Upload
jilani-osmane
View
9
Download
1
Embed Size (px)
DESCRIPTION
garch
Citation preview
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Modles GARCH et volatilit stochastique
Christian Francq
Chapitre 2: Processus GARCH
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Modles linaires (Wold, 1938) et modles ARMA (Box etJenkins, 1970)
Objectif des ARMA : modliser lesprance conditionnelle(linaire).
Modles ARCH (Engle, 1982) et modles GARCH (Bollerslev,1986)
Objectif des GARCH : modliser la variance conditionnelle.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Plan
1 Dfinitions et reprsentations
2 Etude de la stationnarit
3 Autres proprits
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
1 Dfinitions et reprsentations
2 Etude de la stationnarit
3 Autres proprits
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
GARCH(p,q) semi-fort
DfinitionOn dit que (t) est un processus GARCH(p,q) semi-fort ssi
(i) E(t | u,u < t) = 0, t ZZ ;(ii) Il existe des constantes , i, i = 1, . . . ,q et j, j = 1, . . . ,p tellesque
2t =Var(t | u,u < t) =+q
i=1i
2ti +
pj=1
j2tj, t ZZ.
ARCH : p = 0
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Remarques {E(t | u,u < t) = 0, t ZZ,2t =Var(t | u,u < t) =+
qi=1i
2ti +
pj=1j
2tj.
Pour assurer 2t > 0, on impose souvent > 0, i,j 0.
Si la srie (t) est stationnaire, cest un bruit semi-fort.La prvision optimale est 0 et 2t est la variance conditionnellede lerreur de prvision. Sa forme non constante traduitlhtroscdasticit conditionnelle et permet la "volatilityclustering".Dans le GARCH(1,1) 2t =+2t1 +2t1, est unparamtre de persistance, est un paramtre de ractivit auxchocs, et est un paramtre dchelle.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Remarques {E(t | u,u < t) = 0, t ZZ,2t =Var(t | u,u < t) =+
qi=1i
2ti +
pj=1j
2tj.
Pour assurer 2t > 0, on impose souvent > 0, i,j 0.Si la srie (t) est stationnaire, cest un bruit semi-fort.
La prvision optimale est 0 et 2t est la variance conditionnellede lerreur de prvision. Sa forme non constante traduitlhtroscdasticit conditionnelle et permet la "volatilityclustering".Dans le GARCH(1,1) 2t =+2t1 +2t1, est unparamtre de persistance, est un paramtre de ractivit auxchocs, et est un paramtre dchelle.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Remarques {E(t | u,u < t) = 0, t ZZ,2t =Var(t | u,u < t) =+
qi=1i
2ti +
pj=1j
2tj.
Pour assurer 2t > 0, on impose souvent > 0, i,j 0.Si la srie (t) est stationnaire, cest un bruit semi-fort.La prvision optimale est 0 et 2t est la variance conditionnellede lerreur de prvision. Sa forme non constante traduitlhtroscdasticit conditionnelle et permet la "volatilityclustering".
Dans le GARCH(1,1) 2t =+2t1 +2t1, est unparamtre de persistance, est un paramtre de ractivit auxchocs, et est un paramtre dchelle.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Remarques {E(t | u,u < t) = 0, t ZZ,2t =Var(t | u,u < t) =+
qi=1i
2ti +
pj=1j
2tj.
Pour assurer 2t > 0, on impose souvent > 0, i,j 0.Si la srie (t) est stationnaire, cest un bruit semi-fort.La prvision optimale est 0 et 2t est la variance conditionnellede lerreur de prvision. Sa forme non constante traduitlhtroscdasticit conditionnelle et permet la "volatilityclustering".Dans le GARCH(1,1) 2t =+2t1 +2t1, est unparamtre de persistance, est un paramtre de ractivit auxchocs, et est un paramtre dchelle.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Reprsentation ARMA sur les carrs
Linnovation de 2t est la variable t = 2t 2t .= Forme ARMA(max(p,q),p) semi-fort :
2t =+r
i=1(i +i)2ti +t
pj=1
jtj, t ZZ.
o r = max(p,q)Lien avec les proprits des sries financires : nonautocorrlation de (t) (quelle que soit la spcification de 2t ),autocorrlation de (2t ) (ici ARMA).
Pb : comment construire de tels modles GARCH? sont-ilstationnaires ? en particulier lhtroscdasticit conditionnelleest-elle compatible avec lhomoscdasticit marginale ?
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
GARCH(p,q) (sens fort)
(t) suite de variables i.i.d., Et = 0, E2t = 1.
Dfinition(t) est un processus GARCH(p,q) au sens fort sil vrifie
t =tt
2t =+q
i=1i2ti +
pj=1j
2tj, t Z
> 0 , i 0 (i = 1, . . . ,q) , j 0 (j = 1, . . . ,p).
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Lien avec la reprsentation semi-forte :
Si les esprances conditionnelles existent, si t (u,u < t) on a :
E(t | u,u < t) = 0, Var(t | u,u < t) =2t ,
mais pas dquivalence entre les deux dfinitions.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Autre reprsentation :
A partir de 2t =2t 2t , avec des conventions videntes on a
2t = +r
i=1i
2ti
2ti +i2ti
= +r
i=1ai(ti)2ti
o r = max(p,q) et ai(z) =iz2 +i, i = 1, . . . ,r.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Une simulation dun GARCH(1,1) t
1
00
51
0
0 1000 2000 3000 4000
t =tt , t iid St5, 2t = 0.033+0.0902t1 +0.8932t1,t = 1, . . . ,n = 4791
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
... qui prsente certaines similarits avec une srie derendements
Re
turn
s
1
00
51
0
0 1000 2000 3000 4000
CAC returns
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
1 Dfinitions et reprsentations
2 Etude de la stationnaritCas GARCH(1,1)Cas GARCH(p,q) gnral
3 Autres proprits
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
On cherche les conditions imposer aux paramtres pour quunmodle GARCH admette une solution stationnaire (ici nonexplosive).
Les solutions intressantes sont les solutions non anticipatives (oucausales), i.e. t fonction de t ,t1, . . .
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
1 Dfinitions et reprsentations
2 Etude de la stationnaritCas GARCH(1,1)Cas GARCH(p,q) gnral
3 Autres propritsMoments de la loi marginaleAutocorrlations des carrsPrvisions
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
GARCH(1,1) : stationnarit strictet =tt
2t =+2t1 +2t1, > 0,, 0
2t = +a(t1)2t1 (a(z) =z2 +)= +a(t1){+a(t2)2t2}
= [
1+N
n=1a(t1) . . .a(tn)
]+a(t1) . . .a(tN1)2tN1
:= ht (N) +a(t1) . . .a(tN1)2tN1.
Soit ht = limN ht(N) [0,+].ht(N) =+a(t1)ht1(N 1) = ht =+a(t1)ht1.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
Le processus limite
ht ={
1+
n=1a(t1) . . .a(tn)
}
est-il valeurs finies ? Critre de Cauchy
[a(t1) . . .a(tn)]1/n = exp[
1
n
ni=1
log{a(ti)}
] e p.s.,
:= E log{2t +} [,+).
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
PropositionLe modle GARCH(1,1) a une (unique) solution strictementstationnaire (ergodique et non anticipative) ssi
= E log{2t +} < 0.
[Nelson, 1990]
Cas ARCH(1) (= 0) : 0 < exp{E(log2t )}.Si t N (0,1) : 0 < 3.56.
Remarque : On a
+< 1 < 0 et < 0 < 1.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
Preuve de la propositionSi < 0, daprs le critre de Cauchy et le thorme ergodique,t :=
htt est solution stationnaire (ergodique et causale).
Si > 0, alors 2t =+ p.s. car 2t ht(N) N et ht(N) quand N .Si = 0 alors {Ni=1 loga(ti)}N est une marche alatoire nondgnre (ou alors le rsultat est montr) donclimsupN a(t1) a(tN ) =+ et, daprs le critre deCauchy, ht(N) . Chung-FuchsSoit t =tt une solution strictement stationnaire. On a2t ht = {ht(N)ht}+a(t1) . . .a(tN1)2tN1, N .
Lorsque < 0, le terme de droite tend vers 0 en probabilitquand N , donc le terme de gauche (qui ne dpend pas deN) est nul avec probabilit 1.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
GARCH(1,1) : stationnarit au second ordreSi t est stationnaire au second-ordre et non anticipatif,
E(2t ) = E(2t )E(2t ) = E(2t ) =+ (+)E(2t1)
soit(1)E(2t ) =.
Il faut donc +< 1. On obtient de plus : E(2t ) > 0.Inversement si +< 1 on a < 0. La solution strictementstationnaire vrifie
E(2t ) = E(ht) =[
1++n=1
E{a(t1) . . .a(tn)}]
=[
1++n=1
{Ea(1)}n]=
1 (+) .
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
PropritLe modle GARCH(1,1) a une solution stationnaire au second-ordrenon anticipative ssi
+< 1.
Rgions de stationnarit du modle GARCH(1,1) si t N (0,1).1 : Stationnarit au 2nd ordre ; 1 et 2 : Stationnarit stricte ; 3 : Non stationnarit.
0 1 2 3 4
1
3
2
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
Modles IGARCH
Si += 1 (et 2t non dgnre) il existe une solutionstrictement stationnaire, mais pas de solution stationnaire ausecond ordre. On dit que lon a un IGARCH(1,1) (par analogie auxARMA intgr racine unit)
2t =+2t1 +ut
out = (2t1 +2t1 2t1) =2t1(2t1 +1)
est centr. Lanalogie avec les ARIMA est trompeuse ...L On ne peut pas utiliser la reprsentation ARMA semi-forte pourobtenir des conditions de stationnarit
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
1 Dfinitions et reprsentations
2 Etude de la stationnaritCas GARCH(1,1)Cas GARCH(p,q) gnral
3 Autres propritsMoments de la loi marginaleAutocorrlations des carrsPrvisions
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
Modle GARCH(p,q) : stationnarit stricte
Reprsentation vectorielle
zt = bt +Atzt1ozt = (2t , . . . ,2tq+1,2t , . . . ,2tp+1) Rp+q,bt = (2t ,0, . . . ,,0, . . . ,0) Rp+q,
At =
1
2t q2t 12t p2t
Iq1 0 01 q 1 p
0 Ip1 0
.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
Equivalence entre le GARCH univarie et lAR(1) multivari
zt solution de lAR(1) t =
zq+1,tt solution GARCH.
(t) GARCH(p,q) zt = (2t , . . . ,2tp+1) AR(1).donc
(zt) strictement stationnaire (t) strictement stationnaire.(zt) L1 (t) L2.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
Modle GARCH(p,q) : stationnarit stricte
Si on droule le modle
zt = bt +Atzt1on obtient
zt = bt +At{bt1 +At1zt2}
= bt +
k=1AtAt1 . . .Atk+1btk ?
Pb : validit de cette somme infinie.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
Coefficient de Lyapounovpour toute suite de matrices alatoires A = (At), strictementstationnaire et ergodique, telle que E log+ At
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
Pour la norme A = |aij|, E log+ At EAt
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
CNS de stricte stationnarit pour un GARCH(p,q)PropritLe modle GARCH (p,q) a une (unique) solution strictementstationnaire non anticipative ssi
(A) < 0. Preuve
[Bougerol & Picard, 1992]
(A) ne peut en gnral pas tre calcul explicitement. LeGARCH(1,1) est une exception :
(A) = E log(12t +1) Preuve
(A) < 0 pj=1j < 1. PreuveLe coefficient peut tre estim par simulations.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
CNS de stricte stationnarit pour un GARCH(p,q)PropritLe modle GARCH (p,q) a une (unique) solution strictementstationnaire non anticipative ssi
(A) < 0. Preuve
[Bougerol & Picard, 1992]
(A) ne peut en gnral pas tre calcul explicitement. LeGARCH(1,1) est une exception :
(A) = E log(12t +1) Preuve
(A) < 0 pj=1j < 1. PreuveLe coefficient peut tre estim par simulations.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
CNS de stricte stationnarit pour un GARCH(p,q)PropritLe modle GARCH (p,q) a une (unique) solution strictementstationnaire non anticipative ssi
(A) < 0. Preuve
[Bougerol & Picard, 1992]
(A) ne peut en gnral pas tre calcul explicitement. LeGARCH(1,1) est une exception :
(A) = E log(12t +1) Preuve
(A) < 0 pj=1j < 1. Preuve
Le coefficient peut tre estim par simulations.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
CNS de stricte stationnarit pour un GARCH(p,q)PropritLe modle GARCH (p,q) a une (unique) solution strictementstationnaire non anticipative ssi
(A) < 0. Preuve
[Bougerol & Picard, 1992]
(A) ne peut en gnral pas tre calcul explicitement. LeGARCH(1,1) est une exception :
(A) = E log(12t +1) Preuve
(A) < 0 pj=1j < 1. PreuveLe coefficient peut tre estim par simulations.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
Rgions de stationnarit du modle ARCH(2) : t =
1+12t1 +22t2t , t N (0,1).1 : Stationnarit au second-ordre ;
1 et 2 : Stationnarit stricte ;3 : Non stationnarit
2
3
21
10 1 2 3
0
1
2
3
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Cas GARCH(1,1)Cas GARCH(p,q) gnral
Stationnarit au 2nd ordre
PropritLe modle GARCH (p,q) a une solution stationnaire ausecond-ordre non anticipative ssi
qi=1i +
pj=1j < 1. Preuve
La condition quivaut (EAt) < 1. Elle implique la stationnaritstricte :
(A) (EAt) = log(EAt) < 0.Sous cette condition
Var(t) = 1qi=1i pj=1j .
Modle IGARCH :q
i=1i +p
j=1j = 1.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
1 Dfinitions et reprsentations
2 Etude de la stationnarit
3 Autres propritsMoments de la loi marginaleAutocorrlations des carrsPrvisions
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Proprits de la loi marginale :
(t) : solution strictement stationnaire non anticipative.
PropritSi E(2mt )
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Preuve que := {E(Amt )} < 1 implique E(2mt )
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Exemple du GARCH(1,1)
At = (2t , 1)(,) E(Amt ) = E{(2t , 1)m
}(,)m.
Moments dordre 2 : A2t = (4t ,2t ,2t ,1)(2,,,2) a 3 valeurspropres nulles, donc (EA2t ) =Trace=42 +2+2 o 2i = E(2it ).Moments dordre 2m :
E(2mt )
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Rgions dexistence des moments du modle GARCH(1,1).1 : Moment dordre 4
1 et 2 : Moment dordre 23 : Variance infinie.
0.0 0.2 0.4 0.6 0.8 1.0 1.20.0
0.2
0.4
0.6
0.8
1.0
1
3
2
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Kurtosis :
Distribution conditionnelle :
E(2kt | u,u < t) =2kt E(2kt )
E(4t | u,u < t)
{E(2t | u,u < t)}2= E(
4t )
{E(2t )}2
:= .
Distribution marginale :
:=E(4t )
{E(2t )}2= E[E(
4t | u,u < t)]
{E[E(2t | u,u < t)]}2= E(
4t )
{E(2t )}2 > .
Dans le cas GARCH(1,1), = 1(+)2
1(+)22(41) est une fonction
croissante de 2(41)
1(+)2 .
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
1 Dfinitions et reprsentations
2 Etude de la stationnaritCas GARCH(1,1)Cas GARCH(p,q) gnral
3 Autres propritsMoments de la loi marginaleAutocorrlations des carrsPrvisions
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Calcul des autocorrlations et autocovariances de 2t :La fonction dautocovariance peut tre obtenue numriquement, demanire rcursive partir de la reprsentation vectorielle.
Fonction dautocorrlation du carr du modle GARCH(1,1) :t =tt , 2t = 1+0.32t1 +0.552t1, (t )N (0,1).
2 4 6 8 10 12
0.1
0.2
0.3
0.4
Fonction dautocorrlation partielle du mme modle.
2 4 6 8 10 12
0.1
0.2
0.3
0.4
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
1 Dfinitions et reprsentations
2 Etude de la stationnaritCas GARCH(1,1)Cas GARCH(p,q) gnral
3 Autres propritsMoments de la loi marginaleAutocorrlations des carrsPrvisions
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Prvisions dun GARCH(p,q) stationnaire au 2nd-ordreLa prvision optimale (au sens L2) de t est 0. Plus gnralement,pour h 0
E(t+h|u,u < t) = E{E(t+h|u,u < t +h)|u,u < t} = 0, t ZZ.
Les prvisions horizon h 0 du carr sobtiennent rcursivement par
E(2t+h|u,u < t) = E(2t+h|u,u < t)
= +q
i=1iE(
2t+hi|u,u < t)+
pj=1
jE(2t+hj|u,u < t),
avec
E(2t+hi|u,u < t) = E(2t+hi|u,u < t), i hE(2t+hi|u,u < t) = 2t+hi, i > h
E(2t+hi|u,u < t) =2t+hi, i h.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Intervalles de prvision horizon 1, 95%, pour le bruit blanc fort de loi N (0,1).
100 200 300 400 500
-3
-1
1
3
Intervalles de prvision horizon 1, 95%, pour le processus GARCH(1,1) simul avec = 1,= 0.1,= 0.8et (t ) de loi N (0,1).
100 200 300 400 500
-12
-7
-2
3
8
13
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Intervalles de prvision horizon 1, 95%, pour le processus GARCH(1,1) simul avec = 1,= 0.6,= 0.2et (t ) de loi N (0,1).
100 200 300 400 500
-30
-20
-10
0
10
20
30
Intervalles de prvision horizon 1, 95%, pour le processus IGARCH(1,1) simul avec= 1,= 0.7,= 0.3 et (t ) de loi N (0,1).
100 200 300 400 500
-100
-50
0
50
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Cas dun AR(1)-GARCH(1,1) stationnaire
Xt =Xt1 +tt =tt2t =+2t1 +2t1 > 0,, 0,+< 1, || < 1.
E(Xt+h|Xu,u < t) =h+1Xt1,V (Xt+h|Xu,u < t)
= (12(h+1))
{1 (+)}(12) +{2t
1 (+)}2(h+1) (+)(h+1)
2 (+)
si 2 6=+
V (Xt+h|Xu,u < t) =(12(h+1))
(12)2 +{2t
1 (+)}
(h+1)2h
si 2 =+.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
ARMA(1)-GARCH(1,1) non stationnaires
Si || = 1, en initialisant 0 toutes les variables des dates ngativesV (Xt+h|Xu,u < t)
= h{1 (+)} +
{2t
1 (+)}
1 (+)(h+1)1 (+) .
Si += 1 et || < 1,
V (t+h|u,u < t) =h+2t , pour tout h 0.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Fin du chapitre 2
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Critre de Cauchy
Critre de Cauchy pour la convergence dune suite determe an 0.Soit = limsupa1/nn .
< 1
n=1an 1
n=1
an =+.
Return
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Thorme de Chung-Fuchs
Thorme sur les marches alatoires.Si X1, . . . ,Xn est une suite iid telle que EX1 = 0 et E|X1| > 0, alors p.s.
limsupn
ni=1
Xi =+
et
liminfn
ni=1
Xi =.
Return
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Preuve que < 0 est une CNS de stationnarit stricte
On a vu que < 0 entrane une solution strictementstationnaire zt pour lAR(1) vectoriel, et donc aussi pourlquation GARCH(p,q).On suppose quil existe une solution strictement stationnairezt . On a
z0 = b0+t1k=0
A0 . . .Akbk1+A0 . . .Atzt1 t1k=0
A0 . . .Akbk1,
donc A0 . . .Akbk1 0 p.s. quand k . On peut endduire que A0 . . .Ak 0 p.s. ce qui implique < 0.
Retour
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Calcul du coefficient de Lyapounov dans le casGARCH(1,1)
Pour le modle GARCH (1,1) on a zt = bt +Atzt1 avec
zt =(2t2t
), At =
(2t
2t
)=
(2t1
)(
).
Do
At Atn =(2t1
) ni=1
a(ti)(
)et
1
nlogAt Atn E loga(1) p.s.
Retour
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisionsp
j=1j < 1 est ncessaire pour la stricte stationnarit
At =
1
2t q2t 12t p2t
Iq1 0 01 q 1 p
0 Ip1 0
, B = ( 1 pIp1 0)
.
On a donc (A) (B) = (B) et
det(BIp) = (1)p(p p
j=1j
pj) = (1)ppB(1/),
avec B(z) = 1pj=1jzj. Il suffit alors de montrer que{B(z) = 0 |z| > 1}
pj=1
j < 1.
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
La stricte stationnarit ncessitep
j=1j < 1 (suite)Il suffit alors de montrer que{
B(z) := 1p
j=1jz
j = 0 |z| > 1}
p
j=1j < 1.
On suppose que pj=1j 1 et on montre que B(z0) = 0 pourun |z0| 1. On a B(0) = 1 et B(1) = 1pj=1j 0. Parcontinuit il existe donc une racine dans (0,1].
Si pj=1j < 1 et B(z0) = 0 avec |z0| 1 alors1 =
pj=1jzj0 pj=1j
zj0 pj=1
j
ce qui est impossible.Retour
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
Preuve quei +i < 1 est une CNS de stationnarit au
second ordreSi E2t 0.On suppose
i +i < 1. Il suffit de montrer que
zt = bt +
k=0At . . .Atkbtk1 L1.
Daprs la rgle de Cauchy, ceci est vrai si
limk
EAt . . .Atk1/k = limk
Ak1/k = (A) < 1,
o A = EAt .Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnarit
Autres proprits
Moments de la loi marginaleAutocorrlations des carrsPrvisions
i +i < 1 CNS de stationnarit faible (suite)
On a
A =
1 q 1 p
Iq1 0 01 q 1 p
0 Ip1 0
et on montre par rcurrence que
(A) < 1 i +i < 1.Retour
Modles GARCH et volatilit stochastique
Dfinitions et reprsentationsEtude de la stationnaritCas GARCH(1,1)Cas GARCH(p,q) gnral
Autres propritsMoments de la loi marginaleAutocorrlations des carrsPrvisions