REPUBLIQUE DU CAMEROUN REPUBLIC OF CAMEROON

**** **** **** ***** ***** *****

Paix -Travail -Patrie Peace -Work -Fatherland
Institut Universitaire de la Côte Coastal University Institute
***** ***** ***** *** *** ***
INSTITUT INTERNATIONAL INTERNATIONAL SCIENCE AND
DES SCIENCES ET TECHNOLOGIES TECHNOLOGY INSTITUTE OF
DE L’INNOVATION INNOVATION

EXPOSE DE SERIES TEMPORELLES

MODELE GARCH

Filière : Licence Sciences Techniques

Option : Mathematiques

Niveau : 3

Redige et Presente par :

• ATIOLO ZANFACK NELLY

• DJEMBI DJILO LYNE
•DJIKE TCHATCHOUA CHRISTIAN
•NJOUONZE KOUMPO LUCIEN
•NOUMBO AGOUFACK NESTA
Sous l’encadrement de : Pr TCHIEUZING AWOUTCHA ROMUALD

ANNEE ACADEMIQUE
2024- 2025
 SOMMAIRE
Introduction……………………………………………………………………………………………………………….1

I. Definition et présentation du modèle GARCH(p,q)…………………………………………………….2

II. Stationnarité et inversibilité................................................................................................................................3

III. Calcul de l’espérance ……………………….……………………………………………………………………….….5

IV. Calcul de la variance……………………….…………………………………………………………………………….6

V. Fonction d’autocorrélation dans les modèles GARCH ………………………………………..…………8

VI. Comparaison entre ARCH et GARCH……………………………………………………………………………...9

VII. Extensions du modèle GARCH…………………………………………………………………………………….10

VIII. Avantages et limites du modèle GARCH……………………………………………………………………11

Conclusion………………………………………………………………………...……………………………………………….12

Références bibliographiques…………………………………………………………………………………………….13
 Introduction

Ce document présente une étude approfondie des modèles GARCH (Generalized

Autoregressive Conditional Heteroskedasticity), mettant en évidence leur définition, leurs

propriétés théoriques, ainsi que leurs applications en économétrie financière. Nous aborderons

la stationnarité, l’inversibilité, le calcul des moments, la fonction d’autocorrélation, la

comparaison avec les modèles ARCH, et diverses extensions. Une illustration graphique pour

le cas GARCH(1,1) permettra de visualiser la persistance de la volatilité. Enfin, nous

discuterons des avantages et des limites des modèles GARCH, avant de conclure.

1
 I. Définition et présentation du modèle
GARCH (p, q)

Le modèle GARCH (Generalized Autoregressive Conditional Heteroskedasticity) a été

introduit par Tim Bollerslev en 1986 comme une généralisation du modèle ARCH
(Autoregressive Conditional Heteroskedasticity) proposé par Engle en 1982 permettant une
approche plus flexible et plus complète de la modélisation de la volatilité variable dans le temps.
Ce modèle est défini par son ordre, qui comprend à la fois les composantes autorégressives
(AR) et moyenne mobile (MA). La composante AR tient compte de l’influence des rendements
carrés passés sur la volatilité actuelle, tandis que la composante MA intègre les erreurs de
prévision passées. La forme générale d'un modèle GARCH(p, q) comprend p valeurs décalées
de la variance conditionnelle et q valeurs décalées des carrés des résidus, fournissant un cadre
robuste pour la modélisation de modèles de volatilité complexes.
Il est aussi un modèle statistique utilisé principalement dans le domaine de l'économétrie et
de la finance pour analyser les données de séries chronologiques qui présentent un
regroupement de volatilité. Ce phénomène, où les périodes de forte volatilité sont suivies d'une
forte volatilité et les périodes de faible volatilité sont suivies d'une faible volatilité, est courant
sur les marchés financiers.

1. Formule générale du modèle GARCH (p, q)

La variance conditionnelle d’un model GARCH (p, q) s’écrit :

𝑞
𝜎𝑡2 = 𝑤 + ∑𝑖=1 𝛼𝑖 Ԑ2𝑡−𝑖 + ∑𝑃𝐽=1 𝛽𝑗 𝜎𝑡−𝑗
2

Avec :
- 𝑤 Une constante positive
- Ԑ2𝑡−𝑖 Les chocs passés au carré
2
- 𝜎𝑡−𝑗 Les variances passées

2
 II. Stationnarité et inversiblité du
modèle de GARCH

L’étude de l’inversibilité et de la stationnarité dans un modèle GARCH (Generalized

Autoregressive Conditional Heteroskedasticity) est essentielle pour comprendre la
dynamique de la variance conditionnelle. Voici une explication détaillée, mathématique et
intuitive des deux notions dans ce cadre.

1. Rappel du modèle GARCH(p, q)

Un modèle GARCH(p, q) est défini par :

𝜀𝑡 = 𝜎𝑡 ∗ 𝑧𝑡 , 𝑧𝑡~𝑖.𝑖.𝑑. 𝑁(0,1)
𝑞 𝑝
{𝜎 2 = 𝜔 + ∑ 2
𝛼𝑖 ∗ 𝜀𝑡−𝑖 +∑ 2
𝛽𝑗 ∗ 𝜎𝑡−𝑗
𝑡
𝑖=1 𝑗=1

où :

• 𝜎𝑡2 est la variance conditionnelle au temps ttt,

• 𝜀𝑡 est le résidu,
• 𝑧𝑡 est un bruit blanc i.i.d. centré et de variance 1.

1. Stationnarité du modèle GARCH

❖ Stationnarité faible (ou au second ordre)

Un processus est faiblement stationnaire s’il a une espérance constante, une variance constante,
et une covariance qui dépend uniquement du décalage (lag).

Pour le modèle GARCH(1,1) :

2 2
𝜎𝑡2 = 𝜔 + 𝛼1 ∗ 𝜀𝑡−1 + 𝛽1 𝜎𝑡−1

3
Condition de stationnarité faible :

𝛼1 + 𝛽1 < 1

Cette condition garantit que :

𝜔
• E[𝜎𝑡2 ] = <∞
1+ 𝛼1 + 𝛽1

• Le processus {𝜀𝑡 } est stationnaire au second ordre (variance constante à long terme)

Si 𝛼1 + 𝛽1 > 1

• Le processus est non-stationnaire.

• La variance inconditionnelle est infinie.

❖ Stationnarité stricte

Pour qu’un processus soit strictement stationnaire, sa distribution jointe ne doit pas dépendre
du temps. Cela peut être prouvé sous des conditions plus fortes.

Une condition suffisante de stationnarité stricte pour GARCH(p,q) est :

𝐸[ln (𝛼1 ∗ 𝑧𝑡2 + 𝛽1 ] < 0

Il existe une solution strictement stationnaire si et seulement si :

(Cas GARCH(1,1) avec zt∼N(0,1). Cela provient de l’étude des produits de matrices
aléatoires.

❖ Conséquences de la stationnarité

• Elle garantit que la volatilité moyenne est constante dans le temps.

• Permet l’usage d’outils classiques de prévision et d'estimation.
• Si elle n’est pas respectée, le processus peut afficher des comportements explosifs
(volatilité croissante sans borne).

2. Invisibilité du modèle GARCH

4
Contrairement à l’ARMA où l’invisibilité permet d’exprimer les observations en fonction des
bruits blancs, pour GARCH, l’invisibilité est liée à la possibilité d’exprimer la volatilité en
fonction des observations passées.

❖ Définition

Un modèle GARCH est inversible si on peut écrire la variance conditionnelle 𝜎𝑡2 comme une
2 2
fonction des résidus passés 𝜀𝑡−1 , 𝜀𝑡−2 ,…

C’est-à-dire, on a une représentation infinie :

𝑞 𝑝 𝑗
∞
𝜎𝑡2 = 𝜔 ∗ ∑ (∑ 𝛼𝑖 ∗ 𝐿𝑖 + ∑ 𝛽𝑗 ∗ 𝐿𝑗 )
𝑗=0
𝑖=1 𝑗=1

où L est l’opérateur de retard.

❖ Condition d’inversibilité

La condition est souvent plus technique, mais pour GARCH(1,1), un modèle est inversible si :

𝛽1 < 1

et souvent couplée à :

𝛼1 + 𝛽1 < 1 (ce qui assure aussi la stationnarité)

En pratique, l’inversibilité est garantie si les coefficients de la partie ARCH et GARCH sont
bien choisis et si le modèle est correctement spécifié.

III. Calcul de l’Espérance : E[𝜺𝒕 ]

Dans le modèle GARCH(p, q), le calcul de l’espérance se concentre principalement sur

l’espérance de la variance conditionnelle E[𝜎𝑡2 ] et, éventuellement, celle du processus 𝜀𝑡

5
 𝜀𝑡 = 𝜎𝑡 ∗ 𝑧𝑡 , 𝑧𝑡~𝑖.𝑖.𝑑. 𝑁(0,1) 𝐸 [𝑧𝑡 ] = 0, 𝐸 [𝑧𝑡2 ] = 1
{ 𝑞 𝑝
2 2
𝜎𝑡2 = 𝜔 + ∑ 𝛼𝑖 ∗ 𝜀𝑡−𝑖 +∑ 𝛽𝑗 ∗ 𝜎𝑡−𝑗
𝑖=1 𝑗=1

𝜀𝑡 = 𝜎𝑡 𝑧𝑡 ⇒ E[𝜀𝑡 ] = E[𝜎𝑡 𝑧𝑡 ]

Puisque :

𝜎𝑡 est la fonction de l’information passée (donc mesurable par rapport à ℱ𝑡−1

𝑧𝑡 est indépendant de ℱ𝑡−1 centré,

Alors :

E[𝜀𝑡 ] = E[𝜎𝑡 ] 𝐸[𝑧𝑡 ] = E[𝜎𝑡 ]*0 = 0

Donc E[𝜀𝑡 ] = 0

IV. Calcul de la variance : Var [𝒚𝒕 ]

Un modèle GARCH (p, q) est défini par :

𝑋𝑡 = 𝜀𝑡 = 𝜎𝑡 ∗ 𝑧𝑡 , 𝑧𝑡~𝑖.𝑖.𝑑. 𝑁(0,1)
𝑞 𝑝
{ 2 2
𝜎𝑡2 = 𝜔 + ∑ 𝛼𝑖 ∗ 𝜀𝑡−𝑖 +∑ 𝛽𝑗 ∗ 𝜎𝑡−𝑗
𝑖=1 𝑗=1

max(𝑝,𝑞)
où : 𝜔 > 0, 𝛼𝑖 ≥ 0 , 𝛽𝑗 ≥ 0 , ∑𝑖=1 ( 𝛼𝑖 + 𝛽𝑗 ) < 1

• 𝜎𝑡2 est la variance conditionnelle au temps t,

• 𝜀𝑡 est le résidu,
• 𝑧𝑡 est un bruit blanc i.i.d. centré et de variance 1.

6
La dernière contrainte implique que la variance inconditionnelle de 𝜀𝑡 est finie et que sa
variance conditionnelle varie en fonction du temps.
E[𝜀𝑡 2 ] = 𝐸[𝜎𝑡 2 ∗ 𝑧𝑡 2 ] = 𝐸[𝜎𝑡 2 ]𝐸[𝑧𝑡 2 ] = 𝐸[𝜎𝑡 2 ] car 𝐸[𝑧𝑡 2 ] = 1
𝑞 2 𝑝 2
E[𝜀𝑡 2 ] = 𝐸[𝜎𝑡 2 ] = 𝐸[ 𝜔 + ∑𝑖=1 𝛼𝑖 ∗ 𝜀𝑡−𝑖 + ∑𝑗=1 𝛽𝑗 ∗ 𝜎𝑡−𝑗 ]
𝑞 2 𝑝 2
E[𝜀𝑡 2 ] = 𝐸[𝜔] + ∑𝑖=1 𝛼𝑖 ∗ 𝐸[𝜀𝑡−𝑖 ] + ∑𝑗=1 𝛽𝑗 ∗ 𝐸[ 𝜎𝑡−𝑗 ]
Posons Var [𝑋𝑡 ] = 𝛾0
𝑞 𝑝
𝛾0 = 𝜔 + ∑ 𝛼𝑖 ∗ 𝛾0 + ∑ 𝛽𝑗 ∗ 𝛾0
𝑖=1 𝑗=1

𝑞 𝑝
⟹ 𝛾0 = 𝜔 + 𝛾0 (∑ 𝛼𝑖 + ∑ 𝛽𝑗 )
𝑖=1 𝑗=1

𝑞 𝑝
⟹ 𝛾0 (1 − ∑ 𝛼𝑖 + ∑ 𝛽𝑗 ) = 𝜔
𝑖=1 𝑗=1

𝝎
⟹ 𝜸𝟎 =
𝟏− ∑𝒒𝒊=𝟏 𝜶𝒊 𝒑
+ ∑𝒋=𝟏 𝜷𝒋

Covariance d’ordre k , k≥ 1
𝑋𝑡 2 = 𝜎𝑡 2 ∗ 𝑧𝑡 2
𝑞 𝑝
𝑋𝑡 2 = ( 𝜔 + ∑ 2
𝛼𝑖 ∗ 𝜀𝑡−𝑖 +∑ 2
𝛽𝑗 ∗ 𝜎𝑡−𝑗 ) ∗ 𝑧𝑡 2
𝑖=1 𝑗=1

𝑞 𝑝
𝑋𝑡 2 = ( 𝜔 ∗ 𝑧𝑡 2 + ∑ 2
𝛼𝑖 ∗ 𝜀𝑡−𝑖 ∗ 𝑧𝑡 2 + ∑ 2
𝛽𝑗 ∗ 𝜎𝑡−𝑗 ∗ 𝑧𝑡 2 )
𝑖=1 𝑗=1

Ce qui n’est pas directement exploitable pour la covariance. Mais sous certaines conditions
(stationnarité faible), on peut approximer :
𝑞 𝑝
𝑋𝑡 2 = 𝜔 + ∑ 𝛼𝑖 ∗ 𝜀𝑡−𝑖 + ∑ 𝛽𝑗 ∗ 𝜎𝑡−𝑗 + 𝜂𝑡
𝑖=1 𝑗=1

Avec 𝜂𝑡 = 𝑋𝑡 − 𝐸[𝑋𝑡 |𝔉𝑡−1 ], un bruit non blanc mais orthogonal au passé.

On centre cette équation :
𝑝
𝑞 𝑝
2 2
𝑦𝑡 = 𝑋𝑡 − 𝐸[𝑋𝑡 ] ⟹ 𝑦𝑡 = ∑ 𝛼𝑖 ∗ 𝑦𝑡−𝑖 + ∑ 𝛽𝑗 ∗ 𝑦𝑡−𝑗 + 𝜂𝑡 − ∑ 𝛽𝑗 ∗ 𝜂𝑡−𝑗
𝑖=1 𝑗=1
𝑗=1

Finalement, on obtient :
𝑞 𝑝
𝑦𝑡 − ∑ 𝛼𝑖 ∗ 𝑦𝑡−𝑖 − ∑ 𝛽𝑗 ∗ 𝑦𝑡−𝑗 = 𝑢𝑡
𝑖=1 𝑗=1

Avec 𝑢𝑡 un bruit centré, orthogonal à 𝑦𝑡−𝑘 (hypothèse standard)

𝑞 𝑝
𝐸[𝑦𝑡 𝑦𝑡−𝑘 ] − ∑ 𝛼𝑖 ∗ 𝐸[𝑦𝑡−𝑖 𝑦𝑡−𝑘 ] − ∑ 𝛽𝑗 ∗ 𝐸[𝑦𝑡−𝑗 𝑦𝑡−𝑘 ] = 𝐸[ 𝑢𝑡 𝑦𝑡−𝑘 ]
𝑖=1 𝑗=1

7
Mais comme 𝑢𝑡 est construit pour être non corrélé au passé :
On obtient :
𝒒 𝒑
𝜸𝒌 = ∑ 𝜶𝒊 ∗ 𝜸𝒌−𝒊 + ∑ 𝜷𝒋 ∗ 𝜸𝒌−𝒋
𝒊=𝟏 𝒋=𝟏

C’est la relation de récurrence fondamentale pour les covariances de ce processus.

V. Fonction d’autocorrélation dans les

modèles GARCH

Le modèle GARCH(p,q) définit la variance conditionnelle σₜ² comme une combinaison des q
derniers carrés d’innovations et des p dernières variances conditionnelles. La fonction
d’autocorrélation (ACF) des rendements xₜ est nulle, tandis que celle des carrés xₜ² décroît

géométriquement au taux (∑αᵢ+∑βⱼ) ʰ.

1. Cas particulier : GARCH (1,1)

Spécification : σₜ² = ω + α xₜ₋₁² + β σₜ₋₁², avec α+β<1. La variance inconditionnelle est

ω/(1−α−β). L’ACF théorique des xₜ² est (α+β) ʰ, montrant une décroissance exponentielle.

2. Illustration graphique

Le graphique ci‑dessous montre l’ACF empirique des rendements au carré pour un

GARCH(1,1) de paramètres ω=0.1, α=0.2, β=0.7 (α+β=0.9). Les bandes en pointillé
représentent les bornes de significativité à ±1.96/√N.

8
3. Interprétation et utilité
• L’ACF nulle pour xₜ confirme l’absence d’autocorrélation des rendements.
• L’ACF décroissante pour xₜ² met en évidence la persistance de la volatilité.
• Utile pour l’identification (choix de p,q) et la validation diagnostique.

VI. COMPARAISON ENTRE ARCH ET

GARCH

Les modèles GARCH et ARCH sont utilisés pour capturer le regroupement de volatilité dans
les données de séries chronologiques financières. Alors que les modèles ARCH se concentrent
sur la modélisation de l'hétéroscédasticité conditionnelle à l'aide de valeurs décalées des
rendements carrés, les modèles GARCH vont encore plus loin en incorporant les variances
conditionnelles passées.
Les modèles ARCH sont considérés comme un sous-ensemble des modèles GARCH, ces
derniers offrant une approche plus complète. Un modèle ARCH(1), par exemple, ne prend en
compte que le rendement carré de la période précédente dans l'équation de variance
conditionnelle, tandis qu'un modèle GARCH(1,1) inclut à la fois les rendements carrés décalés
et les variances conditionnelles décalées. Cette distinction souligne la flexibilité accrue et les
capacités de modélisation des modèles GARCH.
9
De plus les modèles GARCH et ARCH sont inestimables dans le domaine de la finance. Les
investisseurs, les gestionnaires de risques et les décideurs politiques s’appuient sur ces
éclairées. Par exemple, les modèles GARCH jouent un rôle crucial dans l’estimation de la
valeur à risque (VaR) et du déficit attendu (ES), outils essentiels à l’évaluation et à la gestion
des risques. Cette application peut aider à affecter un portefeuille d'investissement et à guider
l'allocation des actifs en conséquence.
L'avenir de la recherche dans les domaines ARCH et GARCH offre des perspectives
passionnantes. Les chercheurs explorent de plus en plus d’extensions et de modèles hybrides
combinant des éléments des deux approches. Par exemple, des modèles comme EGARCH
(Exponential GARCH) et GJR-GARCH (Glosten, Jagannathan et Runkle GARCH)
introduisent une asymétrie et des effets de levier dans la dynamique de la volatilité. Ces modèles
fournissent des informations plus nuancées sur le comportement des rendements financiers et
ont trouvé des applications dans des domaines tels que la de produits dérivés.
Avec l'avènement des données financières haute fréquence, il existe un besoin croissant de
modèles capables de capturer les caractéristiques uniques de ces données, y compris les
modèles de volatilité intrajournalière. La recherche dans ce domaine pourrait impliquer
d'adapter les modèles GARCH et ARCH pour mieux répondre aux exigences du trading à haute
fréquence, où la volatilité peut changer rapidement au cours d'une seule séance de trading.
A mesure que les ensembles de données deviennent plus volumineux et plus complexes, les
aspects informatiques de la modélisation GARCH et ARCH deviennent de plus en plus
critiques. Les recherches futures pourraient se concentrer sur le développement d’algorithmes
et de u le Big Data tout en maintenant l’exactitude et la fiabilité des prévisions de volatilité. Ce
domaine d'étude a de vastes implications non seulement dans le domaine de la finance, mais
également dans divers autres domaines, notamment l'économie et la météorologie.
Notre exploration des modèles GARCH et ARCH a mis en lumière les principes fondamentaux
qui sous-tendent ces outils essentiels en économétrie financière. Alors que nous regardons vers
l’avenir, le paysage dynamique de la finance et de la science des données promet des
opportunités passionnantes pour davantage de recherche, d’innovation et de perfectionnement
dans le domaine de la modélisation de la volatilité. Les chercheurs et les praticiens continueront
de repousser les limites de ce qui est possible, en veillant à ce que les modèles GARCH et
ARCH restent à l'avant-garde de la finance quantitative, d'un paysage financier en constante
évolution.

10
 VII. EXTENSIONS DU MODELE
GARCH

Au fil des années, plusieurs variantes de modèles GARCH ont été développées pour améliorer
leurs performances et leur flexibilité. Explorons quelques-unes des options les plus
couramment utilisées :

1. Modèle GARCH(1,1) :

Le modèle GARCH(1,1) est la version la plus simple des modèles GARCH, dans laquelle les
composantes autorégressives et ARCH ont toutes deux un ordre de un. Ce modèle suppose que
l'erreur quadratique passée et la volatilité passée influencent également la volatilité actuelle.
Bien que simple, le modèle GARCH(1,1) peut capturer de manière adéquate la dynamique de
la financières.

2. Modèle EGARCH :

Le modèle exponentiel GARCH (EGARCH) est une extension du modèle GARCH qui intègre
l'asymétrie dans les réponses à la volatilité. Il permet de modéliser les effets de levier, dans
lesquels les chocs négatifs ont un impact plus important sur la volatilité que les chocs positifs
de même ampleur. Le modèle EGARCH est particulièrement utile lors de l’analyse de données
financières présentant des modèles de volatilité asymétriques.

3. Modèle GJR-GARCH :

Le modèle GJR-GARCH, également connu sous le nom de modèle Threshold GARCH, étend
le modèle GARCH de base en incorporant un paramètre supplémentaire qui capture la réponse
asymétrique de la volatilité aux chocs positifs et négatifs. Ce modèle permet différentes
ampleurs de réponses à la volatilité en fonction du signe du choc. Cela est particulièrement utile
lorsqu’il existe des preuves d’asymétrie dans la dynamique de la volatilité.

11
 VIII. Avantages et limites du modèle
GARCH
Avantages

• Capacité à modéliser le clustering de la volatilité observée sur les marchés financiers.

• Forme flexible englobant de nombreuses variantes (EGARCH, GJR‑GARCH, etc.).
• Interprétation économique claire des paramètres (choc et persistance).

Limites

• Hypothèse de distribution normale des innovations, souvent violée (queues épaisses).

• Sensibilité aux spécifications de modèle et aux données de fréquence.
• Difficulté à capturer les effets asymétriques sans extensions spécifiques.
• Estimation parfois instable si α+β est très proche de 1 (quasi‑IGARCH).

12
 Conclusion

Les modèles GARCH constituent un outil fondamental pour la modélisation de la volatilité

conditionnelle. Ils offrent une grande flexibilité et expliquent efficacement le clustering de la

volatilité. Néanmoins, leurs hypothèses sous-jacentes et la sensibilité des estimations appellent

à la prudence. Les extensions récentes répondent en partie à ces limites, mais la recherche

continue d’améliorer la modélisation, notamment pour les données à haute fréquence et les

distributions non normales.

13
 Références bibliographiques

1. Engle, R. F. (1982). Autoregressive Conditional Heteroskedasticity with Estimates of the

Variance of United Kingdom Inflation. Econometrica.
2. Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal
of Econometrics.
3. Nelson, D. B. (1991). Conditional Heteroskedasticity in Asset Returns: A New Approach.
Econometrica.
4. Glosten, L. R., Jagannathan, R., & Runkle, D. E. (1993). On the Relation between the
Expected Value and the Volatility of the Nominal Excess Return on Stocks. Journal of
Finance.
5. Taylor, S. J. (1986). Modeling Financial Time Series. Wiley.

14