2/12/2017 hips:foninecourses.science.psu.edulslatStiprinvbooklexporUhtm/8S e Publé sur STAT 510 (htns:lolinacourses science psu.edustat510 ) 11.1: Modéles ARCH / GARCH Un madale ARCH (autorégressifcondiionneliement hétéroscédastque) est un modéle pour la variance dune sére tomporale. Les mods ARCH servent& déctre une variance changeante, possiblement voaile. Bien qu'un modéle ARCH puisse éventuelementéteutlisé pour décrre une Variance progressivement croissanta, le pls souvent ilestublisé dane des situations oi paut y avoir de courtes périaces de variation accrue, (La Variation graduele de la variance lie & un niveau moyen croissant graduellement pourat étre mieux gérée en transformant la variable.) Les modes ARGH on cts dsl cote de roses économétnues nan yatta au montane ls investsemets ou \ccaclane agra (nt vier) par pds do Smear fons nnn bs ears cone de aon parca ese. Venable Pour aon it oos Ge rte tne donot 9 pone! qo iavoble tl pou" cs peomes por fe sak «= (rs a1) 2e-laproparton goons oy pordve dopusla dont fo, 0 (24/ t¢.1) = Lo g(a) - 1 le logarthme du rapport dela valeur do ce temps a la valeur de la dernire fois. I rest pas nécessaire que Tun dentra eux soitia variable dintrét primar, Un modéle ARCH peut éie ulisé pour toute série présentant des péiodes de variance accrus au diminuée, Cela pourra, par exemple, Str une propriété des résidus aprés qu'un modBle ARIMA al 6té ajusié aux données. Le modale de varlance ARCH (1) ‘Supposons que nous modélsons la variance une série y Le modéle ARCH (1) pourla variance du modéle yest conditionnel ye vatiance a instant test “ unr (yl yer) = of = oa + ory Nous imposons les contraintes a , 2 0 eta, 20 pour éviter la variance négatve. Notez que la variance @ instant tat connect la valour de la série instant = Une valourrelavement grande de 2 ,donne une valeur elatvement grande dela variance au temps ¢. Cela signe que a valeur de y es moins prévisble 8 instant 1 que pao aprés une valour rlatvement faible de, ‘Sinous supposons que la série a mean = 0 (cela pout toujours &tre fait par centrage), Ie mode ARCH pouralt re écrit comme @ 1 = 8s, avec Gighy et er- Tjed(0, 1 Pour tinférence (et lestimation du maximum de vraisemblance), nous supposerions également que les €, sont normalement cstbues. Résultats éventuellement utiles ‘Deux propriétés potentillement uiles de a propriété tndorque ule du meddle ARCH (1) les sulvantes: fo qu'6rito dans ta one e'équation (2) c-dessus sont + y2(y aucarré ) ale modéle AR (1) y2 = ao + ary2, + error ‘Ce modéle sera causal, ce qu signe quil peut étre convert en MA érdre infin légtme uniquement lorsque + y ,estun brute lorsque Oa , <1 Exemple 1 : Le graphique sulvant est un graphique de eérle temporaie dune série simulde (n = 300) pour le moddle ARCH P= 5+ 05y2, Vunr (ye) yes) = of Notez auily a quelques périodes de variation accrue, pls particularement autour de f= 100. Sinuned ARCH seve Fea ers, nat=S 0 In LACE de calte série vient de suivre, Notez quaucune corélation n'est signifeative, donc la série semble ere un brut blanc hitps:foninecourses.science.psu.edustatSOiprinvbooklexporihtmi8S wa2s/1212017 hips:foninecourses science psu.edulslatS1iprintbooklexporthtmi/8S z ‘Autocorrelation Function for Y Autocereloion Le PAGF (suite) des valour au carré a un seul pic au décalage 1 suggérant un modéle AR (1) pour la série au caré, Partial Autocorrelation Function for , Ysquared Partial Autocorretation Généralisations Un processus ARGH (m) est un processus pourlequel a variance & instant fest conditionnel & des observations aux m fois précédentes , eta relation ast Viurer (ye| ery os Meer) = oP = 0+ cays Ho + nM ow ‘Avec certaines contraintes imposées aux cooficionts a série y carr sera théoriquement AR (m) Un moddle GARCH (autorégrossivté généralisée autorégrossive hétéroscédastque) ulise les valours des observations au carré passées ot dos vatiances passées pour modélserla variance au temps {A tire exemple, un GARCH (1,1) est of = a+ oye + roe Dans la notation GARCH, le premier indice se référe & fordre des y termes sur le cBté dro et le second indice se rélére& Tordre das termes o Identifier un modéle ARCH / GARCH dans la pratique Le meilleur out ddentifiation peut &ire un graphique dela série chronologique. lest généralement facile de repérer des pérodes de variation accrue réparties dans i série. peut are ute ce regarder TACF etle PAGF dey, et 7, Par exemple, sy, semble étre un bruit blanc et semble tre AR (1) alors un mode ARCH (1) pour a variance est suggérd. Site PACF det suggére AR (mi, alors ARCH (m) peut ‘onctonner. Les modéles GARGH peuvent étre suggérés parun look de type ARMA 8 TACF et au PACF de 2. En pratique, las choses ne se Imetront pas toujours en place aussi bien que pour fexemple simulé de cette lego Vous devrez peut-ire expéfimenter avec diverse structures ARCH et GARCH aprbs avoir repéré le besan dans le tracé de a série chronologique dla série, Dans le Ive, lsez Texemple 6.4 (un AR (1) ARCH (1) la page 283-milleu dela page 285), et Fexemple 5.5 (GARCH (1,1) & la page 286-p.287), Le code R sera également donné dans los devors pour cette semaine. Example 2: intrigue suivante es! une intrigue do série tomporalie dune série simulée, (n= 300) pour la madeéle GARCH (1,1) Vunr(a| X.1) = of = 5 + 052%, + 0502, . | i ih a ail , ‘The ACF of the serie below shows thatthe series looks to be white noise. hips: /oninecourses. science. psu.edustatSOiprinvbooklexpordhtmi/8S 2142s/1212017 hips:foninecourses science psu.edulslatS1iprinvbooklexporthtmil8S ‘The ACF of the squared sores folows an ARMA patton because both the ACF and PACF taper. This suggests a GARCH(1,1) madel Lets use the fGarch package to ita GARCH(",1) model to x where we center the series to work with a mean of 0 as discussed above, Here is part of the output Estimate ‘Std. Error value Preith omega 10.1994 3.2572 3.131 o.oot74 alphat 0.5083 ons 4569 4,896.06" 0.3827 01040 3.89 0.00070 he flowing model or ys =~ 0.5428: (8) ye eee with og = 9/10-1908-+ 0.500598 , + 0.8527H? ,, and ee ~ siaN(0,1) The arch summary provides the Jarque Bera Testor the rl hypothesis hatte residuals are normaly dstbted andthe familar Ling-Box sis. tealy at vais are above 00S Standardised Residuals Tests: Statistic p-Value darque-Bera Test R Shapiro- Wilk Test nie a4e5609 0.175021 Ww 0,9008482 0,05851528 (15) 1069485 0.739105, R R —Q(10) 8.119547 0.6171609 R R Q420) 11.64886 0.9776321 Ljung-Box Test Lung-Box Test RAZ Q(10) 7.483461 0.6810856 hips: /oninecourses. science. psu.edustatSOiprinvbooklexpordhtm/8S 342s/1212017 Lung-Box Test RY2 Q{15) 8.89203 0,6830489 Lung-Box Test * 9 2 Go) 1490887 07817228 Vous pouvez également examiner !ACF J PACF des résidus: sef2 (réeidus (xg) swe: esis) Les diagnostics ont tous Fair bien. Source URL; hs:lanlnscouss sence py sds SAOnosa8s hips: /oninecourses. science. psu.edustatSOiprinvbooklexpordhtmi/8S a