Académique Documents
Professionnel Documents
Culture Documents
2
2
1
0 0
-1
-2
-2
-3 -4
0 50 100 150 200 0 50 100 150 200
0.02 0.4
0
0.2
-0.02
-0.04 0
-0.06
-0.2
-0.08
-0.1 -0.4
1 2 3 4 1 2 3 4
Definition
• Une serie temporelle consiste en un ensemble
d’observations d’une variable y
• Observations sont espacees dans le temps a
intervalles egaux: yi avec i=1,2,....t
• Processus stochastique: Chaque observation est
une variable aleatoire et les variables evoluent
dans le temps selon certaines lois
• Ce que nous observons: Ensemble limite
d’observations
Notions de Base
1 T
• Moyenne E (Yt ) Yi Y
T i 1
• Variance
V (Yt ) E[(Y E (Y )) 2 ] Y2
• Autocovariance
– Variance de Y avec ses propres valeurs passees
jt E[(Yt Y )(Yt j Y )]
• Autocorrelation
j j / 0
• PAC: dernier coefficient de y sur ses m valeurs passees
Autocorrelations Partielles
D a n s u n p r o c e s s u s A R ( 1 ) , y t e t y t-2 s o n t c o r r e l e s m e m e s i y t-2 n ’ e n t r e
p a s d ire c te m e n t d a n s le m o d e le
• L ’ a u t o c o r r e l a t i o n p a r t i e l l e e n t r e n y t e t y t-s e l i m i n e l ’ e f f e t d e s v a l e u r s
in te rm e d ia ire s
• L ’a u to c o r r e la tio n p a rtie lle a in te r v a lle s e s t c a lc u le e p a r u n e s e r ie d e
r e g r e s s io n p a r tie lle s
y t* 1 1 y t* 1 e t w h e re y t* y t y
y t* 2 1 y t* 1 2 2 y t* 2 e t
........
y t* s 1 y t* 1 s 2 y t* 2 ... s s y t* s e t
• P A C : 1 1 , 2 2 ,… .a n d ss.
T o p ic II : 1 3
13 M ay 2002 D r. M a u ric e J . R o c h e
Bruit Blanc
E ( t ) 0
E ( t )
2 2
E ( i j ) 0 pour tout i j
Si t N (0, 2 ) Bruit blanc Gaussien
3 350
300
2
250
200
150
-1
100
-2 50
0
-3 -4 -3 -2 -1 0 1 2 3 4
0 50 100 150 200 250 300 350 400 450 500
• Operateur ‘Avant’ F ( yt ) yt 1
F L1
• Difference
1 L
( yt ) (1 L) yt yt yt 1
2 ( yt ) (1 L) 2 yt (1 L2 2 L) yt yt yt 2 2 yt 1
Moving Average
• Toujours stationnaire
• Fonction de bruits blancs passes
MA(1) y t t 1 t 1
MA(q) y t t 1 t 1 ..... q t q
Topic II : 4
14 May 2002 Dr. Maurice J. Roche
MA(1)
y t t 1 t 1
E(yt )
V ( y t ) E[( y t ) 2 ] E[( t 1 t 1 ) 2 ]
E ( t 2 1 t 1 t 1 ) (1 1 )
2 2 2 2 2
t 1
( j ) 0 pour j 1
(1) 1 /(1 1 )
2
Ma(q)
y t t 1 t 1 ..... q t q
E(yt )
V ( y t ) (1 1 2 ... q )
2 2 2 2
( j ) ( j j 1 1 j 2 2 ... q q j ) 2
( j ) 0 pour j q
Exemple
MA(1) phi1=0.8
Sample autocorrelation coefficients
3 0.6
MA(1) phi1=0.8
0.5
2
0.4
AC
s ac f value s
0.3
1
0.2
0 0.1
-1
-0.1
1 2 3 4 5 6 7 8 9 10
k-values
0.4
0.3
-3
0.2
PAC
s p a c f va lu e s
0.1
-4 0
0 50 100 150 200 250 300 350 400 450 500
-0.1
-0.2
-0.3
-0.4
1 2 3 4 5 6 7 8 9 10
k-values
Exemple
MA(3)
Sample autocorrelation coefficients
0.2
4
0.15
3 0.1
s a c f va lu e s
0.05
AC
2
1
-0.05
0 -0.1
-1 -0.15
1 2 3 4 5 6 7 8 9 10
k-values
-2
0.15
-4
0.1
s p a c f va lu e s
PAC
-5
0.05
-6 0
0 50 100 150 200 250 300 350 400 450 500
-0.05
-0.1
| 1 | 1 Stationnaire
| 1 | 1 Processus explosif
4
4
x 10
2.5
3
2
2
1.5
0
-1
1
-2
-3 0.5
-4
0
0 10 20 30 40 50 60 70 80 90 100
-5
0 50 100 150 200 250 300 350 400 450 500
Pourquoi?
yt 1 yt 1 t
J 1
yt 1 t j 1 yt J
j J
j 0
Si petit et J yt 1 t j
j
j 0
1 1
1 et 1
j 2j
j 0 1 1 j 0 1 21
(0) E[( yt ) 2 ] (1 1 1 ...) 2 2 /(1 21 )
2 4
( j ) ( j ) / (0) 1
j
AR(1)
Phi=0.5 Phi=-0.8
Sample autocorrelation coefficients Sample autocorrelation coefficients
0.6 0.8
0.5 0.6
0.4
0.4
0.2
AC
0.3
sacf values
sacf values
0
0.2
-0.2
0.1
-0.4
0
-0.6
-0.1
1 2 3 4 5 6 7 8 9 10 -0.8
k-values 1 2 3 4 5 6 7 8 9 10
k-values
0.5
0
0.4 -0.1
PAC -0.2
s p ac f valu es
0.3
s p a c f va lu e s
-0.3
0.2
-0.4
-0.5
0.1
-0.6
0
-0.7
-0.1 -0.8
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
k-values k-values
AR(2)
yt 1 yt 1 2 yt 2 yt 2 t
( L) 1 1 L 2 L2
• Conditions de stationarite:
1 2 1
1 2 1
2 1
AR(p)
• Conditions de stationarite: Les racines de
l’equation suivante doivent etre inferieures
a 1 en valeur absolue
x 1 x
p p 1
2 x ... p 0
p2
ARMA(1,1)
• Les autocorrelations diminuent
progressivement
• Similaire a AR(1)
• Mais fonction plus compliquee des
parametres
• Depend des deux coefficients
Box-Jenkins (1976)
1) Identification: Un premier modele est
choisi apres examen des autocorrelations
– Si rho ne decroit pas rapidement: indication de
non-stationarite
– Si rho(k)=0 pour k>q et les autocorrelations
partielles decroissent MA(q)
– Si rho(k) decroit et les autocorrelations
partielles sont =0 pour k>p AR(p)
– Si pas de point de rupture clair ARMA(p,q)
Box-Jenkins (1976)
2) Estimation
Maximum de vraisemblance
Goodness of fit (criteres AIC, Schwartz)
3) Tests de verification sur les residus
- Est ce que les erreurs sont aleatoires?
- Non autocorreles: Test de Box-Ljung
- Normalite: Test de Jarque Bera
Estimation
• B a s e s u r e s tim a tio n p a r m a x im u m d e v ra is e m b la n c e
• T e s te r c h a q u e m o d e le p o u r v e rifie r la n o n -c o rre la tio n d e s
re s id u s
• S i p lu s ie u rs m o d e le s s e m b le n t v a lid e s , u tilis e r le s c rite re s
d ’in fo rm a tio n
• C h o is ir le m o d e le q u i m in im is e le s c rite re s :
A IC T ln (S S R ) 2 ( p q 1 )
S B C T ln (S S R ) ( p q 1 ) ln ( T )
• C e n e s o n t p a s d e s te s ts d ’h y p o th e s e fo rm e ls
• P o s s ib ilite s d e re s u lta ts c o n tra d ic to ire s
T o p ic II : 1 5
14 M ay 2002 D r. M a u ric e J . R o c h e
Maximum de vraisemblance
• Les erreurs sont iid
• Distribution jointe: produit des distributions individuelles
• Regression simple Y X
Min( ' ) Min[(Y X )' (Y X )]
(Y X )' ((Y X )
MaxL( , 2 | y ) (2 2 ) T / 2 exp( )
2 2
2 2 t p 1
ARCH
• Hypothese de constance de la volatilite
rarement verifiee sur marches financiers
• Auto Regressive Conditional
Heteroskasticity
• La volatilite semble etre correlee dans le
temps
• Fat Tails (kurtosis)
Volatility Clusters
S&P 500
4.65458
100*[log(sp(t))-(log(sp(t-1)))]
-6.00451
22dec1999 31mar2000 09jul2000 17oct2000
date
Volatility Clustering
Fat Tails
.113636
Fraction
0
-6.00451 4.65458
100*[log(sp(t))-(log(sp(t-1)))]
Kurtosis
ARCH(1)
• Engle (1982)
• La volatilite conditionelle est fonction des observations
passees
y t E[ y t | t 1 ] t
Relaxer hypothese E[ t ] E[ t | t 1 ] 2
2 2
E[ t | t 1 ] ht
2
Variance conditionelle
t zt ht avec zt iid
E[ t ] E[ E[ t | t 1 ]] E[ht ] 2
2 2
Variance inconditionelle
ARCH ht t 1
2
0, 0
Proprietes
• Volatilite autocorrellee
ht t21
Soustraire ht des deux cotes
t2 t21 vt
vt t2 ht ht ( z 2 t 1)
• Kurtosis>3
GARCH(1,1)
• ARCH(p) difficile a estimer
• Bollerslev(1986)
• Generalized.....ARCH
h t t21 h t 1
0, 0, 0, 1
• Correspond a ARCH()
Extensions
• Integrated GARCH
– Les coefficients somment a 1: Les chocs passes
persistent tres longtemps
• GARCH in Mean
– Relation directe entre rendement et risque d’un actif
– Dans la specification du rendement moyen, inclure une
function de la variance conditionnelle
• Exponentional GARCH
– Les chocs passes ont un impact asymmetrique sur la
volatilite
News Impact Curve
Conditional Variance: GARCH Conditional Variance: EGARCH
40.1751 83.8448
Relation entre erreur
Et volatilite future
.587194 .404425
-9.8 9.8
error (t-1)
News Impact Curve: dCPI w/ ARMA(1,1)
Test – Engle(1982)
• ARCH(q) ht 1 t21 .... q t2q
• Hypothese H0 de volatilite constante
1 2 ... q 0
• Regression t2 1 t21 .... q t2q ut
• Les epsilons sont obtenus par estimation du
modele sous hypothese de volatilite
constante
• Statistique LM: nR2 suit Chi2(q)