Caracteristiques des donnees Financieres Tests

Présentation au sujet: "Caracteristiques des donnees Financieres Tests"— Transcription de la présentation:

1 Caracteristiques des donnees Financieres Tests
Series Temporelles Caracteristiques des donnees Financieres Tests

2 Comportement des Series Financieres
La base de l’analyse repose sur les taux de rendements Raison Concurrence parfaite, pas de rendements d’echelle Comportement distinct des rendements et des prix facilitant la construction de modeles de prevision Se mefier des prix (analyse en niveau) !

3 Exemples

4 Caracteristiques des Prix
‘Trends’ et renversements de tendance Pas de retour a la moyenne Volatilite augmente avec le temps (infinie) Exemple: Ecart type AUD/USD hebdo : 10.5% : 22.4% Decroissance tres lente des autocorrelations sur echantillon fini NON STATIONARITE

5 Rendements

6 Carateristiques des Rendements
Definition en temps discret: R(t)=P(t)/P(t-1)-1 En temps continu: r(t)=log(Pt)-log(Pt-1) Rendement cumule entre 2 periodes: r(k periodes)=r(1)+r(2)+...r(t-k+1) Pas de tendance Evolution autour d’une moyenne constante Sur grand echantillon, volatilite constante STATIONARITE

7 Stationarite Faible: Definition
Soit y une variable aleatoire stationnaire au sens faible Moyenne: E(yt)= Variance: E[(yt-)2]=2= (0) Autocovariance: E[(yt-) (yt-k-)]=(k) Autocorrelations: (k)=(k)/ (0) Les series temporelles sont le plus souvent analysees sur la base de leur fonction d’autocorrelation Meme information, meme forme

8 Ergodicite Des valeurs separees par un grand intervalle de temps doivent etre peu correlees Decroissance des autocorrelations Moyenne et variance calculees sur un echantillon donnent une estimation consistente des vraies valeurs des parametres

9 Autocorrelations

10 Marche Aleatoire Efficience de marche
Roberts (1967): The information set includes all information known to all a participants Pas de profits ‘excessifs’ par des agents informes Black (1971): If the price is going up, it should move up all at one, rather than in a series of small steps Samuelson: ‘Perfectly anticipated prices fluctuate randomly) Hypothese continuellement testee par les chercheurs

11 Demonstration Samuelson (1965): Le prix P(t) est fonction d’une variable fondamentale V Iteration des esperances de rendements P(t)=E(V* | I(t) )=Et(V*) P(t+1)=E(V* | I(t+1) )=Et+1(V*) Et(P(t+1)-P(t))= Et(Et+1(V*))- Et(V*)=0

12 Lien avec Calcul Stochastique
P(t+1)=a+ P(t)+e(t+1) E( P(t)| P(0))=P(0)+at Var( P(t) | P(0) )=s2t Si e est distribue selon N(0, s2) le prix suit un processus Brownien arithmetique dP(t)=a t + s dB(t) avec B processus de Wiener Si P est Brownien geometrique: dP/P suit une marche aleatoire

13 A Retenir La majorite des modeles d’econometrie financiere sont valides sous hypothese de stationarite Necessaire de tester la stationarite des donnees avant l’application de modeles

14

15 Spurious Regression Ordinary Least-squares Estimates
R-squared = Rbar-squared = sigma^ = Durbin-Watson = Nobs, Nvars = , 2 ********************************************************* Variable Coefficient t-statistic t-probability Constante Coefficient

16 Spurious Regression Y=MSCI Australie X=Taux d’interet en Allemagne
Aucune relation economique Forte relation statistique

17

18 Exemple Y2t= Y2t-1+ut Y1t= Y1t-1+vt
Estimation par Moindres Carres Ordinaires Y2t=a+b Y1t+zt (a,b)=ArgMin(zt’zt) Avec des tests conventionels a 5%, l’hypothese nulle b=0 est rejetee dans 75% des cas

19 Identification du Probleme
Le test de Durbin Watson= test d’autocorrelation d’ordre 1 des residus et= et-1+ft Si  0 violation des conditions MCO et le coefficient de regression est biaise, les erreurs sont sous-estimees  =0: Valeur attendue=2 < 2 s’il y a autocorrelation positive (au pire=0) Entre 2 et 4 si autocorrelation negative

20 Premiere Solution 1) Inclure les valeurs passees dans la regression
Y2t=a+a1 Y2t-1+ b1Y1t+b2 Y1t-1+ht Les coefficients b1 et b2 convergent vers leurs vraies valeurs T test est asymptotiquement N(0,1) Mais le test joint F sur b1 et b2 a une distribution non standard

21 Meilleure Solution 2) Differencer les variables afin qu’elles soient stationaires Y2t =a+b Y1t +ut ut est stationaire Comportement attendu des tests t et F

22 Ordre d’Integration Une serie stationaire apres differentiation simple est integree d’ordre 1: I(1) Si stationaire apres d differentiations est integregree d’ordre d: I(d) Une serie stationaire est notee I(0) Yt=a+Yt-1+et I(1) Yt = Yt- Yt-1=a+et I(0)

23 Test Traditionnel 1000 observations Yt=0.5+0.99 Yt-1+et
t test nous informe si b0, et non b=1 Ordinary Least-squares Estimates R-squared = Rbar-squared = sigma^ = Durbin-Watson = Nobs, Nvars = , 2 *************************************************************** Variable Coefficient t-statistic t-probability variable variable

24 Test de Dickey Fuller Yt=b0+b1 Yt-1+et
Determiner si b1=1 (racine unitaire) or <1 (stationarite) Soustraire Yt-1 des deux cotes Yt- Yt-1= b0+(b1-1) Yt-1+et Yt=b0+ Yt-1+et Test: H0: =0 Racine Unitaire H1: <0 Stationarite

25 Tests Complementaires
Tester 3 types de specification 1) Marche aleatoire pure Yt= Yt-1+et 2) Random walk with drift Yt=b0+ Yt-1+et 3) Random walk with drift and deterministic trend Yt=b0+ Yt-1+ct+et

26 Test ADF Augmente par inclusion d’autocorelation d’ordre superieur a 1
Yt=b0+b1 Yt-1+b2 Yt-2 +et Le test DF est biaise car les residus sont autocorreles Rajouter les differences jusqu’a ce que l’autocorrelation disparaisse Yt=b0+ Yt-1+1 Yt-1 +… n Yt-n +et

27 Exemple 1 Le modele le plus approprie est probablement RW with drift and trend

28 Exemple 2 Pas de tendance Le meilleur modele semble
etre un RW with drift

29 Taille de l’Echantillon
Taille versus frequence Simulation: yt= *yt-1+ et La serie est stationaire Nbre de fois hypothese de racine unitaire est rejetee? Conclusion de + en + forte que la serie est I(1)