Faits Stylises ARCH GARCH Tests Conclusions Références

Économétrie non-linéaire
Chapitre 4: Modèles GARCH

Gilles de Truchis, Elena Dumitrescu

Master 2 BMM - EIPMC - GDA

Septembre 2016

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 1/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Les chapitres du cours

3 GARCH
1 Faits Stylises 4 Conclusions
2 ARCH 5 Références

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 2/91

Faits Stylises ARCH GARCH Tests Conclusions Références

1. PROPRIÉTÉS DES
SÉRIES FINANCIÈRES

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 3/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Séries financières

Modèles ARCH / GARCH sont apparus dans le contexte du débat sur

la représentation linéaire / non-linéaire des processus stochastiques
temporels.

Nonlinearity in variance
A major contribution of the ARCH literature is the finding that appar-
ent changes in the volatility of economic time series may be predictable
and result from a specific type of nonlinear dependence rather than
exogenous structural change in variables (Berra et Higgins, 1993, page
315).

• représentation spécifique de la non-linéarité

• modélisation simple de l’incertitude

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 4/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Séries financières

Notations
pt : prix d’un actif financier (ou portefeuille) à une date t
rt : le logarithme du rendement correspondant
rt = log(pt ) − log(pt−1 )
pt −pt−1
rt = log(1 + Rt ) où Rt = pt−1

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 5/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

I) Stationnarité
Les processus stochastiques pt associés aux prix d’actif sont
généralement non stationnaires au sens de la stationnarité du second
ordre

Les processus associés aux rendements sont compatibles avec la

propriété de stationnarité au second ordre

Rappel - Ch 1 : stationnarité forte et stationnarité de second ordre

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 6/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 7/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 8/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

II) Autocorrélation des carrés des rendements

i) série rt2 : fortes auto-corrélations, cov(rt2 , rt−k
2
) 6= 0, alors que
ii) série rt : souvent auto-corrélations très faibles (hypothèse de bruit
blanc), cov(rt , rt−k ) = 0
Notons que ii) renvoie à la notion d’efficience (hypothèse de marchés
efficients; Efficient Market Hypothesis ou EMH)
Sous EMH le cours pt d’une action incorpore toutes les informations
pertinentes

E(pt+1 |Ft ) = pt

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 9/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

II) Autocorrélation des carrés des rendements

Definition (Propriété d’orthogonalité)

Sous l’hypothèse d’anticipations rationnelles, les erreurs de prévisions
εt+1 = Pt+1 − Et Pt+1

doivent être nulles en moyenne et ne doivent être corrélées avec aucune

information de l’ensemble Ft d’information disponible à la date t

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 10/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés
II) Autocorrélation des carrés des rendements
Hypothèse de marchés efficients appliquée aux rendements des actions
rt :
rt+1 = Et rt+1 + εt+1

où l’erreur de prévision εt+1 vérifie E(εt+1 ) = 0.

Note : l’hypothèse EMH n’impose a priori aucune restriction sur la
forme des moments supérieurs à un de la distribution de εt .
Par exemple, la variance de εt+1 peut être liée avec ses valeurs passées
tout en respectant l’efficience informationnelle.

Remark
EMH L’hypothèse d’anticipation rationnelle n’impose des restrictions
que sur le premier moment de εt et l’auto-corrélation des rt2 n’est pas
incompatible avec l’EMH.
Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 11/91
Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés
II) Autocorrélation des rendements
Test de Ljung-Box Notons zt les rendements ou les rendements aux

carrés et ρk l’autocorrélation d’ordre k du processus zt

H0 : ρ1 = ρ2 = · · · = ρK = 0 ,

K
X ρ̂2k d
QLB (K) = T (T + 2) −→ χ2 (K)
T − k T →∞
k=1

où ρ̂k désigne l’autocorrélation empirique :

PT
t=k+1 (zt − z̄)(zt−k − z̄)/(T − k)
ρ̂k = PT 2
t=k+1 (zt − z̄) /T

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 12/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés (SP 500)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 13/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés (SP 500)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 14/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés
III) Asymétrie perte/gain
La distribution des cours est généralement asymétrique : il y a plus de
mouvements forts à la baisse qu’à la hausse.
Sk < 0 ⇒ P r(rt < E(rt )) > P r(rt > E(rt ))
Coefficient de Skewness :
µ3 rt − Ert 3
= E[( ) ]
σ3 σ

H0: Sk = 0
Statistique de test

S2 d
p k −→ N (0, 1)
6/T T →∞
Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 15/91
Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 16/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés
IV) Queues de distribution épaisses
L’hypothèse de normalité des rendements est généralement rejetée

Distribution normale : à queue "plate", mezokurtique

Si le Kurtosis excède 3 (queues épaisses) la distribution est dite
leptokurtique
Si le Kurtosis est inférieure à 3, la distribution est dite platikurtique
Le kurtosis mesure "l’épaisseur" des queues de distribution
µ4 rt − Ert 4
2 = E[( ) ]
µ2 σ

Le degré d’excès de Kurtosis = E[( rt −Er

σ
t 4
) ]−3

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 17/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

Densité
Leptokurtique

Asymétrie négative Asymétrie positive

Platikurtique
Mésokurtique

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 18/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

IV) Queues de distribution épaisses

Estimateur du kurtosis
1 X rt − r̄t
4
K̂u = T
T t=1 σ̂
H0 : Ku = 3
Statistique de test
Ku − 3 d
p −→ N (0, 1)
24/T T →∞

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 19/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés
IV) Queues de distribution épaisses

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 20/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés
IV) Queues de distribution épaisses

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 21/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

IV) Queues de distribution épaisses

Test de Jarque Bera

H0: Sk = 0 et Ku = 3

T 2 T d
JB = Ŝ + (K̂u − 3)2 −→ χ2 (2)
6 k 24 T →∞

⇒ rejet de l’hypothèse de normalité des rendements

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 22/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

V) Clusters de volatilité
De fortes variations des rendements sont généralement suivies de
fortes variations
⇒ regroupement des extrêmes en cluster ou paquets de volatilités
⇒ remet en cause l’hypothèse d’homoscédasticité généralement
adopté en économétrie linéaire

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 23/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

V) Clusters de volatilité

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 24/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

VI) Queues épaisses conditionnelles

Même une fois corrigée du phénomène de volatilité clustering (par
exemple avec des modèles ARCH / GARCH), la distribution des
résidus demeure leptokurtique même si la kurtosis est plus faible que
dans le cas non conditionnel

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 25/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

VII) Effet de levier

Asymétrie entre l’effet des valeurs passées négatives et l’effet des
valeurs passées positives sur la volatilité des cours ou de rendements
Les baisses de cours tendent à engendrer une augmentation de la
volatilité supérieure à celle induite par une hausse des cours de même
ampleur

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 26/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés
VIII) Saisonnalité
Les returns présentent de nombreux phénomènes de saisonnalité
(effets weekend, effet janvier etc..)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 27/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Propriétés

Remark
Ces propriétés sont difficiles, voir impossibles, à reproduire à partir de
modèle ARMA linéaires classiques
Le théorème central de l’analyse des séries temporelles : le théorème de
Wold (1954) - écriture MA de v.a. non-corrélés (cf. Chapitre 1)

⇒ l’hypothèse de processus ARMA stationnaires ne permet pas de

prendre en compte

i) l’autocorrélation du carré des rendements,

ii)les clusters des volatilité et

iii) les queues de distribution épaisses

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 28/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Approche ARCH-GARCH

Objectif : prendre en compte les variances conditionnelles dépendant

du temps ⇒ remise en cause de la propriété d’homoscédasticité
Analyse traditionnelle de la prévision (cf. Box et Jenkins)
exemple:
AR (1) stationnaire Xt = θXt−1 + εt , avec εt i.i.d N (0, σε2 )
E(Xt+1 ) = 0
E(Xt+1 |Xt , Xt−1 , ...) = θXt
Note: l’amélioration des prévisions issues de modèles de séries
temporelles provient clairement de l’exploitation de l’information
contenue dans l’espérance conditionnelle du processus

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 29/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Approche ARCH-GARCH

L’idée d’Engle (1982) : tenir compte des autres moments

conditionnels de ce processus
Or, pour un processus AR(1)
2
E(Xt+1 ) = σε2 /(1 − θ2 )
2
E(Xt+1 |Xt , Xt−1 , ...) = σε2
sont constantes quelle que soit la date de la prévision
Avec de tels modèles on est donc incapables de mesurer d’éventuels
changements dans les variances des erreurs de prévision même si l’on
souhaite que celles-ci soient affectées par l’évolution passée

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 30/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Approche ARCH-GARCH

Le principe général proposé par Engle (1982) consiste à supposer que

la variance dépend de l’ensemble informationnel dont on dispose
(évolue dans le temps)
⇒ Spécification ARCH(q) où le carré des perturbations suit un
processus autorégressif d’ordre q
V (Xt+1 |Ft ) = f (X1 , X2 , ...Xt ; θ)
V (Xt+1 ) = c
Les modèles ARCH sont donc des modèles autorégressifs
conditionnellement hétéroscédastiques

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 31/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Famille des modèles ARCH

• modèles linéaires - spécification quadratique de la variance

conditionnelle des perturbations
(ARCH(q), GARCH(p, q) et IGARCH(p, q)) (cf. le cours de V.
Bouvatier)
• modèles non-linéaires - spécifications asymétriques des perturbations
(EGARCH(p, q), GJRGARCH(p,q), TGARCH(p, q)...)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 32/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèle ARCH

Définition: ARCH(1) , Engle (1982)

p 2
Xt ∼ ARCH(1) si Xt = zt (ht ), ht = α0 + α1 Xt−1
zt - bruit blanc fort
ht - processus qui conditionnellement à l’ensemble d’information des
valeurs passées de Xt est déterministe et positif
p
V (Xt |Ft−1 ) = V (zt (ht )|Ft−1 )
= ht V (zt |Ft−1 ) = ht σz2
= ht , σz2 normalisé à 1
⇒ ht est la variance conditionnelle de Xt

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 33/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles ARCH

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 34/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles ARCH

Moments du processus ARCH

i) E(Xt ) = 0 et E(Xt |Ft−1 ) = 0, où Ft−1 = Xt−1 , Xt−2 , · · ·

α0
ii) V (Xt ) = 1−α1 ∀t

V (Xt |Ft−1 ) = ht ∀t

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 35/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles ARCH
Moments du processus ARCH ( Proofs)
i) p
E(Xt |Ft−1 ) = E(zt ht |Ft−1 )
p
= ht E(zt |Ft−1 ) = 0 si zt est bb faible
E(Xt ) = E(E(Xt )|Ft−1 ) = 0
ii) p
V (Xt |Ft−1 ) = V (zt ht |Ft−1 )
= ht V (zt |Ft−1 )
= ht V (zt )
2
= ht = α0 + α1 Xt−1 .


V (Xt ) = E (Xt − E(Xt ))2 = E(Xt2 )
De l’écriture autorégressive sur Xt2 du modèle ARCH sous hypothèse
de stationnarité (E(Xt2 ) = α0 + α1 E(Xt2 )) on a
α0
E(Xt2 ) = V (Xt ) =
1 − α1
Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 36/91
Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles ARCH

Moments du processus ARCH

• La variance marginale du processus Xt existe si et seulement si
α0 > 0 et 0 < α1 ≤ 1.
• Les auto-covariances conditionnelles du processus ARCH(1) Xt sont
nulles :
cov(Xt , Xt+k |Xt−h ) = 0, ∀h ≥ 1, ∀k ≥ 1
• moment conditionnel centré d’ordre 4 de Xt vérifie :
E(Xt4 |Xt−1 ) = 3(α0 + α1 Xt−1
2
)2
• La kurtosis non conditionnelle associée au processus ARCH(1) est
E(X 4 ) 1−α2
égale à : Kurtosis = E(X 2t)2 = 3( 1−3α12 ) > 3
t 1

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 37/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles ARCH(q)

√
Xt = zt ht Pq 2
avec ht = α0 + i=1 αi Xt−i
et où zt désigne un bruit blanc faible tel que E(zt ) = 0 et E(zt2 ) = σz2 .
• Ce modèle respecte les propriétés de différence de martingale et
variance conditionnelle variable dans le temps
Pq 2
E(Xt |Xt−1 ) = 0 et V (Xt |Xt−1 ) = α0 + i=1 αi Xt−i

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 38/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles avec erreurs ARCH

Modèle linéaire auto-régressif Yt = E(Yt |Yt−1 ) + εt

où εt est un bruit blanc faible

E(ε) = 0 et E(εt εs ) = 0 si s 6= t,

satisfaisant la condition de différence de martingale

E(εt |εt−1 ) = 0.

On suppose que ce√résidu admet une représentation

Pq de type
ARCH(q): εt = zt ht avec ht = α0 + i=1 αi ε2t−i

où zt est un bruit blanc faible

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 39/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles avec erreurs ARCH

• Exemple AR(1)- ARCH(1)

√
Yt = µ + ρYt−1 + εt , εt = zt ht

avec ht = α0 + α1 ε2t−1 et |ρ| < 1

Le modèle qui décrit à la fois l’évolution de l’espérance conditionnelle

et de la variance conditionnelle du processus Yt dans le temps

•εt : résidus
• zt : résidus standardisés

Les résidus εt satisfont les propriétés des processus ARCH:

différence de martingale; variance conditionnelle dépendante du
temps; auto-covariance conditionnelles nulles; distribution des résidus
leptokurtique

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 40/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles avec erreurs ARCH

Remark
Pour tenir compte de la dynamique du ε2t , on peut être amené à imposer
une valeur élevée du paramètre q dans la modélisation ARCH(q) ce qui
peut poser des problèmes d’estimation.

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 41/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 42/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

Bollerslev (1986) définit ainsi le processus GARCH(p,q) avec une

dynamique de la variance conditionnelle :
Pq Pp
ht = α0 + i=1 αi ε2t−i + i=1 βi ht−i

avec les conditions α0 > 0, αi ≥ 0 ,i = 1, ..., q et βi ≥ 0, i = 1, ..., p

suffisantes pour garantir la positivité de ht .

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 43/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

Definition
Un processus εt satisfait une représentation GARCH(p, q) si
√
εt = zt ht ,
Pq Pp
ht = α0 + i=1 αi ε2t−i + i=1 βi ht−i ,

où zt est un bruit blanc faible

et où α0 > 0, αi ≥ 0 ,i = 1, ..., q et βi ≥ 0, i = 1, ..., p

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 44/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

Moments conditionnels

E(εt |εt−1 ) = 0
Pq Pp
V (εt |εt−1 ) = ht = α0 + i=1 αi ε2t−i + i=1 βi ht−i ,

Variance non-conditionnele

V (Xt ) = E(Xt − E(Xt )2 ) = E(Xt2 )

α0
V (Xt ) = E(Xt2 ) = Pmax(p,q)
1− i=1 (αi + βi )

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 45/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH
Variance non-conditionnele (proof )
De l’écriture ARMA sur ε2t du modèle GARCH stationnaire
Pmax(p,q) Pp
(ε2t = α0 + i=1 (αi + βi )ε2t−i + µt − i=1 βi µt−i , avec
innovations µt = ε2t − ht ) on a

max(p,q) p
X X
E(ε2t ) = α0 + (αi + βi )E(ε2t−i ) + E(µt ) − βi E(µt−i )
i=1 i=1
max(p,q) p
X X
= α0 + (αi + βi )E(ε2t ) + E(µt ) − βi E(µt−i )
i=1 i=1

max(p,q)
X
(αi + βi ) E(ε2t ) = α0


1−
i=1
α0
V (Xt ) = E(Xt2 ) = Pmax(p,q)
1− i=1 (αi + βi )
Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 46/91
Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

Definition
Un processus εt satisfaisant une représentation GARCH(p, q) telle que

Pq Pp
ht = α0 + i=1 αi ε2t−i + i=1 βi ht−i ,

et où α0 > 0, αi ≥ 0 ,i = 1, ..., q et βi ≥ 0, i = 1, ..., p est asympto-

tiquement stationnaire au second ordre si et seulement si
q
X p
X
αi + βj ≤ 1
i=1 j=1

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 47/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Estimation (MLE)

Hypothèse de Normalité

Rappel sur l’idée du MV :

i) on postule une distribution conditionnelle de εt

ii) on déduit la log-vraisemblance associée à l’échantillon `(εt , θ), avec

θ le vecteur de paramètres

iii) on cherche les estimateurs du MV, θ̂M V = arg M ax`(εt , θ)

θ∈Θ

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 48/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Estimation (MLE)

Rappel sur l’idée du MV :

i) on postule une distribution conditionnelle de εt

Hypothèse de Normalité

Si zt ∼ N (µz , σz ), alors les processus ARCH(q) et GARCH(p,q)

suivent conditionnellement à l’ensemble de l’information disponible
Ft−1 une loi normale de

• moyenne E(εt |Ft−1 ) = 0

• variance V (εt |Ft−1 ) = ht

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 49/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Estimation (MLE)
Rappel sur l’idée du MV :
ii) on déduit la log-vraisemblance associée à l’échantillon `(εt , θ), avec
θ le vecteur de paramètres

Hypothèse de Normalité

La fonction de log-vraisemblance (pseudo log-vraisemblance) associée

à un échantillon de T observations (ε1 , ε2 , ..., εT ) de εt sous
l’hypothèse de normalité de la loi conditionnelle de εt sachant Ft−1
s’écrit :

T
X

`(ε1 , ε2 , ..., εT ; θ) = logf εt |Ft−1
t=1
T T
T 1X
1X ε2t
= − log(2π) − log ht (θ) −
2 2 t=1 2 t=1 ht (θ)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 50/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Estimation (MLE)
Rappel sur l’idée du MV :

iii) on cherche les estimateurs du MV, θ̂M V = arg M ax`(εt , θ)

θ∈Θ

Hypothèse de Normalité

L’estimateur du maximum de vraisemblance θ sous l’hypothèse de

normalité, satisfait le système non linéaire d’équations suivant (CPO):
∂`(ε1 , ε2 , · · · , εT ; θ)
|θ=θ̂ = 0
∂θ
L’estimateur θ n’a pas de formule explicite, et peut être obtenu en
utilisant des méthodes d’optimisation numériques comme par exemple
l’algorithme de Newton-Raphson.

L’estimateur θ vérifie
√ d
T (θ̂ − θ0 ) −→ N (0, IT−1 (θ0 ))
(cf. Chapitre 1 sur le MLE et le QMLE)
Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 51/91
Faits Stylises ARCH GARCH Tests Conclusions Références

Estimation (MLE)

Example : SP500

dSPt = c + εt
p
εt = zt ht zt ∼ N.i.d.(0, 1)
ht = α0 + α1 ε2t−1 + β1 ht−1

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 52/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Estimation (MLE)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 53/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

Exemple : SP500

dSPt = 0.000465 + εt
3.37
p
εt = zt ht zt ∼ N.i.d.(0, 1)
ht = 4.84e−7 + 0.0443ε2t−1 + 0.9519ht−1
5.12 14.7 295

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 54/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 55/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

Exemple : SP500 AR(2)-GARCH(1,3) troué

dSPt = c + φ1 dSPt−1 + φ2 dSPt−2 + εt

p
εt = zt ht zt ∼ N.i.d.(0, 1)
ht = α0 + α1 ε2t−1 + +α3 ε2t−3 + β1 ht−1

code SAS:
proc autoreg data=donnes;
model dSPt =/nlag=2 garch=(q=(1,3),p=1) covest=qml;
output out=r r=yresid;
run;

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 56/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 57/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

Estimateurs du MV sous d’autres lois

i) Student
ii) Skewed Student
iii) GED

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 58/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

MV sous Student
Si x et y sont deux variables aléatoires indépendantes, telles que x
suit une loi N(0,1) et y suit une loi du chi-deux à v degrés de liberté,
alors la variable
x
t= p
y/v
est distribué selon une loi de Student à v degrés de liberté, telle que
E(t) = 0 si v ≥ 1 et V (t) = v/(v − 2) si v ≥ 2.

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 59/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH
MV sous Student

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 60/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

MV sous Student
Si la variable zt admet une distribution de Student à v degrés de
libertés, où v ∈ R vérifie v > 2, alors la log-vraisemblance associée à
une observation et à l’ensemble de paramètres θ s’écrit :

 v + 1
  v

`(θ, εt ) = log Γ − log Γ
2 2
z 2

− 0.5 log[π(v − 2)] + log(ht ) + (1 − v) log 1 + t

v−2
−Eεt
εt√
où Γ(.) désigne la fonction Gamma et où zt = ht

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 61/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

AR(2)-GARCH(1,3) sous Student

1
v= T DF 1 = 2.0538

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 62/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH
MV sous Student dissymétrique standardisée

 v + 1
  v
 2

`(θ, εt ) = log Γ − log Γ + log + log(s)
2 2 ξ + 1ξ
 (szt + m)2 −2It

− 0.5 log[π(v − 2)] + log(ht ) + (1 − v) log 1 + ξ
v−2
avec
√
v−1
Γ v−2
ξ − 1ξ ,
2


m= √ v


πΓ 2

s2 = ξ 2 + ξ12


− 1 − m2 ,
(
1, si zt ≥ − ms
It =
0, si zt ≤ − ms
• Distribution leptokurtique et asymétrique
• ξ paramètre d’asymétrie ( si ξ = 1, Student classique)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 63/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

MV sous GED Si la variable zt , telle que E(zt ) = 0 et V(zt ) = 1,

admet une distribution GED de paramètre v > 0, sa densité est
définie par :

v exp(−0.5|zt /λ|v )
fz (zt ) =
λ2[(v+1)/v] Γ(1/v)
où Γ(.) désigne la fonction gamma et λ est une constante définie par

 2− v2 Γ(1/v)  12
λ=
Γ(3/v)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 64/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Modèles GARCH

MV sous GED
Si la variable zt admet une distribution GED avec v ∈ R∗ , alors la
log-vraisemblance associée à une observation zt et à l’ensemble de
paramètres θ s’écrit :

zt v  1 
`(θ, εt ) = log(v/λ) − 0.5| | − (1 + v −1 ) log(2) − log Γ( ) − 0.5 log(ht )
λ v
avec s
1
2−2/vΓ( v )
λ=
Γ( v3 )

où Γ(.) désigne la fonction Gamma.

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 65/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extensions

1 Modèles ARMA-GARCH
2 GARCH-M
3 IGARCH
4 GARCH asymmétriques

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 66/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extensions 1. Modèles ARMA-GARCH

• Weiss (1984)
régression linéaire avec erreurs GARCH :
yt = xt b + εt , εt ∼ GARCH(p, q)

ARMA avec erreurs GARCH :

Φ(L)yt = Θ(L)εt , εt ∼ GARCH(p, q)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 67/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 2. GARCH-M
• Engle et al. (1987)

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

p
εt = zt ht , zt i.i.d. (0, 1)

q
X p
X
ht = α0 + αi ε2t−i + βi ht−i
i=1 i=1
Trois cas :

yt = xt b + δht + εt Forme linéaire

yt = xt b + δlog(ht ) + εt Forme log-linéaire
p
yt = xt b + δ ht + εt Forme racine carrée
Note: la variance conditionnelle est une variable explicative de la
moyenne conditionnelle
Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 68/91
Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 2. GARCH-M

SP500 : GARCH(1,1)-M spécification racine carrée

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 69/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 3. IGARCH

Modèles IGARCH
• Engle and Bollerslev (1987)
• correspondent au cas d’une racine unitaire dans le processus de
variance conditionnelle
• sont caractérisés par un effet de persistance dans la variance
Un processus εt satisfait une représentation IGARCH(p,q) si et
seulement si :
q
X p
X
V (εt |Ft−1 ) = ht = α0 + αi ε2t−i + βi ht−i
i=1 i=1
avec
q
P p
P
α0 ≥ 0, αi ≥ 0 ∀i = 1, · · · , q et βj ≥ 0, j = 1, · · · , p et αi + βi = 1
i=1 i=1

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 70/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 3. IGARCH

Modèles IGARCH
• Nelson (1990):
V [εt /εt−1 ] = ht = α0 + α1 ε2t−1 + β1 ht−1 avec α1 + β1 = 1
Prévisions de la variance conditionnelles à différents horizons k
k−1
E[ht+k /εt ] = (α1 + β1 )k ht + α0
P
(α1 + β1 )i
i=0
• si α1 + β1 = 1, E[ht+k /εt ] = ht + α0 k
En présence d’un terme constant, cette espérance diverge avec k

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 71/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 4. GARCH Asymétriques

GARCH: la réponse de la volatilité future aux variations de prix

déterminée uniquement par l’ampleur de ces dernières et non leur
signe.

Les modèles GARCH asymétriques étendent ces spécifications en

incorporant de l’asymétrie dans la réponse de la volatilité aux
variations de prix

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 72/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 4. GARCH Asymétriques

EGARCH
• Nelson (1991)
Un processus εt satisfait une représentation EGARCH(p,q) si et
seulement si :
p
εt = zt ht

q
X p
X
log(ht ) = α0 + αi g(zt−i ) + βi log(ht−i )
i=1 i=1

où le résidu normalisé zt est un bruit blanc faible et où la fonction

g(.) vérifie :

g(zt−i ) = θzt−i + γ(|zt−i | − E|zt−i |)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 73/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 4. GARCH Asymétriques

EGARCH
Modèle estimable :
q
X q
X p
X
log(ht ) = α0 + ai zt−i + bi (|zt−i | − E[|zt−i |]) + βi log(ht−i )
i=1 i=1 i=1

• L’écriture porte sur le logarithme de la variance conditionnelle ht de

εt , ⇒ aucune restriction n’a besoin d’être imposée sur les différents
paramètres de l’équation pour assurer la positivité de ht
• La variance conditionnelle ht fait apparaître un effet de signe,
ai zt−i , et un effet d’amplitude mesuré par b1 (|zt−i | − E[|zt−i |]).

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 74/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 4. GARCH Asymétriques

EGARCH
E[|zt−1 |] dépend de la loi supposée de zt
r
2
E[|zt |] = Loi Gaussienne
π
√
γ( v2 ) v − 2
E[|zt |] = 2 √ Loi de Student (v)
π(v − 1)Γ( v2 )

√
4ξ 2 Γ( 1+v
2 ) v−2
E[|zt |] = 1 √ Loi de Student dissymétrique (ξ)
(ξ + xi ) π(v − 1)Γ( v2 )

Γ v2
E[|zt |] = q Loi GED (v)
Γ( v1 )Γ( v3 )

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 75/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 4. GARCH Asymétriques

EGARCH - condition de stationnarité

Definition
Supposons que g(zt ) n’est pas presque partout nul et que les polynômes
q p
αi z i et β(z) = 1 − βi z i n’ont pas des racines com-
P P
α(z) =
i=1 i=1
munes, et que α(z) n’est pas identiquement nul. Alors, le modèle
EGARCH(p,q) admet une solution strictement stationnaire si et seule-
ment si les racines de β(z) sont en dehors du cercle unitaire. Cette so-
lution implique E(log ε2t )2 < ∞ lorsque E(log zt2 )2 < ∞ et Eg 2 (zt ) < ∞.

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 76/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 4. GARCH Asymétriques

Nasdaq : EGARCH(1,1)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 77/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 4. GARCH Asymétriques

GJR-GARCH
• Glosten et al (1993) Un processus εt satisfait une représentation
GJR-GARCH(p,q) si et seulement si :
p
εt = zt ht

q
X p
X
ht = α0 + (αi εt−i + γi Iεt−i <0 ε2t−i ) + βi ht−i
i=1 i=1

où le résidu normalisé zt est un bruit blanc faible et Iεt−i <0 désigne la

fonction indicatrice telle que
Iεt−i <0 = 1 si εt−i < 0 et Iεt−i <0 = 0 sinon

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 78/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 4. GARCH Asymétriques

GJR-GARCH(1,1)

ht = α0 + α1 ε2t−i + γ1 Iεt−i <0 ε2t−1 + β1 ht−1

ou

ht = α0 + αpos Iεt−i ≥0 ε2t−1 + αneg Iεt−i <0 ε2t−1 + β1 ht−1

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 79/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 4. GARCH Asymétriques

Nasdaq : GJR-GARCH(1,1)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 80/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Extension 4. GARCH Asymétriques

TGARCH(1,1)
• Zakoïan (1994)
Un processus εt satisfait une représentation TGARCH(1,1) si et
seulement si :
p
εt = zt ht

p p
ht = α0 + αpos Iεt−i ≥0 εt−1 − αneg Iεt−i <0 εt−1 + β1 ht−1
où le résidu normalisé zt est un bruit faible et Iεt−1 <0 désigne la
fonction indicatrice telle que
Iεt−i <0 = 1 si εt−i < 0 et Iεt−i <0 = 0 sinon
• Asymétrie spécifiée sur l’écart type et non sur la variance
conditionnelle

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 81/91

Faits Stylises ARCH GARCH Tests Conclusions Références

News Impact Curve (NIC)

• Engle and Ng (1993)

Les nouvelles ont des effets asymétriques sur la volatilité
La NIC mesure l’impact des chocs des rendements présents sur la
variance conditionnelle de la période suivante.
Elle facilite la comparaison des modèles
La NIC des modèles de la famille ARCH-GARCH est définie comme
la différence entre la variance pour un choc et et la variance sans
choc (et =0)
La NIC ne dépend pas du niveau de la variance car la variance des
périodes passées est fixée à son espérance non-conditionnelle h̄t :
n(et ) = ht+1 (et |ht = h̄t )

N IC(et ) = n(et ) − n(0)

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 82/91

Faits Stylises ARCH GARCH Tests Conclusions Références

News Impact Curve (NIC)

8

6
Conditional Volatility

5
EGARCH
4 TARCH
GARCH
3

0
-12 -8 -4 0 4 8 12

News
News Impact Curves For Daily Volatility of the Dow Jones Industrial Average (DJIA)
1915-2001.

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 83/91

Faits Stylises ARCH GARCH Tests Conclusions Références

News Impact Curve (NIC)

Exemples :
GARCH(1,1)
NIC est donnée par les termes de l’équation de variance conditionnelle
contenant ε2t n(et ) = α1 e2t où n(et ) = A + α1 e2t et A = α0 + β1 h̄t

EGARCH(1,1)
(
AE exp a+b
 
h̄
et , for et > 0,
n(et ) = t

AE exp a−b
 
h̄t t
e , for et < 0,

avec AE = h̄2β
p
t
1
exp[a0 − b 2/π], a < 0 et a + b > 0.

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 84/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Test d’effet ARCH/GARCH

• Tests habituels d’autocorrélation sur la série des rendements au
carré Xt2 : Ljung Box

H0 : ρ1 = ρ2 = · · · = ρK = 0 ,

K
X ρ̂2k d
QLB (K) = T (T + 2) −→ χ2 (K)
T − k T →∞
k=1

où ρ̂k désigne l’autocorrélation empirique :

T
(Xt2 − X̄ 2 )(Xt−k
2
− X̄ 2 )/(T − k)
P
t=k+1
ρ̂k = T
(Xt2 − X̄ 2 )2 /T
P
t=k+1

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 85/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Test d’effet ARCH/GARCH

• ARCH-LM test d’homoscédasticité conditionnelle

Regression auxiliaire :

ε̂2t = φ0 + φ1 ε̂2t−1 + · · · + φp ε̂2t−p + ηt

H0 : φ1 = · · · = φp = 0
d
Statistique de test : LM(p)= T × R2 −→ χ2 (p)
T →∞

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 86/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Test d’effet ARCH/GARCH

ACF and PACF of squared returns of the S&P 500

Squared Residuals ACF Squared Residuals PACF
0.4
0.3
0.3
0.2

0.2 0.1

0.1 0

−0.1
0

5 10 15 20 25 30 35 5 10 15 20 25 30 35

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 87/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Test d’effet ARCH/GARCH

Validation du modèle (G)ARCH choisi

√
Ljung Box test sur les résidus standardisés ẑt = Xt / ht
d
QLB,ẑ (K) −→ χ2 (K − m),
T →∞

où m représente le nombre de paramètres estimés dans le modèle

(G)ARCH

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 88/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Test d’effet ARCH/GARCH

ACF and PACF of squared returns of the S&P 500 (continued)

Standardized Squared Residuals ACF Standardized Squared Residuals PACF

0.06 0.06
0.04 0.04
0.02 0.02
0 0
−0.02 −0.02

−0.04 −0.04

−0.06 −0.06
5 10 15 20 25 30 35 5 10 15 20 25 30 35

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 89/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Conclusions

Démarche - estimation des modèles de la famille GARCH

Est-ce que la modélisation (G)ARCH est appropriée ? ⇒ tester la

présence d’effets ARCH sur le serie des rendements
Est-ce que des termes autoregréssifs ou moyenne mobile sont néces-
saires ? ⇒ tester la présence d’autocorrélation dans la série des
rendements
Estimer le modèle choisi précédemment
Testez la validité de ce modèle en appliquant le test d’effet ARCH
/ GARCH sur la série des innovations ẑt . Si le modèle n’est pas
valide augmentez l’ordre p ou q du modèle GARCH
Enrichir le modèle en autorisant des effets d’asymétrie, par exem-
ple.

Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 90/91

Faits Stylises ARCH GARCH Tests Conclusions Références

Bibliographie générale :
Bollerslev, T, 1986. Generalized Autoregressive Conditional Heteroskedasticity,
Journal of Econometrics (1986)
Engle, R.F., Autoregressive Conditional Heteroskedasticity with Estimates of the
Variance of U.K. Inflation. Econometrica, 50, 987-1008.
Engle, R.F., D. Lilien, and R. Robins, 1987. Estimating time varying risk premia
in the term structure: The ARCH-M model, Econometrica, 5(5), 391-408.
Engle, R.F. and T. Bollerslev, 1987. Modelling the Persistence of Conditional
Variances. Econometric Reviews, 5(1), 1-50.
Engle, R.F. and V.K. Ng, 1993. Measuring and testing the impact of news on
volatility. Journal of Finance, 48(5), 1749-78.
Glosten, L. R., R. Jaganathan, and D. Runkle, 1993. On the Relation between the
Expected Value and the Volatility of the Normal Excess Return on Stocks.
Journal of Finance, 48, 1779-1801.
Nelson, D., 1991. Conditional heteroskedasticity in asset returns: a new approach,
Econometrica, 59, 347-370.
Nelson, D.B., 1990, Stationarity and Persistence in the GARCH(1,1) Model,
Econometric Theory, 6, 318-334.
Weiss, A.A., 1984. ARMA models with ARCH errors, Journal of Time Series
Analysis, 5, 129-143.
Zakoïan, J. M., 1994. Threshold Heteroskedastic Models. Journal of Economic
Dynamics and Control, 18, 931-944.
Gilles de Truchis, Elena Dumitrescu Économétrie non-linéaire 91/91