La lecture à portée de main
Découvre YouScribe en t'inscrivant gratuitement
Je m'inscrisDécouvre YouScribe en t'inscrivant gratuitement
Je m'inscrisDescription
Sujets
Informations
Publié par | Thesee |
Nombre de lectures | 105 |
Langue | Français |
Poids de l'ouvrage | 1 Mo |
Extrait
UNIVERSITÉ DE LA MÉDITERRANÉE (AIX-MARSEILLE II)
FACULTÉ DES SCIENCES ECONOMIQUES ET DE GESTION
ECOLE DOCTORALE DE SCIENCES ECONOMIQUES ET DE GESTION D’AIX-MARSEILLE
˚N 372
Année2010 Numéroattribuéparlabibliothèque
FFFFFFFFFFF
ThèsepourleDoctoratèsSciencesEconomiques
présentéepar
PhilippeCHARLOT
StructuresMarkoviennescachéesetmodèlesàcorrélations
conditionnellesdynamiques:
extensionsetapplicationsauxcorrélationsd’actifsfinanciers
soutenuele25novembre2010devantlejurycomposéde
RenéGARCIA Professeuràl’EDHEC Rapporteur
ChristopheHURLIN Pràl’Universitéd’Orléans
RoselyneJOYEUX ProfesseuràMacquarieUniversity Examinateur
AnnePEGUIN-FEISSOLLE DirectricedeRechercheCNRS,GREQAM
VêlayoudomMARIMOUTOU Professeur,Directeurdel’InstitutFrançaisdePondichéry Directeuriiiii
L’Université de la Méditerranée n’entend ni approuver, ni désapprouver les opinions particu-
lièresducandidat:cesopinionsdoiventêtreconsidéréescommepropresàleurauteur.ivRésumé
L’objectif de cette thèse est d’étudier le problème de la modélisation des changements de régime
dans les modèles à corrélations conditionnelles dynamiques en nous intéressant plus particulière-
ment à l’approche Markov-switching. A la différence de l’approche standard basée sur le modèle
à chaîne de Markov caché (HMM) de base, nous utilisons des extensions du modèle HMM pro-
venant des modèles graphiques probabilistes. Cette discipline a en effet proposé de nombreuses
dérivations du modèle de base permettant de modéliser des structures complexes. Cette thèse se
situe donc à l’interface de deux disciplines : l’économétrie financière et les modèles graphiques
probabilistes.
Le premier essai présente un modèle construit à partir d’une structure hiérarchique cachée mar-
kovienne qui permet de définir différents niveaux de granularité pour les régimes. Il peut être vu
commeuncasparticulierdumodèleRSDCdePelletier(2006).BasésurleHMMhiérarchiquede
Fine, Singer, and Tishby (1998) notre modèle permet de capter des nuances de régimes qui sont
ignoréesparl’approcheMarkov-Switchingclassique.
LasecondecontributionproposeuneversionMarkov-switchingdumodèledeEngleandSheppard
(2001) construite à partir du modèle HMM factorisé de Ghahramani and Jordan (1997). Alors
que l’approche Markov-switching classique suppose que les tous les éléments de la matrice de
corrélationsuiventlamêmedynamique,notremodèlepermetàtouslesélémentsdeladed’avoirleurpropredynamiquedesaut.
Dans la dernière contribution, nous proposons un modèle DCC construit à partir d’un arbre de
décision. L’objectif de cet arbre est de relier le niveau des volatilités individuelles avec le niveau
des corrélations. Pour cela, nous utilisons un arbre de décision Markovien caché, qui est une ex-
tensiondeHMMdéveloppéeparJordan,Ghahramani,andSaul(1997).
Mots clés : Modèle GARCH multivariés; corrélations conditionnelles dynamiques; modèle de
Markov caché; modèle de Markov caché hiérarchique; modèle de Markov caché factorisé; arbre
dedécisionMarkoviencaché.
ClassificationJEL:C32,C51,G1,G0.
vviAbstract
Theobjectiveofthisthesisistostudythemodellingofchangeinregimeinthedynamicconditional
correlationmodels.WefocusparticularlyontheMarkov-switchingapproach.Unlikethestandard
approach based on theHidden Markov Model (HMM), we use extensions of HMM coming from
probabilisticgraphicalmodelstheory.Thisdisciplinehasinfactproposedmanyderivationsofthe
basic model to model complex structures. Thus, this thesis can be view at the interface of two
disciplines:financialeconometricsandprobabilisticgraphicalmodels.
The first essay presents a model constructed from a hierarchical hidden Markov which allows to
increasethegranularityoftheregimes.ItcanbeseenasaspecialcaseofRSDCmodelofPelletier
(2006). Based on the hierarchical Fine, Singer, and Tishby (1998), our model can capture nuances
ofregimesthatareignoredbytheclassicalMarkov-Switchingapproach.
The second contribution proposes a Markov-switching version of the DCC model of Engle and
Sheppard(2001).ItisbuiltfromthefactorialHMMofGhahramaniandJordan(1997).Whilethe
classical Markov-switching approach assumes that all elements of the correlation matrix follow
thesameswitchingdynamic,ourmodelallowsallelementsofthecorrelationmatrixtohavetheir
ownswitchingdynamic.
In the final contribution, we propose a model DCC constructed based on a decision tree. The
objective of this tree is to link the level of volatility with the level of individual correlations. For
this, we use a hidden Markov decision tree, which is an extension of HMM developed by Jordan,
Ghahramani,andSaul(1997).
Keywords:MultivariateGARCH;Dynamicconditionalcorrelations;Regimeswitching;Hidden
Markov model; Hierarchical hidden Markov model; Factorial Hidden Markov models;vdecisiontree.
JELClassification:C32,C51,G1,G0.
viiviiiRemerciements
Cettethèseestl’aboutissementd’unlongtravaildurantlequeldenombreusespersonnesm’ont,de
prèsoùdeloin,aidé,soutenuetencouragé.Jeprofitedecettepagepourlesenremercier.
Jetienstoutd’abordàremercierchaleureusementVêlayoudomMarimoutoupoursadisponibilité
etsonsoutienconstantaucoursdecesannéesdethèse.Parsonenthousiasmejamaisprisendéfaut
etsespatientesréponsesàmessollicitationséconométriques,cetravailluidoitbeaucoup.
Je tiens également à remercier René Garcia et Christophe Hurlin d’avoir accepté d’être rappor-
teurs de cette thèse. Les conseils et remarques de leurs rapports me permettent de mieux cerner
la direction à prendre pour continuer la suite des travaux présentés dans cette thèse. Je remercie
égalementRoselyneJoyeuxpoursaprésencedanslejuryetdefaireunlongvoyagepourassister
à la soutenance. Je remercie également Anne Péguin-Feissolle d’avoir accepté d’être dans le jury,
maisaussipoursagrandegentillesse,sesencouragements,sadisponibilitéetpouravoirconstam-
mentfaitpreuved’intérêtpourmontravail.JetienségalementàtémoignermagratitudeàMarcel
Aloypoursonécouteetsesexplicationstechniquesquim’ontpermitd’avancerdansleprocessus
decettethèse.
CetravaildoitégalementbeaucoupaupersonnelduGREQAM,notammentBernadette,Corinne,
IsabelleetLydie.Jelesremerciepouravoirsugérerlesdiversesangoissesadministrativesquiont
jalonnées cette thèse. J’exprime également ma reconnaissance à l’Ecole Doctorale 372 ainsi qu’au
GREQAM pour m’avoir apporté un soutien financier me permettant de présenter mes travaux
dansdesconférences.
Mes remerciements vont également aux thésards du GREQAM qui j’ai croisé tout au long de ses
années : Andreea, Adriana, Benoit, Gwenola, Elvira, Elsa, Jimmy, Leila, Luis, Mathieu, Renaud,
Paul, Mandy. Je pense également à Gérald et Aroune. Je remercie tout particulièrement Zakaria,
compagnon de route de cette thèse. Mes discussion avec lui auront joué un rôle prépondérant
dansmesrecherches.J’enprofitepourfaireégalementunclind’oeilàMignon.J’aiégalementune
penséeémuepourmescamaradesñassdelavénérableBolьxa semь ,particulièrementAlonz,
Gigi,MontaetPriax,quimesoutiennentdepuistoujours.
ixx
Cette thèse n’aurait pas été possible sans le soutien de mon père et d’Isabelle. Ce soutien indé-
fectible, moral mais aussi financier, au cours de ma chaotique scolarité m’a permis de mener ce
travail à son terme. Je conclurai en remerciant de tout cœur Tatiana. Son soutien sans limite, ses
encouragements, son aide dans les mauvais moments, bref son accompagnement bienveillant font
quesanselle,toutcelaseraitrestésanssaveur.