Professional Documents
Culture Documents
23 février 2010
3 La modélisation ARCH/GARCH 6
3.1 Définition des modèles ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.2 Propriétés des modèles ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.3 Définition des modèles GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.4 Propriétés des modèles GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . 8
5 Prévision 13
5.1 Prévision des modèles GARCH(p, q) . . . . . . . . . . . . . . . . . . . . . . . . 13
5.2 Prévision du modèle GARCH(1, 1) . . . . . . . . . . . . . . . . . . . . . . . . . 14
6 Conclusion 16
1
1 PRÉSENTATION 2
1 Présentation
Au niveau du module Méthodes de prévisions avec Mr K. EL HIMDI, nous nous sommes
intéressé le long de ce semestre aux séries chronologiques (stationnaires ou non) décrivant
des phénomènes relevant de plusieurs domaines, notamment l’économie et la finance. En ef-
fet, ayant comme objectif faire des prévisions fiables selon les modèles les plus pertinents, les
modèles de décomposition de séries chronologiques et ceux dits ARIM A (AutoRegressive In-
tegrated Moving Average) faisaient alors une partie très prépondérante de notre cours. Pour
avoir une vue exhaustive par rapport aux limites et possibilités de développement des modèles
étudiés, des études de cas ont été organisés par les étudiants sous forme de petits projets.
L’étude des modèles (AutoRegressive Conditionnally Hetetoscedastic/ Generalized ARCH)
ARCH/GARCH faisait partie de ces projets vue son extrême importance dans la description
des séries financières. L’importance dont nous parlons vient de la capacité de ces modèles à
prendre en compte des phénomènes hétéroscédastiques, c’est à dire des séries à variance variable
dans le temps, chose qui était mal traitée par les modèles ARIM A (dans lesquels on suppose
que la variance est constante dans le temps).
Ce document traite les modèles ARCH/GARCH, et est structuré de manière à présenter les li-
mites des modèles ARIM A, donner les définitions et propriétés des modèles ARCH/GARCH,
ensuite voir comment identifier et estimer un modèle de la famille ARCH/GARCH. Et enfin,
nous verrons l’apport des modèles ARCH/GARCH au niveau des prévisions.
Le graphe représente les variations quotidiennes du taux de change entre le Dollar américain
et le Dirham marocain USD/MAD, on remarque que généralement le taux de change affiche
des variations irrégulières tout en marquant une tendance baissière depuis début 2006 jusqu’en
mi-2008 (ceci peut être expliqué par l’impact de la crise financière). Cette tendance a connu
un reversement, en gagnant des points atteignant des sommets égaux à ceux affichés en début
2006. En 2009 le taux de change a repris son rythme baissier général.
Remarquons notamment que les variations entre observations peuvent parfois être trop agités
par rapport à d’autres situations où ces variations sont assez régulières (ce phénomène va être
expliqué dans la suite de cette étude).
Á partir de l’allure de ce graphe, cette série n’est pas stationnaire : elle semble présenter, d’une
part une rupture de tendance et d’autre part une volatilité qui varie au cours du temps. Ce
graphe séquentiel permet une première approche intuitive du phénomène de rupture dans la
série. Il convient de préciser cette intuition en étudiant les corrélogrammes de la série.
1. http ://www.mataf.net/
2 LIMITES DES MODÈLES ARIM A 3
Nous allons à ce stade nous intéresser aux fonctions d’autocorrélations ACF et d’auto-
corrélations partielles P ACF , pour en tirer des résultats pouvant nous guider à choisir le bon
modèle.
Cette figure se caractérise par des variations non constantes au cours du temps. En effet, il
existe des périodes à faible variation et des périodes à très grande volatilité (ce qui contredit
2 LIMITES DES MODÈLES ARIM A 5
l’hypothèse de variance constante des bruits blancs). En outre, cette série laisse apparaitre un
phénomène de mémoire, ceci veut dire que si la variance de la série est importante à un instant
t alors il y a de fortes chances qu’elle le soit aussi à l’instant qui suit car les moments
de grande variabilité semblent être regroupés. Toutes ces remarques nous indiquent l’existence
d’une hétéroscédasticité dans cette série différenciée, pour s’en convaincre nous allons étudier
les propriétés de la série différenciée et les comparer à ceux d’un bruit blanc (voir figure 5).
La première constatation que l’on peut faire est que la série n’est pas gaussienne, et, en parti-
culier, a des queues de distribution trop épaisses (coefficient d’aplatissement Kurtosis 2 est
égal à 4, 397 qui est supérieure à 3). De plus, et comme nous l’avons déjà cité la série est
stationnaire, cependant, des périodes de forte volatilité sont observées. Notons aussi que le
coefficient d’asymétrie Skewness 3 (étant de l’ordre de −0, 325 n’est pas nulle) ainsi que
l’histogramme, affirment tout les deux l’inexistence de symétrie dans cette distribution. En
résumé, l’hypothèse de bruit blanc est rejetée, ce qui nous emmène alors à penser à d’autres
modélisations de cette série.
joue un rôle très important dans l’analyse et l’étude de séries chronologiques notamment les
séries financières.
3 La modélisation ARCH/GARCH
L’observation de certaines séries chronologiques provenant du monde économique et fi-
nancier (taux de change, taux de rendement d’action, indices,...) montre des caractéristiques
spécifiques qui ne sont pas théoriquement prises en compte dans les modélisations ARIM A
notamment celle de Box Jenkins. La première caractéristique concernée est le comportement
hétéroscédastique de la variance (en plus les périodes de grande variabilité sont groupées, tan-
dis que les petites variations sont plutôt suivies par de petits changements). La deuxième
caractéristique concerne la distribution probabiliste de la série (L’apparition de chocs n’est pas
compatible avec la loi normale). Alors pour une modélisation plus réaliste de ces séries, les
modèles ARCH/GARCH sont les plus utiles.
Xt = t
σt2 = α0 + α1 Xt−1
2 2
+ ... + αp Xt−p
La variance conditionnelle dépend du temps : si les valeurs précédentes sont grandes (en valeur
absolue), la variance sera grande, et inversement. Ainsi, si on observe un choc dans la série
(valeur anormalement grande), elle sera suivie d’une période de haute volatilité, dont la durée
dépend de l’ordre p du modèle ARCH.
Ramarque :
2 + ... + α X 2
La notation ht = α0 + α1 Xt−1 p t−p est souvent utilisée.
E[Xt ] = 0
E[Xt |It−1 ] = 0 avec It−1
P = Xt−1 , Xt−2 , ...
V (Xt ) = 1−Pαp0 α si pi=1 αi < 1
i=1 i
2 + ... + α X 2
V (Xt |It−1 ) = α0 + α1 Xt−1 p t−p
Cov(Xt , Xt+h ) = γh = 0 ∀h > 0
Cov(Xt , Xt+h |It−1 ) = 0
Xt = t
Ramarque :
2 + ... + α X 2 + β h2
La notation ht = α0 + α1 Xt−1 2
p t−p 1 t−1 + ... + βq ht−q est souvent utilisée.
4 PRATIQUE DES MODÈLES ARCH/GARCH 8
E[Xt ] = 0
E[Xt |It−1 ] = 0 avec It−1 = Xt−1 , Xt−2 , ...
Cov(Xt , Xt+h ) = γh = 0 ∀h > 0
Cov(Xt , Xt+h |It−1 ) = 0
Soit Xt un processus GARCHp,q , et soit m = max(p, q). Le processus Xt2 admet une
représentation ARM A(m, q).
Un processus GARCH(p, q) est stationnaire si pi=1 αi + qj=1 βj < 1.
P P
Bien entendu, l’absence de corrélations n’implique pas que les valeurs Xt d’un processus
GARCH soient indépendantes. En effet, en notant νt = Xt2 − σt2 , ce qui peut s’écrire :
Xt2 = σt2 + νt
p
X q
X
Xt2 = α0 + 2
αi Xt−i + 2
βj σt−j + νt
i=1 j=1
Si m = max(p, q), et si on convient que αi = 0 pour i > p et βj = 0 pour j > q alors cette
dernière expression s’écrit de la manière suivante :
m
X q
X
Xt2 = α0 + (αi + βi − 2
βi )Xt−i + 2
βj σt−j + νt
i=1 j=1
m
X q
X
Xt2 = α0 + 2
(αi + βi )Xt−i + 2
βj (σt−j 2
− Xt−j ) + νt
i=1 j=1
m
X q
X
Xt2 = α0 + (αi + 2
βi )Xt−i − βj νt−j + νt
i=1 j=1
En conséquence de cette dernière présentation, Xt2 est ARM A(m, q), et νt est un processus
innovation. Ainsi pour identifier un GARCHp,q , nous identifierons tout d’abord le processus
ARM A(m, q) qui modélise Xt2 . Pour identifier p dans le cas oú m = q où (p ≤ q), il faut
effectuer des tests de significativité des coefficients αq , ..., α1 du modèle ARM A(m, q).
Ce modèle est appelé modèle de régression avec erreurs GARCH. Dans le deuxième cas, le
modèle consiste en un processus ARM A avec un processus d’innovations GARCH :
φ(B)Xt = Θ(B)t
t v GARCHp,q
Nous pouvons discuter la modélisation de 2t depuis la figure 7 qui montre l’ACF et P ACF
de la série différenciée élevée au carré.
Analytiquement on a :
– Si t est un ARCH(2) alors σt2 = α0 + α1 2t−1 + α2 2t−2 .
– Si t est un GARCH(2, 2) alors σt2 = α0 + α1 2t−1 + α2 2t−2 + β1 σt−1
2 2
+ β2 σt−2
Le langage R nous propose comme modèle GARCH(1, 1), nous allons alors faire une com-
paraison des trois modèles en se basant sur le critère AIC ; pour plus de visibilité nous allons
créer une matrice des AIC de neuf modèles GARCH à l’aide du programme R ci-dessous, tout
en admettant que AIC(garch(2, 0)) vaut −4585, 682.Le programme R associé est le suivant :
Xt = Xt−1 + t
2t = 4, 864e−06 + 3, 129e−02 2t−1 + 9, 666e−01 ht−1 + νt
σ2t = 4, 864e−06 + 3, 129e−02 2t−1 + 9, 666e−01 σ2t−1
Les paramètres obtenus sont positifs et vérifient la condition de stationnarité α1 + β1 < 1
Les résultats élaborés par R sont affichés dans la figure 11.
5 Prévision
5.1 Prévision des modèles GARCH(p, q)
Partant du processus ARM A(r, s) − GARCH(p, q), nous avons : φ(B)Xt = Θ(B)t
avec t v GARCH(p, q). Supposant que l’on observe cette série jusqu’à la date t. La prévision
à l’instant t d’horizon h s’écrit comme l’espérance conditionnellement à l’information It dispo-
nible à la date t de la formule suivante :
r
X s
X
Xt+h = φi Xt+h−i + θj t+h−j + t+h
i=1 j=1
5 PRÉVISION 14
qui donne
r
X s
X
X̂t+h = E(Xt+h |It ) = φi E(Xt+h−i |It ) + θj E(t+h−j |It )
i=1 j=1
Jusqu’a présent, la prévision est formellement identique à celle des processus ARIM A avec
des erreurs présentés par des innovations.
En effet, la présence des effets GARCH au niveau des résidus affecte juste les intervalles de
confiance puisque l’erreur de prévision varie en fonction des variances hétéroscédastiques.
Dans le chapitre 6 du cours de Méthodes de prévision de Mr K. EL HIMDI, nous sommes
convenu que l’erreur de prévision pour un horizon h s’écrit comme suit :
et (h) = Xt+h − X̂t (h) = t+h + ψ1 t+h−1 + ψ2 t+h−2 + ... + ψh−1 t+1
Les variances des erreurs n’étant pas les mêmes, l’exercice devient plus complexe que dans le
cas des erreurs conditionnellement homoscédastiques.
E(2t+h |It ) = α0 [1 + (α1 + β1 ) + ... + (α1 + β1 )h−1 ] + (α1 + β1 )h−1 (α1 2t + β1 ht )
α0
qui converge vers 1−(α1 +β1 ) quand h tend vers l’infini.
En somme, la modélisation des erreurs par des modèles GARCH, ne change en rien les
prévisions. Par contre, les intervalles de confiance vont changer au fur et à mesure de la volatilité
des erreurs changent dans le temps.
5 PRÉVISION 15
Dans cette figure (figure 12) meanF orecast correspond à la valeur prédite de l’erreur ou de
la série différenciée (Xt+1 − Xt ), avec un intervalle de confiance égal à
[meanF orecast ± 2 ∗ standardDeviation]. En d’autres termes, l’intervalle de confiance de X̂t (1)
est [Xt + meanF orecast ± 2 ∗ standardDeviation1 ].
Nous allons alors effectuer les opérations nécessaires pour construire les intervalles de confiance
sur un horizon de 5 jours, sachant que notre prévision pour ces 5 jours est l’observation du
12/02/2010 qui était de 8.2446 Dh le Dollar USD. Voir figure 12 et figure 13.
Figure 13 – Tableau des opérations pour construire les intervalles de confiance d’horizon 5
jours
6 CONCLUSION 16
6 Conclusion
En Résumé, face à la modélisation ARIM A qui ne prend pas en considération les phénomènes
d’hétéroscédasticité et de non normalité des résidus, la modélisation ARCH/GARCH s’est
montrée la plus efficace en matière de description des séries temporelles affectées par ces deux
phénomènes, notamment les séries financières dans lesquelles l’effet de mémoire joue un rôle
phare. Ainsi, dans les marchés financiers où l’information est l’élément clef de toutes les tran-
sactions, la modélisation ARCH/GARCH s’est bien imposée par rapport à tous les autres
modèles.
Néanmoins, les résidus de la modélisation ARCH/GARCH souffrent parfois de quelques défauts
dont la non normalité qui peut être dû à plusieurs origines, à savoir la distribution non gaus-
sienne des résidus (parfois de Student qui est aussi caractérisé par le phénomène de leptokur-
ticité). Ajoutons aussi que souvent les modèles GARCH sont à la limite de la stationnarité
(noter toutefois que dans notre cas la somme α1 + β1 ≈ 1).
Cela dit, plusieurs travaux dans le sens d’améliorer ces défauts ont abouti à des extensions de
ces modèles à titre d’exemple on citera : IGARCH, EGARCH, M GARCH, T ARCH,...
6 CONCLUSION 17
Annexe :
Ci-dessous sont les différentes commandes R utilisées le long de cette étude :
> library(”quadprog”)
> library(”tseries”)
> library(”xlsReadW rite”)
> library(”timeDate”)
> library(”timeSeries”)
> library(”f Basics”)
> library(”M ASS”)
> library(f Garch)
> library(”f oreign”)
> Xt = read.spss(”U SD M AD.sav”, use.value.labels = T RU E, to.data.f rame = T RU E)
> Xt = ts(Xt)
> dif f Xt = dif f (Xt)
> acf (dif f Xt)
> pacf (dif f Xt)
> JarqueberaT est(dif f Xt)
> f it = garchF it(f ormula =v garch(1, 1), data = dif f Xt, trace = F ALSE)
> summary(f it)
> plot(f it)
> predict(f it, 5)
Références :