Econometrie Fin ch3

Université Paris 13
UFR de Sciences Économiques et de Gestion
Économétrie financière
Chapitre 3 : Les modèles de volatilité
LO Gaye Del
March 15, 2022

Content
1
I. Introduction
II. Notions d’espérance (non) conditionnelle et variance (non)

conditionnelle
III. Les modèles ARCH/GARCH
IV. Application 1 sous R
V. Les extensions des modèles ARCH/GARCH
VI. Application 2 sous R
LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

Objectifs
2
Après ce cours, vous devez être en mesure de :

I Comprendre les concepts d’homoscédasticité et
d’hétéroscédasticité conditionnelles
I Définir et d’interpréter les modèles ARCH (Autoregressive

conditional heteroscedasticity)
I Comprendre les propriétés statistiques des modèles ARCH et

GARCH.
I Comprendre les extensions des modèles ARCH notamment pour

tenir compte de l’effet d’asymétrie et des variables explicatives
dans la variance conditionnelle.

Introduction
3
I Les modèles ARMA ne sont pas adaptés à la modélisation des

séries financières qui sont caractérisées par une volatilité
variable et par des phénomènes d’asymétrie qui ne peuvent être
pris en compte par les modèles ARMA.
I Les rendements au carré sont positivement corrélés → les
périodes de faibles (fortes) volatilités ont tendance à être suivi
par des périodes de faibles (fortes) volatilités (cluster de
volatilité).
I Les décisions d’investissement dépendent fortement de
l’évaluation des rentabilités futures, mais aussi des risques liés
aux actions : L’estimation de la volatilité → mesure du risque.
I Les modèles ARCH et GARCH visent à pallier les insuffisances
des modèles ARMA traditionnelles dans la modélisation des
séries financières.

Introduction
4

Espérance (non) conditionnelle
5
Considérons le processus autorégressif AR(1) stationnaire :
yt = a0 + a1 yt−1 + et (1)
Où et suit N(0, σ 2 )
→ Prévoir yt+1 en utilisant l’espérance non conditionnelle :
yt+1 = a0 + a1 yt + et+1 (2)

Espérance non conditionnelle
6
L’espérance non conditionnelle → calcul des prévisions à long terme

d’une variable.
Sachant par ailleurs que la moyenne d’une série stationnaire est

constante, on peut écrire :
E[yt+1 ] = a0 + a1 E[yt ] (3)
E(et ) = E(et+1 ) = 0
L’espérance non conditionnelle de yt+1 est donné par :
a0
E NC [yt+1 ] = (4)
1 − a1

Espérance conditionnelle
7
→ Prévision à court terme de yt+1 .

L’espérance conditionnelle prend en effet compte de toute
l’information disponible jusqu’au temps t. Elle suppose que toutes les
variables sont connues et fixées jusqu’à cette période :
E[yt+1 ] = a0 + a1 E[yt ] + E[et+1 ] (5)
E C [yt+1 ] = a0 + a1 yt (6)
E[et+1 ] = 0
E C [yt+1 ] > E NC [yt+1 ]

Variances conditionnelle
8
Considérons le processus autorégressif suivant :
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 :
Vt [yt ] = Et [yt − Et (Yt )]2 = σ 2 (8)

Variances non conditionnelle
9
Variance non conditionnelle :
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
Modèle ARCH/GARCH
10
Soit xt un processus stochastique discret avec rt = log(xt /xt−1 ) le

rendement de xt .
Ft désigne les informations définies au temps t, qui englobent xt et
toutes les réalisations passées du processus xt :
rt = µt + t (14)
E[t |Ft−1 ] = 0

Modèle ARCH
Definition 11
La classe des modèles ARCH A été proposée par Engle en 1982

dans le cadre d’études sur des données macroéconomiques (en
particulier sur l’inflation au Royaume-Uni).
Le principe proposé par Engle (1982) consiste à introduire une

dynamique dans la détermination de la volatilité en supposant que la
variance est conditionnelle aux informations dont nous disposons.
Plus précisément, un modèle ARCH (m) s’écrit :
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.
Les coefficients αi doivent satisfaire certaines conditions de régularité

pour s’assurer que la variance non conditionnelle de at est finie.
Modèle ARCH
Propriétés
12
Considérons le modèle ARCH (1) :
at = σt t ; σt2 = α0 + α1 at−1
2
(17)
où α0 > 0 et α1 ≥ 0.
1- La moyenne non conditionnelle de at est nulle :
E(at ) = E[E(at |Ft−1 )] = E[σt E(t )] = 0
2- La variance non conditionnelle de at peut être donnée par :
Var (at ) = E(at2 ) = E[E(at2 |Ft − 1)]

2 2
= E(α0 + α1 at−1 ) = α0 + α1 E(at−1 )
On a : Var (at ) = α0 + α1 Var (at) ⇒ Var (at) = α0 /(1 − α1 ) avec

0 ≤ α1 < 1.
Modèle ARCH
Propriétés
13
3- Le quatrième moment de at doit être fini. Sous l’hypothèse de

normalité de t , nous avons :
E(at4 |Ft−1 ) = 3[E(at2 )]2 = 3(α0 + α1 at−1

2
)2
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
)
Si at est stationnaire du quatrième ordre avec m4 = E(at4 ), alors nous

avons :
m4 = 3(α02 + 2α0 α1 Var (at ) + α12 m4 )

α1
m4 = 3α02 1 + 2 1−α 1
+ 3α12 m4

Modèle ARCH
Propriétés
14
3α20 (1+α1 )
m4 = (1−α1 )(1−3α21 )
Ce résultat a deux implications importantes :

(i) Comme le quatrième moment de at est positif, α1 doit satisfaire la
condition 1 − 3α12 > 0;
(ii) Le kurtosis non conditionnel de at est :
Eat4 α2 (1+α1 ) 1−α1 1−α21

[Var (at )]2
= 3 (1−α0 2 . α = 1−3α21
>3
1 )(1−3α1 ) 0
Ainsi, l’excès de kurtosis de at est positif et la queue de distribution

de at est plus épaisse que celle d’une distribution normale.

Modèle ARCH
Détermination du nombre de retard 15
Pour déterminer le nombre de retard d’un modèle ARCH, on utilise le

2
PACF de at2 . L’utilisation du PACF de at pour sélectionner l’ordre
ARCH peut être justifiée comme suit.
Considérons le modèle ARCH(m) :
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.

Modèle ARCH
Détermination du nombre de retard 16
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.

Modèle ARCH
Diagnostic du modèle
17
Les résidus standardisés sont donnés par :

at
ãt = σt
Avec ãt une séquence de variables aléatoires iid. Le diagnostic du

modèle ARCH se fait en examinant la série ãt :
1. Test de Ljung – Box sur les ãt est utilisé pour vérifier l’adéquation
de l’équation de la moyenne.
2. Test de Ljung – Box sur les a˜2 est utilisé pour vérifier
t
l’adéquation de l’équation de la variance ou le test LM ARCH.
3. L’asymétrie, l’aplatissement et le qqplot peuvent être utilisés pour
vérifier la validité de l’hypothèse de la distribution.

Pratique des modèles ARCH
Les étapes à suivre
18
1. Spécifiez l’équation de la moyenne et vérifier que le modèle est

bien spécifier en testant la dépendance en série dans les
données et, si nécessaire, construire un modèle économétrique
(par exemple, un modèle ARMA) pour supprimer la dépendance
linéaire.
2. Utilisez les résidus de l’équation de la moyenne pour tester les
effets ARCH.
3. Spécifiez un modèle de volatilité si les effets ARCH sont
statistiquement significatifs, et effectuer une estimation conjointe
des équations de la moyenne et de volatilité.
4. Vérifiez que le modèle est correct en utilisant les tests de
diagnostiques vus dans le section précédente.

Application
19
Exemple 1 : Modélisation de la volatilité de l’indice SP500 Nous

considérons l’indice sp500 du 09/03/2010 au 19/11/2020. Proposez
une modélisation de la volatilité en utilisant un modèle ARCH.

Application
20

Applications
21
1 > AutocorTest ( at ^2 , lag =12)

2
3 Box - Ljung test
4
5 data : at ^2
6 X - squared = 3581.9 , df = 12 , p - value < 2.2 e -16
7
8 > AutocorTest ( at ^2 , lag =20)
9
10 Box - Ljung test
11
12 data : at ^2
13 X - squared = 3949.9 , df = 20 , p - value < 2.2 e -16
14
15 > ArchTest ( at , lag =20)
16
17 ARCH LM - test ; Null hypothesis : no ARCH effects
18
19 data : at
20 Chi - squared = 1093.4 , df = 20 , p - value < 2.2 e -16

Application
22

Application
23

Application
24
Ici nous envisageons un modèle ARCH(5) pour la volatilité :
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

Application
25

Application
26

Applications
27
1 > AutocorTest ( residuals ( arch , standardize = T ) , lag =12)

2
3 Box - Ljung test
4
5 data : residuals ( arch , standardize = T )
6 X - squared = 11.878 , df = 12 , p - value = 0.4555
7
8 > AutocorTest ( residuals ( arch , standardize = T ) ^2 , lag =20)
9
10 Box - Ljung test
11
12 data : residuals ( arch , standardize = T ) ^2
14
15 > ArchTest ( residuals ( arch , standardize = T ) , lag =20)
16
18
19 data : residuals ( arch , standardize = T )
20 Chi - squared = 28.691 , df = 20 , p - value = 0.09402

Application
28

Application
29

Modèle GARCH
Définition 30
Le modèle ARCH présente l’avantage d’être simple mais nécessite

souvent de nombreux paramètres pour décrire correctement le
processus de volatilité des rendements d’actif. Ainsi, Il est plus
parcimonieux d’utiliser le modèle ARCH Généralisé (GARCH)
proposé par Bollerslev (1986).
Soit rt le rendement d’un actif et at = rt − µt les résidus de l’équation

de la moyenne. at suit un modèle GARCH(m, s) si :
m
X s
X
at = σt t ; σt2 = α0 + 2
αi at−i + 2
βj σt−j (20)
i=1 j=1
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.
Modèle GARCH
Propriétés
31
Soit ηt = at2 − σt2 ⇒ σt2 = at2 − ηt .

2 2
En introduisant σt−i = at−i − ηt−i (i = 0,...,s) dans (20), on a :
max(m,s) s
X X
at2 = α0 + 2
(αi + βi )at−i + ηt − βj ηt−j (21)
i=1 j=1
ηt est une série non corrélée de moyenne 0 pour j ≥ 1.

→ L’équation (21) est sous la forme d’un modèle ARMA pour la série
au carré at2 .

Modèle GARCH
Propriétés
32
Considérons le modèle GARCH (1,1) :
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.

Modèle GARCH
Propriétés
33
2- on peut montrer que si 1 − 2α12 − (α1 + β1 )2 > 0, alors
E(a)4t 3[1−(α1 +β1 )2 ]

[E(at2 )]2
= 1−(α1 +β1 )−2α21
>3
Conséquent : A l’instar des modèles ARCH, la queue de distribution

d’un processus GARCH(1,1) est plus épaisse que celle d’une
distribution normale.

Application
34
Exemple 2 : Modélisation de la volatilité de l’indice SP500

Nous considérons l’indice SP500 du 09/03/2010 au 19/11/2020 de
l’exemple 1. Proposez une modélisation de la volatilité en utilisant un
modèle GARCH.

Application
35
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

Application
36
1 > AutocorTest ( residuals ( GArch , standardize = T ) , lag =12)

2
3 Box - Ljung test
4
5 data : residuals ( GArch , standardize = T )
7
8 > AutocorTest ( residuals ( GArch , standardize = T ) ^2 , lag =20)
9
10 Box - Ljung test
11
12 data : residuals ( GArch , standardize = T ) ^2
14
15 > ArchTest ( residuals ( GArch , standardize = T ) , lag =20)
16
18
19 data : residuals ( GArch , standardize = T )

Application
37

Application
38

Application
39

Modèle IGARCH
40
L’estimation des paramètres des modèles GARCH sur des

échantillons plus courts conduit souvent à une valeur de α + β
significativement différentes de 1 tandis que pour les échantillons
plus longs, leur somme s’approche de 1. La combinaison de ces
phénomènes est appelée GARCH intégré (IGARCH).
Le modèle IGARCH (1,1) est donné par :
at = σt t ; σt2 = α0 + (1 − β1 )at−1
2 2
+ β1 σt−1 (23)
où 1 > β > 0.

Application
41

modèle IGARCH.

Application
42
1 spec <- ugarchspec ( variance . model = list ( model = " iGARCH " ,
garchOrder =
2 c (1 ,1) ) ,
NULL ) ,
6 igarch <- ugarchfit ( spec = spec , data = rsp500 )
7 igarch

Application
43
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

Application
44
1 > AutocorTest ( residuals ( igarch , standardize = T ) , lag =12)

2
3 Box - Ljung test
4
5 data : residuals ( igarch , standardize = T )
7
8 > AutocorTest ( residuals ( igarch , standardize = T ) ^2 , lag =20)
9
10 Box - Ljung test
11
12 data : residuals ( igarch , standardize = T ) ^2
14
15 > ArchTest ( residuals ( igarch , standardize = T ) , lag =20)
16
18
19 data : residuals ( igarch , standardize = T )

Application
45

Modèle GARCH-M
46
Dans le modèle GARCH moyenne ou GARCH-M, la moyenne

conditionnelle dépend explicitement de la variance conditionnelle du
processus. Cette hypothèse est en adéquation avec les faits
observés dans les marchés boursiers dans la mesure où le
rendement d’un actif augmente avec le risque.
Un modèle GARCH(1,1)-M peut être écrit comme :
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.
Application
47

modèle GARCH-M.

Application
48
1 spec = ugarchspec ( variance . model = list ( model = " sGARCH " ,

garchOrder = c (1 ,1) ) ,
2 mean . model = list ( armaOrder = c (0 ,0) , include .
mean = TRUE , archm = TRUE , archpow = 1 ) )
3 mgarch <- ugarchfit ( spec = spec , data = rsp500 )
4 mgarch

Application
49
1 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
3 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
4
6 -----------------------------------
7 GARCH Model : sGARCH (1 ,1)
10
12 ------------------------------------
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

Application
50
1 > AutocorTest ( residuals ( mgarch , standardize = T ) , lag =12)

2
3 Box - Ljung test
4
5 data : residuals ( mgarch , standardize = T )
7
8 > AutocorTest ( residuals ( mgarch , standardize = T ) ^2 , lag =20)
9
10 Box - Ljung test
11
12 data : residuals ( mgarch , standardize = T ) ^2
14
15 > ArchTest ( residuals ( mgarch , standardize = T ) , lag =20)
16
18
19 data : residuals ( mgarch , standardize = T )

Application
51

Modèle EGARCH
52
L’hypothèse fondamentale des modèles GARCH est que des chocs

positifs ou négatifs ont le même effet sur la variance conditionnelle.
Les observations effectuées sur les marchés financiers ont plutôt
révélées une asymétrie : un choc négatif aurait plus d’effet sur la
volatilité qu’un choc positif. Plusieurs approches permettent de
modéliser ce fait stylisé mais nous présentons ici les modèles
EGARCH et les modèles TGARCH.
Soit t une séquence de v.a iid d’espérance 0 et de variance 1. Le
modèle général EGARCH est proposé Nelson (1991):
q p
X X
ln(σt2 ) = α0 + [αi t−i + γ(|t−i | − E(|t−i |))] + 2
βj ln(σt−j ) (26)
i=1 j=1
Où αi et γi sont des constantes réelles.

53
p
Pour la variable aléatoire gaussienne standard E(|t |) = 2/pi.
I La variance est toujours positive

I αi décrit l’effet de signe: effet de levier ⇒ αi <0
I γi décrit l’amplitude: Plus γi est élevé plus l’effet de levier est
important ⇒ γi > 0

Application
54

modèle EGARCH.

Application
55
1 spec <- ugarchspec ( variance . model = list ( model = " eGARCH " ,
garchOrder =
2 c (1 ,1) ) ,
NULL ) ,
6 egarch <- ugarchfit ( spec = spec , data = rsp500 )
7 egarch

Application
56
1 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
3 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
4
6 -----------------------------------
7 GARCH Model : eGARCH (1 ,1)
10
12 ------------------------------------
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

Application
57
1 > AutocorTest ( residuals ( egarch , standardize = T ) , lag =12)

2
3 Box - Ljung test
4
5 data : residuals ( egarch , standardize = T )
7
8 > AutocorTest ( residuals ( egarch , standardize = T ) ^2 , lag =20)
9
10 Box - Ljung test
11
12 data : residuals ( egarch , standardize = T ) ^2
14
15 > ArchTest ( residuals ( egarch , standardize = T ) , lag =20)
16
18
19 data : residuals ( egarch , standardize = T )

Application
58

Application
59

Modèle TGARCH
60
Un autre modèle de volatilité couramment utilisé pour gérer les effets

de levier est le modèle hétéroscédastique conditionnel autorégressif
généralisé à seuil (ou TGARCH), de Glosten et al. (1993) et Zakoian
(1994).
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.
Application
61

modèle TGARCH.

Application
62
1 spec <- ugarchspec ( variance . model = list ( model = " gjrGARCH " ,
garchOrder =
2 c (1 ,1) ) ,
NULL ) ,
6 gjrgarch <- ugarchfit ( spec = spec , data = rsp500 )
7 gjrgarch

Application
63
1 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
3 * - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -*
4
6 -----------------------------------
7 GARCH Model : gjrGARCH (1 ,1)
10
12 ------------------------------------
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

Application
64
1 > AutocorTest ( residuals ( gjrgarch , standardize = T ) , lag =12)

2
3 Box - Ljung test
4
5 data : residuals ( gjrgarch , standardize = T )
7
8 > AutocorTest ( residuals ( gjrgarch , standardize = T ) ^2 , lag =20)
9
10 Box - Ljung test
11
12 data : residuals ( gjrgarch , standardize = T ) ^2
14
15 > ArchTest ( residuals ( gjrgarch , standardize = T ) , lag =20)
16
18
19 data : residuals ( gjrgarch , standardize = T )

Application
65

Application
66

Econometrie Fin ch3

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Econometrie Fin ch3

Uploaded by

Copyright:

Available Formats

Université Paris 13

UFR de Sciences Économiques et de Gestion

March 15, 2022

II. Notions d’espérance (non) conditionnelle et variance (non)

III. Les modèles ARCH/GARCH

IV. Application 1 sous R

V. Les extensions des modèles ARCH/GARCH

VI. Application 2 sous R

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

Après ce cours, vous devez être en mesure de :

I Définir et d’interpréter les modèles ARCH (Autoregressive

I Comprendre les propriétés statistiques des modèles ARCH et

I Comprendre les extensions des modèles ARCH notamment pour

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

I Les modèles ARMA ne sont pas adaptés à la modélisation des

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

Considérons le processus autorégressif AR(1) stationnaire :

yt+1 = a0 + a1 yt + et+1 (2)

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

L’espérance non conditionnelle → calcul des prévisions à long terme

Sachant par ailleurs que la moyenne d’une série stationnaire est

E[yt+1 ] = a0 + a1 E[yt ] (3)

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

→ Prévision à court terme de yt+1 .

E[yt+1 ] = a0 + a1 E[yt ] + E[et+1 ] (5)

E C [yt+1 ] > E NC [yt+1 ]

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

Considérons le processus autorégressif suivant :

Vt [yt ] = Et [yt − Et (Yt )]2 = σ 2 (8)

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

Variance non conditionnelle :

Soit xt un processus stochastique discret avec rt = log(xt /xt−1 ) le

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

La classe des modèles ARCH A été proposée par Engle en 1982

Le principe proposé par Engle (1982) consiste à introduire une

Les coefficients αi doivent satisfaire certaines conditions de régularité

Considérons le modèle ARCH (1) :

1- La moyenne non conditionnelle de at est nulle :

E(at ) = E[E(at |Ft−1 )] = E[σt E(t )] = 0

2- La variance non conditionnelle de at peut être donnée par :

Var (at ) = E(at2 ) = E[E(at2 |Ft − 1)]

On a : Var (at ) = α0 + α1 Var (at) ⇒ Var (at) = α0 /(1 − α1 ) avec

3- Le quatrième moment de at doit être fini. Sous l’hypothèse de

E(at4 |Ft−1 ) = 3[E(at2 )]2 = 3(α0 + α1 at−1

Si at est stationnaire du quatrième ordre avec m4 = E(at4 ), alors nous

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

Ce résultat a deux implications importantes :

Eat4 α2 (1+α1 ) 1−α1 1−α21

Ainsi, l’excès de kurtosis de at est positif et la queue de distribution

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

Pour déterminer le nombre de retard d’un modèle ARCH, on utilise le

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

Les résidus standardisés sont donnés par :

Avec ãt une séquence de variables aléatoires iid. Le diagnostic du

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

1. Spécifiez l’équation de la moyenne et vérifier que le modèle est

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

Exemple 1 : Modélisation de la volatilité de l’indice SP500 Nous

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

LO Gaye Del | Économétrie Financière - M1 DEFIS 2021-2022

1 > AutocorTest ( at ^2 , lag =12)

E(at ) = E[E(at |Ft−1 )] = E[σt E(t )] = 0