TRAVAUX DIRIGES EST AVANCEEE
1. Représentation graphique de la série CAC40
Ce graphique montre l’évolution de l’indice CAC 40 sur une période de 1160 observations.
Voici ce qu’on peut en déduire:
tendance générale: L’indice semble fluctuer fortement, avec des phases de hausse et de
baisse, mais sans tendance claire à long terme visible sur ce graphique.
volatilité: Les variations sont relativement importantes, ce qui suggère une certaine
volatilité du marché.
Date: 12/29/25 Time: 10:34
Sample: 1 1160
Included observations: 1160
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 0.989 0.989 1136.6 0.000
2 0.976 -0.049 2245.7 0.000
3 0.964 0.020 3329.0 0.000
4 0.953 0.015 4387.8 0.000
5 0.941 -0.055 5420.2 0.000
6 0.929 0.024 6427.5 0.000
7 0.917 0.009 7411.2 0.000
8 0.907 0.035 8373.4 0.000
9 0.896 -0.005 9314.4 0.000
10 0.885 -0.039 10233. 0.000
11 0.874 -0.018 11128. 0.000
12 0.862 0.004 12002. 0.000
13 0.850 -0.040 12852. 0.000
14 0.838 0.003 13679. 0.000
15 0.827 0.000 14483. 0.000
Ce tableau présente les statistiques d’autocorrélation (AC), de corrélation partielle (PAC), le
test de Ljung-Box (Q-Stat), et les probabilités associées (Prob) pour les 15 premiers retards
(lags).
AC (Autocorrelation): Très élevée pour tous les lags (ex. 0.989 au lag 1), ce qui
indique une forte dépendance temporelle. Cela signifie que les valeurs passées
influencent fortement les valeurs présentes ;
PAC (Partial Autocorrelation): Très élevée au lag 1 (0.989), mais chute fortement
ensuite (ex. 0.049 au lag 2, proche de zéro au lag 15). Cela suggère que la dépendance
directe est surtout avec la valeur précédente ;
Q-Stat et Prob: Les Q-Stat augmentent rapidement avec le lag, et les p-values sont
toutes à 0.000, indiquant que les autocorrelations sont statistiquement significatives à
tous les niveaux.
La série présente une forte autocorrélation, typique d’une série non stationnaire, le PAC élevé
au lag 1 et faible ensuite est typique d’un processus AR(1). les résultats suggèrent que la série
n’est pas blanche (non aléatoire) et qu’un modèle ARIMA pourrait être approprié pour la
modéliser.
2. Test de racines unitaires
Confirmons ou infirmons nos suspicions a l’aide des test de racines unitaires
Determinons quel test est e plus adéquat
Orde p AIC SIC
0 8.892943 8.901667
1 8.891004 8.904099
2 8.893499 8.910971
Le critère AIC est le plus faible pour l’ordre p=1, ainsi le test de Dickey Fuller Augmenté sera
celui utilisé.
Test de stationnarité
H0 : présence de racine unitaire (non stationnaire)
H1 : absence de racine unitaire (stationnaire)
Null Hypothesis: CAC40 has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Fixed)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.226571 0.4737
Test critical values: 1% level -3.965991
5% level -3.413697
10% level -3.128913
*MacKinnon (1996) one-sided p-values.
On a la p_value superieur au seuil de significativité 5% ainsi on ne rejette pas H0, et on
conclut donc que la série est non stationnaire
Les secondes hypothèses du test sur la tendance :
H0 : le coefficient de la tendance est nul
H1 : le coefficient de la tendance est différent de zéro
Décision :
Si la p-valeur associé au coefficient de la tendance est supérieur à 5%, on ne rejette pas H0
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(CAC40)
Method: Least Squares
Date: 12/29/25 Time: 10:54
Sample (adjusted): 3 1160
Included observations: 1158 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CAC40(-1) -0.009175 0.004120 -2.226571 0.0262
D(CAC40(-1)) 0.066951 0.029410 2.276497 0.0230
C 16.21707 7.451709 2.176288 0.0297
@TREND("1") 0.002176 0.001896 1.147897 0.2512
On constate que la P_Value est supérieur à 5% ainsi on ne rejette pas H0, donc la srie n’admet
pas de tendance et est de type DS
Donc la série est non stationnaire de type DS
De quel type de DS ?
Hypothèse
H0 : c=0
H1 : c#0
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(CAC40)
Method: Least Squares
Date: 12/29/25 Time: 14:17
Sample (adjusted): 3 1160
Included observations: 1158 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CAC40(-1) -0.007775 0.003937 -1.975137 0.0485
D(CAC40(-1)) 0.066639 0.029412 2.265658 0.0237
C 14.87282 7.360129 2.020728 0.0435
la p_value associé à la constante est 0.0435 qui est inférieur au seuil 5%, on rejette
l’hypothèse H0 et on conclut que la constante n’est pas significativement egale a 0. Ainsi, la
serie est de type DS avec Dérive
Pour la rendre stationnaire, il faut procéder par le filtre aux différences premières
genr res=cac40-cac40(-1)
Les hypothèses du test sont :
H0 : présence de racine unitaire (la série est non-stationnaire)
H1 : absence de racine unitaire (la série est stationnaire)
Null Hypothesis: RES has a unit root
Exogenous: Constant
Lag Length: 1 (Fixed)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -23.57753 0.0000
Test critical values: 1% level -3.435787
5% level -2.863829
10% level -2.568039
*MacKinnon (1996) one-sided p-values.
Conformément aux résultats ci-dessus, la p-value=0.0000, qui est une valeur inférieur au seuil
de significativité 5% fixé, ainsi on rejette l’hypothèse H0 et on conclue que la série res est
stationnaire.
Date: 12/29/25 Time: 11:18
Sample (adjusted): 2 1160
Included observations: 1159 after adjustments
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 0.062 0.062 4.4625 0.035
2 -0.010 -0.014 4.5772 0.101
3 -0.039 -0.038 6.3597 0.095
4 0.059 0.064 10.409 0.034
5 -0.015 -0.024 10.665 0.058
6 -0.020 -0.018 11.145 0.084
7 -0.017 -0.010 11.493 0.119
8 -0.008 -0.012 11.572 0.171
9 0.044 0.046 13.813 0.129
10 0.021 0.016 14.347 0.158
11 0.018 0.016 14.712 0.196
12 0.040 0.043 16.558 0.167
13 -0.008 -0.018 16.634 0.217
14 -0.051 -0.049 19.652 0.141
15 -0.009 0.001 19.741 0.182
Il s’agit d’une marche au hasard car les probabilités critiques de la Q-Stat (données par le
corrélogramme ci-dessus) dont la majorité sont supérieures à 0,05 et presque tous les termes
d’autocorrélation sont à l’intérieur de l’intervalle de confiance. Le processus est sans
mémoire. Pour ce fait, il n’y a pas de représentation des processus ARMA. Nous allons
appliquer le filtre aux différences première.
Notons res la série différencié une fois.
Le passage aux différences deuxième permet d’obtenir le corrélogramme suivant :
Date: 12/29/25 Time: 11:19
Sample (adjusted): 3 1160
Included observations: 1158 after adjustments
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 -0.462 -0.462 247.63 0.000
2 -0.022 -0.300 248.21 0.000
3 -0.068 -0.307 253.59 0.000
4 0.092 -0.167 263.34 0.000
5 -0.036 -0.148 264.87 0.000
6 -0.005 -0.137 264.90 0.000
7 -0.003 -0.118 264.91 0.000
8 -0.023 -0.157 265.53 0.000
9 0.040 -0.111 267.37 0.000
10 -0.010 -0.100 267.49 0.000
11 -0.013 -0.116 267.70 0.000
12 0.037 -0.048 269.32 0.000
13 -0.002 -0.017 269.32 0.000
14 -0.045 -0.066 271.75 0.000
15 0.020 -0.053 272.21 0.000
la série res appartient à la classe des modèles ARMA comme le montre le corrélogramme ci-
dessus.
Determinons les ordres p et q des modeles
En observant le corrélogramme ci-dessus, les autocorrélations simples et partielles de la série
DDRES1. On note la présence des pics au niveau des autocorrélations simple et partielle .
nous retenons donc les modèles suivants :
p=0, …, 11 ; q=0,1,2,3,4
3. Générons la série des rendements
Genr return=log(cac40/cac40(-1)) on appele ca serie de rendements elles ont pour
Periode de fort volatilité sont toujours precede par les periodes de faible volaitilé
Quick, estimates equation, return c et choisir la methode arch
View, residuals diagnostic, archLM test, OK
La pvaleur est superieur a 5% donc il y’a pas d’effet d’ARCH
Effectuer le test de arch sur la serie rendu stationnaire