Université Badji Mokhtar

Annaba

Badji Mokhtar University -

Annaba

Faculté des Sciences

Département de Mathématiques

THESE
Présenté en vue de l’obtention du diplôme de
Doctorat en Mathématiques
Option: Probabilités et Statistique

Modélisation des Marchés Financiers et

Krachs Boursiers

Par
EZZEBSA Abdelali

Sous la direction de
Docteur. Remita Med Riad

Devant le jury

PRESIDENT : BOUTABIA Hacène Prof U.B.M. ANNABA

EXAMINATEUR 1 : NECIR Abdelhakim Prof U. M.K. BISKRA
EXAMINATEUR 2 : MOHDEB Zaher Prof U.M. CONSTANTINE
EXAMINATEUR 3 : BOUKHETALA Kamel Prof U.S.T.H.B. ALGER
EXAMINATEUR 4 : ZEGHDOUDI Halim M. C. A U.B.M. ANNABA

Année : 2014
 1

Table des matières

1 L’e¤et de la volatilité sur le risque de marché 8

1.1 Dé…nition et importance de la volatilité . . . . . . . . . . . . . . . . . 8
1.1.1 Les di¤érents types de volatilité . . . . . . . . . . . . . . . . . 9

2 Généralités sur les séries temporelles 15

2.1 Notions de stationnarité et notions de linéarité . . . . . . . . . . . . . 16
2.1.1 Illustration Graphique . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Caractéristiques d’une série temporelle . . . . . . . . . . . . . . . . . 19
2.2.1 Moyenne, Variance, Fonction d’autocovariance, et d’autocorré-
lation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Processus linéaires et processus linéaires généraux . . . . . . . . . . . 20
2.4 Les processus ARMA . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 Inversion des polynômes . . . . . . . . . . . . . . . . . . . . . 22
2.4.2 Stationnarité et inversibilité d’un processus autorégressif . . . 24
2.4.3 Fonction d’autocorrélation partielle (P ACF ) . . . . . . . . . . 26
2.4.4 Reconnaissance d’un processus AR(p) . . . . . . . . . . . . . . 27
2.4.5 Densité spectrale . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.6 Test de racine unitaire ou test de stationnarité . . . . . . . . . 29
2.4.7 Test de Dickey et Fuller augmenté . . . . . . . . . . . . . . . . 29
2.4.8 Test d’égalité de deux variances . . . . . . . . . . . . . . . . . 31

3 Modèles ARCH/GARCH 33
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Modèles ARCH(p) linéaire . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Modèle avec erreurs ARCH(q) . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Modèle GARCH(p,q) . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.5 Modèle avec erreurs GARCH(p,q) . . . . . . . . . . . . . . . . . . . . 41
3.6 Estimation des paramètres ARCH . . . . . . . . . . . . . . . . . . . . 42
3.6.1 Estimation par maximum de vraisemblance . . . . . . . . . . 42
3.6.2 Estimation des paramètres GARCH . . . . . . . . . . . . . . . 43
 2

3.7 Test de ARCH de Engle (1982) . . . . . . . . . . . . . . . . . . . . . 44

3.8 Modèles ARCH/GARCH linéaires . . . . . . . . . . . . . . . . . . . . 45
3.8.1 Modèles ARMA-GARCH . . . . . . . . . . . . . . . . . . . . . 45
3.9 Variantes des processus ARCH . . . . . . . . . . . . . . . . . . . . . . 46
3.9.1 Modèle GARCH-M . . . . . . . . . . . . . . . . . . . . . . . . 46
3.9.2 Modèle IGARCH . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.10 Modèles ARCH/GARCH asymétriques . . . . . . . . . . . . . . . . . 50
3.10.1 Modèle EGARCH . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.10.2 Modèle APARCH . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.10.3 Modèles TGARCH . . . . . . . . . . . . . . . . . . . . . . . . 54
3.11 Introduction à la notion de mémoire longue . . . . . . . . . . . . . . 55
3.12 Application en …nance . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4 Application à la value at risk 57

4.1 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.2.1 Introduction à EViews . . . . . . . . . . . . . . . . . . . . . . 60
4.2.2 Application 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2.3 Spéci…cation de la moyenne conditionnelle . . . . . . . . . . . 62
4.2.4 Analyse descriptive (St ) . . . . . . . . . . . . . . . . . . . . . 64
4.2.5 Estimations et comparaison des modèles . . . . . . . . . . . . 65
4.2.6 Comparaison entre les modèles . . . . . . . . . . . . . . . . . 66
4.2.7 Comparaison entre les modèles par rapport à la durée (courte
et longue durée) . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.8 Application 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.2.9 Test de racine unitaire et analyse descriptive . . . . . . . . . . 71
4.2.10 Critères de choix des modèles . . . . . . . . . . . . . . . . . . 72

Bibliographie 87
 3

Abstract
We propose in this thesis to give an overview on the e¤ect of the volatility of the

…nancials markets. More precisely, the applications in econometrics of …nance and the

description of the seriers of outputs of …nancial credits. In this direction we study and

analyze the behavior of the dynamics of the exchange rate. To this end, we made an

application relates to the exchange rate volatility of Algerien dinar against the Euro

and the US. Dollar, which we compared the models resulting from various standard

process and over various periods.

 4

Résumé
Dans cette thèse, on s’intéresse à la volatilité boursière, car la volatilité est une

composante essentielle de la gestion de portefeuille. Elle mesure le risque inhérent à

tout placement boursier. En e¤et, plus un cours boursier est volatil, plus la di¤érence

entre le prix de vente et le prix d’achat d’un titre peut être grande. De plus, le

placement concerné est jugé risqué si le gain ou la perte est importante. Dans cet

esprit nous allons analyser et étudier le comportement de la dynamique du taux de

change du Dinar Algérien, en appliquant la Value-at-Risk aux comportements de taux

de change du Dinar Algérien (par rapport à l’Euro et au Dollar), en comparant les

di¤érents modèles sur di¤érentes périodes.

 5

Introduction
Les modèles introduits dans la littérature économique se présentaient générale-

ment sous forme multiplicative, "t = t t où ( t ) est un processus indépendant iden-

tiquement distribué (i.i.d), et ( t ) une suite de variables aléatoires telles que t soit

mesurable par rapport à la …ltration engendrée par le passé de "t -et éventuellement

le présent-et par le passé d’un processus sous-jacent inobservable ( t ), t et t soient

des variables indépendantes, t > 0 pour tout t:

La variable aléatoire t est appelée volatilité de "t : Il est possible de noter que

E ("t ) = E ( t t) = 0 et cov ("t ; "t h) = 0 pour tout h > 0 : ("t ) est alors un bruit

blanc, au sens faible, mais pas au sens fort. Plusieurs types de modèles existent

alors suivant la spéci…cation retenue pour ( t ). La théorie traditionnelle des séries

temporelles n’est pas su¢ sante pour décrire les mouvements à court terme des taux

de change, car on peut constater des périodes de stabilité et des périodes de troubles

en regardant la volatilité et les distributions non conditionnelles leptokurtiques ;

Mussa (1979) et Friedman et Vandersteel (1982). A cet e¤et, nous nous proposons,

de modéliser la volatilité à l’aide d’un processus ARCH dont nous appliquons aux

données des taux de change.

Depuis leur introduction par Engle (1982), les modèles ARCH connaissent de

plus en plus de développements et des applications, notamment dans l’économétrie

de la …nance..., Bollerslev (1986), Bollerslev et al (1992) et Kroner et al (1993).

En dehors des motivations probabilistes, la classe des modèles ARCH est

 6

parfaitement adaptée pour décrire ce type de comportement, tandis que les rende-

ments d’actions présentaient certains degrés d’asymétrie dans leur variance condi-

tionnelle, la nature même des taux de change qui sont par dé…nition bilatéraux rend

de telles asymétries peu probables. L’analogie entre les modèles ARCH en temps dis-

cret et les modèles de di¤usion en temps continu ont été établis par Nelson (1990).

Cette analogie a permis en particulier le développement des modèles à volatilité sto-

chastique. En e¤et, un des apports des modèles ARCH était de mieux s’ajuster aux

données (en particulier aux données de taux de change) que ne le faisant les modèles

ARM A. Dans ce travail, qui s’inspire de la base du modèle de ARCH GARCH,

plus précisément nous allons analyser et étudier le comportement de la dynamique

du taux de change du Dinar Algérien, en appliquant la Value-at-Risk aux compor-

tements de taux de change du Dinar algérien (par rapport à l’Euro et au Dollar), en

comparant les di¤érents modèles sur di¤érentes périodes.

Dans cette thèse, nous avons réussi, de faire une synthèse sur les di¤érents modèles

ARCH GARCH. Ensuite, nous avons étudié et analyser le comportement de taux

de change du Dinar algérien (par rapport à l’Euro et au Dollar).

Ainsi, dans le premier chapitre, nous rappelons certaines dé…nitions, propriétés

et certains résultats qui seront utilisés par la suite à savoir les di¤érents types de la

volatilité (Evaluation du Swaps de volatilités) et le processus d’Ornstein-Uhlenbeck...

Dans le chapitre 2, nous faisons un tours d’horizon sur les séries temporelles dont

nous avons rappelé quelques notions (stationnarité et linéarité...ect), et étudie les

 7

processus ARM A.

Dans le chapitre 3, nous faisons une synthèse sur les processus linéaires et non

linéaire notamment les modèles ARCH GARCH et leurs extensions avec quelques

méthodes d’estimation.

En…n, le dernier chapitre contient l’essentiel des travaux où nous avons réussi de

faire deux applications des modèles ARCH GARCH à la Value-at-risk, et ensuite,

nous avons étudié et analyser le comportement de taux de change du Dinar algérien

(par rapport à l’Euro et au Dollar) pendant deux périodes : de juin 2009 à M ai

2011 et de septembre 2012 à M ars2013, dont en comparant les modèles issus des

di¤érents processus type ARCH univaries : ARCH; GARCH; IGARCH; EGARCH;

T ARCH; AP ARCH sur di¤érentes périodes.

Ces résultats ont fait l’objet d’une publication dans le journal International journal

of Statistics and Economics, sous le titre "Around ARCH-GARCH models and their

application to exchange rate volatility".

 8

Chapitre 1

L’e¤et de la volatilité sur le risque

de marché

Ce chapitre contient, certaines dé…nitions, propriétés et certains résultats qui nous

utilisons par la suite à savoir les di¤érents types de la volatilité (Evalaution du Swaps

de volatilités) et le processus d’Ornstein-Uhlenbeck.

1.1 Dé…nition et importance de la volatilité

Dé…nition 1.1 : Une volatilité est essentiellement une mesure de variabilité condi-

tionnelle de prix ou de rentabilité. Il existe de nombreuses mesures de volatilité qui

se distinguent les unes des autres par :

1- la date t à laquelle on évalue la volatilité.

2- l’information It utilisée pour le calcul est disponible à cette date.

 9

3- l’horizon T de la prévision.

4- la variable Yt+T à prévoir, qui peut être :

-un prix : Yt+T = pt+T ;

pt+T pt pt+T
-un rendement Yt+T = ou Yt+T = ln .
pt pt
2
La volatilité correspondante est V ar (Yt+T ) = E Yt+T jIt E2 (Yt+T jIt ) où E (Yt+T jIt )

désigne l’espérance conditionnelle à l’information, c’est-à-dire la meilleure prévision

de Yt+T fondée sur cette information.

1.1.1 Les di¤érents types de volatilité

La volatilité est l’un des paramètres principales employées pour décrire et me-

surer les ‡uctuations des prix des actifs. Elle joue un rôle important dans l’analyse

…nancière moderne dont la gestion des risques, l’évaluation des options et d’alloca-

tion d’actifs. Il existe di¤érents types de volatilité : la volatilité implicite, la volatilité

locale et la volatilité stochastique. Les swaps de volatilité ou de variance permettent

aux investisseurs de négocier et de contrôler la volatilité d’un actif directement.

Dé…nition 1.2 : Le swap de variance (volatilité) est un contrat à terme sur la

variance annualisée dans lequel un investisseur qui paye un montant …xe Kvar j1DZD

2
comme nominal à l’échéance, reçoit le montant variable R j1DZD comme nominal.

2
Kvar est le prix d’exercice (variable annualisée) et R est la variance réalisée annua-

lisée. La mesure de la variance réalisée qui va être adoptée est dé…nie au début du
 10

contrat comme suit

1 X
T
Si Si 1
2
(1.1)
T 1 i=1
Si 1

où T est le nombre de jours travaillés jusqu’à l’échéance et Si représente le prix clôturé

du sous-jacent. En temps continu, l’équation (1:1) s’écrit de la façon suivante

Z T
2 1 2
R = (t) dt (1.2)
T 0

2
le payo¤ à l’échéance est égale à ( R Kvar ). Donc à l’échéance, le détenteur du swap

2
de variance reçoit N DZD pour chaque point par lequel la variance réalisée R du

sous-jacent dépasse le prix …xe Kvar

2
R Kvar N (1.3)

Notons que les swaps de volatilité peuvent avoir comme sous-jacent une multitude de

produits …nanciers (taux d’intérêt, taux de change, des indices boursiers,... etc).

Dans un swap de variance, la variable inconnue est l’espérance de la volatilité

réalisée : E ( 2 ) = E (V ) avec 2
la volatilité au carée, elle peut être retrouvée en

utilisant les modèles stochastique standard de volatilité. Le prix de tout swap est égal

à zéro à l’émission. Pour le swap de volatilité, l’espérance de la volatilité réalisée est

p
E V = E ( ) qui n’est pas façile à calculer à partir du processus stochastique

des modèles standard. Dans ce cas, nous devons utiliser une approximation comme

celle de Brockhaus-long (2000) et Javaheri (2002). Cette approximation est un

développement de Taylor d’ordre deux de la fonction récine carrée appliquée à la

 11

variable V au voisinage du point E (V0 ), ce qui donne le résultat suivant

p p V ar (V )
E V ' E (V ) (1.4)
3
8E (V ) 2

V ar (V )
avec est l’ajustement convexe. Donc a…n de l’évaluer, nous utilisons dans
3
8E (V ) 2
un premier temps, un modèle stochastique de variance dans un contexte temporel

continu donné par :

8
>
> dSt
>
> = dt + t dWt
>
< St
>
t = f (Yt )
(I)
>
>
>
>
>
>
: dYt = (m Yt )dt + dZt

Dans (I) :

-S représente le sous-jacent, St son cours à la date t.

- est le rendement instantané, supposé constant,

- t est la valeur à la date t de la volatilité du cours du sous-jacent.

-Wt est un mouvement brownien standard, la volatilité t est elle-même un pro-

cessus stochastique, fonction déterministe du processus Y , la fonction f est dé…nie

sur R et à valeurs strictement positives,

-Y est un processus d’Ornstein-Uhlenbeck, de moyenne à long terme m et de

2
variance à long terme ;
2
-Z est un mouvement brownien standard éventuellement corrélé à W , nous sup-

posons que cette corrélation est constante et nous la notons , avec 2 ] 1; 1[, de
 12

p
sorte que d hW; Zi = dt. Si nous dé…nissons Zbt par l’égalité Z^t = Wt + 1 2Z
t,

alors W et Zb sont deux browniens indépendants. Nous nous plaçons sur un espace

probabilisé ( ; F; P) muni de la …ltration Ft = (Ws ; Zbs ; 0 s t). Nous nous

limiterons aux di¤usions markoviennes

dYt = Y (t; y)dt + Y (t; Yt )dZt

^ (1.5)

et parmi elles à celles qui possèdent la propriété de retour à la moyenne, i.e. celles

pour lesquelles

Y (t; y) = (m y) (1.6)

Le paramètre s’appelle le taux de retour à la moyenne et le paramètre m la moyenne

à long terme. D’une part que la volatilité possède la proptiété de retour à la moyenne,

qu’on modélise par la force de rappel déterministe (m Yt )dt: D’autre part que

ce retour à la moyenne est rapide. On suppose donc que l’intensité de la force de

rappel est grande, de manière équivalente que >> (T t) 1 : La solution Yt de (1:5)

est exprimée explicitement par :

Z t
Yt = m + (y m)e t
+ e (t s)
dZbs (1.7)
0

qui prouve que Yt suit la loi gaussienne ([13]) de moyenne :

t
E (Yt ) = m + (y m)e (1.8)

et de variance :

2 2 t
V ar (Yt ) = (1 e ) (1.9)
 13

2
2 2
où = ; Yt converge en loi lorsque t ! 1 vers = N (m; ):
2
Propriété de décorrélation

L’inverse de l’intensité de la force de rappel s’interprète aussi comme le temps

caractéristique de décorrélation du processus Yt puisque, si s t;

Z s Z t
Cov(Ys ; Yt ) = Cov e (t u)
dZbu ; e (t )
dZb (1.10)
0 0

2 (t s) (t+s)
= (e e ):

Par conséquent, si s et t tendent vres +1 de sorte que = jt sj reste constante la

2
covariance limite vaut e : Notons que c’est exactement la Cov(Ys ; Yt ) sous la loi

Ergodicité : Elle consiste à admettre que la loi des grands nombres est véri…ée

même sur un ensemble de réalisations non indépendantes.

Théorème ergodique : Pour toute fonction g intégrable pour la mesure ;

Z T
1
lim g(Ys )ds = hgi (1.11)
!+1 T t t

où, par dé…nition hgi est l’espérance de la fonction g pour la mesure ; i:e:

Z +1
hgi = g(u) (u)du (1.12)
1

où est la densité pour la loi : En pratique, l’approximation

Z T
1
g(Ys )ds ' hgi (1.13)
T t t

1
ne sera valable que si >> T t
.
 14

Le problème posé par la volatilité dans les modèles …nanciers (Ornstein-Uhlenbeck,

Black-Scholes) ainsi que dans d’autres formules à volatilté stochastique non station-

naire vient du fait que les réalisations du processus de volatilité sont inobsarvables et

les formules de pricing d’options dépendent généralement des paramètres gouvernant

l’évolution de la volatilité. Cette di¢ culté nécessite donc la prévision de la volatilité

implicite. A cet e¤et on suppose que les marchés …nanciers ne sont pas e¢ cients et

donc à essayer d’utiliser les données historiques pour prédire la volatilité future. La

méthodologie généralement adoptée dans cette situation consiste en la modélisation

ARCH (Autoregressive Conditional Heteroskedasticity) proposée par Engle

(1982), que l’on verra plus explicitement par la suite.

 15

Chapitre 2

Généralités sur les séries

temporelles

Ce chapitre est consacré à l’étude des séries temporelles dont nous avons rappelé

quelques notions (stationnarité et linéarité...), et étudie les processus ARM A.

Dé…nitions

Dé…nition 2.1 : Une série temporelle ou série chronologique est une suite de

nombres réels (Xt ), t 2 Z tel que 8t 2 Z; Xt est une variable aléatoire. L’ensemble

des valeurs Xt quand t varie est appelé processus aléatoire : fXt ; t 2 Zg.

Pour une série temporelle Xt , il convient à priori d’étudier ses caractéristiques

stochastiques telles que son espérance et sa variance pour s’assurer que ces deux

variables restent stables au cours du temps. C’est ainsi qu’on dé…ni deux formes de

stationnarités :
 16

2.1 Notions de stationnarité et notions de linéarité

Considérons une suite de variables aléatoires (Xt )t=0;1;::: . On dit que cette suite est

stationnaire lorsque la moyenne de chacune des variables de la suite est identiques :

E (Xt ) = E (X0 ) ; 8t = 0; 1; 2:::

De même, cette suite est stationnaire en variance lorsque :

V ar (Xt ) = V ar (X0 ) ; 8t = 0; 1; 2:::

On peut également dé…nir un concept de stationnarité à partir des lois de probabilités

jointe des variables aléatoires de la suite (Xt ).

Dé…nition 2.2 : La suite (Xt )t=0;1;2;::: est stationnaire au sens stricte si :

L (Xt+h1 ; Xt+h2 ; :::; Xt+hk ) = L (Xh1 ; Xh2 ; :::; Xhk ) ; 8t; 8 (h1 ; h2 ; :::; hk )

on a l’égalité entre les lois jointes.

Dé…nition 2.3 : Un processus (Xt ; t 2 Z) est dit stationnaire au second ordre,

ou stationnaire au sens faible si les trois conditions suivantes sont satisfaites :

(i)8t 2 Z; E(Xt2 ) < 1

(ii)8t 2 Z; E(Xt ) = m, indépendant de t

(iii)8(t; h) 2 Z2 ; Cov(Xt ; Xt+h ) = E[(Xt+h m)(Xt m)] = (h), ne dépend que

de h.

Dé…nition 2.4 : Un processus stationnaire au second ordre est dit ergodique si :

1 PT
lim (h) = 0
T !1 T h=1
 17

Condition nécessaire de l’ergodicité

Une condition nécessaire, mais non su¢ sante pour qu’un processus stationnaire

au seconde ordre soit ergodique est qu’il satisfasse la propriété suivante :

lim (h) = 0
h!1

l’ergodicité est une forme faible de l’indépendance asymptotique.

Proposition 2.1 : Si (Xt )t2Z est un processus stationnaire et si (ai )i2Z est une
P1
suite de nombres réels absolument sommables tel que i= 1 jai j < 1 , alors :

X
1
Yt = ai Xt i ; t 2 Z (2.1)
i= 1

est un processus stationnaire.

Convention : Par abus de langage, nous appellerons par la suite série stationnaire

une série temporelle stationnaire au sens faible.

Un premier exemple sera donné par un processus bruit blanc, qui constitue en fait

l’exemple le plus simple pour un processus stationnaire.

Dé…nition 2.5 : La suite de variables aléatoires f"t gt=0;1;::: constitue un bruit blanc

faible (respectivement fort) si les trois propriétés suivantes sont vérifées :

8
>
>
>
> i)E ("t ) = 0 8t 2 Z;
>
>
<
> ii)E ("2t ) = 2 ;
>
>
>
>
>
: iii)Cov ("t ; "s ) = 0 si t 6= s (respectivement les "t sont i:i:d):
 18

2.1.1 Illustration Graphique

La représentation graphique des observations est une étape indisponsable avant

d’entre prendre une analyse plus technique de la cronique. Cette représentation per-

met, à priori d’avoir une idée sur la stationnarité ou non d’une série, d’apprécier

l’évolution lente du phénomène (tendance), de dégager les périodes de stabilités. C’est

ainsi qu’une série qui semble être non stationnaire en moyenne, est caractérisée par

une moyenne qui augmente au cours du temps, et celle qui semble être stationnaire en

moyenne pour une moyenne représentée par une droite parallèle à l’axe des abscisses.

Pour la non stationnarité en variance, un phénomène d’entonnoir peut témoigner une

variance qui a tendance à augmenter au cours du temps. Dans le souci de réduire

cette variabilité, c’est à dire baisser la variance, une transformation de Box-Cox par

changement de variable est souvent nécessaire : En appelant (Xt ) la série à étudier,

on fait le changement de variable :

8
>
> X
< t si =
6 0
Yt =
>
>
: ln (Xt ) si = 0:

où est estimée en même temps que les autres paramètres du modèle. Mais par la

suite, nous avons utilisé la deuxième expression pour baisser la variance.

 19

2.2 Caractéristiques d’une série temporelle

2.2.1 Moyenne, Variance, Fonction d’autocovariance, et d’au-

tocorrélation

Soit (Xt ) un processus stationnaire, t = 1; :::; T:

P
T
Xt
t=1
Dé…nition 2.6 : La moyenne est donnée par : E (Xt ) = qui est la mesure
T
de la tendance centrale.
P
T
[Xt E (Xt )]2
t=1
Dé…nition 2.7 : La variance est donnée par V ar (Xt ) = qui
T
est la mesure de la dispersion.

Dé…nition 2.8 : La fonction d’autocovariance est donnée par :

h = (h) = Cov (Xt ; Xt+h ), et fournit des informations sur la variabilité de la

série et sur les liaisons temporelles qui existent entre les di¤érentes composantes de

la série (Xt ) :
h
Dé…nition 2.9 : La fonction d’autocorrélation est donnée par : (h) = où
(0)
2
(0) est de…ni par : (0) = V (Xt ) = X. Son graphique étant appelé corrélogramme,

elle permet de mesurer les laisons temporelles entre les di¤érentes composantes de la

série (Xt ) :
 20

2.3 Processus linéaires et processus linéaires géné-

raux

Un processus linéaire est un processus stochastique Xt formé par une combinaison

linéaire (non nécessairement …nie) de bruit blanc forts. On dé…nit également la classe

des processus généraux, qui sont constitués de combinaisons linéaire de bruits blancs

faibles. Introduisons formellement ces deux types importants de processus.

Dé…nition 2.10 : (Xt )t2Z est un processus linéaire (resp : un processus linéaire

général) de moyenne s’il peut être écrit sous la forme :

X
1
Xt = + b k "t k (2.2)
k= 1

2
où f"t gt2Z est un bruit blanc fort (respectivement faible), avec variance ", et où la

suite des coe¢ cents bk est supposée telle que

X
1
b2k < 1: (2.3)
k= 1

Théorème de Wold : Soit un processus stationnaire Yt . Il est toujours possible

de trouver une composante régulière dt et une composante stochastique ut telle que :

Yt = dt + ut (2.4)

P
1
ut = b i "t i (2.5)
i=0

où "t un bruit blanc.

 21

Ce théorème est à la base de la modélisation des séries temporelles stationnaires.

La composante stochastique est exprimée sous la forme de ce que l’on appelle un pro-

cessus moyenne mobile in…nie. Un des buts de la modélisation consiste à approximer

cette moyenne mobile in…nie par un processus ayant un nombre …ni de paramètres.

Preuve : En utilisant la propostion (2.1).

2.4 Les processus ARMA

Introduit par Box et Jenkins (1970), ce sont les processus les plus utilisés pour

l’identi…cation et l’estimation des modèles des séries temporelles. Ici, le but étant

de modéliser une série temporelle en fonction de ses valeurs passées, mais aussi en

fonction des valeurs présentes et passées d’un bruit.

Opérateur retard : On note L, l’operateur qui fait passer de Xt à Xt p par

l’équation : Lp Xt = Xt p où p 2 N ; et si p 2 Z on parle d’opérateur avance.

Opérateur di¤érence : On note l’opérateur di¤érence dé…ni par :

Xt = (1 L) Xt = Xt Xt 1 : Les opérations usuelles telles que l’addition,

multiplication, division et inverse sont possibles sur l’ensemble des polynômes de

retard avec les mêmes propriétés que sur les séries entières.
 22

2.4.1 Inversion des polynômes

Pour parler de l’inverse d’un polynôme de retard, il est commode dans un premier

temps de considérer un polynôme particulier qui est le polynôme de retard de degré

un dé…ni par :

A(L) = 1 L

Pour j j < 1 ce polynôme possède un inverse, c’est à dire que l’on peut dé…nir :

1 P
1
A 1 (L) = = iL
i
1 L i=0

en utilisant l’expression de la somme d’une progression géométrique. Considérons

maintenant le polynôme A(L) de degré p que l’on note :

2 p
A(L) = 1 1L 2L ::: pL

On peut dé…nir l’équation caractéristique associée à ce polynôme comme l’expression

en z

2 p
A(z) = 1 1z 2z ::: pz =0

Théorème 2.1 : Le polynôme A(L) est inversible si les p racines lj de son équation

caract

éristique associée sont toutes extérieures au cercle unité. Son inverse est donné

par :
" #
k
1
Q
p P
1 1 k
A (L) = L
j=1 k=0 lj
 23

Preuve : Factoriser le polynôme A(z) en utilisant les p racines de l’équation

caractéristique :
Q
p
A(z) = (z lj ) r
j=1

1
On peut remarquer que le produit des racines est égal à car :
r

A(0) = 1 = ( lj ) r

D’autre part on a la factorisation :

z
(z lj ) = lj 1
lj

ce qui permet d’exprimer le polynôme en z sous la forme :

Q
p z
A(z) = 1
j=1 lj

On peut alors calculer l’inverse de A(z) comme suit :

1
Q
p z
A 1 (z) = 1
j=1 lj

puisque :
1 k
z P
1 1
1 = Lk
lj k=0 lj

Cet inverse existe si les racines lj de l’équation caractéristique sont toutes en dehors

du cercle unité.

Processus ARMA

Nous pouvons à présent introduire une classe de processus linéaires qui est très

importante dans la modélisation des séries chronologiques : Les processus ARM A

 24

(Auto Regressive Moving Average). Ces processus sont linéaires, et sous certaines

conditions stationnaires. Leur linéarité fournira une théorie simple de la prévision.

2.4.2 Stationnarité et inversibilité d’un processus autorégres-

sif

Supposons que le processus (Xt ) soit stationnaire. Pour toute date t 0, on peut

écrire successivement :
8
>
>
>
> Xt = c + "t + a1 Xt
>
>
1
<
a1 Xt = a1 c + a1 " t + a21 Xt (2.6)
>
>
1 1 2
>
>
>
>
: a21 Xt 2 = a21 c + a21 "t 2 + a31 Xt 3

puis en sommant les équations membre à membre, on peut conclure que :

P
h
Xt = c ai1 + "t + a1 "t 1 + a21 "t 2 + ::: + ah1 "t h + ah+1
1 Xt h 1 (2.7)
i=0

supposons que ja1 j < 1. Dans ce cas, lorsque h augmente indé…niment ah+1
1 tend vers

zéro. Par la suite on a la convergence au sense de l’erreur quadratique moyenne :

n 2
o
E ah+1
1 Xt h 1 ! 0 quand h ! 1 (2.8)

On véri…e en e¤et que les limites :

lim E ah+1
1 Xt h 1 et lim V ar ah+1
1 Xt h 1 (2.9)
h!1 h!1

respectivement égale à limh!1 ah+1

1 m et limh!1 ah+1
1
2
sont égales à zéro. Par

suite, on est assuré que :

P
h
8t 0; Xt = lim c ai1 + "t + a1 "t 1 + a21 "t 2 + ::: + ah1 "t h (2.10)
h!1 i=0
 25

si cette limite existe, ce que l’on note :

P
1
8t 0; Xt = m + ah1 "t h (2.11)
h=0

où
P
h 1 1
m=c ai1 = c = a (1) c (2.12)
i=0 1 a1

On conclut donc que le processus (Xt ) est stationnaire lorsque ja1 j < 1.

Dé…nition 2.11 : Un processus (Xt )t2Z est appelé ARM A (p; q) ; p 0; q 0 s’il
p
X
est stationnaire et s’il véri…é : (L) Xt = (L) "t où, (L) = 1 ak L k ,
k=1
q
X
j 2
(L) = jL et " !bruit blanc BB (0; ) où le processus ("t ) est appelé
j=1
processus des innovations, avec L l’opérateur retard. Ce processus est une extension

naturelle des processus AR et M A dans le sens où il incorpore simultanément des

composantes AR et M A :

-Si le polynôme a toutes ses racines à l’extérieur du disque unité, il est station-

naire.

-Si le polynôme a toutes ses racines à l’extérieur du disque unité, il est inversible.

-Si et ont leurs racines à l’extérieur du disque unité, on peut écrire :

Soit sous la forme

(L) X 1 X
1
M A (1) : Xt = "t = i "t i ; avec 0 = 1 et j i j < 1: (2.13)
(L) i=0 i=0

(L) X 1 X
1
AR (1) : "t = Xt = i Xt i ; avec 0 = 1 et j i j < 1: (2.14)
(L) i=0 i=0
 26

p
X
Sa fonction d’autocorrélation est donnée par : (h) = i (h i) ; 8h > q. La
i=1
signi…cation de cette classe de processus pour la modélisation se déduit du résultat

suivant : Pour une suite d’autocovariance f (h)g donnée et pour chaque nombre entier

K > 0, il existe un processus ARM A (Xt ) tel que ses premières K autocovariances

(h) coincident avec (h) : (h) = (h) pour h = 0; 1; :::; K:

Proposition 2.2 [Brockwell et Davis (1991)] : Si (Xt ) est un processus sta-

tionnaire au second ordre, centré, tel que

P
p
(h) ai (h i) = 0 si jhj > q (2.15)
i=1

alors (Xt ) est un processus ARM A (p; q).

2.4.3 Fonction d’autocorrélation partielle (P ACF )

Pour déterminer l’ordre p d’un processus autorégessif, on recourt à la fonction

d’aotocorrélation partielle. Dans un processus AR (2), 2 évalue l’autocorrélation par-

tielle notée par 22 qui peut être estimée par les M CO. Si l’on estime un processus

AR (3) alors que le vrai processus est un AR (2), on devrait observer que 3 n’est pas

signi…catif. Pour un modèle AR (p), l’autocorrélation partielle d’ordre p, notée par

pp , est éstimée par p:

Plus précisément, l’autocorrélation partielle pp mesure l’association linéaire entre

yt et yt p compensée pour l’e¤et des autres variables, soit yt 1 ; yt 2 jusqu’à yt p 1: La

fonction d’autocorrélation partielle est la suite f 11 ; 22 ; :::; pp g.

 27

L’ordre p d’un modèle AR (p) sera choisi de telle sorte que kk 6= 0 pour k = p et

kk = 0 pour k > p. Donc, si kk est signi…cativement di¤érent de 0 pour p = k et

égal à 0 pour k > p; on peut alors déterminer l’ordre par le test suivant :

H0 : kk = 0 pour k > p

H1 : kk 6= 0 pour k = p

sous l’hypothèse nulle, on sait que : bkk est asymptotiquement normalement distribué
1
avec moyenne 0 et variance égale à : V ar bkk = : On peut alors construire la
T
statistique t asymptotique suivante :

bkk p
t = r = T bkk ! N (0; 1) (2.16)
1
T
le test bilatéral se formule comme à l’accoutumée. On rejette H0 pour = 5% si
2
t > 2: D’où l’intervalle de con…ance : bkk p :
T

2.4.4 Reconnaissance d’un processus AR(p)

La reconnaissance statistique de l’ordre d’un AR (p) est fondée sur la proposition

suivante :

Proposition 2.3 : On peut établir la propriété suivante :

Etant donné un processus AR (p), les coe¢ cients de corrélations partielle r (h)

dé…nis par :
Cov Xt Xt ; Xt h Xt h
r (h) = (2.17)
V ar (Xt Xt )
 28

où Xt (respectivement Xt h) désigne la meilleure prévision linéaire de Xt , fondée sur

la connaissance de Xt 1 ; :::; Xt h+1 :

E (Xt jXt 1 ; :::; Xt h+1 )

(respectivement de Xt h, sur Xt 1 ; :::; Xt h+1 ) sont nuls pour h p+1

2.4.5 Densité spectrale

L’analyse spectrale est une des composantes fondamentales de l’analyse des séries

chronologiques. A cet e¤et on décrit la notion de densité spectrale comme suit :

Dé…nition 2.12 : La densité spectrale ou spectre est donnée par :

1 X
1
f (!) = (h) exp ( i!h) ; 8h 2 R (2.18)
2 h= 1

où (h) est la fonction d’autocovariance. C’est une fonction paire, positive, continue,

et périodique de période 2 , reliée à la fonction d’autocovariance par :

R
(h) = f (!) exp (i!h) d! (2.19)

Théorème 2.2 : Soient deux variables aléatoires (:) et (:) de moyenne nulle et

non autocorrélées. Tout processus stationnaire yt peut se décomposer en une somme

in…nie de termes déterministes cos (!t) et sin (!t) pondérés par ces deux variables

aléatoires selon
Z
yt = + [ (!) cos (!t) + (!) sin (!t)] d! (2.20)
0

cette approche est particulièrement utile pour étudier des cycles.

 29

2.4.6 Test de racine unitaire ou test de stationnarité

C’est ici qu’on décide en général de la di¤érentiation ou non de la série. Les testes

principaux les plus utilisés dans la littérature sont les tests de Dicky-Fuller et de

Phillips-Perron pour lesquelles l’hypothèse nulle est la non stationnarité de la série

étudiée. On e¤ectue la régression suivante : Yt = Yt 1 + "t et le processus est :

-stationnaire si j j < 1

-explosif si j j > 1

-intégré si j j = 1:

2.4.7 Test de Dickey et Fuller augmenté

C’est la correction du test de Dickey et Fulle, qui prend en compte l’autocorré-

lation possible de la série di¤érenciée par l’utilisation des valeurs retardées,

H0 : Xt non sationnaire contre H1 : Xt stationnaire

Dickey-Fuller considèrent trois modèles de base pour la série Xt ; t = 1; :::; T:

-Modèle [1] : Sans constante ni tendance déterministe :

(1 B) Xt = "t

-Modèle [2] : Avec constante sans tendance déterministe :

(1 B) (Xt ) = "t

-Modèle [3] : Avec constante et tendance déterministe :

(1 B) (Xt ) = "t
 30

2
et dans chacun des trois modèles, on suppose que "t ! BB (0; ") : En pratique, on

estime les modèles sous la forme suivante :

0
-Modèle 1 : Sans constante ni tendance déterministe :

(1 B) Xt = Xt 1 + "t

0
-Modèle 2 : Avec constante sans tendance déterministe :

(1 B) Xt = Xt 1 + + "t

0
-Modèle 3 : Avec constante et tendance déterministe :

(1 B) Xt = Xt 1 + + t + "t

2
avec = 1 et "t ! BB (0; ") : On test alors

H0 : = 0 (non stationnairité) contre H1 : < 0 (stationnarité)

la règle de décision est : Si la valeur calculée de la t statistique associée à est

inférieure à la valeur critique, on rejette l’hypothèse nulle de non stationnarité, si non

on accepte l’hypothèse nulle de non stationnarité. Ce test est relativement limité car

il apparaît quasi-systématiquement une autocorrélation des résidus. Et pour résoudre

ce problème d’autocorrélation, deux types de corrections ont été proposées : une

correction paramétrique (Test de Dickey-Fuller augmenté) et une correction non

paramétrique (Test de Phillips-Perron).

 31

2.4.8 Test d’égalité de deux variances

Ce test est très simple à réaliser. Il su¢ t de suivre les étapes suivantes

Étape 1

Poser les hypothèses de départ (toujours les mêmes)

H0 : (Les variances sont égales)

H1 : (Les variances ne sont pas égales : une est plus grande que l’autre)

NB : La plus grande variance d’échantillon sera notée S12 et la plus petite S22

Étape 2

Déterminer le risque d’erreur , généralement = 5% ou 1%

Étape 3

Déterminer le critère de rejet d’un test d’égalité des variances.

Le rapport de deux variances suit une loi de Fisher. C’est pourquoi nous établirons

la règle de décision en comparant le rapport des variances trouvées dans les échan-

tillons à une valeur critique trouvée dans la table de Fisher avec , 1 = n1 1 où n1

est la taille de l’échantillon ayant la plus grande variance et 2 = n2 1, où n2 est la

taille de l’échantillon ayant la plus petite variance.

Calculez :
S12 la plus grande variance
FE = 2
=
S2 la plus petite variance
 32

Étape 4

Règle de décision

Il faut maintenant trouver dans la table de Fisher la valeur critique F ; 1; 2 où

est le risque d’erreur, 1 est le degré de liberté de l’échantillon ayant la plus grande

variance et 2 est le degré de liberté de l’échantillon ayant la plus petite variance.

La règle de décision s’énoncera alors ainsi : Si FE > F ; 1; 2 alors on rejette H0 .

Autrement on acceptera H1 .

Étape 5

Conclusion

En mentionnant le risque d’erreur dire simplement si les variances sont égales ou

pas.

Dé…nition 2.13 : Un modèle est homoscédastique si V ar(Xt jXt 1 ) est constante.

Si cette variance conditionnelle n’est pas constante, le modèle est appelé hétéroscé-

dastique.

Noté bien : L’espérance conditionnelle d’un ARM A(p; q) dépend du passé (est

non constante), c’est une variable aléatoire. Par contre, sa variance conditionnelle est

2
toujours , indépendante du passé.
 33

Chapitre 3

Modèles ARCH/GARCH

3.1 Introduction

Face aux lacunes des représentations ARM A(p:q) pour les problèmes monétaires

et …nanciers, Engle (1982) propose une nouvelle classe de modèles autorégressifs

conditionnellement hétéroscédastiques (ARCH) apte à capter le comportement de la

volatilité dans le temps. Engle (1982) a donc proposer ces processus pour palier aux

insu¢ sances de la classe des représentations ARM A, notamment en ce qui concerne

les séries …nancières qui présentent une volatilité (ou variabilité instantanée mesurée

par la variance conditionnelle) fonction du temps et par des ajustements asymé-

triques. Ainsi, les modèles ARCH sont basés sur une paramétrisation endogène de la

variance conditionnelle. La famille des modèles ARCH peut se décomposer en deux

sous-ensembles : les modèles ARCH linéaires et les modèles ARCH non linéaires.
 34

Les premiers reposent sur une spéci…cation quadratique de la variance condition-

nelle des perturbations : modèles ARCH(p; q), GARCH(p; q) Bollerslev (1986),

et IGARCH(p; q). Les modèles ARCH non linéaires sont caractérisés par des

spéci…cations asymétriques des perturbations, ce sont les modèles EGARCH(p; q),

T ARCH(q) et T GARCH(p; q) ce qui on va l’abordés.

3.2 Modèles ARCH(p) linéaire

Comme nous venons de le voir, des exemples pratiques de séries économiques

ont imposé d’étudier des modèles pouvant expliquer, par exemple une variation de la

variance au cours du temps (plus largement des moments d’ordres supérieurs ou égaux

à deux). Dans la théorie des processus ARM A, la variance d’une série est (entre autre)

déterminée par la variance du processus des innovations. Pour simpli…er, considérons

le bruit blanc gaussien :

Xt = "t

2
où " ! N (0; ).

Nous souhaitons à présent tenir compte d’un éventuel changement au cours du

temps de la variance, provenant de l’évolution passée du processus (variation instan-

tanée). C’est ce que permettent les modèles ARCH, dont l’idée est de déterminer la

distribution de "t conditionnellement à toutes les valeurs passées Xt 1 ; Xt 2 ; :::. Plus

 35

précisément, un processus ARCH est dé…ni comme suit : supposons que

Xt = "t

et explicitons la distribution de "t sachant les valeurs prises par le processus dans le

passé, Xt 1 ; Xt 2 ; ::: :

2
"tj Xt 1 ;Xt 2 ;::: ! N 0; t

2
où la variance conditionnelle t dépend du temps et est égale à :

2 2 2
t = 0 + 1 Xt 1 + ::: + p Xt p (3.1)

pour certains paramètres : 0 > 0 et i 0; i = 1; :::; p: Les modèles pour Xt dépend

de p paramètres et est appelé ARCH (p).

Dé…nition 3.1 : Commençons par présenter le modèle ARCH(1): Un processus

Xt satisfait une représentation ARCH(1) si :

p
2
Xt = "t ht avec ht = 0 + 1 Xt 1

où "t désigne un bruit blanc faible tel que :

E("t ) = 0 et E("2t ) = 2

De façon générale, "t désigne un ensemble de variables aléatoires indépendantes,

identiquement distribuées, centrées réduites. La composante ht désigne une variable

qui, conditionnellement à l’ensemble d’information des valeurs passées de Xt i.e. à

 36

Xt 1 = fXt 1 ; Xt 2 ; ::; Xt j ; ::g est déterministe et positive. Dans ce système, le pro-

cessus Xt est caractérisé par des autocorrélations nulles et une variance conditionnelle

variable dans le temps.

Propriété 3.1 : La variance conditionnelle du processus Xt ! ARCH(1) dé…ni

par l’équation :
p
Xt = "t ht (3.2)

est non constante dans le temps et véri…e :

h
1 1 h 2
V ar(Xt jXt h) = 0( )+ 1 Xt h ; 8t (3.3)
1 1

C’est la propriété centrale des processus ARCH : Puisque la variance conditionnelle

d’un processus ARCH varie dans le temps, ces processus sont appelés condition-

nellement héteroscédastiques (d’où leur nom), néanmoins inconditionnellement ces

processus sont homoscédastiques. En ce qui concerne la fonction d’autocovariance

conditionnelle, on a pour tout h 1

Cov(Xt ; Xt+k jXt h) = 0; 8k 1 (3.4)

il ya donc non corrélation en tout instant entre les valeurs futures d’un processus

ARCH. En utilisant cette dernière propriété, on peut montrer aussi que le processus

est inconditionnellement non corrélé :

Cov (Xt ; Xt+k ) = 0 (3.5)

l’absence de corrélation entre les valeurs futures d’un processus ARCH est une carac-

téristique très importante de cette famille de modèle, qui les rend utiles pour modéliser
 37

certaines séries …nancières.

Remarque 3.1 : Lorsque h tend vers l’in…ni, ces variances conditionnelles convergent

vers la variance non conditionnelle, et l’on retrouve alors la formule :

h
1 1 h 2 0
V ar(Xt ) = lim V (Xt jXt h) = lim 0( )+ 1 Xt h = (3.6)
h!1 h!1 1 1 1 1

on peut en outre établir les moments conditionnels et non conditionnels d’ordre 4 du

processus Xt .

Propriété 3.2 : L’analyse du quatrième moment standarisé (le kurtosis, ou

coe¢ cient d’aplatissement de Fisher) donne une indication sur l’applatissement de

la distribution de Xt . Il est dé…ni pour un processus de moyenne zero par :

E(Xt4 )
kurtosis = 2
[E(Xt2 )]

il est di…cile d’écrire une expression générale concise du kurtosis d’un processus

ARCH(p). Néanmoins, on peut le calculer explicitement si est un processus ARCH(1) :

il est donné dans ce cas par :

E(Xt4 )1 2
1 2
kurtosis = 2 2
=3 2
si 3 1 <1
[E(Xt )] 1 3 1

2
(si 3 1 1, alors le quatrième moment du processus n’existe pas). Puisque :

p
0< 1 < 1= 3 < 1

On en déduit que le kurtosis supérieur à trois, et donc que la distribution de Xt

est plus applatie que celle de la loi normale. Il est possible d’arriver facilement à la

conclusion que pour tout p le kurtosis supérieur à trois. Toutes ces propriétés peuvent

être généralisées au cas d’un processus ARCH(p).

 38

3.3 Modèle avec erreurs ARCH(q)

On considère dorénavant non plus un processus ARCH pour modéliser directe-

ment la série …nancière, mais le résidu d’un modèle linéaire. Prenons l’exemple d’un

modèle linéaire auto-régressif avec résidus de type ARCH(q).

Dé…nition 3.2 : On considère un modèle linéaire auto-régressif de la forme :

Yt = E(Yt jYt 1 ) + "t (3.7)

où "t est un bruit blanc faible, tel que :

E("t ) = 0 et E("t "s ) = 0 si s 6= t

satisfaisant la condition de di¤érence de martingale :

E("t j"t 1 ) = 0

On suppose que ce résidu admet une représentation de type ARCH(q) :

q
p X
2
"t = zt ht avec ht = 0 + i "t i (3.8)
i=1

où zt est un bruit blanc faible. On a donc un modèle qui décrit à la fois l’évolution

de l’espérance conditionnelle et de la variance conditionnelle du processus Yt dans le

temps. Envisageons le cas le plus simple d’un processus de type AR(1) avec erreur

ARCH(1) :

Yt = + Yt 1 + "t , où j j < 1 et (3.9)

q
2
"t = zt 0 + 1 "t 1
 39

On peut montrer tout d’abord que l’espérance conditionnelle de Yt est alors :

h
1 h
E(Yt jYt h) = + E(Yt jYt h) = + Yt h (3.10)
1

De la même façon, on montre que la variance conditionnelle de Yt dépend du temps.

En e¤et, on peut montrer qu’elle dépend du processus "2t h de la façon suivante.

Propriété 3.3 : La variance conditionnelle du processus AR(1) avec erreur

ARCH(1), Yt s’écrit :

2h h 2h h 2h
1 1 1
V ar(Yt jYt h) =( ) 2 1( 2
) + 1( 2
)"2t h (3.11)
1 1 1 1 1

Ainsi la variance d’une erreur de prévision à l’horizon 1, s’écrit :

2
V ar(Yt jYt 1 ) = + 1 "t 1 (3.12)

En conclusion, si l’on désire prévoir le processus Yt dans le cas d’erreur ARCH(1),

l’erreur de prévision à un horizon d’une période admet une variance V ar(Yt jYt 1 )

qui varie dans le temps en fonction de la valeur de "2t 1 . Dès lors les intervalles de

con…ance sur cet prévision ne sont plus constants dans le temps.

3.4 Modèle GARCH(p,q)

Dé…nition 3.3 : Un processus Xt satisfait une représentation GARCH(p; q) si :

p q
p X X
2 2
Xt = zt ht avec ht = 0 + i Xt i + j Xt j (3.13)
i=1 j=1
 40

où zt est un bruit blanc faible et où :

0 > 0; i 0; i = 1; ::; p et j 0; j = 1; ::; q

Xt admet pour moments conditionnels :

E(Xt jXt 1 ) = 0

p q
X X
2 2
V ar(Xt jXt 1 ) = ht = 0 + i Xt i + j Xt j si V ar (zt ) = 1
i=1 j=1

Le modèle GARCH peut être représenté comme un modèle ARM A dans les erreurs

au carré. Tout comme pour le modèle ARCH, on peut par inversion exprimer le

processus Xt2 sous la forme (d’un processus ARM A dé…ni dans une innovation), on

a:
p q
X X
2 2
ht = 0 + i Xt i + j Xt j (3.14)
i=1 j=1
p q
X X
Xt2 = 0+
2
i Xt i + j ht j + (Xt2 ht ) (3.15)
i=1 j=1

Soit :

t = Xt2 ht

Introduisant cette notation dans l’équation (3:15), il vient :

p q
X X
Xt2 = 0+
2
i Xt i +
2
j (Xt j t j) + t (3.16)
i=1 j=1

D’où l’on tire que :

max(p;q) q
X X
Xt2 = 0 + ( i + 2
i )Xt i + t j t j
i=1 j=1
 41

avec la convention i = 0 pour i > p et i = 0 pour i > q, en plus, le processus Xt2

d’une représentation GARCH(p; q) peut être représenté sous la forme d’un processus

ARM A[max(p; q); p] avec innovations :

t = Xt2 V ar(Xt jXt 1 ) (3.17)

Noté bien : Ce modèle a les même propriétés que le modèle ARCH(p):

Proposition 3.4 : Si le processus Xt satisfait une représentation GARCH(p; q)

conditionnellement gaussienne, telle que :

p
Xt = zt ht
p q
X X
2 2
V ar(Xt jXt 1 ) = ht = 0 + i Xt i + j Xt j (3.18)
i=1 j=1

où zt est un bruit blanc faible gaussien, alors :

(i) la loi marginale de Xt a des queues plus épaisses qu’une loi normale (distribu-

tion leptokurtique) :

E(Xt4 ) 3 E(Xt2 ) (3.19)

(ii) son coe¢ cient d’excès de kurtosis peut s’exprimer sous la forme suivante :

E(Xt4 ) V ar [E(Xt2 =Xt 1 )]

Exces de Kurtosis = 2 3=3 2 (3.20)
[E(Xt2 )] [E(Xt2 )]

3.5 Modèle avec erreurs GARCH(p,q)

On considère un modèle linéaire autorégressif exprimé sous la forme suivante :

Yt = E(Yt jYt 1 ) + "t (3.21)

 42

où "t est un bruit blanc faible, tel que E("t ) = 0 et E("t "s ) = 0 si s 6= t, satisfaisant

la condition de di¤érence de martingale E("t j"t 1 ) = 0. On suppose toujours que le

processus "t peut s’écrire sous la forme :

p
"t = zt ht (3.22)

où zt est un bruit blanc faible, avec :

p q
X X
2 2
ht = 0 + i Xt i + j Xt j (3.23)
i=1 j=1

et

0 > 0; i 0; i = 1; :::; p et j 0; j = 1; :::; q

su¢ santes pour garantir la positivité de ht .

Noté bien : Ce modèle à les même propriétés que le modèle avec erreur ARCH.

3.6 Estimation des paramètres ARCH

Pour comprendre cette approche, nous allons tout d’abord considérer le cas d’un

processus ARCH pur pour Xt ; sans régression ni composante ARM A. Nous étudie-

rons ensuite le cas des processus GARCH, et en…n des modèles de régression avec

erreur GARCH et les modèles ARM A GARCH.

3.6.1 Estimation par maximum de vraisemblance

L’estimation des paramètres de modèles ARCH se base très souvent sur la maxi-

misation de la fonction de vraisemblance. Par hypothèse Xt est conditionnellement

 43

gaussien. La vraisemblance associée à Xt conditionnellement au passé Xt 1 est donc :

1 x2t
L(xt jXt 1 ; ) = p exp( 2
) (3.24)
t 2 2 t

t
et dépend du vecteur de paramètres =( 0; 1; : : : ; p) à travers t dé…ni en (3.1).

La fonction de vraisemblance de (x1 ; :::::; xT )t conditionnelle à X0 = ;, est par consé-

quent
T 1 x2t
LT (x1 ; x2 ; ::; xT jXt 1 ; ) = p exp( 2
) (3.25)
t=1
t 2 2 t

l’estimateur est alors dé…ni comme le vecteur

^
T = (^ 0;T ; : : : ; ^ p;T )t

qui maximise le logarithme de cette fonction de vraisemblance :

^
T = arg max lnLT (x1 ; x2 ; ::; xT ; )

Sous diverses conditions de régularité, l’estimateur est convergent Weiss (1986).

3.6.2 Estimation des paramètres GARCH

L’estimation par maximum de vraisemblance d’un modèle ARM A est rendue plus

di¢ cile que celle d’un processus autorégressif pur, puisque le processus d’innovations

n’est pas directement observé, le même phénomène survient lorsqu’on tente de maxi-

miser la vraisemblance d’un processus GARCH. En e¤et, la vraisemblance associée

à Xt conditionnellement au passé Xt 1 s’écrit

1 x2t
L xt Xt 1 ; = p exp (3.26)
t 2 2 2t
 44

2
mais cette fois, la variance t est donné par (3.13) et dépend donc des valeurs passées

2 2
de la variance conditionnelle t 1 ; :::; t q. Ces valeurs n’étant pas observées en pra-

tique, la maximisation directe de la vraisemblance est rendue impossible. En pratique,

2 2 2
on estime successivement les valeurs de 1; 2 ; :::; t 1 avant de calculer la vraisem-
0
blance. Ainsi, pour un vecteur = 0 ; :::; p; 1 ; :::; q …xé de paramètres, on

calcul récursivement
p q
X X
b2s = 0 + 2
i Xs i + 2
j bs j (3.27)
i=1 j=1

2
avec la convention Xi = 0 et i = 0 si i 0. On remplace donc la fonction de

vraisemblance (3.26) par

T
LT (xt ; :::; xT ; )= t=1 L xt Xt 1 ; (3.28)

cette fonction de vraisemblance peut être calculée pour di¤érentes valeurs du vecteurs

et sa maximisation donne l’estimateur de maximum de vraisemblance. Pour le cas

du modèle de régression avec erreur GARCH ainsi que pour le modèle ARM A

GARCH en basant sur l’estimation par la méthode de moindres carrés.

3.7 Test de ARCH de Engle (1982)

Le principe de ce test est le suivant :

X
l
On e¤ectue la régression suivante : b
"t = 0 + "2t i
ib où les b
"t sont les résidus
i=1
issus de l’estimation du processus du type ARM A (p; q). Très fréquemment utilisé
 45

dans les séries …nancières, ce test a pour objet de tester l’hypothèse nulle :

H0 : d’homoscédasticité, c’est-à-dire : ( i = 0; 8i = 1; :::; l) contre

H1 : d’hétéroscédasticité conditionnelle, c’est-à-dire : (9i; i 6= 0)

on calcul la statistique du multiplicateur de lagrange LM = T R2 où

P 2
b
"t
2
R = 1 P est le coe¢ cient de détermination associé et T le nombre
(b
"t "t )
d’observations. Sous l’hypothèse nulle H0 : T R2 suit une loi du 2
(l) où l le nombre

de régresseurs. La règle de décision est :

-si T R2 < 2
(l), on accepte l’hypothèse H0 d’homoscédasticité au seuil

-si T R2 > 2
(l), on n’accepte pas H0 au seuil en faveur d’hétéroscédasticié

2 2
conditionnelle, où (l) est le quantile d’ordre de la loi de à (l) degré de liberté,

où l est le nombre de régresseurs.

3.8 Modèles ARCH/GARCH linéaires

3.8.1 Modèles ARMA-GARCH

La modélisation GARCH peut être appliquée non au processus initial, mais au

processus d’innovation. Ceci permet alors d’introduire divers e¤ets additionnels de

variables explicatives soit dans la moyenne conditionnelle, soit dans la variance condi-

tionnelle. Par exemple, on peut considérer un modèle de régression linéaire avec er-

reurs GARCH

yt = axt + "t avec "t ! GARCH(p; q) (3.29)

 46

on peut aussi considérer un modèle ARM A avec erreurs GARCH

(L)yt = (L)"t avec "t ! GARCH(p; q) (3.30)

Ce modèle est appelé modèle ARM A GARCH: Alors, on peut concevoir un modèle

ARM A dans lequel la variance non conditionnelle de y peut avoir un e¤et sur la

variance conditionnelle : 8
>
>
< (L)yt = (L)"t
>
>
: et E("t j"t 1 ) = 0
q p
X X
2 2
V ar("t j"t 1 ) = c + j "t j + 0 [E(yt jyt 1 )] + j yt j (3.31)
j=1 j=1

3.9 Variantes des processus ARCH

3.9.1 Modèle GARCH-M

On peut trouver plusieurs extensions des modèles ARCH et GARCH utilisées

dans le domaine de la …nance. Engle-Lilien-Robbins (1987) ont proposés des mo-

dèles GARCH M (General Autoregrssive Conditional Heteroscedasticity in Mean)

où la variance conditionnelle est une variable explicative de la moyenne condition-

nelle. Ces processus semblent ainsi plus adaptés à une description de l’in‡uence de

la volatilité sur le rendement des titres ce qui parait assez réaliste pour les cours

boursiers.

Dé…nition 3.3 : L’écriture du modèle GARCH M porte sur la non stationnarité

de son processus de variance conditionnelle et par une variance non conditionnelle

 47

in…nie. Soit un processus yt , d’espéance E(yt ) = 0 satisfaisant une représentation de

type GARCH M (p; q). Ce processus s’écrit sous la forme suivante :

8
>
> p p
>
> yt = xt b + ht + zt ht = xt b + V ar("t j"t 1 ) + zt ht
>
>
<
p
" = z ht (3.32)
>
>
t t
>
>
>
> P P
: h = t + p
0 "2 + q
i=1 i t i h i=1 i t i

et 8
>
>
< E("t j"t 1 ) = 0
(3.33)
>
>
: V ar("t j"t 1 ) = V ar(yt jyt 1 ) = ht

En plus de la forme linéaire de l’écriture de yt ci-dessus ; on peut envisager di¤érentes

variantes de la relation entre la variable dépendante yt et la variance conditionnelle.

Par exemple, on peut considérer les cas suivants :

Forme Log-Linéaire :

yt = xt b + log ht + "t (3.34)

Forme Racine Carrée :

p
yt = xt b + ht + "t (3.35)

3.9.2 Modèle IGARCH

Le modèle IGARCH (Integrated General Autoregressive Conditional Heteroske-

dasticity) correspond au cas d’une racine unitaire dans la variance conditionnelle.

C’est un modèle qui caractérisé par un e¤et de persistance dans la variance. C’est-

à-dire qu’un choc sur la variance conditionnelle actuelle se répercute sur toutes les
 48

valeurs futures prévues. L’étude de la stationnarité (au 2nd ordre) d’un processus

GARCH revient à démontrer que la variance inconditionnelle est asymptotiquement

indépendante du temps Gourieroux (1992). Le processus "t étant une di¤érence

de martingale (admettant des composantes non corrélées de moyenne nulle), on a la

propriété suivante :

V ar(Xt ) = V ar(E(Xt jXt 1 )) + E(V ar(Xt jXt 1 )) = E(ht ) (3.36)

La proposition suivante permet de caractériser la notion de stationnarité asympto-

tique d’un processus GARCH(p; q).

Proposition 3.5 : Un processus "t satisfaisant une représentation GARCH(p; q)

telle que :
p q
X X
2
V ar(Xt jXt 1 ) = ht = 0 + i Xt i + i ht i (3.37)
i=1 i=1

avec 0 0, i 0 pour i = 1; ::; p et i 0, i = 1; ::; q est asymptotiquement

stationnaire au second ordre si et seulement si :

p q
X X
i + i =1
i=1 i=1

En e¤et, nous avons vu que l’on pouvait obtenir la représentation ARM A suivante

sur le processus au carré "2t :

max(p;q) p
X X
Xt2 = 0 + ( i + 2
i )Xt i + t j t j (3.38)
i=1 j=1

où :

t = Xt2 ht = Xt2 V ar(Xt jXt 1 ) (3.39)

 49

est un processus d’innovation pour Xt2 . On peut alors montrer que

max(p;q) p
X X
Xt2 = 0 + ( i + 2
i )Xt i + t j t j (3.40)
i=1 j=1

Par construction

E( t i) = E(Xt2 i ) E(ht i ) = 0

Puisque nous avons vu que V ar(Xt ) = E(ht ); dès lors que "t est une di¤érence de

martingale. On a donc

max(p;q)
X
E(Xt2 ) = 0 + ( i + 2
i )E(Xt i ) (3.41)
i=1

dès lors, il su¢ t que les racines du polynôme retard dé…ni par

max(p;q)
X
i
(L) = 0 + ( i + i )L (3.42)
i=1

soient toutes à l’extérieur du disque unité pour la suite

E(Xt2 ) = V ar(Xt )

le processus est alors asymptotiquement stationnaire. Par conséquent un modèle

IGARCH(p; q) est dé…ni par la non stationnarité de son processus de variance condi-

tionnelle.

Dé…nition 3.4 : Un processus Xt satisfait une représentation IGARCH(p; q) si

et seulement si :

p q
X X
2
V ar(Xt jXt 1 ) = ht = 0 + i xt i + i ht i
i=1 i=1
 50

avec 0 0; i 0 pour i = 1; ::; p et j 0; j = 1; ::; q et :

p q
X X
i + i =1
i=1 i=1

L’exemple le plus simple est bien évidemment le processus IGARCH(1; 1) proposé

notamment par Nelson (1990)

2
V ar(Xt jXt 1 ) = ht = 0 + 1 xt 1 + 1 ht 1

Pour ce processus les prévisions de la variance conditionnelles aux di¤érents horizon

k sont de la forme :

X
k 1
k i
E(ht+k jXt 1 ) = ( 1 + 1) ht + 0 ( 1 + 1) (3.43)
i=0

Ainsi, lorsque 1 + 1 < 1, le processus Xt est stationnaire et un choc sur la variance

conditionnelle ht a une in‡uence décroissante et asymptotiquement négligeable sur

ht+k quand k tend vers l’in…ni. Par contre, lorsque 1 + 1 =1

E(ht+k jXt 1 ) = ht + 0k (3.44)

on a diverge avec k.

3.10 Modèles ARCH/GARCH asymétriques

La seconde grande approche couvre les modèles ARCH non linéaires et plus par-

ticulièrement la prise en compte des phénomènes asymétriques (mauvaises informa-

tions). L’idée est que l’e¤et hétéroscédastique n’est sans doute pas le même suivant
 51

que l’erreur précédente est positive ou négative. Deux grandes classes de modèles ont

été proposés :

-Nelson (1990) s’est intéressé aux évolutions asymétriques de la variance à l’aide

des modèles EGARCH (Exponential Generalized Auto Regressive Conditio-

nal

Heteroscedastic).

-Engle et Bollerslev (1986) ont étudiés les modèls ARCH à seuils (T ARCH) où

la variance est une focntion linéaire dé…nie par morceaux qui permet di¤érentes fonc-

tions de volatilité selon le signe et la valeur des chocs. Rabemananjara et Zakoian

(1991) ont proposés une généralisation avec les modèles T GARCH.

3.10.1 Modèle EGARCH

Proposé par Nelson (1991), le processus Exponential GARCH ou EGARCH(p; q)

donne à la variance conditionnelle la dé…nition suivante :

Dé…nition 3.5 : Un processus "t satisfait une représentation EGARCH(p; q) si

et seulement si :
p
"t = zt ht
q p
X X
log(ht ) = 0 + i g(zt i ) + i log(ht i ) (3.45)
i=1 i=1

où le résidu normalisé zt est un bruit faible et où la fonction g(:) véri…e :

g(zt i ) = zt i + (j zt i j E j zt i j) (3.46)
 52

Si l’on pose i = i et bi = i i la variance conditionnelle de "t peut se réécrire sous

la forme :

q q p
X X X
log(ht ) = 0 + i zt i + bi (j zt i j E(j zt i j)) + i log(ht i ) (3.47)
i=1 i=1 i=1

Dans le cas d’un processus EGARCH(1; 1), nous avons donc :

log(ht ) = 0 + 1 zt 1 + b1 (j zt 1 j E(j zt 1 j)) + 1 log(ht 1 ) (3.48)

Deux remarques doivent être faites à ce niveau :

Remarque 3.2 : L’écriture porte sur le logarithme de la variance conditionnelle

ht de "t , en conséquence aucune restriction n’a besoin d’être imposée sur les di¤érents

paramètres de l’équation pour assurer la positivité de ht .

Remarque 3.3 : La variance conditionnelle ht fait apparaître un e¤et de signe,

correspondant à 1 zt 1 , et un e¤et d’amplitude mesuré par b1 (j zt 1 j E(j zt 1 j)).

Dans ces expressions, la valeur de E(j zt 1 j) dépend bien évidemment de la loi

supposée de zt . On a ainsi pour les trois distributions : loi Gaussienne, loi de Student,

loi de Student dissymétrique et standarisée.

 53

3.10.2 Modèle APARCH

Introduit par Ding, Granger et Engle (1993) le modèle AP ARCH est l’un des

plus intéressant notamment parce qu’il admet comme cas particuliers plusieurs autres

processus existants.

Dé…nition 3.6 : Un processus "t satisfait une représentation AP ARCH(p; q) si

et seulement si :
p
"t = zt ht

et
q p
X X
i = 0 + i (j "t 1 j i "t 1 ) + i t i
i=1 i=1
p
où t = ht est l’écart-type conditionnel de "t , et zt est un bruit blanc faible. La

positivité t est assurée par les conditions : 0 > 0; i 0 et 1 < i < 1; i =

1; :::; q; i 0; i = 1; :::; p; > 0. La stationnarité au second ordre d’un processus

AP ARCH nécessite :

q p
X X
iE (j "t 1 j i "t 1 ) + i t i <1 (3.49)
i=1 i=1

Dans le cas d’un processus AP ARCH(1; 1) on a :

1 = 0 + 1 (j "t 1 j 1 "t 1 ) + 1 t 1 (3.50)

On remarque en particulier que :

Un processus AP ARCH(1; 1) correspond à un processus ARCH lorsque :

= 2 et i = 0 et 1 =0
 54

Un processus AP ARCH(1; 1) correspond à un processus GARCH lorsque :

= 2 et i =0

3.10.3 Modèles TGARCH

Les modèles T ARCH Zakoian (1991) et T GARCH Zakoian (1994) sont des

modèle asymétriques, dé…nis de la façon suivante :

Dé…nition 3.7 : Un processus "t satisfait une représentation T GARCH si et

seulement si :
p
"t = zt ht

et
p q q
X X X
2 2 2 2
i = 0 + i t i + i "t i I"t i <0
+ i "t i I"t i >0
(3.51)
i=1 i=1 i=1

où le résidu normalisé zt est un bruit faible et I"t i

désigne la fonction indicatrice

telle que I"t i <0

= 1 si "t i < 0 et I"t i <0
= 0 sinon. Dans le cas d’un processus

T GARCH(1; 1) on a :

2 2 2 2
1 = 0 + 1 t 1 + 1 "t 1 I"t 1 <0 + 1 "t 1 I"t 1 >0 (3.52)

Ce type de modèle permet de prendre en compte une dissymétrie de l’information :

les agents suivent un comportement di¤érent selon que la variable à expliquer est à la

hausse ou à la baisse (une erreur ( ) va entraîner un plongeon bien plus rapide que

l’erreur (+) c’est pour cela que les cours boursiers parfois chutent beaucoup avant de

remonter).
 55

3.11 Introduction à la notion de mémoire longue

Dans le domaine temporel, les processsus ARM A sont souvent appelé processus

à mémoire courte, car l’autocorrélation entre Xt et Xt+h à une décroissance rapide

quand h ! 1 (décroissance exponentielle de (h)). En fait, il est possible de véri…er

que, pour un processus ARM A stationnaire, sa fonction d’autocorrélation est bornée,

j (h)j crh pour h = 1; 2; :::

pour une certaine constante c > 0 et 0 < r < 1.

Dé…nition 3.8 : Un processus stationnaire sera dit à mémoire longue si les au-

tocorrélations (h) satisfont

(h) ch2d 1
quand h ! 1

1
où c est une constante non nulle et d < . Il est possible de remarquer suivant la
2
valeur de d :

-si d < 0 : mémoire intermédaire, la série (h) est absolument convergente.

1
-si 0 < d < : mémoire longue, la série (h) n’est plus absolument convergente.
2
De façon heuristique, une série à mémoire longue est caractérisée par une fonction

d’autocorrélation qui décroit lentement lors que le retard h augmente. Dans le domaine

fréquentiel, les processus à mémoire longue sont caractérisés par une densité spectrale

s’accroissant sans limite quand la fréquence tend vers zéro. En général, un processus

stationnaire (Xt ) est un processus à mémoire longue s’il existe un nombre , avec
 56

0< < 1, et une constante c, c > 0, véri…ant :

f (!)
lim =1
!!0 cj j

où f (!) est la densité spectrale du processus (Xt ) à la fréquence !: Ainsi, la densité

spectrale présente un pôle à la fréquence 0.

3.12 Application en …nance

Les prix d’actifs …nanciers (taux de change, cours boursiers...etc) sont des sé-

ries qui présentent des comportements de type hétéroscédastique, avec très souvent

de la persistance. En outre, la plupart du temps les distributions des prix ne sont

pas normales. A partir des années quatre vingt Engle (1982), une large classe de

modèles à temps discret a été proposée : ARCH; GARCH; EGARCH; T GARCH;

IGARCH::::

Une des caractéristiques des modèles est la prise en compte explicite de l’hypothèse

d’hétéroscédasticité dans les séries observées. Mais, leurs fonctions d’autocorrélation

est semblable à celle d’un processus à mémoire courte : la fonction d’autocorréla-

tion d’un processus type ARCH décroit exponentiellement vers 0. Pour h augmente,

l’autocorrélation entre Xt et Xt+h est alors supposée très e¢ cace.

 57

Chapitre 4

Application à la value at risk

4.1 Problématique

Pour expliquer ce qu’est la V aR, commençons par prendre un exemple concret.

Considérons que nous avons ivestis 10000DZD dans notre portefeuille d’actions.

Comment avoir une idée de la perte maximale que le portefeuille peut subir d’ici

un mois ?

La réponse la plus logique est que nous pouvons perdre tout notre ivestissement.

Néonmoins, un événement de perte totale est vraiment très peut probable. Une ré-

ponse plus réaliste serait par exemple qu’en l’absence d’événement exceptionnel, il y

a 5% de chance de perdre 1000DZD. C’est le type de réponse fournit par la V aR.

On pourrait croire de nos jours que les établissements disposent de tous les outils

nécessaires pour avoir une vision future des cotations et ainsi limiter certains risques.
 58

Or, on s’aperçoit à l’usage, d’une ine¢ cacité des prévisions reposant sur des données

économiques (prévisions fondamentalistes).

Il existe de plus, un autre type de prévisions (techniques) se basant sur l’analyse de

graphe (courbes) ou sur des traitements mathématiques de données historiques. Le fait

que chaque intervenant sur les marchés soit libre de choisir sa méthode, peut amener

à des prévisions contradictoires entraînant des opérations dont l’e¤et est di¢ cile à

déterminer. Indépendamment des outils de prévision de cours ou de taux, il existe

également des méthodes destinées à mesurer le risque du marché dont la plus connue

est la V aR ou Value at Risk en anglais.

Dé…nition 4.1 : La Value at risk de l’actif pour la durée t et le niveau de proba-

bilité q se dé…nit comme la perte encourue maximale sur cet actif durant l’intervalle

[0; t] pour une probabilité de (1 q) :

P r[V t > V aR] = 1 q , P r[V t V aR] = q

En pratique on calcule la V aR en fonction de la probabilité q :

1
V aR(q) = F (q)

Si l’on reprend notre exemple de distribution normale, on a¢ che alors une V aR pour

un niveau de con…ance de 95% ( = 5%) égale à 1:645. Cela signi…e qu’il y a 95% de

chances que la perte associée à la détention de l’actif n’excède pas 1:645

Remarque 4.1 : Toute fois, cette dé…nition pose un certain nombre de problèmes

liés notamment à l’existence et à la caractérisation de la fonction de densité. Pour

 59

les variables discrètes par exemple, la V aR n’est pas dé…nit de façon précise et dans

le cas où q correspond à un saut de la fonction de répartition, aucune valeur de la

perte ne peut convenir. De la même manière, lorsque q correspond à un palier de la

fonction de répartition, une in…nité de valeurs conviennent et on choisit, par sécurité,

de prendre la valeur la plus défavorable, c’est à dire la plus grande. De ce fait, la

dé…nition rigoureuse de la V aR s’écrit alors sous la forme :

V aRq = max fV : P r[Vt V] qg (4.1)

Remarque 4.2 : lorsque la variable aléatoire Vt suit une loi normale de moyenne

et d’écart type , on peut écrire :

Vt V aRq
P =q (4.2)

et si on note zq le quantile d’ordre q de la distribution normale, on obtient une formule

très simple de la V aR : La V aR peut être dé…nie de la manière suivante :

p
V aRq = + T zq (4.3)

p
Le terme T est un facteur qui permet d’ajuster des données d’un horizon temporel
p
à un autre. On a supposé que T est égal à 1.
 60

4.2 Modélisation

4.2.1 Introduction à EViews

Les données sous EViews

La ”work …le” La première étape consiste à créer un work …le, qui contiendra

l’ensemble des séries chronologiques. La démarche à suivre est de cliquez sur File puis

New, puis de donner un nom à la base. Il est alors nécessaire d’indiquer le format

des données des séries qui seront utilisées : données annuelles (annual : 2009 2011),

données trimestrielles (quarterly 2009 : 12011 : 4), données mensuelles (monthly

2009 : 012011 : 12), données journalières (daily 3 : 25 : 200912 : 7 : 2011), ou

sans date (undated or irregular 1 174). Par défaut, deux séries seront alors créees,

"c"qui correspondra, par défaut à la constante, et "resid" qui correspondra (lors

de régressions) à la série des résidus. Une fois créée cette work …le, deux alternatives

existent pour travailler avec des données : importer des données (sous format texte ou

excel, par exemple), ou les générer. L’importation est relativement simple, à condition

que les séries soient présentées sous forme de colonnes. Il su¢ t de cliquer sur File puis

Import, puis d’indiquer le format de la base à importer. Dans notre application, il

s’agit d’importer une série au format txt : on choisit Read Text Lotus-Excel puis

on va chercher la base dans le répertoire où elle se trouve (par défaut dans le répertoire

où est installé Eviews). Une fois sélectionné le …chier, une autre fenêtre demande de

nommer les séries dans l’ordre où elle apparaissent : dans l’application considéré, il
 61

n’y avait qu’une série, que nous avons appelée "Serie". Pour générer une série, deux

alternatives sont possibles : générer une série à partir d’une autre série Xt ou générer

une série aléatoire.

Les graphiques sous Eviews

Plusieurs types de représentations sont possibles sous Eviews. Pour générer le

graphique (standard) d’une série temporelle, il su¢ t de cliquer sur "Line Graph".

Une fois le graphique obtenu, il est possible d’obtenir la fenêtre associée au module

graphique, permettant de changer les di¤érents paramètres.

4.2.2 Application 1

La …gure ci-après présente l’historique des taux de change journalier du dinar

Algérien DZD (St ), contre la monnaie Européenne (EU RO) et le Dollar Américain

(U SD), entre la période du 17 juin 2009 et 17 Mai 2011, (les données en partie

annexe).
 62

La lecture visuelle des séries du taux de change EU RO=DZD et U SD=DZD

exhibe une non stationnarité en moyenne et en variance. Ce qui nous ramène à

l’utilisation de la transformation logarithmique des séries de taux de change yt =

ln(St ).

4.2.3 Spéci…cation de la moyenne conditionnelle

Les séries logarithme du taux de change (ln St ), ne sont pas stationnaires en

moyenne. En e¤et, le calcul des autocorrélations empiriques (ACE) de chacune des

deux séries, jusqu’au retard 36, illustre des ACE qui décroissent lentement, et une pre-

mière valeur très proche de l’unité. De plus, les autocorrélations partielles empiriques

(ACP E) calculées pour les deux séries, sont signi…catives, et une ACP E d’ordre 1

très proche de l’unité 0:945(resp 0:876) pour la série logarithmique EU RO=DZD

 63

(resp U SD=DZD). Ces deux observations indiquent la présence de racine unitaire,

ce qui est con…rmé par le test de racine unitaire de Dickey-Fuller Augmenter

(ADF ) et le test de Philips Péron (P P ) (les résultats de tests sont faits à l’aide de

logiciel Eviews)

Test ADF PP

ln(U SD=DZD) 3:077806 5:667490

ln(EU RO=DZD) 1:824564 3:057600

valeur critique 3:439517 3:439464

Tableau 1 : Test de racine unitaire 1%

L’application des tests : ADF et P P sur les séries di¤érenciées rejette la présence de

stationnarité (pour = 1%) …nalement, l’étude portera sur les rendements logarith-

mique du taux de change (RLT C), désignés par :

St
Yt = O ln(St ) = ln( )
St 1

RV MC (10) MC (100) MC (300) MC (650)

RLT C(EU RO=DZD) 0:073555 0:00973 0:003899 0:005054

RLT C(U SD=DZD) 0:114328 0:176427 0:751723 12:75038

Tableau 2 : Test de rapport des variances

On étudie également l’hypothèse de marche aléatoire, ou de non prévisibilité des séries

RLT C: En e¤et, certains auteurs prônent pour la non prévisibilité des rendements,

et qu’aucune information exploitable, n’est contenue dans les rendements passés. Le

 64

test de rapport des variances de Lo et Kinlay, permet de rejeter cette hypothèse, et

montre la non e¢ cience des marchés des changes (Tableau 2).

4.2.4 Analyse descriptive (St )

Dans ces tableaux on a résumé les paramètres de distribution des séries U SD et

EU RO et les séries logarithmique du taux de change :

P
Séries Moy Min Max Me Kurt Assym

4
SEuro;t 0:01 0:0084 0:0111 4:4233 10 0:01 0:0688 0:4417 7:0104

4
SU sd;t 0:01371 0:0129 0:0141 2:0644 10 0:0137 0:0251 0:3461 9:6142

Tableau 3 : Statistiques descriptives (St )

P
Séries Moy Min Max Me Kurt Asym

ln SEuro;t 4:6060 4:7795 4:5008 0:0439 0:01 3228:86 0:0508 0:3159

ln SU sd;t 1:8628 1:8894 1:8507 0:0065 0:0137 1305:86 0:0477 0:3885

Tableau 4 : Statistiques descriptives ( ln St )

P
Séries Moy Min Max Me Kurt Asym

YEU RO;t 0:000015 0:223144 0:2135 0:01447 0 147:6253 0:7166 0:0102

YU SD;t 0:000011 0:045120 0:0305 0:00756 0 4:7395 0:2260 0:0073

Tableau 5 : Statistiques descriptives (RLT C)

Les paramètres de distribution des séries YU SD;t et YEU RO;t montrent que les coef-

…cients d’asymétries (Skewness) et d’aplatissement (Kurtosis) devient des valeurs

 65

de la loi normale, donnant naissance à des distributions léptokurtique ; une consé-

quence du regroupement de la volatilité. Ces caractéristiques sont propres aux séries

de rendement d’actifs …nanciers. (Tableau 5). L’hypothèse de marche aléatoire étant

rejetée, on commence par la modélisation ARM A (p; q) des séries des taux de change

4.2.5 Estimations et comparaison des modèles

Analyse des résultats de la modélisation de type ARCH

Parmi les valeurs intéressantes, on a celles du maximum du log vraisemblance.

On va calculer le gain en LV des modélisations de la variance conditionnelle par rap-

port à la modélisation ARM A des déférents processus de types ARCH

(tableau 7). En suite, on va classer les modèles précédents : modèles symétriques

(ARCH, GARCH, IGARCH) et modèles asymétriques (TGARCH, PARCH, EGARCH) :

1-Selon leurs processus de types ARCH, c’est-à-dire les modèles a une variance

conditionnelle minimale.

2-Selon des déférentes périodes (longue ou courte période) c’est-à-dire, quelle

période qui nous donne une variance minimale. Cette modélisation est importante,

puisque ces mesures désignent la distance entre la distribution théorique et la distri-

bution empirique, l’intérêt de cette comparaison est de choisir le meilleur modèle.

 66

4.2.6 Comparaison entre les modèles

Dans ce tableau on a résumé le gain en LV de la modélisation de la variance

conditionnelle, par rapport à la modélisation ARM A des modèles ARCH; GARCH

et IGARCH; T GARCH; P ARCH et EGARCH

Processus ARCH GARCH IGARCH

EU RO 21:10334% 20:49704% 20:33979%

U SD 11:45273% 10:99329% 11:147%

Processus T GARCH P GARCH EGARCH

EU RO 21:06695% 21:87488% 21:33878%

U SD 11:9470% 11:34352% 11:32565%

Tableau 6 : Gain en ln vraisemblance

Le tableau 6, montre que les modèles ARCH; P GARCH; T GARCH et EGARCH

sont les candidats dont la modélisation de la variance conditionnelle de la série RLT C

EU RO=DZD la plus élevé par rapport aux candidats GARCH; IGARCH, tel que les

valeurs des variances conditionnelles de ces derniers sont proche. Pour la série RLT C

U SD=DZD, les modèles T GARCH; EGARCH; IGARCH sont les candidats dont

la modélisation de la variance conditionnelle la plus élevé par rapport aux candidats

ARCH; GARCH, remarquons aussi que la variance de modèle P GARCH est proche

de celle de modèle ARCH tel que les variances conditionnelles de ce dernier sont

encor proche.
 67

Les précédents résultats désignent que la plus part des modèles asymétriques,

ayant le maximum du LV pour atteindre une valeur maximale de 21:87488 % dans

le modèle P GARCH, pour la série RLT C EU RO=DZD, au même tempe pour la

série RLT C U SD=DZD le gain en LV atteindre sa valeur maximale de 11:9470%

dans le modèle T GARCH: Par contre la plus part des modèles symétriques ayant

le minimum du LV pour atteindre une valeur minimale de 20:33979% dans le mo-

dèle IGARCH pour la série RLT C EU RO=DZD qu’elle est très proche à la valeur

20:49704% du modèle GARCH, de même pour la série RLT C U SD=DZD le gain

en LV atteindre sa valeur minimale de 10:99329% dans le modèle GARCH. Alors

dans les deux cas, on constate clairement que les modèles symétriques sont mieux

que les modèles asymétriques grâce à sa variance minimale, cependant et d’une façon

générale le modèle GARCH est le meilleur parmi les modèles symétriques.

4.2.7 Comparaison entre les modèles par rapport à la durée

(courte et longue durée)

Dans le tableau 7 on a résumé le gain en LV des modélisations de la variance

conditionnelle, par rapport à la modélisation ARM A des modèles ARCH; GARCH;

IGARCH; T GARCH; P ARCH et EGARCH, ces résultats sont faits sur une période

de 7 jours (court terme) avant de faire une comparaison avec les résultats de long

terme (701 jours Tableau 6)

 68

Processus ARCH(1; 1) GARCH IGARCH

EU RO 0:3582900% 0:3438560% 0:3549363%

U SD 0:2281921% 0:2075854% 0:2290%

Processus T GARCH P ARCH EGARCH

EU RO 0:3467922% 0:3771933% 0:4420363%

U SD 0:2403422% 0:23675% 0:23196%

Tableau 7 : Gain en ln vraisemblance (court terme)

Le tableau 7, montre que la variance conditionnelle de chaque modèle est diminue

pour les deux séries dans la période de 7 jours (court terme) par rapport a celle qui

on a calculé dans la période de 701 jours (long terme), c’est-à-dire la période à une

in‡uence sur la persistance de la volatilité, et que les résultats obtenus dans le court

terme sont mieux que les résultats obtenus par le long terme, grâce a la décroissance de

sa variance conditionnelle. D’un autre coté même avec le changement du période, les

modèles symétriques restent mieux que les modèles asymétriques grâce à sa variance

minimale et plus précisément le modèle GARCH reste le meilleur parmi les modèles

symétriques et asymétriques grâce à la même raison. Donc la meilleure période dans

notre modélisation est la période de court terme.

 69

4.2.8 Application 2

Dans cette application on a utilisé des données actualisées, et d’autres critères de

choix du modèle à retenir peuvent être standards ou d’informations. Les critères les

plus utilisés, comme on le verra sont repris comme suit : BIC; SEE; RM SE; M AE;

M AP E et R2 ajuste.

La …gure ci-après présente l’historique des taux de change journalier du Dinar

Algérien DZD (St ), contre la monnaie Européenne (EU RO) et le Dollar Américain

(U SD), entre la période du 24 sep 2012 et 22 mar 2013 (les données en partie annexe).
 70

Fig. 4.1:

La …gure des séries du taux de change EU RO=DZD et U SD=DZD exhibe une

non stationnarité en moyenne et en variance. Dans ce cas, il est nécessaire d’utiliser

la transformation des séries du taux de change comme suit :

St 0 S t St 1
Yt = ln( ); Yt =
St 1 St
 71

4.2.9 Test de racine unitaire et analyse descriptive

Dans cette section, nous avons résumé les tests de racine unitaire et les résultats
0 0
d’analyse descriptive des : St(dollard) ; St(euro) ; Yt(dollard) ; Yt(dollard) ; Yt(euro) et Yt(euro) :

Test ADF PP

St(dollar) 2:288704 2:200239

Yt(dollar) 17:79141 18:06257

Yt(dollar) 18:02989 18:32705

St(euro) 3:130979 2:776755

Yt(euro) 12:19625 16:09615

Yt(euro) 12:45342 16:71938

Tableau 8 : Test de racine unitaire = 1%

Séries Moy Med [Link] Skewness Kurtosis Jarque-B

St(dollar) 78:94792 78:99755 0:716340 0:192236 2:192384 5:600434

Yt(dollar) 2:20E06 6:61E05 0:003693 0:339521 4:361684 16:01403

Yt(dollar) 2:40E05 0:000100 0:003710 0:360246 4:343592 16:17358

St(euro) 103:2357 103:0672 0:96673 0:572673 0:903143 9:138277

Yt(euro) 5:79E05 5:91E05 0:004490 0:079887 4:513551 16:11803

Yt(euro) 8:48E06 0:000100 0:004477 0:036451 4:558465 16:73464

Tableau 9
 72

Remarque 4.3 : Les tableaux 8 et 9 montrent que les séries Yt(dollar) et Yt(euro)

sont fortement stationnaires par rapport aux autres séries, par contre les séries des

taux de changes St(dollar) ; St(euro) sont non stationnaires.

4.2.10 Critères de choix des modèles

A…n de valider les performances des modèles, nous procédons au diagnostique des

critères de choix issus de chacune des modélisations comme suit :

1
PN
-Erreur absolue moyenne : M AE = N i=1 jyi ybi j :
q P
N
-Racine de l’erreur quadratique moyenne : RM SE = 1
N i=1 (yi ybi )2 .
PN yi ybi
-Erreur absolue moyenne en pourcentage : M AP E = i=1 :
yi
(n 1) R2 p
-R2 ajuste donnée par : R2 = où p esl le nombre de variables
n (p + 1)
explicatives dans le modèle.

-Erreur de somme de régression SEE.

-Critère de Schwarz : BIC = n ln (SEE) + k ln (n) :

Remarque 4.4 : Pour qu’un modèle de prévision soit jugé performant il faut

que les indicateurs suivants : BIC; SEE; RM SE; M AE; M AP E soient petits et

R2 ajuste soit grand.

 73

modèles AdjuR2 SEE BIC RMSE MAE MAPE

MA(19) 0.338647 0.003193 -8.168226 0.003682 0.002612 1.054673

ARMA(8,15) 0.347783 0.003045 -8.146117 0.003329 0.002387 1.374679

ARCH(2) 1.000000 7.94E-15 -61.87603 7.79E-15 5.38E-15 3.19E-15

GARCH(2,1) 1.000000 1.20E-15 -65.48819 1.18E-15 8.33E-16 4.85E-16

Tableau 10 : Comparaison Dollar

modèles Adju R2 SEE BIC RMSE MAE MAPE

MA(23) 0.253387 1.824437 4.620721 1.954451 1.551150 1.113412

ARMA(10,13) 0.303334 1.721631 4.531454 1.891137 1.477115 2.613360

ARCH(2) 1.000000 2.18E-16 -69.09017 2.14E-16 1.19E-16 8.32E-19

GARCH(2,1) 1.000000 2.17E-17 -73.68439 2.12E-17 2.69E-18 2.47E-18

Tableau 11 : Compariason Euro

 74

Fig. 4.2:

Fig. 4.3:
 75

Après une lecture visuelle des …gures 4.2 et 4.3 les séries prévues du Euro/dollar

sont presque identiques aux séries d’observations. De cette application, on remarque

l’exactitude des prévisions du modèle GARCH (2; 1) non linéaire par rapport aux

modèles linéaires M A; ARM A, cependant les modèles non linéaires sont meilleurs

par rapport aux modèles linéaires classiques. Aussi, nous pouvons conclure que les

taux de change du dollar est plus stable que le taux de change euro.
 76

Conclusion et Perspectives
A l’issus de cette étude, nous constatons que les séries de rendement du taux de

change du dinar algérien contre le dollar américain et l’euro sont plus étalées et plus

pointues. L’étude de la volatilité montre l’existence d’une persistance de chocs sur la

volatilité future.

Ainsi, nous avons remarqué aussi, que les modèles asymétriques, tel que T GARCH,

P ARCH, et EGARCH sont moins performants que les modèles ARCH; GARCH

et IGARCH symétriques, ceci ne con…rme pas l’e¤et asymétrique des chocs sur la

volatilité (l’e¤et levier), ce résultat est di¤érent des études précédentes sur la non pré-

sence de l’e¤et levier sur le marché des changes. De plus, on constate que les modèles

non linéaires sont meilleurs que les modèles linéaires classiques.

D’après la partie pratique, nous avons constaté la diversité des modèles autoré-

gressifs pour des périodes de courts et longs termes dont la volatilité est plus faible

pour les périodes de courts termes.

Par la suite, il serait intéressant d’étudier les composantes permanentes et tran-

sitoires du taux de change, ainsi que l’existence des phénomènes de mémoire longue

au moyen des modèles ARCH:

Aussi nous pouvons dans nos recherches futures de modéliser des cas plus généraux

à savoir :

-La covariance conditionnelle, en utilisant des processus de type GARCH multi-

variés.
 77

-Les swaps de volatilité pour les prévisions des risques de porte¤eilles du marché

(CAC 40 French index).

 78

Annexe
 79

T
 80

T
 81

T
 82

T
 83

T
 84

T
 85

T
 86

T
 87

Bibliographie

[1] Andersen, T.G. and B. E. Sørensen (1996) : "GMM Estimation of a Stochastic

Volatility Model : A Monte Carlo Study." Journal of Business and Economic

Statistics 14, 328–352.

[2] Adewole Adetunji Philip and all. Arti…cial Neural Network Model for Forecasting

Foreign Exchange Rate ,World of Computer Science and Information Technology

Journal (WCSIT), Vol. 1, No. 3,110-118, (2011).

[3] Black, F and M, Scholes. The pricing of option and corporate liabilities. Journal

of Political Economy 81,pages 637-659 (1973).

[4] Bollerslev, T.P. (1986) : "Generalized Autoregressive Conditional Heteroskedas-

ticity," Journal of Econometrics, 31, 309–328.

[5] Broadie.M and Jain.A. The e ect of jumps and discrete sampling on volatility

and variance swaps. International Journal of Theoretical and Applied Finance,

11(8) :761-797 (2008).

[6] Brockhaus, O. and Long, D. "Volatility swaps made simple", RISK, January,

92-96(2000).
 88

[7] Brooks, C. GARCH Modelling in …nance : A review of the software options,

Economic Journal : 107(443) 1271-1276 (1997).

[8] Brooks, C. and S. P. Burke. Forecasting exchange rate volatility using conditional

variance models selected by information criteria. Economics Letters 61 : 273-278

(1998).

[9] Cox, J., Ingersoll, J. and Ross, S. "A theory of the term structure of interest

rates", Econometrica 53, 385-407 (1985).

[10] Cem Kadilar. Muammer Simsek. Cagdas Hakan [Link] The Ex-

change Rate Series With Ann : The Case Of Turkey, Econometrics and Sta-

tistics e-Journal, Department of Econometrics, Faculty of Economics, Istanbul.

University, vol. 9(1), pages 17-29(2009).

[11] Clements, Michael P, Franses. Philip Hans. Swanson, Norman R. Forecasting

economic and …nancial time-series with nonlinear models, International Journal

of Forecasting, Elsevier, vol. 20(2), pages 169-183, (2004).

[12] Dueker, M.J. (1997) : "Markov Switching in GARCH processes and Mean-

Reverting Stock Market Volatility, " Journal of Business and Economic Statistics

15, 26–34.

[13] Damien, L. Bernard, L. Introduction au Calcul Stochastique Appliqué a la Fi-

nance. Ellipses-édition marketing S. A. 1997.

[14] Engle,R. Je¤rey,R. Forecasting the frequency of changes in quoted foreign ex-
 89

change prices with the autoregressive conditional duration [Link] of Em-

pirical Finance,4(3),pp.187-212(1997).

[15] Ezzebsa, A. Zeghdoudi, H. Remita, M. Nedjar, S. Around ARCH/GARCH mo-

dels and their application to exchange rate volatility. Inernational Journal of

Statistics and Economics, Vol 11 N 2 , 44-60 (2013).

[16] Ezzebsa, A. Zeghdoudi, H. Some Applications of Garch Models On a Foreign

Exchange Rate Volatility and a Price Index. Submited (2013).

[17] Johnson, H. and Shanno, D. Option pricing when the variance is changing, J.

Finan. Quantit. Anal. 22,143-151 (1987).

[18] Heston, S."A closed-form solution for options with stochastic volatility with ap-

plications to bond and currency options, Review of Financial Studies, 6, 327-343

(1993).

[19] Ikeda, N. and Watanabe, S. Stochastic Di¤erential Equations and Di¤usion Pro-

cesses, Kodansha Ltd., Tokyo (1981).

[20] Liu J., Li W.K. and C.W. Li. "On a Threshold Autoregression with Conditional

Heteroskedastic Variances," Journal of Statistical Planning and Inference, 62,

279–300 (1997).

[21] Nelson, D.B. "ARCH Models as Di¤usion Approximations," Journal of Econo-

metrics, 45, 7–38 (1990).

 90

[22] Palma, W. Chan, N. H. E¢ cient estimation of seasonal long-range-dependent

processes. Journal of Time Series Analysis, 26(6), 863-892 (2005).

[23] Shephard, N. Statistical Aspects of ARCH and Stochastic Volatility (1996).

[24] Taylor, S. Modelling Financial Time Series, New-York : Wiley. (1986)

[25] Weiss, A.A. ARMA Models with ARCH Errors. Journal of Time Series Analysis

5, 129–143. (1984).

[26] Weiss, A.A. "Asymptotic Theory for ARCH Models : Estimation and Testing,"

Econometric Theory, 2, 107–131. (1986)

[27] Zakoïan, J.M. "Threshold Heteroskedastic Models," Journal of Economic Dyna-

mics and Control, 18, 931–955. (1994)

[28] Zeghdoudi, H. Lallouche, [Link], M,R. On Volatility Swaps for stock market

Forecast : Application Example CAC 40 French Index. Submited (2013).