Académique Documents
Professionnel Documents
Culture Documents
CONDITIONNELEMENT
HETEROSCEDASTIQUE (Modèle GARCH)
Pour cela, elle a fait appel très fréquemment à des outils mathématiques et
probabilistes afin de décrire ses phénomènes.
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
La prévision
Deuxième partie: Cas Pratique
Présentation des données
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)
On valide ARIMA(1,0,1)
Analyse descriptive de la série
Autocorrélation des erreurs
H1:
( présence d’autocorrélation)
H0: (homodcedasticité )
H1:
( heteroscedasticité )