriptives de la série.

III. Les tests de marche aléatoire et de présence d’effets ARCH

d’ordre supérieur à 3 .

IV. La spécification autorégressive de la série filtrée

(stationnaire) au carré.
 Rappels sur les étapes du méthode BOX &
JENKINGS
L’étude d’une série aux fins de prévision, par l’approche méthodologique de Box et
Jenkins, passe par les cinq étapes:

 L’étude de la stationnarité (tests ADF ou PP ; graphiques);

 L’identification du processus adéquat (lecture des corrélogramme);

 L’estimation du modèle/processus optimal retenu;

 L’inférence statistique (diagnostic/validation du modèle estimé);

 La prévision
Deuxième partie: Cas Pratique
Présentation des données

 Notre série est composée de l’indice boursier MASI pour

la période entre le 17/01/2014 et 21/04/2014 pour le
Maroc.
 L’objectif est d’étudier la volatilité de l’indice MASI
Étude se stationnarité
analyse Graphique

On remarque
d’après le graphe
que la série ne
fluctuée autour de
sa moyenne, il a
une tendance à la
hausse, ce qui
signifie que la série
peut être non
stationnaire.
Étude se stationnarité
analyse du Correlogramme
On remarque d’après le
corrélogramme un terme de
retards sort de l’intervalle de
PAC. Et une décroissance
trop lente au niveau de la
fonction d’autocorrélation
simple donc il se peut que la
série est non stationnaire,
Pour avoir une confirmation
et identifier de quel type elle
s’agit on va procéder au test
de Dickey-Fuller.
Test de Racine Unitaire
Modèle 3
Test de Racine Unitaire
Modèle 2
Test de Racine Unitaire
Modèle 1
RENDRE LA SERIE STATIONNAIRE
→La série est devenue stationnaire après première différentiation
 genr DMASI =MASI –MASI(-1)

 Dans la colonne de la fonction

d’autocorrélation, on trouve :
MA(1) et MA(2)

 Dans la colonne de la fonction

d’autocorrélation partielle, on
trouve : AR(1).
Choix du modèle ARIMA à retenir

 On va éliminer MA(1) et MA(2)

parce les coefficients ne sont
pas significatifs ( proba>0.05)

 Donc le Modèle à retenir

AR(1) c-à-d ARIMA(1;0;1)
Estimation du modèle retenu

 On valide ARIMA(1,0,1)
Analyse descriptive de la série
Autocorrélation des erreurs

H0: (absence d’autocorrélation)

H1:
( présence d’autocorrélation)

On a certains proba qui sont

inférieur à 0.05, donc on rejette
l’hypothése nulle
→ donc on a présence
d’autocorrélation
Analyse descriptive de la série
Héteriscédasticité

H0: (homodcedasticité )

H1:
( heteroscedasticité )

On a certains proba qui sont

inférieur à 0.05, donc on rejette
l’hypothése nulle
→
donc on a présence d’héterosced
Asticité
Analyse descriptive de la série
Normalité

H0 :la distribution suit la loi

normale
H1 : la distribution ne suit pas la
loi normale.
proba<0.05 donc rejet de H0
La distribution ne suit pas une loi
normale