Économétrie financière
Le modèle GARCH(1,1) et la dynamique de la volatilité
Les rendements financiers sont presque imprévisibles en niveau, mais leur amplitude ne l’est pas : les périodes agitées suivent les périodes agitées. Le modèle ARCH d’Engle1, généralisé en GARCH par Bollerslev2, décrit ce phénomène en faisant de la variance d’aujourd’hui une fonction du choc et de la variance d’hier.
Le modèle
Trois paramètres, une récurrence
Le choc est un bruit standardisé mis à l’échelle par l’écart-type conditionnel , connu dès la date .
| Symbole | Signification | Unité |
|---|---|---|
| rendement (logarithmique) de la période | % par période | |
| moyenne conditionnelle, ici constante | ||
| innovation : rendement non anticipé | ||
| écart-type conditionnel (volatilité), fonction de l’information en | ||
| bruit i.i.d. de moyenne nulle et de variance unitaire |
La variance d’aujourd’hui combine un niveau de base, la nouvelle d’hier (choc au carré) et la mémoire de la variance d’hier. Avec on retrouve l’ARCH(1).
| Symbole | Signification | Unité |
|---|---|---|
| variance conditionnelle de sachant le passé | %² par période | |
| constante, | ||
| réaction au choc de la veille (effet ARCH), | ||
| inertie de la variance (effet GARCH), |
Sources :2
La boucle de rétroaction de la volatilité
- Flèche pleine : calcul à la date t
- Flèche tiretée : report vers la date suivante
- Ambre : canal du choc (α)
- Bleu : canal de la mémoire (β)
- Violet : estimation à partir des données
- niveau
ω
Fixe, avec , le niveau moyen de la variance. Doit être strictement positif.
- réaction
α
Force avec laquelle un choc récent relève la variance. Un élevé donne une volatilité nerveuse.
- mémoire
β
Part de la variance d’hier reconduite aujourd’hui. Un élevé donne une volatilité lisse.
- persistance
α + β
Vitesse à laquelle un choc de variance s’efface. Proche de 1 : les épisodes de turbulence durent.
Dynamique
Persistance, variance de long terme et retour à la moyenne
On prend l’espérance de la récurrence en utilisant . La formule n’a de sens que si .
| Symbole | Signification | Unité |
|---|---|---|
| variance de long terme vers laquelle revient | %² par période | |
| persistance de la variance |
Sources :2
Résultat dérivé dans cette fiche
Obtenu en itérant . L’écart à la variance de long terme décroît géométriquement ; est le nombre de périodes au bout duquel il est divisé par deux.
| Symbole | Signification | Unité |
|---|---|---|
| espérance conditionnelle à l’information disponible en | ||
| variance du lendemain, connue en | ||
| horizon de prévision | périodes | |
| demi-vie d’un choc de variance | périodes |
Retour de la variance prévue vers son niveau de long terme
Voir les données
| Série | Horizon de prévision h (périodes) | Variance prévue / variance de long terme |
|---|---|---|
| α + β = 0,90 | 1 | 3 |
| α + β = 0,90 | 3 | 2,62 |
| α + β = 0,90 | 5 | 2,3122 |
| α + β = 0,90 | 7 | 2,0629 |
| α + β = 0,90 | 9 | 1,8609 |
| α + β = 0,90 | 11 | 1,6974 |
| α + β = 0,90 | 13 | 1,5649 |
| α + β = 0,90 | 15 | 1,4575 |
| α + β = 0,90 | 17 | 1,3706 |
| α + β = 0,90 | 19 | 1,3002 |
| α + β = 0,90 | 21 | 1,2432 |
| α + β = 0,90 | 23 | 1,197 |
| α + β = 0,90 | 25 | 1,1595 |
| α + β = 0,90 | 27 | 1,1292 |
| α + β = 0,90 | 29 | 1,1047 |
| α + β = 0,90 | 31 | 1,0848 |
| α + β = 0,90 | 33 | 1,0687 |
| α + β = 0,90 | 35 | 1,0556 |
| α + β = 0,90 | 37 | 1,0451 |
| α + β = 0,90 | 39 | 1,0365 |
| α + β = 0,90 | 41 | 1,0296 |
| α + β = 0,90 | 43 | 1,0239 |
| α + β = 0,90 | 45 | 1,0194 |
| α + β = 0,90 | 47 | 1,0157 |
| α + β = 0,90 | 49 | 1,0127 |
| α + β = 0,90 | 51 | 1,0103 |
| α + β = 0,90 | 53 | 1,0083 |
| α + β = 0,90 | 55 | 1,0068 |
| α + β = 0,90 | 57 | 1,0055 |
| α + β = 0,90 | 59 | 1,0044 |
| α + β = 0,98 | 1 | 3 |
| α + β = 0,98 | 3 | 2,9208 |
| α + β = 0,98 | 5 | 2,8447 |
| α + β = 0,98 | 7 | 2,7717 |
| α + β = 0,98 | 9 | 2,7015 |
| α + β = 0,98 | 11 | 2,6341 |
| α + β = 0,98 | 13 | 2,5694 |
| α + β = 0,98 | 15 | 2,5073 |
| α + β = 0,98 | 17 | 2,4476 |
| α + β = 0,98 | 19 | 2,3903 |
| α + β = 0,98 | 21 | 2,3352 |
| α + β = 0,98 | 23 | 2,2823 |
| α + β = 0,98 | 25 | 2,2316 |
| α + β = 0,98 | 27 | 2,1828 |
| α + β = 0,98 | 29 | 2,136 |
| α + β = 0,98 | 31 | 2,091 |
| α + β = 0,98 | 33 | 2,0478 |
| α + β = 0,98 | 35 | 2,0063 |
| α + β = 0,98 | 37 | 1,9664 |
| α + β = 0,98 | 39 | 1,9282 |
| α + β = 0,98 | 41 | 1,8914 |
| α + β = 0,98 | 43 | 1,8561 |
| α + β = 0,98 | 45 | 1,8222 |
| α + β = 0,98 | 47 | 1,7896 |
| α + β = 0,98 | 49 | 1,7584 |
| α + β = 0,98 | 51 | 1,7283 |
| α + β = 0,98 | 53 | 1,6995 |
| α + β = 0,98 | 55 | 1,6718 |
| α + β = 0,98 | 57 | 1,6452 |
| α + β = 0,98 | 59 | 1,6196 |
Simuler une trajectoire GARCH(1,1)
Données synthétiques — graine 7avec et . La variance de long terme n'existe que si : au-delà, est réduit automatiquement. Innovations gaussiennes, moyenne nulle : les rendements réels ont des queues plus épaisses.
Simulation interactive : une série de rendements simulés et, en dessous, la volatilité conditionnelle correspondante avec son niveau de long terme ; des curseurs règlent oméga, alpha, bêta et le nombre de périodes, et les périodes de forte amplitude apparaissent regroupées.
- Persistance α + β
- 0,98
- Variance inconditionnelle ω/(1−α−β)
- 2,5
- Écart-type inconditionnel
- 1,5811
- Variance de l'échantillon
- 1,6963
- Demi-vie d'un choc (périodes)
- 34,3
Conditions
Positivité et stationnarité
| Propriété | Condition | Conséquence |
|---|---|---|
| Positivité | à chaque date, quelle que soit la trajectoire des chocs. | |
| Stationnarité au second ordre | Variance inconditionnelle finie ; les prévisions de variance convergent2. | |
| Stationnarité stricte | Condition plus faible que la précédente : elle admet 3. | |
| Moment d’ordre 4 fini ( gaussien) | Kurtosis : queues plus épaisses que la loi normale2. |
Estimation
Quasi-maximum de vraisemblance
On maximise la vraisemblance comme si était gaussien. Si la moyenne et la variance conditionnelles sont bien spécifiées, l’estimateur reste convergent même lorsque ne l’est pas ; seuls les écarts-types doivent être corrigés4.
| Symbole | Signification | Unité |
|---|---|---|
| vecteur des paramètres | ||
| contribution de l’observation à la log-vraisemblance | ||
| résidu | ||
| variance obtenue en déroulant la récurrence depuis une valeur initiale | ||
| nombre d’observations |
Sources :4
Filtrer la moyenne
Calculer les résidus (ou ceux d’un modèle de moyenne plus riche).
Initialiser et dérouler la récurrence
Fixer , par exemple à la variance empirique des résidus, puis calculer de proche en proche.
Maximiser la quasi-vraisemblance
Optimisation numérique sous les contraintes , .
Écarts-types robustes
Utiliser la matrice de covariance « sandwich » de Bollerslev et Wooldridge, valide sans normalité4.
Diagnostiquer
Les résidus standardisés et leurs carrés ne doivent plus être autocorrélés.
À retenir
Vérifier sa compréhension
QuestionUn GARCH(1,1) a pour paramètres , et . Quelle est sa variance inconditionnelle ?
- A1
- B0,02
- C0,98
- DElle est infinie
Voir la réponse
- A — Bonne réponse. .
- B — Mauvaise réponse. C’est , la constante de la récurrence, non la variance de long terme.
- C — Mauvaise réponse. C’est la persistance .
- D — Mauvaise réponse. Elle ne serait infinie que si .
Confondre variance conditionnelle et variance inconditionnelle
change à chaque date et dépend du passé ; est une constante. Un GARCH stationnaire est homoscédastique inconditionnellement et hétéroscédastique conditionnellement.
Croire que le modèle prévoit le signe des rendements
Le GARCH décrit l’amplitude attendue, pas la direction : quelle que soit .
Lire α + β ≥ 1 comme une trajectoire explosive
La condition porte sur l’existence de la variance. La stationnarité stricte obéit à une condition plus faible3.
Utiliser les écarts-types du maximum de vraisemblance gaussien sans correction
Si les innovations standardisées ne sont pas gaussiennes, l’inverse de la hessienne n’estime plus correctement la variance de l’estimateur : il faut la forme robuste4.
Oublier l’unité de temps
Les paramètres dépendent de la fréquence d’observation : un GARCH estimé sur des rendements quotidiens ne s’applique pas tel quel à des rendements mensuels.
Références
- (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987. doi:10.2307/1912773
- (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. doi:10.1016/0304-4076(86)90063-1
- (1990). Stationarity and Persistence in the GARCH(1,1) Model. Econometric Theory, 6(3), 318–334. doi:10.1017/S0266466600005296
- (1992). Quasi-maximum likelihood estimation and inference in dynamic models with time-varying covariances. Econometric Reviews, 11(2), 143–172. doi:10.1080/07474939208800229
- (2019). GARCH Models. Wiley. doi:10.1002/9781119313472