Anda di halaman 1dari 19

Chapitre 14

Modèles ARCH multivariés

Les modèles ARCH que nous avons abordés jusqu’à présent sont des modèles
ARCH univariés. Ils permettent de décrire et de prévoir le comportement de la vo-
latilité d’une série monétaire et plus encore les données financières avec une grande
taille. La dynamique d’une série comprend la non-constance de la volatilité en fonction
du temps et le mécanisme asymétrique potentiel des chocs sur la variance condition-
nelle. Toutefois, l’analyse des risques liés à un portefeuille composé de plusieurs actifs
doit se faire dans une optique de risques multiples, à savoir les interactions entre les
différents éléments du portefeuille doivent être prises en considération. Or, les modèles
univariés ne tiennent pas compte de la corrélation entre les actifs. Il faudrait alors
passer aux modèles multivariés afin de capter les liens dynamiques entre les actifs.

14.1 Modèle VEC


Une première approche est l’extension directe du modèle ARCH au cas multiva-
rié. Elle a été introduite en premier par Engle, Granger et Kraft (1984). Il s’agit d’un
modèle ARCH bivarié dans lequel chaque variance conditionnelle dépend non seule-
ment de ses propres erreurs au carré des périodes précédentes, mais aussi celles de
l’autre variable du système ainsi que du produit croisé des erreurs passées des deux
variables. En appliquant une même extension sur le processus GARCH (1,1), nous
obtenons la forme générale du modèle VEC (1,1) proposée par Bollerslev, Engle et
Wooldridge (1988). Cette méthodologie permet une dépendance dynamique entre les

544
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 545

séries étudiées. Le modèle VEC(1,1) est défini comme

ht = c + Aηt−1 + Ght−1 (14.1)


où c, A, G sont des matrices.
ht = vech (Ht ) (14.2)
ηt = vech (²t ²0t ) (14.3)
Le terme vech est un opérateur matriciel qui replace les éléments de la partie
triangulaire inférieure de la matrice Ht de dimension (N ×N ) dans un vecteur colonne
de dimension ( N (N2+1) × 1). Posons un portefeuille de trois actifs donc N = 3 :
 
h11t h12t h13t
 
Ht =  h21t h22t h23t  (14.4)
h31t h32t h33t

vech (Ht ) = (h11t , h21t , h31t , h22t , h32t , h33t )0 (14.5)


Un autre opérateur matriciel, vec, sert à empiler tout les éléments de la matrice Ht
dans un vecteur colonne de dimension ((N × N ) × 1). Pour N = 3 :

vec (Ht ) = (h11t , h21t , h31t , h12t , h22t , h32t , h13t , h23t , h33t )0 (14.6)

Une propriété importante de l’opérateur vec est

vec(ABC) = (C 0 ⊗ A)vec B (14.7)

Prenons un modèle VEC (1,1) bivarié :


         
h11t c1 a11 a12 a13 ²21,t−1 g11 g12 g13 h11,t−1
         
h21t  = c2  + a21 a22 a23  ²1,t−1 ²2,t−1  + g21 g22 g23  h21,t−1  (14.8)
h22t c2 a31 a32 a33 ²22,t−1 g31 g32 g33 h22,t−1
L’écriture équivalente donne :

h11t =c1 + a11 ²21,t−1 + a12 ²1,t−1 ²2,t−1 + a13 ²22,t−1


(14.9)
g11 h1,t−1 + g12 h21,t−1 + g13 h22,t−1

h21t =c2 + a21 ²21,t−1 + a22 ²1,t−1 ²2,t−1 + a23 ²22,t−1


(14.10)
g21 h1,t−1 + g22 h21,t−1 + g23 h22,t−1
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 546

h22t =c2 + a31 ²21,t−1 + a32 ²1,t−1 ²2,t−1 + a33 ²22,t−1


(14.11)
g31 h1,t−1 + g32 h21,t−1 + g33 h22,t−1
Nous observons que, pour deux titres financiers, le nombre de paramètres à es-
timer est de 21 dans un modèle VEC (1,1) bivarié. Cet exemple met en évidence
l’inconvénient majeur du modèle VEC qui est le nombre de paramètres à estimer, il
devient plus en plus grand au fur et à mesure que le nombre de variables augmente.
Ainsi, un modèle VEC (1,1) avec 4 titres à modéliser conjointement, le nombre de
paramètres est égal à 210 et avec 8 titres, il atteint 2628.

Afin de réduire le nombre de paramètres à estimer, les auteurs suggère la formula-


tion Diagonal VEC (DVEC). En supposant que les matrices A et G sont diagonales,
le nombre de paramètre est égal à 9 pour un modèle VEC (1,1) bivarié. De ce fait,
les équations (14.9), (14.10) et (14.11) deviennent

h11t =c1 + a11 ²21,t−1 + g11 h1,t−1 (14.12)

h21t =c2 + a22 ²1,t−1 ²2,t−1 + g22 h21,t−1 (14.13)

h22t =c2 + a33 ²22,t−1 + g33 h22,t−1 (14.14)

En supposant que certaines matrices sont diagonales, modéliser conjointement 8 actifs


dans la formulation DVEC (1,1) demande maintenant l’estimation de 52 paramètres.
Les éléments du modèle DVEC (1,1) suit en fait un GARCH (1,1), à savoir que chaque
variance conditionnelle est déterminée par le carré de leurs propres erreurs précédentes
et son propres retard tandis que la covariance de deux éléments dépend du produit
croisé des erreurs passées des deux éléments impliqués et de son propre retard. Ce-
pendant, le grand désavantage de ce modèle est l’absence de l’interdépendance entre
les composantes du système donc la transmission de chocs entre les variables n’est
pas possible. Les variations de la volatilité d’une variable n’influencent pas le compor-
tement des autres variables dans le système. D’autre part, la positivité de la matrice
des variances-covariances conditionnelles n’est pas garantie par le modèle. Il faudrait
imposer des restrictions sur chaque élément de la matrice des variances-covariances
conditionnelles.
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 547

Étant donné de la condition de positivité de la matrice hiit , nous pouvons réécrire


les équations (14.9), (14.10) et (14.11) de la façon suivante :
à !à !
³ ´ a a12 /2 ²21,t−1
11
h11t =c1 + ²1,t−1 ²2,t−1
a12 /2 a22 ²22,t−1
"Ã !Ã !Ã !# (14.15)
²21,t−1 g11 g12 /2 ²21,t−1
+Et−2
²22,t−1 g12 /2 g13 ²22,t−1
à !à !
³ ´ a21 a22 /2 ²21,t−1
h12t =c2 + ²1,t−1 ²2,t−1
a22 /2 a23 ²22,t−1
"Ã !Ã !Ã !# (14.16)
²21,t−1 g21 g22 /2 ²21,t−1
+Et−2
²22,t−1 g22 /2 g23 ²22,t−1
à !à !
³ ´ a a32 /2 2
²1,t−1
31
h22t =c3 + ²1,t−1 ²2,t−1
a32 /2 a33 ²22,t−1
"Ã !Ã !Ã !# (14.17)
²21,t−1 g31 g32 /2 ²21,t−1
+Et−2
²22,t−1 g32 /2 g33 ²22,t−1
Si nous écrivons les trois dernières équations sous forme matricielle, nous obtenons
à ! à !
c1 c2 ²1,t−1 ²2,t−1 0 0
Ht = + ∗
c2 c2 0 0 ²1,t−1 ²2,t−1
  
a11 a12 /2 a21 a22 /2 ²1,t−1 0 (14.18)
a /2 a a22 /2 a23   0 
 12 13  ²2,t−1 
∗   + Et−2 [· · · ]
 a21 a22 /2 a31 a32 /2  0 ²1,t−1 
a22 /2 a23 /2 a32 /2 a33 0 ²2,t−1

Si nous notons à la matrice de dimension 4x4, alors la forme matricielle du modèle


VEC (1,1) peut être écrite comme

Ht = C + (IN ⊗ ²0t−1 )Ã(IN ⊗ ²t−1 )+


(14.19)
Et−2 (IN ⊗ ²0t−1 )G̃(IN ⊗ ²t−1 )

et la condition de positivité implique C ≥ 0, Ã ≥ 0 et G̃ ≥ 0 avec au moins une


stricte inégalité.
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 548

14.2 Modèle BEKK


Une approche qui garantit la positivité de la matrice des variances-covariances
conditionnelles est suggérée initialement par Baba, Engle, Kraft et Kroner (1990).
Puis, elle a été synthétisée dans l’article de Engle et Kroner (1995). Le modèle BEKK
(p,q,k) prend en compte des interactions entre les variables étudiées.

L’équation suivante spécifie un modèle BEKK(1,1,K) :


K
X K
X
∗0 ∗ 0 0
Ht = C C + A∗k ²t−1 ²∗t−1 A∗ + G∗k Ht−1 Gk (14.20)
k=1 k=1

où C ∗ , A∗k et G∗k sont des matrices de dimension (N xN ) et C ∗ et une matrice trian-


0
gulaire supérieure et C ∗ C ∗ = Ω. On observe que le 1er et le 2e terme de l’équation
(14.20) sont positifs et donc pour que Ht soit positive, il faut que Ht−1 soit positive.
Voici un modèle BEKK(1,1,1) bivarié
" # " #" # " #0 " #" #
h11t h21t c∗11 0 c∗11 c∗21 a∗11 a∗12 ²21,t−1 ²1,t−1 ²2,t−1 a∗11 a∗12
= ∗ + ∗
h21t h22t c21 c∗22 0 c∗22 a21 a∗22 ²1,t−1 ²2,t−1 ²22,t−1 a∗21 a∗22
" #0 " #" #
∗ ∗ ∗ ∗
g11 g12 h11,t−1 h21,t−1 g11 g12
+ ∗ ∗ ∗ ∗
g21 g22 h21,t−1 h22,t−1 g21 g22
(14.21)

Nous observons que le nombre de paramètres à estimer est réduit à 11 avec un


modèle BEKK(1,1,1) (21 pour le modèle VEC(1,1)). Si on utilise (14.7), nous pouvons
écrire le modèle (14.20) comme un modèle VEC :

vec(Ht ) = Ω + (A∗ ⊗ A∗ )0 vec (²t−1 ²0t−1 ) + (G∗ ⊗ G∗ )0 vec (Ht−1 ) (14.22)

D’ailleurs, le modèle BEKK est faible stationnaire si les racines caractéristiques


de (A∗ ⊗A∗ )+(G∗ ⊗G∗ ) sont plut petites que 1 en valeur absolue et donc nous avons :

vec (Σ) = E(vec Ht ) = (IN 2 − (A∗ ⊗ A∗ )0 − (G∗ ⊗ G∗ )0 )−1 vec (Ω) (14.23)
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 549

Néanmoins, bien que le nombre de paramètres à estimer est moins que le modèle
VEC, il demeure encore très élevé. Par exemple, pour un modèle BEKK (1,1,8) ayant 8
actifs dans le système, il faut estimer jusqu’à 164 paramètres. Les recherches utilisant
ce modèle limitent le nombre d’actifs étudiés et/ou imposent des restrictions comme
supposer que les corrélations sont constantes. Cependant, cette hypothèse est très
forte puisque plusieurs travaux empiriques montrent que les corrélations varient au
cours du temps. Le processus FARCH (Factor ARCH) proposé par Engle, Ng et
Rothschild (1990) est un cas particulier du modèle BEKK avec des facteurs communs
dans la volatilité des séries. En imposant une structure commune aux éléments de la
matrice des variances-covariances, le nombre de paramètres à estimer dans un modèle
FGARCH (1,1,8) est réduit à 54.

14.3 Modèle CCC


Comparé aux modèles multivariés précédents, la formulation CCC (Constant Condi-
tional Correlation) de Bollerslev (1990) diminue grandement le nombre de paramètres
à estimer. Par exemple, modéliser conjointement 8 actifs exige l’estimation de 52 para-
mètres. D’ailleurs, le modèle permet aux covariances conditionnelles de varier dans le
temps, mais en supposant que les corrélations entre les variables restent constantes.
La méthodologie CCC consiste à estimer en premier la variance conditionnelle de
chaque variable du système avec un modèle de type ARCH quelconque. Une matrice
diagonale contenant ces variances conditionnelles est ensuite construite et la racine
carrée de cette matrice donne une matrice diagonale des écart-types conditionnels Dt
des variables étudiées. L’étape suivante consiste à calculer la matrice des variances-
covariances conditionnelles. Elle est obtenue par le produit de trois matrices : la
matrice diagonale des écart-types conditionnels (Dt ), la matrice de la structure des
corrélations entre les variables (R) et la matrice diagonale des écart-types condition-
nels (Dt ).



Ht = Dt RD√t

√ √
Dt = diag( h11t , h22t , · · · , hN N t ) (14.24)



R = ρij , avec ρiit = 1
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 550

où R est une matrice (N × N ) contenant les corrélations conditionnelles constantes.


Les variances conditionnelles hiit , pour i=1,...,N, sont estimés à partir d’un modèle
GARCH univarié. Nous pouvons écrire la covariance entre deux actifs hijt comme
p
hijt = ρij hiit hjjt , ∀i 6= j (14.25)

La matrice des variances-covariances conditionnelles est presque toujours définie


positive en pratique en raison de la méthodologie d’estimation. L’hypothèse fonda-
mentale du modèle CCC est le fait que les corrélations conditionnelles sont constantes
dans le temps. L’avantage de cette hypothèse est la facilité de l’estimation des para-
mètres et le nombre moins grand de paramètres à estimer. Mais, comme le modèle
BEKK, l’hypothèse de constance des corrélations ne résiste pas à la réalité des faits.

La condition de positivité de Ht exige la positivité de R et de hiit pour i=1,...,N.


Dans le modèle CCC, les éléments de la matrice des corrélations R sont constantes.
La dynamique de la covariance est déterminée en fait par les deux variances condi-
tionnelles, ce qui implique un nombre de N (N − 1)/2 paramètres en R.

Pour une description détaillée des modèles GARCH multivariés présentés précéde-
ment, nous renvoyons aux travaux de Bauwens, Laurent et Rombouts (2006). Compte
tenu de ce qui précède, le nombre de paramètres à estimer représente un problème
majeur dans l’application des modèles multivariés. Dans ces conditions, il faut faire
des compromis notamment limiter le nombre d’actifs à modéliser dans le système et
imposer des restrictions comme la constance des corrélations dans le temps. En ef-
fet, les modèles présentés précédemment permettent aux covariances conditionnelles
entre les variables étudiées de changer dans le temps mais ces variations sont entiè-
rement attribuées aux fluctuations des variances conditionnelles. Ainsi, Tse (2000),
sous le test du multiplicateur de Lagrange, rejettent l’hypothèse nulle de constance
des corrélations entre les marchés boursiers de Hong Kong, Japon et Singapore es-
timées à partir d’un modèle GARCH multivarié BEKK de Engle et Kroner (1995).
Par ailleurs, les mécanismes d’asymétrie des chocs sur les variances et les corréla-
tions conditionnelles ne sont pas pris en considération par ces modèles (à l’exception
du modèle CCC où il est possible de modéliser la variance conditionnelle des séries
avec des modèles ARCH non linéaires). Pourtant, il est établi que la volatilité peut
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 551

réagir différemment selon le signe des chocs et la corrélation entre les marchés bour-
siers a tendance à augmenter en période de baisse. La négligence de ces phénomènes
constitue une source d’erreurs possible dans l’estimation de la matrice des variances-
covariances conditionnelles, particulièrement dans les situations extrêmes comme une
crise financière.

14.4 Modèle DCC


Une approche récente pour modéliser à la fois les variances et les corrélations condi-
tionnelles de plusieurs séries est la méthode DCC (Dynamic Conditional Correlation)
proposée par Engle (2002) et Tse et Tsui (2002) . S’inspirant du modèle CCC, la
démarche de l’estimation comporte 2 étapes. En premier, la variance conditionnelle
de chaque variable du système est estimée à partir d’un processus ARCH univarié
quelconque. À ce point, il est possible de choisir un modèle non linéaire pour prendre
en compte du mécanisme asymétrique des chocs sur la volatilité si le phénomène est
significativement présent dans la série. Par la suite, les résidus standardisés des ré-
gressions effectuées à la première étape sont utilisés pour modéliser les corrélations de
façon autorégressive, obtenant ainsi la matrice des corrélations conditionnelles qui va-
rie dans le temps. La matrice des variances-covariances conditionnelles est le produit
de la matrice diagonale des écart-types conditionnels par la matrice des corrélations
conditionnelles et par la matrice diagonale des écart-types conditionnels.

Le modèle DCCE proposé par Engle (2002) s’écrit de la manière suivante :





Ht = Dt Rt D


t
√ √
Dt = diag( h11t , h22t , · · · , hN N t ) (14.26)



Rt = (diag Qt )−1/2 Qt (diag Qt )−1/2

où Qt est une matrice de dimension (N × N ), symétrique et définie positive. Elle est


donnée par

Qt = (1 − θ1 − θ2 )Q + θ1 ut−1 u0t−1 + θ2 Qt−1 (14.27)


Le terme Qt est la matrice des variances-covariances inconditionnelles de dimension
(N × N ), symétrique et définie positive alors que ut = (u1t , u2t , · · · , uN t )0 est un
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 552

vecteur colonne des résidus standardisés des N actifs du portefeuille à la date t :


²it
uit = √ pour i=1,...,N. Les coefficients θ1 et θ2 sont des paramètres à estimer.
hiit
La somme de ces coefficients doit être inférieure à 1 pour respecter la positivité de la
matrice Qt . Si θ1 = θ2 = 0 et q ii = 1, alors nous obtenons le modèle CCC.

En effet, ce qui distingue le modèle DCC de Engle par rapport à celui de Tse et Tsui
réside dans les spécifications différentes de l’équation des corrélations conditionnelles.
Le modèle DCCT proposé par Tse & Tsui (2002) s’écrit :



Rt = (1 − θ1 − θ2 )R + θ1 Ψt−1 + θ2 Rt−1

 PM


 ui,t−m uj,t−m
Ψij,t−1 = qP m=1 PM 2
M 2 (14.28)

 m=1 u i,t−m h=1 uj,t−m



 ²it
uit = √
hiit
avec θ1 , θ2 > 0, θ1 + θ2 < 1, R a la même signification que dans le modèle CCC. Il faut
noter que ψii,t−1 = 1, ∀ i par construction. Ψt−1 est la matrice des corrélations de ²τ ,
τ = t − M, t − m + 1, · · · , t − 1. Une condition nécessaire pour assurer la positivité est
M > N . Rt est une matrice pondérée de corrélation (R, Ψt−1 , Rt−1 ) et elle est positive
si chaque composante est positive aussi. Pour θ1 = θ2 = 0, nous obtenons le modèle
CCC. Le coefficient de corrélation pour le cas bivarié pour le modèle DCCT (M ) est
donné par :
PM
u1,t−m u2,t−m
ρ12t = (1 − θ1 − θ2 )ρ12 + θ2 ρ12,t−1 + θ1 qP m=1 PM 2 (14.29)
M 2
m=1 u1,t−m h=1 u2,t−m

et pour le modèle DCCE (1, 1) est donné par :

(1 − θ1 − θ2 )q 12 + θ1 u1,t−1 u2,t−1 + θ2 q12,t−1


ρ12t = sµ ¶µ ¶
2 2
(1 − θ1 − θ2 )q 11 + θ1 u1,t−1 + θ2 q11,t−1 (1 − θ1 − θ2 )q 22 + θ1 u2,t−1 + θ2 q22,t−1

(14.30)

Le modèle DCC est très flexible, l’avantage de ce modèle est de garder un nombre
raisonnable de paramètres à estimer tout en tenant compte de la variation temporelle
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 553

des corrélations entre les variables et de l’effet d’asymétrie possible des chocs sur la
variance conditionnelle.

Toutefois, dans un cadre de moyenne-variance, les portefeuilles de variance mi-


nimale composés avec la méthode DCC ne sont pas toujours optimaux (Engle et
Sheppard, 2001). Sur ce point, Franses et Hafner (2003) avancent que l’inclusion d’un
grand nombre de titres entraîne une répartition sous-optimale entre les titres puisque
le modèle DCC suppose une même structure (type ARMA) de corrélation condition-
nelle entre les rendements des titres. Cette hypothèse est plus facilement acceptable
quand le nombre de titres dans le système est petit mais elle devient fort au fur et
à mesure que le nombre de titres augmente. Partant de ce fait, Franses et Hafner
introduisent la formulation GDCC (Generalized Dynamic Conditional Correlation)
qui autorise une dynamique spécifique de corrélation entre les titres.

De plus, les travaux empiriques suggèrent que les corrélations entre les marchés
boursiers varient selon les conditionnes du marché. Par exemple, Longin et Solnik
(2001) et Campbell, Koedijk et Kofman (2002) trouvent qu’une hausse de corrélation
entre les marchés développés est observée en période de baisse (bear market). De
ce fait, Cappiello, Engle et Sheppard (2004) incorporent le mécanisme d’asymétrie
dans le modèle DCC en permettant aux corrélations conditionnelles de réagir diffé-
remment au signe des chocs. La méthodologie d’estimation est identique à celle de
DCC. Le changement se trouve dans les spécifications de l’équation des corrélations
conditionnelles.

14.5 Estimation
L’estimation des paramètres des modèles multivariés repose sur la méthode du
maximum de vraisemblance logarithmique. Si nous supposons que les résidus sont
gaussiens, la fonction de vraisemblance s’écrit

T
X
LT = log f (yt |θ, η, It−1 ) (14.31)
t=1
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 554


−1/2
f (yt |θ, η, It−1 ) = |Ht |−1/2 g(Ht (yt − µ)) (14.32)
est la densité de yt étant donné le vecteur de paramètres θ et η. Dans la plupart des
cas, nous supposons que yt − µt = zt ∼ N (0, IN ) (ce qui implique que le vecteur η est
nul). Alors, la log-vraissemblance s’écrit

T µ ¶
1X −1 0
LT (θ) = − log|Ht | − (yt − µt )Ht (yt − µt ) (14.33)
2 t=1
La vraisemblance gaussienne fournit un estimateur quasi-vraisemblance qui est
consistent pour θ même si la densité n’est pas normale. Par contre, cet estimateur
est moins efficient que l’estimateur de vraisemblance trouvé avec la vraie densité.
En pratique, l’hypothèse de normalité des rendements ne caractérise pas le marché
financier. En effet,les queues des distributions empiriques des rendements sont géné-
ralement plus épaisses que celles d’une loi gaussienne. L’utilisation d’une distribution
Student-t ayant des queues de distribution plus épaisses que la distribution gaus-
sienne peut résoudre potentiellement ce problème. L’équation suivante présente la
distribution de Student multivariée (ST (0, IN , v)) (v correspond à η de (14.31))
µ ¶
v+N
Γ · ¸− N 2+v
2 zt zt0
g(zt |v) = ¡ v ¢ N 1+ (14.34)
Γ 2 [π(v − 2)] 2 v−2

où Γ(.) est la fonction gamma. Pour cette distribution, nous supposons que v > 2 et
que var(zt ) = IN . Lorsque v → ∞, (ST (0, IN , v)) → N (0, In ).

En ce qui concerne le modèle DCC, la log-vraissemblance est composée de deux


parties. Une première partie dépend des paramètres de la volatilité et une seconde
partie dépend des paramètres des corrélations conditionnelles sachant les paramètres
de la volatilité.

En remplaçant Ht provenant de (14.24) dans (14.33), nous obtenons


T µ ¶
1X 0 −1
LT (θ) = − log|Dt Rt Dt | − ut Rt ut (14.35)
2 t=1
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 555

où ut = Dt−1 (yt − µt ) et u0t Rt−1 ut = (yt − µt )0 Dt−1 Rt−1 Dt−1 (yt − µt ). Avec ces notations,
la vraisemblance s’écrit
T µ ¶
1X 0 −1
LT (θ) = − log|Dt Rt Dt | + ut Rt ut
2 t=1
T µ ¶
1X
=− 2log|Dt | + ut ut ← Q1LT (θ1∗ )
0
(14.36)
2 t=1
T µ ¶
1X
− log|Rt | + ut Rt ut − ut ut ← Q2LT (θ1∗ θ2∗ )
0 −1 0
2 t=1

avec θ1∗ : paramètres de la variance conditionnelle (Dt ) et θ2∗ : paramètres de la cor-


relation conditionnelle (Rt ). La vraisemblance peut être écrite comme

LT (θ) = Q1LT (θ1∗ ) + Q2LT (θ1∗ θ2∗ ) (14.37)

et (θ1, ∗ θ2∗ ) sont trouvés en deux étapes :


– étape 1 : on estime (θ1∗ ) en maximisant θ1∗ = argmax Q1LT (θ1∗ ) ;
– étape 2 : on estime (θ2∗ ) en maximisant θ2∗ = argmax Q2LT (θ1∗ , θ2∗ ) ;
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 556

14.6 Application RATS : MGARCH.PRG


Le but de cette application est d’estimer deux types de modèles GARCH mul-
tivariés : CCC et DCC. Nous étudions les corrélations de trois entreprises cotées
sur SP500 : Wendy’s, Exxon Mobil et Conoco Phillips. La période d’analyse est de
01/04/1993 à 05/08/2006.

CALENDAR(DAILY) 1993 1 4
ALL 2005:05:08
COMPUTE NBEG=1993:01:04, NEND=2005:05:08
OPEN DATA ApplicationMGARCH_DATA.RAT
DATA(FORMAT=RAT,ORG=COL) nbeg nend Wendys Exxonmobil Conocophillips
**************************************************************************************************
* Calcul des rendements
set rWendys = log(Wendys/Wendys{1})*100
set rExxonMobil =log(ExxonMobil/ExxonMobil{1})*100
set rConocoPhillips = log(ConocoPhillips/ConocoPhillips{1})*100

Le prix de Wendys
50
45
40
35
30
25
20
15
10
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Le prix de ExxonMobil
70

60

50

40

30

20

10
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Le prix de ConocoPhillips
60

50

40

30

20

10
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Fig. 14.1 – Prix de Wendy’s, Exxon Mobil et Conoco Phillipes

*Estimation du modèle CCC


garch(p=1,q=1,mv=cc,method=bhhh,hmatrices=hdCCC,rvectors=residus_CCC) nbeg+1 nend rWendys rExxonMobil rConocoPhillips
MV_GARCH, CC - Estimation by BHHH
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 557

Le rendement de Wendys
12
8
4
0
-4
-8
-12
-16
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Le rendement de ExxonMobil
12.5
10.0
7.5
5.0
2.5
0.0
-2.5
-5.0
-7.5
-10.0
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Le rendement de ConocoPhillips
10.0
7.5
5.0
2.5
0.0
-2.5
-5.0
-7.5
-10.0
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Fig. 14.2 – Rendements de Wendy’s, Exxon Mobil et Conoco Phillipes

Convergence in 41 Iterations. Final criterion was 0.0000037 < 0.0000100


Daily(5) Data From 1993:01:05 To 2005:05:09
Usable Observations 3220
Log Likelihood -17278.94565465
Variable Coeff Std Error T-Stat Signif
*******************************************************************************
1. Mean(1) 0.0543016169 0.0294595157 1.84326 0.06529071
2. Mean(2) 0.0615134423 0.0206764966 2.97504 0.00292949
3. Mean(3) 0.0588890519 0.0255890111 2.30134 0.02137234
4. C(1) 0.0358876189 0.0071541719 5.01632 0.00000053
5. C(2) 0.0186294012 0.0038449616 4.84515 0.00000127
6. C(3) 0.0259327361 0.0062392658 4.15638 0.00003233
7. A(1) 0.0252490615 0.0029366060 8.59804 0.00000000
8. A(2) 0.0483055663 0.0042255171 11.43187 0.00000000
9. A(3) 0.0453880764 0.0038075776 11.92046 0.00000000
10. B(1) 0.9642008144 0.0042617779 226.24380 0.00000000
11. B(2) 0.9425669783 0.0050106623 188.11225 0.00000000
12. B(3) 0.9457252576 0.0045181543 209.31673 0.00000000
13. R(2,1) 0.1630586572 0.0157331254 10.36403 0.00000000
14. R(3,1) 0.1338214055 0.0159233952 8.40407 0.00000000
15. R(3,2) 0.5561345537 0.0107848374 51.56634 0.00000000

*Estimation du modèle DCC


garch(p=1,q=1,mv=dcc,method=bhhh,hmatrices=hdDCC,rvectors=residus_DCC) nbeg+1 nend rWendys rExxonMobil rConocoPhillips
MV_GARCH, DCC - Estimation by BHHH
Convergence in 32 Iterations. Final criterion was 0.0000097 < 0.0000100
Daily(5) Data From 1993:01:05 To 2005:05:09
Usable Observations 3220
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 558

Log Likelihood -17205.52135170


Variable Coeff Std Error T-Stat Signif
*******************************************************************************
1. Mean(1) 0.0513381400 0.0292166472 1.75715 0.07889161
2. Mean(2) 0.0549735672 0.0203731850 2.69833 0.00696884
3. Mean(3) 0.0592935953 0.0245868068 2.41160 0.01588260
4. C(1) 0.0344900917 0.0069011646 4.99772 0.00000058
5. C(2) 0.0156109433 0.0034088515 4.57953 0.00000466
6. C(3) 0.0275376383 0.0060439422 4.55624 0.00000521
7. A(1) 0.0248552824 0.0028889789 8.60348 0.00000000
8. A(2) 0.0461896793 0.0038571599 11.97505 0.00000000
9. A(3) 0.0420103831 0.0035541070 11.82024 0.00000000
10. B(1) 0.9653416321 0.0041120295 234.76039 0.00000000
11. B(2) 0.9460046583 0.0045547732 207.69523 0.00000000
12. B(3) 0.9473790915 0.0044866013 211.15741 0.00000000
13. DCC(1) 0.0055531890 0.0008038958 6.90785 0.00000000
14. DCC(2) 0.9942350764 0.0009402844 1057.37694 0.00000000

*******************************************************************
* Calculer les résidus standardisés du modèle CCC
set z11 nbeg+1 nend = residus_CCC(t)(1)/sqrt(hdCCC(t)(1,1))
set z22 nbeg+1 nend = residus_CCC(t)(2)/sqrt(hdCCC(t)(2,2))
set z33 nbeg+1 nend = residus_CCC(t)(3)/sqrt(hdCCC(t)(3,3))

* Matrice des variances-covariances du modèle CCC


vcv(matrix=cc)
# z11 z22 z33
Covariance\Correlation Matrix
Z11 Z22 Z33
Z11 0.999335756189 0.1630891557 0.1338878699
Z22 0.163086499289 1.000632087964 0.5564370605
Z33 0.133941716102 0.557021776525 1.001469730191

* Variance conditionnelle du modèle CCC


set hh4 nbeg+1 nend = hdCCC(t)(1,1)
set hh41 nbeg+1 nend = hdCCC(t)(2,2)
set hh42 nbeg+1 nend = hdCCC(t)(3,3)
*Calcul de la correlation conditionnelle
set rho12CCC nbeg+1 nend = hdCCC(t)(1,2)/sqrt(hdCCC(t)(1,1)*hdCCC(t)(2,2))
set rho13CCC nbeg+1 nend = hdCCC(t)(1,3)/sqrt(hdCCC(t)(1,1)*hdCCC(t)(3,3))
set rho23CCC nbeg+1 nend = hdCCC(t)(2,3)/sqrt(hdCCC(t)(2,2)*hdCCC(t)(3,3))

print(data) nbeg nbeg+10 rho12CCC


ENTRY RHO12CCC
1993:01:04 NA
1993:01:05 0.163058657162
1993:01:06 0.163058657162
1993:01:07 0.163058657162
1993:01:08 0.163058657162
1993:01:11 0.163058657162
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 559

1993:01:12 0.163058657162
1993:01:13 0.163058657162
1993:01:14 0.163058657162
1993:01:15 0.163058657162
1993:01:18 0.163058657162

print(data) nbeg nbeg+10 rho13CCC


ENTRY RHO13CCC
1993:01:04 NA
1993:01:05 0.133821405511
1993:01:06 0.133821405511
1993:01:07 0.133821405511
1993:01:08 0.133821405511
1993:01:11 0.133821405511
1993:01:12 0.133821405511
1993:01:13 0.133821405511
1993:01:14 0.133821405511
1993:01:15 0.133821405511
1993:01:18 0.133821405511

print(data) nbeg nbeg+10 rho23CCC


ENTRY RHO23CCC
1993:01:04 NA
1993:01:05 0.55613455371
1993:01:06 0.55613455371
1993:01:07 0.55613455371
1993:01:08 0.55613455371
1993:01:11 0.55613455371
1993:01:12 0.55613455371
1993:01:13 0.55613455371
1993:01:14 0.55613455371
1993:01:15 0.55613455371
1993:01:18 0.55613455371
*******************************************************************

* Calculer les résidus standardisés du modèle DCC


set z1 nbeg+1 nend = residus_DCC(t)(1)/sqrt(hdDCC(t)(1,1))
set z2 nbeg+1 nend = residus_DCC(t)(2)/sqrt(hdDCC(t)(2,2))
set z3 nbeg+1 nend = residus_DCC(t)(3)/sqrt(hdDCC(t)(3,3))

* Matrice des variances-covariances du modèle DCC


vcv(matrix=cc)
# z1 z2 z3
Covariance\Correlation Matrix
Z1 Z2 Z3
Z1 0.989796515310 0.1630842190 0.1342228617
Z2 0.162871873939 1.007679421968 0.5560397996
Z3 0.134602799998 0.562628481271 1.016036430679

* Variances conditionnelles du modèle DCC


CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 560

set hh5 nbeg+1 nend = hdDCC(t)(1,1)


set hh51 nbeg+1 nend = hdDCC(t)(2,2)
set hh52 nbeg+1 nend = hdDCC(t)(3,3)

* Correlations conditionnelles du modèle DCC


set rho12 nbeg+1 nend = hdDCC(t)(1,2)/sqrt(hdDCC(t)(1,1)*hdDCC(t)(2,2))
set rho13 nbeg+1 nend = hdDCC(t)(1,3)/sqrt(hdDCC(t)(1,1)*hdDCC(t)(3,3))
set rho23 nbeg+1 nend = hdDCC(t)(2,3)/sqrt(hdDCC(t)(2,2)*hdDCC(t)(3,3))

Variance conditionnelle Wendys


12

10

0
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Variance conditionnelle ExxonMobil


14
12
10
8
6
4
2
0
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Variance conditionnelle ConocoPhillips


9.0
8.1
7.2
6.3
5.4
4.5
3.6
2.7
1.8
0.9
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Fig. 14.3 – Les variances conditionnelles du modèle CCC


CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 561

Variance conditionnelle Wendys


12

10

0
0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000

Variance conditionnelle ExxonMobil


12.8
11.2
9.6
8.0
6.4
4.8
3.2
1.6
0.0
0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000

Variance conditionnelle ConocoPhillips


8.4
7.2
6.0
4.8
3.6
2.4
1.2
0.0
0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000

Fig. 14.4 – Les variances conditionnelles du modèle DCC

Correlation CCC Wendys-ExxonMobil


0.7

0.6

0.5

0.4

0.3

0.2

0.1
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Correlation CCC Wendys-ConocoPhillips


0.7

0.6

0.5

0.4

0.3

0.2

0.1
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Correlation CCC ExxonMobil-ConocoPhillips


0.7

0.6

0.5

0.4

0.3

0.2

0.1
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005

Fig. 14.5 – Les corrélations du modèle CCC


CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 562

Correlation Wendys-ExxonMobil
0.48
0.40
0.32
0.24
0.16
0.08
0.00
-0.08
0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000

Correlation Wendys-ConocoPhillips
0.32
0.28
0.24
0.20
0.16
0.12
0.08
0.04
0.00
-0.04
0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000

Correlation ExxonMobil-ConocoPhillips
0.8

0.7

0.6

0.5

0.4

0.3

0.2
0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000

Fig. 14.6 – Les corrélations conditionnelles du modèle DCC