´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
´ nom´ Eco Econom´ etr ie de la fina etrie finance nce Partie 2 Mod´ eliser les rendem eliser rendements ents bo boursiers ursiers Arthur Charpentier
http ://perso ://perso.univ-ren .univ-rennes1.fr/ nes1.fr/arthur.ch arthur.charpentie arpentier/ r/ blog.univ-rennes1.fr/arthur.charpentier/
Master 1, Universit´e Rennes 1
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Plan du cours Manageemnt emnt • Mesurer les risques, une introduction au Risk Manage ◦ Mes Mesure urerr les risques risques ? ◦ Value-at-Risk Contexte xte r´egelem ege lementai entaire re ◦ Conte elise r des rendem rendements ents bou boursiers rsiers • Mod´eliser ◦ Que cherche-t-on a` mo mod´ d´eliser elis er ? ◦ Aspects marginaux, aspects dynamiques ◦ Processus ARCH et GARCH ◦ Processus `a volat volatilit´ ilit´e sto stochast chastique ique ◦ Du rendement d’un titre au rendement d’un portefeuille • Re Reto tour ur ` a la VaR Estimation ion de la Value-a alue-at-Risk, t-Risk, un mot de th´eorie eorie des extrˆemes emes ◦ Estimat ◦ Estimation de la Value-at-Risk pour des processus GARCH
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Que doit-on mod´ eliser ? eliser Taussig (1921) notait que le niveau de fixation des prix ne peut peu t se r´esumer esumer a` une interaction entre l’offre et la demande : les fluctuations des prix sont errati err atique ques, s, impr´evisible evis ibles. s. “Is market price price determinate determinate ? ”. ? ”. Sa r´epone epo ne est non, et il faut introduire de l’incertitude, en tenant aussi compte de la psychologie des acteurs (rumeurs, phases d’euphorie...). Working (1934) et Slutsky (1937) ont ainsi not´e une analogie analo gie entre les ´evolu evolutio tions ns de s´eries er ies ´econ econom omiqu iques es et les les s´erie eriess de nombr nombres es al´eato eatoir ires es (´eventue eventuell llem ement ent cumul´ cumul´ees ees pour po ur les les pri p rix). x). Working (1934) propose trois types de mod`eles eles pour les prix, X t = X t−1 + σεt o`u (εt ) est i.i.d. (0, (0, 1), X t = X t−1 + σt εt o`u (εt ) est i.i.d. (0, (0, 1), X t = X t−1 + σt ηt o` u (ηt ) est i.i.d., X t = X t−1 + σt ηt o` u (ηt ) est une diff´erence erence de martingale. marti ngale.
• • • •
N N
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Que doit-on mod´ eliser ? eliser On peut alors s’int´eroger, eroge r, comme Cowles & Jones (1937),
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Que doit-on mod´ eliser ? eliser Ce hasa hasard rd semble semble ˆetre et re li´e a` l’information dont disposent les agents. Pour repr re pren endre dre l’id´ l’i d´ee ee de Working (1958) (1958),, l’information est `a l’origine des fluctuations. Au lieu de travailler sur les prix des actions, Osborne (1959) propose de travailler sur le logarithme des prix.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
La mod´elisation elisation qu’il retient r etient est directement issue des travaux travaux de Gibbs sur les ´equilibres equilibres des particules. Il propose ainsi que log P t suive un mouvement brownien. En ´etudi etudiant ant davantage davanta ge de s´erie eries, s, Alexander (1964) note qu’il convient de rajouter une tendance, et donc log P t = µt + W t . Pour ˆetre etre enco encore re plus plu s pr´ecis, ec is, Houthakker (1961) ´ecrit
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Un autre point poi nt not´e par Kendall (1953) est qu’en plus de ce hasard observ´e pour chaques actions, il existe une “d´ “ d´epen pendance ” ce ” non n´egligeable eglige able entre les actions action s (en notant que les prix au sein d’un mˆeme eme secteur d’activit´ d’activ it´e pouvaient parfois parfoi s ´evoluer evoluer fortement forte ment ensemble). Il convenait donc d’avoir une mod´elisation elisat ion mult multiva ivarri´ee ad´ ad´equat qu ate. e.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Prix Pr ix et re rentab ntabili ilit´ t´ e Soit P t le prix d’un actif `a la date t. Definition 1. Les incr´eme em ents des prix entre les dates t ∆t = P t
− 1 et t est
− P t
−1 .
Peut de monde utilise cette grandeur. Pourtant c’est cette grandeur qui a du sens si on suppose que les prix suivent suivent une marche al´eatoire. eatoire. ren ntabilit´e e (nette) entre les dates t Definition 2. La re Rt =
P t
− P t
P t−1
−1
.
− 1 et t est
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Prix Pr ix et re rentab ntabili ilit´ t´ e Remark 3. Nous traduirons le terme return par ren enta tabi bili lit´ t´e, qui est une traduction plus correcte de rendement rendement..
− k + 1 et t est alors Rt (k) = (1 + Rt ) · (1 + Rt 1 ) · ... · (1 + Rt
Le rentabilit´e entre les dates t
−
−k+1 )
−1
Remark 4. Le plus souvent, une “ renta rentabil bilit´ it´e de 20 20% %” correspondra `a un ren rentab ta bilit´e e annuel de 20% 20%..
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Prix Pr ix et re rentab ntabili ilit´ t´ e Il est aussi possible d’annualiser d’annualiser les rentabilit´ rentabilit´es es sur plusieurs ann´ees ees afin de les comparer,
k−1
A(Rt(k)) =
1/k
(1 + Rt−i )
i=0
−1∼
1 k
k−1
Rt−j ,
i=0
si les rentabilit´es es sont faibles faible s (d´eveloppement evelopp ement de Taylor a` l’ordre 1). Pour un porte po rtefeu feuille ille,, com compo pos´ s´e des quantit´ qua ntit´es es actifs, actif s, a pour rentabilit´e
α
= (α1 ,...,αn ) dans chacun des
n
Rα,t =
i=1
αi Ri,t .
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Prix Pr ix et re rentab ntabili ilit´ t´ e Remark 5. Nous utiliserons utilise rons dans ce cours cette d´ efinition efinit ion de la rentabilit´e. e. En r´ ealit´ ealit´e, e, il convient de prendre prendre en compte les dividendes dividen des vers´es. es. En effet, le ren rentab ta bilit´e e Rt doit doit v´erifi er ifier er
·
(1 + Rt ) P t−1 = P t + Dt , soit Rt =
P t + Dt P t−1
−1=
P t + P t−1 P t−1
+
Dt P t−1
renta ren tabi bili lit´ t´ e ”pure”
taux de dividend dividende e
Mai s puisque Mais puis que la d´efinito efin iton n de la rentabili renta bilit´ t´e est impact´ impa ct´ee ee par l’unit´ l’un it´e de temps, tem ps, il convient de prendre en compte un taux continu
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Prix Pr ix et re rentab ntabili ilit´ t´ e Definition 6. La La log log-re -ren nta tabi bili lit´ t´e e (ou taux continu) `a la date t est le logarithme de la rent rentabi abili lit´ t´e bru brut, t, 1 + Rt , rt = log(1 + Rt ) = log
P t P t−1
= log P t
− log P t
−1
= pt
− pt
−1 ,
o` u pt = log P t . u Notons Noton s qu’au q u’au premier premie r ordre (rentabilit´ (rentabili t´es es proches pro ches de d e 0), ces deux d´efinitions efinitio ns sont ´equiva qu ivale lent ntes es
rt = log(1 + Rt ) = log 1 +
P t
− P t
−1
P t−1
∼
P t
− P t
P t−1
−1
= Rt .
Le rentabili renta bilit´ t´e sur plusieur plus ieurss p´eriod eri odes es s’´ecrit ecr it alo alors rs simplem simp lement ent rt (k) = =
log(1 + Rt (k)) log Rt + log(1 + Rt−1 ) + ... + log(1 + Rt−k+1 )
= rt + rt−1 + ...rt−k+1
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Prix Pr ix et re rentab ntabili ilit´ t´ e Malheureusement, Malheur eusement, le log-rentabilit´ log-r entabilit´e d’un portefeui por tefeuille lle est plus compliqu´ compliq u´e `a exprimer (le logarithme d’une somme n’´ etant etant pas la somme des logarithmes), log arithmes), n
rα,t =
i=1
αi ri,t .
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Mod´ Mo d´ elisati elisation on des march´ es es financier finan ciers, s, les rendem rendements ents
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Mod´ Mo d´ elisati elisation on des march´ es es financier finan ciers, s, les rendem rendements ents
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Incréments des prix
0 0 5
0 0 0 6
0 0 0 5 0
0 0 0 4
0 0 5 −
0 0 0 3
0 0 0 2 0 0 0 1 −
1990
1995
2000
2005
1990
1995
Rentabilités des prix
2000
2005
Log rendements des prix
1 . 0
1 . 0
0 . 0
0 . 0
1 . 0 −
1 . 0 −
2 . 0 − 2 . 0 −
1990
1995
2000
2005
1990
1995
2000
2005
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Portefeuille et indices
• indice CAC40 - Cotati Cot ation on Assist´ Ass ist´ee ee en Continu Conti nu - calcul´ cal cul´e a` partir par tir d’un ´echantillo echanti llon n • • • • • • •
de 40 valeurs cot´ees ees en France, rance , indice SBF120 (voire 250), 25 0), bas´ e sur 120 ou 250 titres indice FTSE 100, 100, regroupant les 100 plus grosses capitalisations de la bourse de Londres indice Nikkei225 , regroupant les 100 plus grosses capitalisations japonaise indice Dax Dax,, indice indi ce de r´ef´ ef´erence ere nce en Allemag Alle magne, ne, indice Dow Jones (cr´e´ e´e par Charles Charle s Dow et Edouard Edouar d Jones en 1884 1884)) regroupe regr oupe les 30 plus grosses gro sses capitalisations am´ericaines ericaines en dehors du secteur des nouvelles technologies, indice Nasdaq repr´ rep r´esente ese nte les valeurs technolo techn ologiq giques ues am´ericai eri caines nes.. Indice Indi ce tr`es es h´et´ et´erog` ero g`ene, ene , on peut pe ut y trouver tro uver de tr`es es fortes for tes capita cap italisa lisatio tions ns (Micros (Mic rosoft oft,, Go Googl ogle) e) mais aussi de beaucoup plus modestes indice SP500 calcul´e par Standard Standar d & Poor’s, porte por te sur 500 valeurs cot´ees ees au New York Stock Exchange.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Portefeuille et indices Un indice est plus complexe comple xe qu’un simple portefeui por tefeuille lle : les pond´ pon d´erations erati ons ´evoluent evoluent sans cesse dans le temps (indice de Laspeyres Laspeyres). ). La valeur de l’indice `a la date t v´erifie N t i,t+1 i=1 αi,t P i,t+1 V t+1 = V t , N t i,t i=1 αi,t P i,t
·
o`u αi,t est le nombre total d’actions d’acti ons ´emises emises par la socit´ soc it´e i a` la date t, de telle sorte que αi,t P i,t esig es igne ne la ca capi pita tali lisa sati tion on bours oursi` i`ere er e de la soci´ so ci´et´ et´e i. i,t d´
·
En cas d’augm d’a ugmentat entation ion de capita cap itall d’une d’un e soci´ so ci´et´ et´e j , le nombre total d’actions passe de αj,t `a αj,t (1 + δ ), ), on cr´ee ee une discontinui disc ontinuit´ t´e dans la capita cap italisa lisatio tion n boursi` bo ursi`ere. ere . Afin d’´eviter eviter cette discontinuit´e, e, et de garder garde r une condition conditi on d’autofinancem d’autofi nancement ent N t
i=1
N t
αi,t+ i,t+ε P i,t i,t =
i=1
αi,t P i,t i,t ,
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Portefeuille et indices on effectue un a justement de toutes les capitalisations, ca pitalisations, en consid´ erant, erant, au lieu de αi,t N t i,t i=1 αi,t P i,t αi,t αj,t (1 + δ )P i,t + α P i,t i,t i =j i,t i,t
×
Aussi, le poids de j augemente au sein de l’indice, et le poids des autres diminue. Si cette condition d’autofinancement est satisfaite on par le de por orte tefe feui uille lle fe ferm´ rm´e (closed end fund ). fund ). Sinon on parle de portefeuille ouvert (open end fund ), fund ), comme le sont la plupart des SICAV. Mˆeme em e si le porte or tefe feui uill llee est es t ferm´ fe rm´e, e, il peut eu t ´enor enorm´ m´ement em ent vari´ vari´e, e, 21 novembre 2003, Arcelor remplace Orange, 1er octobre 2004, Publicis remplace Aventis, 3 janvier 2003, GdF remplace Casino, 19 d´ecembre ecembre 2005, EdF remplace rempla ce TF1,... Le 1er d´ecembre ece mbre 200 2003, 3, le CAC40 a adopt´ ado pt´e le syst`eme eme de cap capita italisa lisatio tion n bo boursi` ursi`ere ere flottante : un titre ne peut pas d´epasser epasser 15% du poids total du CAC 40. Le
• • • •
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
CAC40 CAC40 a ´egal eg alem ement ent suppr sup prim´ im´e le pr princ incip ipee M`ere/ er e/Fi Fill llee, ayant pour vocation d’´evit eviter er qu’u qu’une ne soci´ so ci´et´ et´e co cot´ t´ee ee d´eten et enant ant des des filia filiale less co cot´ t´ees ee s ne trus tr uste tent nt la comp co mpos osit itio ion n du CAC 40 40.. Ai Ainsi nsi,, une soci´ so ci´et´ et´e dite dit e soci´ so ci´et´ et´e fille (car (ca r contrl´ contr l´ee ee par une so ci´et´e dite soci´et´e m`ere ) e ) vo voyait yait son poids dans l’indice limit´e `a la part non d´etenue nue par la so ci´et´e m`ere. titre
flottant
av avant
apr` es
d´ d´ efinitif
variation
Total
1,00
12,09
15,013
15,00
+2 + 24,09%
BNP Paribas
0,95
5,87
6.931
6.93
+18,00%
Aventis
0,90
5,33
5, 5 ,954
5,96
11,79%
So ci´ et´ e G´ en´ erale
1,00
4.05
5.025
5.03
+24,21%
France Te1ecom
0,50
7,15
4,438
4,44
-37,89%
Sanofi
0.60
3.15
4.270
4.27
+35.51 %
Axa
0,80
3,91
3,888
3,89
-0,63%
L’Or´ eal
0,50
5,79
3,596
3,60
-37,89%
Vivendi Universal
1,00
2,84
3,527
3,53
24,21%
Danone
1,00
2,46
3, 3,054
3,05
24,21%
LVMH
0,55
3,90
2, 2,661
2,66
-31,68%
Alcatel
1,00
1,94
2,404
2,40
+24,21 %
Tab. 1 – Composition du CAC40 au passage `a la capitalisatio capita lisation n boursi` bour si`ere ere flottante. Pour l’indice CAC40, la composition au 13 f´evrier evrier et au 15 septembre 2006 2 006 ´etait etait
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
la suivante, 13/02
15/09
13.61%
13.96%
21
13/02
15/09
Veolia Environ
1.76%
1.71%
1
Total SA
2
Sanofi-Aventis
9.69%
10 1 0.19%
22
Vinci
1.63%
1. 1 .71%
3
BNP Paribas
7.03%
6.56%
23
Perno d-Ricard SA
1.46%
1.39%
4
Societe Generale
5.73%
5.51%
24
Dexia CC
1.44%
1.42%
5
Axa SA
5.22%
5.92%
25
Bouygues SA
1.38%
1.29%
6
Suez SA
4.16%
3.86%
26
Accor SA
1.22%
1.14%
7
France Telecom
3.94%
4.55%
27
EDF
1.17%
1.08%
8
Vivendi Univers
3.42%
3.69%
28
STMicroelectron
1.10%
1.18%
9
Group e Danone
2.77%
2.21%
29
Lagardere
1.07%
1.05%
10
Carrefour SA
2.71%
2.90%
30
Euro Aero Def Sp
1.06%
1.13%
11
LVMH
2.36%
2.46%
31
Peugeot SA
0.96%
0.98%
12
Credit Agricole
2.31%
2.90%
32
Michelin
0.91%
0.81%
13
L’Oreal
2.31%
2.48%
33
Essilor Intl
0.87%
0.86%
14
Saint Gobain
2.27%
2.10%
34
AGF Assurances
0.85%
0.87%
15
Schneider Electr
2.22%
2.07%
35
PPR
0.80%
0.81%
16
Arcelor
2.14%
1.14%
36
Gaz de France
0.61%
0.59%
17
Air Liquide
2.13%
2.17%
37
Publicis Group e
0.57%
0.56%
18
Alcatel
1.98%
1.70%
38
Cap Gemini SA
0.54%
0.52%
19
Renault SA
1.95%
1.63%
39
Thomson
0.46%
0.60%
20
Lafarge
1.80%
1.61%
40
Thales (Alstom)
0.42%
0.87%
Tab. 2 – Composition du CAC40, 13 f´evrier evrier et 15 septembre 2006.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Rentabili Renta bilit´ t´ e et tau taux x de change Dans le cas d’indice ´etranger, etran ger, la rentabilit´e “r´eel le ” e ” doit inclure un ´eventuel eventuel taux de change. Soit et le taux de change au comptant (prix en monnaie domestique euro euro - d’une d’u ne unit´ uni t´e de devis devisee ´etra etrang` ng`ere ere - yen). yen) . Soit Soi t P te est le prix en yens des actifs financiers, le prix en euros est alors P t = et P te . La rentabili renta bilit´ t´e “r´eel le ”, e ”, en monnaie domestique (en euros) est alors
×
P t rt = log = P t−1
log
et et−1
rentabil renta bilit´ it´ e en euros eur os
rentabilit´ rentabil it´ e du taux de change
+
P te log e P t−1
rentabil renta bilit´ it´ e en yens
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Normalit´ e des rende rendements ments ?
{ · · · , xn }, et notons x1:n 1:n , · · · , xn:n la statistique
Cons Co nsid´ id´eron er onss un ´echant ech antil illo lon n x1 , d’ordr d’o rdree assoc ass oci´ i´ee, ee, i.e. i.e .
{ · · · , xn } ≤ x2:n 2:n ≤ · · · ≤ xn
x1:n 1:n = min x1 ,
−1:n 1:n
≤ xn:n = max{x1 , · · · , xn}
On peut pe ut d´efinir efini r la fonctio fonction n de r´epartition eparti tion empiri empirique que F Fn , 1 F Fn (x) = n
n
i=1
1(xi
≤ x)
Cette fonction est une fonction en escalier,
F F n (x) =
{ · · · , xn}
0 pour x < x1:n 1:n = min x1 , i n
∈ [xi:n , xi+1:n +1:n ) 1 pour x > xn:n = max{x1 , · · · , xn } pour x
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Cette fonction peut ˆetre etre utilise pour tester la normalit´e. e. On peut se demander si L
X = µ + σZ o` u Z
(0, 1). 1). ∼ N (0,
Ceci se formalise sous la forme suivante
− F ( F (x) = Φ
x
µ
σ
pour tout x
∈ R,
ou de ma mani` ni`ere er e ´equi eq uivale valente nte
F F −1 (u) = µ + σ Φ−1 (u) pour tout u
∈ [0, [0, 1]. 1].
Ces deux conditions conditi ons peuvent s´ecrire ecrir e i F ( F (xi:n ) = = Φ n
ou de ma mani` ni`ere er e ´equi eq uivale valente nte F F −1
i n
− xi:n µ σ
= X i:n = µ + σ Φ−1
pour i = 1, 2,
i n
· · · , n,
pour i = 1, 2,
· · · , n.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les nuages de points
i ; Φ (xi:n ) n
et
X i:n ; Φ−1
i n
,
s’appelle respectivement PP plot et QQ plot. plot.
5 5 . 0
2
e u q i r o é h t é t i l i b a b o r P
0 5 . 0
e u q i r o é h t
e l i t n a u Q
5 4 . 0
1
0
1 −
2 −
0 4 . 0
0.0
0.2
0.4
0.6
Probabilité empirique
0.8
1.0
−0.2
−0.1 Quantile empirique
0.0
0.1
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
De la normalit´ e des rendements rende ments
Comme F Fn est une fonction en escalier, elle n’est pas d´ erivable, erivable, et donc elle ne permet per met pas vraiment vraime nt d’obtenir d’o btenir la densit´e. e. L’histogramme permet d’obtenir, `a partir d’un grille de discr´ L’histogramme etisation etisation de R une estimation estima tion de la densit´e : soit a = (ai ) une suite strictement croissante, et posons
f f a,n (x) =
1 n(ak+1
n
)), − ak ) i=1 1(X i ∈ [ak , ak+1 )),
∈
o k est tel que x [ak , ak+1 ). Plus Plu s g´en´ en´eral eralem ement, ent, on peut pe ut co consi nsid´ d´erer er er un histogramme glissant, glissant, de pas h > 0, en posant 1 f fh,n h,n (x) = nh
n
i=1
1(X i
∈ [x − h, x + h)). )).
Enfin, cette technique peut se g´en´ en´eraliser eralis er en introduisant introdu isant un noyau noyau,, c’est `a dire
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
une fonction K telle que
R
K (ω )dω = 1,
− → N
1 f fh,n h,n (x) = nh
→
→∞
n
K
i=1
X i
x
h
.
Notons que si h 0 et nh , alors f fh,n ,n (x) est un estimateur h asymptotiquement convergent, avec
√
nh f fh,n ,n (x) h
f (x) − f (
L
K 2 (ω )dω .
0, f ( f (x)
R
Plusie Plu sieurs urs noyaux noyau x peuvent euvent tre tr e co cons nsid´ id´er´ er´es, es, le noyau rectangulaire rectangulaire,, K (ω ) = 1( ω 1)/ 1)/2, le noyau triangulaire triangulaire,, K (ω) = (1 x )1( ω 1), le noyau Epanechnikov Epanechnikov,, K (ω ) = 3(1 ω 2 )1( ω 1)/ 1)/4, le noyau Gaussien Gaussien,, K (ω ) = exp( ω2 /2)/ 2)/ 2π .
• • • •
| |≤ −| | | |≤ − √ | | ≤ −
plot(density(reg$re plot(density( reg$residuals siduals,kerne ,kernel l = c("rec c("rectangula tangular"))) r"))) plot(density( plot(de nsity(reg$re reg$residuals siduals,kerne ,kernel l = c("triangular c("triangular"))) "))) plot(density( plot(de nsity(reg$re reg$residuals siduals,kerne ,kernel l = c("gau c("gaussian") ssian"))) ))
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
plot(density( plot(de nsity(reg$re reg$residuals siduals,kerne ,kernel l = c("epa c("epanechnik nechnikov"))) ov")))
• si h est grand, faible variance, mais biais important • si h est petit, faible biais, mais variance importante 6 . 0
6 . 0
5 . 0
5 . 0
4 . 0
4 . 0
3 . 0
3 . 0
2 . 0
2 . 0
1 . 0
1 . 0
0 . 0
0 . 0
−4
−2
0
2
4
−4
−2
0
2
4
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Rentabilités des prix
8 1 . 0
1 . 0
6
0 . 0
0 . 0 s e l i t n a u Q e l p m a S
y t i s n e 4 D 1 . 0 −
1 . 0 −
2
2 . 0 −
2 . 0 −
0
1 990
1 9 95
20 00
2 005
−0.2
− 0. 1
0.0
0 .1
−3
−2
−1
0
1
2
3
1
2
3
Theoretical Quantiles
Log rendements des prix
8
1 . 0
1 . 0
6
0 . 0
0 . 0
s e l i t n a u Q e l p 1 . m 0 a − S
y t i s n e D 4
1 . 0 −
2 2 . 0 −
2 . 0 −
0
1 990
1 9 95
20 00
2 005
−0.3
−0.2
−0.1
0.0
0.1
−3
−2
−1
0 Theoretical Quantiles
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Ajuster une loi aux rendements La m´ethode ethode du maximum de vraisemblance consiste co nsiste a` chercher
n
θ
·
{ L | · · · , xn)} = argmin
= argmin log (θ x1 ,
o`u f θ ( ) est la densit´ dens it´e de X .
i=1
log f θ (xi )
On peut ainsi tenter d’ajuster d’a juster une loi de Student aux rendements rendem ents centr´ c entr´es es r´eduits. eduits. > cac <- read.table(" read.table("http:// http://perso. perso.univ-r univ-rennes1 ennes1.fr/art .fr/arthur.ch hur.charpent arpentier/cac ier/cac-H.csv -H.csv", ", header=TRUE,sep=",") > n <- nr nrow ow(c (cac ac); ); ca cac c <- ca cac[ c[n: n:1, 1,] ] > time <- strpti strptime(as. me(as.charact character(cac er(cac$Date) $Date),"%Y-% ,"%Y-%m-%d") m-%d") > cac <- ca cac$ c$Ad Adj. j.Cl Clos ose e > dcac <- dif diff(l f(log( og(cac cac)) )) > dcac dcac0 0 = (dc (dcac ac - mea mean(dc n(dcac)) ac))/sd /sd(dc (dcac) ac) > res = opt optimi imize( ze(fun functi ction(x on(x){){-sum sum(lo (log(d g(dt(d t(dcac cac0, 0, x))) x)))}, }, low lower er = 2, upp upper er = 50) > res $minimum [1] 15. 15.510 51084 84
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
$objective [1] 313 313.33 .3353 53
5 1 3 −
e c n a l b m e s i a r v g o L
0 2 3 −
5 2 3 −
0 3 3 −
5 3 3 −
10
20
30
Nombre de degrés de liberté
40
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Tes este terr la no norm rmal alit´ it´e Le test de Kolmogorov Smirnov permet de tester l’ajustement d’un loi normale (0, (0, 0.062 ) pour po ur les r´esidus, esi dus,
N
> cac <- read.t read.table(" able("http:// http://perso. perso.univ-r univ-rennes1 ennes1.fr/art .fr/arthur.ch hur.charpent arpentier/cac ier/cac-H.csv -H.csv", ", header=TRUE,sep=",") > n <- nr nrow ow(c (cac ac); ); ca cac c <- ca cac[ c[n: n:1, 1,] ] > time <- strpti strptime(as. me(as.charact character(cac er(cac$Date) $Date),"%Y-% ,"%Y-%m-%d") m-%d") > cac <- dif diff(l f(log( og(cac cac)) )) > dcac <- log(ca log(cac[2:n] c[2:n])-log(c )-log(cac[1:( ac[1:(n-1)]) n-1)]) > sd(d sd(dcac cac) ) [1] 0.0591 0.05912175 2175 > ks.t ks.test est(dc (dcac, ac, "pn "pnorm orm", ", 0,0 0,0.06 .06) ) One-sample One-sa mple Kolmogo Kolmogorov-Sm rov-Smirnov irnov test data da ta: :
dcac dc ac
D = 0. 0.09 0946 46, , pp-va valu lue e = 0.0 0.0371 3711 1 alternative alterna tive hypoth hypothesis: esis: two-sid two-sided ed
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Rappelons que le test de Kolmogorov Smirnov est bas´e sur la statistique D = sup x∈R
F F (x)
− F F n (x)
le th´eor` eor`eme eme de Glivenko-C Glive nko-Cantel antelli li garantis gar antissant sant que sup
x∈R
lorsque n
→ ∞, si F est effectivement la vraie loie.
,
F F (x)
− −→ F Fn (x)
p.s.
0
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Tes este terr la no norm rmal alit´ it´e Mais formellement ce n’est pas un test de normalit´e, e, i.e. la loi des r´esidus esidus est-elle norma normale le ? > shapiro shapiro.test( .test(dcac) dcac) Shapiro-Wilk Shapir o-Wilk normali normality ty test data: data : dc dcac ac W = 0. 0.96 9605 05, , pp-va valu lue e = 7.6 7.609e 09e-0 -06 6 > library library(norte (nortest) st) > ad.test ad.test(dcac) (dcac)
Anderson-Dar Anders on-Darling ling normal normality ity test data: data : dc dcac ac A = 1. 1.80 8012 12, , pp-va valu lue e = 0.0 0.0001 00128 280 0
Ces tests sont techniques, et sont d´etaill´ etail l´es es dans les livres des statistiques. statist iques.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Le test de Cr Cram am´´er-vo er -vonn-Mi Mise sess repose sur
∞
2
nW = n
[F ( F (x)
−∞
− F (x)]2dF (x)
soit, en pratique
n
o`u F est la loi th´eorique eorique que l’on cherche cherche a` tester, i.e. Φ. > cvm.tes cvm.test(dcac t(dcac) ) Cramer Cra mer-vo -von n Mis Mises es nor normal mality ity tes test t data: data : dc dcac ac W = 0. 0.32 3212 12, , pp-va valu lue e = 0.0 0.0001 00187 873 3 > pearson pearson.test( .test(dcac) dcac) Pearso Pea rson n chi chi-sq -square uare nor normal mality ity tes test t data da ta: :
dcac dc ac
− − F (xi:n) 2 ,
1 2i 1 2 T = nW = + 12n 12 n i=1 2n
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
P = 25 25.2 .206 063, 3, pp-va valu lue e = 0. 0.047 04724 24
Le test de Jarque-Bera repose sur JB =
n 6
S 2 +
(K
2
− 3) 4
,
o`u n est le nombre nombr e de degr´ deg r´es es de libert´ lib ert´es, es, S est la skewness empirique, et K la kurtosis empirique, µ3 µ3 S = 3 = = 3/2 2 σ (σ ) µ4 µ4 K = 4 = 2 = 2 σ (σ ) Sous H 0 (no (n orma rm alit´ li t´e), e) , J B > library library(tseri (tseries) es) > jarque. jarque.bera.t bera.test(dc est(dcac) ac)
∼ χ2(2).
1 n
1 n
1 n
1 n
− x¯)3 3/2 2 n ¯) i=1 (xi − x n 4 − ( x x ¯ ) i i=1 2 n 2 ¯) i=1 (xi − x n i=1
(xi
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Jarque Jar que Ber Bera a Tes Test t data: data : dc dcac ac X-squ X-s quar ared ed = 66 66.8 .828 283, 3, df = 2, pp-va valu lue e = 3. 3.10 109e 9e-1 -15 5
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Le ren rendem demen entt mo moy yen ? La premi` premi`ere ere question question que l’on peut p eut se poser est de savoir savoir si les rendemen rendements ts sont sont de moyenn moyennee nulle nulle,, ou pas ?
On peut utiliser un test de Student pour tester H 0 : µ = 0 contre H 0 : µ = 0. La statistique de test est
√ T = nX
V ar( ar (X )
∼ S t(n − 1) sous H 0.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Incréments des prix
0 0 0 6
0 5 0 0 0 5
0 0 0 4
0
0 0 0 3 0 5 − 0 0 0 2
1990
1995
2000
2005
1990
1995
Rentabilités des prix
2 0 . 0
1 0 . 0
1 0 . 0
0 0 . 0
0 0 . 0
1 0 . 0 −
1 0 . 0 −
2 0 . 0 −
2 0 . 0 −
1995
2000
2005
Log rendements des prix
2 0 . 0
1990
2000
2005
1990
1995
2000
2005
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
± √ −
1.97 L’intervalle de confiance `a 95% est ici X V ar( ar (X ). ). n 1 On notera que la statistique T est tr`es es proche pro che du ratio de Sharpe. Sharpe. Par exemple un ratio rat io de Sharpe Shar pe estim´ est im´e sur une p´erio eri o de d’un an devra devr a ˆetre etr e sup´erieur eri eur a` 2 pour qu’on puisse dire que l’esp´ erance erance du rendement de la strat´egie egie (ou du titre) se distingue significativement du taux sans risque.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
La vol volat atil ilit´ it´e ? La volatilit´ volat ilit´e est l’´ecarteca rt-type type annualis´ annua lis´e des rendem ren dements. ents. Cette Cet te mesure mes ure est cens´ cen s´e quantifier l’incertitude l’incer titude associ´ asso ci´ee ee a` l’´evolutio evolu tion n des rendem ren dements. ents. Il faut distinguer la vo vola lati tili li´´e in inst staant ntan ann´ n´ee ; la vol volat atili´ ili´e his histo tori rique que,, observ´ee ee sur une p´eriode erio de plus ou moins longue, et la volat vol atil ili´ i´e im impli plicit citee. On peut aussi parfois entendre parler de vol volat atil ili´ i´e fo forwa rward rd pouva vant nt ˆetre inte nterpr´et´ee comme la volatilit´ volatilit´e attendue pour le futur ou encore la volat volatili´ ili´e con conditi ditione onelle lle Attention Les volatili volat ilit´ t´es es sont calcul´ cal cul´ees ees sur les rendem ren dements ents a` un horizon temporel donn´e . e . Formelle orm ellement, ment, on consi` con si`ere ere des volatlili volat lilit´ t´es es σh lors que les rendements sont calcul´ cal cul´es es entre les dates dat es t et t + h. Cett Ce ttee prop pr opri ri´´et´ et´e est es t li´ li´ee ee a` des effets effe ts d’´echelle. echel le. En
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
effet, le log-rendement sur un horizon de h s´ecrit
R(t, t + h) = log = lo g
P t+h P t+h P t+h−1 = log P t P t+h−1 P t+h−2 P t+h P t+h−1 + log + P t+h−1 P t+h−2
· · · P P t+1t
· · · + log
h−1
=
R(t + i, t + h + i)
i=0
Aussi, si les rendements sont i.i.d. alors
σh2
=
hσ12 ,
soit σh
√ =σ h 1
P t+1 P t
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
8 0 . 0
é t i l i t a l o V
6 0 . 0
4 0 . 0
2 0 . 0
Volatlilité glissante Volatlité en 2004
0 0 . 0
0
2
4
6
8
Horizon (jours)
ese de rendements rendem ents i.i.d. ⇒ on peut difficilement croire a` l’hypoth`ese
=
10
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Esti Es timer mer la vola volatil tilit´ it´ e Avant de parler de pro proces cessus sus de volat volatili ilit´ t´e, on peut eut d´ej` eja` essayer d’estimer la vola vo lati tili lit´ t´e a` une date t donn´ee. RiskMetriocs de JPMorgan a propos´e d’utiliser un estimateur de type moy moyenne enne mobile a` poids exponentiels, EWMA - exponential weighted moving average . L’estimatio L’esti mation n de la volatilit´e a` la date t est σt2+1 = β σt2 + [1
∈
β ]Rt2+1 ,
− − − − − − ··· −
o`u β ]0, ]0, 1[ est un coefficient de lissage. Pour l’interpr´etation etation en terme de moyenne mobile, notons que σt2+1
= β β σt2−1 + [1 = β [1 [1
= β h [1
β ]−1 Rt2 + [1
β ]−1 Rt2 + [1
β ]−1 Rt2+1 + β 2 σt2−1
β ]−1 Rt2−h+1 +
o` u, u, pour rappel, [1
−1
− β ]
β ]−1 Rt2+1
+ β [1 [1
= 1 + β + β + β 2 +
β ]−1 Rt2 + [1
···
− β ]
−1
Rt2+1 + β h+1 σt2−1
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Plus β est proche de 0, 0 , plus on attribue a ttribue de poids aux derni`eres eres observations. observations. RiskMetrics recommande λ = 97% pour les rendements mensuels, et 94% pour les rendements journaliers.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
4 1 . 0
80%
2 1 . 0
95% 99%
0 1 . 0
8 0 . 0
6 0 . 0
4 0 . 0
2 0 . 0
1990
1995
2000
2005
1990
1995
2000
2005
1 . 0
0 . 0
1 . 0 −
2 . 0 −
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
oture le jour t ◦ P t le prix de clˆoture ◦ M t le prix maximal maxima l observ´e le jour t, M t = max{P s , s ∈ [t − 1, t]}, ◦ Lt le prix minimal minima l observ´e le jour t, M t = min{P s , s ∈ [t − 1, t]}, ◦ Ot le prix d’ouverture le jour t,
Pour l’inst l’i nstant ant,, nous nous avions avio ns co consi nsid´ d´er´ er´e
− − • · · σt =
t
1
h
1
log
n=t−h
P n P n−1
1 o`u µt d´esigne esi gne une moyenne glissa gli ssante, nte, µt = h
2
1 2
µt
t
log
n=t−h
,
P n . P n−1
Rogers & Satchell (1991)
σt =
1 h
t
log
n=t−h
• Parkinson (1980)
M n M n log On P n
+ log
Ln Ln log On P n
1 2
,
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
− − − σt =
1 4h log2
t
log
n=t−h
M n Ln
2
1 2
,
• Garman & Klass (1980) σt =
(...etc).
0.51 h 1
t
log
n=t−h
M n Ln
2
0.39 h 1
t
log
n=t−h
P n P n−1
2
1 2
,
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Esti Es timer mer la vola volatil tilit´ it´ e 0 1 . 0 5 0 . 0 0 0 . 0
0 1 .
0 −
mars
6 . 0
4 . 0
mai
juil.
sept.
nov.
mai
juil.
sept.
nov.
historique Riskmetrics (EWMA) Roger & Satchell Parkinson Garman & Klass
2 . 0
0 . 0
mars
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Evolution du cours de l’action AGF
Log−rendement de l’action AGF
0 1 . 0 5 2
5 0 . 0 0 2
0 0 . 0 5 1
5 0 . 0 − 0 1
0 1 . 0 −
2003
s e u q i r i p m e s e l i t n a u Q
2004
2005
2006
2003
2004
2005
2006
Date
Date
QQ plot: test de normalité, log−rendement AGF
Densité du log−rendement de l’action AGF
0 1 . 0
0 4
5 0 . 0
0 3
0 0 . 0
0 2
Volatilité 0.02164 skewness 0.24792
5 0 . 0 −
kurtosis 7.99128
0 1
0 1 . 0 −
0
−3
−2
−1
0
1
Quantiles théoriques
2
3
−0.10
−0.05
0.00
0.05
0.10
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Evolution du cours de l’action BNP−Paribas
Log−rendement de l’action BNP−Paribas
0 7 0 1 . 0 0 6 5 0 . 0
0 5
0 0 . 0
5 0 . 0 −
0 4
0 1 . 0 −
0 3
2002
2003
2004
2005
2002
2003
2004
2005
Date
Date
QQ plot: test de normalité, log−rendement BNP
Densité du log−rendement de l’action BNP Paribas
0 1 . 0
5 2
Volatilité 0.02009 skewness −0.05774
s e u q i r i p m e s e l i t n a u Q
5 0 . 0
0 2
kurtosis 8.95401 5 1
0 0 . 0
0 1
5 0 . 0 −
5
0 1 . 0 −
0
−3
−2
−1
0
1
Quantiles théoriques
2
3
−0.10
−0.05
0.00
0.05
0.10
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Evolution du cours de l’action Société Générale
0 0 1
Log−rendement de l’action Société Générale
0 1 . 0
0 9 5 0 . 0
0 8
0 0 . 0
0 7
0 6
5 0 . 0 −
0 5
0 1 . 0 −
0 4
2002
2003
2004
2005
2002
2003
Date
2004
2005
Date
QQ plot: test de normalité, log−rendement SG
Densité du log−rendement de l’action Société Générale 0 3
0 1 . 0
Volatilité 0.02137 5 2
s e u q i r i p m e s e l i t n a u Q
5 0 . 0
0 2
0 0 . 0
skewness 0.06702 kurtosis 8.15187
5 1
0 1
5 0 . 0 −
5
0 1 . 0 −
0
−3
−2
−1
0
1
Quantiles théoriques
2
3
−0.10
−0.05
0.00
0.05
0.10
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Evolution du cours de l’action Carrefour
Log−rendement de l’action Carrefour 0 1 . 0
0 6
5 5
5 0 . 0
0 5
0 0 .
5 4
0
0 4 5 0 . 0 −
5 3
0 3
0 1 . 0 −
2002
2003
2004
2005
2002
2003
Date
2004
2005
Date
QQ plot: test de normalité, log−rendement Carrefour 0 1 . 0
Densité du log−rendement de l’action Carrefour 0 3
Volatilité 0.01889
s e u q i r i p m e s e l i t n a u Q
5 2
5 0 . 0
skewness −0.02021
0 2
0 0 . 0
kurtosis 6.84964
5 1
0 1
5 0 . 0 −
5
0 1 . 0 −
0
−3
−2
−1
0
1
Quantiles théoriques
2
3
−0.10
−0.05
0.00
0.05
0 . 10
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Evolution du cours de l’action Air Liquide
Log−rendement de l’action Air Liquide
0 6 1
5 0 . 0
0 5 1
0 4 1
0 0 . 0
0 3 1
0 2 1
5 0 . 0 −
0 1 1
0 0 1
2002
2003
2004
2005
2002
2003
Date
QQ plot: test de normalité, log−rendement Air Liquide
2005
Densité du log−rendement de l’action Air Liquide
Volatilité 0.01623
0 3
5 0 . 0 s e u q i r i p m e s e l i t n a u Q
2004 Date
skewness −0.19341
5 2
kurtosis 6.6504
0 2
0 0 . 0
5 1
0 1
5 0 . 0 −
5
0
−3
−2
−1
0
1
Quantiles théoriques
2
3
−0.10
−0.0 5
0.00
0.05
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Evolution du cours de l’action TF1
Log−rendement de l’action TF1 0 1 . 0
5 3
5 0 . 0 0 3
0 0 . 0
5 2
5 0 . 0 −
0 1 . 0 −
0 2
2002
2003
2004
2005
2002
2003
Date
QQ plot: test de normalité, log−rendement TF1
2005
Densité du log−rendement de l’action TF1 5 2
0 1 . 0
s e u q i r i p m e s e l i t n a u Q
2004 Date
Volatilité 0.02201 0 2
5 0 . 0
5 1
skewness 0.1507 kurtosis 5.89332
0 0 . 0 0 1
5 0 . 0 −
5
0 1 . 0 −
0
−3
−2
−1
0
1
Quantiles théoriques
2
3
−0.10
−0.05
0.0 0
0.05
0.10
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Quelq Que lque uess fai faits ts styl stylis´ is´ es es (1) Les processus ( p ( pt ) sont non-stationnaires : les trajectoires de prix sont g´en´ en´eralle era llement ment proches pro ches d’une d’un e marche mar che al´eatoir eat oiree sans terme ter me consta con stant. nt. Et, en revanche, les s´eries eries des rentabilit´es es ont des trajectoi tra jectoires res compatibles compa tibles avec la stationnarit´ statio nnarit´e au second ordre. ordre . (2) Autocorr´ Auto corr´elations elatio ns des carr´es es des variations ariat ions des prix : les faibles auto autoco corr´ rr´elat elatio ions ns de la s´erie er ie (rt ) la rendent proche d’un bruit blanc (sauf pour des rentabili renta bilit´ t´es es d´efinis efini s sur des p´eriod eri odes es tr`es es courte cou rtes, s, de l’ordr l’o rdree d’une d’un e vingtai ving taine ne de minut mi nutes es)) N´eanm ea nmoi ois, s, la s´erie er ie rt2 est souvent fortement forte ment corr´el´ el´ee. ee. Ce qui n’est pas compatible compa tible avec une hypoth`ese ese de bruit blanc.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Quelq Que lque uess fai faits ts styl stylis´ is´ es es (3) Queues de distribution distrib ution ´epaisses epaisse s : les l es distributions distribu tions empiriques empiri ques des s´eries eries des rentabili renta bilit´ t´es, es, on s’ape s’a per¸ r¸coit coi t que l’hypoth` l’hyp oth`ese ese de normal nor malit´ it´e est rejet´ rej et´ee. ee. En partic par ticulie ulier, r, au niveau des queues, la d´ecroissance ecrois sance est g´en´ en´erallement eralle ment plus faible que dans le cas gaussien, i.e. en exp x2 /2 . On parle alors de distribution leptokurtique. leptokurtique.
−
(4) Volatility clustering (regroupem regroupemen entt des extrˆ extrˆemes eme s )) : empiriquement, de fortes valeurs, ou de fortes variations, tendent `a ˆetre etre suivies par d’autres d’autre s grandes grande s variations. (5) Queues ´epaisses epaisse s conditionelles conditi onelles : souvent, mˆeme eme une fois corrig´ corri g´ees ees de la volatility clustering (en (en utilisant utilis ant des mod` mod`eles eles de type GARCH , par exemple ), exemple ), les s´erie er iess ont des des r´esidu esiduss poss´ po ss´edant edant enco encore re des des queue que uess ´epai epaiss sses es (mˆeme eme si cela est est moins important que la distribution non conditionelle, i.e. la distribution des renta ren tabi bili lit´ t´es ). es ).
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Quelq Que lque uess fa faits its styl stylis´ is´ ese ese
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Quelq Que lque uess fai faits ts styl stylis´ is´ es es (6) Effet de levier : cette cet te propri´ pro pri´et´ et´e, e, not´ee ee par Brock Bro ck en 197 19766 repose rep ose sur l’observation l’obse rvation du fait qu’il existe une asym´etrie etrie entre l’impact l’impa ct des valeurs pass´ees ees positives pos itives et des valeurs pass´ees ees n´egatives. egatives. Les baisses de cours tendent `a provoquer un accroisseme accro issement nt de la volatilit´e sup´erieure erieur e a` celui induit par une hausse du cours, de mˆeme eme amplitude. amplit ude. (7) Sai Sa iso sonn nnal aliit´ e : la volatilit´ volat ilit´e tend ten d a` augmenter lorsque les march´es es ferment ferme nt (week week end en d ou jour jourss f´eri´ er i´es ). es ). On parle alors d’accumulation d’information. (8) As Asym´ ym´ etri etrie e perte erte/ga /gain in : ormis dans le cas des taux de change, il y a g´en´ en´eralement erale ment asym´etrie etrie de la distribution distribu tion : il y a plus de mouvements forts a` la baisse qu’`a la hausse.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Prise en compte de l’aspect dynamique 0 0 6 3
0 0 0 6
0 0 4 3
0 0 0 5
0 0 2 3
0 0 0 3
0 0 0 4
0 0 8 2
0 0 0 3
0 0 6 2
0 0 0 2
0 0 4 2
1990
1995
2000
2005
janv.
mars
mai
juil.
sept.
nov.
janv.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Prise en compte de l’aspect dynamique
0 0 4 3
0 7 3 3
0 5 3 3 0 6 3 3
0 0 3 3
0 5 2 3
0 5 3 3
0 0 2 3 0 4 3 3
0 5 1 3
oct. 05
oct. 10
oct. 15
oct. 20
oct. 25
oct. 30
10:00
12:00
14:00
16:00
18:00
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
La notion d’efficience Mise en ´evidenc evid encee dans les ann´eees eee s 60 par Fama, Fama, prolonge la notion classique de “march´e pur et parfait parfait ”” du XI XIX` X`eme em e si`ecle ec le : “un march´ e financi financier er est dit efficient si et seulement si l’ensemble des informations disponibles concernant chaque actif financier ct´ e est imm´ ediatement int´ ediatement egr´ egr´ e dans le prix de cet actif ”. ”. Assumption 7. Le march´ e est efficient, efficient , c’est `a dire que l’ensemble des informations pertinentes `a l’´ evaluation evaluation des actifs financiers, disponible disponible `a la date t, est est refl´et´ et´e dans dan s le prix pri x ` a la date t. Aussi, tous les ´ev` ev`enements enements anticip´es es sont inclus dans les prix : seuls les ´ev` ev`enements ene ments impr´ imp r´evisibl evi sibles es peuvent pe uvent influenc influ encer er les prix. pri x. Autreme Autr ement nt dit “dans les march´es es effici efficient ents, s, les prix des act actifs ifs ct´es es ion iont` t` egrent les prix de tel egrent telle le mani`ere ere qu’un investisseur ne n e puisse, en achetant ou ve vedant dant cet actif, en r´ ealiser un pr ealiser profit ofit certain ”. ”.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Roberts(1967) Roberts(1967) a distingu´ e trois notions d’information (efficience faible )l’informatio )l’info rmation n est constitu´ constit u´ee ee de l’historique l’histo rique de prix pass´es, es, (efficien efficience ce semif semiforte orte)) l’information est constitu´ee ee de toute l’information connue par n’importe quel acteur (information publique), (efficience forte) forte) l’information est constitu´ee ee de toute l’information connue par au moins un acteur (information (inform ation priv´ee). ee). Plusie Plu sieurs urs hypot hyp oth` h`eses eses doivent doivent ˆetre et re v´erifi´ erifi´ee ee pour po ur test tester er l’hypo l’hy poth` th`ese ese d’effi d’effici cien ence ce : rationalit´ ratio nalit´e des investisseurs, libre circulation circula tion de l’informatio l’infor mation, n, accessibilit´ access ibilit´e a` tous, fiabilit´e, e, absence de cots de transaction, transa ction, pas de probl`emes emes li´es es au manque de liqu li quid idit it´´e... e. ..
• • •
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Remark 8. Paradoxe de Grossmann & Stiglitz : parfois un initi´e ne peut profiter d’un avantage avantag e informationnel informat ionnel,, car alors al ors il r´ ev` ev`elerait elerait son information informat ion priv privil´ il´egi´ egi´ees ees par ses ses inte intent ntion ions. s. Si cett ce ttee hyp hypoth` ot h`ese est v´erifi er ifi´´ee, il impossible imp ossible de pr´evoir evoir de mani`ere ere certaine certa ine l’´evolution evolution des prix, ou des rentabili renta bilit´ t´es es de titres, titr es, les prix des actifs ne peuvent s’´ecarter ecarter de mani`ere ere durable de leur “valeur fondamentale ” En formal for malisa isant, nt, on a la loi des esp´erance era ncess it´er´ er´ees ees : si I J ,
• •
⊂
|
| |
E(X I ) = E(E(X J ) I )
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Pr´ edict ctiibil ilit it´ ´ e et prop oprri´ et´ e de mar arttingal ale e
Les prix des actifs actif s doivent refl´eter eter les esp´erances eranc es de revenus futurs auquels ils donnent droit : “les “les prix ne sont fonction que des anticipations rationnelles faites par les investisseurs de leurs revenus futurs ”. futurs ”. Case 9. Une filtration ( t ) est une suite croissante de σ -alg` -alg`ebre, eb re, i.e. i. e. s t
F
F ∪ F
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
F
| | ∞ pour
pour tout s < t. Un processus (X t ) est une ( t )-martingale si E X t < tout t, et E(X t s ) = X s .
|F
Cette hypoth`ese ese d’efficience d’effici ence se traduit tradui t par une hypoth`ese ese de martingale, martin gale, Definition 10. Le march´e est effici efficient ent si (P t ) est une martingale, i.e.
|
E(P t+1 P t , P t−1 , ... ....) = E(P t+1
|F t) = P t.
On notera εt l’erreur l’erre ur de pr´evision evision (conditionell (condi tionelle), e), i.e. εt = P t+1
− E(P t+1 |P t, P t
...), −1 , ....
|
en notant que E(εt+1 P t , P t−1 , .... ...) = 0. Aussi, le prix `a la date t + 1 peut pe ut s’´ecri ecrire re P t+1 = P t + εt . Example 11. Le cas le plus simple est celui de la ma marche rche al´eato eatoire ire , o` u u P t+1 = P t + εt , o` u u (εt ) est une suite de variables i.i.d., i.i.d. ,
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
o` u u E(εt ) = 0 et V ar( ar (εt ) = σ 2 Example 12. Pour Po ur g´en´ en´erali era lise serr l’ex l’ exem empl plee pr´ pr´ec´ ec´edan ed ant, t, on peut peut consi con sid´ d´erer erer le mod`eles ` a a in incr cr´ ´emen em ents ts in ind´ d´epend epe ndan ants ts ,, o` u u P t+1 = P t + εt , o` u u (εt ) est une suite de variables variabl es ind´ependantes ependantes , o` u u E(εt ) = 0. Remark 13. Si les prix sont des martingales, il peut y avoir de la d´ ependanc ependance e (dynamique) (dynami que) pour les le s moments d’ordre d’ordre sup´erieurs erieurs `a a 1 : la persistance de la volatilit´ volatil it´e est compatible compatible avec la repr´ repr´esentation esentat ion martingales martinga les des prix d’actions. d’actio ns. L’hypoth` L’h ypoth`ese ese de marche al´eatoire eato ire est elle el le plus plu s restricti restri ctive ve et exige exi ge des propri´et´ et´es es d’in d’ ind´ d´epen ependance da nce.. Fama (1965) constatait qu’une forte rentabilit´e avait souvent tendance `a ˆetre etre suivie s uivie par une autre forte f orte volailit´ volaili t´ e. e. Mais les signes sont al´eatoires. eatoires. Ceci ne permet pas de d e rejeter l’hypoth` ese ese de martingale, marting ale, mais s’oppose a ` l’hypot l’hypoth` h`ese ese de marche march e al´eatoire. eat oire. En fait, plusieurs formulations de l’efficience sont possibles, par exemple
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
martingales , c’est `a dire • les prix des titres sont des martingales, E(P t |F t 1 ) = P t 1 ou E(P t − P t 1 |F t ee sur les anticipations pures, • une approche bas´ee P t − P t 1 F E = r0,t , t 1 P t 1 −
−
•
−
−
−1 )
= 0.
−
−
o` u r0,t est le taux d’un placement sans risque `a court terme. l’hypoth`ese ese d’absence d’absenc e d’opportuni d’opp ortunit´ t´e d’arbitrage d’arbit rage : les prix actualis´ actua lis´es es par le taux court sont des martingales, sous une probabilit´e Q (´equi eq uivale valente nte `a P la probab pro babilit´ ilit´e histori hist orique que), ), EQ
P t
− P t
P t−1
• les les log l og-r -rent entab abili ilit´ t´es es rt sont i.i.d. i.i.d.,, soit
−1
F t−1
= r0,t ,
pt = µ + pt−1 + εt o` u (εt ) est i.i.d. i.i. d. centr´e, e,
• les innovations εt = rt − E(rt|F t
−1 )
sont ind´ependa ep endants nts (mais (ma is pas forc´ for c´ement eme nt
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
i.d.) (rappelons que cette ind´ i.d.) ependance ependance se traduit par C ov( ov(f ( f (εt ), g (εt−h )) = 0 pour tout h = 0, et pour toutes fonctions f et g). Il est alors possible d’avoir des p´erio eri o des de fortes for tes et des p´erdio erd iode de de faible fai ble volatilit´ volat ilit´e, e, les innovations εt = rt E(rt t−1 ) sont so nt nonno n-co corrr´el´ el´ees, ee s, C ov( ov(εt , εt−h ) = 0 pour tout h = 0 (ou non autoc auto corr´el´ees). les prix sont des processus de Markov, i.e.
• •
−
|F
(P t
|F t
L
|
−1 ) = (P t P t−1 )
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
La propri´ et´e de stationnarit´ e La premi` pre mi`ere ere notion noti on de st stat atio ionn nnar arit´ it´e peut se d´efinir efinir de fa¸con con forte par une stabilit´e en loi du processus : quel que soit n, t1 ,...,tn et h, on a l’´egal eg alit´ it´e entre ent re les le s lois jointes L (Y t1 ,...,Y tn ) = (Y t1 +h ,...,Y tn +h ) Cette d´ efinition efinition toutefois peut ˆetre etre affaiblie : le processus est dit stationnaire au second ordre si la moyenne du processus est constante : E (Y t ) = m pour tout t Z les autocov auto covarianc ariances es ne d´ependent epe ndent que de la diff´erence erence entre les observations : cov (X t , X s ) = γ ( γ ( t s ) Cette Cet te derni` der ni`ere ere propri´ pro pri´et´ et´e implique impl ique en partic par ticulie ulierr que la variance varian ce de Y t est constante : V (Y t ) = σ 2 .
• •
∈
|−|
Si l’on consid`ere ere les lois marginales margi nales (`a t fix´e) e) du proces pro cessus, sus, la statio sta tionna nnarit´ rit´e (forte (fo rte)) signifie une stabilit´e de la loi marginale m arginale : la loi de Y t et la loi de Y s sont identiques pour t = s. La stationnarit´e du second ordre correspond uniquement `a une stabilit´e des deux premiers moments : E (Y t ) = E (Y s ) et V (Y t ) = V (Y s )
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
pour t = s. Dans ce cas, rien n’empˆ eche eche d’avoir des skewness et des kurtosis variables en fonction du temps. Si l’on consid`ere ere la d´ependance epe ndance temporelle temp orelle,, la stationnarit´ statio nnarit´e du second ordre suppose supp ose uniquement uniqueme nt une stabilit´ stabil it´e de la corr´elation elatio n (moment (mome nt d’ordre d’ ordre 2) : cov (X t , X t+h ) = cov (X s , X s+h ). La stationnarit´e au sens fort est beaucoup plus forte que cette condition sur le moment d’ordre 2, puisqu’elle suppose une stabilit´e de toutes les lois jointes : en particulier, cette ce tte condition implique l’´egal egalit´ it´e en loi loi des co coupl uples es (X t , X t+h ) et (X (X s , X s+h ). Sur les graphiques pr´ec´ ec´edants, eda nts, nous avons consid´ con sid´er´ er´e deux proces pro cessus sus dont les lois loi s margina mar ginales les reste res te constantes (X (X t (0, (0, 1) pour tout t), av avec ec une stationnarit´e au sens fort a` gauche (en particulier la loi (X (X t , X t+h ) est ´egal eg alee a` la loi de (X (X s , X s+h )), et une stationnarit´ statio nnarit´e au second ordre a` droite (en particulier, partic ulier, on a uniquement uniqueme nt ´egalit´ egalit´e des covariances cov (X t , X t+h ) = cov (X s , X s+h ))
∼ N
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
La propri´ et´e de stationnarit´ e Série stationnaire (sens fort),ylim=c(−3,3)
Série stationnaire (sens faible) 3
3
2
2
1
1
0
0
−1
−1
−2
−2
−3
−3
0
0 0 5
0 0 0 1
0 0 5 1
0 0 0 2
0 0 5 2
0.7
0.7
0.7
0.6
0.6
0.6
0.5
0.5
0.5
0.4
0.4
0.4
0.3
0.3
0.3
0.2
0.2
0.2
0.1
0.1
0.1
0.0
0.0 3 −
2 −
1 −
0
1
2
3
0 0 0 3
0
0.0 3 −
2 −
1 −
0
1
2
3
0 0 5
0 0 0 1
2 −
1 −
0
1
2
3
0 0 0 2
0 0 5 2
0.5
0.5
0.5
0.4
0.4
0.4
0.3
0.3
0.3
0.2
0.2
0.2
0.1
0.1
0.1
0.0 3 −
0 0 5 1
0.0 3 −
2 −
1 −
0
1
2
3
0 0 0 3
0.0 3 −
2 −
1 −
0
1
2
3
3 −
2 −
1 −
0
1
2
3
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
La propri´ et´e de stationnarit´ e Série stationnaire (sens faible)
Série stationnaire (sens fort)
3
3
2
2
1
1
0
0
−1
−1
−2
−2
−3
−3 0
0 0 5
0 0 0 1
0 0 5 1
0 0 0 2
0 0 5 2
0 0 0 3
0
0 0 5
0 0 0 1
0 0 5 1
0 0 0 2
0 0 5 2
4
4
4
4
4
4
2
2
2
2
2
2
0
0
0
0
0
0
−2
−2
−2
−2
−2
−2
−4
−4 4 −
2 −
0
2
4
−4 4 −
2 −
0
2
4
−4 4 −
2 −
0
2
4
−4 4 −
2 −
0
2
4
0 0 0 3
−4 4 −
2 −
0
2
4
4 −
2 −
0
2
4
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
La pr prop opri´ ri´ et´ et´ e de pr pro oce cess ssus us de Mar Markov kov La pr proopr pri´ i´et´e de Ma Marrkov correspond a` l’id´ l’i d´ee ee que l’on l’o n souha souhait itee r´esume esu merr l’information contenue contenue dans les variables pass´ees ees du processus pro cessus par un nombre fini de variables (les (les variabl vari ables es d’´etat eta t ). ). Dans le cas le plus simple, on souhaite que les variables d’´etat etat soient des valeurs retard´ retar d´ees ees du processus pro cessus : toute l’informatio l’infor mation n est e st contenue dans les k valeurs les plus r´ecentes ece ntes L
|
|
(X t X t−1 , X t−2 , X t−3 ,...) ,...) = (X t X t−1 ,...,X t−k ) , qui qui peut eut se r´e´ e´ecri ec rire re,, a` l’ordre 1,
|
L
|
(X t X t−1 , X t−2 , X t−3 ,...) ,...) = (X t X t−1 ) . Il est possible de montrer que cette relation est ´equivalente equivalente `a X t = g (X t−1 , εt ) , o` u (εt ) est un bruit blanc.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
La pr prop opri´ ri´ et´ et´ e de pr pro oce cess ssus us de Mar Markov kov Toutefois, outefo is, cette th´eorie, eorie , visant a` chercher une fonction f telle que X t = f ( f (X t−1 , εt ) peut ˆetre etre difficile a` im impl´ pl´ement em enter er.. En ´econ ec onom´ om´etri et rie, e, on cherc che rche he une relation du type Y = g (X 1 ,...,X n , ε), permant d’expliquer une variable Y `a l’aide l’a ide de variables variab les exog` exo g`enes ene s X 1 ,..,X n . Cette fonction g ´etant etant a priori prior i difficile a` exhib exh iber, er, la m´ethod eth odee la plus simple sim ple est de consid´ con sid´erer ere r le cas lin´eaire. eai re. De la mˆeme eme fa¸con, con, la th´eori eoriee des mo mod` d`eles eles ARIMA vise `a expliquer X t en fonction de son pass´e (et ´eventuel eventue l lement d’un bruit ), bruit ), de ma mani` ni`ere er e lin´ lin´eair ea ire. e. Notons que certaines d´efinitions efinitions sont plus fortes que d’autres, prop pr opri´ ri´et´ et´e de ma mart rtin inga gale le = non-cor non- corr´ r´elatio ela tion n des rentabili renta bilit´ t´es es (mais (ma is la r´ecipro eci proque que n’est n’es t pas vraie, vra ie, cf mo mod` d`eles ele s ARCH), ARCH) , E(Rt ) = 0 et rentabilit´es es i.i.d. = prop pr opri´ ri´et´ et´e de ma mart rtin inga gale le
• •
⇒
⇒
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
La pr prop opri´ ri´ et´ et´ e de pr pro oce cess ssus us de Mar Markov kov Remark 14. Ne pas confondre confon dre propri´et´ et´e de marting mart ingale ale et ind´ependance ependan ce : si rt = εt suit sui t un mod` ele ele ARCH(1) ARCH (1),i. ,i.e. e. E(εt
|F t
−1 )
= 0 et V ar( ar (εt
|F t
−1 )
= α + β εt2−1 ,
alors ( pt ) est une martingale, mais C or( or(rt2 , rt2−1 ) > 0 : les rentabilit´es es ne sont pas ind´ in d´epend epe ndan ante tes. s. Remark 15. A cause de l’in´ l’i n´egalit´ egal it´e de Jensen Jen sen,, on ne peut pas avoir avoi r en mˆ eme eme temps E(P t t−1 ) = P t−1 et E(log P t t−1 ) = log P t−1 .
|F
|F
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Mod´ Mo d´ elisatio elisa tion n de dess s´ eriess st erie stati ationn onnai aire ress Definition 16. Pour une s´erie erie stat station ionnaire naire (X t ) , on d´efini efi nitt la fonction d’autocovariance , pour tout t, par h
→ γ X (h) = cov (X t, X t
−h )
= E (X t X t−h )
− E (X t) .E (X t
−h ) .
Definition 17. Pour une s´erie erie stat station ionnaire naire (X t ) , on d´efini efi nitt la fonction d’au d’ autocor tocorr´ r´elat el atio ion n , pour tout t, par h
→ ρX (h) = corr (X t, X t
−h ) =
cov (X t , X t−h ) γ X (h) = . γ (0) V (X t ) V (X t−h ) X
−
Cette fonction ρX (.) est a` valeurs dans [ 1, +1], et ρX (0) = 1. On appelera mat matric ricee d’aut d ’autoo cor corr´ r´elatio ela tion n du vecteur (X (X t , X t−1 ,...,X t−h+1 ) la
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
matrice
R (h)
R (h) =
soit
− 1) ρ (h − 2) ρ (h − 3)
1
ρ (1)
ρ (2)
ρ (1 )
1
ρ (1)
ρ (2)
ρ (1 )
1
..
.
..
..
.
..
..
.
1
ρ (1)
ρ (1 )
1
ρ (h
R (h) =
− 1)
ρ (h
− 2)
ρ (h
ρ (h
.
− 3)
R (h − 1) ρ (h
− 1) · · ·
ρ (1)
ρ (h
.
− 1)
.. .
ρ (1) 1
Definition 18. U n processus (εt ) sera appe ppel´ l´e e bruit blanc (faible) s’il est
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
stat st atio ionn nnai aire, re, cen centr´ tr´e et no nonn-au autocor tocorr´ r´el´ el´e : E (εt ) = 0, V (εt ) = σ 2 et ρε (h) = 0 pour h = 0.
On parlera parler a de bruit blanc fort s’il est ind´ependant epe ndant et identiquement identiqueme nt distribu´ di stribu´e (i.i.d.) i.i.d.) : la notion d’ind´ependance epen dance est plus forte que la nullit´e des autocorr´elations, elations, et le fait que le processus soit identiquement identiquement distribu´ e est plus fort que la stabilit´e des deux premiers moments. Definition 19. Soit (X t ) un processus stationnaire de fonction d’autocovariance γ X (.), la de dens nsit´ it´e spect spectrale rale de (X t ) s’´ecrit 1 f X (ω ) = 2π
γ X (h)exp( )exp(iωh iωh)) .
h∈Z
Proposition 20. R´ecip ec iproque roqueme ment nt,, si f X (.) est la den densit´ sit´e spectr spectrale ale de (X t ) alors
+π
γ X (h) =
−π
f X (ω )exp( )exp(iωh iωh)) dω.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Example 21. Un bruit blanc (εt ) est carac caract´ t´eris´ ri s´e par par
γ ε (0) = V (εt ) = σ 2
γ ε (h) = 0, pour h = 0,
Alors sa densit´ dens it´e spectrale spectrale est donn´ee ee par σ2 f ε (ω ) = (= constante). 2π
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les pro proces cessus sus auto autor´ r´ egr essifs egress ifs Definition 22. Un processus (X t ) sera dit auto autor´ r´egressif egress if `a l’ordre 1 si X t = µ + φX t−1 + εt ,
∈ R et (ε)t est un bruit blanc de variance σ2 . • si φ = ±1, le processus (X (X t ) n’est pas stationnaire o` u µ, ϕ u
Par exemple, pour φ = 1, X t = X t−1 + εt peut eu t s’´ecri ec rire re X t 2
− X t
−h
= εt + εt−1 + ... + εt−h+1 ,
et donc E (X t X t−h ) = hσ 2 . Or pour un processus stationnaire, il est possible 2 de montrer que E (X t X t−h ) 4V (X t ). Puisqu’il est impossible que pour tout h, hσ 2 4V (X t ), le processus n’est pas stationnaire.
−
−
≤
≤ Si |φ| = 1, il existe un unique processus stationnaire tel que X t − φX t pour tout t ∈ Z, ou (1 − φL) φL) X t = εt . • si |φ| < 1 alors on peut inverser le polynˆome. ome.
−1
= εt
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Aussi, ∞
X t = (1
−1
φL) − φL)
εt =
φi εt−i (en fonction du pass´ e de (εt ) ).
i=0
ome. • si |φ| < 1 alors on peut inverser le polynˆome. X t =
−
−
1 F 1 φ
1 F φ
∞
−1
εt =
φ−i εt+i (futur de (ε (εt ) ).
i=1
La repr´esentation esentatio n canonique canoniq ue est alors X t
−
− φ1 X t
−1
= ηt , ∞
ηt = (1
−1
− φF ) φF ) (1 − φL) φL)
εt =
−φεt+1 +
− 1
φ2
φi εt−i .
i=0
La fonctio fonc tion n d’auto d’a utocor corr´ r´elatio ela tion n est donn´ee ee par ρ (h) = φh .
(1)
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Simulated AR(1)
3
2
1
0
1 −
2 −
3 −
0
100
200
300
400
500
AR(1) partial autocorrelations
AR(1) autocorrelati autocorrelations ons 0 . 1
6 . 0
8 . 0
4 . 0
6 . 0
F C A l a i t r a P
F C A 4 . 0
2 . 0 0 . 0 2 . 0 − 4 . 0 −
2 . 0
6 . 0
−
0 . 0
0
10
20
30
40
Lag
Procesus AR(1) - X t = 0.4X t−1 + εt .
0
10
20 Lag
30
40
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Simulated AR(1)
2
0
2 −
4 −
0
100
200
300
400
500
AR(1) partial autocorrelations
AR(1) autocorrelati autocorrelations ons 0 . 1
6 . 0
8 . 0
4 . 0
6 . 0
F C A l a i t r a P
F C A 4 . 0
2 . 0 0 . 0 2 . 0 − 4 . 0 −
2 . 0
6 . 0
−
0 . 0
0
10
20
30
40
Lag
Procesus AR(1) - X t = 0.7X t−1 + εt .
0
10
20 Lag
30
40
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Simulated AR(1) 0 1
5
0
5 −
0 1 −
0
100
200
300
400
500
AR(1) partial autocorrelations
AR(1) autocorrelati autocorrelations ons 0 . 1
6 . 0
8 . 0
4 . 0
6 . 0
F C A l a i t r a P
F C A 4 . 0
2 . 0 0 . 0 2 . 0 − 4 . 0 −
2 . 0
6 . 0
−
0 . 0
0
10
20
30
40
Lag
Procesus AR(1) - X t = 0.9
0
10
20 Lag
− X t
−1
+ εt .
30
40
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Simulated AR(1) 4
2
0
2 −
0
100
200
300
400
500
AR(1) partial autocorrelations
AR(1) autocorrelati autocorrelations ons 0 . 1
6 . 0 4 . 0
5 . 0 F C A l a i t r a P
F C A
0 . 0
2 . 0 0 . 0 2 . 0 − 4 . 0 − 6 . 0
−
5 . 0
−
0
10
20
30
40
Lag
Procesus AR(1) - X t =
0
10
20 Lag
−0.5X t
−1
+ εt .
30
40
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Un processus AR (1), X t = φX t−1 + εt sera sera auto auto-c -cor orr´ r´el´ el´e posit ositivem ivement ent si 0 < φ < 1, et auto au toco corr rr´´el´ el´e n´egat eg ative iveme ment nt si 1 < φ < 0. Cette s´erie erie va osciller oscille r autour de 0, en s’en ´ecartant ecartant suivant suivant la valeur εt du processus d’innovation (si 1 < φ < +1). Si φ = +1, on obtient une marche al´eatoire, eatoire, et si φ > +1 ou φ < 1 le processus n’est par stationnaire, stationnaire, et on obtient obtient un mod`ele ele qui explosera explosera (`a moyen terme). La valeur φ, dans le cas o` u le processus est stationnaire, est la corr´ cor r´elatio ela tion n entre deux dates dat es cons´ con s´ecutives ecu tives φ = corr (X t , X t−1 ).
−
−
−
AR (1 (1) ) :
Fonction Fonctio n d’auto d’a utocor corr´ r´ elat ion elation
Fonction d’autoc d’autocorr´ orr´ elation partielle elation
φ > 0
d´ ecroissance exponentielle ecroissance
φ < 0
sinuso sin uso¨ ¨ ıde amort amortie ie
premi` ere non nulle (signe = signe de ρ) ere toutes tout es nulle nulles s apr` es es
On appelle pro proces cessus sus aut autor´ or´egressi egr essif f AR( AR( p) p) un processus stationnaire (X (X t ) v´erifiant une relation du type p
X t
− i=1
φi X t−i = εt pour tout t
∈ Z,
o`u les φi sont des r´eels eel s et (εt ) est un bruit blanc de variance σ 2 . (2) est
(2)
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
´equiva qu ivale lent nt `a l’´ecri ec ritu ture re Φ (L) X t = εt o` u Φ (L ) = I Alors
ρ (1) ρ (2) ρ (3)
. . . ρ (p − 1) ρ (p)
=
− φ1 L − ... − φ pL p .
1
ρ (1)
ρ (2)
.
.
ρ (p − 1)
. ρ (1)
1
ρ (1)
. ρ (2)
.
.
ρ (1)
1 .
. .
ρ (p − 1)
.
.
. . .
.
ρ (p − 2)
. . .
ρ (p − 3)
.
.
.
ρ (p − 3)
. . .
ρ (p − 2)
.
.
1
ρ (1)
ρ (1)
1
De plus les ρ(h) d´ecroissent ecroi ssent exponentiellem expo nentiellement ent vers 0. La pr´evisi evi sion on a` l’aide des mo mod` d`eles eles AR Le mo mod` d`ele ele s’´ecri ec rit, t, quite qui te a` recentrer le processus, X t = φ1 X t−1 + ... + φ p X t− p + εt ou Φ(L Φ(L) X t = εt La pr´evision evis ion optima opt imale le a` la date T + 1, faite `a la date T est
φ1 φ2 φ3
. . . φp−1 φp
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
∗
T X T +1 T +1
|
= E L (X T +1 ,...). Aussi, T +1 X T T , X T T −1 ,...). ∗
T X T +1 T +1
= φ1 X T T + ... + φ p X T T − p
car (ε (εt ) est l’innovation. De fa¸con con analogue, X T + T +h = φ1 X T + T +h−1 + ... + φ p X T + T +h− p + εT + T +h , et donc ∗ ,...) est donn´ don n´e, e, de fa¸con con r´ecur ecursi sive ve par par T X T + T +h X T T , X T T −1 ,...) T +h = E L (X T + ∗ T X T + T +h =
|
∗ ∗ φ1 .T X T + T + ... + φ p X T + T +h− p pour h T +h−1 + ... + φh−1 .T X T +1 T +1 + φh X T ∗ ∗ φ1 .T X T + T +h−1 + ... + φ p .T X T + T +h− p pour h > p
On supposera l`a aussi que l’on s’est ramen´e a` un processus pro cessus centr´e (X t ), satisfaisant X t = εt + θ1 εt−1 + ... + θq εt−q = Θ (L) εt . La pr´evision evis ion optima opt imale le a` la date T + 1, faite `a la date T est ∗ ,...) = E L (X T +1 ,...) car (εt ) est le T X T +1 T +1 X T T , X T T −1 ,...) T +1 εT , εT −1 ,...) T +1 = E L (X T +1
|
|
≤ p
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
processus d’innovation. Aussi, ∗
T X T +1 T +1
= 0 + θ1 εT + ... + θq εT +1 T +1−q
De fa¸con con analogue, X T + est esti estim´ m´e par par T +h est ∗ ,...) = E L (X T + ,...), et donc T X T + T +h X T T , X T T −1 ,...) T +h εT , εT −1 ,...), T +h = E L (X T +
|
∗
T X T + T +h =
|
∗ θh .T X T + ... + θq X T + T +h−q pour h
0 pour h > q.
≤ q
(3)
Toute outefo fois is,, cett ce ttee m´etho et hode de pr´esente esente le d´esavantag esavantagee d’est d’e stim imer er X T + ` partir des T +h a r´esidus esidus pass´es, es, a priori non observables, et non pas du pass´e de la variable. ariabl e. L’´equa quation ti on X t = Θ (L) εt peut eu t se r´e´ e´ecr ec rire ir e Θ−1 (L) X t = εt , soit ∞
X t =
k=1
∞
ak X t−k + εt et donc X t+h =
k=1
ak X t+h−k + εt+h pour tout h
≥0
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
∗ Aussi, T X T + eu t ˆetre et re ´ecri ec ritt de fa¸ facon c¸o n it´erat er ative ive T +h p eut
h−1 ∗
T X T + T +h
=
∞
∗ ak .T X T + T +h−k +
k=1
ak X t+h−k
k=h
Toutefois, un des probl` emes emes est que les (X t ) ne sont pas observ´es, es, en pratique, pratiqu e, pour t < 0. On utilise alors l’´ecriture ecrit ure suivante h−1
∞
X T + T +h =
ak X T + T +h−k + εt+h =
k=1
∞
ak X T + T +h−k +
k=1
ak X T + T +h−k
+ εT + T +h ,
k=h
Reste d’une s´ erie erie ACV
o`u le reste de la s´erie erie absolument convergente tend (au sens de L2 ) vers 0 quand T . On peut alors consid´erer, erer, quand T est suffisement grand que
→∞
h−1 ∗
T X T + T +h
=
k=1
T + T +h ∗ ak .T X T + T +h−k +
k=h
∞
ak X T + T +h−k +
ak X T + T +h−k ,
k=T + T +h+1
N´ eglige egl igeabl able e (hyp.) (hyp. )
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
∞ − N − N
∗ ∗ et on approxime T X T + X T + T +h par T X T +h
h−1
∗
X T + T X T +h
T + T +h
∗ ak .T X X T + T +h−k +
=
k=1
ak X T + T +h−k .
k=h
L’intervalle de confiance se fait `a l’aide de la forme M A( ), T + T +h
∞
X T + T +h =
bi εT + T +h−i =
i=0
et donc
∞
bi εT + T +h−i +
i=0
bi εT + T +h−i ,
i=T + T +h+1
h
T ∆h
= X t+h
T
X T + X ∗ +h ≈ T
bi εT + T +h−i .
i=0
Sous Sous l’hyp l’hypot oth` h`ese ese de norma nor mali lit´ t´e des des r´esidu esiduss (εt ), H 0 : εt i.i.d., εt ∼ h
T ∆h
= X t+h
T
∗
XT + X +h ∼ T
0, σ
2
b2i
i=0
,
0, σ 2 , alors
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
d’o` u l’intervalle de confiance pour X T + T +h au niveau 1
h
∗
X T + T X T +h
−α
± u1
−α/2 α/2 .s
b2i ,
i=0
o`u les bi sont des estimateurs des coefficients de la forme moyenne mobile, et s est un estimateur de la variance du r´esidu. esidu. Consid´erons erons le processus pro cessus stationnaire statio nnaire (X t ), sous so us la form fo rmee g´en´ en´eral er alee X t = φ1 X t−1 + µ + εt .La .La pr´evisi evision on a` horizon 1, fait a` la date T , T , s’´ecrit ∗
T X T +1 T +1
|
= E (X T +1 T +1 X T T , X T T −1 ,...,X 1 ) = φ1 X T T + µ,
et de fa¸con con similaire ∗
T X T +2 T +2
∗ 2 = φ1T X T +1 + µ = φ [φ1 + 1] µ. T + [φ 1 X T T +1
De fa¸con co n plus plu s g´en´ en´eral erale, e, on obtie obtient nt r´ecur ec ursive siveme ment nt la pr´evisi evision on a` horizon h, ∗
T X T + T +h
=
φh1 X T T
+
φh1 −1
+ ... + φ1 + 1 µ.
(4)
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
∗ On peut noter que quand h , T X T + φ1 ), la moyenne du T +h tend vers δ/ (1 processus X t . L’erreur L’err eur de pr´evision evision a` horizon h est est donn´ donn´ee ee par par
→∞
T ∆h
=
∗
T X T + T +h
= ... =
∗ T X T + T +h
−
∗
− X T + T +h =T X T + T +h T +h − [φ1 X T + −
−1
+ µ + εT + T +h ]
h−1 h−1 φh1 X T + ... + φ1 + 1 µ + εT + ε T + φ1 T +h + φ1 εT + T +h−1 + ... + φ1
d’o` u, en substituant (4), on obtient u, T ∆h
h−1 = εT + εT +1 T +h + φ1 εT + T +h−1 + ... + φ1 T +1 ,
qui poss` po ss`ede ede la variance varian ce
V V = 1 +
φ21
+
φ41
+ ... +
φ21h−2
σ 2 , o`u V (εt ) = σ 2 .
La variance de la pr´evision evision croit av avec ec l’horizon. Consid´erons erons le processus pro cessus stationnaire statio nnaire (X t ), sous so us la form fo rmee g´en´ en´eral er alee X t = µ + εt + θ1 εt−1
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
La pr´evisio evi sion n a` horizon 1, fait a` la date T , T , s’´ecrit ∗
T X T +1 T +1
|
= E (X T +1 T +1 X T T , X T T −1 ,...,X 1 ) = µ + θ1 εT
o`u εT est l’erreur de la derni` ere ere observation, observation, a` la date T . T . De fa¸con plus pl us g´en´erale, on obtient obt ient r´ecursive ecu rsivement ment la pr´evision evis ion a` horizon h, ∗
T X T + T +h
|
= E (X T + T +h X T T , X T T −1 ,...,X 1 ) = E (µ + εT + T +h + θ1 εT + T +h−1 ) = µ
(5)
C’est `a dire qu’`a partir d’un horizon 2, la meilleure pr´evision evision est la moy moyenne enne du processus. pro cessus. L’erreur L’err eur de pr´evision evisio n a` horizon h est est donn´ donn´ee ee par T ∆h
dont la variance est
∗ =T X T + T +h
− X T + T +h = εT + T +h + θ1 εT + T +h
−1
V V = 1 + θ12 σ 2 o` u V (εt ) = σ 2
pour h
≥ 2. Sinon, pour h = 1, la variance est V V = θ12 σ2 .
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Less pr Le prix ix,, un pr pro oces cessu suss int´ egr´ egr´ e? Il existe plusieurs formes de non-stationnarit´e, e, les le s s´erie er iess int´egr´ee, c’est `a dire qu’en les diff´erenciant erenc iant Y t = (1 L)X t , on obtient une s´erie eri e statio sta tionna nnaire ire,, les le s s´erie er iess tendance (lin´ (lin´eair ea ire) e) + s´erie er ie st stat atio ionna nnair iree, X t = ∆t + Y t ,
• •
−
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Less pr Le prix ix,, un pr pro oces cessu suss int´ egr´ egr´ e?
0
0
0 1 −
0 1 −
0 2 −
0 2 −
0 3 −
0 3 −
0 4 −
0 4 −
0 5 −
0 5 −
0
50
100
150
200
250
0
50
100
150
200
250
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Less pr Le prix ix,, un pr pro oces cessu suss int´ egr´ egr´ e? 0 2
0 2
5 1
5 1
0 1
0 1
5
5
0
0
5 −
5 −
0 1 −
0 1 −
5 1 −
5 1 −
0
50
100
150
200
250
0
50
100
150
200
250
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Tes este terr la pr´ esence esen ce d’ d’un une e rac racine ine un unit´ it´ e Le test de Dickey-Fuller (simple) (simple ) permet per met de tester l’hypoth` l’hypot h`ese ese H 0 : le processus suit une marche al´eatoire eatoi re contre l’hypoth`ese ese alternative alter native H a : le processus suit un mod`ele AR (1). Ces tests peuvent peu vent ˆetre etre regroup´ regro up´es es en 4 cas : (1) Y t = ρY t−1 + εt : on teste H 0 : ρ = 1 (marche marche al´eato eatoire ire sans sa ns d´eriv er ive e )) (2) Y t = α + ρY t−1 + εt : on teste H 0 : α = 0 et ρ = 1 (marche march e al´eatoi eatoire re sans san s d´erive ) e )
(3) Y t = α + ρY t−1 + εt : on teste H 0 : α = 0 et ρ = 1 (marche march e al´eatoi eatoire re avec d´erive ) e ) (4) Y t = α + β t + ρY t−1 + εt : on teste H 0 : α = 0, β = 0 et ρ = 1 (marche al´ al´eato ea toire ire san sa ns d´eriv er ive e )) Le test de Dickey & Fuller, dans le cas (1), se construit comme un test de Sutdent Sutd ent de l’hypoth` l’hyp oth`ese ese ρ = 1, ou plutˆot ot ρ 1 = 0. Etant donn´e l’estimateur l’estim ateur
−
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
naturel de ρ, on peut noter que
− ρ
1=
εt Y t−1 Y t−1
Le test de Dickey & Fuller augment´e permet per met de tester l’hypoth`ese ese H 0 : est int´ int´egr´ eg r´e d’or d’ordr dree au mo moin inss 1 H a : le processus pro cessus suit un mo mod` d`ele ele AR ( p). p). Ces tests peuvent pe uvent ˆetre etr e regrou reg roup´ p´es es en 4 cas : (1) Φ (L) Y t = εt : on teste H 0 : Φ (1) = 0 (2) Φ (L) Y t = α + εt : on teste H 0 : α = 0 et Φ(1) = 0
(3) Φ (L) Y t = α + εt : on teste H 0 : α = 0 et Φ(1) = 0 (4) Φ (L) Y t = α + β t + εt : on teste H 0 : α = 0, β = 0 et Φ(1) = 0 Ces 4 cas peuvent pe uvent ˆetre etr e r´e´ e´ecrits ecr its en introduis intro duisant ant les notati not ations ons suivantes, suivantes ,
− p−1
Φ (L) = Φ (1) (1) + (1
∗
− L) Φ
(L) = Φ (1) (1)
αi Li (1
i=0
− L)
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
o`u
−
−1 1 − φi = φi+1 + ... + φ p
α0 = Φ (1)
pour i = 1,...,p. ,...,p. En posant
αi = αi− ρ = 1 Φ (1), on peut r´e´ e´ecrire ecrir e les 4 cas en (1) Y t = ρY t−1 +
αi ∆yt−i + εt : on teste H 0 : ρ = 1
(2) Y t = α + ρY t−1 +
αi ∆yt−i + εt : on teste H 0 : α = 0 et ρ = 1
(3) Y t = α + ρY t−1 +
αi ∆yt−i + εt : on teste H 0 : α = 0 et ρ = 1
(4) Y t = α + β t + ρY t−1 +
αi ∆yt−i + εt : on teste H 0 : α = 0, β = 0 et ρ = 1
Pour simplifie simp lifier, r, on ´ecrira ecr ira (1) ∆Y ∆Y t = φY t−1 + (2
αi ∆yt−i + εt , avec φ = ρ
− 3) ∆Y t = α + φY t
−1
+
(4) ∆Y ∆Y t = α + β t + φY t−1 +
− 1 app ap pel´e ’M ’Mood`ele el e [1]’ [1 ]’
αi ∆yt−i + εt appel pp el´´e ’M ’Moo d`ele el e [2]’ [2 ]’
αi ∆yt−i + εt appel pp el´´e ’M ’Moo d`ele el e [3]’ [3 ]’
Les tabl ta bles es ont ont ´et´e tabu ta bul´ l´ees ee s par pa r Dickey & Fuller (1979) (1979),, et sont analogues aux tables du t de Student. Dans le cas ’simple’, le param`etre etre ρ (ou φ) est est estim´ est im´e par la m´ethode ethode des moindres carr´es es ordinaires. L’estimation des coefficients et des
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
´ecar ec art-ty t-type pess du mo mod` d`ele ele four fournit nit un tφ , analogue a` la statistique de Student dans les mod`eles el es lin´ li n´eair ea ires es (rapport du coeffic coefficien ientt sur son ´ecart-type ecart-t ype ). ). Si tφ est est sup´ sup´erie er ieur ur au t tabul´ tabul´e, e, on ac acce cepte pte H 0 , hypoth`ese ese d’existence d’existe nce d’une racine racin e unit´e, e, et le processus n’est alors pas stationnaire.
Il est aussi aussi possible possible d’effectu d’effectuer er ce test test en utilisan utilisantt nφn , o`u φn est l’estimateur de (empirique ) est sup´erieur eri euree a` φ obtenu `a partir de n observations. Si cette valeur (empirique celle cel le tabul´ tab ul´ee, ee, on accept acc eptee l’hypoth` l’hyp oth`ese ese H 0 . D’autres tests existent, en particulier le test de Philipps-Perron Philipps-Perron.. Ces tests non param´ par am´etrique etr iquess ont ´et´ et´e introduit intro duitss en 198 1988. 8. La distrib dist ributio ution n th´eorique eor ique a` la base des tests te sts de Dickey Dicke y & Fuller ull er repo re pose se sur sur l’hyp l’hy poth` oth`ese ese d’h´et´ et´eros erosc´ c´edas edasti tici cit´ t´e du bruit bruit.. La g´en´ en´eral er alis isat atio ion n des de s test te stss DF aux tests ADF se fait fai t en consid´ con sid´erant era nt Y t = Dt + ρY t−1 + εt
→
Y t = Dt + ρY t−1 +
αi ∆yt−i + εt ,
o`u (Dt ) est une tendanc tend ancee d´etermi ete rminist niste. e. La g´en´ en´eralis era lisati ation on des tests tes ts DF propos´ee par Phillips et Perron consiste `a ne plus supposer que (ε ( εt ) est un bruit blanc, et `a autori aut oriser ser que ce proces pro cessus sus soit soi t autoc aut ocorr´ orr´el´ el´ee. ee. La g´en´ en´eralisa era lisatio tion n de ces tests tes ts au cas
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
h´et´ et´eros er osc´ c´edas ed asti tiqu quee a ´et´ et´e prop pr opos´ os´ee ee par pa r Phil Philli lips ps et Perro Per ron, n, les le s valeu valeurs rs crit cr itiq ique uess correspondant a` celles des tests ADF . ADF . Ces tests reposent sur des r´esultats esultats de la th´eorie eorie de la convergence convergence faible fonctionelle (th´eor` eor`eme eme central central limi limite te fonc foncti tione onel l (FCLT) par exemple ). ). L’utili L’u tilisat sation ion du FCLT FCLT pour po ur des tests tes ts de racine rac iness unit´e a ´et´ et´e prop propos´ os´e d`es es 19 1958 58 par par White Whi te.. Si (X t ) est un processus pro cessus stationnaire alors les statistiques sta tistiques calcul´ees ees sur ce ce processus pro cessus v´erifiront erifiro nt le FCLT. FCLT. Consid´erons erons par exemple le cas AR (1), X t = ρX t−1 + εt pour t = 1,...,T , et cherchons `a tester ρ = 1 (hypot poth`ese H 0 ). En supposons H 0 v´erifi´ eri fi´ee, ee, et consid´ con sid´erons ero ns la somme som me partie par tielle lle du proces pro cessus sus d’innovation, t
S t = X t
− X 0 =
εi .
i=1
On prendra comme valeur initiale de (S ( S t ), S 0 = 0, mais pour le choix de X 0 trois possi os sibi bili lit´ t´es es sont so nt g´en´ en´eral er alem ement ent envis env isag ag´´ees ee s : (i) X 0 = c (constante ), constante ), (ii) ii) X 0 admet une distrib dist ributio ution n sp´ecifi´ eci fi´ee ee a priori pri ori,, (iii) iii) X 0 = X T ere ere condition, conditi on, dite T . Cette derni` hypot hyp oth` h`ese es e de cicu ci cula lari rit´ t´e, e, a ´et´ et´e prop propos´ os´e par pa r Ho Hote tell llin ing. g.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Aller plus loin que les bruits blancs Cons Co nsid´ id´eron er onss la s´erie er ie suiva suivante nte,,
2
1
0
1 −
2 −
0
200
400
600
800
1000
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Autocorrélations Autocorrélations de |Xt|
Autocorrélations de Xt
F C A
Autocorrélations de Xt^2
0 . 1
0 . 1
0 . 1
8 . 0
8 . 0
8 . 0
6 . 0
6 . 0
6 . 0
F C A
4 . 0
F C A
4 . 0
4 . 0
2 . 0
2 . 0
2 . 0
0 . 0
0 . 0
0 . 0
0
5
10
15 Lag
20
25
30
0
5
10
15
20
25
30
Lag
0
5
10
15
20
25
30
Lag
Si on consid` con sid`ere ere simplem sim plement ent des autoc aut ocorr´ orr´elatio ela tions, ns, X t ressemble `a un bruit blanc. blanc. Mais ( X t ) ainsi que (X (X t2 ) sont sont tr`es es auto autoco corr´ rr´el´ el´es. es. On pour po urra rait it tente tenterr
| |
X t2 = β 0 + β 1 X t2−1 + εt , ou X t = mais rien ne garantie que β 0 + β 1 X t2−1 + εt 0, rien ne permet de choisir le signe de X t .
• •
≥
±
β 0 + β 1 X t2−1 + εt
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus ARCH
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus ARCH
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus ARCH Definition 23. Le processus (X t ) est un processus ARCH ARCH (1) (1) si X t = εt
α0 +
α1 X t2−1
o` u (εt ) est un bruit blanc gaussien, εt u
not oteera g´en´era rall leme men nt ht = α0 +
α1 X t2−1 ,
√ et donc X = h .ε . t
t
t
Soit (X (X t ) un processus AR (1), tel que X t = αX t−1 + εt o` u εt V (X t ) =
1 1
−
∼ N ∼ N
2 2 σ et V ( X X ) = σ , − 1 t t α2
|
0, σ 2 . On 0, σ 2 , alors
c’est `a dire que la variance, et la variance conditionnelle, ne d´ ependent ependent pas du temps. Soit (X (X t ) un processus ARCH (1), ARCH (1), tel que X t = εt εt
∼ N
0, σ 2 , alors
α0 + α1 X t2−1 o` u
V (X t X t−1 ) = α0 + α1 X t2−1 σ 2 .
|
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus ARCH versus bruit blanc 2
1
0
1 −
2 −
0
200
400
600
800
1000
0
200
400
600
800
1000
2
1
0
1 −
2 −
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus ARCH versus bruit blanc 2
1
0
1 −
2 −
0
200
400
600
800
1000
0
200
400
600
800
1000
2
1
0
1 −
2 −
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus ARCH versus bruit blanc 2
1
0
1 −
2 −
−2
−1
0
1
2
−2
−1
0
1
2
2
1
0
1 −
2 −
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus ARCH versus bruit blanc 0 . 1
8 . 0
y t i s n e D
6 . 0
4 . 0
2 . 0
0 . 0
−2
−1
0
1
2
−2
−1
0
1
2
0 . 1
8 . 0
y t i s n e D
6 . 0
4 . 0
2 . 0
0 . 0
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus ARCH versus bruit blanc Normal Q−Q Plot
0 . 1
5 . 0 s e l i t n a u Q e l p m a S
0 . 0
5 . 0 − 0 . 1 − 5 . 1 −
−3
−2
−1
0
1
2
3
1
2
3
Theoretical Quantiles
Normal Q−Q Plot
2
s e l i t n a u Q e l p m a S
1
0
1 −
2 −
−3
−2
−1
0 Theoretical Quantiles
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
ARCH versus HIS Deux Deux types typ es de mo mod` d`eles eles ont ´et´ et´e utili utilis´ s´es es pour our mo mod´ d´elise eliserr la volatil vola tilit´ it´e. e. On supp suppos osee que les (log)rendeme (log)r endements nts v´erifient erifient Rt = µ + εt , o`u εt (0, (0, σt2 ), ou encore εt = ηt σt o` u ηt (0, (0, σt2 ), avec comme dynamique σt2 = α0 + α1 εt2−1 pour les processus ARCH σt = β 0 + β 1 σt−1 + ut pour les processus HIS historical volatility models Le cas le plus simple consiste `a consid´erer erer le cas o` u σt = σt−1 + ut , alors σt+1 = σt .
• •
·
∼ N
∼ N
Cette Cet te quantit´ quant it´e est assez ass ez diff´erente ere nte de la moyenne historique
σt+1 =
1 (σt + σt−1 + t
· · · + σ1 ) ,
ou bien la moyenne glissante (de longueur h) σt+1 =
1 (σt + σt−1 + h
· · · + σt
−h+1 ) .
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
On peut pe ut ´egal eg alem ement ent co consi nsid´ d´erer erer du lissage exponentiel, exponentiel, o` u
σt+1 = [1
− β ]σt + β σt
ou encore moyenne glissante `a poids exponentiels (EWMA - exponentially weighted moving average ), ), prop propos´ os´ee ee par par RiskMetrics de JP Morgan, h
β i σt−i+1
σt+1 =
i=1
h
i=1
β i
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus ARCH Definition 24. On dit que le processus (X t ) suit un processus ARCH ARCH (( p p)) s’il est d´efini efin i par une ´equation equa tion de la form forme e X t = εt
p
ht o` u ht = α0 + u
αi X t2−i ,
i=1
o` u (εt ) est un bruit blanc gausien, centr´ u e, de varianc e, variance e σ 2 , soit εt Ceci peut peu t aussi s’´ecrire ecrir e
∼ N 0, σ2 .
p
X t2 = εt α0 +
αi X t2−i .
i=1
Ce n’est plus le processus (X (X t ) que l’on cherche `a mod´eliser, eliser , mais le processus pro cessus X t2 .
Dans le cas o` u (εt ) est un bruit blanc fort (ε ( εt i.i.d.) (εt ) peut eut ˆetre et re i.i.d.) gaussien, alors (ε vu comme co mme une diff´erence erence de martingale. m artingale. Pour que le processus (X t ) soit stationnaire au second ordre, la variance marginale de (X (X t ) soit soi t ˆetre etr e consta con stante. nte.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Or V (X t ) = α0 + α1 V (X t−1 ) , c’est `a dire que l’on doit avoir α1 < 1, et donc V (X t ) = α0 / (1 α1 ).
−
Proposition 25. (X t ) est stationnaire au second ordre si α0 > 0 et 0
≥ 1, X t |X t h
≤ α1 < 1.
On peut alors noter que pour tout h
| | | | | −− − | − − E
−
puisque E X t X t−h = E E X t X t−1 V X t X t−h
Aussi,
1 = α0 1
V X t X t−h
= 0,
X t−h = E 0 X t−h = 0. De plus,
αh1 α0 + α1 X t2−h et V (X t ) = . α1 1 α1
V (X t ) = αh1 X t2−h
(6)
V (X t−h ) .
Comme nous l’avions vu en introduction, les mod`eles eles ARCH permettent d’avoir des processus av avec ec des queues de distribution plus ´epaisses epaisses que les processus
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
ARMA. La kurtosis conditionnelle est obtenue `a l’aide de la relation E
X t4
|X t
−1
et la kurtosis `a la date t est E
X t4
=3
α02
− = 3 α0 + α1 X t2−1
2α1 α20 + + α12 E X t4−1 1 α1
−
2
,
3α20 (1 + α1 ) = . (1 3α12 ) (1 α1 )
−
La condition d’existence du moment d’ordre 4 est 3α 3α12 < 1, et on en d´eduit eduit alors l’expression de la kurtosis
E X t4
1 α21 κ= normale ). 2 = 3 2 > 3 (cas de la loi normale ). 2 1 3 α E (X t ) 1
− −
Les queues de la distribution marginale d’un processus ARCH (1) ARCH (1) sont donc plus ´epaisses epaisses que pour un processus gaussien (on parlera de distribution leptokurtique ). leptokurtique ). Le s mo Les mod` d`eles el es ARCH ( ARCH ( p) p) sont des extensions extensi ons des mo mod` d`eles eles ARCH (1) ARCH (1) . Le Less mo mod` d`eles el es ARCH (1 ARCH (1)) ´eta et aient ie nt X t = εt ht o`u
ht2
= α0 +
α1 X t2−1
et εt
∼ N
0, σ 2 ,
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
et les mo mod` d`eles eles ARCH ( ARCH ( p) p) font intervenir plusieurs retards, p
X t = εt ht o` u
ht2
= α0 +
αi X t2−i
i=1
et εt
∼ N
0, σ 2 .
La volatilit´ volat ilit´e de la date t est alors fonction fonctio n des carr´es es des ´ecarts ecar ts a` la moyenne observ´es es dans le pass´e proche. pro che. Si les co coefficients efficients αi sont tous positifs (et (et assez grands ), ), il y a une persistance des niveaux de volatilit´ volatilit´e : on observe des p´eriodes eriodes de forte for te volatilit´ volat ilit´e suivies suiv ies de p´erio eri o de de faible fai ble volatilit´ volat ilit´e. e. On peut pe ut alo alors rs ´ecrire ecr ire
|
E X t X t−1
p
= 0, et E X t2 X t−1 = ht2 = α0 +
|
αi X t2−i .
i=1
Ces Ce s mo mod` d`eles eles ont ´et´ et´e intro intr oduits dui ts par par Bo Boll ller ersl slev ev en 19 1986 86,, inspir´ ins pir´es es de la d´emar emarche che de Box et e t Jenkins, avec une dynamique dynamiqu e autor´egressive, egre ssive, p
X t = εt ht o` u
ht2
= α0 +
i=1
q
αi X t2−i
+
j =1
β j ht2−j
et εt
∼ N
0, σ 2 .
(7)
On peut noter tout d’abord que, sous cette forme, les coefficients p et q ne sont
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
pas analogues `a ceux ceu x des mo mod` d`eles ele s ARMA : en particulier, q correspond au caract` car act`ere ere autor´ aut or´egress egr essif if du proces pro cessus sus ht2 . On a alors
|
E X t X t−1
|
= 0 et E X t2 X t−1 = ht2 = α0 +
p
i=1
q
αi X t2−i +
i=1
β j ht2−j .
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus GARCH(1,1) Definition 26. On dit que le processus (X t ) suit un processus GARCH GARCH (1 (1,, 1) s’il est d´efini efin i par une ´equatio equ ation n de la form forme e X t = εt
ht o` u h2t = α0 + α1 X t2−i + β 1 h2t−1 , u
o` u (εt ) est un bruit blanc gausien, centr´ u e, de varianc e, variance e σ 2 , soit εt
(0,, 1) 1).. ∼ N (0
Si (X t ) est stationnaire au second ordre, alors V ar( ar(X t ) = E(X t2 ) = E(E(X t2 X t−1 , X t−2 ,
|
)+β 1 E(ht2 · · · )) = E(ht2) = α0+α1 E(ht2)+β
aussi (1
− α1 − β 1)E(ht2 = α0 .
Il convient donc d’avoir α1 + β 1 < 1.
−1 ),
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus processus GARCH( p, q ) Proposition 27. Si le processus GAR GARC C H H (( p, q ) est stationnaire au second ordre, alor al orss n´ecessa eces saireme irement nt p
q
− αi +
i=1
β j < 1,
(8)
j =1
et dans ce cas, la variance de X t est V (X t ) =
1
α0 p i=1 αi +
q j =1
β j
.
Dans le cas o` u (8) est satur´ee, ee, i.e. pi=1 αi + jq=1 β j = 1, on dira alors que le processus GARCH ( GARCH ( p, q ) est int´egr´ egr´e, e, et on parler par leraa de proces pro cessus sus IGARCH ( IGARCH ( p, q ). ). Cette d´ enomination enomination peut se justifier par l’existance d’une racine unit´ e dans la composante autor´egressive egressive de (7). Toutefois, cette analogie av avec ec l’extention des mod`ele ARMA aux au x mo mod` d`eles el es ARIMA peut ˆetre etre trompeuse : un processus ARIMA n’est pas stationnaire (au (au second ordre ou au sens fort ) fort ) alors qu’il existe une solution stationnaire (au (au sens fort ) d’un d’un mo mod` d`ele ele IGARCH (qui
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
admet admettra tra une varia var iance nce infin infinie ie d’apr` d’a pr`es es la propri´ propr i´et´ et´e ci-de ci-dess ssus us ). ).
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Les processus GARCH(1,1) Dans le cas d’un processus GARCH (1 GARCH (1,, 1), il est possible de montrer que la kurtosis de X t est de la forme 2 (α1 + β 1 ) − κ (X t ) = κ (εt ) o`u µ4 = E 2 2 1 − (α1 + β 1 ) − α1 (µ4 − 1)
1
εt4 .
L’estimation peut se faire en utilisant des techniques inspir´ees ees du maximum de vraissemblance. La log-vraissemblance `a la date t est de la forme
Lt = constante − 12 log ht2 − 12 εt2 ht 2 , −
et la log-vraissemblan log-vr aissemblance ce totale du mo mod` d`ele ele s’´ecrit ecrit
L = constante −
1 2
n
t=1
log ht2
−
1 2
n
2 εt2 h− t .
t=1
La m´ethode etho de pour estimer estime r les param`etres etres est alors la suivante suivante
(1) calcul cal cul des r´esidus/ esi dus/err erreur eurss du mo mod` d`eles ele s de r´egressi egr ession on : εt ,
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
(2) calcul du carr´e des erreurs erreur s εt2 , et on effectu effe ctuee la r´egress egr ession ion lin´eaire eai re de εt2 sur son pass pa ss´´e εt2−1 ,..., εt2− p :
p
εt2 = α0 +
αi εt2−i + ut ,
i=1
(3) on consid`ere ere que la variance arian ce de l’erreur l’erre ur peut ˆetre etre approch´ appro ch´ ee ee par ht2 , et on esti es time me de nouve no uveau au les les para pa ram` m`etre et ress du mo mod` d`ele el e par pa r mo moin indr dres es ca carr rr´´es es g´en´ en´eral er alis´ is´es, es , avec comme c omme facteur facte ur de pond´ pon d´eration erati on ω = 1/ht et Ω = diag ht2 :
α = ε Ω−1 ε
−1
ε Ωh et p
ht2 = α0 +
αi εt2−i + ut .
i=1
Par rapport rapp ort aux mo mod` d`eles eles lin´eaire, eaire, on a une grande diff´erence erenc e quant a` la variance de l’erre l’e rreur ur du mo mod` d`ele, ele , qui va ˆetre etr e foncti fon ction on de la variance varianc e r´esiduel esi duelle le σ , alors que pour po ur les mo mod` d`eles ele s ARCH , elle sera fonction de ht2 : la variance de l’erreur n’est alors plus constante (ce (ce qui va influencer, par exemple, les intervalles de
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
confiance confian ce lors l ors des pr´evison evi sons s ). ). Plus rigoureuseme rigour eusement, nt, l’estimation l’estim ation des param`etre etre dans les mod`eles eles ARCH se fait en utilisant l’estimateur du pseudo maximum de vraisemblance, sous l’hypoth` l’hypoth`ese ese de loi conditionelle normale.Aussi, so lt (y, θ) d´esigne esigne la vraisemblance vraise mblance de Y t , conditionelle condit ionelle au pass´e, e, la vraisemblance vraise mblance de Y 1 ,...,Y T a Y 0 est alors T , conditionelle ` T
L (y, θ) =
t=1
lt (y, θ) et on pose θ = arg arg ma max x log log L (y, θ) .
En fait, cet estimateur est convergent, convergent, mˆeme eme si la loi conditionelle c onditionelle n’est pas normale. Cet estimateur est ´egalement egalement asymptotiquement normal.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Etude des auto autocorr´ corr´ elations (empir elations (empiriques) iques)
√ nρ(h) → N (0, 0. (0, 1) pour tout h = √ Si (X t ) est un processus GARCH ( p, q ), alors nρ(h) → N (0, (0, γ (0) (0) 2 E(X t2 X t2 h )) pour tout h = 0. Si (X t ) est un bruit blanc, blanc, alors
L
L
−
E.g., si (X (X t ) est un processus ARCH (1), (1), alors (1 α)(1 + αµ4 ) L 4 E nρ(1) 0, pour tout h = 0, o µ = ( X ). 4 t (1 µ4 α2 )
→ N
√
−
−
⇒ il ne faut pas se fier aux bornes de confiance “classiques”.
=
−
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Series X 3 . 0
2 . 0
1 . 0
F C A
0 . 0
1 . 0 −
2 . 0 −
3 . 0 −
0
5
10
15 Lag
20
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Autr Au tres es mo mod` d` el es no eles nonn-li lin´ n´ ea ires eair es ? Les mo mod` d`eles el es au auto tor´ r´egre eg ress ssif ifss a` seuils ont ´et´ et´e introduit intro duitss par Tong en 197 1978, 8, sous le nom de threshold autoregressive , ou T AR. AR. On suppose, dans le cas d’un seuil unique, uniq ue, qu’il qu’i l existe exis te deux r´egimes egi mes diff´erents, ere nts, Y t =
(1)
(1)
(1)
(2)
(2)
(2)
φ1 X t−1 + φ2 X t−2 + ... + φ p1 X t− p1 + εt si X t
≤s
φ1 X t−1 + φ2 X t−2 + ... + φ p2 X t− p1 + ηt si X t > αs,
o`u (X t ) est soit une variable exog`ene, ene, soit une variable (Y t ) reta re tard´ rd´ee ee (Y t−d ). Dans ce dernier cas, on parlera parler a ´eventuellement eventuellement de mod`ele ele SETAR, SETAR, self excited threshold AR. AR. Il est d’aille d’a illeurs urs poissi po issible ble de g´en´ en´eralise era liserr davantage en consid´ con sid´erant era nt des des soussous-mo mod` d`eles eles ARMA au lieu de mo mod` d`eles ele s AR. AR. Il est `a noter que les bruit (ε ( εt ) et (ηt ) sont ind´epend ep endants, ants, et peuvent pe uvent ˆetre etr e de variance varian ce diff´erente. ere nte. Example 28. Cons Co nsid´ id´erons eron s le cas de mod`eles el es AR (1) avec un seuil unique X t =
φ1 X t−1 + εt si X t−1
≤s
φ2 X t−1 + εt si X t−1 > s,
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
avec le mˆ eme eme bruit. Une condition n´ ecessaire ecessaire et sufficante d’existence d’exis tence d’une solution stationnaire et φ1 < 1, φ2 < 1 et φ1 φ2 < 1. La s´erie eri e ci-dess ci- dessous ous correspond `a une simulation simulat ion de la s´ erie erie X t =
−
0.2.X t−1 + εt si X t−1
≤1
0.9.X t−1 + εt si X t−1 > 1,
avec un bruit brui t blanc bla nc gaussie gaus sien, n, centr´e r´eduit, edui t, Ce type de processus, l`a aussi, permet d’avoir des queues de distribution plus ´epaisses epaisses (en l’occurenc l’occurencee ici pour les fortes valeurs de Y t - queue `a droite). Une Un e ´ecri ec ritu ture re ´equi equival valent entee du mo mod` d`ele ele a` seuil `a deux r´egimes, egimes , avec un seul reatard, reata rd,
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
ou une seule variable exog`ene ene (X t ou Y t−1 ), est la suivante Y t =
≤s
α1 + φ1 X t + εt
si X t
α2 + φ2 X t + ηt
si X t > s,
(9)
Y t = (α1 + φ1 X t ) IXt ≤s + (α (α2 + φ2 X t ) IXt >s + ut , o`u (ut ) est une s´equence equence de bruits ind´ ependants, ependants, dont la variance est de la forme V (ut ) = σε2 IXt ≤s + ση2 IXt >s . Il sera possible de se reporter a` l’article de Ben Salem et Perraudin (2001) (2001 ) ’Tests ’Tests de lin´earit´ earit´e, e, sp´ecification ecifica tion et estimation estima tion des mod`eles el es a` seuil : une analyse compar´ee ee des m´ethodes ethodes de Tsay et Hansen’ pour des compl´ements ements d’informatio d’infor mation n sur s ur le sujet.
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Less pr Le pro oce cess ssus us ` a vola volatil tilit´ it´ e st sto ochas chasti tiqu que e Pour les mo mod` d`eles ele s ARCH, nous nou s avions avion s suppos´ supp os´e que les (log)r (lo g)rende endements ments v´erifient eri fient Rt = µ + εt , o`u εt = zt ht o`u zt (0, (0, 1), avec comme dynamique
·
∼ N
ht2 = α0 + α1 εt2−1 .
·
Ici, Ic i, le mo mod` d`ele el e va s´ecri ec rire re Rt = µ + εt , o` u εt = zt exp( exp(ht /2) o` u zt comme dynamique
∼ N (0, (0, 1), avec
ht = α0 + α1 ht−1 + ηt . Le fait d’avoir consid´er´ er´e une exponentielle exp onentielle permet per met d’avoir des ht
≤ 0.
Le soucis est que les ht sont des volatilit´es es conditionnelle conditi onnelless non-observ´ non-obs erv´ees, ees, et dont la vraisemblance vraise mblance est compliqu´ compli qu´ee ee a` ´ecrire ecr ire.. Aussi, Auss i, les m´ethod eth odes es usuelles usue lles d’estimation (maximum de vraisemblance) ne marche pas...
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
Extensions des processus ARCH Dans Dans un mo mod` d`ele ele ARCH (q ), ), t = σt zt , o`u zt are modeled by
(0, 1) and where the series σt2 ∼ N (0, q
σt2 = α0 + α1 t2−1 + and where α0 > 0 and αi
· · · + αq t2
−q
= α0 +
αi t2−i
i=1
≥ 0, i > 0.
Dans Dans un mo mod` d`ele ele GARCH ( p, q ) q
σt2 = α0 + α1 t2−1 +
· · · + αq t2
2
−q + β 1 σt−1 +
· · · +β pσt2 p = α0 + −
p
αi t2−i +
i=1
β i σt2−i
i=1
Dans Dan s un mo mod` d`ele ele EGARCH, EGA RCH, exponential general autoregressive conditional heteroskedastic introduit par Nelson (1991) is another form of the GARCH
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
model. Formally : ∞
log σt2 = ωt +
∞
β k g (Z t−k ) +
k=1
αk log σt2−k
k=1
)), | | − E(|Z t|)),
where g (Z t) = θZ t + λ( Z t
The Quadratic GARCH (QGARCH) model by Sentana (1995) is used to model asymmetric effects of positive and negative shocks. In the example of a GARCH(1,1) model, the residual process σt is t = σt zt where zt is i.i.d. and σt2 = K + K + α t2−1 + β σt2−1 + φ t−1 Finally, the Threshold GARCH (TGARCH) model by Zakoian (1994) is similar, and the specification is one on conditional standard deviation instead of
´conom etrie ´trie de la finance (2008/2009) Arthur CHARPENTIER - e econom e
conditional variance : − σt = K + K + δ σt−1 + α1+ t+−1 + α− 1 t−1
where t+−1 = t−1 if t−1 > 0 , and t+−1 = 0 if if t−1 if t−1 > 0. t−1 0 , and − t−1 = 0 if
≤
− −1
≤ 0 . Likewise, t
= t−1 if