ESTIMATION DUN MODELE ARCH-GARCH AVEC

PRIMES DASYMETRIE

Mmoire

Adamou Yacouba Abdou

Matrise en conomique
Matre s sciences (M.Sc.)

Qubec, Canada

Adamou Yacouba Abdou, 2013

Rsum

Lobjectif de cette tude est de dvelopper et analyser les dterminants du rendement exc-
dentaire ( ou prime de march) des actifs financiers dans lhypothse que ces derniers suivent
une loi normale asymtrique. Ainsi, sous la base de cette hypothse, nous avons labor un
modle dans lequel le rendement excdentaire de lactif financier en question est dtermin par
leffet combin du coefficient dasymtrie(skewness), de la prime de risque et de sa variance
(ou volatilit). Par la suite nous avons estim ce modle en supposant que la variance suit un
processus ARCH-GARCH . Lanalyse empirique porte sur les donnes du SP 500, et sont tires
de la banque de donnes de Fama-French. Les rsultats de lanalyse montrent que lARCH(1)
dcrit mieux les donnes de la srie du SP 500 contrairement au GARCH(1,1).

iii
Table des matires

Rsum iii

Table des matires v

Liste des tableaux vii

Liste des figures ix

Remerciements xi

Introduction 1

1 LA SPCIFICATION CONOMTRIQUE DU MODLE 3

1.1 Modle avec la loi normale symtrique . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Modle avec la loi normale asymtrique . . . . . . . . . . . . . . . . . . . . . . 10

2 PRSENTATION DES DONNES 15

2.1 La Stationnarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Lauto-corrlation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Lasymtrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 La volatilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 Effet Levier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6 Saisonnalit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3 MODLES ARCH/GARCH 23
3.1 Modles ARCH(q) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Modles GARCH (p,q) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

4 ESTIMATION DU MODLE 27

Conclusion 31

Bibliographie 33

v
Liste des tableaux

2.1 Statistique descriptive du rendement excdentaire du march . . . . . . . . . . . . 15

4.1 Rsultats de lestimation ARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

4.2 Rsultats de lestimation GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3 Rsultats des critres de slection . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

vii
Liste des figures

1.1 Densit de la Skew normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.1 rendement excdentaire du march . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.2 le correlogramme de rmkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 le correlogramme de rmkt2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 lhistogramme de la distribution marginale du rmkt . . . . . . . . . . . . . . . . . 20
2.5 la variance de rmkt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

ix
Remerciements

Tout dabord, je tiens remercier mon directeur de recherche, Benot Carmichael, professeur
au Dpartement dconomique de lUniversit Laval, qui sans relche ma prodigu des conseils
et une dmarche mthodique dans lavancement de mon travail. Il a toujours su se montrer
disponible toutes mes interrogations relatives ce sujet. C est le moment aussi de dire merci
tous les professeurs du Dpartement et toute lquipe de professionnels du dpartement
pour leur encadrement. Enfin, je me permets galement de remercier toute ma famille et mes
amis pour leur soutien moral et leur encouragement tout au long de mes tudes.

xi
Introduction

Cette tude sintresse la dtermination de la prime de risque des actifs financiers fonde sur
un modle qui tient compte de lasymtrie ( skewness ) des rendements excdentaires des
actifs financiers. Lestimation conomtrique de ce modle incorporera galement un processus
ARCH-GARCH pour la variance. Le choix du thme de notre mmoire est apparu comme une
vidence dans le dsir dapprofondir le mcanisme de dtermination de la prime de risque sur
les marchs financiers ; en ce sens que la prime de risque constitue une proccupation majeure
qui a domin et qui continue dintriguer le monde actuel de la finance.

Limportance du sujet dtude est inluctable dans la mesure o les actifs financiers jouent
un rle crucial dans lenvironnement conomique. Ils sont indispensables la production et
laccumulation de revenus et sont dterminants dans lallocation inter-temporelle de ressources
par le biais des processus dpargne, prt et demprunt. Ce mcanisme est tout fait rationnel,
dans la mesure o, sur un march financier donn, chaque intervenant vise maximiser son
utilit. Cette maximisation consiste concilier un niveau lev de rentabilit et un niveau
lev de scurit (donc moins risqu). Autrement dit, lutilit de lagent conomique en ques-
tion est une fonction du rendement et du risque, communment mesur par la variabilit du
portefeuille.

Harry Markowitz est lun des premiers auteurs traiter de cette question dallocation du
choix optimal de portefeuille dans son article paru au Journal of Finance en 1952. Ses travaux
cherchent minimiser la variance du rendement du portefeuille tant donn un rendement
espr donn. Bien que la thorie de Markowitz, ait t rvolutionnaire son poque, elle a
par la suite connu plusieurs critiques. Lapproche de Markowitz porte principalement sur des
titres financiers individuels. Quelques annes plus tard, Treynor (1962), Sharpe (1964), Lintner
(1965), Mossin (1966) et Black (1972) dveloppent un modle central en thorie financire
qui permet de dcrire de faon simple, la relation liant la rentabilit des actifs financiers et
leur risque : cest le CAPM (Capital Asset Pricing Model). Ce modle jouit dune certaine
notorit tant sur le plan acadmique quen pratique. En effet, travers le bta comme
outil danalyse financire, ce modle a rencontr un vif succs auprs des praticiens car il leur
permet de quantifier le risque encouru par la dtention dun actif financier.

Toutefois il faut souligner lhypothse implicite qui caractrise ces tudes : cest que les titres

1
sont modliss selon une loi normale symtrique. Alors que dans la ralit des marchs finan-
ciers (Cencia et Filippinib (2006)) les rendements ne suivent pas une distribution normale
symtrique, mais plutt une loi asymtrique. Sur la base de cette information, lutilisation
de la variance comme seule mesure du risque encouru serait inapproprie (Bawa (1975)). Par
la suite, plusieurs autres chercheurs ont apport des modifications, voire des remaniements
structurels cette rgle et ont labor de nouveaux modles. Ces diffrents modles se fondent
sur la manire dont ils mesurent la prime de risque.

Parmi la multitude de modles qui existent dans la littrature, notre analyse se focalisera sur
le modle dvaluation des actifs financiers fond sur la consommation. Nous allons considrer
lanalyse du consommateur gestionnaire de portefeuille. Ceci dit nous allons dabord tudier les
dterminants de la prime de march dans un modle o les rendements suivent la loi normale
symtrique variance constante.Par la suite, nous analyserons la cas o les rendements suivent
plutt une distribution normale asymtrique.

Loriginalit de notre dmarche se situe au niveau de la prise en compte de lasymtrie ( skew-

ness ) dans la distribution des rendements excdentaires des actifs financiers. Nous estimons
que les rendements excdentaires suivent une distribution asymtrique et non une loi normale
symtrique comme on a lhabitude de voir dans la littrature existante. Nous faisons aussi
lhypothse que la variance des rentablits espres nest pas constante comme le souligne les
travaux antrieurs, mais quelle est trs volatile dans le temps. A lgard de ces hypothses,
nous aurons un double objectif dans ce travail :

1. Analyser les dterminants de la prime de march dans lhypothse dun modle avec une
distribution asymtrique ;
2. Estimer ce modle sous lhypothse que la variance suit un processus ARCH-GARCH
(p,q).

Aprs lintroduction en chapitre I, notre travail sera structur par les points suivants : le
chapitre II dcrit la spcification conomtrique du modle, il faut souligner que dans cette
section nous allons dabord dvelopper le modle avec la loi normale symtrique, ensuite le
modle avec la loi normale asymtrique. Le chapitre III dcrit les donnes dtudes. Dans
le chapitre IV nous prsentons les modles ARCH/GARCH, puis dans le chapitre V nous
analysons les rsultats empiriques ; enfin nous faisons la conclusion dans le chapitre VI.

2
Chapitre 1

LA SPCIFICATION
CONOMTRIQUE DU MODLE

1.1 Modle avec la loi normale symtrique

Cette partie est base sur les travaux de Campbell, Lo et MacKinlay (1999). Leurs travaux
dcoulent du modle tudi par Lucas (1978) et Breeden (1979). Il faut souligner que depuis
la parution de ces tudes, les modles inter-temporels dquilibre gnral traitant de la valori-
sation des actifs financiers ont pris une place importante dans la littrature conomique. Ces
modles prdisent quen quilibre gnral, les prix et les rendements des actifs financiers sont
lis aux caractristiques des prfrences des agents conomiques, en particulier les paramtres
daversion au risque et de substitution inter-temporelle.

Pour dvelopper cet argument, nous partons de lide, selon laquelle les individus planifient
leur consommation la fois pour le prsent et pour le futur. Dans le but de consommer
davantage dans le futur, ils doivent consommer moins aujourdhui ; cest--dire quil existe une
substitution inter-temporelle entre la consommation courante et la consommation future. La
dcision de savoir sil faut investir ou accumuler du capital dpend du taux de rendement du
capital et du cot demprunt auprs des mnages. En quilibre gnral le taux de rendement du
capital et le taux dintrt de lpargne sont lis car les firmes ne seront pas prtes emprunter
un taux suprieur au taux de rendement de leurs capitaux corrig pour les risques encourus.
Les mnages de leur ct ne seraient pas prts prter moins que le taux de rendement de
lpargne soit suprieur ou gal leur taux de prfrence pour le prsent. Nous analyserons
par consquent une thorie de valorisation des actifs qui tienne compte de ces considrations
dquilibre gnral inter-temporel.

Considrons un mnage reprsentatif, gestionnaire de portefeuille qui choisit dinvestir dans

deux types diffrents dactifs financiers les obligations et les actions.

3
Une action est un titre de proprit sur une partie du capital dune firme prive.

Une obligation est un titre de crance fixe mis par un agent public ou priv

Les obligations sont des valeurs revenu garanti, en ce sens que lachat dune obligation pr-
sente moins de risque que lachat dune action. Dans cette condition nous admettons que les
obligations sont des actifs srs et les actions sont des actifs risqus. Le mnage type connat
son revenu actuel avec certitude, mais le revenu de la priode venir est incertain ou alatoire.
Nous supposons que le mnage maximise la valeur actualise de ses utilits courante et futures
Chacune des valeurs dpend de la consommation, tout en respectant sa contrainte budgtaire.
Le problme de maximisation inter-temporelle est alors le suivant :

Fonction dutilit :

" + #
X
Vt = max Et i U (Ct+i ) 0 < < + (1.1)
i=0

Budget

 
f m


0 = Bt+1 1 + rt+1 + Qt+i 1 + rt+i Ct+i Bt+1+i Qt+1+i pour i (1.2)

O Et [.] est loprateur desprance mathmatique conditionnelle linformation dont dis-

pose le mnage. est le facteur descompte, Ct reprsente la consommation, U (C) lutilit
instantane, Bt dsigne le stock de lactif financier sans risque avec un taux de placement rtf
et enfin Qt reprsente lactif risqu du march avec un taux de placement rtm . On remarque
bien que le prix de lactif nintervient pas dans ce modle, par souci de simplification nous
avons suppos quil est gal 1.

Nous utiliserons la mthode de la programmation dynamique stochastique pour rsoudre ce

problme. Lobjectif sera de maximiser la fonction valeur que nous prsentons comme suit :
La fonction de valeur est :

Vt (Bt , Qt ) = M ax U (Ct ) + Et [Vt+1 (Bt+1 , Qt+1 )] +

{Bt+1 ,Qt+1 ,Ct ,t }
    (1.3)
t Bt 1 + rtf + Qt (1 + rtm ) Ct Bt+1 Qt+1

O, t est le multiplicateur de Lagrange associ la contrainte budgtaire de lagent. Les

choix optimaux du consommateur-gestionnaire de portefeuille doivent respecter les conditions

4
du premier ordre :
 
Vt+1
0 = t + Et (1.4)
Bt+1
 
Vt+1
0 = t + Et (1.5)
Qt+1

0 = t + U 0 (Ct ) (1.6)
 
0 = Bt 1 + rtf + Qt (1 + rtm ) Ct Bt+1 Qt+1 (1.7)

Les quations (1.4) (1.7) sont dans lordre les conditions du premier ordre des choix Bt+1 ,
Qt+1 , Ct et t .
h i h i
Vt+1 Vt+1
On trouve les diffrentielles de la fonction de valeur Et Bt+1 et Et Qt+1 en appliquent
les conditions de lenveloppe :
Les conditions de lenveloppe

Vt+1 m


= 1 + rt+1 t+1 (1.8)
Bt+1

Vt+1 
f

= 1 + rt+1 t+1 (1.9)
Qt+1
Les condition dEuler du problme doptimisation de lagent sont obtenues en remplaant (1.8)
et (1.9) dans les conditions du premier ordre (1.4) et (1.5).
Les conditions dEuler

h  i
f
0 = U 0 (Ct ) + Et 1 + rt+1 U 0 (Ct+1 ) (1.10)

0 = U 0 (Ct ) + Et
 m

0 
1 + rt+1 U (Ct+1 ) (1.11)
 
0 = Bt 1 + rtf + Qt (1 + rtm ) Ct Bt+1 Qt+1 (1.12)

Sans perte de gnralit les deux premires quations nous enseignent que le mnage reprsen-
tatif fait un choix efficace de son portefeuille quand il y a galit entre la marge bnficiaire
et la marge des cots dune unit supplmentaire dinvestissement dans lactif sr et lactif
risqu. Il est utile de rcrire les quations dEuler (1.10) et (1.11) de la manire alternative
suivante.
U 0 (Ct+1 ) 
  
f
Et 1 + rt+1 = 1 (1.13)
U 0 (Ct )

U 0 (Ct+1 )
 
m


Et 0
1 + rt+1 = 1 (1.14)
U (Ct )

5
Les conditions (1.13) et (1.14) rsument les restrictions imposes par la thorie conomique sur
f m . En termes des esprances mathmatiques, le produit des
les rendements financiers rt+1 et rt+1
i ) pour i = f et m, et du taux marginal de substi-
rendements financiers bruts futurs, (1 + rt+1
U 0 (Ct+1 )
tution inter-temporelle, U 0 (Ct ) , doit tre gal un pour les deux actifs. Dans la littrature
financire, le taux marginal de substitution inter-temporelle apparaissant dans les quations
(1.13) et (1.14) est souvent associ un facteur descompte stochastique. Pour soumettre ces
prdictions la vrification empirique, il nous faut postuler une forme paramtrique pour la
fonction dutilit instantane U (C). Dans la littrature on utilise souvent une fonction dutilit
Ct1
de forme iso-lastique comme fonction dutilit du mnage reprsentatif :U (Ct ) = 1 o le
paramtre dsigne le coefficient Arrow-Pratt daversion relatif au risque. Ce paramtre se
00
dfinit par : = U U(C t )Ct
0 (C )
t
avec U 00 0.

La fonction dutilit iso-lastique possde plusieurs proprits intressantes :

Plus est lev plus linvestisseur a de laversion pour le risque.

Quand est gal zro lindividu est neutre face au risque.

Les primes de risques associes sont invariantes quelque soient les changements prvus
au niveau de lconomie ou de la richesse.

On est en mesure dagrger les choix des individus mme si ces derniers ont des niveaux
de richesses diffrents.

Enfin le coefficient daversion au risque est toujours gal linverse de llasticit de

substitution inter-temporelle.

Hall (1988) mentionne dans ses travaux que cette dernire proprit nest pas toujours d-
sirable, dans la mesure o laversion au risque na pas une dimension temporelle et quelle
existe uniquement dans une situation dincertitude. linverse, la notion de substitution inter-
temporelle requiert la dimension temporelle et existe mme en labsence dincertitude. Malgr
cette lacune, la fonction iso-lastique reste prvalente dans les travaux appliqus. En tenant
compte des prfrences iso-lastiques les conditions dEuler deviennent

"  #
Ct+1 
 
f
Et 1 + rt+1 = 1 (1.15)
Ct

"  #
Ct+1

m


Et 1 + rt+1 = 1 (1.16)
Ct

 
f
Par ailleurs, il est possible lquation (1.15) de sortir le facteur 1 + rt+1 de loprateur
desprance mathmatique car il est connu la priode t. Ces modifications permettent dcrire

6
les quations dEuler plus simplement.
"   #
Ct+1  f

Et 1 + rt+1 = 1 (1.17)
Ct

"  #
Ct+1

m


Et 1 + rt+1 = 1 (1.18)
Ct

tant donn que nous sommes en quilibre gnral inter-temporel sur tous les marchs ; on
c
aura remarqu que Ct+1 = Ct ert+1 , cela veut dire que la consommation de demain (Ct+1 )
est gale la consommation daujourdhui (Ct ) multiplie par le taux de croissance brut de
c
la consommation ert+1 . Tout en faisant lhypothse que rt+1
c suit une loi normale avec comme
c = c + t+1 o t+1 N 0, 2 . Dans le mme


moyenne et t+1 un terme alatoire. rt+1
esprit, sachant que les rendements financiers sont des valeurs numriquement proches de zro,
f
les rendements bruts des actifs financiers respectent les approximations ert+1 (1 + rt+t
m ) et
m f
ert+1 (1 + rt+t ). Ce qui nous permet de rcrire les quations dEuler autrement :

f c i
ert+1 Et e rt+1 = 1
h
(1.19)

h m c i
Et ert+1 rt+1 = 1 (1.20)

Les quations (1.19) et (1.20) sont les formes paramtriques des quations dEuler sur lesquelles
sappuient lanalyse empirique des prochaines sections. Comme nous le verrons la prochaine
section, il est possible, en postulant la Loi statistique des rendements, de calculer les formes
explicites des esprances mathmatiques et dobtenir ainsi les expressions analytiques des
rendements attendus.

1.1.1 Calcul du rendement de lactif certain

Le calcul du rendement de lactif certain sappuie sur lquation (1.19). Sachant que le taux
f c
rt+1 est connu la priode t et sous lhypothse que rt+1 suit une loi normale, alors nous
pouvons rcrire lquation (1.19) sous la forme agrge de la densit de probabilit dune loi
normale gaussienne :
c i
1 = ert+1 Et e rt+1
f
h

1 rc 2
2( t+1 c )
Z +
f c e 2
= e ert+1 e rt+1 c
drt+1 (1.21)
2

O, est le taux de prfrence pour le prsent et = e au dernier terme du ct droit.

7
LAnnexe A de Carmichael Benot et Alain Con (2013) 1 dmontre quil est possible de
rsoudre lintgral du ct droit de (1.21) pour obtenir lexpression simplifie :
f 2
1 = e ert+1 e c + 2

2
(1.22)

En prenant le logarithme des deux cts, nous trouvons lexpression du rendement de lactif
certain prdit par le modle.
f 2 2
rt+1 = + c
(1.23)
2
Lquation (1.23) rsume les dterminants du rendement de lactif certain. Le taux dintrt
rel dpend du taux de prfrence pour le prsent, du coefficient daversion aux risque et de la
variance du taux de croissance de la consommation. Cette dernire variable est un indicateur
de la quantit de risque agrg prsent dans lconomie.

1.1.2 Calcul du rendement de lactif incertain

Lquation (1.20) permet de calculer le rendement attendu de lactif risqu.
h m c i
e Et ert+1 rt+1 = 1 (1.24)
c = c + t+1 o t+1 N 0, 2 nous avons


Sous lhypothse selon laquelle rt+1
 m c
1 = e Et ert+1 rt+1


c 2
21
(rt+1 c )
Z +
m c e 2
= e ert+1 rt+1 c
drt+1 (1.25)
2
Sachant que le consommateur reprsentatif consomme lintgralit de son revenu de portefeuille
en quilibre gnral et sous lhypothse que les revenus autonomes sont nuls, il sen suit que
m = r c , (E r m
   c 
rt+1 t+1 t t+1 = Et rt+1 = c ). Nous avons donc

c 2
12
(rt+1 c )
Z +
c c e 2
1 = e ert+1 rt+1 c
drt+1 (1.26)
2
Cette intgrale est similaire celle dveloppe plus haut lquation (1.21). Aprs quelques
manipulations mathmatiques elle se simplifie :
2 2 2
c c + 2 +
1=e e 2 2 (1.27)

En prenant le logarithme des deux cts comme prcdemment, nous trouvons lexpression du
rendement risqu espr :
2 2 2
c = c + + 2 (1.28)
2 2
1. Asset pricing with skewed-normal return, Finance Research Letters, sous presse,
http ://dx.doi.org/10.1016/j.frl.2013.01.001

8
  m   c 
En tenant compte du rsultat Et rt+1 = Et rt+1 = c dcoulant de lhypothse selon
laquelle les revenus de portefeuille sont les seuls revenus qui financent la consommation.

 m   m  2 2 2
Et rt+1 = + Et rt+1 + 2 (1.29)
2 2
Il faut souligner ce stade que notre intrt porte principalement sur la prime espre de
march plutt que le rendement espr du march donn lquation (1.29). La prime espr
de march est le rendement excdentaire espr, cest dire lcart entre le rendement risqu
espr et le rendement sr. On trouve le rendement excdentaire espr de lactif risqu en
retranchant de lquation (1.29), lexpression du rendement sans risque donne lquation
(1.23).
 m  f 2
Et rt+1 rt+1 = 2 (1.30)
2

ou plus prcisment,
 m  f
Et rt+1 rt+1 + Jm = 2 = (1.31)

2
O, Jm = 2est un terme dingalit de Jensen 2 et o dsigne la prime de march.
h Lqua-i
m f
tion (1.31) nous enseigne que le rendement excdentaire espr du march Et rt+1 rt+1
dpend de leffet combin du risque 2 et de laversion au risque . De faon gnrale, cette
quation permet galement de dduire les dterminants du rendement excdentaire de tout
actif risqu i diffrent du rendement du march rtm . Commenons par noter que la variance
2 nest rien dautre que la covariance du rendement rtm avec lui-mme.
h i
m f m m m
Et rt+1 rt+1 + Jm = V ar(rt+1 ) = Cov(rt+1 , rt+1 ) (1.32)

Il sensuit pour tout actif i

h i
i f i m
Et rt+1 rt+1 + Ji = Cov(rt+1 , rt+1 ) (1.33)

m ) nous obtenons :
En multipliant et divisant le ct droit par V ar(rt+1
h i i , rm )
Cov(rt+1
i f t+1 m
Et rt+1 rt+1 + Ji = m ) V ar(rt+1 ) (1.34)
V ar(rt+1
i
Cov(rt+1 m )
,rt+1
en posant m )
V ar(rt+1 = i on aura plus prcisment lexpression suivante :
h i
i f m
Et rt+1 rt+1 + Ji = i V ar(rt+1 ) (1.35)

Le paramtre i est le bta de lactif i. Il reprsente la sensibilit au rendement du

march, cest--dire la variation du rendement expliqu par celle du march.
2. Lingalit de Jensen fait rfrence au fait que si une variable X suit une loi log normale alors, E[f (x)] 6=
d(E[x]) moins que f () soit une fonction linaire.

9
On dit quil reprsente la part de risque systmatique ou risque non diversifiable
contenu dans le risque global du portefeuille.

En remplaant par son expression trouve en haut lquation(1.31) on aura :

h i
i f
Et rt+1 rt+1 + Ji = i

Alternativement,
h i h i
i f m f
Et rt+1 rt+1 + J = i Et rt+1 rt+1 (1.36)

Ainsi nous aboutissons la fameuse quation du CAPM. Cette quation rsume que dans
tout portefeuille efficient, la prime de risque dun actif particulier i est proportionnelle la
prime de risque du portefeuille du march. Le rapport de proportionnalit est gal au rapport
de la covariance conditionnelle de rti et rtm sur la variance conditionnelle de rtm et il mesure
la contribution marginale du titre i au risque du portefeuille. Ce qui signifie que les primes
sur les actifs risqus ne dpendent que du rendement excdentaire attendu du portefeuille de
rfrence pour des i donns.

Par convention, la littrature financire ignore habituellement le terme Ji dingalit de Jensen,

ce qui permet dcrire plus simplement lquation fondamentale du CAPM :
h i h i
i f m f
Et rt+1 rt+1 = i Et rt+1 rt+1 (1.37)

i mesurant ici la sensibilit du rendement de lactif au rendement du march, alors on peut

remarquer que
- si i < 1, alors le rendement excdentaire du titre varie moins que celui du march
- si i > 1, alors le rendement excdentaire du titre varie plus que celui du march.

Dans tout ce qui prcde nous avons dvelopp les quations sous lhypothse que les rentablits
sont distribues selon une loi normale symtrique. Hors cette hypothse de symtrie nest pas
conforme la ralit des rendements financiers. On observe plutt des coefficients ngatifs
dasymtrie chez les rendements financiers.

Lobjectif de notre mmoire est de dvelopper et destimer conomtriquement une version du

modle CAPM qui tient compte de cette asymtrie. Pour ce faire, la suggestion de Carmichael
et Con (2011) nous allons exploiter la loi Normale Asymtrique dAzzalini (1985).

1.2 Modle avec la loi normale asymtrique

Il est utile de commencer par une brve revue des principales caractristiques de la loi normale
asymtrique. Nous verrons par la suite aux sections suivantes quelles sont ses implications pour
le rendement sr et la prime de march.

10
Dfinition

La loi normale asymtrique est une distribution de probabilit continue qui gnralise la dis-
tribution normale tout en introduisant une asymtrie non nulle.

Lasymtrie est le troisime moment standardis ; elle est calcule partir du cube des carts
la moyenne. Si nous dsignons par (z) la densit de probabilit de la loi normale centre
rduite
z2
1
(z) = e 2 (1.38)
2
Sa fonction de rpartition est donne par :
Z z   
1 z
(z) = (t)dt = 1 + erf (1.39)
2 2

O, erf () est la fonction derreur de Gauss. Azzalini (1985) dmontre que la densit de
probabilit de la distribution normale asymtrique f (z) avec paramtre dasymtrie est
donne par lexpression
f (z) = 2 (z) ( z)

On peut facilement remarquer que lon retrouve la distribution normale symtrique lorsque
= 0, et que la valeur absolue de lasymtrie augmente lorsque la valeur absolue de aug-
mente. Cela implique que si > 0, la distribution est asymtrique vers la droite donc une
queue de distribution tale vers la droite ; et si < 0 la distribution est asymtrique vers la
gauche, cest dire une queue de distribution tale vers la gauche ; comme on peut le voir
sur la figure suivante.

11
 Figure 1.1: Densit de la Skew normal

12
Il arrive souvent quon fasse une transformation usuelle de la variable x en ajoutant un pa-
ramtre de position () et un paramtre dchelle (). Dans ce cas la variable x se dfinit
par x = + z, et en tenant compte de cette transformation, les trois premiers moments se
calculent de la faon suivante :
- La moyenne :
x = + z

- La variance :
x2 = 2 1 2z

- Le coefficient dasymtrie :
!3
z
x = p
1 2z

Avec,
r  
2 2
z = , = et = 2
1 + 2 4

1.2.1 La description du modle

Pour dcrire le modle, nous formulons lhypothse sous-jacente que les rentablits du march
suivent une distribution normale asymtrique. Sous cette hypothse, les quations (1.19) et
(1.20) des rendements sr et risqu deviennent :
c 2
c 12
(rt+1 c )
+ rt+1
e
Z
f e 2
1 = e ert+1 c c
( rt+1 ) drt+1 (1.40)


2

c 2
c 12
(rt+1 c )
+ (1) rt+1
e
Z
e 2
1 = e c c
( rt+1 ) drt+1 (1.41)


2

Carmichael et Con (2011) dmontre que les intgrales du ct droit peuvent tre rsolues
pour obtenir :

2 2
+ 2
 
f z
1 = e ert+1 e 2 (1.42)

2 2 2
2
(1 ) + 2 + 2
 
(1 ) z
1 = e e 2 (1.43)

13
On procde par tapes pour dduire les restrictions imposes par les quations (1.42) et( 1.43)
sur les rendements esprs. On dbute par une transformation logarithmique des deux cts
de (1.42) et( 1.43).

2
  
f 2 z
0 = + rt+1 + + ln 2 (1.44)
2

2 2
  
2 2 (1 ) z
0 = + (1 ) + + + ln 2 (1.45)
2 2

On remplace ensuite les composantes ln [2 ()] par leurs approximations de Taylor du 3e degr
au voisinage de zro. On simplifie ensuite les expressions obtenues en utilisant les dfinitions de
la moyenne, variance et asymtrie nonces plus haut. Ces manipulations algbriques mnent
lexpression suivante pour le rendement excdentaire espr de lactif risqu.
h
m f
i 3
Et rt+1 rt+1 + J = 2 + (1 ) (1.46)
2
2 3
O, encore une fois, J = 2 + 6 est un terme dingalit de Jensen. Remarquons tout
de suite que la diffrence fondamentale entre cette expression et celle trouve avec la loi
normale se situe au niveau de la dernire composante de lquation (1.46), cest dire (1
3
) 2 . Cette composante additionnelle, capte leffet de lasymtrie sur la prime de march.
Dans la littrature financire, lasymtrie ngative est souvent vue comme engendrant une
prime dasymtrie positive. Lquation (1.46) rvle que ce ne sera pas toujours le cas. Par
ailleurs, le signe de la prime sasymtrie dpend de la valeur du coefficient daversion au
risque. Lasymtrie ngative engendre une prime positive uniquement lorsque le coefficient
daversion au risque est suprieur lunit. Ce rsultat est discut en profondeur dans ltude
de Carmichael et Con (2011).

Ainsi donc, lquation (1.46) est lquation fondamentale sur laquelle sappuie lanalyse empi-
rique des prochaines sections.

Hypothse : Lestimation de ce modle par la mthode du maximum de vraisemblance don-

nera un coefficient de skewness significativement diffrent de 0.

Dans la suite de notre dmarche nous nous attarderons beaucoup plus sur le comportement
temporel de la variance 2 .
Plusieurs travaux se basent sur lhypothse que la variance est constante dans le temps, hors en
ralit les donnes financires ont une grande variabilit de la volatilit. Cette problmatique
sera dtaille tout au long de notre tude.
Avant de passer la modlisation, nous allons dabord faire une prsentation des donnes
dtudes.

14
Chapitre 2

PRSENTATION DES DONNES

Les donnes portent sur le march amricain, et sont tires de la banque de donnes de Fama
et French. 1 Elles sont constitues par 569 observations mensuelles du rendement excdentaire
(priode allant de fvrier 1962 septembre 2011).
Pour notre analyse, nous avons choisi de nommer cette srie du rendement excdentaire du
march par rmkt 2 . Pour rappel, nous avons dj calcul lexpression du rendement excden-
taire plus haut dans lquation (1.46). Elle sobtient par la diffrence entre le rendement risqu
au prix du march Rt et le rendement sans risque dsign par Rf0 soit donc rmkt = Rt Rf0
o Rt correspond la diffrence premire du logarithme du prix Pt de lindice du march
linstant t, cest dire que Rt = log(Pt ) log(Pt1 )
Notre srie rmkt prsente une moyenne mensuelle de 0, 41% et dune variance mensuelle de
0, 21%, elle est affecte dun coefficient dasymtrie ngatif de 0, 533. Lanalyse descriptive
des donnes brutes est rsume, dans le tableau suivant.

Variable Observations Min Max Moyenne variance Skewness

Rmkt 596 0, 2314 , 1605 0, 0041 0, 0021 0, 5330

Table 2.1: Statistique descriptive du rendement excdentaire du march

Il faut se dire que ces rsultats de lanalyse descriptive ne constituent pas une surprise pour
nous, dans la mesure o ils prsentent les principales proprits quon retrouve dans les sries

1. http ://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html
2. le rmkt remplace le rtm de lquation (1.46)

15
financires. Ds lors nous allons passer en revue ces proprits afin de bien comprendre leur
spcificit.

2.1 La Stationnarit

tant donn que nous travaillons avec des sries temporelles, nous avons besoin des donnes
stationnaires afin de procder une estimation "efficace".
Par dfinition un processus alatoire (Xt , t Z) est fortement stationnaire si la distri-
bution marginale conjointe de (Xt , Xj ), dpend seulement de lcart entre t et j. Cest
dire que p(Xt , Xt1 , ....Xtk ) = p(Xtj , Xtj1 , ....Xtjk ). Par contre un processus alatoire
(Xt , t Z) est faiblement stationnaire ou stationnaire au second ordre si et seulement si les
conditions suivantes sont satisfaites :
(i) (t) Z, E(Xt2 ) < cela implique la convergence des moments dordre deux
(ii) (t) Z, E(Xt ) t = : la moyenne inconditionnelle de Xt est constante (t)
(iii)(t, h) Z 2 , cov(Xt , Xt+h ) = (h) : les covariances de Xt et Xt+h ne varient pas par
translation du temps.
Rappelons que (h) reprsente la fonction dauto-covariance et les dfinitions suivantes sap-
pliquent sur cette fonction :
(h) = (h)
(0) V [Xt ] = 2 . Cela signifie que la variance inconditionnelle est indpendante du temps.
De faon prcise, un processus alatoire est stationnaire au sens faible si lensemble de ses
moments sont indpendants du temps.
Sur la base de la dfinition du rendement excdentaire et au terme de la dfinition de la sta-
tionnarit, la srie rmkt est stationnaire au second ordre.
Les mthodes proposes par Dicker et Fuller (1979), permettent de tester lhypothse de sta-
tionnarit dune srie. Or ici, nous avons des donnes constitues par la diffrence premire
des indices du march, nous navons pas besoin de faire ce test de stationnarit. Notre srie
est stationnaire comme le montre ce premier graphique.

16
 rendement excdentaire du march
Corrlogramme

.2
.1
0
rmkt
.1
.2

0 100 200 300 400 500 600

Priode

Figure 2.1: rendement excdentaire du march

2.2 Lauto-corrlation
Afin de vrifier lhypothse dauto-corrlation, analysons le corrlogramme de la srie rmkt et
celui de rmkt2 . On remarque que les auto corrlations de notre srie rmkt sont faibles, ce qui
sous entend que la srie rmkt est proche dun bruit blanc ; par contre nous enregistrons des
fortes auto corrlations de la srie rmkt2 . Ce qui est incompatible avec une hypothse de bruit
blanc. Rappelons que cette absence dauto-corrlation de la srie rmkt nous renvoie la notion
de lhypothse du march efficient en terme anglais EMH (Efficience Market Hypothesis) 3
Notez que nous ne traitons pas les dtails de cette hypothse dans notre tude. Il faut tout
simplement retenir que sous lhypothse du march efficient les rendements ne peuvent varier
entre t et t + 1 quen raison de larrive de nouvelles informations non anticipes, autrement
dit les rendements dquilibre corrigs par le risque couru sont imprvisibles.

Par ailleurs sous lhypothse des anticipations rationnelles, la date t, les erreurs de prvision
t+1 = rmkt+1 Et (rmkt+1 ) sont en moyenne nulles et ne doivent pas tre corrles aucune
autre information disponible la mme priode. Cest dire que (Et [t+1 ] = 0). Cette dernire
proprit est connue sur le nom de condition dorthogonalit. Pour rsumer, on notera que
lhypothse de EHM et lhypothse des anticipations rationnelles nimposent des restrictions
que sur lesprance mathmatique de lerreur de prvision t . Ds lors la prsence dauto-
corrlation au niveau de la srie de rmkt2 nest pas incompatible avec lEHM.

En utilisant le test de Portmanteau ou test de bruit blanc, nous pouvons vrifier labsence
dauto-corrlation au niveau de rmkt ainsi que la prsence dauto-corrlation au niveau de
3. K. Cuthbertson (2000)"Economie financire quantitative : Actions, Obligations et Taux de Change", De
Boeck

17
rmkt2 .

La statistique du test, qui suit une loi de Khi-deux avec k degr de libert est dfinie par :

K
X 2i L
QK = T (T + 2) 2 (K) (2.1)
T i T
i=1

O i dsigne lauto-corrlation dordre i des processus {rmkt et rmkt2 }.

Pour un ordre K donn, le test a pour hypothse :
H0 : 1 =...=i =0
H1 : j [1, K], tel que j 6= 0
Sur la Figure 3.2 du correlogramme de rmkt , pour une probabilit critique de 5%, on accepte
lhypothse H0 dabsence dauto-corrlation jusqu lordre maximal test deK = 20, (QK =
0, 42 > 5%).

Corrlogramme du rendement excdentaire

.1
Coefficients dautocorrlation
.05 0 .1 .05

0 5 10 15 20 25 30
Priode

Figure 2.2: le correlogramme de rmkt

Par contre, en examinant le correlogramme de la Figure 3.3, au seuil critique de 5%, on est en
mesure de rejeter catgoriquement lhypothse nulle dabsence dautocorrection de la variable
rmkt2 pour un ordre K = 1, (QK = 0, 0043 < 5%).

2.3 Lasymtrie
Beaucoup de tests conomtriques sont bass sur lhypothse dune loi normale symtrique. Il
arrive bien souvent que cette hypothse forte nest pas toujours vrifie, en loccurrence dans
les donnes financires.

18
 Corrlogramme du rendement excdentaire au carr

.1
Coefficients dautocorrlation
.05 0 .1 .05

0 5 10 15 20 25 30
Priode

Figure 2.3: le correlogramme de rmkt2

Ceci dit selon sa dfinition, la loi normale symtrique de variance 2 doit respecter les condi-
tions suivantes :
1. le coefficient dasymtrie (skewness), correspondant au moment centr dordre 3, est nul ;
2. le coefficient de laplatissement(kurtosis), correspondant au moment centr dordre 4 est
gale 3 4 .
Si la premire condition nest pas respecte, on dira que la distribution est asymtrique,
tandis que si la deuxime nest pas respecte on parle de distribution leptokurtique ou
platykurtique selon que le coefficient de laplatissement est respectivement suprieur ou
infrieur 3 4 .

Le graphique suivant correspond lhistogramme de la distribution marginale du rendement

excdentaire du march. Il prsente une queue de distribution paisse vers la gauche. Ce qui
montrent bien videment que la distribution de la srie rmkt nest pas gaussienne. On rejette
clairement lhypothse de normalit de la srie. Le coefficient de lasymtrie du tableau 3.1 de
lanalyse des donnes prsente plus haut nous confirment cela.

Nous pouvons dailleurs, prouver cette confirmation en nous rfrant aux tests dasymtrie et
daplatissement du chapitre 16 de Davidson et Mackinnon 4 .

Lide de ces tests consiste chercher la moyenne et lcart type empirique du rendement
excdentaire et ensuite construire un t de Student asymptotique. Cela sexprime de la faon
suivante :
d
rmkt
et

4. Infrence Statistique

19
 rendements excdentaires asymtriques

10
8
6
4
2
0

.3 .2 .1 0 .1
u

Density p_u
rmkt

Figure 2.4: lhistogramme de la distribution marginale du rmkt

Ainsi la statistique pour tester lasymtrie est dfinie par :

n
X
(6n)1/2 e3t
t=1

Tant dis que celle pour tester lexcs du kurtosis est :

n
X
(24n)1/2 (e4t 3)
t=1

Les rsultats statistiques 2 et la p-value rejettent trs largement lhypothse de normalit

de la srie rmkt et on confirme lide que rmkt suit dune loi normale asymtrique avec une
queue paisse vers la gauche.

2.4 La volatilit
Comme le montre la Figure 3.1, on observe empiriquement des priodes de forte volatilit sur
le march o de fortes variations, tendent tre suivies par dautres grandes variations. On
parle de Clusters de Volatilit. Rappelons que ce type de phnomne remet en cause
lhypothse dhomoscdasticit. Pour tester cette hypothse dhomoscdasticit plusieurs tests
sont possibles tels que : test de Golfed et Quant, test de White, test de Breusch et Pagan et
le test du multiplicateur de Lagrange. Dans notre cas nous allons utiliser ce dernier test.
Le test du multiplicateur de Lagrange consiste faire une auto rgression linaire avec constante
de la srie du rmkt au carr sur q retards. Pour un souci de simplification nous retenons le
nombre de retards q=1 :
rmkt2 = 0 + 1 rmkt1
2
(2.2)

20
Les hypothses du test sont :
(
H0 : homoscdasticit : 1 > 0
H1 : htroscdasticit : 1 = 0

On utilise la statistique du test n R2 pour mener le test, avec n= nombre dobservations de

la srie rmkt et R2 dsigne le coefficient de dtermination issue de la rgression (2.29).

Sous lhypothse H0 la statistique n R2 suit une loi de Khi-deux avec 1 degr de libert.

On est pas en mesure de rejeter lhypothse dhomoscdasticit si la statistique Qi = n R2

2 (1).

La rgression de lquation (2.29) nous donne un R2 = 0, 0137, avec n = 596, la statistique

Q596 0.0137 = 8.16. Cette valeur calcule est suprieure 3, 84, soit la valeur critique de
la 2 (1) au seuil de 5%. Lhypothse dhomoscdasticit est rejete en faveur de la prsence
dhtroscdasticit dans la srie des rendements excdentaires.

Par ailleurs, lanalyse de la variance de notre srie permet de bien comprendre que nous somme
en prsence dun processus ARCH/GARCH, comme le montre la figure suivante.
.06
.04
rmkt
.02
0

0 200 400 600

mois

Figure 2.5: la variance de rmkt

2.5 Effet Levier

Cette proprit nous rappelle de lexistence dune asymtrie entre les valeurs passes des
rendements et la volatilit de ces derniers. Par exemple une baisse des rendements tend
provoquer une augmentation de la volatilit suprieure celle induite par une hausse des
rendements de mme amplitude. Cela sexplique par le fait quil y a plus de mouvements fort

21
 la baisse qu la hausse. De faon explicite, un choc ngatif sur le prix dun titre va rduire
la valeur dune firme, ce qui augmentera le ratio de son endettement. Ltat financier de la
firme tant plus fragile, alors la volatilit augmente.

2.6 Saisonnalit
Cet aspect nous explique un peu le lien quil y a entre la volatilit et leffet du week-end et
des jours fris. Cest dire que les marchs sont trs volatiles la fermeture ( week-end et
jours fris).

Compte tenu de ces diffrentes proprits et des rsultats des tests statistiques qui en ont
dcouls, il serait impossible pour nous de modliser la srie du rmkt par un processus ARMA
linaire, car lhypothse de processus ARMA ne permet pas de prendre en compte les mca-
nismes dasymtrie et de variance conditionnelle dont il est question ici. Ces phnomnes par-
ticuliers se rencontrent frquemment dans les donnes financires et boursires ainsi que dans
les donnes de taux de change, o la volatilit semble tre un lment essentiel prendre en
compte. Do la ncessit daller vers une modlisation non linaire.Il est bien probable quune
modlisation ARCH/GARCH permette de bien capter le processus de notre srie rmkt .

Dans le chapitre suivant nous allons dfinir les processus ARCH/GARCH.

22
Chapitre 3

MODLES ARCH/GARCH

3.1 Modles ARCH(q)

Le modle ARCH (Autoregressive Conditional Heteroscedasticity) a t prsent pour la 1re
fois par Engel en 1982. Il constitue une grande classe de modle non linaire quon retrouve
surtout dans les modlisations des sries financires. Lapproche ARCH propose une reprsen-
tation auto-rgressive de la variance conditionnelle son information passe tout en permettant
de tenir compte des phnomnes de volatilit. En bref lide gnrale est la remise en cause
de lhypothse dhomoscdasticit que lon accepte le plus souvent dans le cas des modles
linaires.

3.1.1 Prsentation du processus ARCH

Selon lanalyse traditionnelle, de Box et Jenkins( 1970), la prvision est fonde sur la moyenne
conditionnelle de la srie tudier. Par exemple si une variable Zt suit un processus AR(1)
stationnaire :
Zt = Zt1 + t

avec t i.i.d (0, 2 ), alors la moyenne conditionnelle de Zt+1 est Zt tandis que sa moyenne
inconditionnelle est nulle. Par ailleurs, Engle (1982) souligne que lamlioration des prvisions
issues des sries chronologiques provient tout fait de lexploitation de linformation contenue
dans la moyenne conditionnelle du processus. La variance conditionnelle du processus AR(1)
( 2 ) et la variance inconditionnelle 2 /(1 ) sont constantes quelque soit la priode de
prvision. Alors que se passerait-il sil y a des changements dans les variances des erreurs de
prvisions ? Lconomtrie classique prsentera certainement des faiblesses pour modliser ce
genre de phnomne car il va sans doute se poser un problme dhtroscdasticit, pour la
simple raison que la matrice de variance-covariance des erreurs u ne sera pas dfinie un
scalaire prs par la matrice identit I. Cest dire u 6= 2 I. Cest pour apporter une rponse
cette problmatique que Engle( 1982)a introduit le processus ARCH, un modle conom-

23
trique, tenant compte de variances conditionnelles qui varient dans le temps. Plus prcisment,
les modles ARCH sont des modles auto-rgressifs conditionnellement htroscdastiques et
sont bass sur une paramtrisation endogne de la variance conditionnelle.

Il faut souligner que dans la famille des modles ARCH, diffrents types de processus ont t
dvelopps par dautres chercheurs. Ds lors on peut distinguer les modles ARCH linaires et
les modles ARCH non linaires. Les modles ARCH linaires reposent sur une spcification
quadratique de la variance conditionnelle ; on y trouve les modles : ARCH(q), GARCH(p,
q) et IGARCH(p, q) ; tant dis que les modles ARCH non linaires sont prsents par des
spcifications asymtriques. Ce sont les modles EGARCH(p, q), TARCH(q) et TGARCH(p,
q) 1 .

Pour bien comprendre le processus ARCH, nous allons prsenter ce processus tel quil a t
introduit par Engel (1982).

3.1.2 Description du processus ARCH

On dit quune variable Xt suit un processus ARCH(q) si
p
Xt = zt ht (3.1)

avec
q
X
2
ht = 0 + i Xti
i=1

zt dsigne un bruit blanc gaussien cest dire E(zt ) = 0 et E(zt0 2)= z2 = 1.

Plus prcisment zt dsigne un ensemble de variables alatoires indpendantes, identique-
ment distribues, centres, rduites, tant dis que ht dsigne une variable dterministe et
positive qui est conditionnelle linformation des valeurs passes de Xt . Cest dire que
Xt = {Xt1 , Xt2 , ..., Xtj , ..}.
Lquation (3.1) peut aussi scrire sous la forme de :
q
" #
X
2 2 2
Xt = zt 0 + i Xti
i=1

On saperoit ici que ce nest pas le processus Xt quon cherche modliser mais plutt le
processus de Xt2 . Rappelons que les variables Xt ne sont pas indpendantes et ne sont pas
autocorrles, ainsi les esprances conditionnelle et non conditionnelle sont nulles. Cest dire
que
v
u q
X
u
E[Xt ] = E zt t0 + 2 =0
i Xti (3.2)
i=1

1. Bresson G, Pirotte A. conomtrie des sries temporelles. Thorie et applications 1st ed. Paris : PUF,
1995.

24
et
v
u q
X
u
E[Xt | Xti ] = E zt t0 + 2 |X
i Xti ti = 0 (3.3)
i=1

Comme on lavait soulign plus haut lide de base du processus ARCH est que la variance
conditionnelle varie dans le temps. Ds lors on vrifie que la variance conditionnelle de Xt est
dfinie par :
q
X
2
V [Xt | Xti ] = 0 + i Xti i 1 (3.4)
i=1

Tant dis que la variance inconditionnelle est exprime par :

q
X 0
V [Xt ] = 0 + i V [Xti ] = (3.5)
1 1 2 q
i=1

Il y a lieu de noter que si i tend vers linfini, la variance conditionnelle converge vers la variance
inconditionnelle. De faon explicite nous avons :
 2
 0
lim V [Xt | Xti ] = lim 0 + i Xti = = V [Xt ]
i+ i+ 1 1 q

Cependant il conviendrait dimposer certaines restrictions sur les coefficients 0 et i pour

que les variances soient dfinies positives. Cela ncessite que 0 > 0 et 0 1 + + q < 1.

Le dernier aspect signaler est que les auto-covariances conditionnelles du processus Xt sont
nulles. Cest dire que

Cov(Xt , Xt+k | Xti ) = 0 k 1 et i 1

En dautres termes, cela signifie que conditionnellement Xti , le processus de Xt est sans
mmoire.
Aprs avoir dcrit le processus ARCH et ses diffrentes proprits, nous allons passer en revue
le processus GARCH.

3.2 Modles GARCH (p,q)

3.2.1 Prsentation du processus GARCH
Le processus GARCH( Generalized Auto Regressive Conditional Hetermskedasticity) a t
introduit en 1986 par Bollerslev. Le processus GARCH est une extension du processus ARCH,
il prsente les mmes proprits et les mmes fondements que le processus ARCH. Disons que
la seule diffrence se situe au niveau de la dfinition. Le modle GARCH a deux dimensions
(p,q) alors que le modle ARCH en a une(q).

25
3.2.2 Description du processus GARCH
Ceci dit une variable Xt suit un processus GARCH(p,q) si :
p
Xt = zt ht (3.6)

avec
q
X p
X
2
ht = 0 + i Xti + j htj (3.7)
i=1 j=1

et zt , un bruit blanc faible. 0 > 0, i 0 et i 0

Tout comme le processus ARCH(q), le modle GARCH (p,q) prsente aussi une moyenne
conditionnelle et une moyenne non conditionnelle nulle. cest dire que

E [Xt ] = 0 (3.8)

E [Xt | Xti ] = 0 (3.9)

Comme prcdemment, le modle GARCH(p,q) est galement stationnaire au second ordre.

Cela ncessite alors que lingalit suivante soit respecte :
q
X p
X
i + j < 1
i=1 j=1

Cette condition ncessaire et suffisante permet de valider la dfinition des moments dordre
deux. Ainsi La variance non conditionnelle est constante dans le temps et se dfinie par :
0
V [Xt ] = Pq Pp (3.10)
1( i=1 i +
j=1 j )

Tandis que la variance conditionnelle se prsente de la faon suivante

q
X p
X
2
V [Xt | Xti ] = 0 + i Xti + j htj (3.11)
i=1 j=1

Enfin, on remarque tout comme pour le modle ARCH(q), les es auto-covariances condition-
nelles du processus GARCH(p,q) sont nulles.

26
Chapitre 4

ESTIMATION DU MODLE

Comme nous lavons soulign plus haut, le modle de base est reprsent par lquation 1.46.
Aprs lanalyse sommaire des donnes du rmkt , nous avons test la prsence dhtroscdacit ;
cet effet, nous avons suppos quune modlisation ARCH/GARCH pourrait bien capter le
processus de cette srie du rendement excdentaire.
Nous posons alors lhypothse que la srie rmkt est identifie par un processus ARCH(1).
La prise en compte de ce postulat, nous permet de reformuler lquation 1.46. Notre modle
estimer se prsente alors sous la forme suivante :

t3

2
rmkt+1 = t + (1 ) 2 + t+1

t2 = t2 (1 2z )

2
t+1 = 0 + 1 t2

Rappelons que z reprsente la moyenne dune variable normale asymtrique standardise. 1

Elle est dfinie par
p
z = avec = 2/
1 + 2

, dsignant la forme de lasymtrie comme nous lavons dmontr plus haut.

Quant , il reprsente le coefficient dasymtrie au sens de Fisher et sexprime comme suit :
!3
z 2
= p avec = 2
1 2z 4

t dsigne lala associ lquation fondamentale.

Les paramtres estimer dans notre modle sont : = {, , 0 , 1 }
Par ailleurs, une certaine contrainte simposent nous, afin de garantir la positivit de la
variance conditionnelle qui est gale
1. variable normale asymtrique standardise correspondant au cas o le paramtre position = 0 et le
paramtre dchelle = 1

27
 0
t2 = ,
1 1
Il nous faudrait imposer des restrictions sur les coefficients 0 et 1 . Pour cette cause cela
ncessite que 0 > 0 et 0 < 1 < 1
Aprs avoir imposes ces contraintes, nous passons lestimation, qui sera alors une estimation
sous contraintes.

Diffrentes approches soffrent nous pour estimer les paramtres du modle, entre autres la
mthode gnralise des moments et le maximum de vraisemblance.
Engle (1982) souligne que la mthode du maximum de vraisemblance reste la plus efficiente.
Nous utilisons lestimation par la mthode du maximum de vraisemblance en langage Stata
pour estimer les paramtres. on sattend ce que le paramtre soit ngatif et significative-
ment diffrent de zro et aussi que les paramtres du processus ARCH cest dire 0 et 1
soient significatifs, tout en respectant les contraintes imposes. Le tableau suivant donne les
rsultats des paramtres estims ainsi que les T-statistiques correspondants.
Nous remarquons trs vite que les coefficients cadrent avec nos attentes.

Paramtres Estimations T-stat

2, 51 12, 03
1, 56 5, 43
0 0, 003 6, 43
1 0, 31 6, 27

Table 4.1: Rsultats de lestimation ARCH

Dune part leffet ARCH avec des coefficients positifs et trs significatifs a t dtect dans la
srie du rendement excdentaire du SP 500.On trouve une valeur de0, 31 pour 1 et0, 003 pour
0 . Dautre part le phnomne asymtrique qui est notre hypothse de base est aussi prsent
dans les donnes tudies et cela de faon significative. Comme prvu, on trouve une valeur
ngative de 1, 56 et un T-stat de 5, 43pour le coefficient dasymtrie . Ce rsultat ngatif
et significatif confirme lasymtrie de la volatilit qui est lun des faits styliss caractrisant les
marchs financiers. Pour rappel cette notion signifie que la volatilit a tendance augmenter
beaucoup plus quand il y a des rendements ngatifs contrairement au cas o les rendements
sont positifs. La thorie financire dcrit ce phnomne de lasymtrie de la volatilit par deux
explications : leffet levier et leffet rtroactif. Leffet levier nous apprend que la baisse du
prix dun actif accroit sa probabilit de faillite, ce qui rend cet actif trs risqu et dans le cas
chant cela fera augmenter sa volatilit future. ( Black (1976)et Christie(1982)). Quand
leffet rtroactif, il repose sur la thorie du prime de risque selon laquelle lanticipation des
agents sur un accroissement de la prime tend accrotre son taux de rendement, qui son
tour influencera le prix de lactif la baisse pour permettre un accroissement du rendement
futur(Campbelle et Hentschel (1992), Bekaert et Wu (2000)) Ces rsultats sont parfaitement

28
conformes avec nos hypothses, mais ils doivent tre considrs comme provisoires et explora-
toires. Nous pouvons prolonger notre analyse, en considrant que le paramtre dchelle de la
variance t2 suit plutt un processus GARCH(1, 1) ; et par la suite nous pourrons comparer
les nouveaux rsultats aux prcdents pour justifier laquelle des deux alternatives est la plus
approprie pour mieux dcrire les donnes du rendement excdentaire du SP 500
Le deuxime modle conomtrique se spcifie alors de la faon suivante :

t3

2
rmkt+1 = t + (1 ) 2 + t+1

t2 = t2 (1 2z )

2
t = 0 + 1 2t1 + 2 t1
2

Les rsultats de lestimation de ce modle sont donns dans le tableau suivant.

Paramtres Estimations T-stat

2, 585 2, 537
1, 80 6, 26
0 0, 00012 2, 442
1 0, 323 1, 54
2 0, 0053 1, 407

Table 4.2: Rsultats de lestimation GARCH

Maintenant que nous possdons les rsultats des deux modles exploratoires, il est possible
pour nous de slectionner lequel des deux modles est le plus plausible de dcrire les donnes
tudies.
Notre dmarche sera dutiliser les critres de slection AIC et BIC afin de rpondre cette
question de slection de modle. Il faut noter que ces deux critres sappliquent aux modles
estims par maximum de vraisemblance. Ainsi le critre dinformation de AIC (Akaike 1974)
se dfinit par :
AIC = 2 log(L) + 2 k
Quant au critre dinformation BIC (Bayesian Information Criterion), il a t initialement
propos par Schwartz en 1978, pour slectionner des modles dans les cas de grandes chan-
tillons.Il est dfinit comme suit :

BIC = 2 Log(L) + k log(n)

Dans les deux dfinitions, L est la vraisemblance maximise,k est le nombre de paramtres dans
la modle et enfin n dsigne la taille de lchantillon. Le meilleur modle est celui possdant
lAIC ou le BIC calcul le plus faible. le tableau suivant donne les rsultats des deux critres
de slection pour les deux modles tudis.
Aprs analyse des critres de lAIC et du BIC, et en tenant compte de la significativement des
coefficients des deux modles ; il ressort que le premier modle, cest dire lARCH(1)dcrit
mieux les donnes de la srie de rendement excdentaire du SP 500.

29
 Modles ARCH(1) GARCH(1,1)
AIC 5, 75 3, 79
BIC 11, 62 17, 92

Table 4.3: Rsultats des critres de slection

Enfin, pour quantifier leffet de lasymtrie sur le rendement excdentaire du SP 500 long
terme , nous pouvons dduire la part de la prime due lasymtrie en utilisant les paramtres
du Tableau 5.1.

En effet, en ignorant lingalit de Jensen, le modle prdit scrit :

h
f
i 3
m
Et rt+1 rt+1 = t2 + (1 ) t
2

On peut donc dduire que la part de la prime due lasymtrie est :

t3 t3
   
2
(1 ) / t + (1 )
2 2

En utilisant les paramtres du Tableau 5.1 ( =2,51 et =1,56), on a

3 t3 2, 96t3
   
(1 ) t 2
/ t + (1 ) =
2 2 2, 96t3 + 2, 51t2

0
Sachant que t2 = 11 , 0 = 0, 003 et 1 = 0, 31.

2, 96t3
= 0, 072
2, 96t3 + 2, 51t2

Ce rsultat suggre qu long terme, environ 7% de la prime de march rcompense pour le

risque dasymtrie.

A travers cette tude on saperoit que dans les sries financires en gnral, lhypothse deffet
asymtrique des chocs sur la volatilit, savoir la variance conditionnelle ragit diffremment
aux chocs de mme amplitude selon le signe de ces derniers, alors que dans les processus
symtriques, les chocs positifs et ngatifs de mme taille ont un impact identique sur la variance
conditionnelle.

30
Conclusion

Lanalyse et la modlisation de la volatilit dune srie est un thme fondamental en finance.

Pour preuve en se rfrant au march bousier, on remarque que plus la volatilit dune action
est importante, plus le risque est lev et plus les dtenteurs de laction souhaiteront une ren-
tabilit leve pour accepter de la dtenir et de la conserver. Ainsi lestimation de la volatilit
de la rentabilit dune action fournit une mesure du risque qui y est attach. Dans le mme
ordre dides, si le processus suivi par la volatilit est correctement spcifi, celui-ci permet de
prvoir la rentabilit.
Par ailleurs, il est important de noter que les sries financires sont caractrises par une vo-
latilit non stationnaire et par des phnomnes dasymtrie qui ne peuvent pas tre pris en
compte par les modlisations de type ARMA. Cest dans ce contexte, quEngle et Granger
ont dvelopp les modles ARCH afin de permettre la variance dune srie de dpendre
de lensemble dinformations disponible,notamment le temps. Les modles ARCH sont bass
sur une paramtrisation endogne de la variance conditionnelle. Cest dans cette optique que
cette tude nous a permis de dterminer la prime de risque des actifs financiers travers un
modle conomtrique qui tient compte de lasymtrie "skewness". Notre srie danalyse a t
le rendement excdentaire du SP 500. Nous avons trouv que le rendement excdentaire de
tout actif est dtermin par leffet combin du coefficient de skewness, de la prime de risque et
de la volatilit cest dire la variance. Par la suite nous avons estim que le processus de cette
variance suit un ARCH(1) et alternativement un GARCH(1,1). Les rsultats de lestimation
ont montr que lARCH(1)dcrit mieux les donnes de la srie du rendement excdentaire du
SP 500. Il est difficile dimaginer ce quaurait t la recherche empirique en conomie aujour-
dhui en labsence des contributions de Engle et Granger. En effet, leurs travaux pionniers sont
aujourdhui le standard pour tudier, modliser et prvoir les sries temporelles conomiques
et financires.Ces travaux ont ouvert de trs nombreuses voies de recherche en particulier dans
le monde de la finance.

31
Bibliographie

[1] Abderrahim Taamouti, Problmes dconomtrie en macroconomie et en finance : mesures

de causalit, asymtrie de la volatilit et risque financier, Universit de Montral, Juin 2007.

[2] Arthur Charpentier, Cours de sries temporelles :Thorie et applications,vol 1, Universit

Paris Dauphine, 2003.

[3] Arthur Charpentier, Cours de sries temporelles :Thorie et applications,vol 2, Universit

Paris Dauphine, 2003.

[4] Bera and Higgins, ARCH Models : properties, estimation and testing, Basil Blackwell, 1993.

[5] Bresson G, Pirotte A. conomtrie des sries temporelles. Thorie et applications , 1st ed.
Paris : PUF, 1995.

[6] Bruno Crepon, conomtrie, fvrier 2003.

[7] Carmichael, B. La valorisation des actifs financiers dans les modles de consommation :Un
survol de la littrature, Universit Laval, Avril 1998.

[8] Carmichael, B. et Con, A. Asset pricing with skewed-normal return, Finance Research
Letters, sous presse, http ://dx.doi.org/10.1016/j.frl.2013.01.001, Universit Laval, 2013.

[9] Chilarescu, C. et Viasu, I. Phnomnes financiers et mlange de lois : Une nouvelle mthode
destimation des paramtres., MPRA, Octobre 2011.

[10] Christophe Hurlin, Econmtrie pour la finance, Modles ARCH-GARCH, Universit dOr-
lans, Octobre 2004.

[11] Cuthbertson, K. "Economie financire quantitative : Actions, Obligations et Taux de

Change, De Boeck, 2000.

[12] Gary Koop, Dale Poirier, J. and Justin L. Tobias, Bayesian Econometric Methods, Cam-
bridge University Press, 2007.

[13] Jeroen V.K. Rombouts conomtrie des sries temporelles, Janvier 2010.

33
[14] Lyocsa, Vyrost, T. Baumhl ,E. The instability of the correlation structure of the SP 500,
MPRA, Octobre 2011.

[15] Renaud Lancelot et Matthieu Lesnoff, Slection de modles avec lAIC et critres din-
formation drivs, Novembre 2005.

[16] Ruey S. Tsay, Analysis of Financial Time Series,Second Edition, University of Chicago,
2005.

[17] Sandrine Lardic,Valrie Mignon, Robert F. Engle et W.J Granger : Prix Nobel dconomie
2003, Novembre 2003.

[18] Stan Hurn, Likelihood methods in financial econometrics, Economic Research Southern
Africa University of Stellenbosch, April 2009.

[19] Walid Jbili, Modlisation asymtrique de titres financiers, Universit Laval, Juin 2008.

34