Scribd Logo
Importer

Bienvenue sur Scribd !

  • 575 vues

    Questions de Cours (Exam)

    Transféré par

    Elabdallaoui Abdelghafour

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Questions de Cours (Exam)

    Transféré par

    Elabdallaoui Abdelghafour
    575 vues6 pages

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    575 vues6 pages

    Questions de Cours (Exam)

    Transféré par

    Elabdallaoui Abdelghafour

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 6

    Université Abdelmalek Essaâdi Année Universitaire : 2015-2016

    Faculté Polydisciplinaire Master Finance Islamique


    Tétouan 2ème Année (S9)

    Contrôle Écrit de Modélisation


    Économétrique en Finance
    Durée : 2 heures

    Répondez aux dix questions suivantes :

    1) Quelles sont les méthodes de lissage de séries temporelles que vous connaissez ?

    2) Citer les deux façons de caractériser un processus stochastique ? Laquelle vous


    préférez et pourquoi ?

    3) C’est quoi un corrélogramme et pourquoi et comment est-il utilisé pour une certaine
    série temporelle ?

    4) Expliquer comment et quand est-ce qu’une série temporelle est ergodique ?

    5) Donner les propriétés et les caractéristiques d’un processus « bruit blanc ».

    6) Quelles sont les conditions de stationnarité et d’inversibilité d’un modèle


    ARMA(p,q) ?

    7) Les séries temporelles du domaine de l’économie et de la finance sont non-


    stationnaires. Comment peut-on exprimer cette non-stationnarité dans un processus
    stochastique ? Donner un exemple et expliquer pourquoi, il n’est pas stationnaire ?

    8) Peut-on transformer un modèle non-stationnaire en un modèle stationnaire ? Si oui,


    comment peut-on le faire ?

    9) Quelle est la raison, pour laquelle, on a proposé des modèles ARCH et GARCH ?

    10) Comment peut-on savoir si une modélisation adéquate de données est ARCH ou bien
    GARCH ?

    Bonne chance !

    1
    Corrections

    1) Parmi les méthodes de lissage de séries temporelles, il y a :

     Le lissage par la méthode des moyennes mobiles

     La méthode de lissage exponentiel

     …

    2) Un processus stochastique est parfaitement caractérisé lorsque l’on peut déterminer les
    fonctions de distribution conjointe pour chaque ensemble fini de variables du
    processus, c’est-à-dire pour chaque nombre fini “n” de variables aléatoires.

    La détermination des caractéristiques du processus à partir des fonctions de distribution


    est, en général, une méthode compliquée. Pour cela, on a l’habitude d’utiliser de
    préférence la méthode des moments.

    Dans une distribution de probabilité, on peut calculer les moments de différents ordres,
    même si les moments de premier et de second ordre sont les plus utilisés.

    La caractérisation d’un processus stochastique par les moments de premier et de second


    ordre est, en principe, plus incomplète que lorsqu’elle est faite par les fonctions de
    distribution.

    3) Pour une série temporelle, la representation graphique des autocorrelations Rk pour


    k=0,1,2,3,… s’appelle un Corrélogramme.
    L’examen du Corrélogramme des données observées permettra de repérer l’existence
    d’autocorrélations éventuelles ainsi que l’ordre d’autocorrélation le plus significatif.
    Si toutes les auto-corrélations sont significativement différentes de zéro et diminuent très
    lentement, alors ceci indique que la série temporelle est non-stationnaire.
    Il est ensuite nécessaire de vérifier cette intuition en appliquant des tests statistiques de
    stationnarité et/ou de non stationnarité.

    4) En plus d’être stationnaire, il est nécessaire que le processus stochastique ait la


    propriété d’ergodicité, pour que l’inférence peut se réaliser d’une forme adéquate.

    Le concept d’ergodicité sera examiné d’une forme intuitive. Lorsqu’il y a une forte
    corrélation entre les valeurs d’une série temporelle éloignées dans le temps, c’est-à-dire Rk
    garde des valeurs très élevées pour un k assez grand, il arrive que lorsque on augmente la
    taille de l’échantillon, il y a peu d’information nouvelle qui s’ajoute. La conséquence de
    ce fait est que l’augmentation de la taille de l’échantillon n’aura pas d’utilité, puisqu’il
    2
    faudra calculer un nombre élevé d’autocovariances pour bien caractériser le processus.
    Lorsque la propriété d’ergodicité est vérifiée, on peut caractériser le processus par ses
    moments de premier et de second ordre.

    Une condition nécessaire, mais pas suffisante de l’érgodicité est: lim Rk  0


    k 

    Lorsqu’un processus est stationnaire –et aussi érgodique- tout le problème de l’inférence
    se simplifie d’une façon remarquable.

    5) Donner les propriétés et les caractéristiques d’un processus « bruit blanc ».


    Le processus purement aléatoire est le plus simple de tous. Il peut s’exprimer de la
    forme suivante:
    Yt=εt
    Où εt satisfait les propriétés suivantes:
    E[εt]=0 pour tout t
    E[εt] =σ
    2 2
    pour tout t
    E[εtεt’]=0 pour t ≠ t’.
    Donc εt se caractérise par sa moyenne nulle, par sa variance constante dans le
    temps et par le fait qu’il n’existe pas de relation entre deux valeurs de la variable
    prises en deux instants distincts du temps.

    • Les caractéristiques de εt sont identiques à celles qui a la perturbation aléatoire dans le


    modèle de régression linéaire multiple sous les hypothèses élémentaires.

    • Dans la théorie des séries temporelles, on a l’habitude de nommer un processus


    purement aléatoire par “bruit blanc” (ou “white noise”).

    • Par la suite, on désignera par εt une variable aléatoire qui a les propriétés vues
    précédement.

    • Comme il n’existe pas de relation entre des valeurs prises dans différents instants de
    temps, le “bruit blanc” est loin du concept intuitive de processus stochastique.

    • Autrement dit, pour utiliser des variables aléatoires du type de εt, on n’a pas besoin de
    la théorie des processus stochastique.

    • Certes! Mais le “bruit blanc” est indispensable pour l’élaboration des modèles de
    processus stochastiques très complexes comme les modèles de la classe AR (Auto-
    regressive) et les modèles de la classe MA (Moyennes mobiles; Moving-average) que
    nous allons voir.

    3
    6) Pour qu’un modèle ARMA(p,q) soit stationnaire et inversible, il faut que les racines de
    l’équation polynomiale
    Ф(L)=1- θ1L- θ2L2-…- θqLq=0
    tombent en dehors du cercle unité.

    7) Les séries temporelles du domaine de l’économie et de la finance sont non-


    stationnaires. Comment peut-on exprimer cette non-stationnarité dans un processus
    stochastique ? Donner un exemple et expliquer pourquoi, il n’est pas stationnaire ?

    la majorité des séries temporelles du domaine de l’économie doivent être considérées


    comme générées par des processus non-stationnaires.

    • En principe, on peut imaginer une infinité de manières par lesquelles on peut


    introduire la non-stationnarité en un processus. Néanmoins, il nous intéresse de
    considérer seulement quelques types de processus non stationnaires qui soient
    adéquats pour décrire le comportement des séries économiques, et, au même temps, ils
    soient facilement transformables en processus stationnaires pour pouvoir profiter des
    avantages qui offrent ces derniers.

    • Dans cette perspective, parmi les modèles non stationnaires, on considère, en un


    premier lieu, comme introduction, le modèle:
    Yt=Yt-1+εt

    • Ce modèle Yt=Yt-1+εt est un AR(1)


    avec le coefficient Ф1=1.

    • Ce modèle s’appelle aussi « marche aléatoire » ou « random walk ».

    • Mais, le processus « Marche aléatoire »


    Yt=Yt-1+εt
    peut être transformé facilement en un processus stationnaire.

    • En effet, le processus
    wt=Yt-Yt-1=ΔYt
    Donc wt=ΔYt=εt
    c’est-à-dire, le processus transformé –obtenu en prenant les différences
    premières dans le processus original- est exactement le « bruit blanc »

    • En prenant des différences de premier ordre, on passe de Yt au processus wt.

    4
    • Considérons, maintenant, le cas inverse, c’est-à-dire comment obtenir Yt à partir du
    processus wt.

    • Par substitutions successives, on a


    Yt=wt+Yt-1=wt+wt-1+Yt-2
    ………………………………………
    =wt+wt-1+wt-2+wt-3+wt-4+…

    • Par conséquent, le processus Yt s’obtient en sommant, ou ce qui est le même, en


    intégrant le processus wt.

    • Pour cette raison, on dit que la « marche aléatoire » appartient à la classe des modèles
    intégrés.

    • Cette classe est constituée par tous les modèles qui peuvent être transformés en des
    modèles stationnaires en prenant des différences d’un ordre déterminé, ou autrement
    dit, les modèles intégrés sont ceux qui peuvent être obtenus par une somme ou une
    intégration d’un processus stationnaire.

    • On appelle ces modèles aussi des modèles non stationnaires homogènes et ils étaient
    étudiés par Tintner (1940), Tintner et Rao (1963), Yaglom (1955) et finalement par
    Box et Jenkins (1976) qui ont largement contribué à leur divulgation.

    • Á un processus intégré Yt, on l’appelle un processus ARIMA(p,d,q) si en prenant des


    différences d’ordre d on obtient un processus stationnaire wt du type ARMA(p,q).

    8) Peut-on transformer un modèle non-stationnaire en un modèle stationnaire ? Si oui,


    comment peut-on le faire ?
    (voir en haut)

    9) Quelle est la raison, pour laquelle, on a proposé des modèles ARCH et GARCH ?
    Les modèles classiques de prévision fondés sur les modèles ARMA supposent des
    séries temporelles à variance constante (hypothèse d’homoscédasticité).
    Cette modélisation néglige donc, éventuellement, l’information contenue dans le
    facteur résiduel de la série.
    Les séries financières sont caractérisées par des périodes de forte spéculation
    (variabilité élevée) suivie de périodes d’accalmie (variabilité faible).

    5
    Les modèles de type ARCH (AutoRegressive Conditional Heteroscedasticity) permettent
    de modéliser les séries financières qui ont une volatilité (ou variance ou variabilité)
    instantanée qui dépend du passé.

    Il est ainsi possible d’élaborer une prévision dynamique de la série en termes de moyenne
    et de variance.

    Présentés initialement par ENGLE (1928), les modèles ARCH ont connu des
    développements et des applications très importants durant la dernière décennie.

    10) Comment peut-on savoir si une modélisation adéquate de données est ARCH ou bien
    GARCH ?
    Dans le cas d’une hétéroscédasticité conditionnelle supposée, on ne peut tester une
    spécification de type ARCH que contre une spécification de type GARCH.
    Le test porte sur l’hypothèse nulle H0 d’une erreur ARCH(p) contre l’hypothèse H1
    d’une erreur GARCH(p,q). On va donc tester l’hypothèse H0 que les βj sont nuls.
    H0: βj=0, j=1,…,q;
    contre l’hypothèse H1: il existe au moins un βj non nul.

    Le test le plus approprié est celui du multiplicateur de Lagrange: nR2 ~>χ2(q) (q=degré de
    liberté) où R2 est le coefficient de détermination obtenu dans la régression par les MCO
    dans l’équation

    Si nR2 > χ2(q) lu dans la table à un seuil de confiance (en général 0,05) et q degrés de
    liberté alors on rejette l’hypothèse H0. Les erreurs obéissent à un processus GARCH(p,q).

    Vous aimerez peut-être aussi