Aller au contenu

ÉconométrieFinanceSéries temporellesExplicationIntermédiaire

Par · Publiée le · 10 min de lecture

Sommaire
  1. Trois paramètres, une récurrence
  2. Persistance, variance de long terme et retour à la moyenne
  3. Positivité et stationnarité
  4. Quasi-maximum de vraisemblance
  5. Vérifier sa compréhension

Après cette fiche, vous saurez

  • Écrire la récurrence de variance conditionnelle d’un GARCH(1,1) et interpréter ω\omega, α\alpha et β\beta.
  • Relier la persistance α+β\alpha+\beta à la variance inconditionnelle, à la demi-vie d’un choc et à la prévision de variance.
  • Énoncer les contraintes de positivité et de stationnarité, et distinguer stationnarité au second ordre et stationnarité stricte.
  • Décrire l’estimation par quasi-maximum de vraisemblance et le rôle des écarts-types robustes.

Formulaire

Les équations de la fiche, d’un coup d’œil

  1. 01Rendement et innovationrt=μ+εt,εt=σt zt,zt∼i.i.d.(0, 1)r_t = \mu + \varepsilon_t, \qquad \varepsilon_t = \sigma_t\, z_t, \qquad z_t \overset{\text{i.i.d.}}{\sim} (0,\,1)
  2. 02Variance conditionnelle GARCH(1,1)σt2=ω+α εt−12+β σt−12\sigma_t^2 = \omega + \alpha\,\varepsilon_{t-1}^2 + \beta\,\sigma_{t-1}^2
  3. 03Variance inconditionnelleσˉ2  =  E ⁣[εt2]  =  ω1−α−β,α+β<1\bar\sigma^2 \;=\; \mathbb{E}\!\left[\varepsilon_t^2\right] \;=\; \frac{\omega}{1-\alpha-\beta}, \qquad \alpha+\beta<1
  4. 04Prévision à l’horizon hEt ⁣[σt+h2]=σˉ2+(α+β) h−1(σt+12−σˉ2),h1/2=ln⁡(1/2)ln⁡(α+β)\mathbb{E}_t\!\left[\sigma_{t+h}^2\right] = \bar\sigma^2 + (\alpha+\beta)^{\,h-1}\left(\sigma_{t+1}^2-\bar\sigma^2\right), \qquad h_{1/2} = \frac{\ln(1/2)}{\ln(\alpha+\beta)}
  5. 05Quasi-log-vraisemblance gaussienneθ^=arg⁡max⁡θ  ∑t=1Tℓt(θ),ℓt(θ)=−12[ln⁡(2π)+ln⁡σt2(θ)+εt2(θ)σt2(θ)]\hat\theta = \arg\max_{\theta}\; \sum_{t=1}^{T} \ell_t(\theta), \qquad \ell_t(\theta) = -\frac{1}{2}\left[\ln(2\pi) + \ln \sigma_t^2(\theta) + \frac{\varepsilon_t^2(\theta)}{\sigma_t^2(\theta)}\right]

Exemple de démonstration — non révisé par l'auteur

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

Rendement et innovation
rt=μ+εt,εt=σt zt,zt∼i.i.d.(0, 1)r_t = \mu + \varepsilon_t, \qquad \varepsilon_t = \sigma_t\, z_t, \qquad z_t \overset{\text{i.i.d.}}{\sim} (0,\,1)

Le choc εt\varepsilon_t est un bruit standardisé ztz_t mis à l’échelle par l’écart-type conditionnel σt\sigma_t, connu dès la date t−1t-1.

Variables
SymboleSignificationUnité
rtr_trendement (logarithmique) de la période tt% par période
μ\mumoyenne conditionnelle, ici constante
εt\varepsilon_tinnovation : rendement non anticipé
σt\sigma_técart-type conditionnel (volatilité), fonction de l’information en t−1t-1
ztz_tbruit i.i.d. de moyenne nulle et de variance unitaire
Variance conditionnelle GARCH(1,1)
σt2=ω+α εt−12+β σt−12\sigma_t^2 = \omega + \alpha\,\varepsilon_{t-1}^2 + \beta\,\sigma_{t-1}^2

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 β=0\beta=0 on retrouve l’ARCH(1).

Variables
SymboleSignificationUnité
σt2\sigma_t^2variance conditionnelle de εt\varepsilon_t sachant le passé%² par période
ω\omegaconstante, ω>0\omega>0
α\alpharéaction au choc de la veille (effet ARCH), α≥0\alpha\ge 0
β\betainertie de la variance (effet GARCH), β≥0\beta\ge 0

Sources :2

La boucle de rétroaction de la volatilité

Schéma en boucle : la constante oméga, le choc au carré de la veille pondéré par alpha et la variance de la veille pondérée par bêta s’additionnent pour former la variance conditionnelle du jour ; celle-ci met à l’échelle un bruit standardisé pour produire l’innovation et le rendement ; l’innovation au carré et la variance repartent vers la date suivante. Un second groupe montre l’estimation : rendements observés, vraisemblance gaussienne, optimisation, paramètres estimés et écarts-types robustes.INFORMATION EN T−1DATE TESTIMATIONωniveau de baseε²(t−1)nouvelle d’hierσ²(t−1)variance d’hierσ²(t)variance conditionnellez(t)bruit i.i.d. (0, 1)ε(t) = σ(t)·z(t)innovationr(t) = μ + ε(t)rendement observéRendements r(1)…r(T)Quasi-vraisemblancegaussienneMaximisation numériquesous contraintesω, α, β estimésécarts-types robustes+ ω× α× βmet à l’échelleau carré → t+1→ t+1observé
  • 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
À chaque date, la variance est calculée à partir du passé, puis un choc est tiré ; ce choc et cette variance alimentent la date suivante.
  • niveau

    ω

    Fixe, avec α+β\alpha+\beta, le niveau moyen de la variance. Doit être strictement positif.

  • réaction

    α

    Force avec laquelle un choc récent relève la variance. Un α\alpha élevé donne une volatilité nerveuse.

  • mémoire

    β

    Part de la variance d’hier reconduite aujourd’hui. Un β\beta 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

Variance inconditionnelle
σˉ2  =  E ⁣[εt2]  =  ω1−α−β,α+β<1\bar\sigma^2 \;=\; \mathbb{E}\!\left[\varepsilon_t^2\right] \;=\; \frac{\omega}{1-\alpha-\beta}, \qquad \alpha+\beta<1

On prend l’espérance de la récurrence en utilisant E[εt−12]=E[σt−12]=σˉ2\mathbb{E}[\varepsilon_{t-1}^2]=\mathbb{E}[\sigma_{t-1}^2]=\bar\sigma^2. La formule n’a de sens que si α+β<1\alpha+\beta<1.

Variables
SymboleSignificationUnité
σˉ2\bar\sigma^2variance de long terme vers laquelle σt2\sigma_t^2 revient%² par période
α+β\alpha+\betapersistance de la variance

Sources :2

Prévision à l’horizon h
Et ⁣[σt+h2]=σˉ2+(α+β) h−1(σt+12−σˉ2),h1/2=ln⁡(1/2)ln⁡(α+β)\mathbb{E}_t\!\left[\sigma_{t+h}^2\right] = \bar\sigma^2 + (\alpha+\beta)^{\,h-1}\left(\sigma_{t+1}^2-\bar\sigma^2\right), \qquad h_{1/2} = \frac{\ln(1/2)}{\ln(\alpha+\beta)}

Résultat dérivé dans cette fiche

Obtenu en itérant Et[σt+h2]=ω+(α+β) Et[σt+h−12]\mathbb{E}_t[\sigma_{t+h}^2]=\omega+(\alpha+\beta)\,\mathbb{E}_t[\sigma_{t+h-1}^2]. L’écart à la variance de long terme décroît géométriquement ; h1/2h_{1/2} est le nombre de périodes au bout duquel il est divisé par deux.

Variables
SymboleSignificationUnité
Et[⋅]\mathbb{E}_t[\cdot]espérance conditionnelle à l’information disponible en tt
σt+12\sigma_{t+1}^2variance du lendemain, connue en tt
hhhorizon de prévisionpériodes
h1/2h_{1/2}demi-vie d’un choc de variancepériodes

Retour de la variance prévue vers son niveau de long terme

Deux courbes décroissantes partant de 3 et convergeant vers 1. Avec une persistance de 0,90 la courbe est presque revenue à 1 après une trentaine de périodes ; avec une persistance de 0,98 elle est encore proche de 1,6 à l’horizon 59.11,522,531020304050Horizon de prévision h (périodes)Variance prévue / variance de long termevariance de long termeα + β = 0,90α + β = 0,98DONNÉES ILLUSTRATIVES
Deux courbes décroissantes partant de 3 et convergeant vers 1. Avec une persistance de 0,90 la courbe est presque revenue à 1 après une trentaine de périodes ; avec une persistance de 0,98 elle est encore proche de 1,6 à l’horizon 59.1232040Horizon de prévision h (périodes)Variance prévue / variance de long termevariance de long termeα + β = 0,90α + β = 0,98DONNÉES ILLUSTRATIVES
Courbes calculées avec la formule de prévision, pour une variance de départ égale à trois fois la variance de long terme (normalisée à 1). Valeurs choisies pour illustrer la forme, non estimées sur des données.
Voir les données
Deux courbes décroissantes partant de 3 et convergeant vers 1. Avec une persistance de 0,90 la courbe est presque revenue à 1 après une trentaine de périodes ; avec une persistance de 0,98 elle est encore proche de 1,6 à l’horizon 59. — Données illustratives
SérieHorizon de prévision h (périodes)Variance prévue / variance de long terme
α + β = 0,9013
α + β = 0,9032,62
α + β = 0,9052,3122
α + β = 0,9072,0629
α + β = 0,9091,8609
α + β = 0,90111,6974
α + β = 0,90131,5649
α + β = 0,90151,4575
α + β = 0,90171,3706
α + β = 0,90191,3002
α + β = 0,90211,2432
α + β = 0,90231,197
α + β = 0,90251,1595
α + β = 0,90271,1292
α + β = 0,90291,1047
α + β = 0,90311,0848
α + β = 0,90331,0687
α + β = 0,90351,0556
α + β = 0,90371,0451
α + β = 0,90391,0365
α + β = 0,90411,0296
α + β = 0,90431,0239
α + β = 0,90451,0194
α + β = 0,90471,0157
α + β = 0,90491,0127
α + β = 0,90511,0103
α + β = 0,90531,0083
α + β = 0,90551,0068
α + β = 0,90571,0055
α + β = 0,90591,0044
α + β = 0,9813
α + β = 0,9832,9208
α + β = 0,9852,8447
α + β = 0,9872,7717
α + β = 0,9892,7015
α + β = 0,98112,6341
α + β = 0,98132,5694
α + β = 0,98152,5073
α + β = 0,98172,4476
α + β = 0,98192,3903
α + β = 0,98212,3352
α + β = 0,98232,2823
α + β = 0,98252,2316
α + β = 0,98272,1828
α + β = 0,98292,136
α + β = 0,98312,091
α + β = 0,98332,0478
α + β = 0,98352,0063
α + β = 0,98371,9664
α + β = 0,98391,9282
α + β = 0,98411,8914
α + β = 0,98431,8561
α + β = 0,98451,8222
α + β = 0,98471,7896
α + β = 0,98491,7584
α + β = 0,98511,7283
α + β = 0,98531,6995
α + β = 0,98551,6718
α + β = 0,98571,6452
α + β = 0,98591,6196

Simuler une trajectoire GARCH(1,1)

Données synthétiques — graine 7

rt=σtztr_t = \sigma_t z_t avec zt∼N(0,1)z_t \sim \mathcal{N}(0, 1) et σt2=ω+α rt−12+β σt−12\sigma_t^2 = \omega + \alpha\, r_{t-1}^2 + \beta\, \sigma_{t-1}^2. La variance de long terme ω/(1−α−β)\omega/(1 - \alpha - \beta) n'existe que si α+β<1\alpha + \beta < 1 : au-delà, β\beta 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.

Rendements r_t−6−4−2024650100150200250300350400Période tRendementDONNÉES SYNTHÉTIQUES
Volatilité conditionnelle σ_t0,511,522,550100150200250300350400Période tσₜσ de long termeDONNÉES SYNTHÉTIQUES
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
Données synthétiques : rendements tirés du modèle avec les paramètres choisis et une graine fixe. Rapprochez α+β\alpha+\beta de 1 pour voir les grappes s’allonger.

Conditions

Positivité et stationnarité

Contraintes sur les paramètres d’un GARCH(1,1) et ce qu’elles garantissent.
PropriétéConditionConséquence
Positivitéω>0, α≥0, β≥0\omega>0,\ \alpha\ge 0,\ \beta\ge 0σt2>0\sigma_t^2>0 à chaque date, quelle que soit la trajectoire des chocs.
Stationnarité au second ordreα+β<1\alpha+\beta<1Variance inconditionnelle finie ω/(1−α−β)\omega/(1-\alpha-\beta) ; les prévisions de variance convergent2.
Stationnarité stricteE ⁣[ln⁡(β+αzt2)]<0\mathbb{E}\!\left[\ln(\beta+\alpha z_t^2)\right]<0Condition plus faible que la précédente : elle admet α+β≥1\alpha+\beta\ge 13.
Moment d’ordre 4 fini (ztz_t gaussien)3α2+2αβ+β2<13\alpha^2+2\alpha\beta+\beta^2<1Kurtosis 3 1−(α+β)21−(α+β)2−2α2>33\,\dfrac{1-(\alpha+\beta)^2}{1-(\alpha+\beta)^2-2\alpha^2}>3 : queues plus épaisses que la loi normale2.

Estimation

Quasi-maximum de vraisemblance

Quasi-log-vraisemblance gaussienne
θ^=arg⁡max⁡θ  ∑t=1Tℓt(θ),ℓt(θ)=−12[ln⁡(2π)+ln⁡σt2(θ)+εt2(θ)σt2(θ)]\hat\theta = \arg\max_{\theta}\; \sum_{t=1}^{T} \ell_t(\theta), \qquad \ell_t(\theta) = -\frac{1}{2}\left[\ln(2\pi) + \ln \sigma_t^2(\theta) + \frac{\varepsilon_t^2(\theta)}{\sigma_t^2(\theta)}\right]

On maximise la vraisemblance comme si ztz_t était gaussien. Si la moyenne et la variance conditionnelles sont bien spécifiées, l’estimateur reste convergent même lorsque ztz_t ne l’est pas ; seuls les écarts-types doivent être corrigés4.

Variables
SymboleSignificationUnité
θ\thetavecteur des paramètres (μ,ω,α,β)(\mu,\omega,\alpha,\beta)
ℓt(θ)\ell_t(\theta)contribution de l’observation tt à la log-vraisemblance
εt(θ)\varepsilon_t(\theta)résidu rt−μr_t-\mu
σt2(θ)\sigma_t^2(\theta)variance obtenue en déroulant la récurrence depuis une valeur initiale
TTnombre d’observations

Sources :4

  1. Filtrer la moyenne

    Calculer les résidus εt=rt−μ\varepsilon_t=r_t-\mu (ou ceux d’un modèle de moyenne plus riche).

  2. Initialiser et dérouler la récurrence

    Fixer σ12\sigma_1^2, par exemple à la variance empirique des résidus, puis calculer σt2\sigma_t^2 de proche en proche.

  3. Maximiser la quasi-vraisemblance

    Optimisation numérique sous les contraintes ω>0\omega>0, α,β≥0\alpha,\beta\ge 0.

  4. Écarts-types robustes

    Utiliser la matrice de covariance « sandwich » de Bollerslev et Wooldridge, valide sans normalité4.

  5. Diagnostiquer

    Les résidus standardisés z^t=ε^t/σ^t\hat z_t=\hat\varepsilon_t/\hat\sigma_t et leurs carrés ne doivent plus être autocorrélés.

À retenir

Vérifier sa compréhension

QuestionUn GARCH(1,1) a pour paramètres ω=0,02\omega=0{,}02, α=0,08\alpha=0{,}08 et β=0,90\beta=0{,}90. Quelle est sa variance inconditionnelle ?

  1. A1
  2. B0,02
  3. C0,98
  4. DElle est infinie
Voir la réponse
  • A — Bonne réponse. ω/(1−α−β)=0,02/0,02=1\omega/(1-\alpha-\beta)=0{,}02/0{,}02=1.
  • B — Mauvaise réponse. C’est ω\omega, la constante de la récurrence, non la variance de long terme.
  • C — Mauvaise réponse. C’est la persistance α+β\alpha+\beta.
  • D — Mauvaise réponse. Elle ne serait infinie que si α+β≥1\alpha+\beta\ge 1.
Confondre variance conditionnelle et variance inconditionnelle

σt2\sigma_t^2 change à chaque date et dépend du passé ; σˉ2\bar\sigma^2 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 : Et−1[εt]=0\mathbb{E}_{t-1}[\varepsilon_t]=0 quelle que soit σt\sigma_t.

Lire α + β ≥ 1 comme une trajectoire explosive

La condition α+β<1\alpha+\beta<1 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

  1. Robert F. Engle (1982). Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 50(4), 987. doi:10.2307/1912773
  2. Tim Bollerslev (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307–327. doi:10.1016/0304-4076(86)90063-1
  3. Daniel B. Nelson (1990). Stationarity and Persistence in the GARCH(1,1) Model. Econometric Theory, 6(3), 318–334. doi:10.1017/S0266466600005296
  4. Tim Bollerslev, Jeffrey M. Wooldridge (1992). Quasi-maximum likelihood estimation and inference in dynamic models with time-varying covariances. Econometric Reviews, 11(2), 143–172. doi:10.1080/07474939208800229
  5. Christian Francq, Jean-Michel Zakoian (2019). GARCH Models. Wiley. doi:10.1002/9781119313472

Aussi disponible en anglais

Partager cette fiche

Mots-clés

En vedetteIARecherche d’information

Le pipeline RAG, de l’indexation à la réponse

La génération augmentée par récupération donne à un modèle de langage des passages pertinents au moment de répondre. Sa qualité se joue d’abord à la récupération : ce qui n’est pas retrouvé ne peut pas être cité.

Intermédiaire · 11 min de lecture ·

En vedetteIAApprentissage profond

Mélange d’experts et routage top-k

Un mélange d’experts confie chaque entrée à quelques sous-réseaux choisis par un routeur. Le nombre de paramètres augmente avec le nombre d’experts, mais le calcul par jeton ne dépend que de kk.

Avancé · 11 min de lecture ·

LLM agentsContext engineeringEN

Keeping the global agent lean: memory compression and sub-agents

LLM agents re-read an ever-growing context of thoughts, tool calls and tool results. This sheet maps two ways to keep the global agent's window bounded: compressing what is already inside (compaction, tool-result clearing, external memory, prompt compression) and isolating exploration in sub-agents that return condensed reports. It includes a token model and trade-offs.

Avancé · 12 min de lecture ·