Modelisation Garch

Initiation la Modlisation GARCH
Par
Jean Paul Tsasa V. Kimbambu
Chercheur co accompli au Laboratoire dAnalyse Recherche en Economie Quantitative
[email protected] B.P. 16 626 Kinshasa I http://www.lareq.com
Mai 2012
Economtrie et Prvision
Lconomtrie de srie chronologique distingue gnralement cinq approches de prvision conomique
selon quil sagit de modles de :
-
lissage exponentiel ;
rgression quation unique ;
rgression multiquationnels ;
moyenne mobile autorgressive intgre [univaris] et
moyenne mobile autorgressive vectorielle [multivaris].
Une attention particulire sera accorde au quatrime type de modles.

Processus autorgressif et Processus moyenne mobile
Yule et Slutsky considrent indpendamment deux mcanismes permettant de gnrer un processus.
Leurs travaux smantiques ont mis jour le processus AR et le processus MA, respectivement dordre 2.
Ces processus constituent un des atouts majeurs pour diagnostiquer les informations contenues dans
une chronique conomique ou financire.
Processus autorgressif
Soit la chronique Zt, le prix dun actif financiers, suppose faiblement stationnaire niveau (stable), le
processus autorgressif scrit :
Ce modle signifie que la valeur de Z au temps t est la somme de la valeur de sa proportion au temps t
1 et dun choc alatoire au temps t (innovation).
En gnralisant, on obtient un processus AR(p), soit :
La valeur prise par la variable Z au temps t dpend de sa valeur dans les priodes antrieurs, plus un
bruit blanc. Une manipulation mathmatique simple nous permet dcrire :
Jean Paul Tsasa

Laboratoire dAnalyse Recherche en Economies Quantitative
Processus moyenne mobile

Le processus Zt peut galement tre modlis comme suit :
La valeur de Z au temps t est donc gale une constante plus une moyenne mobile des termes derreur
stochastique actuel et dcal. En gnralisant, le processus moyenne mobile devient MA(q) :
Ce processus apparait comme une combinaison linaire de termes derreur de nature bruit blanc.
Processus autorgressif moyenne mobile
La variable Zt peut avoir en mme temps les caractristiques du processus AR et celles du processus MA.
Dans ce cas, le processus est dit ARMA (p, q) :
Si la variable Zt est intgre, cest dire non stationnaire niveau, et quaprs diffrentiation, elle le
devient :
par consquent, le processus autorgressif moyenne mobile sera galement intgre (ARIMA) et
scrit :
Limite du processus autorgressif moyenne mobile

Tout comme la variable Zt peut ou ne pas tre une marche alatoire, de mme, il peut galement se
caractriser par le phnomne de volatilit groupe. Dans ce cas, le processus ARIMA perd ses quelques
vertus, notamment sa capacit prdictive. Or gnralement, les chroniques des prix des actifs financiers
ou de certains agrgats conomiques tels que les cours des actions et de change ou le taux dinflation
sont caractriss par les volatilits ! Face ces caractristiques, le modle moyenne mobile
autorgressive intgre (ARIMA), propos par Box et Jenkins, devient quasi impuissant. Partant de
cette faiblesse, Engle (1982) et plus tard Bollerslev (1986) et Taylor (1986) dvelopprent une
mthodologie qui prend en compte le phnomne de volatilit. Il sagit des modles :
autorgressifs conditionnellement htroscdastiques (ARCH) et
autorgressifs conditionnellement htroscdastiques gnraliss (GARCH).
Jean Paul Tsasa

Notez, par ailleurs, que les mthodes de prvision de ces modles supposent galement que la chronique
en cause est stationnaire.
Cette approche a eu un grand cho dans le monde des conomistes. Ainsi, dans la formulation des
politiques conomiques ou dans le processus de prise de dcision, la connaissance de la volatilit
caractrisant les variables instruments est indispensable. Par exemple, nombre dconomistes considre
que linflation nest pas un mal en soi, mais sa variabilit le demeure car ne facilitant pas la ralisation de
prvisions. Il en est de mme pour le taux de change ou les cours dactifs financiers.
Comment modliser les chroniques caractrises par un phnomne de volatilit ?
Rappelons que les chroniques financires sont gnralement de marches alatoires. Cependant, aprs
une diffrentiation, elles deviennent stationnaires. Et souvent, le chroniques diffrenties prsentent de
volatilit, cest dire la variance des chroniques financires est htroscdastique.
DE ce fait, chercher modliser les chroniques caractrises par un phnomne de volatilit implique
une prise en compte de sa variance variable, car celle ci peut tre autocorrle.
Considrons une variable
En notant
et
son logarithme. La variation relative de
la variation relative ajuste de
et
est donne par :
la mesure de la volatilit ; le processus AR(1) de la
volatilit scrit :
La variable
est effectivement une mesure de la volatilit puisquelle devient plus leve pendant les
priodes de forte variation et moins leve lorsque les variations seront faibles.
Si
est significativement positif, on conclut quil y a un phnomne de volatilit groupe. Cela suppose
que si la volatilit tait forte dans la priode antrieure, elle continuera ltre dans la priode actuelle.
En gnralisant, on obtient un processus AR(p) :
Ainsi obtient on les modles ARCH(1) et ARCH(p)

Comment tester leffet ARCH ?
Soit :
La variance du terme
suit un processus ARCH(1).
Jean Paul Tsasa

En gnralisant, on a :
En cas dabsence dautocorrlation derreur et donc, dabsence deffet ARCH :
Cela signifie que lon ne rejette pas lhypothse nulle daprs laquelle :
Et puisque la variance
nest pas observable, on recourt la rgression suivante pour mener le test en
cause :
est la variance MCO obtenu dans le modle de rgression primitif.
Lapproche dveloppe initialement par Engle (1982) a t gnralise par Bollerslev (1986) et Taylor
(1986) :
Soit :
En considrant les vecteurs paramtriques et un polynme doprateur de retard L, le modle GARCH se

rsume comme suit :
La variance conditionnelle du terme derreur
au temps t dpend non seulement du terme de lerreur au
carr dans la priode antrieure, mais aussi de sa variance conditionnelle de la priode antrieure.
Lorsque la variance est non conditionnelle cest dire
le processus ARCH est donc
stationnaire. En considrant un ARCH(1), on obtient :
Cela suppose que le processus est stable, cest dire
Ainsi, on obtient :
Stratgie propose par R. Engle.
Jean Paul Tsasa

Conversion du processus GACH en ARCH

Davidson et MacKinnon (1993) montrent quun modle GARCH(p, q) quivaut quasiment un modle
ARCH(p+q). Considrons cet effet un modle GARCH(1, 1) :
En considrant que les variances des erreurs pour les priodes t-i tel que i 2, trs faibles, on
obtient ainsi un processus ARCH(2):
Il existe trois principaux moyens destimer les modles de rgression erreurs ARCH et GARCH : les
moindres carrs gnraliss faisables, lestimation efficace en une tape et le maximum de
vraisemblance. Dans ce cours, nous utilisons la troisime mthode.
Au-del de la spcification standard ARCH et de sa gnralisation GARCH, plusieurs autres variantes de
modles de variance ont t dveloppes.
i.
Modle IGARCH (Integrated GARCH)
Ce modle a t co spcifi par Engle et Bollerslev en 1986. En nomalisant le modle GARCH, ils
dfinissent un modle avec contrainte :
ii.
Modle TGARCH (Threshold GARCH)
Ce modle avec effet de seuil a t dcrit en 1993 par Glosten, Jaganatha et Runkle, puis par Zakoan en
1994. Il scrit :
En cas de choc positif,
et en cas de choc ngatif,
La nature de chocs a donc un effet sur
la variance conditionnelle. Ainsi, une bonne nouvelle, par exemple, sur la place financire ou sur le
march a un impact de
Pour
alors quune mauvaise nouvelle aura un impact de
limpact de la nouvelle sera asymtrique (prsence dun effet de niveau), et si
ce que
la mauvaise nouvelle aura tendance accentuer la volatilit.

Lorsque
le modle TGARCH devient GARCH. Ainsi, le processus GARCH est une spcification
particulire du modle TGARCH.
Jean Paul Tsasa

iii.
Modle EGRACH (Exponetiel GARCH)
Ce modle a t introduit par Nelson en 1991. La spcification de la variance conditionnelle dans le

modle EGARCH est :
Ce modle considre le logarithme de la variance conditionnelle et intgre, par ailleurs, la mesure de

leffet de seuil. Ainsi, pour tout
iv.
limpact est asymtrique.
Modle PGARCH (Power GARCH)
Taylor et Swert ont introduit, respectivement, en 1986 et en 1989, une extension du modle GARCH qui
considre la dviation standard plutt que la variance.
Le modle est symtrique si

v.
pour tout i. Si
on retrouve le modle standard GARCH.
Modle CGARCH (Component GARCH)
La variance conditionnelle dans le modle GARCH(1, 1) est donn par :
Dans le modle CGARCH, k devient variable :
La premire quation dcrit la composante transitoire

puissance
qui converge vers zro avec la
La deuxime quation dcrit la composante de long terme
comme puissance
qui converge vers k avec
Et, la dernire quation nest quune combinaison de deux premires quations.
APPPLICATION
Jean Paul Tsasa

Bibliographie
BERA Anil K. and Matthew L. HIGGINS, 1993, ARCH Models: Properties, Estimation and
Testing , Journal of Economic Survey, vol. 7, pp. 305 366.
BOLLERSLEV Tim P., 1986, Generalized Autoregressive Conditional Heteroscedasticity , Journal

of Econometrics, vol. 31, pp. 307 326.
BOX George E.P. and Gwilyn M. JENKINS, 1978, Time Series Analysis : Forecasting and Control,
d. Revue, Holden Day, San Francisco.
DAVIDSON Russell and James G. MacKINNON, 1993, Estimation and Inference in Econometrics,
Oxford University Press, New York.
ENGLE Robert, 1982, Autoregressive Conditional Heteroscedasticity with Estimates of the

variance of United Kingdom Inflation , Econometrica, vol. 50, num. 1 ; PP. 987 1007.
LUCAS Robert E., 1976, Econometric Policy Evaluation: A Critique , in Canergie Rochester
Conference Series, The Phillips Curve, North Holland, Amsterdam, pp. 19 46.
SIMS Christopher A., 1980, Macroeconomics and Reality , Econometrica, vol. 48 ; pp 1 48.
Jean Paul Tsasa


Modelisation Garch

Transféré par

Droits d'auteur :

Formats disponibles

Modelisation Garch

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Modelisation Garch

Transféré par

Droits d'auteur :

Formats disponibles

Initiation la Modlisation GARCH

rgression quation unique ;

moyenne mobile autorgressive intgre [univaris] et

moyenne mobile autorgressive vectorielle [multivaris].

Une attention particulire sera accorde au quatrime type de modles.

Jean Paul Tsasa

Processus moyenne mobile

Limite du processus autorgressif moyenne mobile

autorgressifs conditionnellement htroscdastiques (ARCH) et

autorgressifs conditionnellement htroscdastiques gnraliss (GARCH).

Jean Paul Tsasa

son logarithme. La variation relative de

la variation relative ajuste de

est donne par :

la mesure de la volatilit ; le processus AR(1) de la

Ainsi obtient on les modles ARCH(1) et ARCH(p)

suit un processus ARCH(1).

Jean Paul Tsasa

En cas dabsence dautocorrlation derreur et donc, dabsence deffet ARCH :

nest pas observable, on recourt la rgression suivante pour mener le test en

est la variance MCO obtenu dans le modle de rgression primitif.

En considrant les vecteurs paramtriques et un polynme doprateur de retard L, le modle GARCH se

La variance conditionnelle du terme derreur

au temps t dpend non seulement du terme de lerreur au

le processus ARCH est donc

stationnaire. En considrant un ARCH(1), on obtient :

Cela suppose que le processus est stable, cest dire

Stratgie propose par R. Engle.

Jean Paul Tsasa

Conversion du processus GACH en ARCH

Modle IGARCH (Integrated GARCH)

Modle TGARCH (Threshold GARCH)

En cas de choc positif,

et en cas de choc ngatif,

La nature de chocs a donc un effet sur

alors quune mauvaise nouvelle aura un impact de

limpact de la nouvelle sera asymtrique (prsence dun effet de niveau), et si

la mauvaise nouvelle aura tendance accentuer la volatilit.

particulire du modle TGARCH.

Jean Paul Tsasa

Modle EGRACH (Exponetiel GARCH)

Ce modle a t introduit par Nelson en 1991. La spcification de la variance conditionnelle dans le

Ce modle considre le logarithme de la variance conditionnelle et intgre, par ailleurs, la mesure de

limpact est asymtrique.

Modle PGARCH (Power GARCH)

Le modle est symtrique si

on retrouve le modle standard GARCH.

Modle CGARCH (Component GARCH)

La variance conditionnelle dans le modle GARCH(1, 1) est donn par :

Dans le modle CGARCH, k devient variable :

La premire quation dcrit la composante transitoire

qui converge vers zro avec la

La deuxime quation dcrit la composante de long terme

qui converge vers k avec

Et, la dernire quation nest quune combinaison de deux premires quations.

Jean Paul Tsasa

BOLLERSLEV Tim P., 1986, Generalized Autoregressive Conditional Heteroscedasticity , Journal

ENGLE Robert, 1982, Autoregressive Conditional Heteroscedasticity with Estimates of the