04/02/2015
Chapitre 3: Modèles non linéaires
de la Finance
Pr. Mohamed El Merouani 1
Plan du chapitre 3:
• Introduction
• Modèles de type ARCH,
– Propriétés d’un modèle ARCH(1)
– Kurtosis d’un processus ARCH
– Test d’un modèle de type ARCH
– Estimation d’un modèle ARCH
• Modèles de type GARCH
– Test d’un modèle de type GARCH
– Estimation d’un modèle de type GARCH
Pr. Mohamed El Merouani 2
1
04/02/2015
Introduction
• Les modèles classiques de prévision fondés sur
les modèles ARMA supposent des séries
temporelles à variance constante (hypothèse
d’homoscédasticité).
• Cette modélisation néglige donc,
éventuellement, l’information contenue dans le
facteur résiduel de la série.
• Les séries financières sont caractérisées par des
périodes de forte spéculation (variabilité élevée)
suivie de périodes d’accalmie (variabilité faible).
3
Introduction
• Les modèles de type ARCH (AutoRegressive
Conditional Heteroscedasticity) permettent de
modéliser les séries financières qui ont une
volatilité (ou variance ou variabilité) instantanée
qui dépend du passé.
• Il est ainsi possible d’élaborer une prévision
dynamique de la série en termes de moyenne et
de variance.
• Présentés initialement par ENGLE (1928), les
modèles ARCH ont connu des développements et
des applications très importants durant la
dernière décennie.
Pr. Mohamed El Merouani 4
2
04/02/2015
Modèles de type ARCH
Soit un modèle AR(p):
Yt=Φ1Yt-1+Φ2Yt-2+…+ΦpYt-p+εt
Ou encore sous forme simplifiée:
Φ(L)Yt=εt
Avec εt= [Link]
où ut ~> N(0,1)
p
et h 2 = α + α ε 2 = α + α (L )ε 2
t 0 ∑ i t −i 0 t
i =1
tel que α 0 > 0 ; α i ≥ 0 ∀i
et α (L ) = α1 L + α 2 L2 + ⋯ + α p Lp 5
Modèles de type ARCH
• ht2 est appelé processus ARCH d’ordre p et il
est noté ARCH(p).
• Le modèle AR est dit modèle AR à erreurs
ARCH(p).
• Les espérances et les variances
conditionnelles sont égales, alors que les
variances sont différentes:
E (ε t ) = E (ut ). E (ht ) = 0
Var (ε t ) = σ ε2
E (ε t I t −1 ) = E (ut I t −1 ). E (ht I t −1 ) = 0
6
3
04/02/2015
Modèles de type ARCH
• It constitue l’ensemble de l’information par
rapport à laquelle la condition est définie.
• En termes conditionnels, il vient: Var (ε t I t −1 ) = ht2
(quantité variable dans le temps).
• Le modèle reste correcte sur sa trajectoire-en
moyenne- car l’espérance conditionnelle est
toujours nulle.
• On peut vérifier que la variance conditionnelle
p
est finie si ∑ α i < 1
i =1
Pr. Mohamed El Merouani 7
Modèles de type ARCH
• L’intérêt de cette formulation réside dans
l’interdépendance d’une variable endogène au
modèle.
• Pour Engle, cette notion est très importante
en finance car le risque d’erreur n’est pas le
même selon les périodes t: il y a alternance de
périodes d’accalmie et de périodes
d’euphorie.
Pr. Mohamed El Merouani 8
4
04/02/2015
Propriétés d’un modèle ARCH(1):
• Soit le modèle AR(p): Φ(L)Yt=εt
avec εt=utht où ut ~> N(0,1) et ht = α 0 + α1ε t −1
2
soit ε t = ut × α 0 + α1ε t2−1 où α0>0 et 0 ≤ α1 < 1
• La moyenne non conditionnelle est donnée par:
[ (
E(ε t ) = E ut × α0 + α1ε t2−1 )12
]= E(u )× E[(α +α ε ) ]= 0
t 0
2 12
1 t −1
puisque par hypothèse nous avons E(ut)=0.
• De même E(εtεt-i)=0 puisque E(utut-i)=0 pour i≠0
Pr. Mohamed El Merouani 9
Propriétés d’un modèle ARCH(1):
• La variance (non conditionnelle) de εt est
donnée par:
( ) [ ( )] ( ) (
E ε t2 = E ut2 × α 0 + α1ε t2−1 = E ut2 × E α 0 + α1ε t2−1 )
Or σu2=1 et la variance de εt est égale à celle
de εt-i. La variance (non conditionnelle) de εt
est donc égale à E(εt2)=α0/(1-α1).
• La moyenne et la variance non conditionnelles
ne sont pas fonctions du temps.
Pr. Mohamed El Merouani 10
5
04/02/2015
Propriétés d’un modèle ARCH(1):
• La moyenne conditionnelle est donnée par:
(
E(ε t ε t −1, ε t −2 ,⋯) = E(ut )× E α0 + α1ε t2−1 )
12
=0
• La variance conditionnelle est:
( )
E εt2 εt−1, εt −2 ,⋯ = α0 +α1εt2−1 = ht2
puisque σu2=1.
• Ainsi dans une spécification de type ARCH
seule la variance conditionnelle dépend des
erreurs passées.
Pr. Mohamed El Merouani 11
Kurtosis d’un processus ARCH
• Le Kurtosis est le rapport du moment centré
d’ordre 4 sur le carré du moment centré
d’ordre 2.
• Pour un processus ARCH(1), il vient:
( ) (
E ε t4
k= 2 2 =
3 1 − α12 )
E εt ( ) 1 − 3α12
• k est toujours supérieur à 3, un processus
ARCH a donc une distribution leptokurtique
qui permet de modéliser les phénomènes
rares.
Pr. Mohamed El Merouani 12
6
04/02/2015
Test d’un modèle de type ARCH
• Soit un modèle de type ARCH telle que
εt = [Link] avec ut ~> N(0,1) et
p
h = α 0 + ∑ α iε t2−i = α 0 + α (L )ε t2
t
2
i =1
• Soit l’hypothèse emboîtée H0, H0:
α1=α2=…=αp=0; contre l’hypothèse alternative
H1: αi non tous nuls.
• Si l’hypothèse H0 est acceptée, la variance de
l’erreur est constante σt2=α0.
• Dans le cas contraire les termes de l’erreur
suivent un ARCH dont l’ordre p est à déterminer.
Pr. Mohamed El Merouani 13
Test d’un modèle de type ARCH
• Le test est fondé soit sur un test de Fisher
classique, soit sur le test du multiplicateur de
Lagrange LM=n x R2 avec:
n=nombre d’observations servant au calcul de la
régression,
R2=coefficient de détermination
• Si LM>χ2(p) à p degrés de liberté lu dans la table à
un seuil α fixé (en général 0,05), on rejette H0; on
considère que le processus est justifiable d’un
modèle ARCH(p).
Pr. Mohamed El Merouani 14
7
04/02/2015
Test d’un modèle de type ARCH
• Une autre approche consiste à calculer le
corrélogramme des résidus aux carrés du
modèle initial. Si des termes de ce
corrélogramme sont significativement
différents de 0, alors on peut conclure à une
spécification de type ARCH.
Pr. Mohamed El Merouani 15
Estimation d’un modèle ARCH
• Les méthodes usuelles d’estimation
(maximum de vraisemblance, moindres
carrés, méthodes non paramétriques)
s’appliquent également aux modèles ARCH.
• Les méthodes du maximum de vraisemblance
et des moindres carrés en deux étapes sont
les plus utilisées.
Pr. Mohamed El Merouani 16
8
04/02/2015
Estimation d’un modèle ARCH
• La plupart des aléas relatifs aux séries
financières ne suivent pas une loi normale.
Toutefois, la densité gaussienne peut être
utilisée pour calculer l’estimateur même si la
vraie distribution n’est pas normale.
• Sous la supposition de la normalité, la Log-
vraisemblance conditionnelle à la date t est
donnée par: 1 1 ε2
ℓ t = Cte − Log ht2 − t
2 2 ht2
Pr. Mohamed El Merouani 17
Estimation d’un modèle ARCH
• La Log-vraisemblance, pour un échantillon de
taille n, s’écrit:
1 n ε t2
1 n
L = Cte − ∑ Log ht − ∑ 2
2 t =1
2
( )
2 t =1 h t
• L’estimation des coefficients α par MCG donne
p
l’équation:
t 0 ∑
h = αˆ + αˆ ε 2
2
i =1
i t −i
• Le test précédent permet de déterminer l’ordre p
du processus ARCH donc d’estimer les
paramètres de l’ARMA (ou de la régression) et α.
Pr. Mohamed El Merouani 18
9
04/02/2015
Modèles de type GARCH
• Le modèle GARCH (Bollerslev T. 1988) est une
généralisation (Generalized) des modèles de
type ARCH.
• Un processus GARCH(p,q) est défini par:
εt = [Link] avec ut ~> N(0,1) et
p q
h = α0 +
t
2
∑α ε
i =1
i
2
t−i + ∑β
j =1
j h t2− j
= α 0 + α (L )ε t2 + β (L )h t2
avec les contraintes assurant la positivité de la variance conditionnelle (cette fois-ci peuvent
être non nécessaires)
α 0 > 0 ; α i ≥ 0; β j ≥ 0; ∀i ; ∀j 19
Modèles de type GARCH (Remarques)
• Si q=0 on a un GARCH(p,q)=GARCH(p,0)=ARCH(p)
• Un processus de type GARCH(p,q) est équivalent à un
processus de type ARCH(∞) ce que l’on peut démontrer
par récurrence (en remplaçant ht2 par ht-12 etc.). Cette
équivalence permet de déterminer les conditions de
stationnarité d’un processus de type GARCH: α(1)+β(1)<1.
• Les processus GARCH sont similaires aux processus ARMA
usuels dans le sens où le degré q apparaît comme le degré
de la partie de la moyenne mobile et p comme celui de
l’autorégressive; cela permet d’introduire des effets
d’innovation. La variance conditionnelle est déterminée
par le carré des p erreurs précédentes et des q variances
conditionnelles passées.
20
10
04/02/2015
Test d’un modèle de type GARCH
• Dans le cas d’une hétéroscédasticité
conditionnelle supposée, on ne peut tester une
spécification de type ARCH que contre une
spécification de type GARCH.
• Le test porte sur l’hypothèse nulle H0 d’une
erreur ARCH(p) contre l’hypothèse H1 d’une
erreur GARCH(p,q). On va donc tester l’hypothèse
H0 que les βj sont nuls.
• H0: βj=0, j=1,…,q;
contre l’hypothèse H1: il existe au moins un βj
non nul.
Pr. Mohamed El Merouani 21
Test d’un modèle de type GARCH
• Le test le plus approprié est celui du
multiplicateur de Lagrange: nR2 ~>χ2(q)
(q=degré de liberté) où R2 est le coefficient de
détermination obtenu dans la régression
p
par
q
les MCO dans l’équation ht2 = αˆ 0 + ∑ αˆ iε t2−i + ∑ βˆ j ht2− j
i =1 j =1
• Si nR2 > χ2(q) lu dans la table à un seuil de
confiance (en général 0,05) et q degrés de
liberté alors on rejette l’hypothèse H0. Les
erreurs obéissent à un processus GARCH(p,q).
Pr. Mohamed El Merouani 22
11
04/02/2015
Estimation d’un modèle de type GARCH
• La procédure d’identification des ordres p et q
du GARCH est la même que pour
l’identification des ordres d’un processus
ARMA.
• L’estimation des paramètres du modèle peut
se faire à l’aide de l’algorithme de Berndt, Hall
ou bien celui de Hall et Hausman (1974) fondé
sur une méthode de maximum de
vraisemblance.
Pr. Mohamed El Merouani 23
Rappel:
Espérance conditionnelle:
Cas discret: E (X Y ) = ∑ x. p (x y )
x
Cas continue: E (X Y ) = ∫ x. f (x y ) dx
Si X et Y sont indépendantes: E (X Y ) = E (X )
Variance conditionnelle:
(
Var ( X Y ) = E X 2 Y − E 2 ( X Y ) ) 24
12
