Documente Academic
Documente Profesional
Documente Cultură
LE MODLE GARCH
(Generalized Auto Regressive Conditionnel Heteroskedasticity)
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 ?
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
Master Actuariat et Gestion de Risque
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.
Master Actuariat et Gestion de Risque
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.
Master Actuariat et Gestion de Risque
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
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.
Master Actuariat et Gestion de Risque
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.
Master Actuariat et Gestion de Risque
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)
La variance conditionnelle :
Le processus autorgressif :
ou
La variance conditionnelle du processus Xt ARCH(1) dfini par lquation est non constante dans le temps et vrifie
0 > 0
et
0 < 1 1.
Master Actuariat et Gestion de Risque
Do:
la forme:
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
Ainsi, lerreur du processus Yt, dfinie par le processus GARCH(p, q) t admet pour moments conditionnels
On tire donc
o zt dsigne bruit blanc faible gaussien, alors (i) la loi marginale de t a des queues plus paisses quune loi normale (distribution leptokurtique)
Master Actuariat et Gestion de Risque
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.
Master Actuariat et Gestion de Risque