République Algérienne Démocratique et Populaire

Ministère de l’enseignement Supérieur et de la Recherche Scientifique

Université Mohammed Seddik Ben Yahia - Jijel

Faculté des Sciences Exacte et Informatique

Département de Mathématiques

Mémoire de fin de cycle

Présenté pour l’obtention du diplôme de

Master

Spécialité : Mathématiques fondamentales.

Option : Probabilités et Statistique.

Thème

Modèles non linéaires ARCH-GARCH

applications et simulations

Présenté par : Boulkheloua Nadjet

Dirigé par : Cheraitia Hassen

Devant le jury composé de :

Djeridi Zohra M.C.B Université de Jijel Président

Sellami Nawel M.A.A Université de Jijel Examinateur

Promotion 2019/2020
 R emerciements

A vant de présenter ce travail, mes remerciements vont tout d’abord à :

Dieu le tout puissant qui m’a donné la volonté et la santé pour accomplir ce travail et qui m’a
aidé à franchir un pas vers le chemin du savoir.

Je remercie beaucoup mon encadreur [Link] Hassen qui m’a encadré pendant la
période de la réalisation de ce travail, sa disponibilité, malgré ses responsabilités, ses orientations
permis de mener à merveille ce travail.

Je tient aussi a remercier mon enseignant [Link] Mebrouk pour ses sacrifice et aide
précieuse jusqu’à l’accomplissement de ce travail.

Mes remerciements vont également aux membres du jury pour l’intéret qu’ils ont porté à mon
recherche en acceptant d’examiner mon mémoire et de l’enrichir par leurs propositions.

Mes remerciements les plus vives et chaleureuses à tous les membres de ma famille.

Je tient aussi a remercier mes amies Yasmina, Sara, Fatima, Rofia et particulièrement
Imene pour leurs conseils.

Je tient aussi a remercier Mlle LABENI Fahima.

Enfin, que tous ceux et celles qui, de loin ou de prés ils m’ont apporté leur aide et soutien
trouveront ici, mon reconnaissance et sympatie.

[Link]
 D édicases

J e voudrais dédier ce travail :

A ma mère, je prie Dieu d’avoir pitié d’elle et de l’introduire dans ses vastes jardins.

Je le donne aussi à ma grand-mère en guise de gratitude pour sa générosité et sa bonté, en

espérant que le Seigneur leur accordera sa miséricorde.

[Link]
 Table des matières

Listes des figures iv

Listes des tableaux v

Notations vi

Introduction Générale vii

1 Notions de base sur les séries temporelles 1

1.1 Introduction aux séries temporelles . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.1.1 Modélisation d’une série temporelle . . . . . . . . . . . . . . . . . . . . . 2

1.1.2 Estimation et Elimination de la partie déterministe . . . . . . . . . . . . 3

1.1.3 Caractéristiques d’une série temporelle . . . . . . . . . . . . . . . . . . . 3

1.2 Processus stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.3 La notion de stationnarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.3.1 La stationnarité au sens stricte . . . . . . . . . . . . . . . . . . . . . . . 7

1.3.2 La stationnarité au second ordre . . . . . . . . . . . . . . . . . . . . . . . 7

1.3.3 Théorème de Wold (1954) . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.4 La notion de mémoire longue . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

 Table des matières

1.5 Les processus linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.5.1 Les processus linéaires stationnaires . . . . . . . . . . . . . . . . . . . . . 10

1.5.2 Principales extentions des processus ARMA . . . . . . . . . . . . . . . . 16

1.6 Les grandes classes des processus non linéaires . . . . . . . . . . . . . . . . . . . 21

1.6.1 Processus bilinéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.6.2 Modèles à seuil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

1.6.3 Processus ARCH et GARCH . . . . . . . . . . . . . . . . . . . . . . . . . 25

2 Processus Conditionnellement Hétéroscédastiques 26

2.1 Modèles ARCH/GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.1.1 La notion d’espérance conditionnelle et non conditionnelle, notion de va-

riance conditionnelle et non conditionnelle . . . . . . . . . . . . . . . . . 28

2.1.2 Présentation du modèle ARCH/GARCH . . . . . . . . . . . . . . . . . . 30

2.2 Extentions des modèles ARCH/GARCH . . . . . . . . . . . . . . . . . . . . . . 39

2.2.1 Modèle GARCH-M . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

2.2.2 Modèle IGARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.3 Modèle ARCH/GARCH asymétriques . . . . . . . . . . . . . . . . . . . . . . . . 40

2.3.1 Modèle EGARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.3.2 Modèles GARCH à seuil : TGARCH . . . . . . . . . . . . . . . . . . . . 41

2.4 Processus ARCH/GARCH et mémoire longue . . . . . . . . . . . . . . . . . . . 42

2.4.1 Processus FIGARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

2.5 Estimation de processus ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.6 Rappel sur le test ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3 Simulations et Applications 46

3.1 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

i
 Table des matières

3.1.1 Quelques simulations de processus GARCH(p,q) . . . . . . . . . . . . . . 46

3.1.2 Simulation d’un processus avec erreur ARCH . . . . . . . . . . . . . . . 49

3.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

3.2.1 Analyse préliminaire de la série ST . . . . . . . . . . . . . . . . . . . . 50

3.2.2 Différenciation de la série ST . . . . . . . . . . . . . . . . . . . . . . . . 52

3.2.3 La méthodologie de Box-Jenkins . . . . . . . . . . . . . . . . . . . . . . . 54

3.2.4 Estimation des modèles GARCH sur les résidus du modèles ARMA . . . 59

3.2.5 Validation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

Conclusion 61

Bibliographie 62

Annex 64

ii
 Table des figures

3.1 Graphiques des séries GARCH simulées . . . . . . . . . . . . . . . . . . . . . . . 47

3.2 Variance conditionnelle ht des séries GARCH simulées . . . . . . . . . . . . . . . 48

3.3 Processus bruit blanc εt des séries simulées . . . . . . . . . . . . . . . . . . . . . 48

3.4 Série simulée par un modèle avec erreur ARCH(1) . . . . . . . . . . . . . . . . . 49

3.5 L’évolution de la série (ST) entre (1974-2017) . . . . . . . . . . . . . . . . . . . 50

3.6 Le corrélogramme de la série (ST) . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.7 Estimation du modèle (01,02 et 03) de "ST" . . . . . . . . . . . . . . . . . . . . 52

3.8 La représentation graphique et le corrélogramme de la série DST . . . . . . . . . 53

3.9 Estimation du modèle de "DST" . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.10 Estimation du modèle ARMA(2,1) . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.11 Le graphe et le corrélogramme des résidus . . . . . . . . . . . . . . . . . . . . . 56

3.12 Les résultats du test de Ljung-Box . . . . . . . . . . . . . . . . . . . . . . . . . 56

3.13 L’histogramme des résidus du modèle estimé . . . . . . . . . . . . . . . . . . . . 57

3.14 Résultat du test de Jarque-Bera . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

3.15 Le corrélogramme des résidus carrés ε̂2 . . . . . . . . . . . . . . . . . . . . . . . 58

3.16 Résultat du test ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3.17 Estimation du modèle GARCH(1,1) . . . . . . . . . . . . . . . . . . . . . . . . . 59

iii
 Table des figures

3.18 Estimation du modèle ARCH(1) . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.19 QQ plot du modèle GARCH(1,1) et ARCH(1) . . . . . . . . . . . . . . . . . . . 60

iv
 Liste des tableaux

3.1 Séries GARCH à simuler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.2 La table des critères . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

v
 Notations

 Tt : La tendance
 St : La saisonnalité
 Ct : Le cycle
 εt : Le résidu
 E : Espérance
 v : La variance
 cov : La covariance
 L2 : Espace de Lebesgue (p=2)
 ACF : La fonction d’autocorrélation
 PACF : La fonction d’autocorrélation Partielle
 i.i.d : Indépendant identiquement distribué
 MA : Moyenne mobile
 AR : Autorégressif
 ARMA : Autorégressif Moyenne mobile
 SARMA : Autorégressif Moyenne mobile Saisonnier
 ARIMA : Autorégressif Moyenne mobile Intégré
 SARIMA : Autorégerssif Moyenne mobile Intégré Saisonnier
 FARIMA : Autorégressif Moyenne mobile Fractionnerement Intégré
 ARCH : Autorégressif Conditionnelement Hétéroscédastique
 GARCH : Autorégressif Conditionnelement Hétéroscédastique Généralisé
 GARCH-M : Autorégressif Conditionnelement Hétéroscédastique Généralisé en moyenne
 IGARCH : Autorégressif Conditionnelement Hétéroscédastique Généralisé Intégré
 TGARCH : Autorégressif Conditionnelement Hétéroscédastique Généralisé à seuil
 EGARCH : Exponentiel Autorégressif Conditionnelement Hétéroscédastique
Généralisé
 FIGARCH : Autorégressif Conditionnelement Hétéroscédastique Généralisé Fraction-
nerement Intégré

vi
 Introduction Générale

ans l’analyse traditionnelle de la prévision, la construction des valeurs futures pré-

D vues est fondée sur la moyenne conditionnelle de la série utilisée. Les méthodes
classiques de prévision basées sur les processus ARMA supposent des séries tem-
porelles à volatilité constante. Cette modélisation n’est pas toujours conforme à la réalité, elle
néglige l’information contenue dans la partie non expliquée du processus d’évolution des séries
temporelles. Ces modèles linéaires des séries temporelles n’étaient finalement fondés que sur des
combinaisons linéaires de valeurs présentes et passés de chocs. Par conséquent, l’hypothèse de
processus ARMA stationnaire ne permet pas de prendre en compte d’une part les mécanismes
d’asymétrie et d’autre part les ruptures de forte amplitude. Les modèles GARCH ont muni à
un changement fondamental à la modélisation des séries financières, et sont particulièrement
annoncés pour prendre en compte les caractéristiques importantes de ces séries (stationnarité,
volatilité, asymétrie, saisonnalité,...). De plus, ces processus prennent en compte dans la mo-
délisation la forte leptokurticité observée dans la loi de distribution non conditionnelle de la
plupart des séries financières. L’avantage de ces modèles est expliqué par le fait qu’ils sont riches
de coté théorique et simple à utiliser dans la pratique. L’objet de ce mémoire est de fournir
une introduction aux modéles ARCH/GARCH le plus souvent utilisés dans la modélisation des
marchés financiers.

Afin de répondre à cet objet, nous articulons ce mémoire autour de trois chapitres. Dans
le premier chapitre intitulé Notions de base sur les séries temporelles, nous présentons
quelques rappels sur les processus stochastiques et la représentation de séries temporelles par
des modèles linéaires, ses principales classes de modèles non linéaires et quelques notions utiles
dans notre travail.

Dans le deuxième chapitre intitulé Processus Conditionnellement Hétéroscédastiques,

nous étudierons les modéles ARCH/GARCH ainsi que ses propriétés de ses nombreuses exten-
sions avec quelques méthodes d’estimation (repose sur la méthode du M.V).

vii
 Introduction Générale

Enfin, dans le troisième Chapitre Simulations et Applications, on fait compléter notre

travail par la mise en place de quelques simulations de processus GARCH en changeant ces
différents paramètres et nous essayerons de modéliser une séries financière réelle par un modèle
ARMA avec erreur GARCH.

A la fin, une conclusion générale dresse une synthèse des principaux résultats obtenus au
cours de notre travails.

viii
 1
Notions de base sur les séries temporelles

Introduction
ans ce chapitre nous intéressons de présenter les notions générales des séries tem-

D porelles et ses modèles (linéaires ou non linéaires). Une série chronologique est une
suite d’observations indicées par le temps (yt , t = 1, ..., T ). En général, dates d’obser-
vation régulières : t=heure, jour, mois, année.....Elle a plusieurs domaines d’application comme
Finance (cours de bourse quotidiens 1992-1998), Epidémiologie (Décès mensuels dus à des
maladies pulmonaires 1974-1980), Ecologie, Environnement, Météorologie, Hydrologie
(Température annuelle moyenne à New Heaven 1910-1970, Evolution du rendement de blé
tendre d’hiver en France 1940-2010), moyenne annuelle de la concentration en nitrates dans
les eaux superficielles en Bretagne 1971-2009, le but de l’étude d’une série chronologique est
analyser une phénomène et la prévision.

Depuis le début des années 1970, suite à la parution du livre Box et Jenkins, l’accent a
été mis sur les modèles linéaires. Depuis une diziane d’années, devant les problèmes de mo-
délisation rencontrés pour certains séries de données (les nombre de taches solaires, des séries
de Biologie, des séries financières et monétaires) les modèles non linéaires ont été envisagés.
Plusieurs classes de modèles ont été abordées : Les modèles bilinéaires, Les modèles à seuils,

1
 1.1. Introduction aux séries temporelles

Les modèles hétéroscédastiques.....

1.1 ) Introduction aux séries temporelles

Définition 1.1.
Une série temporelle (ou série chronologique) est une suite de nombres réels, indexés par les
entiers relatifs tels que le temps.
Pour chaque instant du temps, la valeur de la quantité étudiée Xt est appelée variable aléatoire,
l’ensemble des valeurs quand t varie est appelé processus aléatoire (Xt )t∈Z .
Une série temporelle est ainsi la réalisation d’un processus aléatoire.

1.1.1 ) Modélisation d’une série temporelle

La modélisation d’une série temporelle se fait à partir de la décomposition classique en

fonctions des quatre éléments suivants :

1. Tendance (Tt ) : mouvement à long terme (longue période).

2. Saisonnalité (St ) : fonction périodique du temps (période courte).

3. Cycle (Ct ) : cycle d’affaire, fluctuation périodique (moyenne terme).

4. Résidu (Rt ) : partie irrégulière, correspondante à la notion d’écart au modèle ou encore

Bruit.

D’une manière générale, on peut proposer un modèle qui représente la série temporelle
étudiée en combinaison des quatre éléments précédents. Pour cela, on a trois types de modèles :

Le premier est le modèle d’ajustement de forme additive ou multiplicative comme suit :

Xt = Tt + St + Ct + Rt ou Xt = Tt St Ct + Rt .

Le deuxième type est le modèle autoprojectif, dont on suppose que Xt est une fonction
de ces valeurs passées et d’une perturbation aléatoire Rt , ie, Xt = f (Xt−1 , Xt−2 , ...; Rt ). Dans
cette classe, on peut citer les modèles ARIMA, ARMA,...

Le troisième type est le plus important, c’est le modèle explicatif. Dans cette catégorie
de modèle, la variable aléatoire Yt est exprimée en fonction d’un vecteur aléatoire Xt et d’une
perturbation aléatoire Rt : Yt = f (Xt , Rt ), ou Xt est soit déterministe ou aléatoire, dans ce cas
les processus (Xt )t∈Z et (Rt )t∈Z ont certains propriétés d’indépendances.

2
 1.1. Introduction aux séries temporelles

1.1.2 ) Estimation et Elimination de la partie déterministe

Pour l’estimation, on propose deux méthodes qui sont la méthode des moindres carrée
ordinaires (MCO) et la méthode de lissage par moyenne mobile (pour la tendance) et pour
l’élimination, on fait recours à la méthode de différenciation.

1.1.3 ) Caractéristiques d’une série temporelle

Moyenne et variance

Soit une série temporelle stationnaire (Xt , t = 1, ..., T ), les expressions de la moyenne et de
la variance sont :

1X T
E(Xt ) = Xt
T t=1
1X T
v(Xt ) = (Xt − E(Xt ))2
T t=1

Fonction d’autocovariance

Définition 1.2.
Soit (Xt )t un processus aléatoire de variance finie. On appelle fonction d’autocovariance γh de
Xt la fonction :

γh = cov(Xt , Xt+h )
= E[(Xt − E(Xt ))(Xt+h − E(Xt+h ))]

Théorème 1.3.
La fonction d’autocovariance d’un processus (Xt )t stationnaire vérifie les propriétés suivantes :
— γ0 = cov(Xt , Xt ) = E[(Xt − E(Xt ))2 ] = v(Xt ) = σX
2
>0
— |γh | 6 γ0
— γh = γ−h : fonction paire

3
 1.1. Introduction aux séries temporelles

Fonction d’autocorrélation

Définition 1.4.
Soit (Xt )t un processus stationnaire. On appelle fonction d’autocorrélation ρh la fonction :

γh
ρh = , h∈Z
γ0

Remarque

Le graphique de la fonction d’autocorrélation est appelé corrélogramme.

Théorème 1.5.
La fonction d’autocorrélation d’un processus Xt stationnaire vérifie les propriétés suivantes :
— ρ0 = 1
— |ρh | 6 ρ0
— ρh = ρ−h : fonction paire

 
Exemple 

Soit le processus Xt = εt −εt−1 où εt est un processus stationnaire de moyenne nulle, de variance
σε2 et tel que cov(εt , εt0 ) = 0, ∀ t 6= t0 . calculons l’espérance et la variance de Xt

E(Xt ) = E(εt − εt−1 ) = E(εt ) − E(εt−1 ) = 0

v(Xt ) = v(εt − εt−1 )
= E((εt − εt−1 )2 )
= E(ε2t ) + E(ε2t−1 ) − 2E(εt εt−1 )
= 2σε2

On recherche la fonction d’autocorrélation de Xt . Pour cela, on commence par calculer la

fonction d’autocovariance :

?γ0 = v(Xt ) = 2σε2

?γ1 = cov(Xt , Xt−1 )
= E((εt − εt−1 )(εt−1 − εt−2 ))
= E(εt εt−1 − εt εt−2 + εt−1 εt−2 − ε2t−1 )
= −σε2

4
 1.1. Introduction aux séries temporelles

?γ2 = cov(Xt , Xt−2 )

= E((εt − εt−1 )(εt−2 − εt−3 ))
= E(εt εt−2 − εt−1 εt−3 − εt−1 εt−2 + εt−1 εt−3 )
=0

on a donc : γh = 0, ∀ h ≥ 2
on a en déduit la fonction d’autocorrélation de Xt :

ρ0 =1







 ρ1 = γ1
γ0
= −1
2



= 0 ,∀ h ≥ 2

ρ h


Fonction d’autocorrélation Partielle

La fonction d’autocorrélation partielle est donnée par :

|Ph∗ |
φhh =
|Ph |

où |Ph∗ | ( resp |Ph | ) est le déterminant de la matrice Ph∗ ( resp Ph ) sont données par :
 

1 ρ1 ··· ρh−1 
1 · · · ρh−2 
 
 ρ1
Ph =  . ... .. 
 
 .
 . . 

 
ρh−1 ρh−2 · · · 1

Ph est la matrice symétrique formés des (h − 1) premiers autocorrélations de Xt .

 

1 ρ1 ··· ρ1 
1 ···
 
 ρ1 ρ2 
Ph∗ = 
 .. .. .. 
 
 . . .
 
ρh−1 ρh−2 · · · ρh

Ph∗ est la matrice Ph dans laquelle on a remplacé la dernière colonne par le vecteur (ρ1 , ......, ρh )0 .

5
 1.2. Processus stochastique

Estimation des autocorrélations

Considérons un ensemble d’observations X1 , ..., XT .

• La fonction d’autocovariance empirique est donnée par :

1 TX −h
γ̂h = (Xt − X̄T )(Xt−h − X̄T )
T − h t=1

Remarque

Pour obtenir un estimateur sans biais c’est-à-dire :

E(γ̂h ) = γh quand T −→ ∞

• La fonction d’autocorrélation empirique est donnée par :

γ̂h
ρ̂h =
γ̂0

1.2 ) Processus stochastique

1.2.1 ) Définitions

Définition 1.6.
Un processus stochastique est une séquence de variable aléatoire {yt , t ∈ Ω} indicées par le
temps, ou t appartient à un ensemble ordonné qui correspond au temps.
• Si l’indice t prend les valeurs réelles, c-à-d, Ω ∈ R+ , {yt , t ∈ Ω} est qualifié de processus
stochastique continu.
• Dans le cas contraire où les valeurs prises par t sont discrètes, Ω ∈ N alors {yt , t ∈ Ω}
est un processus stochastique discret.

Définition 1.7.
Un bruit blanc fort est une suite de variables aléatoires indépendants et identiquement distri-
buées (iid) (εt )t∈Z centrées et de variances σ 2 . On note (εt )t ∼ bbf (0, σ 2 ).

Définition 1.8.
On appelle bruit blanc faible, toute suite de v.a.r (εt )t centrée et de variance σ 2 . On note
εt ∼ bb(0, σ 2 ).

6
 1.3. La notion de stationnarité

Définition 1.9.
On dit que (Xt )t est un processus linéaire de moyenne m s’il peut être écrit sous la forme :

+∞
Xt = m +
X
bk εt−k
k=−∞

P+∞
tel que : (εt )t ∼ iid(0, σ 2 ), 2
k=−∞ bk <∞

1.3 ) La notion de stationnarité

1.3.1 ) La stationnarité au sens stricte

On dit qu’un processus aléatoire temporel Xt est stationnaire au sens stricte si pour toute
suite d’instants {t1 , ..., tN }, il existe un entier k quelconque tel que la f.d.p (la fonction de distri-
bution de probabilités) jointe f de {Xt1 , ..., XtN } est identique à la f.d.p jointe de {Xt1 +k , ..., XtN +k }
ie :

f (Xt1 , ..., XtN ) = f (Xt1 +k , ..., XtN +k )

Un processus strictement stationnaire a toutes ses caractéristiques (c-à-d ses moments)

invariants dans le temps. Cette définition de la stationnarité est cependant trop restrictive,
c’est pour cela que l’on à défini la stationnarité au second ordre.

1.3.2 ) La stationnarité au second ordre

On dit qu’un processus aléatoire temporel Xt est stationnaire de second ordre s’il vérifie les
propriétés suivantes :

1. E(Xt2 ) < ∞, ∀ t ∈ Z

2. E(Xt ) = m, ∀ t ∈ Z

3. cov(Xt , Xt+h ) = γh , ∀ t, h ∈ Z

La propriété (2) signifie que la moyenne du processus est indépendante du temps. La condi-
tion (3) traduit le fait que la covariance entre deux périodes t et t+h est uniquement fonction
de la différence des temps h.

7
 1.4. La notion de mémoire longue

Remarque

X ∀ t ∈ Z, (Xt )t est de carré intégrable, la stationnarité au sens stricte (forte) implique la

stationnarité au second ordre (faible).
X Si le processus (Xt )t est gaussien, la stationnarité au second ordre implique la station-
narité au sens stricte.

1.3.3 ) Théorème de Wold (1954)

Théorème 1.10.
Considérons un processus stationnaire Xt . Il est toujours possible de décomposer Xt en une
composante déterministe dt et une composante stochastique ut telle que :

Xt = dt + u t

avec :

+∞
ut =
X
ζi εt−i
i=0

où εt est un bruit blanc, c-à-d un processus de moyenne nulle et variance constante et non
autocorrélé.

1.4 ) La notion de mémoire longue

Définition 1.11.
Un processus stationnaire Xt est un processus à mémoire longue s’il existe un nombre réel d
(où d : le paramètre de délai et d < 21 ) et une constante C, C > 0 vérifiant :

ρh
lim =1
h→∞ C.h2d−1

où ρ la fonction d’autocorrélation et h le retard.

Il est possible de faire une distinction suivant la valeur de d :

∗ si d < 0 : mémoire intermédiaire, la série ρh est absolument convergente
|ρh | < ∞
P

8
 1.5. Les processus linéaires

1
∗ si 0 < d < 2
: mémoire longue, la série ρh n’est plus absolument convergente
|ρh | = ∞
P

Par conséquent, les autocorrélations d’un processus à mémoire longue vérifiant la relation
asymptotique suivante : ρh ∼ C.h2d−1 quand h → ∞.
Les autocorrélations ρh décriossent très lentement, c-à-d à un taux hyperbolique. Ce décroisse-
ment hyperbolique des autocorrélations est à opposer au décroissement exponentiel des auto-
corrélations d’un processus ARMA : ρh ≤ [Link] où C est une constante positive et 0 < a < 1.
En d’autres termes, la fonction d’autocorrélation des processus ARMA est géométriquement
bornée.

1.5 ) Les processus linéaires

L’opérateur retard
L’opérateur retard, noté L, est tel que :

LXt = Xt−1

Plus généralement, on a :

Ln Xt = Xt−n

On constate ainsi que l’opérateur retard transforme une variable Xt en sa valeur passé. Si l’on
applique le polynome retard ψ(L) défini comme suit :

ψ(L) = 1 − ψ1 L − ψ2 L2 − ... − ψp Lp

à une série Xt , on a :

ψ(L)Xt = Xt − ψ1 Xt−1 − ψ2 Xt−2 − ... − ψp Xt−p

où ψ1 , ..., ψp sont des coefficients.

L’opérateur retard est linéaire et inversible. Son inverse L−1 = F est défini par F Xt = Xt+1
est appelé opérateur avance.

9
 1.5. Les processus linéaires

L’opérateur retard vérifie les propriétés suivantes :

P+∞ P+∞
— ( i=0 ai Li )Xt = i=0 ai Xt−i
P+∞ P+∞ P+∞ P+∞
— i=−∞ ai L i X t + i=−∞ bi L
i
Xt = i=−∞ (ai + bi )Li Xi = i=−∞ (ai + bi )Xt−i
P+∞ P+∞
— α i=−∞ ai Li = i=−∞ αai Li
où ai , bi et α sont des coefficients.

1.5.1 ) Les processus linéaires stationnaires

On va introduire une classe de processus linéaire très importante dans la modélisation

des séries chronologiques à savoir les processus ARMA (Autoregressive Moving Average). Ces
processus sont linéaires et sous certains conditions ils sont stationnaires. La linéarité de ces
processus fournira une théorie simple de la prévision.

Processus moyenne mobile

Définition 1.12.
On appelle processus moyenne mobile d’ordre q, noté MA(q), un processus Xt stationnaire
vérifiant une relation de type :

Xt = εt − θ1 εt−1 − ... − θq εt−q

où les θi (i = 1, ..., q) sont des réels et (εt )t ∼ bb(0, σε2 )

En introduisant l’opérateur retard, la relation précédente peut encore s’écrire :

Xt = (1 − θ1 L − θ2 L2 − ... − θq Lq )εt

Soit encore :

Xt = θ(L)εt

avec

θ(L) = 1 − θ1 L − θ2 L2 − ... − θq Lq

10
 1.5. Les processus linéaires

Remarque

Par définition, un processus MA(q) stationnaire et causal.

Si le polynome θ a toutes ses racines à l’extérieur du disque unité, alors on peut inverser ce
polynome et écrire MA(q) sous la forme AR(∞) :

+∞
εt = θ −1 (L)Xt =
X
υi Xt−i
i=0

P+∞
avec υ0 = 1 et i=0 |υi | < ∞
Autocovariance et autocorrélation
La fonction d’autocovariance d’un processus MA(q) est donnée par :

σ 2 q−|k| θ si 0 ≤ k ≤ q
P
i θi+k


ε i=o
γk = cov(Xt , Xt+k ) =
0


si k > q

où : θ0 = 1

Démonstration.
On a

γk = cov(Xt , Xt+k ) = E(Xt Xt+k ) − E(Xt )E(Xt+k )

et

E(Xt ) = E(Xt+k ) = 0 ( car E(εt ) = 0 )

donc
q q
γk = E(Xt Xt+k ) = E[( θi εt−i )( θj εt+k−j )]
X X

i=o j=o
q
q X
= E[ θi θj εt−i εt+k−j ]
X

i=o j=o
q q
= θi θj E(εt−i εt−(j−k) )
XX

i=o j=o

 q−|k| θ 2
si i = j − k
P
i θi+k σε


i=o
=
0


sinon

11
 1.5. Les processus linéaires


σ 2 q−|k| θ si 0 ≤ k ≤ q
P
i θi+k


ε i=o
=
0

si k > q

∗ Si k=0 alors :
q
γ0 = σε2 θi2
X

i=o

= σε2 (1 + θ12 + θ22 + ...... + θq2 )

La fonction d’autocorrélation d’un MA(q) est donnée par :


 θk +θ1 θk+1 +...+θq−k θq si 0 ≤ k ≤ q

γk

1+θ12 +θ22 +...+θq2
ρk = =
γ0  0

si k > q

Propriété 1.13.
Pour un processus MA(q), ρk = 0, ∀ k > q. En d’autres termes, les autocorrélations s’annulent
à partir du rang q+1. Cette propriété fondamentale nous permet ainsi d’identifier l’ordre q des
processus MA.

Les processus autoregressifs

Définition 1.14.
On appelle processus autoregressif d’ordre p, noté AR(p), un processus stationnaire Xt vérifiant
une relation de type :

Xt = φ1 Xt−1 + φ2 Xt−2 + ... + φp Xt−p + εt

où les φi (i = 1, ..., p) sont des réels

et εt ∼ bb(0, σε2 )

En introduisant l’opérateur retard, la relation précédente peut s’écrire :

φ(L)Xt = εt

avec

φ(L) = 1 − φ1 L − φ2 L2 − ... − φp Lp

12
 1.5. Les processus linéaires

Remarque

Par définition, le processus AR(p) est inversible.

Si le polynome φ a toutes ses racines à l’extérieur du disque unité, alors on peut inverser ce
polynome et écrire AR(p) sous la forme MA(∞) :

+∞
Xt = φ−1 (L)εt =
X
ϕi εt−i
i=0

P+∞
avec ϕ0 = 1 et i=0 |ϕi | < ∞
Autocorrélation et équations de Yulle -Walker

Soit (Xt )t∈Z un processus AR(p) vérifiée l’équation :

Xt = φ1 Xt−1 + φ2 Xt−2 + ... + φp Xt−p + εt

on a :

γk = cov(Xt , Xt−k ) = E(Xt Xt−k ) − E(Xt )E(Xt−k )

= E(Xt Xt−k )

car : E(Xt ) = E(Xt−k ) = 0 [AR(p) possède une représentation MA(∞)]

alors :

γk = φ1 E(Xt−1 Xt−k ) + ... + φp E(Xt−p Xt−k ) + E(εt Xt−k )

= φ1 γk−1 + ... + φp γk−p + E(εt Xt−k )

avec

σ 2 si k = 0


ε
E(εt Xt−k ) =
0


sinon

donc

φ 1 γk−1 + ... + φp γk−p si k = 1, ..., p


γk =
+ ... + φp γk−p + σε2 si k = 0

φ1 γk−1


13
 1.5. Les processus linéaires

D’où, en notant ρk = γk
γ0
, la fonction d’autocorrélation d’un AR(p) est finalement donnée
par :

p
ρk = ∀k > 0
X
φi ρk−i ,
i=1

Les autocorrélations d’un processus AR(p) sont ainsi décrites par une équation de récurrence
linéaire d’ordre p. En écrivant cette relation pour différentes valeurs de k (k=1,...,p), on obtient
les équations de Yulle -Walker :
    
ρ
 1 
1 ρ1 ρ2 ··· ρp−1  φ1 
1 ···
    
 ρ2   ρ1  φ2 
.= .  . 
    
.  .
.  .   .. 
ρ1   
    
ρp ρp−1 ..... 1 φp

Autocorrélations Partielles

Il est possible de calculer les autocorrélations partielles du processus AR à partir des équa-
tions de Yulle -Walker.

Propriété 1.15.
Pour un processus AR(p), φkk = 0, ∀ k > p. En d’autres termes, les autocorrélations partielles
s’annulent à partir du rang p+1. Cette propriété fondamentale dans la mesure où elle sert à
identifier l’ordre p des processus AR.

Processus ARMA(p,q)

Définition 1.16.
Un processus stationnaire Xt suit un processus ARMA(p,q) s’il vérifie la relation suivante :

Xt − φ1 Xt−1 − φ2 Xt−2 − ... − φp Xt−p = εt − θ1 εt−1 − ... − θq εt−q

où les coefficients φi (i = 1, ..., p) et θj (j = 1, ..., q) sont des réels

et εt ∼ bb(0, σε2 )

En introduisant l’opérateur retard, la relation précédente s’écrit :

φ(L)Xt = θ(L)εt

14
 1.5. Les processus linéaires

φ(L) = 1 − φ1 L − φ2 L2 − ... − φp Lp et θ(L) = 1 − θ1 L − θ2 L2 − ... − θq Lq

Remarque

Un processus ARMA(p,q) stationnaire si le polynome φ a toutes ses racines à l’extérieur du

disque unité et inversible si le polynome θ a toutes ses racines à l’extérieur du disque unité.

En conséquent, si φ et θ a toutes ses racines à l’extérieur du disque unité, on peut écrire

un processus ARMA(p,q) :
~ Soit sous la forme MA(∞) :

+∞
θ(L)
Xt = εt =
X
ϕi εt−i
φ(L) i=0

P+∞
avec ϕ0 = 1 et i=0 |ϕi | < ∞
~ Soit sous la forme AR(∞) :

+∞
φ(L)
εt = Xt =
X
υi Xt−i
θ(L) i=0

P+∞
avec υ0 = 1 et i=0 |υi | < ∞
Les propriétés des autocovariances
La fonction d’autocovariances d’un processus ARMA(p,q) est donnée par :

 p pour k ≥ q + 1
P
φi γk−i


i=1
γk =
 pi=1 φi γk−i + σε2 pour 0 ≤ k ≤ q
 P Pq

j=k θj ϕj−k

Démonstration.
Soit (Xt )t∈Z un processus ARMA(p,q) de représentation causal, il admet alors la représentation
MA(∞) :

∞
Xt =
X
ϕi εt−i
i=o

on a :

γk = cov(Xt , Xt+k ) = E(Xt Xt+k ) − E(Xt )E(Xt+k )

et ona : E(Xt ) = E(Xt+k ) = 0 [D’après l’écriture MA(∞)]

15
 1.5. Les processus linéaires

donc
p q
γk = E(Xt Xt+k ) = E[( φi Xt+k−i + θj εt+k−j )Xt ]
X X

i=o j=o
p q
= φi E(Xt Xt+k−i ) + θj E(Xt εt+k−j )
X X

i=o j=o
p q ∞
= φi γk−i + ϕi εt−i εt+k−j )
X X X
θj E(
i=o j=o i=0
p q ∞
= φi γk−i + [ϕi E(εt−i εt−(j−k) )]
X X X
θj
i=o j=o i=0
p q
= φi γk−i + θj ϕj−k σε2
X X

i=o j=k

La fonction d’autocorrélation
La fonction d’autocorrélation d’un processus ARMA(p,q) est donnée par :

 p pour k ≥ q + 1
P
φi ρk−i


i=1
ρk =
σε2
 pi=1 φi ρk−i + pour 0 ≤ k ≤ q
 P Pq

γ0 j=k θj ϕj−k

1.5.2 ) Principales extentions des processus ARMA

Processus ARMA saisonnier : SARMA

Il est possible de tenir compte de la saisonnalité des séries par le biais des processus ARMA
saisonnier, noté SARMA(p, q)(P, Q)s définis comme suit :

φp (L)φP (Ls )Xt = θq (L)θQ (Ls )εt

tel que :

φp (L) = 1 − φ1 L − ... − φp Lp
φP (Ls ) = 1 − φ1s Ls − ... − φP s LP s
θq (L) = 1 − θ1 L − ... − θq Lq
θQ (Ls ) = 1 − θ1s Ls − ... − θQs LQs

et εt ∼ bb(0, σε2 )
où P est l’ordre d’un processus AR saisonnier, Q est l’ordre d’un processus MA saisonnier et s le
16
 1.5. Les processus linéaires

période de la saisonnalité (s=12 pour les séries mensuelles, s=4 pour les séries trimestrielles...).

Processus ARMA intégré : ARIMA

Un processus Xt suit un ARIMA(p,d,q) s’il vérifie la relation suivante :

φ(L)(1 − L)d Xt = θ(L)εt

tel que :

φp (L) = 1 − φ1 L − ... − φp Lp
θq (L) = 1 − θ1 L − ... − θq Lq

et εt ∼ bb(0, σε2 )
où d un entier positif appelé paramètre d’intégration ou de différenciation.
Remarque

Les processus ARMA apparaissent donc comme un cas particulier des processus ARIMA dans
lesquels d=0.

Processus ARMA intégré saisonnier :SARIMA

Définition 1.17.
Un processus SARIMA(p, d, q)(P, D, Q)s s’écrit comme suit :

φp (L)φP (Ls )(1 − L)d (1 − Ls )D Xt = θq (L)θQ (Ls )εt

tel que :

φp (L) = 1 − φ1 L − ... − φp Lp
φP (Ls ) = 1 − φ1s Ls − ... − φP s LP s
θq (L) = 1 − θ1 L − ... − θq Lq
θQ (Ls ) = 1 − θ1s Ls − ... − θQs LQs

et εt ∼ bb(0, σε2 )
s : correspondant à la saisonnalité .

17
 1.5. Les processus linéaires

Processus ARFIMA

Les processus ARFIMA ont été obtenus en considérant, formellement, les cas où d n’est pas
entier ( paramètre de mémoire, compris entre −1
2
et 12 ).

Cette généralisation, proposée par Granger en 1980, repose sur la manipulation des séries
d’opérateurs retard (L), et sur le développement en série entière de (1 − L)d .

Définition 1.18.
Un processus fractionnaire est un processus (Xt )t s’écrit :

(1 − L)d φ(L)Xt = θ(L)εt pour t ≥ 0

avec comme condition initiale Xt = 0 pour t < 0 et εt un bruit blanc pour t ≥ 0, nul sinon,
de variance finie σ 2 , où φ(L) et θ(L) sont deux polynômes ayant leurs racines à l’extérieur du
disque unité, et où d est réel, avec la convention :

∞
d(d − 1)...(d − j + 1)
(1 − L)d = 1 + (−1)j Lj
X

j=0 j!

La définition de (1−L)d est fondée sur le développement en série entière de la fonction puissance
(qui peut se simplifier en introduisant la fonction Gamma) soit :

+∞
Z
Γ(d) = xd−1 e−x dx
0

alors :

∞
Γ(d + j) j
(1 − L)d =
X
L
j=0 Γ(d)j!

Les processus TS et DS

Ainsi que nous l’avons précédement mentionné, deux grandes catégories de processus non
stationnaires peuvent être distinguées :
• Les processus TS (Trend stationary) présentant une non stationnarité de nature déter-
ministe.
• Les processus DS (Difference stationary) présentant une non stationnarité de nature
stochastique.

18
 1.5. Les processus linéaires

Caractéristiques des processus TS

Si l’on suppose qu’un processus peut s’écrire comme la somme d’une fonction déterministe
du temps et d’un élément stochastique stationnaire, alors un processus TS est donnée par :

X t = f t + εt

Dans le cas simple ou la fonction ft est une fonction polynpmiale d’ordre 1, on a :

Xt = α + tβ + εt

Pour simplifier, supposons en outre que εt ∼ bb(0, σε2 ). On a alors les propriétés suivantes :

E(Xt ) = E(α + tβ + εt ) = α + tβ
v(Xt ) = v(α + tβ + εt ) = v(εt ) = σε2
cov(Xt , Xs ) = E[(Xs − E(Xs ))(Xt − E(Xt ))] = E(εs εt )

D’où :

cov(Xt , Xs ) = 0 , ∀ t 6= s

Ainsi, l’espérance d’un processus TS exhibe une tendance déterministe. On constate en

revanche que sa variance est constante au cours du temps, témoignant du fait qu’un processus
TS est stationnaire en variance.
Les caractéristiques des processus DS

On dit qu’un processus Xt est DS ou caractérisé par une non stationnarité stochastique si
le processus différenciée une fois (1 − L)Xt est stationnaire. On parle aussi processus intégré
d’ordre un, qu’on notera Xt ∼ I(1) .

De manière générale, on dit que le processus Xt est un processus intégré d’ordre d avec d
l’ordre de d’intégration, si le processus différenciée d fois (1 − L)d Xt est stationnaire, On note
Xt ∼ I(d) .

Nous avons deux type de processus DS :

19
 1.5. Les processus linéaires

• Le processus DS avec dérive β (β 6= 0) tel que :

Xt = Xt−1 + β + εt

Qui représente une non stationnarité de nature stochastique qu’on peut démontrer par
récurrence :

X 1 = X 0 + β + ε1
X 2 = X 1 + β + ε2 = X 0 + β + ε1 + β + ε2
X 3 = X 2 + β + ε3 = X 1 + β + ε2 + β + ε3 = X 0 + β + ε1 + β + ε2 + β + ε3
..
.
t
Xt = X0 + tβ +
X
εi
i=1

où εt ∼ bb(0, σε2 )
donc :

E(Xt ) = X0 + tβ
t
v(Xt ) = v(X0 + tβ + εi ) = tσε2
X

i=1

cov(Xt , Xt0 ) = σε2 min(t, t0 ) si t 6= t0

alors : Le processus est non stationnaire par son espérance et sa variance.

• Le processus DS sans dérive β (β = 0) qui est appelé marche aléatoire ou marche au

hazard qui s’écrit comme suit :

Xt = Xt−1 + εt

Que nous montrons sa non stationnarité par récurrence :

X 1 = X 0 + ε1
X 2 = X 1 + ε2 = X 0 + ε1 + ε2
X 3 = X 2 + ε3 = X 1 + ε2 + ε3 = X 0 + ε1 + ε2 + ε3
..
.
t
Xt = X0 +
X
εi
i=1

20
 1.6. Les grandes classes des processus non linéaires

où εt ∼ bb(0, σε2 )
donc :

E(Xt ) = X0
t
v(Xt ) = v(X0 + εi ) = tσε2
X

i=1

cov(Xt , Xt0 ) = σε2 min(t, t0 ) si t 6= t0

d’où : la marche aléatoire stationnaire en moyenne mais pas en variance.

1.6 ) Les grandes classes des processus non linéaires

Il y a de nombreuses manières d’introduire des non-linéarités dans un modèle de série tem-

porelle. Dans ce paragraphe, nous traitons de quelques unes d’entre elles, principalement les
modèles bilinéaires, les modèles avec seuil et les modèles autorégressifs conditionnellement hé-
téroscédatiques ("ARCH"). Ce sont ces derniers qui seront l’objet essentiel de chapitre suivant.
Nous nous restreignons ici à des processus unidimensionnels.

1.6.1 ) Processus bilinéaires

Définition 1.19.
(Xt )t suit un processus bilinéaire (BL) d’ordre (p,q ;P,Q) s’il peut être écrit sous la forme :

p q Q
P X
Xt = φi Xt−i + θj εt−j +
X X X
λij Xt−i εt−j
i=1 j=1 i=1 j=1

où εt est un bruit blanc, φi , θj et λij sont des réels.

Un processus bilinéaire est une extention d’un processus ARMA dans lequel des termes
croisés de la composante AR et la composante MA sont introduits.

Remarque

Un processus bilinéaire est dit :

• Super diagonal si P>Q
• Diagonal si P=Q
• Sous diagonal si P<Q

21
 1.6. Les grandes classes des processus non linéaires

 
Exemple 

Considérons le modèle BL(0,0 ;2,1) super diagonal

Xt = εt + λXt−2 εt−1

où λ ∈ R
et εt ∼ iid(0, σε2 )

• Le processus Xt est de moyenne nulle :

E(Xt ) = E(εt + λXt−2 εt−1 ) = 0

car : εt est indépendant du passé du processus, et en particulier de Xt−2 et E(εt ) = 0

• L’autocovariance de retard h vaut :

γh = cov(Xt , Xt−h ) = E(Xt Xt−h )

= E(εt εt−h + λ2 Xt−2 εt−1 Xt−h + λεt Xt−h−2 εt−h + λεt−h Xt−2 εt−1 )

Si h>1, nous avons :

cov(Xt , Xt−h ) = 0

Si h=1, nous avons :

cov(Xt , Xt−1 ) = 0

En remplaçant h par 0, nous trouvons une relation de récurrence pour la variance marginale :

E(Xt2 ) = E(ε2t ) + λ2 E(Xt−2

2
)E(ε2t−1 ) + 2λE(εt )E(Xt−2 )E(εt−1 )

ou, comme le dernier terme s’annule on a :

v(Xt ) = E(Xt2 ) = σ 2 + λ2 σ 2 E(Xt−2

2
)

22
 1.6. Les grandes classes des processus non linéaires

Sous l’hypothèse de la stationnarité à condition λ2 σ 2 < 1, ce qui implique que :

σ2
v(Xt ) =
1 − λ2 σ 2

La variance conditionnelle du processus Xt est :

v(Xt |Xt−2 ) = E(Xt2 |Xt−2 ) = E(ε2t + λ2 Xt−2

2
ε2t−1 |Xt−2 )
= E(ε2t ) + λ2 E(ε2t−1 )E(Xt−2
2
|Xt−2 )
= σ 2 + λ2 σ 2 Xt−2
2

= σ 2 (1 + λ2 Xt−2
2
)

La variance conditionnelle du processus Xt dépend des valeurs passées de ce processus. On

retrouve un effet type ARCH, ceci illustre le fait que plusieurs modélisations non linéaires
peuvent être envisagées si l’on souhaite modéliser la dynamique dans la volatilité conditionnelle.

1.6.2 ) Modèles à seuil

Les modèles à seuil sont particulièrement intéressants dans la mesure où ils permettent
de tenir compte des phénomènes d’asymétrie et des ruptures de forte amplitude. Les modèles
les plus couramment utilisées dans cette catégorie sont les modèles SETAR et STAR ou le
changement de régime est régi par un seuil (les modèles TAR).

Modèles SETAR

Définition 1.20.
Un modèle SETAR (k ; p1 , ..., pk ) est un modèle à k équations de la forme :

(1) (1) (1)
+ φi Xt−i + εt
Pp1
φ0 si Xt−d < c1


i=1





φ(2) +
Pp2 (2)
φi Xt−i + εt
(2)

si c1 ≤ Xt−d < c2

0 i=1

Xt =
..
.







φ(k) (k) (k)

+ φi Xt−i + εt
Ppk
si Xt−d ≥ ck−1


0 i=1

• k correspond au nombre de régime.

• d un entier positif appelé paramètre de délai (ou de retard).

23
 1.6. Les grandes classes des processus non linéaires

• les coefficients cj , j = 1, ..., k − 1 sont les paramètres de seuil pour lequel le système passe
d’un régime à l’autre.
• On constate que chaque équation représente un modèle AR linéaire d’ordre pi , i = 1, ..., k.

Remarque

Lorsque les ordres de retards sont les même pour toutes les équations (c-à-d pi = p, ∀ i), les
modèles SETAR se ramènent au modèles TAR d’ordre p.

Définition 1.21.
Un modèle TAR s’écrit sous la forme :

(1) (1) (1)
+ φi Xt−i + εt
Pp
φ0 si Xt−d < c1


i=1





φ(2) +
Pp (2)
φi Xt−i + εt
(2)

si c1 ≤ Xt−d < c2

0 i=1

Xt = 
..
.





 (k) (k) (k)

φ0 + φi Xt−i + εt
Pp
si Xt−d ≥ ck−1


i=1

Modèles STAR

Définition 1.22.
Un modèle STAR d’ordre p s’écrit :

Xt = H1 (Xt−1 , ..., Xt−p ) + H2 (Xt−1 , ..., Xt−p )F (st ; γ, c) + εt

ou H1 et H2 sont des fonctions (linéaires ou non linéaires) des valeurs passés de Xt .

F (st ; γ, c) est la fonction de transition d’un état à un autre (comprise entre 0 et 1) tel que st
est la variable de transition.
εt ∼ iid(0, σε2 ).

∗ Dans le cas ou H1 et H2 sont des fonctions linéaires, on peut s’écrire le modèle STAR(p)
comme suit :
p p
Xt = φ1i Xt−i + ( φ2i Xt−i )F (st ; γ, c) + εt
X X

i=1 i=1

24
 1.6. Les grandes classes des processus non linéaires

1.6.3 ) Processus ARCH et GARCH

Définition 1.23.
Un processus ARCH(p) est donnée par :

Xt = εt ht

avec
p
h2t = α0 + 2
X
αi Xt−i
i=1

tel que ∀ t ∈ Z; α0 > 0; α1 , α2 , ..., αp des constantes positifs données

εt ∼ iid(0, σε2 )

Définition 1.24.
Un processus GARCH(p,q) est donnée par :

Xt = εt ht

avec
p q
h2t = α0 + 2
+ βj h2t−j
X X
αi Xt−i
i=1 j=1

tel que ∀ t ∈ Z; α0 > 0; α1 , α2 , ..., αp et β1 , ..., βq des constantes positifs données

εt ∼ iid(0, σε2 )

25
 2
Processus Conditionnellement
Hétéroscédastiques

Introduction
n économétrie, la volatilité a été l’un des sujets de recherche les plus utilisés, et

E elle l’est toujours, l’un des sujets de recherche les plus actifs dans le domaine de
la prévision économique en générale et de l’économétrie financière en particulier.
L’une de caractéristique principale du processus de la volatilité est le fait qu’elle n’est pas
observable. Le concept de la volatilité est un élément fondamental de l’appréhension des marchés
financiers surtout en termes de gestion de risque. La volatilité peut se définir comme l’ampleur
des fluctuations ou l’amplitude des variations sur une période donnée (minute, heure, jour,
semaine) pour un marché ou une valeur, c’est une unité mesurant la propension d’une valeur
du marché ou valeur mobilière, qui varie significativement à la hausse ou à la baisse. Plus un
titre a tendance à forte variation sur une courte période de temps, plus il sera dit volatile ou
trop risqué en d’autre terme. Les premiers travaux sur la volatilité (modèles ARCH/GARCH)
ont été conçus pour fournir des estimations anticipatives ou de prévisions, en d’autre terme de
la volatilité conditionnelle. Les modèles autorégressifs conditionnellement hétéroscédastiques
(ARCH) ont été introduits par Engle (1982) et leurs extensions GARCH (ARCH généralisés)

26
 2.1. Modèles ARCH/GARCH

est due à Bollerslev (1986). Leurs caractérisations reposent essentiellement sur le concept
de variance conditionnelle, qui ne dépend que du module des valeurs passées. L’objectif de
ce chapitre est d’essayer de viser l’essentiel de la littérature statistique des modèles ARCH et
GARCH, et de donner des démonstrations de certains résultats théoriques.

2.1 ) Modèles ARCH/GARCH

Face aux lacunes des représentations ARMA(p,q) pour les problèmes monétaires et Finan-
ciers, Engle(1982) propose une nouvelle classe de modèles autorégressifs conditionnellement
hétéroscédastiques (ARCH) aptes à capter le comportement de la volatilité dans le temps.

Engle (1982) a donc proposé ces processus pour pallier les insuffisances de la classe des
représentations ARMA, notamment en ce qui concerne les séries financières qui présentent une
volatilité (ou variabilité instantanée mesurée par la variance conditionnelle) en fonction du
temps et par des ajustements asymétriques.

Ainsi, les modèles ARCH sont basés sur une paramétrisation endogène de la variance condi-
tionnelle. Mais avant de présenter les modèles ARCH et GARCH, commençons par introduire
quelques notions essentielles dans l’étude des séries temporelles.

Définition 2.1.
Le Kurtosis ou le coefficient d’applatissement d’une variable aléatoire X correspond :

µ4
k=
σ4

avec : µ4 est le moment centré d’ordre 4 ie : µ4 = E[X − E(X)]4

— Si le kurtosis > 3 (queues épaisses), la distribution est dite leptokurtique.
— Si le Kurtosis < 3, la distribution est dite platikurtique.

Définition 2.2.
Skewness ou le coefficient d’asymétrie d’une variable aléatoire X s’écrit :

µ3
S=
σ3

avec : µ3 est le moment centré d’ordre 3 ie : µ3 = E[X − E(X)]3

 Lorsque la distribution est symétrique, le coefficient de Skewness est nul.

27
 2.1. Modèles ARCH/GARCH

 Lorsque la distribution possède une forte queue vers la droite, le coefficient de Skewness
est positif.
 Lorsque la distribution possède une forte queue vers la gauche, le coefficient de Skewness
est négatif.

2.1.1 ) La notion d’espérance conditionnelle et non condition-

nelle, notion de variance conditionnelle et non conditionnelle

∗ Pour introduire ces notions, nous considérons un modèle du taux d’intérêt à court terme.
Pour ce faire, on recourt à un processus autorégressif AR(1) stationnaire :

yt = µ + φ1 yt−1 + εt

où εt ∼ bb(0, σ 2 )

Dans cette équation, yt est la valeur du taux d’intérêt au temps t. Nous voulons prévoir yt+1
en utilisant l’espérance non conditionnelle. On procède comme suit :

yt+1 = µ + φ1 yt + εt+1
E(yt+1 ) = µ + φ1 E(yt ) + E(εt+1 )

L’espérance non conditionnelle sert à calculer des prévisions à long terme d’une variable,
soit sa moyenne à long terme. Sachant par ailleurs que la moyenne d’une série stationnaire est
constante, on peut écrire :

E(yt+1 ) = µ + φ1 E(yt )

puisque :

E(εt ) = E(εt+1 ) = 0, ∀t

Il en résulte que :

µ
E(yt+1 ) =
1 − φ1

28
 2.1. Modèles ARCH/GARCH

Nous nous intéressons maintenant à la prévision à court terme de yt+1 . L’espérance condi-
tionnelle nous donne alors une prévision supérieure à l’espérance non conditionnelle. L’espérance
conditionnelle prend en effet compte de toute l’information disponible jusqu’au temps t. Elle
suppose que toutes les variables sont connues et fixées jusqu’à cette période. On peut donc
écrire :

Et (yt+1 ) = µ + φ1 Et (yt ) + Et (εt+1 ) = µ + φ1 yt

yt est en effet connu au temps t et n’est donc pas aléatoire. Par ailleurs εt+1 est inconnu à la
période t. Son espérance conditionnelle est donc nulle.

∗ Pour introduire les notions de variances conditionnelle et non conditionnelle, nous au

recourons au processus autorégressif suivant :

yt = φ1 yt−1 + εt

où εt ∼ N (0, σ 2 )

Nous supposons également que y est une série stationnaire, c’est-à-dire que λ est inférieur à
1. En vertu des calculs antérieurs nous pouvons écrire la variance conditionnelle comme suit :

vt (yt ) = Et [yt − Et (yt )]2 = σ 2

Pour calculer la variance non conditionnelle, nous recourons à l’équation qui relie yt au
décalage de l’innovation. Pour établir cette relation, nous exprimons l’équation de yt comme
suit :

yt (1 − φ1 L) = εt

où L désigne l’opérateur de retard. En multipliant les deux côtés de cette expression par
(1 − L)−1 , on obtient :

yt = (1 − φ1 L)−1 εt

et en utilisant une propriété bien connue de l’opérateur de retard, on a :

yt = εt + φ1 εt−1 + φ21 εt−2 + ... + φn1 εt−n n→∞

29
 2.1. Modèles ARCH/GARCH

La variance non conditionnelle est donc égale à :

v(yt ) = σ 2 (1 + φ21 + φ41 + ...)

L’expression entre parenthèses est une progression géométrique de raison φ21 . La variance non
conditionnelle de yt se simplifie donc comme suit :

σ2
v(yt ) =
1 − φ21

La variance non conditionnelle est donc différente de la variance conditionnelle.

2.1.2 ) Présentation du modèle ARCH/GARCH

Pour abordre ce type de modèle, on introduit la notion de filtration qui représente l’infor-
mation disponible comme suit :

Soit (Ω, F, P ) un espace de probabilité, dont on considère une filtration Ft (une collection
croissante de sous-tribus de F , i.e Fs ⊂ Ft , ∀ s < t). Un processus Xt est adapté à une filtration
Ft , si pour tout Xt est Ft -mesurable.

De plus, la filtration naturelle associée à un processus Xt est par définition la famille de

sous-tribus Ft = σ(Xs , s ≤ t), où Ft est la plus petite tribu rendant mesurable les applications
ω → Xs (ω), pours ≤ t.

Définition 2.3. [Modèle ARCH(1)]

Un modèle Xt est dit autoregressif conditionnellement hétéroscédastique d’ordre 1 qu’on note
par ARCH(1), s’il admet l’écriture suivante :

Xt = εt ht

dont la variance conditionnelle h2t = E[Xt2 |Ft−1 ] satisfaite pour tout t ∈ Z et α0 > 0, α1 ≥ 0,
des constantes données :

h2t = α0 + α1 Xt−1
2

où (εt )t un bruit blanc : suite de variables aléatoires (i.i.d), centrée et réduite.

On suppose souvent que les variables εt sont indépendantes de la filtration Ft−1 et que ht dépend
de Xt .

30
 2.1. Modèles ARCH/GARCH

Propriété 2.4.
Le modèle ARCH(1) admet les propriétés suivantes :
2
1. v(Xt |Ft−1 ) = α0 + α1 Xt−1 = h2t

2. v(Xt ) = α0 + α1 v(Xt−1 )

3. E(Xt |Ft−1 ) = 0

Démonstration.
Il suffit d’appliquer la décomposition de la variance et la variance conditionnelle comme suit :
pour tout Xt ∈ L2 :

v(X t |Ft−1 ) = E[Xt2 |Ft−1 ] + E[Xt |Ft−1 ]2



v(Xt ) = v(E[Xt |Ft−1 ]) + E[v(Xt |Ft−1 )]




1.

v(Xt |Ft−1 ) = E[ε2t (α0 + α1 Xt−1

2
)|Ft−1 ] − E[εt ht |Ft−1 ]2
= E[ε2t ]E[α0 + α1 Xt−1
2
|Ft−1 ] − E(εt )2 E[ht |Ft−1 ]2
2
= E[α0 + α1 Xt−1 |Ft−1 ] − 0
2
= α0 + α1 Xt−1
= h2t

2.

v(Xt ) = v(E[Xt |Ft−1 ]) + E[v(Xt |Ft−1 )]

2
= v(0) + E(α0 + α1 Xt−1 )
= α0 + α1 v(Xt−1 )

Sous-hypothèse de stationnarité (i.e : v(Xt ) = v(Xt−1 )), ce qui implique que :

α0
v(Xt ) =
1 − α1

Pour que cette variance non-conditionnelle existe, il suffit donc que : α1 ∈]0, 1[

31
 2.1. Modèles ARCH/GARCH

3.

E(Xt |Ft−1 ) = E(εt ht |Ft−1 )

= ht E(εt |Ft−1 )
= ht E(εt )
=0

car : ht est mesurable par rapport à la tribu Ft−1 , et εt est indépendante de Ft−1 , et E(εt ) = 0.

Cette propriété signifie que le processus ARCH Xt qui peut s’apparenter à un processus de
bruit blanc (faible), ce qui explique notamment que l’on spécifiera des erreurs de modèles sous
la forme ARCH. On retrouve alors toutes les propriétés de modèles établies sous la propriété
de bruit blanc des erreurs. Mais cette propriété signifie en outre que le processus ARCH Xt est
non conditionnellement homoscédastique.

Propriété 2.5.
Les auto-covariances conditionnelles du processus Xt ARCH(1) sont nulles. C’est à dire que :

cov(Xt , Xt+k |Ft−h ) = 0, ∀h ≥ 1, k ≥ 1

Démonstration.
Cette propriété s’obtient de la manière suivante :

cov(Xt , Xt+k |Ft−h ) = E(Xt Xt+k |Ft−h ) − E(Xt |Ft−h )E(Xt+k |Ft−h )
= E(Xt Xt+k |Ft−h )
= E[E(Xt Xt+k |Ft+k−1 )|Ft−h ]
= E[Xt E(Xt+k |Ft+k−1 )|Ft−h ]
= E(Xt × 0|Ft−h )
=0

L’absence de corrélations entre les valeurs d’un processus ARCH est une caractéristique
très importante de cette famille de modèle, qui les rend utiles pour modéliser certains séries
financières.

32
 2.1. Modèles ARCH/GARCH

Propriété 2.6. [Moment centré d’ordre 4]

Les modèles ARCH permettent d’avoir des processus avec des queues de distribution plus épaisses.
Le moment conditionnel centré d’ordre 4 du processus (Xt )t∈Z vérifie :

E(Xt4 |Ft−1 ) = 3(α0 + α1 Xt−1

2
)2

sous l’hypothèse 3α12 < 1, le moment non conditionnel centré d’ordre 4 du processus (Xt )t∈Z est
égal à :

3α02 (1 + α1 )
E(Xt4 ) =
(1 − 3α12 )(1 − α1 )

le kurtosis non conditionnelle associée au processus ARCH(1) est égale à :

E(Xt4 ) 1 − α12
k= = 3( )>3
E(Xt2 )2 1 − 3α12

Démonstration.
On a : Xt = εt ht
et on sait que si une variable X centré et suit une loi normale alors :

E(X 4 ) = 3[E(X 2 )]2 = 3(v(X))2

donc :

E(Xt4 |Ft−1 ) = 3[E(Xt2 |Ft−1 )]2 = 3(α0 + α1 Xt−1

2
)2

• Sous l’hypothèse 3α12 < 1, on a :

E[Xt4 ] = E[E(Xt4 |Ft−1 )]

= E[3E(Xt2 |Ft−1 )2 ] = E[3(α0 + α1 Xt−1
2
)2 ]
4
= 3E(α02 + α12 Xt−1 2
+ 2α0 α1 Xt−1 )
4
= 3[α02 + α12 E(Xt−1 2
) + 2α0 α1 E(Xt−1 )]
α02 α1
4
= 3[α02 + α12 Xt−1 +2 ]
1 − α1

d’après la stationnarité implique :

3α02 (1 + α1 )
E[Xt4 ] =
(1 − α1 )(1 − 3α12 )

33
 2.1. Modèles ARCH/GARCH

d’après les résultats obtenus précédemment, on obtient :

3α02 (1 + α1 ) (1 − α1 )2
K= ×
(1 − 3α1 )(1 − α1 ) α02
1 − α12
=3 >3
1 − 3α12

Toute ces propriétés peuvent être généralisées du cas d’un processus ARCH(p).

Remarque

Le kurtosis d’un processus ARCH est toujours supérieur à 3, la loi non conditionnelle d’un
processus ARCH est donc une loi de distribution à queue épaisse, est donc plus aplatie qu’une
gaussienne, on dit que cette distribution est leptokurtique.

Modèle ARCH(p)

Définition 2.7.
Un processus (Xt )t∈Z est défini comme étant un processus ARCH(p) s’il vérifie l’équation
suivante :

X = εt ht


t

h2 = α0 + 2
= α0 + α(L)Xt2
 Pp

t i=1 αi Xt−i

où α0 > 0, αi ≥ 0, i = 1, ..., p et L est l’opérateur retard tel que α(L) = αi L i .

Pp
i=1

(εt )t désigne une suite de variables aléatoires indépendantes, identiquement distribuées(iid),

centrée de variance unité

Propriété 2.8.
La variance conditionnelle du processus Xt ARCH(p) défini par l’équation précédente est non
constante dans le temps et vérifie :

1 − α1h 2
v(Xt |Ft−h ) = α0 ( ) + α1h Xt−h , ∀t
1 − α1

C’est la propriété centrale des processus ARCH, le processus Xt possède une variance condi-
tionnelle qui dépend du temps.

Démonstration.
On sait que E(Xt |Ft−h ) = 0, dès lors v(Xt |Ft−h ) = E(Xt2 |Ft−h )

34
 2.1. Modèles ARCH/GARCH

Considérons le processus Xt2 défini par la relation Xt2 = α0 + α1 Xt−1

2
+ εt où εt est un bruit
blanc faible. Par itération successive, on a :

Xt2 = α0 (1 + α1 + α12 + ... + α1h ) + εt + α1 εt−1 + α12 εt−2 + ... + α1h−1 εt−h+1 + α1h Xt−h
2

En considérant l’espérance conditionnelle de chacun de ces membres, il vient :

1 − α1h h−1
E(Xt2 |Ft−h ) = α0 ( )+ 2
α1 E(εt−j |Ft−h ) + α1h E(Xt−h |Ft−h )
X j
1 − α1 j=0

Puisque par définition du bruit blanc εt , on a : E(εt−j |Ft−h ) = 0, j = 0, ..., h−1 et par définition
2 2
E(Xt−h |Ft−h ) = Xt−h , on obtient :

1 − α1h 2
v(Xt |Ft−h ) = α0 ( ) + α1h Xt−h , ∀t
1 − α1

Remarque

Lorsque h tend vers l’infini, ces variances conditionnelles convergent vers la variance non condi-
tionnelle, et l’on retrouve alors la formule de la propriété 2.2.1 :

1 − α1h 2 α0
v(Xt ) = lim v(Xt |Ft−h ) = lim α0 ( ) + α1h Xt−h =
h→∞ h→∞ 1 − α1 1 − α1

Modèle avec erreur ARCH

Nous allons regarder les propriétés de (Xt ), processus autorégressif, dans le cas où (εt ) n’est
plus un bruit blanc. On suppose que le résidu admet une représentation autorégressif de type
ARCH (p) :

p
εt = zt ht h2t = α0 + αi ε2t−i
X
avec
i=1

où zt est un bruit blanc faible.

On a un modèle qui décrit à la fois l’évolution de l’espérance conditionnelle et la variance
conditionnelle du processus Xt dans le temps. Envisageons le cas le plus simple d’un processus
de type AR(1) avec erreur ARCH(1) :

Xt = µ + φ1 Xt−1 + εt , |φ1 |< 1

q
εt = zt α0 + α1 ε2t−1

35
 2.1. Modèles ARCH/GARCH

Dans ce cas, les résidus satisfont les principales propriétés étudiées précédemment.
On peut, en outre, en déduire un certain nombre de conclusions. On peut montrer tout d’abord,
que l’espérance conditionnelle de Xt vérifie :

E(Xt |Ft−h ) = µ + φ1 E(Xt−1 |Ft−h ), ∀h ≥ 1

ce qui montre que les prévisions non linéaires de Xt s’obtiennent comme les prévisions linéaires
d’un processus AR(1). Plus généralement :

1 − φh1
Xt = µ + φh1 Xt−h + εt + φ1 εt−1 + ... + φh−1
1 εt−h+1
1 − φ1

En effet ;

Xt = µ + φ1 Xt−1 + εt
= µ + φ1 (µ + φ1 Xt−2 + εt−2 ) + εt
= µ(1 + φ1 ) + φ21 Xt−2 + φ1 εt−1 + εt
= µ(1 + φ1 + φ21 ) + φ31 Xt−3 + φ21 εt−2 + φ1 εt−1 + εt
..
.
= µ(1 + φ + φ21 + ... + φh−1
1 ) + φh1 Xt−h + φh−1
1 εt−h+1 + ... + φ1 εt−1 + εt
1 − φh1
=µ + φh1 Xt−h + φh−1
1 εt−h+1 + ... + φ1 εt−1 + εt
1 − φ1

En prenant l’espérance conditionnelle de deux cotés, on obtient :

1 − φh1
E(Xt |Ft−h ) = µ + φh1 Xt−h
1 − φ1

De même façon, on peut montrer que la variance conditionnelle de Xt dépend du temps. En

effet, on montre qu’elle dépend du processus ε2t−h de la façon suivante.

Propriété 2.9.
La variance conditionnelle du processus AR(1) avec erreur ARCH(1), Xt , s’écrit :

µ 1 − φ2h
1 α1h − φ2h
1 α1h − φ2h
1
v(Xt |Ft−h ) = [ 2
− α1 ( 2
)] + α 1 [ 2
]ε2t−h
1 − α1 1 − φ1 α1 − φ1 α1 − φ1

36
 2.1. Modèles ARCH/GARCH

Démonstration.

1 − φh1
v(Xt |Ft−h ) = v(µ + φh1 Xt−h + εt + φ1 εt−1 + ... + φh−1
1 εt−h+1 |Ft−h )
1 − φ1
2(h−1)
= v(εt |Ft−h ) + φ21 v(εt−1 |Ft−h ) + ... + φ1 v(εt−h+1 |Ft−h )
h−1
1 − α1h−j
= φ2j
1 [α0 + α1h−j ε2t−h ]
X

j=0 1 − α1
µ 1 − φ2h
1 α1h − φ2h
1 α1h − φ2h
1
= [ 2
− α1 ( 2
)] + α1 [ 2
]ε2t−h
1 − α1 1 − φ1 α1 − φ1 α1 − φ1

On en déduit que les intervalles de prévision, d’horizon h fixé, d’un modèle AR(1) avec
erreurs ARCH(1) seront d’autant plus larges que la variabililité est grande, contrairement au
modèle AR(1) où les intervalles de prévision dépendent de h mais pas de t.

Propriété 2.10.
Si h , k deux nombres entiers tel que h > 0 et k ≥ 0, on peut écrire la covariance comme suit :

φk1 1 − φ2h
1 α1h φk1 α1h − φ2h
1
h
h k α1 − φ1
2h
cov[(Xt , Xt+k )|Ft−h ] = α0 ( )( 2
) − α 0 ( )( 2
) + α 1 φ1 ( 2
)ε2t−h
1 − α1 1 − φ 1 1 − α1 α1 − φ1 α1 − φ1

Démonstration.

1 − φh1 1 − φh+k
1
cov[(Xt , Xt+k )|Ft−h ] = cov[(µ + φh1 Xt−h + εt + ... + φh−1
1 ε t−h+1 , µ + φh+k
1 Xt−h + εt+k
1 − φ1 1 − φ1
+ ... + φ1h+k−1 εt−h+1 )|Ft−h ]
= cov[(εt + ... + φh−1
1 εt−h+1 , εt+k + ... + φh+k−1
1 εt−h+1 )|Ft−h ]
k+2(h−1)
= φk1 var(εt |Ft−h ) + φk+2
1 var(εt−1 |Ft−h ) + ... + φ1 var(εt−h+1 |Ft−h )
h−1
= φk1 φ2j
1 v(εt−j |Ft−h )
X

j=0
h−1
1 − α1h−j
= φk1 φ2j
1 (α0 ( ) + α1h−j ε2t−h )
X

j=0 1 − α1
φk1 h−1
X 2j α1h φk1 h−1
X 2j −j
h k 2
h−1
X 2j −j
= α0 φ1 − α0 φ1 α1 + α1 φ1 εt−h φ1 α1
1 − α1 j=0 1 − α1 j=0 j=0

φk1 1 − φ2h
1 α1h φk1 α1h − φ2h
1
h
h k α1 − φ1
2h
= α0 ( )( 2
) − α 0 ( )( 2
) + α1 φ1 ( 2
)ε2t−h
1 − α1 1 − φ1 1 − α1 α1 − φ1 α1 − φ1

37
 2.1. Modèles ARCH/GARCH

Modèles ARCH généralisées : GARCH

Pour de nombreuses applications, l’introduction d’un grand nombre de retards p dans l’équa-
tion de la variance conditionnelle du modèle ARCH(p) est nécessaire pour tenir compte de la
longue mémoire de la volatilité qui caractérise certaines séries monétaires et financières. Ce
nombre important de paramètres peut poser des problèmes d’estimations. Dans cette perspec-
tive, une extension importante, le modèle autorégressif conditionnellement hétéroscédastique
généralisé (GARCH), est suggérée par Bollerslev [1986]. Cette approche exige moins de pa-
ramètres à estimer que la formulation ARCH(p) pour modéliser les phénomènes de persistance
des chocs, il présente les mêmes propriétés et les mêmes fondements que le processus ARCH.
Disons que la seule différence se situe au niveau de la définition telle que La variance condi-
tionnelle de la variable étudiée est déterminée par le carré des p termes d’erreur passés et des
q variances conditionnelles retardées.

Définition 2.11.
Une variable Xt suit un processus GARCH(p,q) si :

Xt = εt ht

avec
p q
h2t = α0 + 2
+ βj h2t−j
X X
αi Xt−i
i=1 j=1

où εt ∼ N (0, σ 2 ), avec les conditions α0 > 0, αi ≥ 0, i = 1, ..., p et βj ≥ 0, j = 1, ..., q satisfai-

santes pour garantir la positivité de ht

Tout comme le processus ARCH(q), le modèle GARCH(p,q) présente aussi une moyenne
conditionnelle et une moyenne non conditionnelle nulle. C’est à dire que :

E(Xt ) = 0
E(Xt |Ft−h ) = 0

Comme précédemment, le modèle GARCH(p,q) est également stationnaire au second ordre.

Cela nécessite alors que l’inégalité suivante soit respectée :

p q
αi + βj < 1
X X

i=1 j=1

38
 2.2. Extentions des modèles ARCH/GARCH

et dans ce cas, la variance non conditionnelle est constante dans le temps et se définie par :

α0
v(Xt ) =
1 − ( i=1 αi + qj=1 βj )
Pp P

Remarque

Dans le cas où αi + βj = 1, on dira alors que le processus GARCH (p,q) est intégré,
Pp Pq
i=1 j=1

et on parlera de processus IGARCH (p,q). Cette dénomination peut se justifier par l’existance
d’une racine unité dans la composante autorégressive.

Tandis que la variance conditionnelle se présente de la façon suivante :

p q
E(Xt2 |Ft−h ) = h2t = α0 + 2
+ βj h2t−j
X X
αi Xt−i
i=1 j=1

Enfin, on remarque tout comme pour le modèle ARCH(q), les auto-covariances conditionelles
du processus GARCH(p,q) sont nulles.

2.2 ) Extentions des modèles ARCH/GARCH

Les processus ARCH ont donné lieu à de nombreuses extensions dans la littérature statis-
tique. Dans cette section, nous présentons quelques processus de type GARCH développés qui
sont très utilisés dans le domaine de la finance.

2.2.1 ) Modèle GARCH-M

Engle-Lilien-Robbins (1987) ont proposés des modèles GARCH-M (General Autoregrs-

sive Conditional Heteroskedasticity in Mean) où la variance conditionnelle est une variable
explicative de la moyenne conditionnelle. Ces processus semblent ainsi plus adaptés à une des-
cription de l’influence de la volatilité sur le rendement des titres ce qui paraît assez réaliste
pour les cours boursiers.

Définition 2.12.
Un processus yt satisfait une représentation du type GARCH-M(p,q) linéaire s’écrit sous la
forme suivante :

39
 2.3. Modèle ARCH/GARCH asymétriques

yt = xt b + δht + εt = xt b + δv(εt |Ft−1 ) + εt

q
εt = zt ht zt iid(0, 1)
avec E(εt |Ft−1 ) = 0 et v(εt |Ft−1 ) = v(yt |Ft−1 ) = ht

2.2.2 ) Modèle IGARCH

Le modèle IGARCH (Integrated General Autoregressive Conditional heteroskedastic) cor-

respond au cas d’une racine unitaire dans la variance conditionnelle. C’est un modèle qui ca-
ractérisait par un effet de persistance dans la variance, c’est- à-dire qu’un choc sur la variance
conditionnelle actuelle se répercute sur toutes les valeurs futures prévues.

Définition 2.13.
Un processus Xt satisfait une représentation IGARCH(p,q) si et seulement si :

p q
v(Xt |Ft−1 ) = h2t = α0 + 2
+ βj h2t−j
X X
αi Xt−i
i=1 j=1

avec

α0 > 0, αi ≥ 0, i = 1, ..., p et βj ≥ 0, j = 1, ..., q

et
p q
αi + βj = 1
X X

i=1 j=1

2.3 ) Modèle ARCH/GARCH asymétriques

La symétrie des modèles GARCH est en contradiction avec plusieurs études sur les séries
temporelles de cours boursiers qui mettent en évidence une corrélation négative entre le carré
des innovations de la date présente et les innovations passées. Pour pallier ce problème, diverses
paramétrisations de la variance conditionnelle ont été proposées. L’une des formulations la plus
naturelle est d’introduire l’asymétrie en spécifiant la variance conditionnelle en fonction des
composantes positives et négatives des innovations passées.

40
 2.3. Modèle ARCH/GARCH asymétriques

2.3.1 ) Modèle EGARCH

Il s’agit d’un modèle log-linéaire présenté par Nelson (1991) lors d’une étude sur les renta-
bilités des actifs financiers. La spécification porte sur le logarithme de la variance conditionnelle
et permet ainsi d’éviter les contraintes de positivités sur les coefficients αi et βj .

Définition 2.14.
Un processus Xt satisfait une représentation EGARCH(p,q) si et seulement si :

q
Xt = εt ht
p q
log(ht ) = α0 + αi g(εt−i ) + βj log(ht−j )
X X

i=1 j=1

où le résidu normalisé zt est un bruit blanc faible et la fonction g(.) vérifie :

g(εt−i ) = θεt−i + γ(|εt−i |−E|εt−i |)

Si l’on pose ai = θαi et bi = γαi la variance conditionnelle de Xt peut se réécrire sous la forme :

p p q
log(ht ) = α0 + ai εt−i + bi (|εt−i |−E|εt−i |) + βj log(ht−j )
X X X

i=1 i=1 j=1

2.3.2 ) Modèles GARCH à seuil : TGARCH

Dans cette formulation GARCH à seuil, introduite par Zakoian (1990), la forme quadratique
de la variance conditionnelle remplacé par une fonction linéaire par morceaux.

Définition 2.15.
Un processus TGARCH(p,q) s’écrit :

Xt = εt ht






2 + +
= α0 + i=1 (αi Xt−i )+ βj h2t−j
Pp Pq
 ht − αi− Xt−i
−
j=1


= α0 + α+ (L)Xt+ − α− (L)Xt− + β(L)h2t





où :

X + = max(Xt , 0)


t

Xt− = min(Xt , 0)



41
 2.4. Processus ARCH/GARCH et mémoire longue

Dans la mesure où la spécification ne porte pas sur un carré mais sur l’écart type condition-
nel, il est possible de supprimer les contraintes de positivité des coefficients. La suppression de
ses contraintes permet de prendre en compte les phénomènes d’asymétrie précédemment décrits
concernant la volatilité.

2.4 ) Processus ARCH/GARCH et mémoire longue

2.4.1 ) Processus FIGARCH

Lorsque la décroissance exponentielle est trop rapide pour se conformer à celle observée
sur la fonction d’autocorrélation, les modèles précédents ne sont pas adaptés. Avec le processus
FIGARCH, Baillie, Bollerslev et Mikkelsen (1996) présentent une modélisation qui autorise une
décroissance seulement hyperbolique des autocorrélations, et donc a priori intéressante lorsque
l’on observe des corrélations non nulles pour des ordres élevés.
Rappelons qu’un processus GARCH(p,q) peut s’écrire :

p q
σt2 = α0 + 2
+ βj h2t−j
X X
αi Xt−i
i=1 j=1

où σt2 est la variance conditionnelle avec les conditions α0 > 0, αi ≥ 0, i = 1, ..., p et βj ≥ 0,

j = 1, ..., q

Un processus GARCH(p,q) peut en outre s’interpréter comme um processus ARMA(m,p)

avec m = max(p, q), sur le carré des innovations. Ainsi en posant :

ut = Xt2 − σt2

on déduit de l’équation précédente, la formulation suivante :

[1 − α(L) − β(L)]Xt2 = α0 + [1 − β(L)]ut

Par conséquent, lorsque le polynome retard [1 − α(L) − β(L)] contient une racine unitaire,
le processus GARCH devient un processus GARCH intégré, noté IGARCH(p,q) :

π(L)(1 − L)Xt2 = α0 + [1 − β(L)]ut

42
 2.5. Estimation de processus ARCH

où π(L) = [1 − α(L) − β(L)](1 − L)−1

Les processus FIGARCH constituent un cas intermédiaire entre les processus GARCH et les
processus IGARCH et se déduisant de la relation précédente en remplaçant l’opérateur (1 − L)
par (1 − L)d où d paramètre d’intégration fractionnaire. Ainsi, un processus FIGARCH(p,d,q)
s’écrit :

π(L)(1 − L)d Xt2 = α0 + [1 − β(L)]ut

les racines des polynomes [1 − β(L)] et π(L) étant à l’extérieur du disque unité.

2.5 ) Estimation de processus ARCH

Les modèles avec erreurs hétéroscédastiques peuvent être estimés généralement de trois
façons :
• Estimateurs de la classe du Maximum de Vraisemblance (MV).
• Estimateurs du Pseudo Maximum de Vraisemblance (PMV).
• Estimateurs en deux étapes.
Nous présenterons ici seulement la méthode du maximum de vraisemblance.
Considérons un modèle GARCH(p,q) définit comme suit :

Y = f (Xt ; b) + εt


t

σ 2 = h2t = α0 + αi ε2t−i + βj h2t−j


 Pp Pq
t i=1 j=1

On pose :

= (1, ε2t−1 , ..., ε2t−p , h2t−1 , ..., h2t−q )
0
Z


t
0
= (α0 , α1 , ..., αp , β1 , ..., βq )

ω


0 0
Soit θ ∈ Θ où θ = (b , ω ) et Θ est un sous ensemble compact d’un espace euclidien tel que εt
a des moments d’ordre deux finis.

Désignons par θ0 la vrai valeur des paramètres.

On peut récrire l’équation de la variance conditionnelle comme suit :

h2t = Zt ω
0

43
 2.5. Estimation de processus ARCH

La log vraisemblance, pour un échantillon de T observations, s’écrit :

1X T
LT (θ) = lt (θ)
T t=1

où

1 1 ε2
lt (θ) = − log ht − t
2 2 ht

La maximisation de la log vraisemblance par rapport aux paramètres α, β et b nous permet

décrire les conditions du premier ordre :

2
1 ∂ht εt
 ∂lt = ( − 1)


∂ω 2ht ∂ω ht
ε2
 ∂lt = εt Xt
+ 12 ht ∂h ( t − 1)

 t
∂b ht ∂b ht

et le hessien donné par :


ε2 2
= ( htt − 1) ∂ω∂ 0 [ 2h1 t ∂h 1 ∂ht ∂ht εt
2
 ∂ lt ]−

 t
∂ω.∂ω 0 ∂ω 2h2t ∂ω ∂ω 0 ht
0 2
1 ∂ht ∂ht εt 2εt Xt ∂ht ε2
+ ( htt − 1) ∂b∂ 0 [ 2h1 2 ∂h
2 Xt Xt
 ∂ lt 0 =− − ( ) − ]

 t
∂b.∂b ht 2h2t ∂b ∂b0 ht h2t ∂b t ∂b

où

= Zt + βj ∂h∂ω
Pq
 ∂ht t−j


∂ω j=1

= −2 αi Xt−i εt−i + βj ∂h∂bt−j

Pp Pq
 ∂ht


∂b i=1 j=1

La matrice d’information de Fisher relative à b, notée I, s’obtient en prenant l’espérance

conditionnelle du hessien. Les deux derniers termes sont nuls car ht est entièrement une fonc-
ε2t
tion du passé et en remplaçant le terme ht
par sa valeur espérée de 1, on obtient la matrice
d’information :
0
1X T
X t Xt 1 ∂ht ∂ht
I= E[ + 2 ]
T t=1 ht 2ht ∂b ∂b0

avec, pour un modèle GARCH(p,q) :


= Zt + βj ∂h∂ω
Pq
 ∂ht t−j


∂ω j=1

= −2 αi Xt−i εt−i + βj ∂h∂bt−j

Pp Pq
 ∂ht


∂b i=1 j=1

44
 2.6. Rappel sur le test ARCH

Soit θ(i) le vecteur des paramètres estimés après la iième itération. θ(i+1) est donné par :

T T
(i+1) (i) ∂lt ∂lt −1 X ∂lt
=θ + λi ( 0)
X
θ
t=1 ∂θ ∂θ t=1 ∂θ

où ∂lt
∂θ
est évalué en θ(i) , λi est un multiplicateur.

Weiss(1982) a montré que l’estimateur du maximum de vraisemblance θˆT est un estima-

teur fortement convergent de θ0 et asymptotiquement normal de moyenne θ0 et de matrice de
variance-covariance dépendant de la loi conditionnelle de εt .

2.6 ) Rappel sur le test ARCH

Rappelons que le test ARCH a été introduit par Engle (1982). On considère la série Yt
générée par le processus suivant :

φ(L)Y = θ(L)εt


t

σ 2 = α0 + αi ε2t−i

 Pp
t i=1

L’hypothèse nulle testée est celle d’homoscédasticité : α1 = ........ = αp = 0 contre l’hypo-

thèse alternative d’hétéroscédasticité conditionnelle : au moins un coefficient αi (i=1,...,p) est
différent de 0. Si l’hypothèse nulle est acceptée, la variance conditionnelle est constante. En
revanche, si l’hypothèse nulle est rejetée, les résidus suivent un processus ARCH(p).

La mise en oeuvre du test est simple et peut s’effectuer en trois étapes.

• Etape 1 : On estime l’équation de la moyenne, on récupère les résidus estimés εˆt et l’on
calcule la série des εˆt 2 .
• Etape 2 : On régresse εˆt 2 sur une constante et sur des p valeurs passés (seuls les retards
significatifs sont conservés).
• Etape 3 : On calcule la statistique T R2 où T est le nombre d’observations et R2 est le
coefficient de détermination associée à la régression de l’étape 2.
Sous l’hypothèse nulle d’homoscédasticité, la statistique T R2 suit une loi de Khi-deux à p
degré de liberté. La règle de décision est :
6 Si T R2 < χ2(p) , l’hypothèse nulle est acceptée : il n’existe pas d’effet ARCH.
6 Si T R2 ≥ χ2(p) , on rejette l’hypothèse nulle est en faveur de l’hypothèse alternative
d’hétéroscédasticité conditionnelle.

45
 3
Simulations et Applications

Introduction
près avoir étudier dans les chapitres précédents, les concepts de base des séries tem-

A porelles et leurs représentations. En particulier les caractéristiques des processus

ARCH et leurs estimation. Dans ce chapitre, nous faisons des simulations des mo-
dèles GARCH et une application simple d’une série financière par la méthodologie de Box et
Jenkinz afin de choisir le modèle approprié pour les données.

3.1 ) Simulations

3.1.1 ) Quelques simulations de processus GARCH(p,q)

La simulation des modèles ARCH/GARCH se fait à l’aide de garchSim(.) de package fGarch.

Quelques simulations du processus GARCH(1,1)
Le modèle à simuler est défini par garchSpec(.), il doit être donné sous forme de liste, les noms
des composantes de la liste indiquant le type de modèle. Dans ce contexte, nous étudierons

46
 3.1. Simulations

4 séries qui simulent un modèle GARCH(1,1) selon les données mentionnées dans le tableau
suivant où nous avons adopté un cas εt ∼ N (0, 1).

Séries α0 α1 β n
A 0.5 0.15 0.8 200
B 0.5 0.35 0.6 200
C 0.5 0.8 0.15 200
D 0.5 0.04 0.91 200

Table 3.1 – Séries GARCH à simuler

Dans la suite, nous affichons les figures qui illustrons les séries précédentes :

Figure 3.1 – Graphiques des séries GARCH simulées

47
 3.1. Simulations

Figure 3.2 – Variance conditionnelle ht des séries GARCH simulées

Figure 3.3 – Processus bruit blanc εt des séries simulées

48
 3.1. Simulations

après les graphiques, on remarque que certains séries ont des grandes variations à savoir la
série A et D à l’inverse de B et C qui sont caractérisées par des faibles fluctuations, ce résultat
peut être interprété par la valeur de paramètre β qui est plus grand dans A et D, petit pour B
et trop petit pour C.

3.1.2 ) Simulation d’un processus avec erreur ARCH

simuler 300 observations dont le processus est défini par :

X t = 6 + εt
q
εt = zt ht zt ∼ bb(0, 1)
ht = 0.2 + 0.8ε2t−1

Figure 3.4 – Série simulée par un modèle avec erreur ARCH(1)

49
 3.2. Applications

3.2 ) Applications

Notation : On note la série des prix mensuels de pétrole par (ST).

3.2.1 ) Analyse préliminaire de la série ST

La série (ST) contient 528 observations (01/1974 ; 12/2017, données mensuelles)

6 Représentation graphique de la série (ST) :

Figure 3.5 – L’évolution de la série (ST) entre (1974-2017)

Nous remarquons du graphe un non stationnarité, caractérisée par un accroissement de la

variabilité par rapport au temps et aussi un risque d’avoir une légère tendance à la hausse ainsi
qu’une possible saisonnalité. Tout cela va être vérifié par le test ADF.

50
 3.2. Applications

6 Examen du Corrélogramme de la série (ST) :

Figure 3.6 – Le corrélogramme de la série (ST)

L’analyse du corrélogramme simple et corrélogramme partiel de la série ST nous indique

préalablement que la série est non stationnaire, puisque la fonction d’autocorrélation ne décroît
pas de manière rapide.

6 Traitement de la stationnarité :
∗ Test de la racine unitaire (Dickey-Fuller)
On va appliquer le test de Dickey-Fuller sur la série ST ;
A l’aide de logiciel R, on estime par la méthode MV les paramètres des modèles [1], [2] et [3].

51
 3.2. Applications

Figure 3.7 – Estimation du modèle (01,02 et 03) de "ST"

∗ Test de racine unitaire :

H0 : φ = 0 vs H1 : φ 6= 0
On rejette H0 si |DFcal |> |DFtab | ou bien p-value < 5œ
Dans les trois modèles on a :
p-value > 5œ, on accepte en conséquence l’hypothèse nulle de racine unitaire, c’est-à-dire notre
série ST est intégrée d’ordre 1.
D’après les résultats obtenus par le test de (Dickey-Fuller), on conclut que la série (ST) est non
stationnaire de type DS.

3.2.2 ) Différenciation de la série ST

Dans ce cas, on va procéder de la manière suivante :

DST = STt − STt−1

52
 3.2. Applications

∗Analyse du graphe et le corrélogramme de la série DST :

Figure 3.8 – La représentation graphique et le corrélogramme de la série DST

La série semble stationnaire car les observations varient autour de leur moyenne.
On remarque à partir du corrélogramme que la série DST est stationnaire (On voit que la
fonction d’autocorrélation converge rapidement vers 0). On peut confirmer ce résultat par l’ap-
plication du test de Dickey-Fuller sur la série DST.
∗ Estimation des modèles ADF :

53
 3.2. Applications

Figure 3.9 – Estimation du modèle de "DST"

Test de racine unitaire :

H0 : φ = 0 vs H1 : φ 6= 0
On rejette H0 si |DFcal |> |DFtab | ou bien p-value < 5œ
On a : p-value < 5œ, on rejette en conséquence l’hypothèse nulle de racine unitaire, c’est-à-dire
notre série DST est intégrée d’ordre 0.

3.2.3 ) La méthodologie de Box-Jenkins

Maintenant on va suivre la méthodologie de Box et Jenkins.

6 L’identification du modèle :

Cette étape est effectuée par le biais de l’étude des fonctions d’autocorrélation et autocor-
rélation partielle de la série DST. Retournons sur le corrélogramme simple et partiel de la série
DST, on remarque que les deux ACF et PACF contiennent des pics significatives, cela nous a
permet de proposer plusieurs modèles.

54
 3.2. Applications

La fonction [Link] de package "forcast" propose comme meilleur modèle le modèle

ARMA(2,1).
6 L’estimation et les tests de validation de modèle ARMA(2.1) :

Après avoir identifié l’ordre du processus ARMA, il convient d’estimer les paramètres du
modèle, puis de vérifier à partir d’un certain nombre de tests statistiques que l’estimation du
modèle est valide.
a. Estimation de modèle ARMA(2.1) :

Figure 3.10 – Estimation du modèle ARMA(2,1)

b. Validation du modèle
b.1. Le test de student des paramètres :

Selon les résultats de l’estimation présentés ci-dessus, les coefficients sont significativement
différents de zéro. Les modèles où les p-values sont supérieurs à 5œ seront écartés.
Remarque

Si un des paramètres ne soit pas significativement différent de 0 alors le modèle sera rejeté.

I Au regard des résultats d’estimation, on constate que le modèle ARMA(2,1) est un bon
modèle dans la mesure où le coefficient est significativement différent de zéro.
b.2. Les tests sur les résidus :

55
 3.2. Applications

Figure 3.11 – Le graphe et le corrélogramme des résidus

∗ Test de Ljung-Box :

Figure 3.12 – Les résultats du test de Ljung-Box

On a :
p-Value= 0.90 > 0.05 : Donc on accepte l’hypothèse nulle, Absence d’autocorrélation du résidu,
ce qui implique qu’il peut être assimilé à un bruit blanc. Alors le modèle est valide.

∗ Test de normalité :
Histogramme du résidus :

56
 3.2. Applications

Figure 3.13 – L’histogramme des résidus du modèle estimé

Nous testons les hypothèses suivantes :

H0 : v1 = 0 (symétrie) et v2 = 0 (aplatissement normal)
∗ Test de Skewness :
On a : v1 = −0.35, Donc on rejette l’hypothèse de la symétrie des résidus
∗ Test de Kurtossis :
On a : v2 = 6.45, Donc on rejette l’hypothèse de l’aplatissement normal
∗ Test de JB :

Figure 3.14 – Résultat du test de Jarque-Bera

On a p-value < 5œ, Donc on rejette l’hypothèse de normalité des résidus. Donc la distribution
des erreurs est un bruit blanc non gaussien.

57
 3.2. Applications

6 Application de la modélisation Autorégressifs Conditionnellement Hétéroscé-

dastiques :

Figure 3.15 – Le corrélogramme des résidus carrés ε̂2

Plusieurs termes de l’autocorrélation partielle sont significativements différents de zéro, on

retient un nombre de retards p pour réaliser un test ARCH. On corrobore ce test par celui du
multiplicateur de Lagrange.
∗ Test ARCH :

Nous appliquons le test ARCH mentionné au chapitre précédent. Les résultats sont présentés
ci après :

Figure 3.16 – Résultat du test ARCH

58
 3.2. Applications

Alors, on accepte l’hypothèse alternative d’hétéroscédasticité conditionnelle en faveur de

l’hypothèse d’homoscédasticité.

3.2.4 ) Estimation des modèles GARCH sur les résidus du mo-

dèles ARMA

Figure 3.17 – Estimation du modèle GARCH(1,1)

Figure 3.18 – Estimation du modèle ARCH(1)

3.2.5 ) Validation du modèle

a. les critères du choix de modèle

GARCH(1,1) ARCH(1)
AIC 3.729594 4.461028
BIC 3.753992 4.477222
SIC 3.729529 4.460999
HQIC 3.739148 4.467368

Table 3.2 – La table des critères

d’après ces critères, le modèle GARCH(1,1) est plus adéquat.

59
 3.2. Applications

b. Validation graphique :

Figure 3.19 – QQ plot du modèle GARCH(1,1) et ARCH(1)

On remarque que les points représentés sur le graphe QQ plot du modèle GARCH(1,1) sont
bien alignés, ils forment un nuage de point linéaire. Cependant pour le graphe QQ plot du
modèle ARCH(1), les points ne sont pas bien alignés.
La figure (3.19) nous montre que notre série des résidus est bien ajustées par un processus
GARCH(1,1).

Alors, l’application de la méthodologie de Box-Jenkins nous a conduit à retenir un processus

ARMA(2,1) avec erreur GARCH(1,1).

60
 Conclusion

e travail est juste une petite introduction des modèles ARCH/GARCH et comment

C les modéliser en utilisant les commandes du Logiciel R. On a donné quelques outils

de base de la théorie des séries temporelles pour présenter ses phénomènes ainsi les
modèles ARCH permettent de prendre en compte des faits stylisés inhérents à la volatilité.

Dans la partie pratique : après avoir différencier notre série, nous avons suit la méthodologie
de Box et Jenkins : estimation et validation des modèles condidats, la commande [Link]
basé sur des critères (AIC, SC,...) nous a aidé de déterminer le ARMA(2,1) comme meilleur
modèle.

Par ailleurs, la modélisation ARMA se révèle insuffisante pour notre série à cause de non
normalité des résidus, cette série risque d’être caractériser par une dynamique non linéaire et
une volatilité variable au cours du temps. Ce conditionnement nous a amené à entamer une
modélisation non linéaire (les modèles Autorégressif Conditionnellement Hétéroscidastique) qui
nous a donné un modèle ARMA (2,1) avec erreur GARCH(1,1).

61
 Bibliographie

[1] Arthur Charpentier : Cours de séries temporelles théorie et applications, volume1, Paris
Dauphine.
[2] Arthur Charpentier : Cours de séries temporelles théorie et applications, volume2, Paris
Dauphine.
[3] Beliad Sabrina : Modèlisation des données de l’irradiation solaire cas du site ghardaia,
mémoire de Magister, département d’Electronique, Université Abderrahmane Mira de Be-
jaia, 2010.
[4] Ben bouabdellah lydia, Estimation en ligne des modèles ARCH, mémoire de Master,
département de Mathématiques, Université Mouloud Mammeri Tizi-Ouzou, 2014.
[5] Bollerslev, [Link] autoregressive conditional heteroskedasticity, J. Econometrics
31, 307-327, 1986.
[6] Bousseba Fatma Zohra : Utilisation des modèles Arch-Garch pour modéliser le marché
de l’énergie :Prix de pétrole et de gaz, mémoire de Doctorat, département de Mathéma-
tiques, Université Badji Mokhtar Annaba, 2017.
[7] Brockwell P.J et David R.A, Introduction to time series and [Link], 2002.
[8] Christophe Hurlin : Econométrie pour la finance, Rue de Blois–BP 6739, Orléans, 2006-
2007.
[9] Engle, R.F. Autoregressive conditional heteroscedasticity with estimates of the variance of
United Kingdom inflation, Econometrica 50, 987-1007, 1982.
[10] François-Éric Racicot et Raymond Théoret : Traité d’économétrie financière, Le
Delta I, 2875, boul. Laurier, bur.450, Québec, 2001.
[11] Hisseine Saad Mahamat : Estimaton de la volatilité des données financières à haute
fréquence par le modèle Score-GARCH, mémoire de Doctorat, Ecole Doctorale Economie-
Gestion, Université Montpellier, 2017.

62
 Bibliographie

[12] Kamilia Berhoune : Processus ARCH-GARCH Applications, mémoire de Master, dépar-

tement de Mathématiques, Université Abou Beker Belkaid - Tlemcen, 2013.

[13] Michel Terraza et Ali Zatout : Modélisation de l’hétéroscédasticité conditionnelle du

prix spot du marché pétrolier de l’O.C.D.E., Journal de la société statistique de Paris, tome
134, n◦ 3, p. 21-39, 1993.

[14] Sandrine Lardic et Valérie Mignon : Econométrie des séries temporelles macroécono-
mique et financières, [Link], 49, rue Héricat, 75015 Paris, 2002.

[15] Yahia Djabrane : Séries temporelles et tests d’adequation pour un modèle GARCH(1,1),
mémoire de Magister, Département de Mathématiques, Université Mohamed Khider - Bis-
kra, 2005.

63
 Annex

Le programme sous R :
1. Simulation des modèles ARCH/GARCH
library(fGarch) ;
# pour lancer le package fGarch #
spec1=garchSpec(model=list(omega=0.5, alpha=0.15, beta=0.8), [Link]="norm") ;
# La spécification du madèle GARCH #
archsim1=garchSim(extended=TRUE, spec1, n=200) ;
# La simulation du modèle GARCH pour n=200 #
plot(archsim1) ;
# tracer le graphe du archsim1 #
• pour un modèle avec erreur ARCH :
library(fGarch) ;
spec2=garchSpec(model=list(mu=6, omega=0.2, alpha=0.8, beta=0), rseed=397) ;
archsim2=garchSim(extended=TRUE, spec2, n = 300) ;
plot(archsim2) ;
2. Etude empirique des modèles ARCH/GARCH
library(aTSA) ;
library(tseries) ;
library(e1071) ;
library(fGarch) ;
data=[Link](file=[Link](), dec=".", sep=" ;", header=TRUE) ;
# référer la table des données d’après l’excel #
y=data[, 2] ;
ST=ts(y, start=c(1974,1), end=c(2017,12), frequency=12) ;
# transformer la à une série temporelle #

64
 Annex

plot(ST, main="représentation grahique", col="blue", xlab="time", ylab="prix") ;

# tracer le graphe de la série ST #
acf(ST, main="ACF") ;
# tracer les autocorrélations de la série ST #
pacf(ST, main="ACF Partiel") ;
# tracer les autocorrélations partielle de la série ST #
[Link](ST) ;
# On doit vérifier la stationnarité d’après l’application du test de Dickey-Fuller (ADF) #
DST=diff(ST) ;
# L’application de la méthode de différenciation sur la série non stationnaire ST #
plot(DST, main="Graphe de DST", col="blue") ;
# tracer le graphe de la série DST #
acf(DST, main="ACF") ;
# tracer les autocorrélations de la série DST #
pacf(DST, main="PACF") ;
# tracer les autocorrélations partielle de la série DST #
[Link](DST) ;
# On doit appliquer ADF pour confirmer la stationnarité de DST #
mod=estimate(DST, p=2, d=0, q=1, intercept=FALSE) ;
# Estimation du modèle obtenu #
summary(mod) ;
# L’affichage des caractéristiques statistiques du "mod" #
RES=mod$residuals ;
# La série des résidus #
plot(RES, main="Graphe des résidus", col="blue") ;
# tracer le graphe de la série RES #
acf(RES, main="ACF") ;
# tracer les autocorrélations de la série RES #
pacf(RES, main="PACF") ;
# tracer les autocorrélations partielle de la série RES #
[Link](RES, type="Box-Pierce") ;
# tester l’autocorrelation des résidus #
hist(RES) ;
# tracer l’histogramme de la série RES #
skewness(RES) ;

65
 Annex

# calculer le coefficient d’asymétrie #

kurtosis(RES) ;
# calculer le coefficient d’applatissement #
[Link](RES) ;
# tester la normalité des résidus #
EPS=RES 2
# calculer le carré des résidus #
acf(EPS, main="ACF") ;
# tracer les autocorrélations de la série EPS #
pacf(EPS, main="PACF") ;
# tracer les autocorrélations partielle de la série EPS #
[Link](mod)
# appliquer le test ARCH #
garch11=garchFit(formula = ∼ garch(1, 1), data=RES, [Link]=FALSE) ;
# L’éstimation du modèle GARCH(1,1) #
summary(garch11)
# afficher les caractéristiques statistiques de garch11 #
plot(garch11)
arch1=garchFit(formula = ∼ garch(1, 0), data=RES, [Link]=FALSE) ;
# L’éstimation du modèle ARCH(1) #
summary(arch1)
# afficher les caractéristiques statistiques de arch1 #
plot(arch1)

66