Modèles GARCH et à volatilité stochastique - Université de ...

Jean-Michel Zakoian

Sujets

• Thionville
• Processus cognitifs
• Étude (musique)
• Innovation
• Covina
• Stationnaire

Informations

• Publié par: Phewying
• Nombre de lectures: 253
• Langue: Français

Extrait

Stationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
Modèles GARCH et à volatilité stochastique
Université de Montréal
12 mars 2007
Jean-Michel ZAKOIAN
Université Lille 3 & CREST
Chapitre 1: Séries financières et modèles GARCH
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastiqueStationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
Modèles AutoRégressifs Conditionnellement Hétéroscédastiques
Engle (1982) :
"Autoregressive Conditional Heteroskedasticity with Estimates of
the Variance of U.K. Inflation," Econometrica, 50, 987–1008.
Generalized ARCH
Bollerslev (1986) :
"Generalized Autoregressive Conditional Heteroskedasticity,"
Journal of Econometrics, 31, 309–328.
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastiqueStationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
Outline
1 Stationnarité, innovations, modèles ARMA
2 Propriétés des séries financières
3 Modèles GARCH : propriétés probabilistes
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastiqueStationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
1 Stationnarité, innovations, modèles ARMA
2 Propriétés des séries financières
3 Modèles GARCH : propriétés probabilistes
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastiqueStationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
Modèles stationnaires
Une série (X ) est stationnaire si ses propriétés probabilistes sontt
les mêmes que celles de la série (X ), pour tout entier h.t+h
Définition
(X ) est stationnaire au sens strict sit
(X ,X ,...,X ) a même loi que (X ,X ,...,X )1 2 k 1+h 2+h k+h
pour tout h et tout k≥ 1.
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastiqueStationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
Stationnarité au second ordre
Définition
2Soit (X ) telle que EX <∞. La fonction moyenne de (X ) estt tt
μ (t) =E(X )X t
La fonction covariance de (X ) estt
γ (r,s) = Cov(X ,X )X r s
Définition
(X ) est stationnaire (au second-ordre) sit
(i) μ (t) est indépendante de t, etX
(ii) γ (t,t+h) est indépendante de t, pour tout h.X
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastiqueStationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
Fonctions d’autocovariance et d’autocorrélation
Définition
Soit (X ) une série stationnaire. La fonction d’autocovariance det
(X ) est définie part
γ (h) = Cov(X ,X ), h = 0,±1,±2,...X t t+h
La fonction d’autocorrélation de (X ) est définie part
γ (h)X
ρ (h) = = Cor(X ,X ), h = 0,±1,±2,...X t t+h
γ (0)X
Remarque : Fonctions paires
γ (h) =γ (−h), ρ (h) =ρ (−h).X X X X
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastique6
6
Stationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
Bruit blanc
Définition
Un bruit blanc est une suite ( ) de variables centrées, de variancet
constante et non corrélées :
2 0E( ) = 0, Var( ) =σ , Cov( , 0) = 0, t =tt t t t
2Notation : ( )∼ BB (0,σ ).t
Fonction d’autocovariance :
2σ , h = 0
γ (h) =
0, h = 0.
On parle de bruit blanc fort si les sont centrées, de variance finie,t
identiquement distribuées et indépendantes.
Les bruits blancs jouent un rôle important pour la construction de
modèles plus sophistiqués.
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastiqueStationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
Autocorrélations empiriques
En pratique on observe x ,...x :1 n
réalisation partielle d’une série (X ) supposée stationnaire.t
Pour étudier la dépendance, en vue de la sélection d’un modèle, un
outil important est la fonction d’autocorrélation empirique.
Définition
P
1 nLa moyenne empirique de x ,...x est x = x .1 n tn t=1
La fonction d’autocovariance empirique est
nX1
γˆ(h) = (x −x)(x −x), |h|<n.tt+|h|
n
t=1
La fonction d’autocorrélation empirique est
γˆ(h)
ρˆ(h) = , |h|<n.
γˆ(0)
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastiqueStationnarité, innovations, modèles ARMA
Propriétés des séries financières
Modèles GARCH : propriétés probabilistes
On montre que pour un BB fort, les ρˆ(h) sont approximativement
distribuées comme uneN(0,1/n) pour n grand.
Donc, pour un BB fort, environ 95% desρˆ(h) doivent tomber entre√
les bornes±1.96/ n.
0.06
0.04
0.02
2 4 6 8 10 12
-0.02
-0.04
-0.06
Autocorrélations empiriques d’un bruit blanc fort, pour n=5000.
√
En pointillés les bornes de significativité :±1.96/ n
Laboratoire de statistique du CRM Modèles GARCH et à volatilité stochastique