Présentation GIGARCH

Historique
Domaine d'application du processus GIGARCH

Formalisation du processus GIGARCH
Limites et extensions du processus GIGARCH
Cas pratique
EXPOSE D'ECONOMETRIE DES
SERIES TEMPORELLES
Le processus GIGARCH
CONGO Aminata, KABRE Fanuel, KAFANDO

Clément, KOUDA Toussaint
15 mars 2024
CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA
EXPOSE
Toussaint
D'ECONOMETRIE DES SERIES TEMPORELLE
Historique
Cas pratique
1 Historique
2 Domaine d'application du processus GIGARCH
3 Formalisation du processus GIGARCH
4 Limites et extensions du processus GIGARCH
5 Cas pratique

EXPOSE
Toussaint
Historique
Cas pratique
Introduction
Le processus GIGARCH (Generalized Integrated

GARCH, est une méthode avancée de modélisation
des séries temporelles nancières qui permet de
capturer les caractéristiques complexes de la volatilité
des actifs nancier.

EXPOSE
Toussaint
Historique
Cas pratique
Présentation de ARCH et GARCH
ARCH
Un processus ARCH est un modèle statistique qui
modélise la variance conditionnelle (la volatilité)
d'une série temporelle en fonction de ses temps passé

EXPOSE
Toussaint
Historique
Cas pratique
Présentation de ARCH et GARCH
GARCH
Un processus GARCH est une extension du modèle
ARCH qui prend en compte les eets de la volatilité
sur la volatilité future. Cela permet de modéliser les
phénomènes de persistance et d'asymétrie observé
dans les séries nancières.

EXPOSE
Toussaint
Historique
Cas pratique
Limites des processus ARCH et GARCH
Complexité des modèles

Sensibilité aux spécications
Stationnarité
Persistance de volatilité
Hypothèse Gaussien

EXPOSE
Toussaint
Historique
Cas pratique
Présentation du modèle GIGARCH
Un processus (Xt ) suit un modèle GIGARCH à k

facteurs s'il vérie les équations suivantes :
n
ϕ(B) (1 − 2ηi B + B 2 )di (Xt − µ) = θ(B)εt (1)
Y
i=1
et
εt = ξt σt (2)
avec µ la moyenne du processus (Xt ),
EXPOSE
Toussaint
Historique
Cas pratique
εt un processus centé dont la variance conditionnelle

σt2 vérie l'équation suivante :

EXPOSE
Toussaint
Historique
Cas pratique
r s
σt2 ai ε2t−i 2
(3)
X X
= a0 + + bj σt−j
i=1 j=1
ϕ(B) est le polynôme autoregressif d'ordre p.

θ(B) est le polynôme moyenne mobile d'ordre q.
B est l'opérateur retard déni par BXt = Xt−1 .
0 < di < 12 pour i = 1, ..., k est le paramètre de
mémoire longue.
|ηi | < 1, i = 1, ..., k est le paramètre de localisation
des fréquences de la longue mémoire.
EXPOSE
Toussaint
Historique
Cas pratique
ωi = arccos(ηi ) sont appelé les fréquences de

Gegenbauer ou G−fréquence. La densité spectrale
fX (ω) du processus (Xt ) est donnée par l'expression
suivante :
k
ϕ(e −iω ) Y
fX (ω) = | −iω | |2(cos(ω) − cos(ωj ))|−2dj fε (ω)
θ(e )
j=1
(4)
avec fε (ω) la densité spectrale du processus (εt )

EXPOSE
Toussaint
Historique
Cas pratique
domaine d'application
Le domaine d'application du processus GIGARCH est

principalement lié à l'analyse et à la modélisation de
séries temporelles en particulier dans les contextes
tels que les marchés de spots de l'électricité, les
marchés nanciers, la climatologie, l'hydrologie etc.

EXPOSE
Toussaint
Historique
Cas pratique
Estimation des paramètres du modèle

L'estimation des paramètres se base principalement
sur deux méthodes à savoir la méthode des moindres
carrées conditionnelles et celle du maximum de
vraisemblance de Whittle.

EXPOSE
Toussaint
Historique
Cas pratique
La méthode des moindres carrées conditionnelles

La méthode des moindres carrées conditionnelles
permet d'estimer les paramètres du modèle
GIGARCH. Cette méthode est basée sur une
maximisation de la somme des moindres carrées
conditionnelles.
Nous supposons que la moyenne est connue et
nous posons µ = 0. Le modèle de base se
réécrit :

EXPOSE
Toussaint
Historique
Cas pratique
k
ϕ(B) (1 − 2ηi B + B 2 )di Xt = θ(B)εt (5)
Y
i=1
L'intérêt de la méthode des moindres carrées
conditionnelles est qu'elle peut être décrite par
n'importe quel type de distribution sur le bruit.Ainsi,
deux propriétés seront mises en évidence pour cette
loi : c'est la convergence des estimateurs établis pour
les bruits à distribution Gaussienne et Student.
EXPOSE
Toussaint
Historique
Cas pratique
Distribution de bruit blanc Gaussien

Il revient à maximiser la fonction de vraisemblance,
qui est la probabilité conjointe des observations
conditionnellement à l'hypothèse du modèle.

EXPOSE
Toussaint
Historique
Cas pratique
Soit un processus (Xt ) déni par les équations (2) et

(5) avec k un entier quelconque. Supposons que le
processus (ϵt ) admette une loi conditionnelle
Gaussienne. Etant donnée un échantillon de taille T
et les hypothèses (H0 , H2 − H3 , etH6 − H7 ) alors
l'estimation des moindres carrées conditionnelles de ω
noté ωn obtenu en maximisant la log-vraisemblance
avec les propriétés suivantes.

EXPOSE
Toussaint
Historique
Cas pratique
ω̂n existe et vérie l'équation suivante

∂LG (ω)
=0 (6)
∂ω
et ω̂n −→ ω0 quand n −→ ∞
P

EXPOSE
Toussaint
Historique
Cas pratique
√ 1
n(ω̂n − ω0 ) −→ N(0; Ω− 0 ) quand n −→ ∞,
D
où Ω0 = diag (Ωγ 0 ; Ωδ0 ) avec

1 ∂εt ∂εt 1 ∂σt2 ∂σt2

Ωγ 0 = E + , (7)
σt2 ∂γ ∂γ ′ 2σt4 ∂γ ∂γ ′
et
1 ∂σt2 ∂σt2

Ωδ0 = E (8)
2σt4 ∂δ ∂δ ′

EXPOSE
Toussaint
Historique
Cas pratique
De plus des estimateurs consistants des matrices

d'information Ωγ et Ωδ sont donnés par les
expression suivantes :
1X 1 ∂εt ∂εt 1 ∂σt2 ∂σt2
n
Ω̂δ0 = + ,
n t=1
σt2 ∂γ ∂γ ′ 2σt4 ∂γ ∂γ ′
(9)
et
1X
n
1 ∂σt2 ∂σt2

Ω̂δ = (10)
1 t=1 2σt2 ∂δ ∂δ ′
EXPOSE
Toussaint
Historique
Cas pratique
Distribution de bruit blanc Student

Dans le cas où la densité conditionnelle du bruit (ϵt )
suit une loi de Student t à l degrés de liberté, alors la
log-vraisemblance conditionnelle à maximiser sur f0
s'écrit :

EXPOSE
Toussaint
Historique
Cas pratique
h n o i
(l+1) l 1
(l − 2)

LS (ω) = n log Γ 2 − log Γ 2 − 2 log
ε2t
n h io
− 21 t=1 log σt + (l + 1) log 1 +
2
Pn
σt2 (l−2)

EXPOSE
Toussaint
Historique
Cas pratique
Soit un processus (Xt ) déni par les équations (2) et

(5) avec k un entier quelconque. Supposons que (ϵt )
suit une loi conditionnelle de Student. Etant donne
un échantillon de taille n et les hypothèses
(H0 , H2 − H3 etH6 − H7 ) alors l'estimateur des
moindres carrées conditionnels de ω , note ωn obtenu
en maximisant la log-vraisemblance avec les
propriétés suivantes

EXPOSE
Toussaint
Historique
Cas pratique
ω̂n existe et satisfait l'équation

∂LS (ω)
=0 (11)
∂ω
et ω̂n −→ ω0 quand n −→ ∞
P

EXPOSE
Toussaint
Historique
Cas pratique
√ 1
n(ω̂ − ω0 ) −→ N(0; Ω− 0 ) quand n −→ ∞,
D
où Ω0 = diag (Ωγ 0 ; Ωδ0 ) avec

1 ∂εt ∂εt 1 ∂σt2 ∂σt2

Ωγ 0 = E + ,
σt2 ∂γ ∂γ ′ 2σt4 ∂γ ∂γ ′
(12)
et
1 ∂σt2 ∂σt2

Ωδ0 = E (13)
2σt4 ∂δ ∂δ ′

EXPOSE
Toussaint
Historique
Cas pratique
Des estimateurs consistants de Ωγ 0 et Ωδ0 sont

donnés par :
1X
n
1 ∂εt ∂εt 1 ∂σt2 ∂σt2

Ω̂δ0 = + ,
n t=1
σt2 ∂γ ∂γ ′ 2σt4 ∂γ ∂γ ′
(14)
et
1X 1 ∂σt2 ∂σt2
n
Ω̂δ = (15)
1 t=1 2σt2 ∂δ ∂δ ′

EXPOSE
Toussaint
Historique
Cas pratique
Méthode de maximum de vraisemblance de

Whittle
La méthode de Whittle, quant à elle, vise à
estimer les paramètres en maximisant le rapport
de vraisemblance, c'est-à-dire le rapport des
fonctions de vraisemblance des données lissées
par le modèle.
L'estimateur de Whittle φ0 est obtenu en
minimisant la vraisemblance de Whittle dénie
par :
EXPOSE
Toussaint
Historique
Cas pratique
[ n2 ]
In (X , ωj )
(16)
X
LW (Y , ψ) =
g (ωj , ψ)
j=1
où
k
θ e iωj 2 Y
g (ωj , ψ) = | iω
| |2 (cos (ωj ) − ηi ) |−2di
ϕ (e )j
i=1
(17)
EXPOSE
Toussaint
Historique
Cas pratique
Prévision avec un processus GIGARCH à k

facteurs
La prévision dans l'économétrie des séries
temporelles consiste à estimer des valeurs
futures d'une série temporelle en se basant sur
les données passées. Dans le cas du processus
GIGARCH il existe principalement deux
méthodes de prévision à savoir la prévision en
moyenne et la prévision en variance.
EXPOSE
Toussaint
Historique
Cas pratique
Prévision en moyenne
Soit X1 , ..., Xn des observations issues d'un processus

GIGARCH à k facteurs. Nous nous intéressons au
prédicteur de moindres carrées à l'horizon h > 0 d'un
processus GIGARCH à k facteurs supposé
stationnaire, inversible et causal. Nous notons X̂t le
prédicteur à l'horizon h(h > 0). Le prédicteur de
moindres carrées est obtenu en minimisant l'erreur
quadratique moyenne de prévision.
h−1
X X
X̂t (h) = − αj (d, v , ϕ, θ)X̂t (h−j)− αj+h (d, v , ϕ, θ)X
j=1 j≥0
EXPOSE
Toussaint
(18)
Historique
Cas pratique
Prévision en variance
La prévision en variance dans un processus GIGARCH

est tout aussi importante que la prévision en
moyenne, car elle permet d'estimer la volatilité future
des rendements nanciers ou économiques. La
volatilité conditionnelle joue un rôle crucial dans la
gestion des risques et la prise de décisions nancières
éclairées.

EXPOSE
Toussaint
Historique
Cas pratique
Prévision en variance
soit Ft la σ−algèbre engendré par ε0 , ..., εt . L'erreur

de prévision du prédicteur de moindres carrés è
l'horizon h, notée et,h , pour h > 0 est donnée par
l'équation suivante :
h−1
βj (d, v , ϕ, θ)εt+h−j . (19)
X
et,h = Xt+h − X̂t (h) =
j=0

EXPOSE
Toussaint
Historique
Cas pratique
Limites du processus GIGARCH
Le processus GIGARCH étant une extension du

modèle GARCH qui permet de modéliser la volatilité
des série temporelles nancières admet aussi des
insusances. Ces insusances sont entre autres :

EXPOSE
Toussaint
Historique
Cas pratique
Limites du processus GIGARCH
La complexité des paramètres

Stationnarité
Choix des ordres
Sensibilité aux valeurs aberrantes
Le comportement de longue mémoire

EXPOSE
Toussaint
Historique
Cas pratique
Extensions
Extensions
Le processus GIGARCH n'a pas d'extension directe.
Cependant, il existe d'autres processus à mémoire
longues tels que MVGARMA qui est utilisé pour
modéliser et prévoir les relations dynamiques entre
plusieurs variables.
Le modèle FIGARCH (Fractionally Integrated
GARCH) aussi se contente dur la persistance de la
volatilité et ne considère pas directement l'eet de
longue mémoire sur la volatilité.
EXPOSE
Toussaint
Historique
Cas pratique
Conclusion
Le processus GIGARCH est une extension du

processus GARCH. Ce processus est appliqué dans
plusieurs domaines comme l'électricité et les nances.
Pour déterminer les estimateurs de ce modèle, deux
méthodes ont été utilisé il s'agit de la méthode des
moindres carrées conditionnelles et la méthode du
maximum de vraisemblance de Whittle. Cependant ce
modèle présente des limites et très peu d'extensions.

EXPOSE
Toussaint
Historique
Cas pratique
Cas pratique sur R
Pratique sur R

EXPOSE
Toussaint

Présentation GIGARCH

Transféré par

Droits d'auteur :

Formats disponibles

Présentation GIGARCH

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Présentation GIGARCH

Transféré par

Droits d'auteur :

Formats disponibles

Historique

Domaine d'application du processus GIGARCH

EXPOSE D'ECONOMETRIE DES

CONGO Aminata, KABRE Fanuel, KAFANDO

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Le processus GIGARCH (Generalized Integrated

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Présentation de ARCH et GARCH

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Présentation de ARCH et GARCH

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Limites des processus ARCH et GARCH

Complexité des modèles

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Présentation du modèle GIGARCH

Un processus (Xt ) suit un modèle GIGARCH à k

Présentation du modèle GIGARCH

εt un processus centé dont la variance conditionnelle

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Présentation du modèle GIGARCH

ϕ(B) est le polynôme autoregressif d'ordre p.

Présentation du modèle GIGARCH

ωi = arccos(ηi ) sont appelé les fréquences de

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Le domaine d'application du processus GIGARCH est

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Formalisation du processus GIGARCH

Estimation des paramètres du modèle

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Formalisation du processus GIGARCH

La méthode des moindres carrées conditionnelles

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Formalisation du processus GIGARCH

Formalisation du processus GIGARCH

Distribution de bruit blanc Gaussien

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Formalisation du processus GIGARCH

Soit un processus (Xt ) déni par les équations (2) et

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Formalisation du processus GIGARCH

ω̂n existe et vérie l'équation suivante

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Formalisation du processus GIGARCH

où Ω0 = diag (Ωγ 0 ; Ωδ0 ) avec

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Formalisation du processus GIGARCH

De plus des estimateurs consistants des matrices

Formalisation du processus GIGARCH

Distribution de bruit blanc Student

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Soit un processus (Xt ) déni par les équations (2) et

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

ω̂n existe et satisfait l'équation

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

où Ω0 = diag (Ωγ 0 ; Ωδ0 ) avec

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Des estimateurs consistants de Ωγ 0 et Ωδ0 sont

CONGO Aminata, KABRE Fanuel, KAFANDO Clément, KOUDA

Soit un processus (Xt ) déni par les équations (2) et

ω̂n existe et vérie l'équation suivante

Soit un processus (Xt ) déni par les équations (2) et