Arch

Master Actuariat et Gestion de Risque
LE MODLE GARCH
(Generalized Auto Regressive Conditionnel Heteroskedasticity)
Ralis par: Benhaimed Amine
Zhar Majda
Introduction
La modlisation GARCH (Generalized Autoregressive Conditional Heteroskedasticity) est devenu un outil incontournable en finance pour tudier et prvoir la volatilit, il correspond une reprsentation spcifique de la non linarit qui permet une modlisation simple de lincertitude.
Introduction
-Quelles sont les diffrentes proprits des sries financires ?
-Comment peut-on modlis le processus ARCH/GARCH ?
Plan
PARTIE 1: Processus linaire et processus non linaire
1 / Les principales proprits des sries financires 2 / Lapproche ARCH/GARCH linaire PARTIE 2 : Modles ARCH/GARCH linaire 1/ Modles ARCH (q) et modles avec erreurs ARCH (q) 2/Modles GARCH (p ; q)
Conclusion
Processus linaire et processus non linaire

On distingue 8 principales proprits qui ont t propos par Charpentier en 2002:

Proprit 1 : Stationnarit. Proprit 2 : Autocorrlation des carrs. Proprit 3 : Distribution leptokurtique. Proprit 4 : Clusters de volatilit. Proprit 5 : Distribution conditionnelle leptokurtique. Proprit 6 : Effet de levier. Proprit 7 : Saisonnalit. Proprit 8 : Asymtrie.
Proprit 1 : Stationnarit
Les processus stochastiques pt associs aux prix dactif sont gnralement non stationnaires au sens de la stationnarit du second ordre, tandis que les processus associs aux rendements sont compatibles avec la proprit de stationnarit au second ordre.
Proprit 2 : Autocorrlation des carrs. Autocorrlation des carrs des variations de prix)
La srie rt associe aux carrs des rendements prsente gnralement de fortes autocorrlations tandis que les auto-corrlation de la srie rt Master Actuariat et Gestion de Risque sont
Sous lhypothse danticipations rationnelles, les erreurs de prvisions dfinies par :
t+1=P
t+1
+EtP
t+1
doivent tre nulles en moyenne et ne doivent tre corrles avec aucune information de lensemble dinformation disponible la date t.
Proprit 3 : Distribution leptokurtique Lhypothse de normalit des rendements est gnralement rejete. Les queues des distributions empiriques des rendements sont gnralement plus paisses que celles dune loi gaussienne. On parle alors de distribution leptokurtique.
la Kurtosis dune variable alatoire X correspond son moment centr dordre 4: 4 = E[(X )4 ] Degr dexcs de Kurtosis:
Proprit 4 (Clusters de Volatilit) On observe empiriquement que de fortes variations des rendements sont gnralement suivies de fortes variations. On assiste ainsi un regroupement des extrmes en cluster ou paquets de volatilits.
Proprit 5 (Queues paisses conditionnelles) Mme une fois corrige de la volatilit clustering (par exemple avec des modles ARCH), la distribution des rsidus demeure leptokurtique mme si la kurtosis est plus faible que dans le cas non conditionnelle.
Proprit 6 (Effet de levier) Il existe une asymtrie entre leffet des valeurs passes ngatives et leffet des valeurs passes positives sur la volatilit des cours ou de rendements. Les baisses de cours tendent engendrer une augmentation de la volatilit suprieure celle induite par une hausse des cours de mme ampleur.
Proprit 7 (Saisonnalit) Les returns prsentent de nombreux phnomnes de saisonnalit. Proprit 8 (Asymtrie perte/gain) La distribution des cours est gnralement asymtrique : il y a plus de mouvements forts la baisse qu la hausse.
Lapproche ARCH/GARCH linaire
Ces proprits sont difficiles reproduire partir de modles ARMA linaires classiques. On distingue une infinit de processus non linaires:
- Processus non linaires en moyennes. -Processus non linaire en variance.
Propos par Engle (1982), le modle ARCH consiste supposer que la variance dpend de lensemble informationnel dont on dispose. Il propose une spcification ARCH(q) o le carr des perturbations suit un processus autorgressif dordre q.
La famille des modles ARCH peut se dcomposer en deux sous-ensembles: les modles ARCH linaires: modles ARCH(q), GARCH(p, q) et IGARCH(p, q).
Les modles ARCH non linaires: les modles EGARCH(p, q), TARCH(q) et TGARCH(p, q)
Modles ARCH/GARCH linaire
1/ Modles ARCH (q) et modles avec erreurs ARCH (q)
Modle ARCH (1):
Un processus Xt satisfait une reprsentation ARCH(1) si
La variance conditionnelle :
Le processus autorgressif :
ou
On vrifie tout dabord que le processus Xt vrifie la dfinition
dune diffrence de martingale homoscdastiques et dun

bruit blanc faible

Un processus Xt est un bruit blanc faible si il sagit
dune suite de variables de moyenne nulle,
homoscdastiques et non corrls. Si lon note

EL(.) lesprance linaire :
La variance conditionnelle du processus Xt ARCH(1) dfini par lquation est non constante dans le temps et vrifie
Cest la proprit centrale des processus ARCH

Les auto-covariances conditionnelles du processus Xt ARCH(1) dfini par lquation sont nulles

Les conditions suffisantes qui garantissent la positivit du processus Xt sont 1 > 0 et 0 + t 0 pour toute valeur admissible de t. Ceci implique notamment des contraintes sur le support de la loi de t. De plus, la variance marginale du processus Xt existe si et seulement si:
0 > 0
et
0 < 1 1.

La kurtosis non conditionnelle associe au processus ARCH(1) est gale

Sous lhypothse de positivit du paramtre 1, la kurtosis non conditionnelle
est toujours suprieure celle de la loi normale : elle traduit laspect leptokurtique de la distribution du processus Xt. Cest donc la deuxime raison, avec la variance conditionnelle dpendante du temps, pour laquelle les processus ARCH sont trs utiliss pour reprsenter les sries financires ou les rsidus de modles linaires dfinis sur sries financires.
La kurtosis non conditionnelle associe au processus ARCH(1) est gale
Do:

Modle avec erreurs ARCH(q):
On considre un modle linaire autorgressif de
la forme:

Modles GARCH(p,q)
Un des problmes qui se pose avec les modles ARCH(q) rside dans le fait quil est souvent ncessaire de considrer un nombre de retards q important pour purger les corrlations dans le carr de Xt
Lide de lextension GARCH est la mme dans le cas de la variance conditionnelle

Processus t satisfait une reprsentation GARCH(p, q) si:
o zt est un bruit blanc faible et o 0 > 0, i 0, i = 1, . . . , q et i 0, i = 1, . . . , p.

Ainsi, lerreur du processus Yt, dfinie par le processus GARCH(p, q) t admet pour moments conditionnels
On tire donc

Si le processus t satisfait une reprsentation GARCH(p,q) conditionnellement gaussienne, telle que:
o zt dsigne bruit blanc faible gaussien, alors (i) la loi marginale de t a des queues plus paisses quune loi normale (distribution leptokurtique)

Son coefficient dexcs de kurtosis peut sexprimer sous la forme suivante:
Conclusion
Les modles avec erreurs htroscdastiques peuvent tre estims gnralement de trois faons :
Estimateurs de la classe du Maximum de Vraisemblance (MV) Estimateurs du Pseudo Maximum de Vraisemblance (PMV) Estimateurs en deux tapes.

Arch

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Arch

Încărcat de

Drepturi de autor:

Formate disponibile

Master Actuariat et Gestion de Risque

Ralis par: Benhaimed Amine

Master Actuariat et Gestion de Risque

-Comment peut-on modlis le processus ARCH/GARCH ?

Master Actuariat et Gestion de Risque

Processus linaire et processus non linaire

Processus linaire et processus non linaire

Processus linaire et processus non linaire

Processus linaire et processus non linaire

Sous lhypothse danticipations rationnelles, les erreurs de prvisions dfinies par :

Master Actuariat et Gestion de Risque

Processus linaire et processus non linaire

Master Actuariat et Gestion de Risque

Processus linaire et processus non linaire

Master Actuariat et Gestion de Risque

Processus linaire et processus non linaire

Master Actuariat et Gestion de Risque

Processus linaire et processus non linaire

Master Actuariat et Gestion de Risque

Processus linaire et processus non linaire

Master Actuariat et Gestion de Risque

Lapproche ARCH/GARCH linaire

Lapproche ARCH/GARCH linaire

Master Actuariat et Gestion de Risque

Lapproche ARCH/GARCH linaire

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

1/ Modles ARCH (q) et modles avec erreurs ARCH (q)

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

Modle ARCH (1):

Un processus Xt satisfait une reprsentation ARCH(1) si

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

On vrifie tout dabord que le processus Xt vrifie la dfinition

dune diffrence de martingale homoscdastiques et dun

Modles ARCH/GARCH linaire

homoscdastiques et non corrls. Si lon note

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

Cest la proprit centrale des processus ARCH

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

Modles ARCH/GARCH linaire

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

La kurtosis non conditionnelle associe au processus ARCH(1) est gale

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

On considre un modle linaire autorgressif de

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire

Master Actuariat et Gestion de Risque

Modles ARCH/GARCH linaire