Econometrie des Series Temporelles Modeles ARIMA ARCH-GARCH

Présentation au sujet: "Econometrie des Series Temporelles Modeles ARIMA ARCH-GARCH"— Transcription de la présentation:

1 Econometrie des Series Temporelles Modeles ARIMA ARCH-GARCH
Chapitre II Econometrie des Series Temporelles Modeles ARIMA ARCH-GARCH

2 Pourquoi? Modelisation de la croissance
Variables explicatives a choisir? Politique fiscale, investissement, technologie, demographie, commerce international, taux de change, taux d’interet Series temporelles: Utiliser les valeurs passees de la croissance et des termes d’erreur Approche purement statistique Modeles parsimonieux

3 Objectif Identifier le processus generateur des variables observees
Outil de prevision

4 Definition Une serie temporelle consiste en un ensemble d’observations d’une variable y Observations sont espacees dans le temps a intervalles egaux: yi avec i=1,2,....t Processus stochastique: Chaque observation est une variable aleatoire et les variables evoluent dans le temps selon certaines lois Ce que nous observons: Ensemble limite d’observations

5 Notions de Base Moyenne Variance Autocovariance Autocorrelation
Variance de Y avec ses propres valeurs passees Autocorrelation PAC: dernier coefficient de y sur ses m valeurs passees

6 Autocorrelations Partielles

7 Bruit Blanc Bruit Blanc N(0,1) Distribution

8 Modelisation ARMA AutoRegressive (Integrated) Moving Average
Box Jenkins (1976) Moyenne ponderee de Bruits blancs AutoRegression

9 Notations Operateur ‘Arriere’ Operateur ‘Avant’ Difference

10 Moving Average Toujours stationnaire Fonction de bruits blancs passes
Notation avec operateur

11 Exemple MA(q)

12 MA(1)

13 Ma(q)

14 Exemple MA(1) phi1=0.8 AC PAC

15 Exemple MA(3) AC PAC Phi=0.8, -0.5,0.3

16 AR(1) Stationnaire Processus explosif

17 Pourquoi?

18 AR(1) Phi=0.5 Phi=-0.8 AC PAC

19 AR(2) Conditions de stationarite:

20 AR(p) Conditions de stationarite: Les racines de l’equation suivante doivent etre inferieures a 1 en valeur absolue

21 ARMA(1,1) Les autocorrelations diminuent progressivement
Similaire a AR(1) Mais fonction plus compliquee des parametres Depend des deux coefficients

22 Box-Jenkins (1976) 1) Identification: Un premier modele est choisi apres examen des autocorrelations Si rho ne decroit pas rapidement: indication de non-stationarite Si rho(k)=0 pour k>q et les autocorrelations partielles decroissent  MA(q) Si rho(k) decroit et les autocorrelations partielles sont =0 pour k>p AR(p) Si pas de point de rupture clair ARMA(p,q)

23 Box-Jenkins (1976) 2) Estimation Maximum de vraisemblance
Goodness of fit (criteres AIC, Schwartz) 3) Tests de verification sur les residus - Est ce que les erreurs sont aleatoires? - Non autocorreles: Test de Box-Ljung - Normalite: Test de Jarque Bera

24 Estimation

25 Maximum de vraisemblance
Les erreurs sont iid Distribution jointe: produit des distributions individuelles Regression simple

26 Conditional Likelihood ARMA(p,q)
Considere les p premieres observations comme donnees Fixer les q premieres erreurs a 0 Par iteration

27 ARCH Hypothese de constance de la volatilite rarement verifiee sur marches financiers Auto Regressive Conditional Heteroskasticity La volatilite semble etre correlee dans le temps Fat Tails (kurtosis)

28 Volatility Clusters S&P 500

29 Fat Tails

30 ARCH(1) Engle (1982) La volatilite conditionelle est fonction des observations passees

31 Proprietes Volatilite autocorrellee Kurtosis>3

32 GARCH(1,1) ARCH(p) difficile a estimer Bollerslev(1986)
Generalized.....ARCH Correspond a ARCH()

33 Extensions Integrated GARCH GARCH in Mean Exponentional GARCH
Les coefficients somment a 1: Les chocs passes persistent tres longtemps GARCH in Mean Relation directe entre rendement et risque d’un actif Dans la specification du rendement moyen, inclure une function de la variance conditionnelle Exponentional GARCH Les chocs passes ont un impact asymmetrique sur la volatilite

34 News Impact Curve Relation entre erreur Et volatilite future

35 Test – Engle(1982) ARCH(q) Hypothese H0 de volatilite constante
Regression Les epsilons sont obtenus par estimation du modele sous hypothese de volatilite constante Statistique LM: nR2 suit Chi2(q)