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.
544
CHAPITRE 14. MODÈLES ARCH MULTIVARIÉS 545
vec (Ht ) = (h11t , h21t , h31t , h12t , h22t , h32t , h13t , h23t , h33t )0 (14.6)
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.
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.
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
(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.
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
où
−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 ).
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
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
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
*******************************************************************
* 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))
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
10
0
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005
10
0
0 250 500 750 1000 1250 1500 1750 2000 2250 2500 2750 3000
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
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
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 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