Upload
jilani-osmane
View
18
Download
0
Embed Size (px)
DESCRIPTION
arch
Citation preview
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Modles GARCH et volatilit stochastiqueUniversit de Montral
12 mars 2007
Jean-Michel ZAKOIAN
Universit Lille 3 & CREST
Chapitre 1: Sries financires et modles GARCH
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Modles AutoRgressifs Conditionnellement Htroscdastiques
Engle (1982) :
"Autoregressive Conditional Heteroskedasticity with Estimates ofthe Variance of U.K. Inflation," Econometrica, 50, 9871008.
Generalized ARCH
Bollerslev (1986) :
"Generalized Autoregressive Conditional Heteroskedasticity,"Journal of Econometrics, 31, 309328.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Outline
1 Stationnarit, innovations, modles ARMA
2 Proprits des sries financires
3 Modles GARCH : proprits probabilistes
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
1 Stationnarit, innovations, modles ARMA
2 Proprits des sries financires
3 Modles GARCH : proprits probabilistes
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Modles stationnaires
Une srie (Xt) est stationnaire si ses proprits probabilistes sontles mmes que celles de la srie (Xt+h), pour tout entier h.
Dfinition(Xt) est stationnaire au sens strict si
(X1, X2, . . . , Xk) a mme loi que (X1+h, X2+h, . . . , Xk+h)
pour tout h et tout k 1.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Stationnarit au second ordre
DfinitionSoit (Xt) telle que EX2t
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Fonctions dautocovariance et dautocorrlation
DfinitionSoit (Xt) une srie stationnaire. La fonction dautocovariance de(Xt) est dfinie par
X(h) = Cov(Xt, Xt+h), h = 0,1,2, . . .
La fonction dautocorrlation de (Xt) est dfinie par
X(h) =X(h)
X(0)= Cor(Xt, Xt+h), h = 0,1,2, . . .
Remarque : Fonctions paires
X(h) = X(h), X(h) = X(h).
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Bruit blanc
DfinitionUn bruit blanc est une suite (t) de variables centres, de varianceconstante et non corrles :
E(t) = 0, Var(t) = 2, Cov(t, t) = 0, t 6= t
Notation : (t) BB (0, 2).Fonction dautocovariance :
(h) =
{2, h = 00, h 6= 0.
On parle de bruit blanc fort si les t sont centres, de variance finie,identiquement distribues et indpendantes.Les bruits blancs jouent un rle important pour la construction demodles plus sophistiqus.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Autocorrlations empiriquesEn pratique on observe x1, . . . xn :
ralisation partielle dune srie (Xt) suppose stationnaire.Pour tudier la dpendance, en vue de la slection dun modle, unoutil important est la fonction dautocorrlation empirique.
DfinitionLa moyenne empirique de x1, . . . xn est x = 1n
nt=1 xt.
La fonction dautocovariance empirique est
(h) =1
n
nt=1
(xt+|h| x)(xt x), |h| < n.
La fonction dautocorrlation empirique est
(h) =(h)
(0), |h| < n.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
On montre que pour un BB fort, les (h) sont approximativementdistribues comme une N (0, 1/n) pour n grand.Donc, pour un BB fort, environ 95% des (h) doivent tomber entreles bornes 1.96/n.
2 4 6 8 10 12
-0.06
-0.04
-0.02
0.02
0.04
0.06
Autocorrlations empiriques dun bruit blanc fort, pour n=5000.En pointills les bornes de significativit : 1.96/n
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Prvisions thoriques
2 concepts :Esprance conditionnelle :
E(Xt | Xt1, Xt2, . . .)
Meilleure approximation de Xt comme fonction de son pass.Esprance conditionnelle linaire :
EL(Xt | Xt1, Xt2, . . .)
Meilleure approximation de Xt comme fonction linaire de sonpass.
On note Xt1 le pass de Xt et HX(t 1) le pass linaire de Xt.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Innovations2 concepts :
Innovation forte :
t = Xt E(Xt | Xt1, Xt2, . . .)Bruit blanc (si E2t =
2) "orthogonal" toute fonction dupass de Xt
E(tZt1) = 0, Zt1 Xt1.Innovation linaire :
t = Xt EL(Xt | Xt1, Xt2, . . .)Bruit blanc orthogonal toute fonction linaire du pass
E(tZt1) = 0, Zt1 HX(t 1).Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Quelques proprits de lesprance conditionnelle
Y une variable telle que E(Y ) existe.
E[E(Y | Xt1)] = E(Y ).si Y Xt1,
E(Y Z | Xt1) = Y E(Z | Xt1).
si Y est indpendante de Xt1,
E(Y | Xt1) = E(Y ).
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Consquence : linnovation forte est un peu plus quun bruit
On remarque que les passs de X et concident : t1 = Xt1.Do, pour linnovation forte
E(t | t1) = 0.
On distingue plusieurs types de bruits (si Et = 0 et E2t = 2) :
Bruit faible : suite de variables non corrles.Bruit semi-fort : E(t | t1) = 0.Bruit fort : suite de variables indpendantes.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Modles ARMA
Les modles ARMA prennent en compte la structure ausecond-ordre dune srie stationnaire (Xt) : esprance, variance,autocorrlations.
ARMA(p, q) :Xt 1Xt1 pXtp = t 1t1 qtq
(t) bruit blanc faible
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
1 Stationnarit, innovations, modles ARMA
2 Proprits des sries financires
3 Modles GARCH : proprits probabilistes
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
La modlisation des sries financires est un problmecomplexe :
- grande varit des sries utilises (prix daction, taux dintrt,taux de change etc.), importance de la frquence dobservation(seconde, minute, heure, jour, etc), disponibilit dchantillons detrs grande taille.
- existence de rgularits statistiques (faits styliss) communes un trs grand nombre de sries financires et difficiles reproduireartificiellement partir de modles stochastiques. Mandelbrot(1963).
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Faits styliss : un grand nombre de sries financiresprsentent des proprits similaires
(i) Non stationnarit des prix pt.
Srie quotidienne du prix du CAC 40, 1992-1998.
0 400 800 1200
2000
3000
4000
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
(ii) Possible stationnarit des rendements.
t = log(pt/pt1) pt pt1pt1
Srie quotidienne du CAC 40 en log des rendements, 1988-1998.
0 500 1000 1500 2000 2500-0.10
-0.05
0.00
0.05
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
(iii) Regroupement des extrmes (volatility clustering).
Les 500 premires valeurs de lindice CAC40.
-0.06
-0.04
-0.02
0.02
0.04
Les 500 premires valeurs du carr de lindice CAC40.
100 200 300 400 500
0.001
0.002
0.003
0.004
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
(iv) Non corrlation des rendements mais autocorrlation des carrs.
Corrlogrammes de la srie CAC 40 et de son carr. Les traits en pointill correspondant 1.96/n
2 4 6 8 10 12 14-0.05
0.05
0.1
0.15
0.2
0.25
0.3
2 4 6 8 10 12 14
0.05
0.1
0.15
0.2
0.25
0.3
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Tests Portmanteau pour la srie desrendements
To Chi- Pr >Lag Square DF Khi2 -----------------Auto-corrlations-----------------
6 11.51 6 0.0737 0.030 0.005 -0.032 0.028 -0.046 -0.00112 16.99 12 0.1499 -0.018 -0.014 0.034 0.016 0.017 0.01018 21.22 18 0.2685 -0.005 0.025 -0.031 -0.009 -0.003 0.00624 27.20 24 0.2954 -0.023 0.003 -0.010 0.030 -0.027 -0.015
Tests Portmanteau pour la srie descarrs des rendements
To Chi- Pr >Lag Square DF Khi2 -----------------Auto-corrlations-----------------
6 165.90 6
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
(v) Queues de distribution paisses.
(vi) Asymtrie. Les baisses du cours gnrent plus de volatilit queles hausses de mme amplitude.
(vi) Saisonnalits.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Modles variance (conditionnelle) alatoire
t = tt
o(t) est un processus iid (0,1)(t) est un processus appel volatilit, t > 0les variables t et t sont indpendantes
Deux grandes classes de modles :type GARCH (Generalized Autoregressive ConditionalHeteroskedasticity) : t t1 (pass de t) volatilit stochastique
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
1 Stationnarit, innovations, modles ARMA
2 Proprits des sries financires
3 Modles GARCH : proprits probabilistesDfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
GARCH(p, q) (sens faible)
DfinitionOn dit que (t) est un processus GARCH(p, q) semi-fort si
(i) E(t/t1) = 0, t ZZ ;(ii) Il existe des constantes , i, i = 1, . . . , q et j , j = 1, . . . , ptelles que
2t = V (t/t1) = +q
i=1
i2ti +
pj=1
j2tj , t ZZ.
ARCH : p = 0
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
linnovation de 2t est la variable t = 2t 2t .
= Forme ARMA :
2t = +r
i=1
(i + i)2ti + t
pj=1
jtj , t ZZ.
o r = max(p, q)
(t) bruit blanc ? oui si E2t 0.
Lien avec les proprits des sries financires : non autocorrlationde (t) (quelle que soit la spcification de 2t ), autocorrlation de(2t ) (ici ARMA).
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
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 = 0 +q
i=1 0i2ti +
pj=1 0j
2tj , t Z
0 > 0 , 0i 0 (i = 1, . . . , q) , 0j 0 (j = 1, . . . , p).
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Lien avec la reprsentation semi-forte :
Si les esprances conditionnelles existent, si t t1 on a :
E(t/t1) = 0, V (t/t1) = 2t ,
mais pas dquivalence entre les deux dfinitions.
Autre reprsentation : partir de 2t = 2t
2t , en liminant les
2ti,
2t = +r
i=1
ai(ti)2ti
o ai(z) = iz2 + i, i = 1, . . . , r.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Simulation de taille 500 du processus ARCH(1) : t =q
1 + 0.52t1t, t N (0, 1)
100 200 300 400 500
-4
-2
2
4
Simulation de taille 500 du processus ARCH(1) : t =q
1 + 0.952t1t, t N (0, 1)
100 200 300 400 500
-10
-5
5
10
Simulation de taille 500 du processus ARCH(1) : t =q
1 + 1.12t1t, t N (0, 1)
100 200 300 400 500
-20-15-10-5
5101520
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Simulation de taille 200 du processus ARCH(1) : t =q
1 + 32t1t, t N (0, 1)
50 100 150 200
-20000-15000-10000-5000
5000100001500020000
Observations 100 140
10 20 30 40
-500-400-300-200-100
100200
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Simulation de taille 500 du GARCH(1,1) : t = tt, 2t = 1+ 0.22t1 ++0.7
2t1, t N (0, 1)
100 200 300 400 500
-15
-10
-5
5
10
15
Simulation de taille 500 du GARCH(1,1) : t = tt, 2t = 1+ 0.72t1 ++0.2
2t1, t N (0, 1)
100 200 300 400 500
-15-10-5
51015
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
1 Stationnarit, innovations, modles ARMA
2 Proprits des sries financires
3 Modles GARCH : proprits probabilistesDfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
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, . . .
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
GARCH(1,1) : stationnarit stricte
t = tt
2t = + 2t1 +
2t1, > 0, , 0
2t = + a(t1)2t1 (a(z) = z + )
= + a(t1){ + a(t2)2t2}
=
[1 +
Nn=1
a(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.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Le processus limite
ht =
{1 +
n=1
a(t1) . . . a(tn)
}
est-il valeurs finies ?
[a(t1) . . . a(tn)]1/n = exp
[1
n
ni=1
log{a(ti)}] e p.s.,
= E log{2t + } [,+[.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
PropritLe modle GARCH(1,1) a une (unique) solution strictementstationnaire non anticipative ssi
= E log{2t + } < 0.
[Nelson, 1990]
Cas ARCH(1) ( = 0) : 0 < exp{E(log 2t )}.Si t N (0, 1) : 0 < 3.56.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
GARCH(1,1) : stationnarit au second ordreSi t est stationnaire au second-ordre et non anticipatif,
E(2t ) = E(E(2t /t1)) = 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(t)}n] =
1 (+ ) .
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
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
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Modle GARCH(p, q) : stationnarit stricte
Reprsentation vectorielle
zt = bt +Atzt1
ozt = (
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
.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Modle GARCH(p, q) : stationnarit stricte
Si on droule le modle
zt = bt +Atzt1
on obtient
zt = bt +At{bt1 +At1zt2}
= bt +k=1
AtAt1 . . . Atk+1btk?
Pb : validit de cette somme infinie.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Coefficient de Lyapounovpour toute suite de matrices alatoires A = (At), strictementstationnaire et ergodique, telle que E log+ At
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Pour la norme A = |aij |, E log+ At EAt
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
PropritLe modle GARCH (p, q) a une (unique) solution strictementstationnaire non anticipative ssi
(A) < 0.
[Bougerol & Picard, 1992]
(A) ne peut en gnral pas tre calcul explicitement. LeGARCH(1,1) est une exception :
(A) = E log(12t + 1)
(A) < 0 pj=1 j < 1.Le coefficient peut tre estim par simulations.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Rgions de stationnarit du modle ARCH(2) : t =q
1 + 12t1 + 2
2t2t, t N (0, 1).
1 : Stationnarit au second-ordre ;1 et 2 : Stationnarit stricte ;
3 : Non stationnarit
2
3
21
1
0 1 2 30
1
2
3
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Stationnarit au 2nd ordre
PropritLe modle GARCH (p, q) a une solution stationnaire ausecond-ordre non anticipative ssi
qi=1 i +
pj=1 j < 1.
La condition quivaut (EAt) < 1. Elle implique la stationnaritstricte :
(A) < (EAt) = log (EAt) < 0.
Var(t) =
1qi=1 i pj=1 j .Modle IGARCH :
qi=1 i +
pj=1 j = 1.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Proprits de la loi marginale :
(t) : solution strictement stationnaire non anticipative.
PropritSi E(2mt )
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Moments dun processus GARCH(1,1).
At = (2t , 1)
(1, 1) E(Amt ) = E{(2t , 1)m}(1, 1)m.
E(2mt )
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
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
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Kurtosis :
Distribution conditionnelle :
E(2kt /t1) = 2kt E(
2kt )
E(4t/t1){E(2t/t1)}2
=E(4t )
{E(2t )}2:= .
Distribution marginale :
:=E(4t )
{E(2t )}2=
E[E(4t/t1)]{E[E(2t/t1)]}2
=E(4t )
{E(2t )}2 > .
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
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 + 0.3
2t1 + 0.55
2t1, (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
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Prvisions dun GARCH(p, q) stationnaire au 2nd-ordre
La prvision optimale (au sens L2) de t est 0. Plus gnralement,pour h 0
E(t+h|t1) = E{E(t+h|t+h1)|t1} = 0, t ZZ.Les prvisions horizon h 0 du carr sobtiennent rcursivement par
E(2t+h|t1) = E(2t+h|t1)
= +
qX
i=1
iE(2t+hi|t1) +
pX
j=1
jE(2t+hj |t1),
avec
E(2t+hi|t1) = E(2t+hi|t1), i hE(2t+hi|t1) = 2t+hi, E(2t+hi|t1) = 2t+hi, i > h.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
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, = 0.8 et (t) de loi N (0, 1).
100 200 300 400 500
-12
-7
-2
3
8
13
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Intervalles de prvision horizon 1, 95%, pour le processus GARCH(1,1) simul avec = 1, = 0.6, = 0.2 et (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
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Cas dun ARMA(1)-GARCH(1,1) stationnaire
8
0, , 0, + < 1, || < 1.
E(Xt+h|Xt1) = h+1Xt1,V (Xt+h|Xt1)
=(1 2(h+1))
{1 (+ )}(1 2) +
2t 1 (+ )
2(h+1) (+ )(h+1)2 (+ )
si 2 6= +
V (Xt+h|Xt1) = (1 2(h+1))
(1 2)2 +
2t 1 (+ )
(h+ 1)2h
si 2 = + .
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
ARMA(1)-GARCH(1,1) non stationnaires
Si || = 1, en initialisant 0 toutes les variables des dates ngativesV (Xt+h|Xt1)
=h
{1 (+ )} +
2t 1 (+ )
1 (+ )(h+1)1 (+ ) .
Si + = 1 et || < 1,
V (t+h|t1) = h+ 2t , pour tout h 0.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Proprits dagrgation ?
Agrgation temporelle : un modle GARCH une frquence donneest-il compatible avec un modle GARCH une autre frquence ?
ARCH(1) t = { + 2t1}1/2t,0 < < 1, (t) i.i.d.(0, 1), E(
4t ) = 4
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Le processus (2t) est un GARCH au sens semi-fort (dfinition 1).Il sera de plus un GARCH fort si
t =2t
{(1 + ) + 222(t1)}1/2
est i.i.d. On a
E(t|2(t1), 2(t2), . . .) = 0 E(2t |2(t1), 2(t2), . . .) = 1mais
E(4t |2(t1), 2(t2), . . .) = 4
1 +(4 1)322(t1)(22(t1) + 2)
{(1 + ) + 222(t1)}2!
est non constante, sauf si = 0 ou 4 = 1 (2t = 1, p.s.).Donc le processus (2t) nest pas un GARCH fort.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Cette proprit nest pas gnrale : lagrg temporel dunprocessus GARCH nest gnralement pas un GARCH, mme ausens semi-fort.
Notion de processus GARCH faible :
DfinitionSoit (t) stationnaire lordre 4. On dit que (t) est unGARCH(r, p) au sens faible si(i) (t) est un bruit blanc ;(ii) (2t ) admet une reprsentation ARMA de la forme
2t r
i=1
ai2ti = c+ t
pi=1
biti
o (t) est linnovation linaire de (2t ).
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Exemple : agrgation du GARCH(1,1)
PropositionSoit (t) un processus GARCH(1,1) faible. Alors, pour tout entierm 1, le processus (mt) est galement un processus GARCH(1,1)faible. Les paramtres des reprsentations ARMA
2t a2t1 = c+ t bt1 et 2mt a(m)2m(t1) = c(m) + (m),t b(m)(m),t1
sont lis par les relations
a(m) = am, c(m) = c
1 am1 a
b(m)
1 + b2(m)
=am1b(1 a2)
(1 a2)(1 + b2a2(m1)) + (a b)2(1 a2(m1)) .
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Autres exemples de processus GARCH faibles :
GARCH observ avec erreur de mesureAgrgation contemporaine : combinaison linaire de processusGARCH indpendantsGARCH coefficients alatoires (ex. fonction dune chane deMarkov)
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
1 Stationnarit, innovations, modles ARMA
2 Proprits des sries financires
3 Modles GARCH : proprits probabilistesDfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Constatation empirique : laccroissement de volatilit d unebaisse des prix est gnralement suprieur celui rsultant dunehausse de mme ampleur.
Symtrie des modles GARCH standard :Si (t) a une loi symtrique et (t) est symtrique en ti, i > 0 :
cov(t, th) = 0, h > 0.
cov(+t , th) = cov(t , th) = 0, h > 0,o
+t = max(t, 0), t = min(t, 0).
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Autocorrlations empiriques du CAC 40 (1988-98)
1 2 3 4 5 10 20(t, th) 0.030 0.005 0.032 0.028 0.046 0.016 0.003
(|t|, |th|) 0.090 0.100 0.118 0.099 0.086 0.118 0.055
(+t , th) 0.011 0.094 0.148 0.018 0.127 0.039 0.026
En rouge les paramtres statistiquement significatifs au niveau 5%, en utilisant 1/ncomme approximation de la variance des autocorrlations, pour n = 2380.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Modle GARCH exponentiel (EGARCH)
{t = ttlog 2t = +
qi=1 ig(ti) +
pj=1 j log
2tj
og(ti) = ti + [|ti| E|ti|].
Modlisation multiplicative de la volatilit
2t = e
qi=1
exp{ig(ti)}p
j=1
(2tj
)jPas de contraintes de signes a priori mais les conditions
< < , i 0, j 0.assurent que 2t crot avec le module des innovations passes( signe fix).
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Modle GARCH exponentiel (EGARCH)
{t = ttlog 2t = +
qi=1 ig(ti) +
pj=1 j log
2tj
og(ti) = ti + [|ti| E|ti|].
Asymtrie prise en compte par le paramtre .Lasymtrie des sries financires impose < 0 .Ecriture de 2t en fonction des innovations normalises (ti).log 2t est un ARMA car (g(t)) est un bruit blanc iid devariance
Var[g(t)] = 2 + 2Var(|t|) + 2Cov(t, |t|).
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Stationnarit stricte sous les hypothses standard portant sur lespolynmes AR et MA :
(z) =
qi=1
izi et (z) = 1
pi=1
izi
nont pas de racine commune et ont toutes leurs racines de modulestrictement plus grand que 1.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
(L)(L) =
i=1 iL
i, g(x) = E[exp{xg(t)}]
Moments du processus EGARCH(p, q)
Soit m un entier positif. Sous les conditions de stationnarit stricteet si
2m = E(2mt )
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Modle GARCH seuil (TGARCH)
{t = ttt = +
qi=1 i,+
+ti i,ti +
pj=1 jtj
Contraintes de positivit
> 0, i,+ 0, i, 0, i 0.A travers les i,+ et i,, la volatilit prsente dpend la foisdu module et du signe des innovations passes.Modle symtrique si pour tout i = 1, . . . , q,i,+ = i, = i.
t = +
qi=1
i|ti|+p
j=1
jtj
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Stationnarit :tude fonde sur
+t = t+t ,
t = t
t .
Consquences :
t = +
max{p,q}i=1
ai(ti)ti, ai(z) = i,+z+ i,z + i.
En particulier si p = q = 1 le modle admet une unique solutionstrictement stationnaire non anticipative ssi
E{log a(t)} < 0
1,+1, < e2E log |t| avec (t) de loi symtrique.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Toujours si p = q = 1 le modle admet une solution stationnaire ausecond-ordre ssi
E[(1,++t 1,t + 1)2] < 1.
Asymtrie : sous lhypothse de stationnarit au second ordre, ensupposant symtrique la distribution de t, on a par exemple pourle modle TARCH(1) :
cov(t, t1) = (1,+ 1,)E(+ti)2 6= 0
ds que 1,+ 6= 1,.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Stationnarit du modle TGARCH(p, q) :tude similaire celle du modle GARCH(p, q) avec lareprsentation vectorielle :
zt = bt +Atzt1
o
bt = b(t) =
0
B
B
B
B
B
B
B
B
B
B
B
B
B
@
+tt
0...0...0
1
C
C
C
C
C
C
C
C
C
C
C
C
C
A
IRp+2q , zt =
0
B
B
B
B
B
B
B
B
B
B
B
B
B
B
@
+tt...
+tq+1tq+1
t...
tp+1
1
C
C
C
C
C
C
C
C
C
C
C
C
C
C
A
IRp+2q ,
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Stationnarit du modle TGARCH(p, q) :tude similaire celle du modle GARCH(p, q) avec lareprsentation vectorielle :
zt = bt +Atzt1
o
At =
0
B
B
B
B
B
B
B
B
B
B
@
1,++t q,++t q,+t 1+t p+t
1,+t q,++t q,t 1t ptI2(q1) 02(q1)1 02(q1)1 02(q1)(p1) 02(q1)1
1 q,+ q, 1 p
0(p1)2(q1) 0(p1)1 0(p1)1 Ip1 0p11
1
C
C
C
C
C
C
C
C
C
C
A
.
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Application : estimation de modles sur lindice CAC
Corrlogramme h 7 (|rt|, |rth|) des valeurs absolues du CAC 40 et corrlogramme croish 7 (|rt|, rth) mesurant les effets de levier Les traits en pointill correspondant 1.96/
n
2 4 6 8 10 12 14
0.05
0.1
0.15
0.2
0.25
0.3
2 4 6 8 10 12 14
-0.1
0.1
0.2
0.3
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Ajustement par des modles GARCH asymtriques
GARCH(1,1) strandard8
>
>
>
:
rt = 5. 104 + t, t = tt, t N (0, 1)(2. 104)
2t = 8. 106 + 0.09 2t1+ 0.84
2t1
(2. 106) (0.02) (0.02)
EGARCH(1,1)8
>
>
>
>
>
>
>
>
>
>
>
>
>
:
rt = 4. 104 + t, t = t t, t N (0, 1)(2. 104)
log 2t = 0.64 + 0.15 ( 0.53 t1 + |t1| q
2pi)
(0.15) (0.03) (0.14)
+ 0.93 log 2t1(0.02)
QGARCH(1,1)8
>
>
>
:
rt = 3. 104 + t, t = t t, t N (0, 1)(2. 104)
2t = 9. 106 + 0.07 2t1 9. 104 t1 + 0.85 2t1
(2. 106) (0.01) (2. 104) (0.03)
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Ajustement par des modles GARCH asymtriques
GJR-GARCH(1,1)
8
>
>
>
:
rt = 4. 104 + t, t = t t, t N (0, 1)(2. 104)
2t = 1. 105 + 0.13 2t1 0.10 2t11l{t1>0} + 0.84 2t1
(2. 106) (0.02) (0.02) (0.03)
TGARCH(1,1)
8
>
>
>
:
rt = 4. 104 + t, t = t t, t N (0, 1)(2. 104)
t = 8. 104 + 0.03 +t1 0.12 t1 + 0.87 t1(2. 104) (0.01) (0.02) (0.02).
Log-vraisemblance des diffrents modles
GARCH EGARCH QGARCH GJR-GARCH TGARCHlogLn 7393 7404 7404 7406 7405
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Volatilits des modles estims
500 premires valeurs de lindice CAC40 et volatilit estime (104) par les modles GARCH(1,1)ordinaire, EGARCH(1,1), QGARCH(1,1), GJR-GARCH(1,1) et TGARCH(1,1)
-0.06
-0.04
-0.02
0.02
0.04
100 200 300 400 500
1
2
3
4
5
100 200 300 400 500
1
2
3
4
5
100 200 300 400 500
1
2
3
4
5
100 200 300 400 500
1
2
3
4
5
6
100 200 300 400 500
1
2
3
4
5
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Distances entre modles estims :
Moyenne des carrs des carts entre les volatilits estimes (1010).
GARCH EGARCH QGARCH GJR TGARCHGARCH 0 10.98 3.58 7.64 12.71EGARCH 10.98 0 3.64 6.47 1.05QGARCH 3.58 3.64 0 3.25 4.69GJR 7.64 6.47 3.25 0 9.03TGARCH 12.71 1.05 4.69 9.03 0
volatilits estimes par modles EGARCH et TARCH, puis TGARCH et GJR-GARCH : nuage des points
2t,TGARCH
2t,GARCH,
2t,EGARCH
2t,GARCH
, (graphe de gauche)
2t,TGARCH
2t,GARCH,
2t,GJR-GARCH
2t,GARCH
(graphe de droite)
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Loi marginale : srie relle vs modles estims
Variance (104) et Kurtosis de la srie du CAC 40 et de simulations de longueur50 000 des 5 modles estims.
CAC 40 GARCH EGARCH QGARCH GJR TGARCHKurtosis 5.9 3.5 3.4 3.3 3.6 3.4Variance 1.3 1.3 1.3 1.3 1.3 1.3
Nombre de rendements du CAC en dehors de r 3tTHEO est la valeur thorique moyenne quand la loi conditionnelle est N (0, 2t ).
THEO GARCH EGARCH QGARCH GJR TGARCH6 17 13 14 15 13
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financires
Modles GARCH : proprits probabilistes
Dfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications
Asymtries : srie relle vs modles estims
500 premires valeurs de lindice CAC40 et volatilit estime (104) par les modles GARCH(1,1)ordinaire, EGARCH(1,1), QGARCH(1,1), GJR-GARCH(1,1) et TGARCH(1,1)
2 4 6 8 10 12 14
0.05
0.1
0.15
0.2
0.25
0.3
2 4 6 8 10 12 14
-0.1
0.1
0.2
0.3
0 2 4 6 8 10 12 14
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10 12 14
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10 12 14
0.2
0.4
0.6
0.8
1
0 2 4 6 8 10 12 14
0.2
0.4
0.6
0.8
1
Laboratoire de statistique du CRM Modles GARCH et volatilit stochastique
Stationnarit, innovations, modles ARMAProprits des sries financiresModles GARCH: proprits probabilistesDfinitions, ReprsentationsEtude de la stationnaritAsymtries et autres spcifications