Professional Documents
Culture Documents
Econometrie Fin ch3
Econometrie Fin ch3
Économétrie financière
Chapitre 3 : Les modèles de volatilité
LO Gaye Del
I. Introduction
yt = a0 + a1 yt−1 + et (1)
Où et suit N(0, σ 2 )
→ Prévoir yt+1 en utilisant l’espérance non conditionnelle :
E(et ) = E(et+1 ) = 0
L’espérance non conditionnelle de yt+1 est donné par :
a0
E NC [yt+1 ] = (4)
1 − a1
E C [yt+1 ] = a0 + a1 yt (6)
E[et+1 ] = 0
yt = λyt−1 + t (7)
Où t suit N(0, σ 2 )
On suppose que y est une série stationnaire, c’est-à-dire que λ < 1.
La variance conditionnelle est donnée par :
yt (1 − λL) = t (9)
où L désigne l’opérateur de retard.
yt = (1 − λL)−1 t (10)
et en utilisant une propriété bien connue de l’opérateur de retard, on
a:
yt = t + λt−1 + λ2 2t−1 + ... + λn nt−1 (11)
La variance non conditionnelle est donc égale à :
V (yt ) = σ 2 (1 + λ2 + λ4 + ....) (12)
L’expression entre parenthèses est une progression géométrique de
raison λ2 . La variance non conditionnelle de yt est donc:
σ2
v (yt ) = (13)
1 − λ2
LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022
Modèle ARCH/GARCH
10
rt = µt + t (14)
E[t |Ft−1 ] = 0
at = σt t (15)
σt2 = α0 + α1 at−1
2 2
+ ... + αm at−m (16)
où t est une séquence de variables aléatoires (iid) de moyenne nulle
et de variance 1,α0 > 0 et αi ≥ 0.
at = σt t ; σt2 = α0 + α1 at−1
2
(17)
où α0 > 0 et α1 ≥ 0.
Donc
2
E(at4 ) = E[E(at4 )] = 3E(α0 + α1 at−1 )2
E(at4 ) = 3E(α02 + 2α0 α1 at−1
2
+ α12 at−1
4
)
3α20 (1+α1 )
m4 = (1−α1 )(1−3α21 )
σt2 = α0 + α1 at−1
2 2
+ ... + αm at−m (18)
Pour un échantillon donné, at2 est une estimation sans biais de σt2 .
Par conséquent, nous nous attendons à ce que at2 soit linéairement
2 2
lié à at−1 ,...,at−m d’une manière similaire à celle d’un modèle
autorégressif d’ordre m.
Soit ηt = at − σt2 . On peut montrer que ηt est une série non corrélée
de moyenne 0.
Le modèle ARCH devient :
at2 = α0 + α1 at−1
2 2
+ ... + αm at−m + ηt (19)
qui se présente sous la forme d’un modèle AR(m) pour at2 , sauf que
ηt n’est pas une série iid.
Le PACF de at2 permet de déterminer l’ordre m d’un modèle AR.
Cependant comme ηt n’est pas distribué de manière identique, les
estimations des moindres carrés sont cohérentes, mais pas efficaces.
Le PACF de at2 peut ne pas être efficace lorsque la taille de
l’échantillon est petite.
rt = µt + at , at = σt t
σt2 = 0.00002 + 0.17521at−1
2 2
+ 0.22815at−2 2
+ 0.17379at−3 +
2 2
0.19001at−4 + 0.08932at−5
Pmaw(m,s)
où α0 > 0 et αi ≥ 0, βj ≥ 0, et i=1 αi + βi < 1.
Avec t , une suite de variables aléatoires iid de moyenne 0 et
variance 1. Cette dernière contrainte sur αi + βj implique que la
variance inconditionnelle de at est finie.
LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022
Modèle GARCH
Propriétés
31
max(m,s) s
X X
at2 = α0 + 2
(αi + βi )at−i + ηt − βj ηt−j (21)
i=1 j=1
σt2 = α0 + α1 at−1
2 2
+ β1 σt−1 (22)
α1 ≥ 0, β1 ≤ 1, α1 + β1 < 1.
2 2
1- Une forte valeur de at−1 ou σt−1 entraine une forte valeur de σt2 .
2
Autrement dit, de grandes valeurs de at−1 a tendance à être suivie
2
par de grandes valeur de at ⇒ Cluster de volatilité.
1 spec <- ugarchspec ( variance . model = list ( model = " sGARCH " ,
garchOrder =
2 c (1 ,1) ) ,
3 mean . model = list ( armaOrder = c (0 ,0) ,
4 external . regressors =
NULL ) ,
5 distribution . model = " norm " )
6 GArch <- ugarchfit ( spec = spec , data = rsp500 )
7 GArch
Modèle GARCH(1,1) :
rt = 0.0008 + at ,
at = σt t ; suit N(0, 1)
σt2 = 0.0000 + 0.1920at−1
2 2
+ 0.7785σt−1
at = σt t ; σt2 = α0 + (1 − β1 )at−1
2 2
+ β1 σt−1 (23)
où 1 > β > 0.
1 spec <- ugarchspec ( variance . model = list ( model = " iGARCH " ,
garchOrder =
2 c (1 ,1) ) ,
3 mean . model = list ( armaOrder = c (0 ,0) ,
4 external . regressors =
NULL ) ,
5 distribution . model = " norm " )
6 igarch <- ugarchfit ( spec = spec , data = rsp500 )
7 igarch
1
2 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
3 * GARCH Model Fit *
4 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
5
6 Conditional Variance Dynamics
7 -----------------------------------
8 GARCH Model : iGARCH (1 ,1)
9 Mean Model : ARFIMA (0 ,0 ,0)
10 Distribution : norm
11
12 Optimal Parameters
13 ------------------------------------
14 Estimate Std . Error t value Pr ( >| t |)
15 mu 0.000829 0.000133 6.2455 0.000000
16 omega 0.000003 0.000001 3.7771 0.000159
17 alpha1 0.225997 0.018231 12.3963 0.000000
18 beta1 0.774003 NA NA NA
rt = µ + cσt2 + at , at = σt t , (24)
σt2 = α0 + αt at−1
2 2
+ β1 σt−1 (25)
Où µ et c sont des constantes. Le paramètre c est appelé paramètre
de la prime de risque.
La formulation du modèle GARCH-M dans l’équation (24) implique
qu’il existe des corrélations en série sur les rendements, introduites
par celles du processus de volatilité σt2 . A cela d’ajoute l’existence
d’une prime de risque qui pourrait aussi expliquer ces corrélations.
LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022
Application
47
1 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
2 * GARCH Model Fit *
3 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
4
5 Conditional Variance Dynamics
6 -----------------------------------
7 GARCH Model : sGARCH (1 ,1)
8 Mean Model : ARFIMA (0 ,0 ,0)
9 Distribution : norm
10
11 Optimal Parameters
12 ------------------------------------
13 Estimate Std . Error t value Pr ( >| t |)
14 mu -0.000273 0.000424 -0.64473 0.519099
15 archm 0.155612 0.059080 2.63390 0.008441
16 omega 0.000004 0.000004 0.88144 0.378081
17 alpha1 0.194136 0.023921 8.11583 0.000000
18 beta1 0.776104 0.042171 18.40376 0.000000
p
Pour la variable aléatoire gaussienne standard E(|t |) = 2/pi.
1 spec <- ugarchspec ( variance . model = list ( model = " eGARCH " ,
garchOrder =
2 c (1 ,1) ) ,
3 mean . model = list ( armaOrder = c (0 ,0) ,
4 external . regressors =
NULL ) ,
5 distribution . model = " norm " )
6 egarch <- ugarchfit ( spec = spec , data = rsp500 )
7 egarch
1 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
2 * GARCH Model Fit *
3 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
4
5 Conditional Variance Dynamics
6 -----------------------------------
7 GARCH Model : eGARCH (1 ,1)
8 Mean Model : ARFIMA (0 ,0 ,0)
9 Distribution : norm
10
11 Optimal Parameters
12 ------------------------------------
13 Estimate Std . Error t value Pr ( >| t |)
14 mu 0.00038 0.000143 2.6601 0.007812
15 omega -0.49371 0.071301 -6.9244 0.000000
16 alpha1 -0.16610 0.016125 -10.3005 0.000000
17 beta1 0.94710 0.007512 126.0863 0.000000
18 gamma1 0.25375 0.020259 12.5250 0.000000
Un modèle TGARCH(m, s) :
m
X s
X
σt2 = α0 + (αi + 2
γi Nt−i )at−i + βj σt−i (27)
i=1 j=1
1 si at−i < 0
Nt−i =
0 si at−i > 0
et αi , γi et βj sont des paramètres non négatifs satisfaisant des
conditions similaires à celles des modèles GARCH. D’après le
2
modèle, on voit qu’un at−i positif contribue αi .at−i à la volatilité σt2 ,
2
alors qu’un at−i négatif a un impact plus important (αi + γi ) at−i avec
γi > 0. Le modèle utilise zéro comme seuil pour séparer les impacts
des chocs passés.
LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022
Application
61
1 spec <- ugarchspec ( variance . model = list ( model = " gjrGARCH " ,
garchOrder =
2 c (1 ,1) ) ,
3 mean . model = list ( armaOrder = c (0 ,0) ,
4 external . regressors =
NULL ) ,
5 distribution . model = " norm " )
6 gjrgarch <- ugarchfit ( spec = spec , data = rsp500 )
7 gjrgarch
1 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
2 * GARCH Model Fit *
3 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
4
5 Conditional Variance Dynamics
6 -----------------------------------
7 GARCH Model : gjrGARCH (1 ,1)
8 Mean Model : ARFIMA (0 ,0 ,0)
9 Distribution : norm
10
11 Optimal Parameters
12 ------------------------------------
13 Estimate Std . Error t value Pr ( >| t |)
14 mu 0.000438 0.000117 3.7389 0.000185
15 omega 0.000004 0.000000 9.1162 0.000000
16 alpha1 0.052381 0.008149 6.4282 0.000000
17 beta1 0.785718 0.012888 60.9632 0.000000
18 gamma1 0.254406 0.029409 8.6505 0.000000