FIGARCH

(Fractionally Integrated Generalized Autoregressive Conditional

Heteroscedastic)

Essafi Bousaltani Benaata

Sous la direction de:

Pr [Link]

2024-2025

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 1 / 39

 Plan de travail

1 Introduction

2 Fondements et Évolution vers le FIGARCH

3 Spécification du modèle FIGARCH

4 Estimation des Modèles FIGARCH

5 Prévisions avec les Modèles FIGARCH

6 Tests de FIGARCH

7 Application en R

8 Extension

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 2 / 39

 Introduction

Le contexte de la modélisation de la volatilité en séries temporelles est

essentiel dans les applications financières. Les modèles classiques comme
ARCH et GARCH, bien que révolutionnaires, ne capturent pas toujours la
persistance à long terme observée dans la volatilité des actifs financiers.
En 1996, Baillie, Bollerslev et Mikkelsen ont introduit le modèle FIGARCH
(Fractionally Integrated Generalized Autoregressive Conditional
Heteroscedastic), conçu pour décrire la dépendance temporelle à long
terme tout en surmontant les limites des modèles précédents.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 3 / 39

 Fondements et Évolution vers le FIGARCH

Les modèles hétéroscédastiques conditionnels (ARCH et leurs extensions)

jouent un rôle central dans la modélisation de la volatilité des séries
temporelles financières. Contrairement aux modèles traditionnels, tels que
les modèles ARMA, qui supposent une variance constante, ces modèles
reconnaissent que la variance conditionnelle évolue dans le temps en
fonction des informations passées.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 4 / 39

 1-Modèles ARCH (Autoregressive Conditional Heteroskedasticity)

Introduits par Engle (1982), les modèles ARCH sont les plus simples des
modèles hétéroscédastiques conditionnels. La variance conditionnelle au
temps t, notée ht , est définie comme une fonction linéaire des erreurs
passées au carré (ϵ2t−i ) sur un certain nombre de retards q :
q
X
ht = α 0 + αi ϵ2t−i
i=1

où :
. α0 > 0 est une constante.
. αi ≥ 0 pour i = 1, . . . , q.

✥ Ce modèle capture le phénomène d’agrégation de volatilité, où des périodes

de forte volatilité succèdent à des périodes similaires. Cependant, pour des
séries présentant une volatilité persistante, le modèle ARCH nécessite un
grand nombre de paramètres q, ce qui complique son estimation.
Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 5 / 39
 2-Modèles GARCH (Generalized ARCH)

Pour pallier les limitations des modèles ARCH, Bollerslev (1986) propose le
modèle GARCH, qui introduit la dépendance de ht aux variances conditionnelles
passées (ht−j ). La formulation générale d’un modèle GARCH(p, q) est :
q
X p
X
ht = α0 + αi ϵ2t−i + βj ht−j
i=1 j=1

où :
. βj ≥ 0 pour j = 1, . . . , p.
. La somme des coefficients αi + βj < 1 assure la stationnarité.

✤ Le modèle GARCH est plus parcimonieux que le modèle ARCH, car il

réduit le nombre de paramètres nécessaires pour capturer une
volatilité persistante.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 6 / 39

 3-Modèles IGARCH (Integrated GARCH)

Le modèle IGARCH estPun cas particulier du GARCH où la somme des

coefficients qi=1 αi + pj=1 βj = 1. Cette propriété introduit une racine
P
unitaire dans le processus, ce qui implique que les chocs sur la volatilité
ont un impact durable :
q
X p
X X
ht = α 0 + αi ϵ2t−i + βj ht−j , avec (αi + βj ) = 1
i=1 j=1

✦ Bien que le modèle IGARCH permette de mieux modéliser des séries

temporelles où les chocs ont un effet persistant, il ne capture pas la
décroissance lente observée dans certaines séries financières.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 7 / 39

 4-Limites des Modèles Traditionnels et Introduction au FIGARCH

Les modèles ARCH, GARCH et IGARCH sont efficaces pour modéliser la volatilité
conditionnelle, mais ils ne décrivent pas correctement la mémoire longue, caractéristique
de nombreuses séries financières. Cette mémoire longue se manifeste par une
décroissance lente et hyperbolique de l’autocorrélation des carrés des rendements.

Pour résoudre ce problème, Baillie et al. (1996) ont introduit le modèle *FIGARCH*
(Fractionally Integrated GARCH), qui combine les propriétés des modèles GARCH et des
processus fractionnellement intégrés. La variance conditionnelle est modélisée comme
suit :
" ∞
#
d
X
Φ(L)(1 − L) ht = ω + 1 + ψi L ϵ2t
i

i=1

où :
. L est l’opérateur de retard.
. (1 − L)d représente une différenciation fractionnaire d’ordre d, avec 0 < d < 1,
permettant de capturer la mémoire longue.
. Φ(L) et ψi sont les polynômes associés.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 8 / 39

 Le modèle FIGARCH est particulièrement adapté pour des séries
financières où l’impact des chocs sur la volatilité diminue lentement au fil
du temps, offrant une flexibilité accrue par rapport aux modèles précédents.

Caractéristiques principales du modèle FIGARCH

Mémoire longue (Long Memory)
Le modèle FIGARCH introduit un paramètre de différenciation fractionnaire
(d) qui permet de capturer la persistance à long terme des chocs de
volatilité. Cela se traduit par une décroissance hyperbolique des effets dans
le temps, contrairement à la décroissance exponentielle des modèles GARCH.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 9 / 39

 Opérateur de différenciation fractionnaire ((1 − L)d )
Permet de modéliser une dépendance intermédiaire entre stationnarité et
non-stationnarité, rendant le modèle plus flexible pour les données
financières complexes.
Décroissance hyperbolique des effets
Contrairement aux modèles GARCH où les effets des chocs diminuent
rapidement (exponentiellement), FIGARCH maintient des effets plus
durables (hyperboliques), ce qui est plus réaliste pour de nombreuses séries
temporelles financières.
Élargissement du domaine des applications
FIGARCH s’applique à des séries temporelles où une mémoire longue est
présente, comme les marchés financiers, les rendements des actions, les taux
de change, ou les prix des matières premières.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 10 / 39

 Spécification du modèle FIGARCH

1-Non-négativité de la variance conditionnelle

La variance conditionnelle ht dans un modèle FIGARCH est définie comme :

ht = α0 (1 − β(1))−1 + λ(L)ϵ2t ,
où λ(L) est une fonction des coefficients d’expansion du modèle, dérivée de la
représentation ARCH(∞) :

λ(L) = 1 − [(1 − β1 L)−1 (1 − ϕ1 L)(1 − L)d ].

Les coefficients λk doivent être non négatifs (λk ≥ 0), ce qui impose certaines
contraintes sur les paramètres pour garantir la non-négativité de ht .

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 11 / 39

 2-Fonction de réponse impulsionnelle (Impulse Response Function)
La réponse impulsionnelle mesure l’effet d’un choc νt = ϵ2t − ht sur la variance
conditionnelle future. Elle est donnée par :
∂ht+k
γk = .
∂νt
Pour les modèles FIGARCH, ces coefficients γk décroissent selon une loi
hyperbolique (par opposition à une décroissance exponentielle dans les modèles
GARCH), reflétant ainsi la mémoire longue.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 12 / 39

 3-Stationnarité du FIGARCH
Le modèle FIGARCH est stationnaire si 0 < d < 1, où d est le paramètre de
différenciation fractionnaire dans l’opérateur (1 − L)d . Cependant, contrairement
aux modèles GARCH, le FIGARCH n’a pas nécessairement une variance
inconditionnelle finie. Cela reflète la persistance élevée et la lente décroissance
des chocs de volatilité.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 13 / 39

 4-FIGARCH avec distribution NIG
Pour tenir compte des queues épaisses souvent observées dans les séries
financières, les erreurs zt du FIGARCH peuvent suivre une distribution Normal
Inverse Gaussian (NIG). Cette spécification est donnée par :
√
b γ 1/2
rt = µ + σ t + zt ht ,
a
où
zt ∼ NIG (a, b, µ, δ).
Cette formulation permet de modéliser à la fois la mémoire longue et les
propriétés de leptokurtose des données financières.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 14 / 39

 Estimation des Modèles FIGARCH

1)Méthodes d’estimation
Maximum de vraisemblance (MLE) :
- Cette méthode ajuste les paramètres en maximisant la probabilité que les
données observées proviennent du modèle.
- Hypothèse principale : Les innovations (zt ) suivent une loi normale.
Quasi-maximum de vraisemblance (QMLE) :
- Alternative robuste lorsque les innovations ne suivent pas une loi normale
(présence de queues épaisses ou leptokurtose).

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 15 / 39

 2) Fonction de vraisemblance
La fonction de vraisemblance mesure la probabilité des données observées en fonction des
paramètres du modèle. Pour le FIGARCH, elle est exprimée comme suit :

T 
ϵ2t
X 
log L(θ) = −0.5T log(2π) − 0.5 log(ht ) + .
t=1
ht

. T : Taille de l’échantillon.
. ht : Variance conditionnelle prédite par le modèle, dépendant des paramètres (α0 , β, ϕ, d).
. ϵ2t : Carré des résidus (ϵt = yt − µt ), représentant l’écart entre les données observées (yt ) et
leur prévision (µt ).
- Le premier terme (−0.5T log(2π)) est une constante.
- Le deuxième terme (log(ht )) pénalise les grandes incertitudes dans la variance conditionnelle
ht .
ϵ2t
- Le troisième terme ht
reflète l’ajustement entre les résidus observés et la variance prédite.

➨ L’objectif est de maximiser cette fonction, c’est-à-dire trouver les paramètres (θ) qui
minimisent les erreurs entre les données et le modèle tout en maintenant une variance
raisonnable.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 16 / 39

 3)Problèmes spécifiques
- Lorsque d > 0, la variance inconditionnelle peut ne pas exister, rendant l’estimation
plus complexe.
- Les valeurs initiales des résidus ϵ2t sont souvent fixées à la variance empirique pour
amorcer l’algorithme d’estimation.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 17 / 39

 Prévisions avec les Modèles FIGARCH
1) Objectif des Prévisions
- Les modèles FIGARCH permettent de prévoir la *volatilité conditionnelle future* (ht ),
c’est-à-dire la variance d’un actif financier à venir, en utilisant les informations passées.
- La volatilité conditionnelle est un indicateur clé pour le risque financier, les stratégies
de couverture et la gestion des portefeuilles.

2) Formule Générale
La variance conditionnelle future est donnée par la représentation ARCH(∞) :
∞
X
ht+1 = α0 (1 − β(1))−1 + λi ϵ2t−i
i=1

où :
α0 : Constante du modèle, représentant la variance de base.
β(1) : Somme des coefficients des lags de la variance conditionnelle.
λi : Coefficients ARCH(∞), capturant l’effet des chocs passés (ϵ2t−i ) sur la
volatilité future.
Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 18 / 39
 3) Prévision à Court Terme
Pour une prévision à un pas (t + 1), la formule devient :

ht+1 = α0 (1 − β(1))−1 + λ1 ϵ2t + λ2 ϵ2t−1 + . . .

- Les termes λ1 , λ2 pondèrent l’impact des chocs passés (ϵ2t , ϵ2t−1 ) sur ht+1 .
- Ces termes reflètent la *décroissance hyperbolique* de la mémoire dans les modèles
FIGARCH (effet long terme).

4) Prévision à Long Terme

Pour des prévisions à l-pas (t + l), on utilise une approche récursive :
l−1
X M
X
ht+l = α0 (1 − β(1))−1 + λi ht+l−i + λl+j ϵ2t−j .
i=1 j=0

- Chaque prévision dépend des prévisions précédentes (ht+l−i ) et des chocs passés (ϵ2t−j ).
- Les prévisions reposent sur la relation entre les chocs passés (ϵ2t ) et la variance
conditionnelle future (ht ).
- Plus un choc est récent, plus son impact sur ht est important. Cependant, dans
FIGARCH, les effets des chocs passés décroissent lentement grâce à la mémoire longue.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 19 / 39

 Tests de FIGARCH

1) Tests de mémoire longue :

➙ L’exposant de Hurst est une mesure utilisée pour évaluer la présence de mémoire
longue dans une série temporelle. Il permet de déterminer si les observations
futures d’une série dépendent de son passé de manière persistante (mémorisation
de tendances) ou antipersistante (mémorisation d’oscillations opposées).
- Types d’exposant de Hurst :
H < 0.5 : La série est antipersistante, ce qui signifie que si la série monte, elle a
une probabilité élevée de baisser ensuite. C’est typique des séries qui suivent un
comportement de réversion à la moyenne.
H = 0.5: La série est un processus brownien ou aléatoire, c’est-à-dire qu’il n’y a
pas de dépendance à long terme entre les valeurs passées et futures
(comportement aléatoire).
H > 0.5: La série présente une mémoire longue, ce qui signifie que les tendances
observées dans le passé ont tendance à persister dans le futur. Une série avec une
mémoire longue tend à suivre des directions similaires pendant des périodes
prolongées.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 20 / 39

 2) Tests préliminaires pour vérifier les conditions
d’utilisation des modèles GARCH-type :

Test de Ljung-Box sur les résidus au carré

Objectif : Détecter la présence d’effets ARCH dans les séries temporelles.
Hypothèses :
H0 : Il n’y a pas de corrélation significative entre les résidus au carré (pas d’effet
ARCH).
H1 : Il existe une corrélation significative entre les résidus au carré (présence
d’effet ARCH).
Interprétation : Si la p-valeur est inférieure à un seuil (α, typiquement 0.05), on
rejette H0 , ce qui indique la présence d’effets ARCH.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 21 / 39

 2) Tests préliminaires pour vérifier les conditions
d’utilisation des modèles GARCH-type :

Test LM (Lagrange Multiplier) pour l’effet ARCH

Objectif : Confirmer la présence d’effets ARCH détectés par le test de Ljung-Box.
Hypothèses :
H0 : Pas d’effet ARCH dans les séries temporelles.
H1 : Effet ARCH significatif présent dans les séries temporelles.
Interprétation : Si la p-valeur est inférieure au seuil (α), on rejette H0 et conclut
qu’il y a des effets ARCH significatifs.
Utilité : Les deux tests (Ljung-Box et LM) permettent de justifier l’utilisation des
modèles FIGARCH.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 22 / 39

 3)Stationnarité des séries temporelles :

Test ADF (Augmented Dickey-Fuller)

Objectif : Vérifier si les séries de rendements sont stationnaires, une condition
nécessaire pour appliquer un modèle FIGARCH.
Hypothèses :
H0 : La série temporelle a une racine unitaire (non stationnaire).
H1 : La série temporelle est stationnaire.
Interprétation : Si la p-valeur est inférieure à un seuil (α, on rejette H0 , indiquant
que la série est stationnaire.
Remarque : Si les séries ne sont pas stationnaires, une différenciation peut être
nécessaire avant d’appliquer un modèle FIGARCH

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 23 / 39

 3)Stationnarité des séries temporelles :

KPSS(Kwiatkowski-Phillips-Schmidt-Shin )
Objectif : Tester la stationnarité d’une série temporelle, en particulier dans les
séries financières ou économiques. Ce test permet de déterminer si la série est
stationnaire autour d’une moyenne ou d’une tendance, ce qui est crucial pour
sélectionner les modèles appropriés, comme FIGARCH, pour la modélisation de la
volatilité.
Hypothèses :
H0 : La série temporelle est stationnaire.
H1 : La série temporelle n’est pas stationnaire.
Interprétation :
- Si la statistique KPSS dépasse une valeur critique (généralement basée sur une
table), on rejette H0 en faveur de H1
- Si H1 est retenue, cela suggère la présence d’une non-stationnarité, ce qui
nécessite des transformations ou des ajustements dans le modèle (par exemple, une
différenciation fractionnaire pour FIGARCH).

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 24 / 39

 Application en R

Description de la base de données

La base de données, composée de 5831 observations, couvre la période à partir du 1er
janvier 2021 et contient les prix journaliers de plusieurs crypto-monnaies, notamment
Bitcoin (BTC), Ethereum (ETH), Ripple (XRP), et Litecoin (LTC). Pour cette analyse,
nous avons ciblé BTC en raison de son importance sur le marché. L’objectif est de
modéliser les fluctuations de ses prix avec le modèle FIGARCH, permettant d’explorer la
mémoire longue et la volatilité, afin d’optimiser les prévisions et la gestion des risques
financiers.

Déclaration de la série temporelle :

Times Series
Start = 1
End = 1458
Frequency = 1

[1] 94806.0 94419.0 95883.0 99420.0 98750.0 94918.0 95201.0 97289.0 97857.0
[10] 97515.0 100230.0 105990.0 105870.0 104340.0 101320.0 101370.0 100010.0 101100.0

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 25 / 39

 Représentation graphique

-Le plot montre des variations importantes des prix du Bitcoin sur la période de 2021 à
2025, avec des fluctuations marquées, des pics et des creux significatifs. Ces grandes
variations indiquent que la moyenne et la variance de la série temporelle ne restent pas
constantes au fil du temps, ce qui est un signe de non-stationnarité.
➪ ( Pour vérifier cette non-stationnarité, des tests comme le test de Dickey-Fuller
augmenté (ADF) ou le test KPSS sont nécessaires.)
Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 26 / 39
 Tests de stationnarité (ADF et KPSS)

➪ Test ADF (Augmented Dickey-Fuller) : La p-value est supérieure à 0.05, ce qui

signifie que nous ne pouvons pas rejeter l’hypothèse nulle de non-stationnarité. Par
conséquent, selon le test ADF, la série temporelle des prix du Bitcoin n’est pas
stationnaire.
➪ Test KPSS (Kwiatkowski-Phillips-Schmidt-Shin) : La p-value est inférieure à 0.05,
ce qui signifie que nous rejetons l’hypothèse nulle de stationnarité. Ainsi, selon le
test KPSS, la série temporelle des prix du Bitcoin n’est pas stationnaire.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 27 / 39

 Transformation logarithmique et différenciation
La transformation logarithmique et la différenciation sont effectuées pour stabiliser la variance et
rendre la série temporelle stationnaire. Cette étape prépare les données pour une analyse plus
approfondie et l’application de modèles prédictifs.

➥ Les rendements log-transformés du Bitcoin sont stationnaires, préparant les données pour
des analyses comme ARIMA et le modèle FIGARCH, qui capture la mémoire longue. Ce
graphique montre clairement les fluctuations de rendement et la volatilité, offrant une
base solide pour des analyses financières.
Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 28 / 39
 Retester la stationnarité
Test ADF : La p-value est inférieure à 0.05, ce qui signifie que nous rejetons l’hypothèse
nulle de non-stationnarité. Selon le test ADF, la série des rendements log-transformés
est stationnaire.
Test KPSS : La p-value est supérieure à 0.05, ce qui signifie que nous ne rejetons pas
l’hypothèse nulle de stationnarité. Ainsi, selon le test KPSS, la série des rendements
log-transformés est stationnaire.

Test de mémoire longue

❒ L’exposant de Hurst simple est supérieur à 0.5 (0.5210699), indiquant que la série
présente une mémoire longue. Cela signifie que les variations passées ont un effet
persistant sur les variations futures.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 29 / 39

 Les ACF et PACF

➥ Les graphiques ACF et PACF des log-rendements du Bitcoin montrent que les rendements
ressemblent à un bruit blanc, bien que le PACF révèle une dépendance partielle à certains
lags. Cela justifie l’utilisation du modèle FIGARCH, qui capture la mémoire longue et la
volatilité conditionnelle, essentielles pour comprendre la persistance des chocs et optimiser
les prévisions et la gestion des risques liés aux fluctuations du BTC.
Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 30 / 39
 Vérification du regroupement de volatilité (ARCH Test) :
ARCH LM-test; Null hypothesis: no ARCH effects
data: log returns
Chi-squared: 51, df: 12, p-value: 8 × 10−7

Le test ARCH-LM sur les log-rendements du Bitcoin indique la présence

significative d’effets ARCH p − value < 2.2e − 16, suggérant que la
variance des rendements varie au fil du temps. Cela justifie l’utilisation
d’un modèle FIGARCH pour modéliser l’hétéroscédasticité conditionnelle
et capturer la mémoire longue dans la volatilité des rendements.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 31 / 39

 Estimation des paramètres FIGARCH - BTC

➲ Les paramètres estimés du modèle FIGARCH apportent des informations importantes sur
la dynamique des rendements log-transformés. Tout d’abord, la moyenne des rendements
µ, avec une valeur estimée de 0.0013, indique une légère tendance positive, bien que non
statistiquement significative (t = 1.7251). Le paramètre autorégressif d’ordre 1 (ar1 ),
estimé à −0.4387, suggère une relation inverse entre les rendements actuels et ceux du
jour précédent, mais son absence de significativité (t = −0.9474) limite son interprétation.
De même, le paramètre de moyenne mobile d’ordre 1 (ma1 ), avec une valeur de 0.4145,
reflète une dépendance aux chocs passés, mais reste non significatif (t = 0.8821).
Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 32 / 39
 ➲ Dans l’équation de la variance conditionnelle, la constante (ω) est estimée à une valeur
quasi nulle, ce qui est cohérent avec les séries financières où la volatilité est
majoritairement expliquée par des composantes dynamiques.

Le paramètre α1 , estimé à 0.1425, indique que les chocs passés influencent

significativement la volatilité actuelle, comme le confirme une valeur de t-statistique
élevée (t = 3.4955).

Le paramètre β1 , avec une valeur de 0.9812, montre une forte persistance de la volatilité,
typique des séries financières, et est hautement significatif (t = 2039.4076).

Enfin, le paramètre de mémoire fractionnaire (δ), avec une valeur de 1.0000, suggère une
mémoire longue très prononcée, corroborée par une significativité absolue (t = 37.9118).
Ces résultats soulignent la capacité du modèle FIGARCH à capturer la dépendance à long
terme et la dynamique complexe des rendements et de leur volatilité.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 33 / 39

 Evolution de la volatilité conditionnelle

Le graphique représente l’évolution de la volatilité conditionnelle (écart-type conditionnel) estimée à partir d’un modèle
FIGARCH appliqué aux rendements journaliers du Bitcoin (BTC). La courbe en bleu illustre les variations de la volatilité
au cours du temps, tandis que les lignes grises indiquent les rendements absolus, servant de comparaison.

On observe des pics marqués de volatilité, qui traduisent des périodes d’incertitude ou d’événements majeurs sur le

marché. Ces fluctuations démontrent une persistance typique, caractéristique des modèles FIGARCH, où les chocs de

volatilité se propagent sur une longue période. Cela reflète la nature instable et spéculative du marché des

crypto-monnaies, nécessitant une gestion prudente des risques.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 34 / 39

 Prévisions FIGARCH

➫ Tendance des Valeurs Prévues (Series) :

Les valeurs prévues diminuent
progressivement, suggérant une
convergence vers un point stable, reflet de
la mémoire longue du modèle FIGARCH.
Toutefois, la prévision négative à T+10
peut indiquer une incertitude accrue ou
un artefact du modèle.
➫ Évolution de la Volatilité Conditionnelle
(Sigma) :
La volatilité reste stable, augmentant
légèrement de 0.05146 à 0.05316,
montrant que le modèle capture bien les
dynamiques de variance et anticipe peu
de fluctuations futures.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 35 / 39

 Prévisions FIGARCH

➨ Le graphique présente une série temporelle des données réelles (Actual) et les prévisions (Forecast) obtenues via le

modèle FIGARCH, accompagnées d’un intervalle d’incertitude à 1 écart-type (en jaune). Les observations historiques

montrent une volatilité fluctuante, tandis que les prévisions pour l’horizon temporel donné restent proches de la

moyenne, avec une incertitude limitée. Cela reflète la capacité du modèle FIGARCH à capturer la mémoire longue et à

fournir des prévisions raisonnablement robustes dans un cadre de volatilité modérée. Les bandes jaunes soulignent la

plage d’incertitude, indiquant un degré de confiance dans les projections du modèle.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 36 / 39

 Prévisions FIGARCH pour les 4 actifs

➨ Le graphique montre les prévisions des log-rendements pour quatre crypto-monnaies (BTC, ETH, LTC, XRP) à l’aide du

modèle FIGARCH. Il met en évidence des variations de prix, des pics de volatilité marqués, et la persistance des chocs

de volatilité, caractéristiques des marchés crypto. Bien que les tendances soient similaires, le BTC et l’ETH affichent des

variations plus prononcées. Une légère diminution des amplitudes en fin de période suggère une possible stabilisation du

marché, soulignant la pertinence du modèle FIGARCH pour analyser ces dynamiques complexes et évaluer les risques.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 37 / 39

 Extension

1. A-FIGARCH (Adaptive FIGARCH)

Importance :
- Combine mémoire longue et changements structurels.
- Introduit un intercept wt variant dans le temps pour modéliser des cycles ou
ruptures dans la volatilité.
Utilisation :
Idéal pour modéliser les séries temporelles avec changements structurels lents,
comme les cycles économiques ou les taux de change.

2. HYGARCH (Hyperbolic GARCH)

Importance :
- Sépare la mémoire longue et l’amplitude des fluctuations.
- Évite le comportement problématique des FIGARCH lorsque d to 1.
Utilisation :
Idéal pour modéliser les séries temporelles avec changements structurels lents,
comme les cycles économiques ou les taux de change.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 38 / 39

 Extension

3. ST-FIGARCH (Smooth Transition FIGARCH)

Importance :
- Combine non-linéarité, mémoire longue, et transitions douces entre régimes de
volatilité.
- Modélise des changements progressifs comme ceux provoqués par des chocs
économiques.
Utilisation : Convient pour les marchés où la volatilité évolue progressivement,
comme les marchés boursiers sensibles aux politiques économiques.

Essafi, Bousaltani, Benaata ( Sous la direction de: Pr [Link] ) FIGARCH 2024-2025 39 / 39