Interprétation :
Plot 1 : (tof)
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.
Flèche---------( Pour vérifier cette non-stationnarité, des tests comme le test de Dickey-Fuller
augmenté (ADF) ou le test KPSS sont nécessaires.)
Slide
Test de stationnarité 1 (tof stat 1)
-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.
Slide
3. 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.
4. Retester la stationnarité (tof stat 2)
1. Test ADF (Augmented Dickey-Fuller) : 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 (Kwiatkowski-Phillips-Schmidt-Shin) : 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.
Slide
5. 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.
Si l'exposant de Hurst était inférieur à 0.5, cela indiquerait une antipersistante (la série alternerait
plus souvent que par pur hasard). Un exposant de Hurst égal à 0.5 indiquerait que la série suit un
processus brownien, autrement dit un mouvement aléatoire.
Ces résultats suggèrent que les rendements log-transformés du Bitcoin présentent une mémoire
longue, ce qui peut être pertinent pour les analyses et les prévisions futures.
Slide
6. plot2 :
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.
Slide
7. les ACF et PACF : ( ajout interpretation )
slide
8. Vérification du regroupement de volatilité (ARCH Test) :
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.
Slide
9. Modélisation avec FIGARCH :
Modèle ARIMA(0,0,1) :
L'estimation du modèle ARIMA sur les log-rendements donne un modèle ARIMA(0,0,1), ce qui
implique qu'il n'y a pas de termes autoregressifs (AR) et que les données ne nécessitent pas de
différenciation pour rendre la série stationnaire. Le seul terme significatif est le coefficient de la
moyenne mobile ma1 = -0.0596, indiquant une légère autocorrélation négative à court terme dans
les rendements. Ce modèle capture les dynamiques à court terme, mais ne prend pas en compte
l'hétéroscédasticité conditionnelle présente dans les données.
Slide
Modèle GARCH(1,1) :
Le modèle GARCH(1,1) estimé montre des paramètres alpha1 = 0.110781 et beta1 = 0.701888, qui
reflètent respectivement l'impact de l'innovation et de la persistance dans la variance conditionnelle.
La significativité du paramètre beta1 (p-value = 0.004233) suggère que la volatilité conditionnelle a
un effet persistant dans le temps, tandis que le paramètre alpha1 n'est pas significatif (p-value =
0.447656), indiquant que l'impact des chocs passés sur la volatilité est relativement faible.
Slide
Modèle fiGARCH(1,1) :
Le modèle fiGARCH(1,1) a été spécifié pour capter à la fois l'hétéroscédasticité conditionnelle et la
mémoire longue dans la variance. Les résultats montrent que les coefficients ar1 = -0.917713 et ma1
= 0.936022 sont fortement significatifs, ce qui indique que le modèle prend en compte les effets
autoregressifs et de moyenne mobile dans les rendements du Bitcoin. Cependant, les paramètres
alpha1 et beta1 ont des p-values relativement élevées, ce qui suggère que le modèle peut nécessiter
un ajustement supplémentaire pour améliorer sa performance.
----------Critères d'information et ajustement global du modèle :
Les critères d'information Akaike (AIC = -4762.93) et Bayes (BIC = -4752.36) sont tous deux faibles, ce
qui indique un bon ajustement du modèle aux données.