Vous êtes sur la page 1sur 47

MODELISATION HETEROSCEDASTIQUE : LE

MODELE ARCH(AutoRegressive Conditional


Heteroskedasticity)

réalisés par
WAHIBA ECHNIN Encadrée par :
MALIKA OUHMAD Mme EL YAMANI
HICHAM AIT-BELLA
LE PLAN
 INTRODUCTION

 PARTIE THEORIQUE : les modèles ARCH

 PARTIE EMPIRIQUES : le cas du MASI(euro)

 CONCLUSION
INTRODUCTION
L’étude des séries chronologiques a conduit au développement de plusieurs
modèles parmi lesquels la spécification autorégressive la modélisation
ARMA en général a été largement utilisée, à cause notamment de ses
propriétés statistiques. Malgré ces avantages, les modèles ARMA(p,q)
souffrent de la non prise en compte de certaines contraintes structurelles
liées au phénomène faisant l’objet de la modélisation. Ces contraintes
peuvent traduire le caractère volatile de certaines variables ou même le
comportement rationnel des agents économiques …
D’où la nécessité des nouveaux modèle ( ARCH , GHARCH… )
Partie théorique :
les modèles ARCH
DÉFINITION
les modèles Autorégressif Conditionnellement Hétéroscédastique ont
utilisés pour caractériser et modéliser des  séries chronologiques . Ces
modèles sont souvent appelés les modèles ARCH .
Les modèles ARCH sont employés couramment dans la modélisation de
séries temporelles financières, qui comportent des volatilités variables
c'est-à-dire des périodes agitées suivies par des périodes de calme relatif
Les caractéristiques

La non
stationnarité La non normalité de
(surtout en la distribution d’une
variance) variable/série
Les processus ARCH linéaires :

L’hypothèse fondamentale sous-tendant les ARCH


linéaires est la symétrie des spécifications
quadratiques de la variance conditionnelles des
erreurs.
Les processus ARCH linéaires

1. Modèle ARCH(q)
2.Modèle ARCH Generalised (GARCH(p,q))
3. Modèle GARCH integrated (IGARCH(p,q))
4.Modèle ARCH in Mean (ARCH-M) et GARCH in Mean
(GARCH-M)
Modèles Définitions
Rappelons qu’un modèle de type ARCH(q) consiste à spécifier la variance des erreurs de façon
autorégressive conditionnellement à son information passée. Une telle spécification peut
ARCH(q) généralement s’écrire :

Il s’agit d’un modèle ARCH généralisé ; car, dans ce type des modèles, l’information
plus éloignée dans le passé ; sur la variance conditionnelle des erreurs est prise en compte dans la
GARCH(p,q) spécification de celle-ci en y incluant les valeurs des variances décalées.

Le modèle GARCH intégré ou IGARCH est une spécification GARCH pour des processus non
stationnaires en niveau L’on suppose donc que tel enseigne qu’un choc sur h t² se
répercute sur les valeurs de (ht+m) ² (m : horizon de prévision) de façon explosive, sans
IGARCH(p,q) s’estomper dans le temps
Avec :

ARCH-M et Les modèles ARCH et GARCH avec effet de moyenne sont de spécifications dans lesquelles les
GARCH-M effets ARCH et GARCH respectivement influencent aussi la moyenne conditionnelle
Les processus ARCH non linéaires :

L’hypothèse à la base des ARCH non linéaires est la


prise en compte de l’asymétrie de l’information ou
effet de levier dans les spécifications quadratiques
de la variance conditionnelle des erreurs.
Les processus ARCH non linéaires

1.Modèles Exponential GARCH (EGARCH)


2.Modèles Threshold ARCH (TARCH) et Threshold GARCH
(TGARCH)
Modèles Définitions

Le modèle GARCH exponentiel, difficile à manier ou à interpréter, est une spécification


adaptée au modèle GARCH où «a,b » sont négatifs, levant ainsi les contraintes de non
négativité imposées aux paramètres. Ce type des modèles s’expriment comme suit :
EGARCH

La modélisation ARCH ou GARCH à seuils consiste à intégrer l’effet d’asymétrie dans les
spécifications quadratiques de la variance conditionnelle des erreurs, si bien que le signe
et l’amplitude d’un choc dans les erreurs décalées soient déterminants quant à ses effets
sur la variance conditionnelle au temps t
TARCH et Le modèle ARCH à seuils (TARCH(q)) s’écrit :
TGARCH Le modèle GARCH à seuils (TGARCH(p,q)) s’écrit :
Comment tester la présence d’effets ARCH dans un
processus ?
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.
L’analyse graphique
En représentant sur un même graphique les séries brute et filtrée, l’on
aura à présumer l’existence d’une hétéroscédasticité conditionnelle si
la série laisse présager des fortes variabilités ou une non stationnarité
en variance.
L’étude des statistiques descriptives
L’une des caractéristiques des processus ARCH est la non normalité (ou
non linéarité) de la série. La statistique de Jarque-Bera, ainsi que sa
probabilité associée conduisent l’inférence
Le test de marche aléatoire
Basé sur la statistique de Ljung-Box, le test de bruit blanc permet de
juger de l’hétéroscédasticité de la variance conditionnelle des erreurs
lorsque l’on s’intéresse aux corrélogrammes des carrés des résidus. Ces
derniers permettent de tester

H₀: la spécification est du H₁ la spécification est du type


type ARMA (termes du ARCH (termes du
corrélogramme corrélogramme
significativement nuls : significativement différent de
PROBA >5%) zéro : PROBA <5%)
La présence d’effets ARCH d’ordre supérieur à 3:
Aussi, le test ARCH d’hétéroscédasticité d’ordre >3 appelé aussi test
du multiplicateur de vraisemblance renseigne sur la nécessité ou pas
d’une modélisation du type ARCH. Les hypothèses du test sont :

H₀: Absence d’effets ARCH H₁ Existence d’effets ARCH


d’ordre >3 : PROBA >5%) d’ordre <3: PROBA <5%)
Spécification autorégressive de la série filtrée au carré
Considérons un AR(1) tel que Yt = Ǿ₀ + Ǿ₁ Yt-1 + εi La
spécification autorégressive d’ordre 1 de la série Yt filtrée
au carré s’écrit Zt = Ǿ₀ + Ǿ₁ Zt-1 avec Zt = Δ ( Yt )²

H₀: Ǿ₁=0 Absence H₁ Ǿ₁ ≠ 0 Existence


d’hétéroscédasticité d’hétéroscédasticité
conditionnelle (Modélisation conditionnelle (Modélisation
ARMA sans effets ARMA avec effets ARCH:
ARCHPROBA >5%) PROBA <5%)
LA PROCEDURE
I. Représentations graphiques des séries « BRUTE » et
«STATIONNAIRE »
II. Statistiques descriptives et test de normalité de la série
«BRUTE »
III. Etude de la volatilité de la série «BRUTE »
IV. Estimation des modèles (6) et recherche du modèle
optimal (min AIKAIKE & LB2 et DW max ).
V. Prévision (min MAPE et Theil proche de zéro).
Partie EMPERIQUE :
UNE étude DE CAS SUE LE
MASI (EURO)
Les données
Pour étudier cette variable MASI (EURO) nous
propose les données journalières suivantes :
De 01/02/2019 jusqu’à 12/12/2019 ( la bourse de
casa blanca )
ETUDE DE LA SERIE « MASIE » PAR L’APPROCHE
METHODOLOGIQUE DE BOX ET JENKINS
a) Etude de la stationnarité
Evolution journalière de MASI(euro) (de 01/02/2019 à
12/12/2019

À la lecture du
graphique, l’on présume
une non stationnarité en
moyenne (la série
MASI(euro) accuse une
tendance évolutive avec
le temps) et en variance
(à cause de la forte
variabilité ou volatilité de
la série).
b ) Corrélogramme

H0 : la série est stationnaire


H1 : la série n’est pas stationnaire

 Nous rejetons, car toutes les probabilités sont inférieures à 5%, donclasérie n’est pas
stationnaire
c) Test de Dickey-Fuller augmenté (ADF) :

 Commençant par le 3ème modèle:

 𝐇 𝟎 : 𝐓𝐫𝐞𝐧𝐝 =𝟎
𝐇 𝟏 : 𝐓𝐫𝐞𝐧𝐝 ≠ 𝟎

on accepte , donc la tendance n’est pas significative.


  le 2ème modèle:

 𝐇 𝟎 : 𝐂𝐬𝐭 =𝟎
𝐇 𝟏 : 𝐂𝐬𝐭 ≠ 𝟎

on accepte , donc la constante n’est pas significative


  le 1er modèle:

 𝐇 𝟎 :𝐩𝐫 é 𝐬𝐞𝐧𝐜𝐞 𝐝𝐞 𝐫𝐚𝐜𝐢𝐧𝐞 𝐮𝐧𝐢𝐭𝐚𝐢𝐫𝐞


𝐇 𝟏 : 𝐚𝐛𝐬𝐞𝐧𝐜𝐞 𝐝𝐞 𝐫𝐚𝐜𝐢𝐧𝐞 𝐮𝐧𝐢𝐭𝐚𝐢𝐫𝐞

 
• Crtical.V (5%) = -1,94
• P= 0,89 > 5%
• on accepte , il y’a la présence de racine unitaire, donc il s’agit d’un processus
DS sans dérive
Stationnarité de la série « MASI(euro)
Représentation de la série en 1ére
différence (DMASIE) Le test D.F
L’identification et l’estimation du processus
optimal
Corrélogramme Le choix du processus
Modèle AKAIKE SCHWARZ R2

AR(1) AR(5) 10,95 10,99 0,046

AR(5) 10,96 10,99 0,02

MA(1) 10,97 11,003 0,016

AR(1) 10,97 11,001 0,018

AR(5) MA(1) 10,94 10,99 0,05

Le processus générateur de la série est:


ARIMA(5;1;1)
validation du modèle estimé
validation du modèle estimé

Les résidus du modèle optimal estimé ne constituant pas un bruit


blanc et ne sont pas normalement distribués.
Puisque on est face aux données financières ( indice boursier MASI)
dont l’évolution est souvent non linéaire et volatile. pour ce type des
données, les MCO ne sont pas valides à cause de l’hétéroscédasticité
donc on doit rejeter la spécification ARIMA au profit de la
modélisation hétéroscédastique (ARCH) qui est adaptée à l’étude
des séries chronologiques accusant une forte volatilité.
ETUDE DE LA SERIE BRUTE « MASIE » PAR LA
MODELISATION HETEROSCEDASTIQUE
(ARCH)
1. Représentations graphiques des séries « MASI » et «
DMASI»

la représentation de la série non La représentation de la série


stationnaire stationnaire
Evolution comparée de la série brute (MASI) et celle en
différence (DMASI)
2 . Statistiques descriptives et test de normalité de la série
« MASIE »
Corrélogramme La représentation

La probabilité associée est de 0.00203< 5% : rejet de l’hypothèse de


normalité pour la série « MASIE »
3. Etude de la volatilité de la série
« MASIE »
 Pour étudier la volatilité de notre série « MASIE» régressons «
DMASIE » au carré sur la même série décalée (cette façon de
procéder permet de juger de l’autocorrélation de la
variance des résidus).

la manipulation sur Eview


1. genr DMASIE2=DMASIE^2
2. ls DMASIE2 c DMASIE2(-1)
Hypothèses:
H0 : Absence d’hétéroscédasticité conditionnelle
H1 : Existence d’hétéroscédasticité conditionnelle

Décision:
le paramètre associé à « DMASIE2(-1) » est statistiquement significatif, ce
qui permet d’accepter l’hypothèse d’hétéroscédasticité conditionnelle.
4. Estimation des modèles et recherche du modèle optimal
4.1 - Estimation du modèle ARCH
Estimation du modèle AR(1) : ls masie c masie(-1)

le modèle AR(1) est statistiquement


significatif.
Test de présence d’effets ARCH sur le modèle AR(1) estimé :
Hypothèses:
H0 : Absence d’effets ARCH d’ordre >3 Prob>5%, Fc<Fth
H1 : Existence d’effets ARCH d’ordre<3 Prob<5%, Fc>Fth

La statistique Q de Ljung-Box indique des termes statistiquement différents de zéro, Ce qui


amène à présumer la présence d’effets ARCH d’ordre >3 dans notre série « MASIE ».
Hypothèses:
H0 : Modélisation ARMA des erreurs Prob>5%, Fc<Fth

H1 :Modélisation ARCH des erreurs Prob<5%, Fc>Fth

Décision:
Pour un ARCH(1), le coefficient associé à « RESID^2(-1) » est statistiquement
significatif au seuil de 5%, d’où, nous confirmons que notre série brute « MASIE»
suit un processus ARCH d’ordre 1.
Recherche du modèle optimal
Estimation du modèle ARCH(1,0) :

Test d’effets ARCH sur le modèle ARCH(1,0) estimé : pas d’effets ARCH
(prob>5%), le modèle ARCH(1,0) est accepté.
Estimation du modèle GARCH(1,0) :
Corrélogramme des résidus aux carrés

Les résidus de l’estimation de ce modèle ne constituent pas un bruit blanc


: le processus GARCH(1,0) est rejeté.
Modèle AIKAIKE DW LB2
ARCH(1,0) 10,94 1,71 26,84
(0,866)
ARCH(1)-M 10,94 1,72 28,49
Variance (0,809)
ARCH(1)-M Ecart- 10,94 1,71 28,23
type (0,819)
GARCH(1,0) 11,0003 1,69 45,41
(0,135)
Ces 3 GARCH(1,0)-M 11,004 1,702 46,81
Variance (0,107)
modèles ne
GARCH(1,0)-M 11,004 1,702 47,680
constituent Ecart-type (0,092)
pas un bruit
TGARCH(1,1) 10,96 1,708 23,96
blanc (0,938)
EGARCH(1,1) 10,96 1,707 25,91
(0,89)
Validation du modèle ARCH(1):

Toutes les probabilités


>0,05

Le processus ARCH(1) constitue un


bruit blanc.
Prévision:
La prévision à travers une modélisation ARCH sera dite meilleure si :

 elle minimise le MAPE (Mean Absolute Pourcentage Error)


 présente un coefficient de Theil proche de zéro
Prévisions pour 13/12/2019, 16/12/2019:
merci
pour
votre
attention