Analyse statistique des processus de marche aléatoire multifractale, Statistical analysis of multifractal random walk processes

Laurent Duvernet

Description

Sous la direction de Marc Hoffmann
Thèse soutenue le 01 décembre 2010: Paris Est
On étudie certaines propriétés d'une classe de processus aléatoires réels à temps continu, les marches aléatoires multifractales. Une particularité remarquable de ces processus tient en leur propriété d'autosimilarité : la loi du processus à petite échelle est identique à celle à grande échelle moyennant un facteur aléatoire multiplicatif indépendant du processus. La première partie de la thèse se consacre à la question de la convergence du moment empirique de l'accroissement du processus dans une asymptotique assez générale, où le pas de l'accroissement peut tendre vers zéro en même temps que l'horizon d'observation tend vers l'infini. La deuxième partie propose une famille de tests non-paramétriques qui distinguent entre marches aléatoires multifractales et semi-martingales d'Itô. Après avoir montré la consistance de ces tests, on étudie leur comportement sur des données simulées. On construit dans la troisième partie un processus de marche aléatoire multifractale asymétrique tel que l'accroissement passé soit négativement corrélé avec le carré de l'accroissement futur. Ce type d'effet levier est notamment observé sur les prix d'actions et d'indices financiers. On compare les propriétés empiriques du processus obtenu avec des données réelles. La quatrième partie concerne l'estimation des paramètres du processus. On commence par montrer que sous certaines conditions, deux des trois paramètres ne peuvent être estimés. On étudie ensuite les performances théoriques et empiriques de différents estimateurs du troisième paramètre, le coefficient d'intermittence, dans un cas gaussien
-Marche aléatoire multifractale
-Invariance d'échelle
-Semi-martingale
-Effet levier
-Coefficient d'intermittence
We study some properties of a class of real-valued, continuous-time random processes, namely multifractal random walks. A striking feature of these processes lie in their scaling property : the distribution of the process at small scale is the same as the distribution at large scale, given some random multiplicative factor independent of the process. The first part of the dissertation deals with the convergence of the empirical moment of the increment of the process in a rather general asymptotic setting where the step of the increment may go to zero while the observation horizon may also go to infinity. In the second part, we propose a family of nonparametric tests that separate multifractal random walks from Itô semi-martingales. After showing the consistency of these tests, we study their behavior on simulations.In the third part, we build a skewed multifractal random walk process, such that the past increment is negatively correlated with the future squared increment. Such a leverage effect is notably seen on financial stock and index prices. We compare the empirical properties of this process with real data. The fourth part deals with the parametric estimation of the process. We first show that under certain conditions, one can not estimate two of the three parameters, even if the sample path is continuously observed on some interval. We next study the theoretical and empirical performances of some estimators of the third parameter, the intermittency coefficient, in a Gaussian case
-Multifractal random walk
-Scale invariance
-Semi-martingale
-Leverage effect
-Intermittency coefficient
Source: http://www.theses.fr/2010PEST1021/document

Sujets

• Invariance d'échelle

Informations

• Publié par: Thesee
• Nombre de lectures: 36
• Langue: English
• Poids de l'ouvrage: 2 Mo

Extrait

THÈSEde DOCTORAT
de l’Université Paris-Est
présentée par
Laurent Duvernet
pour obtenir le grade de
DOCTEUR de l’Université Paris-Est
Spécialité : Mathématiques Appliquées
Analyse statistique des processus de
marche aléatoire multifractale
Version déposée le 21 septembre 2010 auprès de
l’école doctorale MSTIC de l’Université Paris-Est
et communiquée à l’attention des rapporteurs
Jury
M. Emmanuel Bacry Directeur
M. Julien Barral Rapporteur
M. Marc Hoffmann Directeur
Mme Carenne Ludeña Rapporteure
...
tel-00567397, version 2 - 27 Sep 20112
tel-00567397, version 2 - 27 Sep 2011Résumé
On étudie certaines propriétés d’une classe de processus aléatoires réels à temps continu,
les marches aléatoires multifractales. Une particularité remarquable de ces processus tient
en leur propriété d’autosimilarité : la loi du processus à petite échelle est identique à celle
à grande échelle moyennant un facteur aléatoire et indépendant du processus.
La première partie de la thèse se consacre à la question de la convergence du moment
empirique de l’accroissement du processus dans une asymptotique assez générale, où le
pas de l’accroissement peut tendre vers zéro en même temps que l’horizon d’observation
tend vers l’infini.
La deuxième partie propose une famille de tests non-paramétriques qui distinguent
entre marches aléatoires multifractales et semi-martingales d’It¯o. Après avoir montré la
consistance de ces tests, on étudie leur comportement sur des données simulées.
On construit dans la troisième partie un processus de marche aléatoire multifractale
asymétrique tel que l’accroissement passé soit négativement corrélé avec le carré de
l’accroissement futur. Ce type d’«effet levier» est notamment observé sur les prix d’actions
et d’indices financiers. On compare les propriétés empiriques du processus obtenu avec des
données réelles.
La quatrième partie concerne l’estimation des paramètres du processus dans un cas
gaussien. On commence par montrer que sous certaines conditions, deux des trois para-
mètres ne peuvent être estimés. On étudie ensuite les performances théoriques et empiriques
de différents estimateurs du troisième paramètre, le coefficient d’intermittence.
Mots-clés : marches aléatoires multifractales; invariance d’échelle; semi-martingales;
effet levier; coefficient d’intermittence.
3
tel-00567397, version 2 - 27 Sep 20114
tel-00567397, version 2 - 27 Sep 2011Abstract
We study some properties of a class of real, continuous-time random processes, mul-
tifractal random walks. A striking feature of this processes lie in their scaling property:
the distribution of the process at small scale is the same as the distribution at large scale,
given some random factor independent of the process.
The first part of the dissertation concerns the convergence of the empirical moment of
the increment of the process, in a rather general asymptotic setting where the step of the
increment may go to zero while the observation horizon may also go to infinity.
Inthesecondpart, weproposeafamilyofnonparametricteststhatseparatemultifractal
random walks from It¯ o semi-martingales. After showing the consistency of these tests, we
study their behavior on simulations.
In the third part, we build a skewed multifractal random walk process, such that the
past increment is negatively correlated with the future squared increment. Such a "leverage
effect" is notably seen on financial stock and index prices. We compare the empirical
properties of the obtained process with real data.
The fourth part deals with the parametric estimation of the process in a Gaussian
case. We first show that under certain conditions, one can not estimate two of the three
parameters, even if the sample path is continuously observed on some interval. We next
study the theoretical and empirical performances of some estimators of the third parameter,
the intermittency coefficient.
Keywords: multifractal random walks ; scaling properties ; semi-martingales ; leverage
effect ; intermittency coefficient.
5
tel-00567397, version 2 - 27 Sep 20116
tel-00567397, version 2 - 27 Sep 2011Table des matières
Introduction 11
0.1 Cadre de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
0.2 Les marches aléatoires multifractales . . . . . . . . . . . . . . . . . . . . . 16
0.2.1 La famille des cascades aléatoires . . . . . . . . . . . . . . . . . . . 16
0.2.2 Formalisme multifractal et moments d’une cascade aléatoire . . . . 25
0.2.3 Applications du modèle MRW . . . . . . . . . . . . . . . . . . . . . 31
0.3 Présentation des résultats de la thèse . . . . . . . . . . . . . . . . . . . . . 39
0.3.1 Première partie : convergence des moments empiriques des accrois-
sements des processus MRM et MRW en asymptotique mixte . . . 39
0.3.2 Deuxième partie : construction d’un test non-paramétrique — semi-
martingale d’It¯o contre MRW . . . . . . . . . . . . . . . . . . . . . 42
0.3.3 Troisième partie : construction d’un processus de marche aléatoire
multifractale asymétrique . . . . . . . . . . . . . . . . . . . . . . . 46
0.3.4 Quatrième partie : questions liées à l’estimation paramétrique du
modèle MRW log-normal . . . . . . . . . . . . . . . . . . . . . . . . 51
Une question de notation 59
1 Convergence of the structure function of an MRW 61
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
1.2 Definitions and results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
1.2.1 Construction of M and X . . . . . . . . . . . . . . . . . . . . . . . 66
7
tel-00567397, version 2 - 27 Sep 2011TABLE DES MATIÈRES
1.2.2 The moments of order q≥ 1 of X and M . . . . . . . . . . . . . . . 68
1.2.3 The structure functions S and Σ . . . . . . . . . . . . . . . . . . 68n n
1.2.4 Asymptotic values and regimes . . . . . . . . . . . . . . . . . . . . 70
1.2.5 Statement of the main results . . . . . . . . . . . . . . . . . . . . . 71
1.3 Proof of Theorem 1.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
1.3.1 Outline of the proof . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
1.3.2 Proof of Proposition 1.3 . . . . . . . . . . . . . . . . . . . . . . . . 77
1.3.3 Proof of Proposition 1.4 . . . . . . . . . . . . . . . . . . . . . . . . 78
1.4 Proof of Theorem 1.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
1.4.1 First step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
1.4.2 Second step . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
1.5 Proof of Theorem 1.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
1.A Proof of Lemma 1.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
1.B Proof of Lemma 1.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
1.C Discrete construction of the MRM process . . . . . . . . . . . . . . . . . . 100
¯2 Statistical test: Ito semi-martingale vs. MRW 103
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2.2 Statistical problem and results . . . . . . . . . . . . . . . . . . . . . . . . . 107
2.2.1 Two classes of semi-martingales . . . . . . . . . . . . . . . . . . . . 107
2.2.2 The case H : X = It¯ o . . . . . . . . . . . . . . . . . . . . . . . . . 1100
2.2.3 The case H : X = MRW . . . . . . . . . . . . . . . . . . . . . . . . 1130
2.3 A simulation study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
2.3.1 The setting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
2.3.2 Case H : X = It¯ o . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1170
2.3.3 Case H : X= MRW, τ(4) known . . . . . . . . . . . . . . . . . . . 1200
2.3.4 Case H : X= MRW, τ(4) unknown . . . . . . . . . . . . . . . . . . 1220
2.4 Proofs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
2.4.1 Proof of Proposition 2.1 . . . . . . . . . . . . . . . . . . . . . . . . 123
8
tel-00567397, version 2 - 27 Sep 2011TABLE DES MATIÈRES
2.4.2 Proof of Proposition 2.2 . . . . . . . . . . . . . . . . . . . . . . . . 127
3 Continuous-time, skewed MRW model for financial assets 129
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
3.2 Multifractal processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3.2.1 The Multifractal Random Walk . . . . . . . . . . . . . . . . . . . . 132
3.2.2 Further extensions : towards a skewed model with leverage effect . 134
3.3 Construction of a continuous-time skewed MRW . . . . . . . . . . . . . . . 135
3.3.1 Definition of the skewed process . . . . . . . . . . . . . . . . . . . . 135
3.3.2 Existence of X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.3.3 Explicit construction of (ε,w) . . . . . . . . . . . . . . . . . . . . . 139
3.4 Scaling and