Documente Academic
Documente Profesional
Documente Cultură
Mmoire
Franois Pelletier
Matrise en actuariat
Matre s sciences (M.Sc.)
Qubec, Canada
Franois Pelletier, 2014
Rsum
Les modles classiques en finance sont bass sur des hypothses qui ne sont pas toujours vrifiables empiriquement. Lobjectif de ce mmoire est de prsenter lutilisation de la distribution
de Laplace asymtrique gnralise comme une alternative intressante ces derniers. Pour
ce faire, on utilise ses diffrentes proprits afin de dvelopper des mthodes destimation paramtrique, dapproximation et de test, en plus dlaborer quelques principes dvaluation de
produits drivs. On prsente enfin un exemple dapplication numrique afin dillustrer ces
diffrents concepts.
iii
Abstract
Classical models in finance are based on a set of hypotheses that are not always empirically
verifiable. The main objective behind this masters thesis is to show that the generalized
asymmetric Laplace distribution is an interesting alternative to those models. To support this
idea, we focus on some of its properties to develop parametric estimation, approximation and
testing methods, then we work out some principles of derivatives pricing. Finally, we have a
numerical example to illustrate these concepts.
iii
Abstract
vii
xi
xiii
Remerciements
xvii
Introduction
1 Les modles de rendements financiers
1.1 Lutilisation de modles en finance . . . . .
1.1.1 Diffrents types de modles . . . . .
1.1.2 Le risque de modlisation . . . . . .
1.2 Les rendements financiers . . . . . . . . . .
1.2.1 Dfinitions et notations . . . . . . .
1.2.2 Rendements cumuls . . . . . . . . .
1.2.3 Donnes disponibles . . . . . . . . .
1.3 Les premiers modles . . . . . . . . . . . . .
1.3.1 Le modle de Bachelier . . . . . . .
1.3.2 Proposition de Mandelbrot . . . . .
1.3.3 Le modle de Press . . . . . . . . . .
1.3.4 Le modle de Praetz . . . . . . . . .
1.4 Conditions essentielles de Madan et Seneta
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
3
3
4
5
5
7
8
8
8
11
12
15
16
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
19
19
20
21
22
25
25
26
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
vii
2.3
2.4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
28
28
30
32
33
35
35
37
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
39
39
41
42
42
44
44
45
46
46
47
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
49
49
50
50
51
52
53
55
55
58
59
61
61
62
63
63
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
viii
6.3
7 Tests statistiques
7.1 Test de normalit . . . . . . . . . . . . . .
7.1.1 Test de Shapiro-Wilk . . . . . . . .
7.1.2 Test dEpps-Pulley . . . . . . . . .
7.2 Tests dadquation . . . . . . . . . . . . .
7.2.1 Test 2 de Pearson . . . . . . . . .
7.2.2 Test de Kolmogorov-Smirnov . . .
7.2.3 Test de distance minimale bas sur
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
. . . . . . . . . . . . . . .
la fonction gnratrice des
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
moments
81
81
81
82
82
83
84
85
8 valuation doptions
8.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . .
8.1.1 quation martingale . . . . . . . . . . . . . . .
8.1.2 Paramtres neutres au risque . . . . . . . . . .
8.2 Aperu du modle de Black-Scholes . . . . . . . . . . .
8.3 Mthodes dvaluation pour options europennes . . .
8.3.1 Mthode de Heston . . . . . . . . . . . . . . . .
8.3.2 Mthode de Carr et Madan . . . . . . . . . . .
8.3.3 Prix dexercice hors du cours . . . . . . . . . .
8.3.4 Critique de la mthode de Carr-Madan . . . . .
8.3.5 Mthode dEpps . . . . . . . . . . . . . . . . .
8.4 Particularits . . . . . . . . . . . . . . . . . . . . . . .
8.4.1 Option sur actions avec dividendes . . . . . . .
8.4.2 Options sur contrats terme et taux de change
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
87
87
88
89
90
90
91
91
93
93
93
95
95
95
9 Exemple dapplication
9.1 Description des donnes
9.2 Estimation . . . . . . .
9.3 Approximation . . . . .
9.4 Graphiques . . . . . . .
9.5 Tests statistiques . . . .
9.6 valuation doptions . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
97
97
99
104
105
108
109
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Conclusion
113
115
115
116
116
116
116
117
117
117
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ix
La fonction de rpartition . . . . . . . . . . . .
A.2.3 La fonction gnratrice des moments . . . . . .
A.2.4 La fonction gnratrice des cumulants . . . . .
A.2.5 La transforme dEsscher . . . . . . . . . . . .
A.3 La transforme de Fourier rapide . . . . . . . . . . . .
A.4 Processus de Lvy . . . . . . . . . . . . . . . . . . . .
A.4.1 Dfinition et proprits . . . . . . . . . . . . .
Reprsentation de Lvy-Khintchine . . . . . . .
Reprsentation de Lvy-It . . . . . . . . . . .
A.4.2 Processus subordonn . . . . . . . . . . . . . .
A.5 Thormes dintgration . . . . . . . . . . . . . . . . .
A.5.1 Thorme de convergence domine de Lebesgue
A.5.2 Thorme de Fubini . . . . . . . . . . . . . . .
B lments de statistique mathmatique
B.1 Loi faible des grands nombres . . . . .
B.2 Thorme central limite . . . . . . . .
B.2.1 Cas univari . . . . . . . . . . .
B.2.2 Cas multivari . . . . . . . . .
B.3 Mthode delta multivarie . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
117
118
119
120
120
121
121
122
122
123
123
124
124
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
125
125
125
126
126
127
C Donnes
129
Bibliographie
131
Contrat de partage
137
2.1
2.2
2.3
4.1
5.1
6.1
Contraintes linaires pour les cas particuliers de la distribution de Laplace asymtrique gnralise GAL(, , , ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
9.1
9.2
9.3
9.4
9.5
9.6
9.7
9.8
9.9
9.10
9.11
9.12
9.13
9.14
9.15
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
point de
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
97
98
98
100
102
103
104
105
105
.
.
.
.
.
.
105
108
108
109
109
109
C.1 Prix du titre Abbey National (penny sterling) du 31 juillet au 8 octobre 1991 . . . 129
xi
2.1
2.2
2.3
2.4
. 23
. 24
. 31
. 34
3.1
3.2
9.1
9.2
9.3
9.4
9.5
9.6
9.7
9.8
xiii
xv
Remerciements
Je dois avouer que je ne savais pas trop quoi mattendre au moment o jai commenc la
rdaction de ce mmoire. En essayant de ne pas oublier personne, jaimerais tout dabord
remercier celui qui ma accompagn durant ces deux dernires annes et qui ma normment
appris, le professeur Andrew Luong.
Jaimerais aussi remercier mes valuateurs, les professeurs Claire Bilodeau et Julien Trufin.
Jaimerais aussi remercier le professeur Vincent Goulet, qui ma fortement encourag de minscrire la matrise, et pour les nombreuses rfrences quil a pu me fournir, pour la rdaction
entre autres, qui mont grandement facilit la tche. Je remercie tout autant le professeur
Ghislain Lveill pour son soutien et pour mavoir offert la possibilit de prsenter mes rsultats.
Jaimerais aussi remercier lensemble des tudiants gradus, des professeurs et du personnel
de lcole dActuariat de lUniversit Laval, ainsi que mes collgues de travail de la CARRA,
pour leur soutien et leurs encouragements.
Je suis reconnaissant envers lcole dActuariat et la Chaire dActuariat de lUniversit Laval
pour le soutien financier en moffrant des postes dauxiliaires denseignement et de recherche.
Enfin, jaimerais remercier mes parents, ma soeur et lensemble de ma famille et de mes amis
pour avoir accept que je passe plus de temps crire des formules bizarres sur lordinateur
qu tre avec eux.
xvii
Introduction
Lutilisation de la distribution de Laplace asymtrique gnralise dans le cadre de la modlisation des rendements financiers est de plus en plus courante dans les milieux acadmiques et
pratiques. Entre autres, elle prsente une alternative intressante au modle de Black-Scholes
pour lvaluation des options de type europennes. De plus, elle peut tre utilise pour modliser les rendements obligataires long terme et les variations du taux de change. Cependant, la
littrature actuelle prsente peu doutils qui facilitent lutilisation en pratique de cette distribution. La principale motivation derrire le travail de recherche et de synthse prsent dans
ce texte a t de dvelopper certains outils qui permettent lestimation des paramtres de la
distribution et lapproximation de celle-ci. De plus, plusieurs tests statistiques sont prsents
afin dvaluer la validit du modle estim et de certaines contraintes linaires quon pourrait
lui appliquer.
Au chapitre 1, on prsente les diffrents types de modles financiers ainsi que le risque associ
la modlisation. On introduit aussi diffrents concepts thoriques entourant les rendements
financiers. Puis, on dresse un historique des modles financiers ayant men lutilisation de
la distribution de Laplace asymtrique gnralise.
Au chapitre 2, on introduit les processus gamma et de Wiener qui sont les deux composantes
essentielles du processus de Laplace. Puis, on prsente les principales caractristiques de la
distribution de Laplace asymtrique gnralise. Enfin, on prsente quelques cas particuliers
de celle-ci et on fait le lien avec le modle variance-gamma de Madan et Seneta.
Au chapitre 3, on prsente la mthode du point de selle qui permet deffectuer lapproximation
de la densit et de la fonction de rpartition lorsquelles nont pas de forme analytique. On
applique ensuite cette mthode la distribution de Laplace asymtrique gnralise.
Au chapitre 4, on prsente la mthode des moments gnralise ainsi que son utilisation dans
le cadre de lestimation sous contraintes. On prsente ensuite certains tests dhypothse paramtriques.
Au chapitre 5, on prsente la mthode des quations destimation optimales ainsi quune
version lgrement modifie qui diminue la quantit de calcul ncessaire.
Chapitre 1
1.1.1
Toujours selon Derman, un modle financier peut tre class parmi au moins trois catgories :
1. Le modle fondamental, bas sur un systme de postulats et de donnes, entre lesquels
on peut tablir diffrentes relations. Le modle de Black-Scholes en est un exemple.
1.1.2
Le risque de modlisation
Un modle peut aussi tre correct, mais avoir une solution errone. Cela se produit notamment
lorsquon tente de driver une solution analytique ou que lon doit utiliser des mthodes
numriques pour obtenir celle-ci. On se doit, dans ce cas, de connatre lerreur maximale
possible de la mthode utilise. Un modle correct peut aussi tre utilis dans le mauvais
contexte. Par exemple, on pourrait avoir recours des paramtres inadquats de simulation,
ou encore rutiliser le modle dans une autre situation sans tenir compte des conditions de
validit de celui-ci.
Son utilisation peut gnrer des prix draisonnables ; on parle alors darbitrage de modle. Par
exemple, si un titre est valu laide du modle dvaluation des actifs financiers, son prix
sera diffrent de celui qui serait obtenu avec la rgression trois facteurs de Fama et French.
Un investisseur peut alors faire du profit en achetant le titre celui qui demande le prix le
plus faible pour le revendre celui qui offre le plus lev.
Lutilisation de donnes instables peut produire des rsultats diffrents selon la priode tudie. La possibilit quune estimation base sur des donnes historiques soit errone doit tre
considre.
Enfin, comme la plupart des modles financiers sont implments sous forme de logiciels,
diffrents bogues informatiques peuvent se retrouver dans le code source. On considre entre
autres des erreurs darrondissement, de logique et de clart du code, ainsi que des particularits
du matriel qui nauraient pas t prises en compte par le programmeur. Ces erreurs peuvent
tre difficiles dtecter, cest pourquoi un grand nombre de tests devraient tre effectus avant
de publier un logiciel de modlisation financire.
1.2
Le rendement est dfini comme tant le gain ou la perte de valeur dun actif sur une priode
donne. Il est constitu des revenus occasionns et des gains en capitaux dun investissement et
est habituellement reprsent sous la forme dun pourcentage. Ces derniers peuvent prendre la
forme de coupons pour les titres revenus fixes et de dividendes pour les actions changes sur
les marchs boursiers. On ne considrera, dans ce texte, que les titres boursiers sans dividende,
dont le rendement est li uniquement aux gains en capitaux.
1.2.1
Dfinitions et notations
On dfinit le prix S(t) > 0 dun titre financier observ au temps t. Implicitement, le prix
considr est celui la fermeture. On dfinit aussi le taux de rendement effectif R(t) sur une
priode comprise dans lintervalle de temps [t 1, t]. Cest le taux compos continument, aussi
appel force dintrt, qui aurait occasionn les mmes gains ou pertes sur un montant dpos
(1.2.1)
(1.2.2)
On dfinit aussi le rendement cumul L(t). Il correspond la somme des rendements effectifs
observs sur lintervalle [0, t] :
L(t) =
t
X
i=1
t
X
R(i)
i=1
= ln (S(t)) ln (S(0))
S(t)
= ln
.
S(0)
(1.2.3)
Cette reprsentation permet dexprimer le prix actuel S(t) en fonction de la valeur initiale
S(0) sous une forme similaire la solution (1.2.1), mais tenant compte de lhypothse mise
prcdemment :
eL(t) =
S(t)
S(0)
t
X
!
R(i) .
(1.2.4)
i=1
1.2.2
Rendements cumuls
t
Y
R(i) ().
(1.2.5)
i=1
(1.2.6)
(1.2.7)
Considrer une distribution qui est ferme sous la convolution pour modliser les rendements
sur une priode R(i) peut alors tre intressant. Le rendement cumul L(t) pourra aussi tre
modlis laide de la mme distribution. Pour ce faire, on modifie un paramtre dchelle en
fonction de la longueur t de lintervalle de temps considr.
1.2.3
Donnes disponibles
Les donnes disponibles auprs des fournisseurs dinformations financires prennent habituellement la forme de sries chronologiques discontinues. Celles-ci incluent les prix louverture,
le plus bas et le plus lev au courant de la journe ainsi qu la fermeture, pour chaque jour
o les marchs financiers sont en activit. Afin de mesurer le rendement quotidien dun titre,
seuls les prix la fermeture seront considrs.
1.3
1.3.1
Un des premiers modles proposs afin de reprsenter les rendements financiers a t celui de
Bachelier (1900) .
Le prix dun titre peut varier, durant une priode, de nimporte quelle valeur comprise dans
lintervalle [S(t), ]. Il propose donc que cet intervalle soit remplac par lensemble du
domaine rel R. La probabilit que le titre atteigne une valeur nulle ou ngative ou que celle-ci
double devrait donc tre ngligeable. Il ajoute aussi que la variation est indpendante du prix
actuel du titre S(t) et que la distribution de probabilits de celle-ci est symtrique et centre
en ce point.
Il utilise le principe selon lequel la probabilit que deux vnements indpendants conscutifs
aient lieu est le produit de celles que chacun dentre eux se ralise, pour tablir la distribution
des variations du prix. Par exemple, la variation du prix sur une premire priode prend la
valeur x et celle sur une seconde, z x, comme illustr la figure 1.1.
S(0)
S(0) + x
S(0) + z
t1
t1 + t2
On dfinit f (x, t) la fonction de densit de la variation du prix S(t) par rapport au niveau
initial S(0). Alors, selon le principe prcdent, on obtient lexpression
Z
f (x, t1 ) f (z x, t2 ) dx.
f (z, t1 + t2 ) =
(1.3.1)
Afin que la fonction f (x, t) soit une densit de probabilit, la condition suivante doit tre
respecte :
Z
A exp B 2 x2 dx = 1.
(1.3.2)
B = A .
En posant x = 0, on a A = f (0, t) et lon en dduit :
f (x, t) = f (0, t) exp f (0, t)2 x2 .
(1.3.3)
En reprenant lintgrale (1.3.1), on obtient que la densit de probabilit f (z, t1 + t2 ) soit aussi
de la forme (1.3.2) :
f (x, 1)f (z x, 2)
2
exp
f (z, t1 + t2 ) = p
z .
f (x, 1)2 + f (z x, 2)2
f (x, 1)2 + f (z x, 2)2
f (x, 1)f (z x, 2)
(1.3.4)
On reconnaitra que cette densit est, un changement de variable prs, une loi normale. La
dmarche suggre quil recherchait une distribution qui tait ferme sous la convolution, une
proprit souhaitable pour un modle cohrent des rendements financiers.
Ce modle implique un processus de Wiener-Bachelier selon lequel les incrments, ou les changements de prix, suivent une distribution normale :
S(T ) S(t) N 0, 2 (T t) .
(1.3.5)
On doit noter que ce modle implique que la variance des fluctuations nest pas proportionnelle
au prix initial. Une premire correction sera apporte au modle afin de considrer le logarithme
du prix. Ce changement permettra dobtenir un modle o elle est dsormais proportionnelle
au prix initial. Le processus du prix suivra alors un mouvement brownien gomtrique :
S(T ) S(t) LN (0, (T t)) .
(1.3.6)
(1.3.7)
Un des principaux avantages du processus de Bachelier modifi est que le rendement cumul
L(t) est aussi une variable alatoire gaussienne. Cette proprit est appele L-stabilit ou
invariance sous laddition. La distribution gaussienne est la seule ayant cette proprit o le
second moment est fini. Le sujet des distributions L stables sera aussi abord la section 1.3.2.
Quelques annes aprs sa publication, ce modle est lobjet de critiques de la part dconomistes
et de financiers. En se rfrant Mitchell (1916), on observe que, sur une base annuelle, les
variations ngatives par rapport la moyenne (149) sont plus frquentes que celles qui sont
positives (126), pour un ensemble de 40 titres boursiers, entre 1890 et 1915 (figure 1.2). Une
0.015
0.010
0.000
0.005
Frquence
0.020
0.025
100
100
200
300
Figure 1.2: Distribution des rendements annuels de 40 titres boursiers, de 1890 1915, Table
XVIII de Mitchell (1916)
De plus, les variations extrmes sont plus frquentes que ne pourrait le prdire un modle
bas sur un mouvement brownien. La distribution des rendements aurait donc des queues
plus paisses 1 que la normale. On doit trouver un modle qui permet de tenir compte de ces
1. traduction de langlais heavy tailed
10
particularits.
1.3.2
Proposition de Mandelbrot
Mandelbrot (1963) propose un modle qui vise combler les lacunes du processus brownien
gomtrique (1.3.6). Il explique que les distributions empiriques des changements de prix sont
habituellement trop pointues pour tre considres comme des chantillons dune population
gaussienne.
Il identifie diffrentes caractristiques quun bon modle des rendements financiers devrait
possder :
1. Il doit tenir compte de la frquence des grands changements de prix. Il doit donc tre
bas sur une distribution leptocurtique, plus pointue au centre que la normale.
2. Il doit permettre des changements instantans et imprvisibles de toute amplitude.
3. Il doit admettre une probabilit non nulle que plusieurs changements conscutifs semblent
corrls.
4. Il doit admettre un processus de prix non stationnaire, car la variance chantillonnale
prend diffrentes valeurs travers le temps.
La famille de distributions L stables semble tre celle qui rpond le mieux lensemble de
ces conditions (Walter, 1995). Lquation suivante dfinit la proprit de L-stabilit de la
distribution de la variable alatoire des rendements sur une priode R :
d
(a1 R1 + b1 ) + (a2 R2 + b2 ) = aR + b
a1 , a2 > 0, b1 , b2 .
(1.3.8)
(1.3.9)
ln (R ()) = i || 1 +
tan
.
||
2
(1.3.10)
Le domaine et le rle des paramtres de la distribution L stable sont dcrits la table 1.1.
La flexibilit apporte par les quatre paramtres permet de remplir les quatre conditions
tablies au dbut de cette section. De plus, labsence, dans la majorit des cas, de moments
finis dordre suprieur lesprance permet de tenir compte du mouvement erratique des
prix et ainsi produire de larges discontinuits de son processus. Elle permet aussi dexpliquer
lapparence de corrlation srielle, en considrant une probabilit non ngligeable que cette
caractristique soit prsente. Cependant, ce modle est difficile appliquer lvaluation de
11
Paramtre
Domaine
]0, 2]
Rle
Aplatissement
]1, 1]
Asymtrie
= s
R \ {0}
chelle
Localisation
Observations
Plus sa valeur est petite, plus la distribution est leptocurtique. = 2 correspond la distribution normale.
Dfini seulement lorsque 6= 1.
Lorsque = 1 et = 0, on obtient
la distribution de Cauchy.
On doit prendre la racine pour obtenir un paramtre dchelle s tel que
dfini par Pearson.
produits drivs pour cette raison, tant donn que lon devra tre en mesure de quantifier la
volatilit.
Lapproche classique, selon Mandelbrot, pour expliquer les grands changements de prix a
t de considrer un mlange de deux distributions normales, dont une pour les fluctuations
rgulires et une qui a une variance plus importante, pour les discontinuits. Il remarque que
pour expliquer adquatement le comportement des donnes empiriques, on doit introduire un
mlange de plusieurs distributions normales, ce qui rendrait le modle plus complexe. Par
contre, on retrouve une approche intressante avec le modle prsent la section suivante.
1.3.3
Le modle de Press
Press (1967) propose un modle statistique bas sur un processus de Poisson compos auquel
on ajoute un mouvement brownien W (t). Cest donc dun processus ayant des incrments stationnaires et indpendants. Il prsente donc les caractristiques dun processus de Lvy. Press
utilise aussi la transformation logarithmique (1.3.6) afin que la variation soit proportionnelle
au prix. Il remarque aussi que le modle logarithmique de Bachelier est inadquat, car il ne
tient pas compte des queues de la distribution empirique des rendements qui sont plus paisses
que celles de la normale. Il ajoute que le modle propos par Mandelbrot est discutable, car il
ne trouve aucune vidence, partir des donnes observes, que la distribution de la population
aurait une variance infinie.
Le processus de Poisson {N (t)} de paramtre t est un processus de comptage qui dtermine
les occurrences des sauts Yk , k = 1, . . . , N (t). Ces sauts surviennent gnralement lorsquune
information importante est rendue publique par rapport un titre. Ceux-ci sont aussi de
distribution normale, mais leur esprance nest pas nulle et leur variance est diffrente de celle
du processus W (t). Cette composante que lon ajoute au modle de Bachelier modifi permet
dexpliquer les variations plus importantes et moins frquentes observes empiriquement.
12
Le processus du logarithme du prix {s(t)} {ln (S(t))} est donc reprsent par lquation
suivante :
N (t)
s(t) = s(0) +
Yk + W (t).
(1.3.11)
k=1
Comme pour la plupart des processus de Lvy, on ne peut obtenir une forme explicite pour
la fonction de densit, car celle-ci se prsente sous la forme dune srie infinie. On reprsente
alors ces processus par leur fonction caractristique, forme par le produit de celles de leurs
diffrentes composantes.
La distribution du logarithme du prix s(t) est dfinie par la fonction caractristique s(t) (),
qui est le produit de celle de la constante et celles des processus de Wiener et de Poisson
compos :
i
h
s(t) () = E eis(t)
n h
io
t12 2
2 2
= exp {i s(0)} exp
exp t ei(2 /2) 1
2
h
i
t 2 2
i(22 2 /2)
= exp i s(0) 1 + t e
1 .
2
(1.3.12)
(1.3.13)
Pour estimer les paramtres du modle, on privilgie la mthode des cumulants, qui est similaire la mthode des moments. Considrons les quatre premiers cumulants de la distribution
13
de lincrment s(t) :
K1 =
(1.3.14a)
K2 = 12 + (2 + 22 )
(1.3.14b)
K3 = (2 + 322 )
(1.3.14c)
K4 = (4 + 62 22 + 324 ).
(1.3.14d)
En utilisant les quatre premiers cumulants empiriques (A.2.18), on obtient les quations suivantes :
2
K 3 2 3K 4 K 3
0 = 4
+
2
K1
2K 1
2K 1
= K1
K 3 2 K 1
22 =
3K 1
K 1 2 K 3 K 3 2
2
1 = K 2
+
.
3K 1
(1.3.15a)
(1.3.15b)
(1.3.15c)
(1.3.15d)
(1.3.16)
S(0)
S(0)
=
S(0) PN (t) Y
k=1
si N (t) = 0
si N (t) 1.
14
du modle de Press :
h
i
s(t) () = E eis(t)
h
i
22
i( 2 2 /2)
= exp i
+ e
1 .
2
(1.3.18)
1.3.4
Le modle de Praetz
Praetz (1972) propose un modle inspir par la physique des particules. Il pose comme hypothse que deux intervalles qui ne se chevauchent pas forment une marche alatoire, et que
les lments qui composent la squence des rendements financiers {R(t)} sont mutuellement
indpendants. Il considre quun tat stable existe o les rendements suivent une loi normale
de paramtres et 2 .
Cependant, cet tat stable nest jamais rellement atteint, et la fonction de densit empirique
gnralement observe suppose une distribution symtrique concave, pointue au centre et ayant
des queues paisses. Il fait une analogie entre la temprature dun gaz et le niveau dactivit sur
les marchs, o la variance du mouvement brownien est proportionnelle ces deux quantits.
Il propose que le paramtre de variance de la normale 2 suive une distribution g( 2 ) ayant
un support positif. La distribution conditionnelle est normale lorsque ce paramtre est connu.
Z
(1.3.19)
(1.3.20)
s2
m2 .
(1.3.21)
rendements hR(t) est approximativement une Student avec 2m degrs de libert un facteur
15
dchelle de
m
m1
1/2
prs :
(m) [ 2(m 1)]1/2 s
hR(t) (r) = h
im+1/2 .
2
1 + s2(y)
(2m2)
(1.3.22)
Dautres distributions pourraient tre utilises au lieu de la gamma inverse. En utilisant la loi
gamma, on obtient la distribution de Laplace asymtrique gnralise, qui sera lobjet dune
tude approfondie aux chapitres suivants. Il propose enfin dutiliser aussi la distribution a
priori gamma inverse pour le paramtre . Par contre, il remarque quil obtient aussi une
distribution similaire celle de Student. Cette gnralisation nest donc pas ncessaire.
1.4
Inspirs par les travaux de Mandelbrot, Press et Praetz, Madan et Seneta (1990) prsentent un
ensemble de conditions considres essentielles dans llaboration dun modle de rendements
financiers. Ils se baseront sur celles-ci pour proposer le modle Variance Gamma :
1. La distribution des rendements R doit avoir une queue paisse. Ainsi, la probabilit que
cette variable alatoire ait une valeur suprieure r + t avec un t petit, sachant quelle
est suprieure r, doit tendre vers 1, ce qui signifie que la fonction de survie converge
lorsque cette quantit est grande.
lim P [R > r + t|R > r] = 1
(1.4.1)
F (r + t) F (r),
2. La distribution doit possder des moments finis pour les n premires puissances des
rendements R. tant donn que lon cherche modliser la queue de la distribution, on
fixe n = 4.
h i
E Rk < ,
3.
k {1, 2, 3, 4}
(1.4.2)
4. Le modle doit permettre une extension multivarie avec une distribution elliptique afin
de conserver la validit du modle dvaluation des actifs financiers.
Chacun des modles prsents prcdemment respecte la majorit ou toutes ces conditions.
Les rsultats se retrouvent la table 1.2.
16
Modles
Mouvement brownien de Bachelier
Distribution stable symtrique de Mandelbrot
Processus de Poisson compos de Press
Mlange gaussien/inverse gamma de Praetz
Modle Variance Gamma de Madan et Seneta
Conditions
1 2 3 4
Table 1.2: Respect des conditions mises par Madan et Seneta pour les diffrents modles
prsents
On remarque que le modle de Press remplit toutes les conditions mises par Madan et Seneta.
Cependant, ils remarqueront que ce nest pas un processus de sauts, car il contient aussi
une composante de diffusion (Section A.4.1), ce qui va lencontre de lintuition derrire la
continuit de la trajectoire du prix. Cest cette dernire observation qui les incitera proposer
le modle Variance Gamma, qui est un processus de sauts. Ce modle, aussi tudi sous le nom
de distribution de Laplace asymtrique gnralise par Kotz et al. (2001), a acquis beaucoup
de notorit dans le domaine de la finance mathmatique. De plus, avec le dveloppement de
linformatique et des mthodes numriques, on peut maintenant utiliser de manire efficace la
fonction caractristique dans le cadre de la calibration, des tests statistiques et de la tarification
doptions. Cest pourquoi un intrt particulier est apport cette distribution dans ce texte.
17
Chapitre 2
La distribution de Laplace
asymtrique gnralise
Dans ce chapitre, on prsente, en premier lieu, le processus de Laplace ainsi que les deux processus sous-jacents sa construction, le processus gamma et le processus de Wiener. Ensuite,
on prsente la distribution de Laplace asymtrique gnralise et ses principales proprits qui
seront utilises pour modliser les rendements de titres financiers. Puis, on prsente quelques
cas particuliers. Dans le chapitre suivant, on prsentera diffrentes mthodes pour obtenir une
approximation de la fonction de densit et la fonction de rpartition.
La distribution de Laplace asymtrique gnralise a t principalement tudie par Kozubowski et Podgrski (1999). Cependant, elle a t introduite prs dune dcennie auparavant
par Madan et Seneta (1990), sous le nom de distribution Variance Gamma. La diffrence entre
les approches des deux auteurs est majeure. Madan et Seneta (1990) dveloppent un modle
financier partir du mouvement brownien gomtrique, quils gnralisent en proposant que
la variance suive une distribution gamma. Kozubowski et Podgrski (1999) gnralisent la
distribution de Laplace asymtrique. Leur approche est plus gnrale, car ils ne cherchent pas
dvelopper un modle financier, mais une nouvelle classe de distributions utilisable dans
divers domaines scientifiques. tant donn leur approche plus dtaille et plus intuitive, cest
leur formulation du modle qui sera dveloppe. On rappellera enfin que les deux modles sont
quivalents mme si leurs paramtrisations sont diffrentes.
2.1
Le processus de Laplace
Le processus de Laplace est dfini comme tant un processus de Wiener subordonn par
un processus gamma. En dautres termes, cest un processus de Wiener valu des temps
alatoires dtermins par un processus gamma. Selon Kotz et al. (2001), ce dernier est la
distribution de Laplace ce que le mouvement brownien est la loi normale. Il est aussi un
19
cas particulier des processus de Lvy, et en conserve donc la principale proprit, celle dtre
infiniment divisible.
Il a certains points en commun avec le mouvement brownien dont des moments finis pour tout
ordre et des incrments indpendants et stationnaires. Cependant, la plupart des caractristiques diffrent :
Discontinuit des trajectoires (processus de sauts) ;
Distribution asymtrique des accroissements ;
Paramtres dchelle et de temps entirement dissocis.
Enfin, il possde une reprsentation alternative qui nimplique aucun processus de Wiener. Il
peut en fait tre reprsent comme la diffrence de deux processus gamma indpendants. On
peut le reprsenter en utilisant la forme gnrale des processus de Lvy.
2.1.1
Le processus gamma
Le processus gamma, not {G(t; , )}, est un processus de sauts purs (donc aucune composante de drive ni de diffusion) dont les incrments G(t + 1; , ) G(t; , ) suivent une
distribution gamma de paramtres de forme et dchelle , dfinie par les fonctions de densit
f, (x) et caractristique , () :
1 x
x
e
1{x 0}
( )
h
i
, () = E ei X
Z
=
ei x f, (x)dx
f, (x) =
(2.1.1)
=
1
1
.
(2.1.2)
On sintresse la situation o le paramtre dchelle est de valeur unitaire ( = 1). Le processus gamma agit alors titre de compteur et sa valeur G(t; , = 1) au temps t correspondra
au nombre de sauts depuis t = 0. La fonction de densit G(t + 1; , = 1) G(t; , = 1)
sera alors :
f,=1 (x) =
1 1 x
x
e 1{x 0} .
( )
(2.1.3)
20
divisible) :
t
(, t; , = 1) =
=
1
1
i
1
1
.
(1 i) t
(2.1.4)
(2.1.5)
= e0 e ln (1 i)
Z x
e e(1i)x
=
dx
x
0
(intgrale de Frullani (Spiegel et Liu, 1999), p.115)
Z
1
ex dx.
=
1 ei x
x
0
(2.1.6)
On a donc, par cette reprsentation, la dmonstration que le processus gamma est un processus
de sauts purs. Il pourra donc tre utilis comme subordonnant dans la construction dun
processus subordonn (A.4.5).
2.1.2
Le processus de Wiener
Le processus de Wiener W (t; , 2 ) est un processus de diffusion avec drive. Il na donc
pas de composante de saut. Ses incrments suivent une distribution normale :
W (t + 1; , 2 ) W (t; , 2 ) N (, 2 ).
(2.1.7)
Cette distribution est dfinie par la fonction de densit f, (x) et la fonction caractristique
, () :
(
)
1 x 2
exp
f, (x) =
2
2 2
22
, () = exp i
.
2
1
(2.1.8)
(2.1.9)
Notons que la variance dun incrment est proportionnelle la longueur de celui-ci. Soit
deux incrments indpendants dun mme processus : I1 = W (t + q; , 2 ) W (t; , 2 )
N (q, q 2 ) et I2 = W (t + q + s; , 2 ) W (t + q; , 2 ) N (s, s 2 ). La somme de ces
21
incrments suit une distribution normale dont la moyenne et la variance sont respectivement
la somme de celles des deux incrments :
I1 + I2 N ((q + s), (q + s) 2 ).
(2.1.10)
Comme la distribution normale est aussi infiniment divisible, on peut obtenir la fonction
caractristique du processus (; t; , 2 ) en utilisant la proprit de convolution (A.2.13) :
2 t 2
2
(; t; , ) = exp it
.
(2.1.11)
2
On dduit donc facilement lexposant caractristique (; t = 1; , 2 ) dun incrment de ce
processus, sous la reprsentation de Lvy-Khintchine :
(; t = 1; , 2 ) = (i
22
).
2
(2.1.12)
Ceci dmontre que le processus de Wiener est un processus avec drive et diffusion, mais
sans composante de saut. Il pourra donc tre utilis pour construire un processus subordonn
(A.4.5).
2.1.3
(2.1.13)
22
(2.1.14)
Le processus de Laplace sans drive est donc, par dfinition, un processus de Lvy et par
consquent infiniment divisible. En utilisant lexposant caractristique (2.1.14) et la dfinition
(A.4.7), on obtient sa fonction caractristique :
Y (t;,, ) () = exp {t (, t = 1; , , )}
22
= exp t ln 1 + (
i)
2
t
22
i
= 1+
.
2
(2.1.15)
Une manire simple pour expliquer le mcanisme derrire le processus subordonn est den
construire une trajectoire laide de la simulation.
On simule un temps darrive T1 , de distribution gamma, puis une hauteur de saut X1 , de
distribution normale. On obtient ainsi le premier incrment de la trajectoire, tel quillustr
la figure 2.1.
X1
0
0
T1
Une ralisation dune trajectoire de ce processus par simulation se trouve la figure 2.2.
Le processus gamma G(t; , = 1), en tant que subordonnant dans ce cas-ci, dfinit une chelle
de temps conomique , selon laquelle on situe larrive dvnements pouvant influencer le prix
dun titre financier. Cette dernire ne peut tre mesure, elle est donc abstraite. Lchelle de
temps o sont effectues les observations du processus correspond au temps calendrier. Cest la
seule qui puisse tre mesure. tant donn que ces deux chelles sont indpendantes, plusieurs
sauts entre deux observations sont possibles. Lchelle de temps conomique est donc soit
tire, soit compresse, en comparaison au temps calendrier. Autrement dit, si lon dfinit
une journe conomique comme tant lintervalle de temps entre deux sauts, on peut en avoir
plusieurs au cours dune seule journe de calendrier (G(t + 1; , = 1) G(t; , = 1) > 1).
loppos, une dentre elles peut chevaucher plusieurs journes calendrier (G(t + 1; , =
1) G(t; , = 1) 1).
23
102
101
100
99
96
97
98
Y(t)
50
100
150
200
250
Figure 2.2: Simulation dun processus de Wiener subordonn par un processus gamma
Un processus stochastique qui reprsente le comportement du prix dun titre financier doit
inclure une composante de drive. Celle-ci exprime le rendement moyen ralis et est indpendante du processus de sauts. Pour cette raison, on ajoute un coefficient de drive au
processus de Laplace sans drive, pour obtenir sa forme gnrale. Comme ce coefficient est
constant, on peut multiplier la fonction caractristique (2.1.15) par la transforme de Fourier
inverse du produit de celui-ci et de la longueur de lintervalle de temps t, F 1 ( t) = eit ,
24
eit
1+
=
2 2
2
1+
t
ei
2 2
2
t
.
(2.1.16)
2.2
2.2.1
Fonction caractristique
25
Y = + W + W Z
(2.2.1)
o
Z N (0, 1) et W (, = 1).
Alors, la variable alatoire Y , sachant que W = w, suit une distribution normale de moyenne
w et de variance w 2 :
(Y |W = w) N (w, w 2 ).
(2.2.2)
La fonction caractristique de la variable alatoire Y peut donc tre obtenue en utilisant celle
de la loi normale N
w,w 2 (t) et la formule de lesprance conditionnelle :
Y (t; , , , ) = E E eitY |W
Z h
i
=
E eit(+w+ wZ) g(w)dw (en utilisant (2.2.1))
0
Z
it
=e
N
w,w 2 (t)g(w)dw
0
Z
w 2 t2
1
eiwt 2
= eit
w 1 ew dw
( )
0
Z
1 2 2
1
w 1 ew(1+ 2 t it) dw.
= eit
( )
0
En compltant lintrieur de lintgrale de faon retrouver la densit de la loi gamma de
paramtres = et = 1 + 12 2 t2 it , on obtient la fonction caractristique de la
variable alatoire Y de distribution Laplace asymtrique gnralise :
Z
1 + 12 2 t2 it
1 2 2
eit
Y (t; , , , ) =
w 1 ew(1+ 2 t it) dw
1 2 2
(
)
1 + 2 t it
0
=
2.2.2
eit
.
1 + 12 2 t2 it
(2.2.3)
Invariance dchelle
26
les paramtres et 2 sont influencs par la valeur de W . Ils sont donc corrls. En introduisant un paramtre dinvariance dchelle en remplacement de , on limine cette corrlation.
Le paramtre est obtenu laide de la transformation suivante :
p
2 2 + 2
=
.
2
(2.2.4)
=
2
1
.
(2.2.5)
T (, , , ) =
2 +2
2
(2.2.6)
T (, , , ) =
.
(2.2.7)
1
0
0
1
T =
4 2 +2 2
0
2 2 4 2 +mu2
0
0
Pour la seconde transformation, on a :
.
0
4 2 +2
4 2 +2
1
0
=
2 1
0 2
0
0
.
(2 +1)
22
(2.2.8)
(2.2.9)
27
La forme en sera privilgie pour lestimation, car elle est plus compacte. Cependant, certaines proprits de la distribution font appel la forme utilisant le paramtre .
2.2.3
Fonctions gnratrices
e
1
1 2 2
2
,
1
o 1 2 2 > 0.
2
(2.2.10)
(2.2.11)
La condition 2.2.11 permet de sassurer que le dnominateur prend une valeur relle strictement
positive. Cette condition impose aussi une restriction lespace des paramtres . La fonction
gnratrice des moments permet dobtenir tous les moments E[Y r ] dune variable alatoire
en la drivant successivement par rapport la variable de transformation et en galant cette
dernire 0 :
dr MY ()
E[Y ] =
d r
r
.
(2.2.12)
=0
e
1 12 2 2
!
,
1
1 2 2 > 0.
2
(2.2.13)
Elle a une utilit similaire la fonction gnratrice des moments, sauf quelle permet dobtenir
les cumulants Kr de la distribution en la drivant successivement par rapport la variable de
transformation et en galant celle-ci 0 :
r
d ln (MY ())
Kr =
.
d r
=0
2.2.4
(2.2.14)
En mathmatiques, les moments sont des quantits dcrivant la forme dun ensemble de points.
En statistique, les moments dcrivent certaines caractristiques dune population ou dun
chantillon. Ces caractristiques sont utilises dans la slection dune distribution de probabilit approprie pour reprsenter la population partir de lchantillon, ce quon appelle
28
linfrence statistique. Les moments bruts et centraux sont valus par rapport 0 et la
moyenne respectivement.
On obtient les premiers moments bruts de cette distribution laide de la relation dcrite
prcdemment (2.2.12).
E[Y ] = +
E[Y 2 ] = 2 + 2 + 2 + 2 2 + 2
E[Y 3 ] = 3 + 3 2 + 3 2 + 3 2 2 + 3 2
+ 3 2 + 3 2 + 3 3 + 3 3 2 + 2 3
E[Y 4 ] = 4 + 4 3 + 6 2 + 6 2 2 + 6 2 2
+ 12 2 + 12 2 + 4 3 3 + 12 3 2 + 8 3
+ 3 2 + 3 4 + 6 2 3 + 18 2 2 + 12 2 2
+ 4 4 + 6 4 3 + 11 4 2 + 6 4 .
partir de ceux-ci, on obtient aussi les quatre premiers moments centraux :
m1 = E[Y ] = +
(2.2.15a)
m2 = E[(Y m1 )2 ] = 2 + 2
3
(2.2.15b)
3
m3 = E[(Y m1 ) ] = 3 + 2
4
2 4
2 4
(2.2.15c)
4
2 2 2
2 2
m4 = E[(Y m1 ) ] = 3 + 3 + 3 + 6 + 6 + 12 .
(2.2.15d)
(m2 )3/2
(2 + 2 )3/2
3 4 + 6 2 2 + 3 4 2 + 6 4 + 12 2 2 + 3 4
m4
2 (Y ) =
3=
3. (2.2.16b)
(m2 )2
(2 + 2 )2 2
1 (Y ) =
29
Paramtre
Domaine
R
Rle
Localisation
R+ \ {0}
chelle
Asymtrie
R+ \ {0}
Asymtrie
R+ \ {0}
Aplatissement
Observations
Ninfluence que la moyenne. quivaut
au mode lorsque = 0.
Vrai paramtre dchelle lorsque est
utilis.
Distribution asymtrique gauche
lorsque ngatif et droite lorsque
positif. Dplace la moyenne dans
la mme direction. Corrlation positive avec la variance et le coefficient
daplatissement.
Valeur dans lintervalle [0, 1[ lorsque
< 0, dans [1, ] lorsque 0.
Ngativement corrl avec le coefficient daplatissement. Une petite valeur donne une distribution pointue.
Table 2.1: Domaine et rle des paramtres de la distribution de Laplace asymtrique gnralise
3
.
tant donn que le paramtre est strictement positif, la valeur minimale que peut prendre le
coefficient dexcs daplatissement 2 (Y ) est plus grande que 0. Par consquent, laplatissement
de la distribution de Laplace asymtrique gnralise sera toujours suprieur celui de la
normale ; cest donc une distribution leptocurtique, ce qui est une proprit dsirable selon les
observations de Madan et Seneta (1990).
2.2.5
Parfois, on doit modifier un ensemble de donnes afin deffectuer des comparaisons ou pour
bnficier des avantages dune mthode numrique. Les principales transformations utilises
sont :
1. un changement de localisation, o lon additionne une constante lensemble des donnes
2. un changement dchelle, o lon multiplie lensemble des donnes par un facteur
3. une combinaison des deux transformations prcdentes.
Soit deux constantes a, b 6= 0 et une variable alatoire X qui suit une distribution Laplace
asymtrique gnralise : X GAL(, , , ). Y correspond la somme :
30
0.7
GAL(x; 0, 1, 1, 1)
GAL(x; 0, 1, 2, 1)
GAL(x; 0, 1, 2, 2)
GAL(x; 0, 1, 0.5, 1)
0.2
0.3
f(y)
0.4
0.5
0.6
0.1
0.0
Figure 2.3: Fonction de densit de la distribution Laplace asymtrique gnralise avec diffrents paramtres : GAL(y; , , , )
de la constante b et
du produit :
de la constante a et
de la variable alatoire X.
Selon Kotz et al. (2001), en utilisant le paramtre , on peut effectuer un changement dchelle
et de localisation et obtenir une variable alatoire qui suit encore cette distribution :
le paramtre de localisation subit la mme transformation que la variable alatoire X ;
le paramtre dchelle est multipli par la constante a ;
le paramtre est invers si cette constante est ngative. Ce dernier cas est en fait une
rflexion de la distribution autour du mode.
31
On a donc :
Y = aX + b GAL(a + b, a, sgn a1 , ).
(2.2.17)
(2.2.18)
Le paramtre nest pas modifi puisque lcart-type s est strictement positif. Cette proprit
permettra de pratiquer lestimation sur des donnes centres et rduites, ce qui diminue le
risque derreurs numriques sans nuire sa prcision, puisquaucune information contenue
dans lchantillon nest perdue.
2.2.6
Le processus de Laplace Y (t; , , , ) peut tre reprsent sous la forme dune diffrence
de deux processus gamma G1 (t; ) G2 (t; ) laquelle on additionne une composante de
drive. Le premier processus compte les gains, alors que le second, les pertes. Les deux ont
des incrments qui suivent une distribution gamma ( = , = 1), cest--dire la mme
distribution que le processus subordonnant utilis la section 2.1.3 :
Gi ( ) (, = 1) ,
i {1, 2} .
(2.2.19)
(2.2.20)
La distribution de Laplace asymtrique gnralise peut alors tre reprsente sous la forme
dun incrment de ce processus. Les variables alatoires G1 et G2 sont respectivement des
ralisations indpendantes de distribution gamma avec densit (2.1.3) :
2 1
d
G1 G2 .
Y =+
2
(2.2.21)
Simuler une ralisation de chacune dentre elles suffira pour obtenir une ralisation de la
distribution gamma. On peut aussi rcrire la dfinition prcdente de la variable alatoire Y
(2.2.21) sous la forme simplifie suivante :
d
Y = + (G3 G4 ) .
32
(2.2.22)
.
G4 , =
2
On peut facilement dmontrer lquivalence en distribution (2.2.22). En effectuant le produit
des fonctions caractristiques respectives Y (), G3 () et G4 () des variables alatoires Y ,
G3 et G4 , on retrouve celle de la forme en :
Y () = ei G3 () G4 ()
!
1
= ei
1 + i
2
=
1
1 i
ei
1 i 2
+
2 2
2
.
(2.2.23)
La figure 2.4 prsente un histogramme et un estimateur de densit par noyau dun chantillon
de 2500 ralisations de la variable alatoire Y , suivant une distribution de Laplace asymtrique
gnralise de paramtres = 0, = 1, = 2 et = 1. On remarquera que le paramtre
produit une distribution asymtrique gauche puisquil prend une valeur suprieure 1.
2.2.7
(2.2.24)
tration qui permet dobtenir la fonction de densit est fonde sur la dfinition de la distribution
utilisant la diffrence de deux processus gamma (2.2.21). Elle est dveloppe par Kozubowski
et Podgrski (1999) :
sgn(x) |x| Z
e
y 1 (|x| + y) 1 ey dy
( )
0
1/2
1
|x|
|x|
x/2
e
K 1/2
=
.
2
( )
f (x) =
(2.2.25)
33
0.5
0.4
0.3
0.0
0.1
0.2
f(y)
10
Figure 2.4: Histogramme et estimateur de densit par noyau de 2500 ralisations de la variable
alatoire Y GAL( = 0, = 1, = 2, = 1)
f (x) =
2e 2 (1/)(x)
+1/2
( )
2|x |
+ 1/
1/2
K 1/2
!
2 1
+ |x | .
2 k
(2.2.26)
34
ont motiv la recherche dautres mthodes destimation plus efficaces pour cette distribution.
2.3
Cas particuliers
La distribution de Laplace asymtrique gnralise peut tre considre comme une extension
de plusieurs cas particuliers. Ces distributions ainsi que leur notation et leur fonction de densit
sont prsentes dans la table 2.2.
Cas
=0
=0
>0
=1
=0
=0
>0
>0
=0
=1
>0
6= 0
=1
=0
=0
=0
Distribution
Notation
Densit
GAL(0, 0, , 1)
1 x/
(x
e
GAL(0, 0, , )
x 1 ex/
( ) , (x
GAL(, , 0, 1)
1 e 2|x|/ , (x
2
Dgnre
GAL(, , , 1)
2
(1+2 )
> 0)
> 0)
R)
( 2
e (x) , x
GAL(, 0, 0, 0)
e (x) ,
x<
1x=
Les deux premiers cas spciaux sont des distributions de probabilit classiques. Lattention
sera porte sur la distribution de Laplace asymtrique et son cas spcial, celle de Laplace
symtrique. La dgnre na aucune application pratique, mais en mentionner lexistence est
pertinent, puisque ce ne sont pas toutes les distributions qui admettent ce cas.
2.3.1
35
possde des moments finis. Les paramtres , et conservent leurs rles et proprits dfinis
la section 2.2.4. On peut donc contrler la localisation, lchelle et lasymtrie de la distribution. Cependant, aucun paramtre ne permet de contrler le coefficient daplatissement.
La densit de probabilit de cette distribution f (x; , , ) prsente une forme analytique
simple qui ne requiert pas le recours la fonction de Bessel modifie de troisime type (2.2.24).
2
exp
(x
)
, x
2
f (x; , , ) =
2
1 + 2 exp
x < .
( x) ,
(2.3.1)
eit
1+
2 t2
2
i 2
.
t
(2.3.2)
Cette dernire est utilise principalement lorsque lapplication dune proprit ncessite une
distribution avec un seul paramtre dchelle. La seconde paramtrisation de cette distribution
utilise le paramtre qui nest pas invariant dchelle. Cette paramtrisation donne une forme
beaucoup plus simple de la fonction caractristique (2.3.2) :
(t, , ) =
eit
1+
2 t2
2
it
(2.3.3)
1
Y =+
W1 kW2
(2.3.4)
2
o
W1 Exponentielle
et W2 Exponentielle
Cette mthode nest cependant pas la plus efficace pour simuler une ralisation Y de la distribution de Laplace asymtrique, car on peut la faire partir de deux ralisations indpendantes
U1 et U2 dune variable alatoire uniforme dfinie sur lintervalle [0, 1] :
U1
Y = + ln 1/
.
2 U2
36
(2.3.5)
Yi
i=1
Yi AL(, , ).
2.4
Le modle Variance Gamma de Madan et Seneta (1990) utilise une paramtrisation diffrente
de celle de Kotz et al. (2001). On doit, afin de conserver une compatibilit des dveloppements
des prochains chapitres, dtailler les changements de paramtres qui permettent de passer dun
modle lautre. Le modle Variance Gamma utilise les paramtres C, , et . Afin dviter
la confusion, les paramtres seront indics de 1 3 selon le modle do ils proviennent. Le
modle 1 sera celui de Madan et Seneta (1990), les modles 2 et 3 seront respectivement les
paramtrisations en et en de Kotz et al. (2001). Les diffrentes quivalences se trouvent
la table 2.3.
Vers le modle
1
C
1
1
=
=
=
=
2
2
=
=
=
=
3
3
=
=
partir du modle
2
2
2 2
2
1/2
1
C
1
1
1/
1
C
2(1 )2 +(1 )2 1
1 2
1/
=
=
=
=
=
=
=
=
=
=
partir du modle
3
3
3 3
3 3 (1/ )/ 2
1/3
3
3
3
3 (1/ )/ 2
3
2
2
2
=
=
2(2 )2 +2
2 2
37
Chapitre 3
Approximation de la densit et de la
fonction de rpartition
Il existe plusieurs situations o il nest pas possible dobtenir une forme analytique des fonctions de densit et de rpartition de la distribution dune variable alatoire. Cest particulirement le cas pour la majorit des distributions issues dun processus de Lvy, des sommes
de longueur finie ou alatoire de variables alatoires et des mlanges de distributions. Cependant, dans la majorit de ces cas, il est facile dobtenir la fonction caractristique ou encore
la fonction gnratrice des moments. Dailleurs, il pourrait tre intressant dutiliser lintgration numrique afin dobtenir les transformes de Fourier ou de Laplace de ces fonctions. Par
contre, la convergence de ces mthodes dintgration est souvent lente, cest--dire quil faut
un pas de discrtisation trs fin afin dobtenir une approximation satisfaisante (Lugannani et
Rice, 1980). Il est aussi possible dutiliser lalgorithme de la transforme de Fourier rapide,
mais celui-ci a comme dsavantage dtre trs peu prcis dans lvaluation des probabilits aux
extrmits du support de la densit (figure 3.1).
Cest dans cette optique quont t dveloppes les approximations par la mthode du point
de selle. Puisque celle-ci requiert lutilisation de lapproximation de Laplace pour la fonction
de densit et de lapproximation de Temme pour la fonction de rpartition, on les introduit
avant de dvelopper la mthode proprement parler. Il est noter que la majorit de ces
dmonstrations sont tires de Butler (2007) qui prsente une monographie assez complte sur
la mthode du point de selle.
3.1
Lapproximation de Laplace
39
f(x)
x
P(X>y)
Figure 3.1: Probabilit lextrmit du support
forme suivante :
Z
g(x)
e
c
2eg(x)
.
dx p
g 00 (
x)
(3.1.1)
(3.1.2)
(3.1.3)
Z d
2eg(x) 5 2 1
g(x)
e
dx p
4
24 3 8
g 00 (
x)
c
(3.1.4)
i =
40
g (i) (
x)
{g 00 (
x)}i/2
i 3.
(3.1.5)
3.2
Lapproximation de Temme
Lapproximation de Temme sera utilise afin de driver la mthode du point de selle pour
la fonction de rpartition. On considre une variable alatoire Zw0 de distribution normale
standard tronque de telle sorte quelle ne puisse prendre des valeurs suprieures au point w0 .
f (zw0 )
zw0
w0
Figure 3.2: Distribution normale tronque w0
On dfinit lesprance dune fonction h de cette variable alatoire, partir des fonctions de
densit (w) et de rpartition (w) de la loi normale, comme suit :
R w0
E[h(Zw0 )] =
h(w)(w)dw
(w0 )
(3.2.1)
w0
w0
h(w) h(0)
w(w)dw
w
Z w0
h(w) h(0)
= h(0)(w0 )
d(w) (car w(w)dw = d(w))
w
w=w0
h(w) h(0)
h(0)(w0 )
(w)
.
w
w=
Z
h(w)(w)dw = h(0)(w0 ) +
On ignore lintgrale de lintgration par parties, puisquelle prend une petite valeur, pour
obtenir lapproximation de Temme :
w0
h(w0 ) h(0)
h(w)(w)dw h(0)(w0 ) + (w0 )
.
w0
(3.2.2)
41
3.3
3.3.1
Approximation de la densit
Soit une variable alatoire Y dont on cherche valuer la fonction de densit fY (y). Les
fonctions gnratrices des moments MY (s) et des cumulants KY (s) sont dfinies de manire
quivalente par les intgrales suivantes, o lon cherche une forme qui permettra dutiliser
lapproximation de Laplace :
MY (s) = e
KY (s)
=
Z
=
Z
esy fY (y)dy
(3.3.1)
esy+ln fY (y) dy
(3.3.2)
eg(s,y) dy.
(3.3.3)
Cette intgrale doit converger pour toute valeur s comprise dans un intervalle ]c1 , c2 [ contenant lorigine et o la somme des bornes est positive : c1 + c2 > 0. Cet intervalle doit tre
choisi de sorte quil soit le plus grand possible. On considre pour linstant que la fonction
g(s, y) = sy ln fY (y) rpond aux conditions de lapproximation de Laplace nonces au
dbut de la section 3.1. On obtient alors lapproximation suivante pour une valeur de s fixe :
s
2
eK(s)
ys ).
(3.3.4)
esys fY (
00
g (s, ys )
La valeur ys est celle qui minimise la fonction g(s, y) pour un point s fix. Cest donc la
solution de la condition de premier ordre :
0 = g 0 (s, ys )
ln (fY (
ys )
ys
ln (fY (
ys )
s=
.
ys
=s+
(3.3.5)
Lhypothse pose afin de faire lapproximation est que la fonction g(s) est convexe, ce qui
implique que la drive seconde de celle-ci est positive (
2 g(s,y)
y 2
la relation entre le point de selle s et le point ys dtermin par lquation (3.3.5). En drivant
celle-ci par rapport au point ys , on constate quil existe une relation croissante et monotone
42
(3.3.6)
On doit maintenant trouver une solution de lquation de premier ordre (3.3.5). Pour ce faire,
on isole le terme ln fY (y) dans lquation (3.3.4) :
1
2
2
.
ln fY (y) K(s) s
ys ln
ln (fY (
ys ))
2
(3.3.7)
ys2
Si lon considre que le dernier terme de la soustraction est relativement constant par rapport
au point ys , alors sa drive sera pratiquement nulle. Ce terme peut donc tre nglig dans la
prochaine tape, o on drive (3.3.7) par rapport ys :
s
ln fY (
ys )
K 0 (s) ys
s.
ys
ys
(3.3.8)
(3.3.9)
Cela conduit donc lquation qui met en relation le point de selle s et le point ys :
ys = K 0 (s).
(3.3.10)
Enfin, la dernire relation consiste exprimer g 00 (s, ys ) seulement en fonction du point de selle
s en utilisant la condition de second ordre (3.3.6) et en drivant lquation prcdente (3.3.10)
en s :
2 ln (fY (ys ))
ys2
ds
=
d
ys
d
ys 1
=
ds
1
= K 00 (s)
.
g 00 (s, ys ) =
(3.3.11)
On peut donc rcrire lapproximation de Laplace (3.3.4) en utilisant les relations (3.3.10) et
(3.3.11) :
p
2K 00 (s) exp {s
ys }fY (ys )
1
fY (ys ) p
exp {K(
s) sy} = fY (y).
2K 00 (
s)
eK(s)
(3.3.12)
43
Lquation (3.3.12) est une approximation par la mthode du point de selle de la densit de
la variable alatoire Y au point ys .
Par convention, on considre que lapproximation fY (y) est une fonction de densit, mais, elle
nen est pas exactement une puisquelle nintgre pas 1. Cependant, il est possible de la
normaliser en calculant la valeur de lintgrale de celle-ci sur le domaine de la distribution,
puis en divisant lapproximation fY (y) par celle-ci :
Z
fY (y)dy 6= 1
c=
(3.3.13a)
f Y (y) = c1 fY (y),
3.3.2
y .
(3.3.13b)
Daniels (1954) dmontre que lquation du point de selle (3.3.10) a une solution unique dans
lintervalle [c1 , c2 ] slectionn prcdemment lorsque y0 est situ dans un intervalle [a, b].
Pour ce faire, il prsente une condition essentielle. Les limites infrieure et suprieure de la
drive premire de la fonction gnratrice des cumulants doivent correspondre aux points a
et b respectivement (3.3.14) :
lim K 0 (s) = b
(3.3.14)
lim K 0 (s) = a.
(3.3.15)
sc2
sc1
M (s, y0 ) =
(y y0 )es(yy0 ) dF (y).
(3.3.16)
3.3.3
44
le changement de variable y 7 w
dfini comme suit :
w
2
= sy K(
s).
2
(3.3.17)
La valeur w
y est obtenue en rsolvant lquation du point de selle pour la racine s et en
remplaant celle-ci dans lquation (3.3.17). Ce changement de variable est une transformation
monotone, continue et croissante dont la drive est donne par lquation suivante :
w/
s,
s 6= 0
dy
(3.3.18)
= p
dw
K 00 (0), s = 0.
Lapproximation de premier ordre de la fonction de rpartition sobtient en intgrant celle de
premier ordre de la densit (3.3.12) sur ce mme intervalle laide du changement de variable
(3.3.17) :
Z
FY (y)
Z
=
w
y
Z
=
1
p
exp {K(s) sx}dx
2K 00 (s)
1
p
(w)dx
K 00 (s)
w
p
(w)d
w.
s K 00 (s)
(3.3.19)
h(w)
= p
.
s K 00 (s)
On obtient ainsi lapproximation de premier ordre de la fonction de rpartition :
1 h(w
y )
w
y
1
1
(w
y ) + (w
y )
.
w
y
u
y
FY (y) (w
y ) + (w
y )
(3.3.20)
3.3.4
(3.3.21a)
(3.3.21b)
Les approximations par la mthode du point de selle ont pour principale proprit de respecter le principe dinvariance. Cette proprit permet notamment dobtenir une approximation
45
de la densit ainsi que la fonction de rpartition en utilisant des paramtres estims partir
dun chantillon de donnes centres et rduites. Puis, elle permet dappliquer la transformation linaire Y = X + , telle quutilise la section 2.2.5, tout en conservant la mme
approximation.
Une autre proprit de ces approximations est quelle respecte la symtrie de la distribution.
Ainsi, lorsque la distribution est asymtrique, on doit sattendre ce que lapproximation le
soit aussi.
3.4
3.4.1
!
es
1 21 2 s2 s
2 s2 + 2 2 2 s 2 2
,
=
2 s2 + 2s 2
1
o 1 2 s2 s > 0.
2
=
ln
s
(3.4.1)
(3.4.2)
sy =
2
.
(3.4.3)
2
(y )
46
(3.4.4)
On peut maintenant dterminer quelle valeur sy utiliser, car la fonction KY00 (s) sera positive
pour celle-ci. De manire quivalente, on utilise la condition 2.2.11, qui permet lexistence de
la fonction gnratrice des moments, afin didentifier plus aisment la solution unique.
On peut maintenant valuer (3.3.12), pour obtenir lapproximation de premier ordre de la
fonction de densit de la distribution de Laplace asymtrique gnralise.
3.4.2
47
Chapitre 4
4.1
Introduction
On considre un chantillon de taille T form de plusieurs ralisations y = y(1), . . . , y(T ) indpendantes entre elles et identiquement distribues. Selon le modle paramtrique, cet chantillon est form de ralisations dune variable alatoire Y suivant une distribution particulire.
Le vecteur de paramtres de celle-ci, , de longueur a, appartenant lespace Ra , doit
tre estim partir de lchantillon. Une premire approche consiste maximiser la fonction
de vraisemblance L(; y), qui quivaut au produit de la densit f (y; ) value chacune des
ralisations y(t) :
L(; y) =
T
Y
f (y(t); ),
(4.1.1)
t=1
Lestimateur est, dans ce cas, la valeur pour laquelle lchantillon a la plus grande probabilit
dtre observ. Cependant, puisque cela apporte plusieurs simplifications intressantes, on
cherchera maximiser la fonction de log-vraisemblance l(; y) = ln (L(; y)) :
= arg max l(; y).
(4.1.2)
(4.1.3)
49
Cette mthode permet dobtenir un estimateur convergent de variance minimale, car elle utilise
lensemble de linformation contenue dans lchantillon. Cependant, la fonction de vraisemblance doit pouvoir tre spcifie sous une forme analytique, et de plus, celle-ci doit tre
diffrentiable afin de pouvoir utiliser cette mthode, ce qui nest pas le cas avec la distribution
de Laplace asymtrique gnralise. Lorsque cette situation se prsente, une mthode alternative est prfre, celle des moments gnralise, comme propose par Hansen (1982). Celle-ci
est dcrite par Hamilton (1994) dans le contexte de ltude des sries chronologiques. Elle a
pour avantage de ncessiter seulement la spcification de certaines conditions de moment. Par
contre, elle nutilise pas toute linformation fournie par lchantillon, ce qui ne permettra pas
dobtenir un estimateur de variance minimale.
4.1.1
(4.1.4)
Cette mthode consiste rsoudre un systme dquations (4.1.5) o lon gale les moments
empiriques mi () ceux de la distribution m(y).
P
m1 () = T1 Tt=1 yt
m2 () = 1 PT y 2
t=1 t
T
..
ma () = T1 Tt=1 yta
(4.1.5)
4.2
La mthode classique des moments utilise le mme nombre dquations destimation que de
paramtres (r = a). De plus, le systme dquations form par celles-ci doit admettre une
50
solution relle appartenant lespace des paramtres , ce qui nest pas toujours le cas.
Lorsque ces deux conditions ne sont pas runies, on doit choisir un vecteur de paramtres
pour lequel les moments de la population mi ont une valeur la plus prs possible de ceux de
lchantillon m
i correspondants. Cette distance est note par le vecteur g(; y) et correspond
au cas le plus simple de la mthode des moments gnralise.
m1 m
1
..
.
g(; y) =
.
mr m
r
(4.2.1)
Pour obtenir ces estimateurs, on cherchera plutt minimiser une fonction objectif note
Q (; y), qui correspond une norme quadratique pondre par une matrice dfinie positive
W :
Q (; y) g(; y)0 W g(; y).
(4.2.2)
Hansen (1982) nomme cette procdure mthode des moments gnralise. Elle est aussi
nomme mthode du 2 minimum par Berkson (1980), bien quelle nen soit quun cas
particulier. On retrouve aussi le nom destimateur de distance minimale, par Wolfowitz (1957).
4.2.1
Dfinition
(4.2.3)
(4.2.4)
(4.2.5)
t=1
Lide derrire la mthode des moments gnralise est de choisir un ensemble de paramtres
de sorte que la valeur de la fonction g(, yT ) soit aussi prs que possible du vecteur nul
51
0r . Selon la norme utilise pour mesurer cette distance, les proprits de lestimateur T vont
varier. tant donn les nombreuses proprits bien tablies dans le domaine des statistiques,
on utilise la norme quadratique avec pondration, appele aussi moindres carrs gnraliss,
qui prend la forme suivante :
Q(, yT ) = [g(, yT )]0 WT [g(, yT )] .
(4.2.6)
Cette fonction de minimisation permettra dutiliser des tests statistiques bass sur la distribution 2 de Pearson. La matrice carre WT de dimension r r est dfinie positive et est
habituellement une fonction des donnes de lchantillon yT et des paramtres . Une matrice
de pondration optimale sera dtermine la section 4.2.3.
4.2.2
Convergence
(4.2.7)
Lorsque le nombre de conditions de moments est plus grand que celui des paramtres, on
ne pourra pas obtenir une solution pour lquation prcdente (4.2.7). La proximit entre la
valeur de chaque condition de moment et 0 sera dtermine par la matrice de pondration WT .
tant donn que la fonction g(T , yT ) est la moyenne chantillonnale de la fonction alatoire
h (0 , Y ), on a, par la loi des grands nombres, la relation suivante entre ces deux quantits :
P
g(, yT ) E [h (, Y )] .
(4.2.8)
R.
(4.2.9)
Il est aussi ergodique, cest--dire que lon peut dduire les proprits du processus
partir dun chantillon (ou ralisation) suffisamment long de celui-ci. Entre autres,
la moyenne et la variance dun chantillon recueilli sur une priode en particulier sont
reprsentatives de celles de nimporte quel autre intervalle de temps de ce processus.
52
Dans ces deux dernires situations, on parle aussi de convergence en moyenne (L1 ) et en
norme quadratique (L2 ) :
lim E (|YT Y |r ) = 0,
r {1, 2} .
(4.2.10)
(4.2.11)
Cette condition dfinit lunicit du vecteur de paramtres, car si la distance est nulle,
les estimateurs correspondent aux vrais paramtres :
= 0 = 0 ,
0 .
(4.2.12)
3. La fonction h (, y) est mesurable au sens de Borel pour chaque vecteur , cest-dire quun sous-ensemble de lespace des paramtres existe pour chaque valeur quelle
peut prendre. De plus, la fonction est continue sur lensemble pour chaque chantillon
y.
4. Lesprance de la fonction h (, Y ) existe et est dfinie pour toute valeur . De plus,
par dfinition, lesprance de la fonction pour les vrais paramtres est de 0 :
E [h (0 , Y )] = 0.
5. La squence de matrices de pondration {WT }
T =1 converge presque srement, lment
par lment, vers une constante W0 , en utilisant la norme valeur absolue dfinie prcdemment (4.2.11).
T est un estimateur convergent de lorsque les conditions prcdentes sont respectes.
T = arg min Q(, yT )
(4.2.13)
4.2.3
(4.2.14)
(4.2.15)
=0
53
(4.2.16)
(4.2.17)
(4.2.18)
T
1X
=
[g (0 , y(t))] [g (0 , y(t))]0 .
T
(4.2.19)
t=1
(4.2.20)
t=1
Lestimateur de la matrice de pondration optimale est alors dfini comme tant linverse de
la variance-covariance estime :
T = S
yT ).
1 (;
W
T
(4.2.21)
54
4.2.4
La mthode des moments gnralise itrative de Hall (2005) permet de contourner le problme
yT ). Elle consiste, en premier lieu, calculer un estimateur
T (;
de lestimation de la matrice S
prliminaire (0) , en utilisant la matrice identit WT = Ir dans lquation (4.2.13). On suggre
dutiliser un vecteur de valeurs initiales I obtenues par une autre mthode destimation,
lorsque possible, comme point de dpart de loptimisation numrique.
laide de lestimateur initial (0) , on obtient une premire valuation de la matrice de pondration :
i1
h
.
WT = ST ((0) ; yT )
(4.2.22)
Par la suite, on rpte cette procdure jusqu ce quon obtienne deux estimateurs conscutifs
(j)
(j+1)
( et
) qui ne sont pas significativement diffrents, selon un critre darrt i < .
T
Ce critre darrt prendra ici la forme suivante, qui correspond la norme euclidienne de la
diffrence entre les deux derniers estimateurs obtenus :
i =
rh
(i)
(i1)
T T
i0 h
i
(i)
(i1)
T T
.
(4.2.23)
On peut aussi fixer un nombre maximal ditrations imax si lon ne parvient pas obtenir le
niveau de prcision voulu. Par contre, dans cette situation, on prfre utiliser un autre point
de dpart.
(i)
Chaque estimateur T a la mme distribution asymptotique. La mthode itrative a pour
avantage, en pratique, que les estimateurs produits sont invariants dchelle et ne dpendent
pas de la matrice WT initiale.
4.2.5
On considre T , la valeur qui minimise la fonction objectif Q(, yT ) (4.2.17). Cette minimisation quivaut rsoudre le systme non linaire o lon gale la drive de lquation
doptimisation 0 :
d
Q(, yT ) =
d0
0
d
T g(, yT )
g(, yT )
W
0
d
(4.2.24)
= 0.
55
o le gradient D0 (, yT ) est
0
d
D (, yT ) =
g(, yT )
d0
d
g1 (, yT )
d1 .
..
..
=
.
d
dk g1 (, yT )
d
d1 ga (, yT )
..
.
d
dk ga (, yT )
(4.2.25)
(4.2.26)
Cette relation permet de conclure que lestimateur est gaussien. On na donc qu calculer
sa variance-covariance asymptotique.
n o
T
Soit S
, une squence de matrices (rr) dfinies positives qui convergent en probabilit
T =1
On ajoute que la fonction g(, yT ) doit tre diffrentiable par rapport au vecteur pour tout
chantillon yT .
On doit pralablement poser un ensemble de conditions supplmentaires de rgularit :
1. Lestimateur T converge en probabilit vers la vraie valeur des paramtres 0 :
P
T 0 .
(4.2.27)
|
=T
d0
dg(, yT )
|=0 .
= plim
d0
DT0 (, yT ) plim
56
(4.2.28)
dg(,yT )
d0
=
(4.2.29)
WT
de dimension (a r) :
!
dg(, yT )
WT g(0 , yT )
d0
=T
!
dg(, yT )
0
0 .
D
(,
y
)
W
T
T
T
d0
=T
(4.2.30)
Lquation de premier ordre (4.2.24) nous indique que le ct gauche de lgalit prcdente
(4.2.30) vaut 0. On retrouve alors une expression de la distance entre lestimateur et la vraie
valeur des paramtres, qui dpend de la matrice de pondration, de la fonction g(0 , yT ) et
du gradient DT0 (, yT ) :
#1
dg(, yT )
0
=
WT DT (, yT )
d0
=T
dg(, yT )
WT g(0 , yT ).
d0
=T
"
(4.2.31)
(4.2.32)
P
T 0 C(, yT ) T g(0 , yT ).
(4.2.33)
57
L
T ( 0 ) N (0, J01 )
(4.2.34)
o
J01 = C(, yT ) {WT }1 C(, yT )
1
= D(, yT )WT D0 (, yT )
D(, yT )WT {WT }1
1
WT D0 (, yT ) D(, yT )WT D0 (, yT )
1
= D(, yT )WT D0 (, yT )
.
4.3
(4.2.35)
La mthode des moments gnralise suppose que le vrai vecteur de paramtres 0 appartient
lensemble . En pratique, les paramtres sont souvent soumis certaines contraintes
lgalit.
On dfinit un ensemble de q contraintes linaires implicites appliques au vecteur de paramtres
de longueur a :
(4.3.1)
1
r(1,0)
r(1,1) . . . r(1,a)
. .
.
..
..
. .
..
.
.
. = . .
a
r(q,0)
r(q,1) . . . r(q,a)
{z
} | {z } | {z }
|
(4.3.2)
Afin de les inclure dans un problme de minimisation, on prfrera utiliser la notation a() =
R r. On notera au passage que le gradient du vecteur de contraintes quivaut la matrice
de coefficients :
a() = R.
0
(4.3.3)
Ainsi, on peut estimer les paramtres de la distribution contrainte laide de la mthode des
moments gnralise, de manire analogue la distribution non contrainte, comme il a t
58
(4.3.4)
(4.3.5)
La solution optimale sobtient en rsolvant les conditions de premier ordre par rapport au
vecteur de paramtres et celui des multiplicateurs de Lagrange :
a()
0 T = 0
QT ()
0
= 0.
a()
(4.3.6)
(4.3.7)
4.3.1
Supposons que les conditions de premier ordre sont deux fois continment drivables par
rapport au vecteur . On dveloppe les quations (4.3.6) et (4.3.7) autour de la vraie valeur
1
1 2
T
0
QT (0 ) +
Q
(
)
T ( 0 ) 0 a()
0
0
T
0
T
T
T
a(
)
T ( 0 ) 0.
0
0
(4.3.8a)
(4.3.8b)
1 2
QT (0 ).
T 0
(4.3.9)
59
QT (0 ) J0 T ( 0 ) 0.
T
(4.3.10)
En combinant ces deux dernires expressions, on peut formuler les conditions de premier ordre
(4.3.8) comme tant asymptotiquement des fonctions linaires de lestimateur non contraint
T ( 0 ) :
T
J0 T ( 0 ) J0 T ( 0 )
a(0 )0 0
a(0 ) T ( 0 ) 0.
0
(4.3.11)
(4.3.12)
T ( 0 )
T
T ( 0 ) J01 a(0 )0 .
(4.3.13)
0 ) a(0 )J 1 a(0 )0
a(
)
T
(
+
a(
)
T ( 0 ) 0.
0
0
0
0
0
0
T
Comme le rang de la matrice
0 a(0 )
(4.3.14)
0
0 a(0 )J0 a(0 )
T
en fonction des estiest inversible, et lon peut donc isoler le multiplicateur de Lagrange
T
1
0
T ( 0 ).
(4.3.15)
a(
)J
a(
)
a(
)
0
0
0
0
0
0
T
1
1
1
1
0
0
T ( 0 ) I J 0
a(0 )
a(
)J
a(
)
a(
)
T ( 0 )
0
0
0 J0
0
0
0
|
{z
}
P
(4.3.16)
(I P ) J0
T ( 0 ).
60
(4.3.17)
4.4
(4.3.18)
Les tests dhypothses paramtriques sont utiliss afin dvaluer une hypothse concernant
les paramtres dune distribution, en fonction dun chantillon de donnes. Afin deffectuer
ces tests, on prsume que la diffrence entre lestimateur et la vraie valeur des paramtres
0 suit une distribution normale multivarie. Les hypothses sont habituellement formules
sous la forme de contraintes linaires, ainsi, les statistiques de test sont obtenues partir
du calcul matriciel. Les trois tests les plus couramment utiliss dans le cadre de lestimation
par maximum de vraisemblance peuvent tre adapts la mthode des moments gnralise
(Newey et McFadden, 1994). Pour lensemble de ces tests, lhypothse nulle correspond la
contrainte linaire suivante :
H0 : a() = R r = 0.
4.4.1
(4.4.1)
Test de Wald
Le test de Wald permet de vrifier si la diffrence entre lestimateur non contraint et lestimateur contraint est significative. Les contraintes linaires poses ne seront pas applicables
lorsque le rsultat est positif. Pour ce faire, on doit connatre la distribution asymptotique de
celle-ci. Comme la distribution asymptotique des deux estimateurs est normale, alors celle de
cette diffrence lest aussi :
N (0, T P J 1 ).
( )
0
(4.4.2)
h
i
h
i
h
i
T = E
T 0 + E
T 0
=00
=0
h
i
h
i
h
i
V
T = V
T 0 + V
T 0
(4.4.3)
= T (I + (P I)) J01
= T P J01 .
(4.4.4)
61
(4.4.5)
1
0
1
0
= T J01 a(0 )0
a(
)J
a(
)
.
a(
)
0
0
0
0
0
On rejettera lhypothse nulle (4.4.1) lorsque la valeur de la statistique W ALD,1 sera suprieure un seuil critique 2q,1 au niveau de confiance 1 .
Une version asymptotiquement quivalente de ce test qui ne requiert pas de calculer la valeur de
lestimateur contraint existe. Ce test est quivalent lorsque les contraintes dfinissent certains
paramtres comme des constantes. On vrifie si un cas particulier dune distribution sapplique,
par exemple avec celle de Laplace asymtrique gnralise.
On dfinit alors la statistique W ALD,2 , qui a aussi asymptotiquement une distribution 2
avec q degrs de libert. Par contre, ici, on teste si la valeur de la contrainte linaire est
significativement diffrente de 0 :
4.4.2
W ALD,2
= T a ()
1
1 0
a(0 )J0
a (0 )
a().
0
(4.4.6)
QT (),
QT ().
QT ()P
(4.4.7)
On rejettera lhypothse nulle (4.4.1) lorsque la valeur de la statistique LM,1 sera suprieure
un seuil critique 2q,1 au niveau de confiance 1 .
On peut construire un test quivalent, bas sur la valeur du multiplicateur, dont la matrice de
variance-covariance est linverse de celle de la contrainte. On dfinit alors la statistique LM,2
62
suivante :
LM,2 = T 0
4.4.3
a(0 )J01 a0 (0 ).
0
(4.4.8)
La statistique de mtrique de distance est base sur la diffrence entre les valeurs minimales
de la fonction objectif QT () obtenues lors de loptimisation avec contraintes (4.3.4) et sans
contraintes (4.2.13).
On dfinit la statistique DM :
h
i
QT ()
.
DM = T QT ()
(4.4.9)
Cette statistique a asymptotiquement une distribution 2q avec q degrs de libert. Elle est
lanalogue de la statistique du ratio de vraisemblance dans le cadre de lestimation par la
mthode du maximum de vraisemblance.
Le test bas sur la mtrique de distance vrifie que la contrainte (4.3.2) pose lors de lestimation du vecteur est valide. Un des dsavantages de ce test est quil requiert deux optimisations.
Par contre, on peut facilement rcuprer les valeurs de QT () lors de lestimation.
On rejettera lhypothse nulle (4.4.1) lorsque la valeur de la statistique DM sera suprieure
un seuil critique 2q,1 au niveau de confiance 1 .
4.4.4
En rsum
On rassemble les diffrentes statistiques permettant deffectuer un test dhypothse paramtrique la table 4.1.
Statistique
W ALD,1
W ALD,2
LM,1
LM,2
DM
Valeur
0
1
1
T J0
a(0 )0 0 a(0 )J01
a(0 )0
a(
)
0
0
0 a(0 )J 1 a0 (0 ) 1 a()
T a0 ()
0
QT ()
T QT ()P
0
T 0 0ha(0 )J01
a (i0 )
QT ()
T QT ()
Table 4.1: Tests dhypothse paramtriques pour la mthode des moments gnralise
63
Chapitre 5
T
X
u(; Y )w(; Y ).
(5.0.1)
t=1
En faisant abstraction du vecteur de pondration w(; Y ), on retrouve une forme qui rappelle
la mthode des moments gnralise. La fonction destimation u(; Y ) dfinit, dans ce cas,
des conditions de moment. Toutefois, en faisant abstraction de la matrice S(; Y ), on obtient
une classe dquations destimation g(; Y ) qui gnralise plusieurs mthodes connues, comme
dvelopp par Crowder (1987) :
g(; Y ) =
T
X
u(; Y )w(; Y ).
(5.0.2)
t=1
La proprit fondamentale de toute quation destimation est que son esprance est nulle.
Lquation destimation (5.0.1), et donc (5.0.2), produit des estimateurs sans biais :
E [g(; Y )] = 0.
(5.0.3)
65
(5.0.4)
On dsigne la moyenne et la variance de la distribution par les notations () et 2 () respectivement. On dfinit aussi les drives premires de la moyenne et de lcart-type par rapport
au vecteur de paramtres :
d ()
d
p
d 2 ()
0 () =
.
d
0 () =
(5.0.5a)
(5.0.5b)
n
X
(5.0.6)
t=1
Le vecteur de pondration w(; Y ) de lquation (5.0.2) est compos de deux fonctions dterministes : a(; Y ) et b(; Y ) :
"
w(; Y ) =
a(; Y )
b(; Y )
(5.0.7)
On dmontre facilement que cest une quation destimation en calculant son esprance :
" n
#
X
2
2
E [g (; Y )] = E
a(; yt )(yt ()) + b(; yt ) (yt ()) ()
t=1
n
X
a(; yt ) E [yt ()] + b(; yt ) E (yt ())2 2 ()
t=1
= 0.
(5.0.8)
66
Mthode
Moindres carrs non pondrs
Maximum de quasi-vraisemblance
a(; yt )
0 ()
0 ()
2 ()
0 ()
2 ()
b(; yt )
0
0
0 ()
2 ()3/2
Crowder (1987) dveloppe, partir de cette dernire, une quation destimation optimale
qui vise remplacer la mthode de quasi-vraisemblance base sur la moyenne et la variance
jusqualors utilise.
5.1
Soit une quation destimation de la forme gnrale (5.0.2). On a, par dfinition, que lesprance
de la composante stochastique u(; Yt ) de celles-ci sous les vrais paramtres 0 est nulle. De
plus, si lon considre que les donnes ne sont pas corrles, lesprance du produit de deux de
ces fonctions est nulle, sauf lorsquelle est value au mme point Yt :
E [u(0 ; Yt )] = 0
E [u(0 ; Ys )u(0 ; Yt )] = s,t V ar [u(0 ; Yt )] .
(5.1.1)
(5.1.2)
Les matrices non singulires M (0 ) et V (0 ) reprsentent respectivement, pour lquation destimation, lesprance de sa drive par rapport et linverse de sa variance-covariance, value
la vraie valeur des paramtres 0 :
M (0 ; Y ) =
T
X
w(0 )E u0 (0 ; Yt )
(5.1.3a)
w(0 )V ar [u(0 ; Yt )] wT (0 ).
(5.1.3b)
t=1
V (0 ; Y ) =
T
X
t=1
(5.1.4)
On dsire obtenir des quations destimation optimales de telle sorte que la variance soit
minimale. Le thorme 4.1 de Crowder (1986) permet dtablir quel vecteur de pondration
w () utiliser.
67
Selon ce thorme, lorsquon utilise le vecteur de pondration optimal (5.1.5), on obtient que
la drive de la fonction destimation M () soit gale linverse de la matrice de variancecovariance V () :
T
w () = E u0 (0 ; Yt )
{V ar [u(; Yt )]}1 .
(5.1.5)
V (0 ) =
t=1
T
X
(5.1.6)
0
T
E u (0 ; Yt )
{V ar [u(0 ; Yt )]}1 V ar [u(0 ; Yt )]
t=1
h
iT
T
E u0 (0 ; Yt )
{V ar [u(0 ; Yt )]}1
T
X
0
T
E u (0 ; Yt )
{V ar [u(0 ; Yt )]}1 E u0 (0 ; Yt )
t=1
M (0 ) = V (0 )
h
iT
1
1
V ar( ) = [M (0 )] V (0 ) [M (0 )]
= [V (0 )]1 .
(5.1.7)
(5.1.8)
E [0 ()]
h
p
E 2(Y ())0 () 2 2 () 0 ()
"
#
0 ()
p
=
.
2 2 () 0 ().
#
i
(5.1.9)
Puis, on value la variance-covariance du vecteur u(). Pour ce faire, on devra valuer sparment chaque lment composant cette matrice :
"
#
V ar [Y ()]
Cov Y (), (Y ())2 2 ()
V ar [u(; Yt )] =
.
Cov Y (), (Y ())2 2 ()
V ar (Y ())2 2 ()
(5.1.10)
68
m3 ()
m2 ()3/2
h
i
E (Y ())3
2 ()3/2
m4 ()
2 () =
3
m2 ()2
h
i
E (Y ())4
=
3
2 ()2
3 () = 2 () + 2 1 ()2 .
(5.1.11a)
(5.1.11b)
(5.1.11c)
(5.1.12)
= 2 ()3/2 1 ()
(5.1.13)
V ar (Y ())2 2 () = E (Y ())2 2 () (Y ())2 2 ()
= E (Y ())4 2 2 ()(Y ())2 + 2 ()2
= 2 ()2 (2 () + 3) 2 2 ()2 + 2 ()2
= 2 ()2 (2 () + 2) .
(5.1.14)
2 ()
2 ()3/2 1 ()
2 ()3/2 1 () 2 ()2 (2 () + 2)
"
#
2 ()2 ( () + 2) 2 ()3/2 ()
1
2
1
V ar1 [u(; Yt )] = 2 3
.
() 3 () 2 ()3/2 1 ()
2 ()
(5.1.15)
(5.1.16)
1
2
1
0
0
w () = () 2 2 () (). 2 3
.
() 3 () 2 ()3/2 1 ()
2 ()
69
(5.1.17a)
(5.1.17b)
0 ()
T
T o
0 () + 3 ()1 1 () 0 () 2 0 () 1 () 0 () 2 0 ()
.
(5.1.18)
(5.1.19)
W (; yT ) est une matrice dfinie positive. En premier lieu, on suggre dutiliser la matrice
de manire
identit. Puis, on peut raffiner lestimation en lui substituant la matrice V ? ()
itrative, de la mme manire quavec la mthode des moments gnralise itrative, la
section 4.2.4.
5.2
Il est possible que, pour certaines distributions, les expressions formant le vecteur de pondration optimal w () soient particulirement complexes. On pourra toujours les utiliser,
cependant, il peut tre intressant de dvelopper une approximation de celles-ci. Pour ce faire,
on substitue les valeurs thoriques des coefficients dasymtrie et daplatissement par une
valeur estime partir de lchantillon :
amod () =
bmod () =
{ (
2 (yT ) + 2) 0 () + 2
1 (yT ) 0 ()}
2 () 3 (yT )
0
1 (yT ) () 2 0 ()
2 ()3/2 3 (yT )
(5.2.1a)
(5.2.1b)
o
PT
3
t=1 (yt y)
1 (yT ) =
3/2
PT
2
t=1 (yt y)
PT
(yt y)4
2 (yT ) = P t=1
2
T
2
(y
y)
t
t=1
70
(5.2.1c)
(5.2.1d)
(5.2.1e)
On pourra ainsi rduire considrablement la taille des expressions valuer tout en conservant
les proprits asymptotiques des estimateurs, puisque lesprance de chacune des statistiques
utilises est gale la valeur que lon a remplace.
Au prochain chapitre, nous appliquerons la mthode des moments gnralise et la mthode
de lquation destimation optimale la distribution de Laplace asymtrique gnralise.
71
Chapitre 6
6.1
Comme chacune des deux mthodes destimation tudies requiert lutilisation dun algorithme
doptimisation numrique, on doit tre en mesure de fournir un vecteur de paramtres initiaux
qui favorisera la convergence de celui-ci. Ce vecteur doit faire partie de lespace des paramtres
, tel que dfini la table 2.1. Ce vecteur est plus facile obtenir de manire empirique, par
exemple, avec la mthode des moments, lorsque cest possible. Cependant, pour la distribution
de Laplace asymtrique gnralise, le systme dquations form partir des quatre premiers
moments centraux empiriques et thoriques (2.2.15) na pas de solution analytique.
Seneta (2004) propose une technique pour obtenir un vecteur de paramtres initiaux bas sur
la mthode des moments. En utilisant la mme dmarche que ce dernier, on peut obtenir un
vecteur pour la forme en de la fonction caractristique (2.2.3). On pose comme hypothse
dans les quations des quatre premiers moments (2.2.15a), (2.2.15b), (2.2.16a) et (2.2.16b),
que le paramtre est significativement nul, donc que la distribution est presque symtrique.
On impose donc que les puissances de ce paramtre plus grandes ou gales deux soient
73
nulles :
k = 0,
k {2, 3, 4}.
(6.1.1)
En posant lgalit entre les moments thoriques et leur estimateur correspondant, on obtient
le systme dquations suivant :
m1 = +
m2 = 2
3
1 =
||
3
2 = .
Ce systme possde deux solutions analytiques, dont une respecte la condition selon laquelle
le paramtre doit tre positif. On note que ce rsultat ne constitue quun point de dpart
pour lalgorithme doptimisation numrique et quon ne peut, en aucun cas, utiliser celui-ci
des fins statistiques. Cest un estimateur biais et non convergent tant donn la condition
(6.1.1) :
1 m2 2 m1
=
2
2 m2
=
>0
3
1 m2
=
3
3
= .
2
6.2
(6.1.2a)
(6.1.2b)
(6.1.2c)
(6.1.2d)
En premier lieu, on utilise la mthode des moments gnralise afin destimer les paramtres
de la distribution de Laplace asymtrique gnralise. Aux fins dillustration, seulement deux
conditions de moments seront utilises. Cependant, pour obtenir des rsultats optimaux en
termes de convergence asymptotique, on doit utiliser au moins autant de conditions de moment
que de paramtres. Ainsi, en considrant la diffrence entre les moyennes et variances empirique
et thorique, on obtient les conditions de moment suivantes, qui ont une esprance nulle sous
les vrais paramtres 0 :
"
h(; Y ) =
74
#
(6.2.1)
(Y m1 )2 m2
"
Y m1
Y ( + )
(Y ( + ))2 2 + 2
(6.2.2)
"
1
=
T
"
1
=
T
"
g1 (; yT )
g2 (; yT )
PT
t=1 yt
PT
m1
#
(6.2.3)
m1 )2 m2
PT
t=1 yt ( + )
t=1 (yt
PT
t=1 (yt
( + ))2 2 + 2
(6.2.4)
6.2.1
H(1,1) (; Y ) H(1,2) (; Y )
H(2,1) (; Y ) H(2,2) (; Y )
#
E H(1,1) (; Y ) E H(1,2) (; Y )
E H(2,1) (; Y ) E H(2,2) (; Y )
(6.2.5)
o
H(1,1) (; Y ) = (Y )2
H(1,2) (; Y ) = Y 2 2 Y 2 Y + 2 + 2 + 2 2 2 2
2
H(2,2) (; Y ) = (Y ) Y 2 2 Y 2 Y + 2 + 2 + 2 2 2 2 .
On value ensuite lesprance de chacun des lments de la matrice, o lon dfinit de manire
analogue celle du produit des conditions de moments, W(i,j) (; Y ) = E[H(i,j) (; Y )].
"
W (; Y ) =
W(1,1) (; Y ) W(1,2) (; Y )
W(2,1) (; Y ) W(2,2) (; Y )
#
(6.2.6)
75
o
W(1,1) = 2 2 2 2 + 2 + 2 2 + 2
W(2,2) = 4 4 + 2 2 2 4 4 2 4 3 + 4 + 10 2 + 2 2 2 + 6 4 2 + 10 4 + 4 2
+ 2 4 + 14 2 2 16 2 2 4 4 3 14 4 2 10 4 + 3 2 + 3 4
+ 6 2 3 + 18 2 2 + 12 2 2 + 4 4 + 6 4 3 + 11 4 2 + 6 4
W(1,2) = W(2,1) = 3 4 + (6 3) 3 + 3 2 + 3 2 2 + 3 2 3 2 3 3
+ 2 + 3 3 + 3 2 + 4 2 3 3 2 4 3 + 3 2 + 3 2
+ 3 3 + 3 3 2 + 2 3 .
On value quelle serait la valeur de la variance-covariance sous des paramtres optimaux. Ce
rsultat permet par la suite dvaluer la distribution asymptotique des estimateurs.
On obtient lestimateur de la matrice optimale (4.2.21) en effectuant le produit extrieur du
vecteur de conditions de moment empirique (6.2.2), puis en valuant la moyenne des matrices
rsultantes de lquation (4.2.19) :
T
X
yT ) = 1
S(;
T
t=1
"
G(1,1) (; yt ) G(1,2) (; yt )
#
(6.2.7)
G(2,1) (; yt ) G(2,2) (; yt )
o
G(1,1) (; yt ) = (yt )2
G(1,2) (; yt ) = yt 2 2 yt 2 yt + 2 + 2 + 2 2 2 2
2
G(2,2) (; yt ) = (yt ) yt 2 2 yt 2 yt + 2 + 2 + 2 2 2 2 .
6.2.2
1
2 (Y )
0
2
D() = E
(Y
2 (Y ) 2 2
1
0
.
=
2
2
2
76
(6.2.8)
1
2 (yt )
0
2
1 X
D(, yT ) =
(6.2.9)
(y
t=1
2 (yt ) 2 2
6.2.3
Contraintes linaires
Une fois lestimation des paramtres effectue, on peut tester si ces derniers pourraient en fait
correspondre un cas particulier de la distribution de Laplace asymtrique gnralise ayant
le mme support, parmi celles figurant la table 2.2. Pour ce faire, on doit dterminer les
paramtres de la distribution sous un ensemble de contraintes linaires, sous la forme (4.3.2),
correspondant au cas particulier, tel qunumr dans la table 6.1.
Distribution
Laplace symtrique
Paramtres
R
r
0
0 0 1 0
1
0 0 0 1
Laplace asymtrique
0 0 0 1
1
Dgnre
0 1 0 0
0 0 1 0
0 0 0 1
0
0
0
Table 6.1: Contraintes linaires pour les cas particuliers de la distribution de Laplace asymtrique gnralise GAL(, , , )
On doit ensuite utiliser un algorithme doptimisation numrique afin de maximiser le lagrangien (4.3.4) dfini par la fonction objectif QT () (4.2.17) et lensemble de contraintes
a() = R r slectionn prcdemment. Enfin, on peut effectuer les tests statistiques de la
section 4.4.1 afin de vrifier si les paramtres de la distribution contrainte sont significativement diffrents de ceux de la distribution non contrainte. Dans cette situation, lhypothse
selon laquelle le cas particulier serait appropri pour dcrire la distribution des donnes de
lchantillon serait rejete.
77
Notons quon peut aussi estimer les paramtres de chacun des cas particuliers directement
par la mthode des moments gnralise en utilisant des conditions de moment bases sur la
moyenne m1 et la variance m2 de la forme (6.2.1). Par contre, dans ces cas, on devra utiliser des
tests dadquation non paramtriques afin de dcider laquelle reprsente mieux la distribution
de lchantillon de donnes. Ces tests seront prsents au chapitre suivant, la section 7.2.
6.3
On utilise maintenant la mthode de lquation destimation optimale afin destimer les paramtres de la distribution de Laplace asymtrique gnralise. On considre une quation
destimation de la forme quadratique (5.0.6), base sur les conditions de moments (6.2.2)
utilises la section prcdente.
On value dabord les expressions des drives premires de la moyenne et de lcart-type par
rapport au vecteur de paramtres (5.0.5) :
d
( + )
d
T
dp 2
+ 2
0 () =
d
0 () =
=p
2 + 2
1
(6.3.1a)
2 +2
2
(6.3.1b)
On peut alors obtenir une forme analytique en utilisant les expressions dtermines prcdemment pour a() et b() (5.1.17), les moments de la distribution (2.2.15) ainsi que les
coefficients dasymtrie et daplatissement (2.2.16). tant donn la longueur des expressions
obtenues, elles ne seront pas prsentes dans ce texte. Cependant, on peut facilement les
valuer laide dun logiciel de calcul symbolique. On combine ensuite celles-ci pour obtenir
lquation destimation optimale g (; yT ) de forme quadratique.
On obtient cependant des expressions plus faciles manipuler pour a() et b() en utilisant
78
amod (; yT ) =
2 (yT )2
( 2 +2 )
3 (yT )
2
1 (yT )
( 2 +2 )3/2
3 (yT )
2
y
1 ( T ) + (
2 (yT )2)
2 +2
2 +2 )
(
(y
3 T)
2 +2
1 (yT )
+ (
2 (yT )2)
( 2 +2 )
3 (yT )
(6.3.2a)
1 (yT )
( 2 +2 )3/2 3/2
3 (yT )
2
(2 +2 )2 3 (yT )
1 (yT ) 2 2 2 .
bmod (; yT ) =
+
(2 +2 )3/2 3/2 3 (y )
T
1 (yT ) 2 +2
(6.3.2b)
( 2 +2 )3/2 3/2
3 (yT )
On insre ensuite ces dernires dans la forme gnrale (5.0.6) pour obtenir lquation desti
(; Y ) :
mation optimale modifie gmod
(; Y ) =
gmod
n
X
(6.3.3)
t=1
On note quafin dviter des irrgularits numriques, on suggre, dans les deux cas, de faire
lestimation sur des donnes centres et rduites :
Xt =
Yt m1
.
m2
(6.3.4)
Comme prcdemment, on pourra utiliser la proprit dinvariance (2.2.17) de la paramtrisation en afin de retrouver les paramtres de la distribution de la variable alatoire Yt une
fois lestimation effectue :
Yt =
t Xt +
t GAL(
t +
t ,
t , , ).
(6.3.5)
79
Chapitre 7
Tests statistiques
7.1
Test de normalit
On utilise un test de normalit afin de vrifier si lon peut rejeter lhypothse de normalit de
la distribution des rendements. Comme prsent au premier chapitre, cest cette observation
qui est la base de la recherche de modles alternatifs, tant donn que cette hypothse est
rejete pour la plupart des sries financires. Il existe plusieurs tests disponibles pour ce faire,
dont ceux de Shapiro-Wilk et dEpps-Pulley.
7.1.1
Test de Shapiro-Wilk
Le test de Shapiro-Wilk (Shapiro et Wilk, 1965) est bas sur les statistiques dordre de la
distribution normale. Ce test est particulirement efficace mme pour de petits chantillons
(T < 20), selon les auteurs.
On considre lchantillon ordonn y(1) , y(2) , . . . , y(T ) ,. On value la variance S 2 de lchantillon
puis la statistique b, o les valeurs aT i+1 proviennent de la Table 5 de Shapiro et Wilk (1965) :
1. Si la taille de lchantillon T est paire, alors k =
b=
k
X
T
2
et
(7.1.1)
i=1
T 1
2
et
b
S2
(7.1.2)
81
7.1.2
Test dEpps-Pulley
Le test dEpps-Pulley (Epps et Pulley, 1983) est bas sur le carr de la diffrence entre les fonctions caractristiques empirique et thorique de la distribution normale. Ce test est considr
comme un des plus puissants pour un seuil de tolrance donn, pour de larges chantillons.
La statistique de test prend la forme suivante, o X et S sont respectivement la moyenne et
lcart-type chantillonnal :
"
#
2 2
T
1 X
X
X
t
j
w(t)dt.
EPT = T
exp
exp it
T
S
2
j=1
Z
(7.1.3)
Henze (1990) propose une procdure simple implmenter pour effectuer un test bas sur
la statistique dEpps-Pulley EPT , o la pondration de la diffrence quadratique w() est
remplace par la densit de la loi normale centre rduite, ce qui permet daccorder davantage
dimportance aux observations prs de lorigine et aussi dobtenir une forme intgrable :
"
#
"
#
T
2
X
X
Xj X
(Xj Xk )2
2
T
EPT =
exp
2
exp
+ + 1. (7.1.4)
2
2
T
2S
4S
3
j=1
1 j<k T
1+
.
+ 2
EPT = EPT
T
T
T
(7.1.5)
On obtient ensuite une approximation dun quantile de la loi normale centre rduite :
ZT = + ln ((EPT ) ( + EPT )) .
(7.1.6)
7.2
Tests dadquation
82
H0 : Y FY ().
(7.2.1)
(7.2.2)
La diffrence entre ces deux hypothses est le nombre de degrs de libert de la statistique
de test. Les deux premiers tests prsents sont des classiques, largement utiliss, mais dont
lapplication est base sur la fonction de rpartition. tant donn quon ne dispose que dune
approximation de celle-ci, on utilisera alors un test bas sur la fonction gnratrice des moments, qui a une forme analytique.
7.2.1
Test 2 de Pearson
Le test 2 de Pearson (Hogg et Craig, 1978, ch. 8) est bas sur une approximation multinomiale
de la fonction de rpartition FX (x; ) pour laquelle on veut vrifier lajustement des donnes
chantillonnales X1 , . . . , Xn . Pour ce faire, on divise le domaine de la variable alatoire X
en k intervalles, appels classes. On associe la probabilit pi () que X prend une valeur dans
lintervalle [ci1 , ci ]. Cette probabilit est value laide de la fonction de rpartition FX (x; )
de la variable alatoire X :
pi () = FX (ci ; ) FX (ci1 ; ),
i = 1, . . . , k.
(7.2.3)
k
X
(Ni npi (0 ))2
i=1
npi (0 )
2 (k 1).
(7.2.4)
83
La statistique Qk1 peut tre utilise pour vrifier une hypothse simple, cest--dire lorsque
les paramtres sont connus :
H0 : = 0 .
(7.2.5)
Cependant, comme les q paramtres de la distribution fX doivent tre estims pour valuer
les probabilits pi (), on retrouve alors une hypothse compose :
H0 : F {F }, .
(7.2.6)
On doit retrancher le mme nombre de degrs de libert la distribution asymptotique approximative de la statistique Q qui devient :
2
k
N
np
(
)
X
i
i
Qkq1 =
2 (k q 1).
npi ()
i=1
(7.2.7)
Il est important de noter que ce test est approximatif, car pour obtenir asymptotiquement
la distribution 2 , les paramtres doivent tre estims en minimisant la statistique Qkq1
(7.2.7), qui devient alors une fonction objectif.
On rejette lhypothse compose H0 lorsque la condition Qkq1 > 21 (k q 1) est
respecte. On effectue le mme test pour lhypothse simple, en posant q = 0. Le point critique
de la distribution 2 (k q 1) est slectionn selon le critre
Pr Qkq1 21 (k q 1) = 1 .
7.2.2
(7.2.8)
Test de Kolmogorov-Smirnov
(7.2.9)
1X
IXi x .
n
Fn (x) =
(7.2.10)
i=1
La statistique
Wang et Marsaglia (2003), dont la fonction de rpartition est dfinie comme suit :
2 2
Pr( nDn x) = 1 2
(1)k1 e2k x
84
2
x
k=1
X
k=1
2 2 /(8x2 )
e(2k1)
(7.2.11)
.
(7.2.12)
Pr( nDn K1 ) = 1 .
7.2.3
(7.2.13)
= E[hj (y)]
= MY (tj ),
j = 1, . . . , K.
(7.2.14)
En posant hj (y) = etj y , on dfinit zj (F ) comme tant la fonction gnratrice des moments.
On dfinit aussi la transforme de la fonction de rpartition empirique FT (y) par le vecteur
z(FT ) = [z1 (FT ), . . . , zK (FT )], o
T
1 X tj yt
zj (FT ) =
e .
T
(7.2.15)
t=1
(7.2.16)
On doit maintenant slectionner une matrice Q(F ) de sorte que la distribution de la statistique
85
1,1
.
.
=
.
j,1
comme suit :
1,k
..
..
.
.
j,k
(7.2.17)
o
j,k = zj,k (F ) zj (F )zk (F )
= MY (tj + tk ) MY (tj )MY (tk ),
j, k = 1, . . . , K.
(7.2.18)
86
Chapitre 8
valuation doptions
Un des principaux intrts de connatre la distribution des rendements dun actif est de pouvoir
valuer la valeur de diffrents produits drivs.
8.1
Dfinitions
(8.1.1)
La valeur du prix lchance est appele une crance ventuelle. Lvaluation dun produit
driv quivaut calculer la valeur espre actualise de la rclamation contingente dfinie par
87
(8.1.2)
B(t, T ) est la valeur au temps t dune obligation zro-coupon au taux sans risque r dchance
T . Ft (S(T )) est la fonction de rpartition de la distribution neutre au risque de S(T ).
Les dterminants de la valeur dune option sont :
le prix courant de lactif S(t)
le prix dexercice K
la volatilit de lactif
le temps dici lchance T t
le taux dintrt sans risque r.
On peut aussi rcrire (8.1.2) avec le logarithme du prix k = ln K. On utilise donc s(t) =
ln S(T ), dont la fonction de rpartition est dfinie par Fs(T ) (y) = P r [ln S(T ) < y] :
Z
C(t) = B(t, T )
(es(T ) ek )dFs(T ) .
(8.1.3)
Enfin, une relation fondamentale, appele parit vente-achat, permet, dans un scnario sans
arbitrage, de calculer le prix dune option de vente P (t) (dachat C(t)) en connaissant la
valeur :
de lautre lorsquelles sont de mmes chance et prix dexercice
de lobligation B(t, T )
initiale du titre sous-jacent S(t) commun aux deux options.
(8.1.4)
Cette relation permettra dvaluer les deux types doption laide dun seul calcul.
8.1.1
quation martingale
88
valeur actuelle dun titre financier reflte lensemble de linformation connue sur ce dernier.
Cette proprit permet de fixer un seul prix pour les options. Lquation martingale tablit
lgalit entre la valeur espre du titre au temps t et celle dun investissement de mme valeur
dans un compte en banque crditant le taux sans risque :
E [exp(Lt )] = ert .
8.1.2
(8.1.5)
Afin de pouvoir utiliser les rsultats de lestimation paramtrique des chapitres prcdents
pour valuer le prix de produits drivs, on doit tout dabord identifier les paramtres neutres
au risque de la distribution de Laplace asymtrique gnralise associant le rendement cumul
Lt au taux dintrt sans risque r. Pour ce faire, on utilise lquation martingale (8.1.5) ainsi
que la fonction gnratrice des moments (2.2.10). On obtient alors une expression pour le
paramtre de drive neutre au risque RN :
ert = E [exp(Lt )] = E [exp(R1 + . . . + Rt )]
= MR1 +...+Rt (1) = (MR (1))t
t
eRN
=
(1 2 /2)
eRN
r = ln
(1 2 /2)
2
= RN ln(1 )
2
2
RN = r + ln(1 ).
2
(8.1.6)
2
).
2
(8.1.7)
Cette galit impose une contrainte aux paramtres et qui doit respecter la condition
+
2
< 1.
2
(8.1.8)
(8.1.9)
La distribution neutre au risque des rendements est donc Rt GAL(r+ ln(1 2 /2), , , ).
89
8.2
2
2
et une variance 2 .
partir de cette information, on peut driver la formule de Black-Scholes pour le prix dune
option dachat ou de vente (8.1.4) europenne :
C(S(t), K, T ) = (1 ) S(t) (2 ) KB(t, T )
2
ln S(t)
+
r
+
(T t)
K
2
1 =
T t
2 = 1 T t
(8.2.1)
(8.2.2)
Lavantage de ce modle est que toutes les donnes requises pour valuer le prix doptions sur
des actifs cots sur les marchs boursiers, lexception de la volatilit, sont accessibles auprs
de fournisseurs dinformations financires. Comme les options sont ngocies sur les marchs
financiers, on a aussi accs leur prix, ce qui permet dextrapoler la valeur de la volatilit
implicite. Cest pour cette raison que le modle, bien quil soit bas sur des hypothses trs
restrictives, est toujours utilis comme point de rfrence.
8.3
Le modle de Black-Scholes est un des seuls qui prsentent une forme analytique simple pour
le prix des options. Bien quon puisse en driver une pour plusieurs modles en utilisant les
quations diffrentielles stochastiques et le calcul dto, les rsultats sont souvent difficiles
utiliser. On prfrera alors utiliser des mthodes numriques pour calculer le prix des options.
90
8.3.1
Mthode de Heston
Lapproche utilise par Heston (1993) est de calculer directement lesprance de la crance
ventuelle associe loption de vente europenne P (S(t), K, T t) sous la mesure neutre au
risque Q :
Z
P (S(t), K, T ) = B(t, T )
(8.3.1)
(8.3.2)
On dfinit la fonction de rpartition FS(t) (K) de la variable alatoire S(t) K sous la mesure
Q. On dfinit aussi la fonction de rpartition GS(t) (K) sous une autre mesure quivalant Q.
Soit F () la fonction caractristique de S(T ) sous Q, celle de cette mesure est alors dfinie
comme suit :
G () =
F ( i)
.
F (i)
(8.3.3)
8.3.2
(8.3.4)
(8.3.5)
91
( i(1 + D ) )
.
(D + i)(1 + D + i)
(8.3.6)
Z
eD k ik
e
(FCD )() d
=
(par symtrie).
(8.3.7)
On peut utiliser la mthode de la transforme de Fourier rapide (section A.3) pour retrouver
les prix doptions en se rfrant Carr et Madan (1999).
On doit donc discrtiser (8.3.7) et effectuer des changements de variables pour obtenir la
forme (A.3.1). On fixe le nombre de points N (idalement une puissance de deux) et le pas
de discrtisation. On dfinit lincrment pour le vecteur ku , u = 1, . . . , N des logarithmes
des prix dexercice :
=
2
.
N
(8.3.8)
N
.
2
(8.3.9)
j=1
N
eD k X i(j1)(u1) ibj
e
e (FCD )(j ).
(8.3.10)
j=1
C(S(t), ku , T )
e
e (FCD )(j ) 3 + (1)j + j1 .
3
j=1
92
(8.3.11)
On peut par la suite calculer un prix doption pour chaque prix dexercice en utilisant une
mthode dinterpolation (splines cubiques par exemple).
8.3.3
Lintgration numrique de (8.3.7) pose problme quand lchance T t est petite, ou encore
le prix dexercice K est hors du cours (k > ln(S(t))). Dans ce contexte particulier, Carr et
Madan (1999) dveloppent une formule alternative lquation (8.3.7) pour valuer le prix de
loption dachat :
C(S(t), k, T ) =
1
k)
sinh(D
(8.3.12)
.
T () = er(T t)
1 + i
iv
( i)
FC =
(8.3.13)
utilis prcdemment.
Lexpression utiliser pour la mthode de la transforme de Fourier rapide devient
N
C (S(t), ku , T )
X
1
ei(j1)(u1) eibj (FC )(j ) 3 + (1)j + j1 .
D
sinh(D k)
3
j=1
(8.3.14)
Les paramtres N, , et j prennent les valeurs utilises pour valuer le prix dans la situation
o le titre est dans le cours (8.3.11).
8.3.4
8.3.5
Mthode dEpps
Epps (2007) propose une mthode qui, contrairement celle de Carr et Madan, ne ncessite pas
de paramtre damortissement et qui ne requiert aussi quune seule inversion de la fonction
93
FS(T ) (s)es ds
E [max(K ST ; 0)] =
K
1
=
2
2
lim
c c
eis
()d es ds.
i
{z
}
(8.3.15)
a(c,s)
La formule dinversion implique que lorsque | limc a(c, s)| = |1 2FS(t) (s)| 1, pour toute
valeur > 0, c existe telle que lon a le rsultat suivant :
|sups 1 2FS(t) (s) a(c , s) | < .
(8.3.16)
Dans cette situation, |a(c, s)es | es (1 + ) lorsque la constante c est suffisamment grande.
Comme la fonction es est intgrable sur le support (, k), le thorme de convergence
domine de Lebesgue (section A.5.1) implique que lon peut poser lgalit suivante :
Z
a(c, s)es ds
c
Z k Z c
e(1i)s
()dds.
i
= lim
De plus, comme la limite de la double intgrale prcdente est gale K 2E [max(K ST ; 0)]
qui appartient lintervalle [K, K], le thorme de Fubini (section A.5.2) permet dinverser
lordre dintgration :
Z
lim
eis
()dds = lim
c
i
K
=
lim
c
e(1i)s ds
()
d
i
K i
()d.
i + 2
(8.3.17)
En remplaant le rsultat (8.3.17) dans lquation de dpart (8.3.15), on obtient ainsi une
expression particulirement simple pour le prix de loption de vente :
Z c
1
1
i ()
P (S(t), K, T ) = B(t, T )K
d .
K
2 2 c
(i + )
(8.3.18)
94
8.4
8.4.1
Particularits
Option sur actions avec dividendes
Lorsquune option a, pour titre sous-jacent, une action qui verse des dividendes, on doit en
tenir compte dans lvaluation de son prix. Si lon considre que la valeur au march de laction
S (t) a t value avec la mthode de lactualisation des flux financiers futurs, on doit tenir
compte de la valeur actualise des dividendes qui seront verss avant lchance de loption et
la soustraire de ce prix.
Parfois, les dividendes ne sont pas fixes, mais proportionnels la valeur de laction la date
ex-dividende avec un taux . Soit n(T ) le nombre de dates ex-dividende dans lintervalle ]t, T ],
le prix initial S(t) considr pour le calcul de la valeur de loption est alors dfini comme suit :
S(t) = S (t)(1 )n(T ) .
(8.4.1)
Lorsque lon considre un indice compos de plusieurs titres, on peut prendre un dividende
vers de manire continue un taux q. Dans ce cas, le prix initial S(t) sera
S(t) = S (t)eq(T t) .
8.4.2
(8.4.2)
Black (1976) (p.177) dmontre que le prix dune option sur un contrat terme a le mme
prix que sur une action dont le taux de dividende quivaut au taux sans risque. On peut donc
utiliser les rsultats (8.4.1) et (8.4.2) en posant q = r.
De mme, on peut valuer le prix dune option sur une monnaie trangre en considrant le taux
sans risque tranger rf comme un taux de dividende q = rf . Selon la Banque des Rglements
Internationaux, cest le type doptions le plus transig sur les marchs non rglements en date
de 2005, mme sil est moins tudi que les autres.
95
Chapitre 9
Exemple dapplication
On considre un chantillon S1 form de lensemble des prix S1 (t) la fermeture du titre
Abbey National entre le 31 juillet et le 8 octobre 1991. La table C.1 prsente lensemble des
50 observations. Cet chantillon a notamment t tudi prcdemment par Buckle (1995).
9.1
On value tout dabord les rendements quotidiens R1 laide de lquation (1.2.2). On obtient
alors 49 observations du processus des rendements R(t), que lon prsente la figure 9.1 sous
forme de srie chronologique.
On numre dabord quelques proprits de cet chantillon qui pourront complter lanalyse.
la table 9.1, on prsente quelques statistiques dordre. De plus, la table 9.2, on retrouve
quelques valeurs relatives aux premiers moments.
Statistique dordre
Minimum
1er quartile
Mdiane
3e quartile
Maximum
Valeur
-0.027500
-0.009790
-0.003260
0.006620
0.043400
On prsente maintenant la distribution des rendements sous la forme dune courbe de densit
la figure 9.2.
laide du test de normalit dEpps-Pulley (Section 7.1.2), on vrifie si la distribution des
rendements R1 est significativement diffrente de la normale. On fixe le seuil de tolrance
= 5%.
97
0.01
0.03
0.01
0.00
R(t)
0.02
0.03
0.04
Rendements
10
20
30
40
50
Valeur
0.000206
0.000169
0.977563
4.597114
On value dabord la statistique EPT (7.1.3), puis la statistique modifie EPT (7.1.5) tant
donn que T > 10. La table 9.3 prsente les rsultats.
Statistique
EPT
EPT
ZT
p
Valeur
0.626033
0.635568
2.44824
0.007178
tant donn que la valeur p est infrieure au seuil , on rejette lhypothse de normalit de
lchantillon R1 . On peut vrifier cette affirmation laide du graphique de comparaison des
98
0.20
0.00
0.05
0.10
0.15
f(R)
0.25
0.30
0.35
9.2
Estimation
Dans cette section, on estime les paramtres de la distribution de Laplace asymtrique gnralise pour lchantillon de donnes centres et rduites R1 , laide des mthodes :
des moments gnralise itrative (Section 4.2.4)
destimation gaussienne de Whittle (table 5.1)
de lquation destimation optimale de Crowder (Section 5.1) et
de lquation destimation optimale modifie (Section 5.2).
On value dabord le vecteur de paramtres initiaux 0 laide des quations (6.1.2). On
effectue ensuite une premire optimisation laide de chacune des trois mthodes afin de
pouvoir valuer la matrice de pondration qui servira la seconde. La table 9.4 prsente les
paramtres obtenus 1 .
On obtient la matrice de variance-covariance des paramtres pour les mthodes bases sur
une quation destimation (5.1.4) en valuant linverse de la variance-covariance des lments
composant celle-ci (5.1.3b) et le gradient (5.1.3a) :
99
Normal QQ Plot
Sample Quantiles
Theoretical Quantiles
-0.612081
-0.641646
-0.776204
-0.660300
-0.711439
0.515932
0.625908
0.581154
0.645678
0.606642
0.325854
0.326366
0.385120
0.376654
0.362932
1.878388
1.965995
2.015437
1.753069
1.960299
1.13756e 03 0.00207546
2.07546e 03 0.00984423
ST (1 ; R1 ) =
9.17316e 04
0.00234062
7.46064e 06
0.00124328
0.000917316 7.46064e 06
0.002340623 1.24328e 03
(9.2.1)
0.003399880 8.38932e 04
0.000838932 2.60840e 04
2.84688e 05
0.00195192 0.00118855
100
2.84688e 05
1.95192e 03
1.18855e 03
4.92502e 04
(9.2.2)
6.63861e 05
0.00117588 0.000833622
6.63861e 05
1.17588e 03
(9.2.3)
8.33622e 04
2.71162e 04
On peut ainsi construire des intervalles de confiance pour les paramtres estims. On utilise
un seuil de tolrance de = 5% :
Pour la mthode destimation gaussienne :
Borne infrieure
Valeur estime
Borne suprieure
-0.8328
-0.7762
-0.7197
0.4148
0.5812
0.7475
0.2874
0.3851
0.4829
1.9884
2.0154
2.0425
Valeur estime
Borne suprieure
-0.7246
-0.6603
-0.5960
0.4686
0.6457
0.8228
0.2711
0.3767
0.4822
1.7159
1.7531
1.7903
Valeur estime
Borne suprieure
-0.7653
-0.7114
-0.6576
0.4555
0.6066
0.7578
0.2647
0.3629
0.4612
1.9327
1.9603
1.9879
101
Mthode
Moments gnralise
Estimation gaussienne
quation destimation optimale
quation destimation optimale modifie
-0.640067
-0.775071
-0.658697
-0.712450
0.625431
0.581413
0.646516
0.606193
0.324311
0.384342
0.376251
0.363196
1.973623
2.016619
1.750685
1.961614
0.00203708
0.00438553
ST (OP T ; R1 ) =
0.00174636
0.00154237
(9.2.4)
Pour les mthodes bases sur une quation destimation, on obtient, pour la seconde optimisation, les variances-covariances suivantes :
Pour la mthode destimation gaussienne :
(9.2.5)
ST (2 ; R1 ) =
9.19367e
04
0.00233224
0.003395736
8.36472e
04
7.53773e 06
0.00124238 0.000836472 2.60254e 04
1.13314e 03
ST (2 ; R1 ) =
0.00277803 0.00396652 1.19169e 03
1.34221e 03
2.89119e 05
0.00196072 0.00119169 4.95537e 04
1.47327e 03
(9.2.6)
(9.2.7)
ST (2 ; R1 ) =
1.14270e 03
0.00198765 0.003432414 8.32388e 04
6.60715e 05
0.00117298 0.000832388 2.70299e 04
1.03121e 03
102
Borne infrieure
Valeur estime
Borne suprieure
-0.715736
-0.640067
-0.564397
0.441236
0.625431
0.809627
0.245602
0.324311
0.403020
1.913780
1.973623
2.033466
Valeur estime
Borne suprieure
-0.8315
-0.7751
-0.7186
0.4152
0.5814
0.7476
0.2866
0.3843
0.4820
1.9896
2.0166
2.0437
Valeur estime
Borne suprieure
-0.7230
-0.6587
-0.5943
0.4693
0.6465
0.8237
0.2707
0.3763
0.4818
1.7134
1.7507
1.7880
Valeur estime
Borne suprieure
-0.7663
-0.7124
-0.6586
0.4551
0.6062
0.7573
0.2650
0.3632
0.4614
1.9341
1.9616
1.9892
-0.008119
-0.009875
-0.008361
-0.009060
0.008134
0.007562
0.008409
0.007884
0.002983
0.003535
0.003460
0.003340
1.973623
2.016619
1.750685
1.961614
103
9.3
Approximation
Le point de selle prend alors une valeur de s = 56.050951 dans cette situation. En utilisant
lapproximation de premier ordre fR,1 (r) (3.3.12) de la fonction de densit, et en comparant le
rsutat avec la fonction de densit fR (r) (2.2.26), on obtient les rsultats prsents la table
9.7. Dans les deux cas, la fonction de densit a t normalise laide de lintgrale (3.3.13a).
r
-0.03
-0.02
-0.01
0.00
0.01
0.02
0.03
Densit
fR,1 (r)
fR (r)
1.561365
2.065547
9.038616 10.702896
31.216317 37.581108
33.015869 31.073988
15.941633 12.450742
5.988373
4.120017
2.026838
1.246205
Erreur relative
104
r
-0.03
-0.02
-0.01
0.00
0.01
0.02
0.03
Fonction de rpartition
FR,1 (r)
FR (r)
0.007402
0.011577
0.048942
0.064944
0.249911
0.292034
0.625225
0.681167
0.857830
0.889832
0.951508
0.965916
0.984393
0.990080
Erreur relative
(FR,1 (r) FR (r))/FR (r)
-0.360606
-0.246402
-0.144241
-0.082126
-0.035965
-0.014916
-0.005744
9.4
Graphiques
Description
Donnes empiriques.
Densit de la distribution normale ayant les mmes moyenne et variance
que la variable alatoire R.
Densit de la distribution de Laplace asymtrique gnralise avec les
paramtres estims.
Approximation de premier ordre avec la mthode du point de selle.
Transforme de Fourier rapide.
Table 9.9: Courbes de densit
Valeur de lintgrale c
0.920148
0.932246
0.917326
0.925781
105
0.7
Densit de R*
0.6
Courbes
Emp.
Estim.
Pt selle o.1
Norm.
FFT
0.5
f(r)
0.4
0.3
0.2
0.1
0.0
r
Figure 9.5: Densit de R1 selon la mthode des moments gnralise
106
0.7
Densit de R*
0.6
Courbes
0.5
0.4
f(r)
0.3
0.2
0.0
0.1
Emp.
Estim.
Pt selle o.1
Norm.
FFT
r
Figure 9.6: Densit de R1 selon la mthode de lquation destimation optimale
107
9.5
Tests statistiques
Valeur de la statistique Q6
0.484919
0.473527
0.531888
0.494769
Ce test ne permet pas de rejeter lhypothse de la distribution de Laplace asymtrique gnralise avec les paramtres obtenus pour aucune des mthodes destimation.
On effectue maintenant le test de Kolmogorov-Smirnov. Comme celui-ci est bas sur la fonction
de rpartition, on utilisera la mme mthode que prcdemment, impliquant linversion de la
fonction caractristique. On value la fonction de rpartition en chaque point de lchantillon
R1 et lon obtient la statistique D49 prsente la table 9.12 laide de la dfinition (7.2.9).
En utilisant un seuil de tolrance de = 5%, on obtient une valeur critique de 0.194286.
Mthode
Moments gnralise
Estimation gaussienne
quation destimation optimale
quation destimation optimale modifie
108
Mthode
Moments gnralise
Estimation gaussienne
quation destimation optimale
quation destimation optimale modifie
Table 9.13: Test de distance minimale bas sur la fonction gnratrice des moments
9.6
valuation doptions
titre dexemple, on valuera une option europenne dont les diffrentes caractristiques
figurent la table 9.14.
Caractristique
Type
chance (T )
Valeur actuelle du titre (S(0))
Prix dexercice (K)
Taux sans risque annuel (rf )
Valeur
Option de vente
30 jours
299
entre 95% et 105% de la valeur actuelle
5%
Moments gnralise
Estimation gaussienne
quation destimation optimale
quation destimation optimale modifie
-0.005824
-0.007062
-0.005993
-0.006487
0.008134
0.007562
0.008409
0.007884
0.002983
0.003535
0.003460
0.003340
1.973623
2.016619
1.750685
1.961614
On prsente les graphiques de la valeur du prix de loption de vente pour les mthodes des
moments gnralise et de lquation destimation optimale aux figures 9.7 et 9.8. On peut
facilement remarquer le manque de prcision de lapproche de Carr-Madan, qui sapproche
de la courbe de Black-Scholes lorsque le titre est dans le cours et qui se met osciller ds
109
que le titre est hors le cours. Les mthodes de Epps et de Heston donnent des rsultats trs
similaires, et lapproximation du point de selle dordre 1 est trs prcise dans ce contexte.
12
11
Prix de l'option
10
Courbes
Epps
CarrMadan FFT
Heston normale
Heston pt. selle
BlackScholes
294
296
298
300
302
304
Prix d'exercice
Figure 9.7: Prix de loption selon les paramtres estims avec la mthode des moments
gnralise
110
12
11
Prix de l'option
10
Courbes
Epps
CarrMadan FFT
Heston normale
Heston pt. selle
BlackScholes
294
296
298
300
302
304
Prix d'exercice
Figure 9.8: Prix de loption selon les paramtres estims avec la mthode de lquation
destimation optimale
111
Conclusion
En guise de conclusion, jaimerais tout dabord effectuer un retour sur les diffrents lments
introduits au dbut du premier chapitre, concernant le risque de modlisation. Le modle
prsent nen est pas exempt, bien au contraire. Cependant, il ncessite moins dhypothses
restrictives que les autres modles prsents pour tre valide, bien quil exige toujours lindpendance des observations. Il tient compte de la possibilit de sauts tout en conservant une
composante de mouvement alatoire, ce qui dcrit adquatement les observations empiriques
ce jour. Comme tout modle paramtrique, il reste dpendant du nombre et de la qualit des
donnes disponibles. tant donn que lutilisation dalgorithmes doptimisation numrique est
invitable, il subsiste un risque important autour de lestimation des paramtres et de lapproximation de la distribution. De plus, tant donn quil nexiste pas de mesure neutre au
risque unique, larbitrage de modle reste possible et doit tre considr. Lutilisation dun
chantillon de donnes instables travers le temps peut produire des rsultats inattendus,
surtout au niveau de la distribution de la volatilit historique, un aspect qui pourra tre approfondi ultrieurement. Enfin, subsiste toujours le risque derreurs de nature informatique
qui pourraient produire de faux rsultats.
Ce retour permet de constater quil y a toujours place lamlioration des outils dvelopps.
Entre autres, il pourrait tre pertinent dtudier les diffrences entre le comportement court
et long terme du modle. En se basant sur la thorie de lutilit, on pourrait dvelopper
une meilleure approche pour dterminer les paramtres de la distribution neutre au risque.
Il pourrait aussi tre intressant de dvelopper des mesures de risque cohrentes pour les
processus de Lvy, notamment avec les avances de celles bases sur lentropie. Lextension
multivarie de ce modle na toujours pas t dveloppe dans la littrature, alors il pourrait
tre pertinent de sy attarder, entre autres pour tudier les titres indiciels et optimiser la
composition de portefeuilles. Enfin, il pourrait tre intressant daborder le problme inverse
de lestimation des paramtres partir des prix des produits drivs observs sur les marchs
financiers.
113
Annexe A
Dfinitions de base
Une variable alatoire est une variable dont la valeur est dtermine par une exprience alatoire. On associe une probabilit chacune des valeurs possibles. On appelle vnement tout
ensemble de ralisations possible de lexprience alatoire. Lentiret de tous les vnements
se nomme lensemble fondamental et est note .
Une probabilit associe un vnement A doit satisfaire un ensemble de trois axiomes
(Dodge, 2004).
1. Une probabilit est une valeur comprise entre 0 et 1 :
0 P (A) 1.
(A.1.1)
(A.1.2)
[
X
P
Ai =
P (Ai ).
i=1
(A.1.3)
i=1
Le respect de ces conditions devra notamment tre vrifi lors de lutilisation de mthodes
numriques.
Toujours selon Dodge (2004), on dfinit :
1. La densit, note fX (x), permet de dterminer la probabilit quune variable alatoire X
prenne une valeur dans un intervalle fix [a, b]. En intgrant cette fonction sur lintervalle
[a, b], on obtient cette probabilit :
Z
P (a X b) =
fX (x)dx.
(A.1.4)
115
2. La fonction de rpartition, note FX (x), dune variable alatoire est dfinie comme la
probabilit que celle-ci prenne une valeur infrieure ou gale un certain nombre b R :
Z
FX (b) = P (X b) =
fX (x)dx.
(A.1.5)
A.2
Les transformes dune variable alatoire rsultent de lapplication dun oprateur intgral, ou
noyau, sur la fonction de densit.
Certaines dentre elles permettent de dterminer entirement leur distribution. Parmi cellesci, on retrouve la fonction caractristique et les fonctions gnratrices des moments et des
cumulants, qui sont les plus couramment utilises.
Certaines transformes permettent de modifier la distribution dune variable alatoire. Parmi
celles-ci, la transforme dEsscher, qui est employe en actuariat et en finance, est aussi troitement lie au concept dutilit en sciences conomiques.
A.2.1
La fonction caractristique
Transforme de Fourier
La transforme de Fourier est une opration qui transforme une fonction g() en une autre
f (x) par lintgration, sur son domaine, du produit eix g() :
Z
F(g) : x 7 f (x) =
eix g() d.
(A.2.1)
On dfinit aussi la transforme de Fourier inverse , qui permet de retrouver la fonction initiale
g() partir de la transforme f (x) :
g() = F
1
(f (x)) =
2
(A.2.2)
Dfinition
La fonction caractristique est dfinie comme tant la transforme de Fourier inverse de la
densit , dans le cas continu, ou de masse de probabilit , dans le cas discret. Cest donc une
application directe de (A.2.2) qui sexprime par lintgrale de Riemann-Stieltjes :
Z
X (s) =
eisx dFX (x).
Cette intgrale est toujours convergente, comme le dmontre Stuart et Ord (1987).
116
(A.2.3)
Les moments
On dfinit le moment dordre r dune distribution de probabilits comme tant la quantit
reprsente par lesprance de la puissance r dune variable alatoire :
Z
r
E[X ] =
xr dFX (x).
(A.2.4)
En posant s = 0 par la suite, on obtient, pour les diffrentes drives, lquation suivante :
r
d X (s)
= ir E[X r ].
dsr
s=0
Ce qui nous permet de dfinir les diffrents moments de la distribution partir de la fonction
caractristique :
E[X r ] = (i)r
A.2.2
dr X (s)
dsr
.
(A.2.5)
s=0
La densit
On obtient la densit de la variable alatoire X en calculant la transforme de Fourier (A.2.1)
de la fonction caractristique suivante :
1
fX (x) =
2
eisx X (s)ds.
(A.2.6)
(A.2.7)
On peut exprimer cette intgrale sous la forme suivante lorsque la densit f (x) est strictement
continue (Epps, 2007, p.66) :
FX (x) =
1
1
2 2
eisx
(s)ds.
is
(A.2.8)
117
Cette forme est moins approprie pour lintgration numrique, mais sera utile dans plusieurs
calculs. On prfrera la ramener la forme suivante avec le thorme 2 de Wendel (1961) :
Z
1 1 Im eisx X (s)
FX (x) =
ds.
(A.2.9)
2 0
s
Cette fonction peut tre difficile intgrer de manire efficace numriquement, surtout lorsquon lvalue en des points situs aux extrmits de la distribution. On peut alors privilgier
lgalit donne par le thorme 4 de Shephard (1991), qui utilise le noyau de Fejr afin de
rduire lerreur dintgration, pour
Z n
1
1
FX (x) =
lim
2 2 n 0
(A.2.10)
Noyau de Fejr
De mme, en utilisant le raisonnement qui permet de passer de la dfinition de la transforme (A.2.7) celle de son inverse (A.2.9), on obtient, pour le rsultat (A.2.10), lexpression
suivante :
1 1
FX (x) =
lim
2 n
nh
s i Im eisx X (s)
1
ds.
n
s
(A.2.11)
On peut alors obtenir une approximation en fixant la borne dintgration suprieure n qui
dfinit la prcision dsire. Certains logiciels dintgration numrique prennent en charge les
bornes infinies.
La fonction caractristique permet didentifier la distribution dune somme de variables alatoires indpendantes Z = X1 , . . . , Xn , appele produit de convolution et not Z = X1 . . .Xn :
Z (s) = X1 +...+Xn (s) =
n
Y
Xi (s).
(A.2.12)
i=1
Lorsque les variables alatoires sommes sont aussi identiquement distribues, la fonction
caractristique de Z est la ne puissance de celle de X :
Z (s) = X1 +...+Xn (s) = [X (s)]n .
(A.2.13)
Cette fonction est donc une solution de rechange intressante utiliser lorsque aucune forme
analytique pour la densit ou la fonction de rpartition pour une distribution donne nexiste.
A.2.3
La fonction gnratrice des moments MX (s) est dfinie comme tant la transforme de Laplace
inverse de la densit :
MX (s) =
118
(A.2.14)
Cette intgrale, contrairement (A.2.3), ne converge pas toujours, ce qui signifie que certaines
distributions nont pas de fonction gnratrice des moments. Comme son nom lindique, cette
fonction permet de gnrer les moments de la distribution de la variable X, ce qui se fait
essentiellement de la mme manire quavec la dfinition (A.2.5). Par contre, on na pas
liminer le terme complexe, ce qui a pour avantage de simplifier les calculs :
E[X r ] =
dr MX (s)
dsr
.
(A.2.15)
s=0
La fonction gnratrice des moments peut aussi tre obtenue partir de la fonction caractristique :
MX (s) = (is).
(A.2.16)
Ceci permet den dduire quelles possdent des caractristiques communes, notamment le
produit de convolution.
A.2.4
La fonction gnratrice des cumulants KX (s) est dfinie comme le logarithme de la fonction
gnratrice des moments :
KX (s) = ln MX (s).
(A.2.17)
Cette fonction est utilise pour gnrer les cumulants, des quantits troitement lies aux
moments, qui peuvent leur tour tre utiliss dans le cadre de mthodes destimation paramtrique. Parmi celles-ci, on retrouve la mthode des cumulants, dont lobjectif est de former
un systme dquations o les valeurs empiriques et thoriques de ces quantits sont gales.
Les valeurs empiriques peuvent tre obtenues partir des moments chantillonnaux (Stuart
et Ord, 1987) :
1 = m
K
1
(A.2.18a)
2 = m
K
02 m
21
3 =
K
m
03
4 =
K
m
04
(A.2.18b)
3m
1m
02
3m
02
2
4m
1m
03
2m
21
(A.2.18c)
+
12m
21 m
02
6m
41 .
(A.2.18d)
On remarquera aussi la forme de la premire drive de cette dernire, qui sera utilise pour
estimer la densit et la fonction de rpartition avec la mthode du point de selle :
M 0 (s)
dKX (s)
0
= KX
(s) = X .
ds
MX (s)
(A.2.19)
119
A.2.5
La transforme dEsscher
La transforme dEsscher est utilise pour transformer une fonction de densit en une autre
laide dun coefficient exponentiel h :
ehx f (x)
.
hx
e f (x)dx
f (x; h) = R
(A.2.20)
Lorsque lon ne dispose pas dune forme analytique de la densit, on peut exprimer la transforme dEsscher par sa fonction gnratrice des moments :
MX (s; h) =
A.3
MX (s + h)
.
MX (h)
(A.2.21)
tant donn limportance de la transforme de Fourier et de son inverse en sciences physiques, plusieurs algorithmes ont t dvelopps afin den effectuer lintgration numrique.
Ces algorithmes se regroupent sous lappellation de transforme de Fourier rapide.
Lexistence de ces algorithmes favorise lutilisation de la fonction caractristique et de ses proprits, notamment pour lagrgation de risques en actuariat, ou encore le calcul de probabilits
pour des distributions nayant pas de forme explicite pour la fonction de rpartition.
Ces algorithmes numriques sont utiliss respectivement pour calculer de manire optimise
des sommes de la forme
f(xu ) =
N
X
(j ) e
2i
(j1)(u1)
N
u = 1, . . . , n.
(A.3.1)
j=1
j) =
(
N
X
f (xu ) e
2i
(j1)(u1)
N
j = 1, . . . , n.
(A.3.2)
u=1
Par exemple, pour valuer lintgrale (A.2.6) afin dobtenir la valeur de la densit sur un certain
domaine [a, b], on devra discrtiser celle-ci sur nombre N de points de discrtisation.On dfinit
alors les diffrents paramtres de ces deux algorithmes :
=
ba
N ,
120
2
N ,
c=
N
2 ,
fF F T (xu )
N
1 X ij (u1) icj
e
(c + (j 1)),
e
2
(A.3.3a)
N
1 X i 2 (j1)(u1) icj
e N
e
(c + (j 1)).
2
(A.3.3b)
j=1
j=1
(A.3.4)
(A.3.5)
j=1
On recouvre la densit aux points xu = a + (j 1), j = 1, . . . , N en appliquant la transformation suivante au vecteur fF F T (Xu ) :
f (xu ) =
A.4
A.4.1
1 icxu
fF F T (Xu ).
e
N
(A.3.6)
Processus de Lvy
Dfinition et proprits
Le processus de Lvy, tel que prsent par Mikosch et al. (2001), est une classe gnrale
de processus stochastiques regroupant entre autres les processus de Poisson composs et les
processus de Wiener. Il est dfini comme continu droite, limit gauche (cdlg), ayant pour
point de dpart lorigine et ayant des incrments indpendants et homognes. Il est infiniment
divisible, tout processus de Lvy peut ainsi tre considr comme une convolution de plusieurs
autres. Cette proprit est trs intressante dans un contexte de rendements financiers, car
la mme distribution pourra tre utilise avec nimporte quel intervalle dchantillonnage des
prix.
121
Reprsentation de Lvy-Khintchine
Le processus de Lvy est gnralement reprsent par sa fonction caractristique sous la forme
de Lvy-Khintchine :
h
i
E eiX(t) = exp
ait
|{z}
composante de drive
1 2 2
t
|2 {z }
composante de diffusion
Z
+t
|
= exp
ix
e
R\{0}
1 ixI|x|<1 (dx)
{z
}
(A.4.1)
composante de saut
t() .
(A.4.2)
at + B2 (t)
{z
}
|
mouvement brownien
Z
+
xN (t, dx) t(dx)
|x|<1
|
{z
}
Z
+
|x|>1
xN (t, dx)
{z
}
(A.4.3)
122
(A.4.4)
A.4.2
Processus subordonn
On considre les processus de Lvy {X(t)} et {Z(t)}. Celui qui suit est dfini comme tant
un processus subordonn et aussi un processus de Lvy, comme le dmontrent Sato (1999) et
Schoutens (2003) :
{Y (t)} = {X (Z(t))}.
(A.4.5)
Les processus de Lvy les plus couramment utiliss en finance sont des mouvements browniens
subordonns. Ils sont plus faciles manipuler et permettent nanmoins de reprsenter les
phnomnes de queues longues prsents dans les distributions de rendements. Une bonne
introduction ce sujet est faite par Kyprianou (2007).
Si () est lexposant caractristique du processus {X(t)} et (), celui du processus subordonn {Z(t)}, alors celui du processus {Y (t)} prend la forme suivante :
() = () i()
= (i()).
(A.4.6)
(A.4.7)
(A.4.8)
A.5
Thormes dintgration
Ces deux thormes sont prsents sans dmonstration afin de complmenter la dmonstration
de la mthode dEpps de la section 8.3.5. La dmonstration de ceux-ci ncessite des connaissances en thorie de lintgration. On peut retrouver davantage dexplications sur ceux-ci dans
Teschl (2004).
123
A.5.1
(A.5.1)
On suppose quune fonction g intgrable dans lintervalle I existe telle que pour toute valeur
de n et pour tout point x I o elle est dfinie, la valeur absolue de fn (x) est infrieure ou
gale g(x) :
n N, x I , |fn (x)| g(x).
(A.5.2)
A.5.2
Thorme de Fubini
Le thorme de Fubini permet, entre autres, dinverser lordre dintgration lorsque certaines
conditions sont remplies.
Soit une fonction f continue sur le rectangle R suivant :
R = {(x, y)|a x b, c y d} .
(A.5.3)
(A.5.4)
Il est possible de gnraliser cet nonc en utilisant la thorie de la mesure.
124
Annexe B
La loi faible des grands nombres est un rsultat important en probabilit, car il permet de
dfinir la notion destimateur convergent. Soit une suite de variables alatoires indpendantes
et identiquement distribues {XT }
T =1 ayant une esprance E [X] et une variance V [X] finies.
Selon la loi faible des grands nombres, pour tout nombre rel strictement positif , la probabilit
que la diffrence entre la moyenne empirique YT =
X1 +X2 ++XT
T
T +
> 0
(B.1.1)
B.2
Le thorme central limite est un rsultat fondamental en probabilit qui nonce le rle de
la distribution normale. Il dmontre que toute somme de variables alatoires indpendantes et
identiquement distribues suit approximativement une loi normale. Ce rsultat permet entre
autres didentifier la distribution limite dun estimateur convergent.
125
B.2.1
Cas univari
T
=
XT .
(B.2.1)
Alors, cette variable alatoire converge en distribution vers une variable alatoire normale
centre rduite :
L
YT N (0, 1).
B.2.2
(B.2.2)
Cas multivari
On peut aussi gnraliser ce thorme pour des observations multivaries. On considre alors
une srie dobservations multivaries X1 , . . . , XT o
Xt(1)
.
.
Xt =
. ,
Xt(k)
t = 1, . . . , T.
(B.2.3)
T
t=1 Xt(1)
YT =
T P
T
..
.
.
t=1 Xt(k)
(B.2.4)
Dans cette situation, la variable alatoire converge en distribution vers une variable alatoire
de distribution normale multivarie centre de matrice de variance-covariance :
L
T (YT ) Nk (0, )
(B.2.5)
(1,1) (1,k)
.
..
..
.
=
.
.
.
,
(k,1) (k,k)
126
avec (j,k)
V ar X ,
1(j)
=
Cov X , X
1(j)
1(k)
(j = k)
, (j 6= k).
B.3
Dans le cas univari, on utilise la mthode delta pour valuer la distribution dune fonction
dun estimateur, en supposant que la distribution de cet estimateur est asymptotiquement
normale de variance connue.
Dans le cas multivari, on estime la distribution dune fonction dun vecteur destimateurs,
dont la distribution asymptotique est normale multivarie, avec une matrice de variancecovariance .
On a donc, pour un estimateur convergent T , en appliquant le thorme central limite, le
rsultat suivant :
L
T (T 0 ) N (0, ).
(B.3.1)
On cherche la distribution dune fonction h(T ). On dveloppe cette fonction sous la forme
dune srie de Taylor et en conservant seulement les deux premiers termes :
h(T ) h(0 ) + [h(0 )]0 (T 0 ).
(B.3.2)
On a donc, aprs quelques manipulations, que la variance de la fonction h(T ) est approximativement
h
i
0
[h(0 )] .
V ar h(T ) [h(0 )]
T
La distribution de la fonction h(T ) est alors asymptotiquement
L
0
[h(0 )] .
h(T ) N h(0 ), [h(0 )]
T
(B.3.3)
(B.3.4)
127
Annexe C
Donnes
Ce tableau prsente lchantillon de donnes utilises au chapitre 9.
Table C.1: Prix du titre Abbey National (penny sterling) du 31 juillet au 8 octobre 1991
Date
31/07
01/08
02/08
05/08
06/08
07/08
08/08
09/08
12/08
13/08
Prix
296
296
300
302
300
304
303
299
293
294
Date
14/08
15/08
16/08
19/08
20/08
21/08
22/08
23/08
26/08
27/08
Prix
294
293
295
287
288
297
305
307
307
304
Date
28/08
29/08
30/08
02/09
03/09
04/09
05/09
06/09
09/09
10/09
Prix
303
304
304
309
309
309
307
306
304
300
Date
11/09
12/09
13/09
16/09
17/09
18/09
19/09
20/09
23/09
24/09
Prix
296
301
298
295
295
293
292
297
294
293
Date
25/09
26/09
27/09
30/09
01/10
02/10
03/10
04/10
07/10
08/10
Prix
306
303
301
303
308
305
302
301
297
299
129
Bibliographie
Milton Abramowitz et Irene A. Stegun : Handbook of Mathematical Functions : with
Formulas, Graphs, and Mathematical Tables, volume 55. Dover Publications, 1965.
David Applebaum : Lvy Processes : From Probability to Finance and Quantum Groups.
Notices of the American Mathematical Society, 51(11):13361347, 2004.
Louis Bachelier : Thorie de la spculation. Gauthier-Villars, 1900.
Joseph Berkson : Minimum Chi-square, not Maximum Likelihood ! The Annals of Statistics,
pages 457487, 1980.
Nicholas H. Bingham et Rdiger Kiesel : Risk-Neutral Valuation : Pricing and Hedging of
Financial Derivatives. Springer, 2004.
Fischer Black : The Pricing of Commodity Contracts. Journal of Financial Economics, 3
(1):167179, 1976.
Fischer Black et Myron Scholes : The Pricing of Options and Corporate Liabilities. The
Journal of Political Economy, pages 637654, 1973.
D. J. Buckle : Bayesian Inference for Stable Distributions. Journal of the American Statistical
Association, 90(430):605613, 1995.
Ronald W. Butler : Saddlepoint Approximations with Applications, volume 22. Cambridge
University Press, 2007.
Peter P. Carr, Eric C. Chang et Dilip B. Madan : The Variance Gamma Process and
Option Pricing. European Finance Review, 2(1):79105, 1998.
Peter P. Carr et Dilip B. Madan : Option Valuation Using the Fast Fourier Transform.
Journal of Computational Finance, 2(4):6173, 1999.
Martin Crowder : On Consistency and Inconsistency of Estimating Equations. Econometric
Theory, pages 305330, 1986.
131
132
Steven L. Heston : A Closed-Form Solution for Options with Stochastic Volatility with
Applications to Bond and Currency Options. Review of Financial Studies, 6(2):327343,
1993.
David V. Hinkley et Nagesh S. Revankar : Estimation of the Pareto Law from Underreported Data : A Further Analysis. Journal of Econometrics, 5(1):111, 1977.
Robert V. Hogg et Allen Craig : Introduction to Mathematical Statistics. Macmillan, 1978.
Andrey Itkin : Pricing Options with VG Model Using FFT. arXiv preprint physics/0503137,
2005.
Wai Wan Tsang Jingbo Wang et George Marsaglia : Evaluating Kolmogorovs Distribution. Journal of Statistical Software, 8(18):14, 2003.
Samuel Kotz, Tomasz J. Kozubowski et Krzystof Podgrski : The Laplace Distribution
and Generalizations : A Revisit with Applications to Communications, Economics, Engineering, and Finance. Progress in Mathematics Series. Birkhuser, 2001.
Ioannis A. Koutrouvelis : A Goodness-Of-Fit Test of Simple Hypotheses Based on the
Empirical Characteristic Function. Biometrika, 67(1):238240, 1980.
Tomasz J. Kozubowski et Krzysztof Podgrski : A Class of Asymmetric Distributions.
Actuarial Research Clearing House, 1:113134, 1999.
Tomasz J. Kozubowski et Krzysztof Podgrski : Asymmetric Laplace Laws and Modeling
Financial Data. Mathematical and Computer Modeling, 34(9):10031021, 2001.
Andreas E. Kyprianou : Introductory Lectures on Fluctuations of Lvy Processes with Applications. Springer, 2007.
Robert Lugannani et Stephen Rice : Saddle Point Approximation for the Distribution of the
Sum of Independent Random Variables. Advances in Applied Probability, pages 475490,
1980.
Eugene Lukacs : Characteristic Functions, volume 4. Griffin London, 1960.
Andrew Luong et Mary E. Thompson : Minimum-Distance Methods Based on Quadratic
Distances for Transforms. Canadian Journal of Statistics, 15(3):239251, 1987.
Dilip B. Madan et Eugene Seneta : The Variance Gamma Model for Share Market Returns.
Journal of Business, pages 511524, 1990.
Benoit Mandelbrot : The Variation of Certain Speculative Prices. Journal of Business,
pages 394419, 1963.
133
Robert C. Merton : Option Pricing when Underlying Stock Returns Are Discontinuous.
Journal of Financial Economics, 3(1):125144, 1976.
Thomas Mikosch, Sidney I. Resnick et Ole E. Barndorff-Nielsen : Lvy Processes :
Theory and Applications. Birkhuser, 2001.
Wesley C. Mitchell : A Critique of Index Numbers of the Prices of Stocks. The Journal of
Political Economy, pages 625693, 1916.
Whitney K. Newey et Daniel McFadden : Large Sample Estimation and Hypothesis Testing.
Handbook of Econometrics, 4:21112245, 1994.
Whitney K. Newey et Kenneth D. West : Hypothesis Testing with Efficient Method of
Moments Estimation. International Economic Review, 28(3):777787, 1987.
Peter D. Praetz : The Distribution of Share Price Changes. Journal of Business, pages
4955, 1972.
S. James Press : A Compound Events Model for Security Prices. Journal of Business, pages
317335, 1967.
Ken-Iti Sato : Lvy Processes and Infinitely Divisible Distributions. Cambridge Studies in
Advanced Mathematics. Cambridge University Press, 1999.
Wim Schoutens : Lvy Processes in Finance. Wiley, 2003.
David Scott et Christine Yang Dong : variancegamma : The Variance Gamma Distribution,
2012. URL http://CRAN.R-project.org/package=VarianceGamma. Consult le 24 janvier
2014.
Eugene Seneta : Fitting the Variance Gamma Model to Financial Data. Journal of Applied
Probability, pages 177187, 2004.
Samuel Sanford Shapiro et Martin B. Wilk : An Analysis of Variance Test for Normality
(Complete Samples). Biometrika, 52(3/4):591611, 1965.
Neil G. Shephard : From Characteristic Function to Distribution Function : A Simple
Framework for the Theory. Econometric Theory, 7(04):519529, 1991.
Murray R. Spiegel et John Liu : Schaums Mathematical Handbook of Formulas and Tables,
volume 1000. McGraw-Hill, 1999.
Alan Stuart et J. Keith Ord : Kendalls Advanced Theory of Statistics, Vol. 1. Oxford
University Press, 1987.
134
Gerald Teschl : Topics in Real and Functional Analysis, 2004. URL http://www.mat.
univie.ac.at/~gerald/ftp/book-fa/index.html. Consult le 24 janvier 2014.
Christian Walter : Lvy-Stability Under Addition and Fractal Structure of Markets : Implications for the Actuaries and Emphasized Examination of MATIF National Contract. In
Proceedings of the 5th AFIR colloquium. International Actuarial Association, 1995.
J. G. Wendel : The Non-Absolute Convergence of Gil-Pelaez Inversion Integral. The Annals
of Mathematical Statistics, 32(1):338339, 1961.
Jacob Wolfowitz : The Minimum Distance Method. The Annals of Mathematical Statistics,
pages 7588, 1957.
Jeffrey M. Wooldridge : Econometric Analysis of Cross Section and Panel Data. MIT
press, 2001.
135
Contrat de partage
Cette cration est mise disposition selon le contrat Attribution - Partage dans les Mmes
Conditions 4.0 International de Creative Commons disponible ladresse http://creativecommons.
org/licenses/by-sa/4.0/deed.fr
En vertu de ce contrat, vous tes autoris :
Partager copier, distribuer et communiquer le matriel par tous moyens et sous tous
formats
Adapter remixer, transformer et crer partir du matriel pour toute utilisation, y
compris commerciale.
LOffrant ne peux retirer les autorisations concdes par la licence tant que vous appliquez les
termes de cette licence.
137