Econométrie de la Finance STA202

Slides:



Advertisements
Présentations similaires
Chapitre 6 Les tests d ’ hypoth è se 2 – Les tests du  2 (chi 2)
Advertisements

Introduction à la notion de fonction 1. Organisation et gestion de données, fonctions 1.1. Notion de fonction ● Déterminer l'image d'un nombre par une.
Géométrie Différentielle – Cubiques d'Hermite Introduction aux courbes paramétriques et à la géométrie différentielle.
 Qu’est ce qu’une matrice diagonale ? Une matrice diagonale est une matrice carrée dont les coefficients en dehors de la diagonale principale sont nuls.
7. Problème de flot à coût minimum. 7.1 Graphes, graphes orientés, réseaux Un graphe G =(V, E) est constitué d’un ensemble non vide fini de sommets V.
Réalisé par R. MARRAKHA. KHAYAR Khayar-marrakh Université Hassan-II Faculté des sciences Aïn chock Casablanca Professeurs assistants - département de physique.
Chapitre 5. Modèles probabilistes continus Variable aléatoire continue et loi de probabilité continue Loi uniforme Loi exponentielle Loi normale Loi normale.
Cours COMPOSANTES DES VECTEURS Dimitri Zuchowski et Marc-Élie Lapointe.
Utiliser le calcul littéral pour résoudre ou démontrer
Cours d’Econométrie de la Finance (Stat des choix de portf. IV 1-2)
Application des lois de probabilité -Variable aléatoire discrète-
Cours d’Econométrie de la Finance (STA202 – IV 3-4)
Cours d’Econométrie de la Finance (STA202 – IV 4-5)
1.3 COORDONNÉES DES POINTS
Chapitre 4: Variation dans le temps
chapitre 1 Polynômes degré 2
CHAPITRE III Hypothèses de la Résistance des Matériaux
Analyse en Composantes Principales A.C.P. M. Rehailia Laboratoire de Mathématiques de l’Université de Saint Etienne (LaMUSE).
Econométrie de la Finance STA202
Etalonnage d’une caméra (on parle aussi de calibrage)
Chapitre 2 Vecteurs et Repérage dans le plan
Chapitre 13 : Echantillonnage
II La colinéarité en Géométrie analytique
Cours N°02 : Évaluation des performances des systèmes
Plans d’expériences: Plans factoriels
Les Plans d’expériences: Plans Factoriels
Couche limite atmosphérique
Régression linéaire (STT-2400)
Couche limite atmosphérique
3g1 Trigonomètrie cours mathalecran d'après
4.2 Estimation d’une moyenne
S’élimine grâce à la diversification
3.5 Lois continues 1 cours 16.
Introduction aux statistiques Intervalles de confiance
Cours N°10: Algorithmiques Tableaux - Matrices
chapitre 11 Fonction inverse.
POL1803: Analyse des techniques quantitatives
LOG770 Annexe A Éléments de probabilité
Tâches Tâches antérieures Durée A -- 6 B 5 C 4 D E F A D G E F Niveaux
Des mathématiques derrière l’intelligence artificielle
Cours de physique générale II Ph 12
CRITERES DE QUALITE 1) PRECISION 2) RAPIDITE 3) AMORTISSEMENT
Formulation et Présentation d’un Algorithme Déterministe
A. Zemmari SDRP & MA Modèles et Approches Formels pour les Systèmes Distribués -Algorithmes distribués probabilistes.
Cycle, Cocycle, Arbre et Arborescence
Statistique descriptive Bivariée
Cours du Professeur TANGOUR
Programme d’appui à la gestion publique et aux statistiques
CARACTERISTIQUES D’INERTIE DES SOLIDES
Langages de programmation TP11
CHAPITRE 8 Equations - Inéquations
Les nombres complexes Saison 1 - Épisode 2. Les nombres complexes Saison 1 - Épisode 2.
Présentation 4 : Sondage stratifié
Présentation 9 : Calcul de précision des estimateurs complexes
MATHÉMATIQUES FINANCIÈRES I
Jean-Sébastien Provençal
II La colinéarité en Géométrie analytique
Régimes triphasés Nikola TESLA.
Présentation 6 : Sondage à plusieurs degrés
Opérateurs et fonctions arithmétiques Opérateurs de relation Opérateurs logiques Cours 02.
Calcul de précision dans le cas d’échantillons rotatifs: le cas des statistiques EU-SILC au Luxembourg 10e COLLOQUE FRANCOPHONE SUR LES SONDAGES, Lyon,
PIB et CROISSANCE L.L.Alaoui.
Les Définition Les expressions Algebriques
Présentation des nouveaux programmes de mathématiques de première des séries technologiques Jessica Parsis.
Estimation des conditions initiales par inversion
Elections locales probabilistes
STATISTIQUE INFERENTIELLE LES TESTS STATISTIQUES.
Chapitre II : Les propriétés de l’estimateur des MCO
Chapitre III : Les tests d’hypothèse
Dérivation – Fonctions cosinus et sinus
Transcription de la présentation:

Econométrie de la Finance STA202 Michel Béra Professeur du Cnam Chaire de modélisation statistique du risque 26/05/2018

Analyse statistique des rendements - Alain Monfort – I Plan : 1 – rendement d’un actif 2 – rendement d’un portefeuille 3 – statistique des rendements 4 – performance de Sharpe 5 – value at Risk (VaR) 26/05/2018

Rendement d’un actif (1) Actifs : il y en a , indicés par Temps (date) représenté par t Au temps t l’actif i a le prix p[i,t], au temps t+1 le prix est p[i,t+1] Rendement de l’actif i (return) : R[i,t+1] = (p[i,t+1] – p[i,t]) / p[i,t] R[i,t+1] = p[i,t+1]/p[i,t] – 1 On l’appelle aussi : taux de rendement, rate of return 26/05/2018

Rendement d’un actif (2) Rendement brut de l’actif i : p[i,t+1]/p[i,t] = 1 + R[i,t+1] R[i,t+1] est inconnu à la date t, c’est une variable aléatoire Mise en place d’un actif sans risque : on lui fait correspondre l’indice i=0 p[0,t+1] est connu à la date t, il est déterministe R[0,t+1] = p[0,t+1]/p[0,t] – 1 Rendement net de l’actif risqué i : RN[i,t+1] = R[i,t+1] – R[0,t+1] pour i=1,..,n On l’appelle aussi : excess return 26/05/2018

Rendement d’un portefeuille (1) Définition d’un portefeuille composé d’actifs i : Définition par les pondérations en volume (quantités) a[i] = nombre d’unités de l’actif i dans le portefeuille a[i] peut être positif ou nul, ou négatif Définition par les pondérations en valeur (capitalisation) ~[i] = somme consacrée à l’actif i dans le portefeuille ~[i] peut être positif ou nul, ou négatif Cas de la pondération en volume (allocation) Portefeuille a = (a[0],a[1], ..,a[n]) a est un vecteur à n+1 composantes Prix en t : ∑{a[i].p[i,t] | i=0,..,n} Prix en t+1 : ∑{a[i].p[i,t+1] | i=0,..,n} 26/05/2018

Rendement d’un portefeuille (2) Calculons le rendement du portefeuille, appelé R[t+1](a) : R[t+1](a) = ∑{a[i].p[i,t+1] | i=0,..,n} / ∑{a[i].p[i,t] | i=0,..,n} R[t+1](a) = (∑[i,t].p[i,t+1]/p[i,t])–1 Où [i,t] = a[i].p[i,t]/(∑{a[i]p[i,t]|i=0,..,n}] On a bien entendu ∑{[i,t] |i=0,..,n}=1 [i,t] est la part en valeur de l’actif i, ≥0 ou <0 26/05/2018

Rendement d’un portefeuille (3) Alors R[t+1](a) = ∑{[i,t].(R[i,t+1]+1)-1 | i=0,..,n} Et donc R[t+1](a) = ∑{[i,t].R[i,t+1] | i=0,..,n} Cas de la pondération en valeur (allocation) On a un vecteur (~[0],..,~[n]) mais ~[i] = p[i,t].a[i,t] comme [i,t] = a[i,t].p[i,t] / ∑{a[i,t]p[i,t]|i=0,..,n} On a [i,t] = ~[i] / ∑{~[i] | i=0,..,n} = ~[i] qui est indépendant de t 26/05/2018

Rendement d’un portefeuille (4) En conclusion : Soit un portefeuille fixe dans le temps en volume : il a un rendement qui est la moyenne des R[i,t+1], avec des poids variables, [i,t] Soit un portefeuille fixe dans le temps en valeur, avec des parts représentées par le vecteur  = (([0],..,[n]), et ∑{[i] | i=0,..,n} =1, ce portefeuille a un rendement qui est la moyenne pondérée des R[i,t+1], avec des poids fixes [i] pour l’actif i 26/05/2018

Rendement d’un portefeuille (5) Rendement net RN[t+1]() On a : RN[t+1]() = ∑{[i,t].R[i,t+1]|i=0,..,n} – R[0,t+1] = ∑{[i,t].(R[i,t+1] – R[0,t+1]|i=0,..,n} = ∑{[i,t].RN[i,t+1]|i=0,..,n} 26/05/2018

Statistique des Rendements (1) Hypothèse statique forte : Soient les rendements nets RN[t] RN[t] = (RN[1,t],..,RN[n,t])’, pour t=1,..,T Ils forment T vecteurs aléatoires de dimension n, iid et leur distribution est une loi normale à n dimensions N(µ,Ω) µ est un vecteur à n dimensions Ω est une matrice [n,n] symétrique définie positive 26/05/2018

Statistique des rendements (2) Considérons R[t] = (R[1,t],..,R[n,t])’; t=1,..,T R[t] suit approximativement une loi normale IN(µ + R[0,t].e,Ω), e est le vecteur (1,..,1)’ à n composantes Il y a IN et non IIN car R[0,t], bien que déterministe, varie à chaque t 26/05/2018

Statistique des rendements (3) Estimateurs du maximum de vraisemblance de µ,Ω : (voir Chapitre II) µ*[T] = (1/T).∑{RN[t] | t=1,..,T} = RNm[T] Ω*[T] = (1/T). ∑{(RN[t] - RNm[T]).(RN[t] - RNm[T])’ | t=1,..,T} 26/05/2018

Statistique des rendements (4) Propriétés de µ*[T], Ω*[T] µ*[T], Ω*[T] sont indépendants Quand T->∞, µ*[T] -> µ, Ω*[T] -> Ω La loi de √T.(µ*[T] - µ) tend vers N(0,Ω) √T.(Ω*[T] - Ω) est asymptotiquement normal covas(√T.(Ω*[T] - Ω).a, √T.(Ω*[T] - Ω).b) = a’Ωb Ω + Ωba’Ω 26/05/2018

Statistique des rendements (5) covas(√T.(ω*[i,j;T] – ω[i,j]), √T.(ω*[k,l;T] – ω[k,l])) = ω[i,k].ω[j,l]+ ω[j,k].ω[i,l] Démonstration : Soit e[j] le vecteur de dimension n où la jième composante est 1, les autres nulles On prend a=e[j], b=e[l] et on cherche le terme (i,k) de covas(√T.(Ω*[T] - Ω).a, √T.(Ω*[T] - Ω).b) 26/05/2018

Statistique des rendements (6) Il vient : e’[j].Ω.e(l).Ω + Ω.e[l].e[j]’.Ω = ω[j,l].Ω + Ω[l].Ω[j]’ CQFD (ou QED pour les latinistes) Cas particulier : √T.(ω*[i,i;T] – ω[i,i]) tend en loi quand T->∞ vers N(0,2ω[i,i]²), où ω[i,i] est la variance de RN[i,t] Démonstration : prendre a=b=e[i]’ 26/05/2018

Statistique des rendements (7) Estimation du rendement net moyen d’un portefeuille Portefeuille fixe dans le temps en valeur RN[t]() = ∑{[i].RN[i,t] | i=1,..,n} RN[t]() = ’.RN[t], où  = ([1],..,[n])’ Les T variables RN[t]() sont IIN(’µ,’Ω) Attention : ∑{[i] | i=1,..,n} ≠1, sauf si [0]=0 26/05/2018

Statistique des rendements (8) Le rendement net moyen ’µ noté m() est estimé par m*() = ’.µ*[T] On a par ailleurs : √T(’. µ*[T] - ’.µ) ~ N(0, ’Ω) Et donc √T(’. µ*[T] - ’.µ) / √(’.Ω*T.) converge asymptotiquement en loi vers N(0,1) On en déduit l’intervalle de confiance pour m() ’.µ*[T] ± (2/√T).√(’.Ω*T.) 26/05/2018

Statistique des rendements (9) Estimation de la variance d’un portefeuille On a : Variance σ²() = ’.Ω. Elle est estimée par ’.ΩT*. = σT*²() On a la convergence asymptotique en loi suivante : √T.(σT*²() - σ²()) -> N(0,2(’Ω)²) Car (slide 13) : Vas(√T.(ΩT* - Ω). ) = ’.Ω..Ω + Ω..’.Ω Vas(√T.’.(ΩT* - Ω). ) = ’.(’.Ω..Ω + Ω..’.Ω). = 2(’Ω)² D’où l’intervalle de confiance à 95% de σ²() : σT*²() ± 2.√2. (’.ΩT*.) /√T 26/05/2018

Statistique des rendements (9) Remarque : soient deux actifs risqués i=1,2 On se donne µ1=µ2=µ, ω[1,1]=ω[2,2]=ω, ω[1,2]=ρ.ω Soit un portefeuille composé à partir de ces deux actifs, décrit par  = (1,2) avec 1+2=1 On a alors : RN() ~ N(µ,’.Ω.) ’.Ω. = (1²+2²).ω + 2ω[1,2].1.2 = ((1+2)².ω – 2ω.1.2 + 2ρ. 1.2 = ω – 2ω.1.2.(1-ρ) < ω si les i sont positifs, i=1,2 C’est la théorie de la diversification 26/05/2018

Performance de Sharpe (1) Soient n actifs risqués de rendements nets respectifs : RN[t] = (RN[1,t],..,RN[n,t])’ RN[T] ~ N(µ,Ω) Et en particulier : RN[i,t] ~ N(µ[i],ω[i,i]) Alors la performance de Sharpe de l’actif i est : s[i] = µ[i]²/ω[i,i] Plus généralement, pour un portefeuille décrit par un vecteur  s() = (’.µ)²/(’.Ω.) = m²()/σ²() s() = m²()/v(), où v() = σ²(), σ() est la volatilité 26/05/2018

Performance de Sharpe (2) Performance de Sharpe de l’ensemble des actifs s* = µ’.Ω-1.µ Remarques : la performance du portefeuille décrite par  est homogène de degré 0 en  la performance de l’ensemble des actifs peut s’interpréter comme la performance du portefeuille défini par * = Ω-1.µ, car m(*) = µ’. Ω-1.µ v(*) = µ’. Ω-1.µ = m(*) 26/05/2018

Performance de Sharpe (3) Estimation de s() sT*() = (mT*())²/vT*() avec : mT*() = ’.µT* vT*() = ’.ΩT*. Comportement asymptotique de sT*() On différentie (Δ méthode) pour développer l’expression de sT*(), autour de s(), en omettant  dans les expressions pour simplifier ΔsT* = 2m.ΔmT*/v – m². ΔvT*/v² √T.(sT*-s) ~ 2m.√T.(mT*-m)/v – (m²/v²).√T.(vT*-v) 26/05/2018

Performance de Sharpe (4) Or on a vu : √T.(mT*-m, vT*-v)’ tend en loi asymptotiquement vers N(0,G), où g11 = v, g22 = 2v², g12 = g21 =0 Donc : √T(sT* - s) tend en loi asymptotiquement vers N(0,4m²v/v²+m4.2v²/v4) = N(0,4m²/v + 2m4/v²) = N(0, 2s.(2+s)) 26/05/2018

Performance de Sharpe (4) Construisons l’intervalle de confiance à 95% de s() : sT*() ± (2√2/√T).[sT*().(sT*()+2)]1/2 Regardons en particulier la performance s*=s(*) de l’ensemble des actifs, définie pour * = Ω-1.µ Elle est estimée par s*T=µ*’T.(Ω*T)-1.µ*T = s*T.(*T), *T= (Ω*T)-1.µ*T 26/05/2018

Performance de Sharpe (5) Comportement asymptotique de s* : c’est le même que celui de sT*(*), car : √T.(sT*(T*)- sT*(*)) ~ (∂s/∂’)(*).√T.(T* - *) Or (∂s/∂)(*) = 0 car * est homogène de degré 0 en  On en déduit que √T.(sT* - s*) tend asymptotiquement en loi vers N(0,2s*.(2+s*)) Ce qui donne l’intervalle de confiance : sT* ± (2√2/√T).[sT*.(sT*+2)]1/2 26/05/2018

Performance de Sharpe (6) Cas de deux portefeuilles Soient 1 et 2 les parts en actifs risqués, et considérons s(1),s(2),sT*(1),sT*(2) On montre que le vecteur √T.(sT*(1)- s(1), sT*(2)- s(2)) suit asymptotiquement la loi normale d’espérance (0,0), et de matrice de variance-covariance 2x2 Q définie par q11 = 2s1.(2+s1), q22=2s2.(2+s2), q12=q21=2s12.(2+s12), avec s12 = A/B, la coperformance, où A = [(1’.µ1).(2’. µ2).(1’.Ω.2)] B = [(1’.Ω.1).(2’.Ω.2)] 26/05/2018

Performance de Sharpe (7) Cas particulier : √T.[sT*(1)-sT*(2) – (s(1)-s(2))] tend asymptotiquement en loi vers N(0,q), q = 2s1.(2+s1)+2s2.(2+s2)-4s12.(2+s12) Ceci permet de faire un test d’égalité de s(1) et de s(2), par la statistique de Wald (familière en régression logistique, basée sur la normalité asymptotique des estimateurs ML des coefficients) On calcule la statistique de Wald ξTW = T.[sT*(1)-sT*(2)]²/q* On rejette si ξTW ≥ c²0.95(1) ~ 4 26/05/2018

Performance de Sharpe (8) Autre expression : prenons s() = m²()/σ²(), et remplaçons-le par s0()=[s()]1/2=m()/σ(), [m()>0] s0T*()=[sT()]1/2 = mT*()/ σT*(), avec toujours [mT*()>0], Reprenons la méthode du Δ : Δs0T*()=(1/2).s-1/2().ΔsT √T.[s0T*()- s0*()] tend asymptotiquement en loi vers N(0,(1/4).s-1().2s().[2+s()]) = N(0,1+(1/2).s0²()) 26/05/2018