Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
Télécharger au format pdf ou txt
Vous êtes sur la page 1/ 25
Université Hassan II– Casablanca
Faculté des Sciences Juridiques,
Economiques & Sociales-Mohammedia
Module : Analyse des séries chronologiques
Master Marchés Financiers et Economie Appliquée
2eme Semestre
Pr. R.EL YAMANI
Année universitaire : 2020/2021
Plan de cours
1 Généralités sur les séries chronologiques
2 Détection de de la saisonnalité et Décomposition de la série
3 Stationnarité et processus non stationnaires
4 Tests de racine unitaire
5 Identification du processus générateur ARIMA
6 Méthode de Box & Jenkin
7 Modèles ARCH
8 Modèles GARCH 2 Pr. R. EL YAMANI 3
Tests de racine unitaire
Pr. R. EL YAMANI Test de Dickey Fuller 4
Les tests de racine unitaire « Unit Root Test » permettent non
seulement de détecter l'existence d'une non-stationnarité mais aussi de déterminer de quelle non-stationnarité il s'agit (processus TS ou DS) et donc la bonne méthode pour stationnariser la série.
Modèle [3] : 𝒙𝒕 =𝜱𝟏 𝒙𝒕−𝟏 + 𝒃𝒕 + c +ԑ𝒕 Modèle autorégressif avec tendance.
Pr. R. EL YAMANI Stratégie du test de Dickey Fuller 6
Les tests de Dickey-Fuller (DF) permettent de
mettre en évidence le caractère stationnaire ou non d'une chronique par la détermination d'une tendance déterministe ou stochastique. Le test de racine unitaire consiste à tester l'hypothèse nulle de présence d'une racine unitaire contre une hypothèse alternative; 𝐻0 :Φ1 =1 (Il existe une racine unitaire, le processus n’est pas stationnaire) 𝐻1 : Φ1 <1 (Il n’existe pas une racine unitaire, le processus est stationnaire) Pr. R. EL YAMANI Stratégie du test de Dickey Fuller 7
Les modèles servant de base à la construction de ces
tests sont au nombre de trois. Le principe des tests est simple : si l'hypothèse 𝐻0 : p = 1 est retenue dans l'un de ces trois modèles, le processus est alors non stationnaire. [1] 𝑥𝑡 =Φ1 𝑥𝑡−1 +ԑ𝑡 Modèle autorégressif d'ordre 1. [2] 𝑥𝑡 = Φ1 𝑥𝑡−1 +β+ ԑ𝑡 Modèle autorégressif avec constante. [3] 𝑥𝑡 = Φ1 𝑥𝑡−1 + 𝑏𝑡 + c+ ԑ𝑡 Modèle autorégressif avec tendance. === Si l'hypothèse H₀ est vérifiée, la chronique 𝑥𝑡 n'est pas stationnaire quel que soit le modèle retenu. Pr. R. EL YAMANI Stratégie du test de Dickey Fuller 8
Dans le dernier modèle [3], si on accepte 𝑯𝟏 : 𝜱𝟏 < 1
et si le coefficient b est significativement différent de 0, alors le processus est un processus TS ; On peut le rendre stationnaire en calculant les résidus par rapport à la tendance estimée par les moindres carrés ordinaires.
Pr. R. EL YAMANI Stratégie du test de Dickey Fuller 9
Sous 𝑯𝟎 , les règles habituelles de l'inférence
statistique ne peuvent pas être appliquées pour tester cette hypothèse, en particulier la distribution de Student du paramètre Φ1 ; Dickey et Fuller ont donc étudié la distribution asymptotique de l'estimateur Φ1 , sous l'hypothèse 𝑯𝟎 . À l'aide de simulations de Monte-Carlo, ils ont tabulé les valeurs critiques pour des échantillons de tailles différentes. Ces tables sont des tables analogues aux tables du t de Student.
Pr. R. EL YAMANI La stratégie séquentielle de test
10
Pr. R. EL YAMANI Test de Dickey-Fuller
11
Pr. R. EL YAMANI Application sur les tests de racine unitaire Fichier Eviews: Application 2-Tests de racine unitaire
Pr. R. EL YAMANI 12 Exemple d’application des tests de racine unitaire 13
On demande d’appliquer les tests de non-stationnarité
sur la séries 𝐶𝐴𝐶40 (indice représentatif de l’évolution des cours de bourse) sur une période de 1160 jours. Solution Nous allons étudier le CAC40 sur 1 160 observations quotidiennes.
Pr. R. EL YAMANI Le graphique illustre l’évolution de l’indice CAC40.
CAC 14
2,300
2,200
2,100
2,000
1,900
1,800
1,700
1,600
1,500
1,400 250 500 750 1000 Pr. R. EL YAMANI Les fonctions d’autocorrélation 15
Les fonction d’autocorrélation simple et partielle,
pour h = 15 retards, sont obtenues directement sur Eviews: ViewCorrelogrammOk Date: 03/24/20 Tim e: 14:32 Sam ple: 1 1160 Included obs ervations : 1160
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
Eviews fournit les résultats des Date: 03/24/20 Time: 14:32
Sample: 1 1160 fonctions d’autocorrélation simple Included observations: 1160 (colonne AC) et partielle (colonne PAC), avec les corrélogrammes Autocorrelation Partial Correlation AC PAC Q-Stat Prob respectifs. Les bornes de l’intervalle de 1 0.989 0.989 1136.6 0.000 confiance sont stylisées par des traits 2 0.976 -0.04... 2245.7 0.000 pointillés horizontaux ; chaque terme 3 0.964 0.020 3329.0 0.000 4 0.953 0.015 4387.8 0.000 qui sort de cet intervalle est donc 5 0.941 -0.05... 5420.2 0.000 significativement différent de 0 au seuil 6 0.929 0.024 6427.5 0.000 de 5 %. Nous nous apercevons que 7 0.917 0.009 7411.2 0.000 tous les termes du corrélogramme 8 0.907 0.035 8373.4 0.000 9 0.896 -0.00... 9314.4 0.000 simple sont extérieurs à l'intervalle de 1... 0.885 -0.03... 10233. 0.000 confiance. Le processus n'est pas un 1... 0.874 -0.01... 11128. 0.000 bruit blanc (il semble même 1... 0.862 0.004 12002. 0.000 1... 0.850 -0.04... 12852. 0.000 caractéristique d'un processus non 1... 0.838 0.003 13679. 0.000 stationnaire). 1... 0.827 0.000 14483. 0.000 Pr. R. EL YAMANI Les fonctions d’autocorrélation 17
La statistique Q de Ljung-Box confirme Date: 03/24/20 Time: 14:32
Sample: 1 1160 ce fait : Included observations: 1160 Q-Stat = 14483 (au retard k = 15) > Autocorrelation Partial Correlation AC PAC Q-Stat Prob χ2 0,05;15 = 25, on refuse l'hypothèse de nullité des coefficients ρk (la 1 0.989 0.989 1136.6 0.000 probabilité critique de ce test est 2 0.976 -0.04... 2245.7 0.000 3 0.964 0.020 3329.0 0.000 indiquée αc = 0,000 < 0,05, donc on 4 0.953 0.015 4387.8 0.000 refuse H0). Le processus CAC40 n'est 5 0.941 -0.05... 5420.2 0.000 pas un bruit blanc. A partir des tests de 6 0.929 0.024 6427.5 0.000 Dickey-Fuller nous allons examiner si 7 0.917 0.009 7411.2 0.000 8 0.907 0.035 8373.4 0.000 le processus est non stationnaire. 9 0.896 -0.00... 9314.4 0.000 1... 0.885 -0.03... 10233. 0.000 1... 0.874 -0.01... 11128. 0.000 1... 0.862 0.004 12002. 0.000 1... 0.850 -0.04... 12852. 0.000 1... 0.838 0.003 13679. 0.000 1... 0.827 0.000 14483. 0.000 Pr. R. EL YAMANI Test de Dickey-Fuller Augmenté 18
Le test de Dickey-Fuller consiste à estimer les trois
modèles:
• [1] : CACt − CACt−1 = DCACt = (φ1 − 1) CACt−1
• [2] : CACt − CACt−1 = DCACt = (φ1 − 1) CACt−1 +
c
• [3] : CACt − CACt−1 = DCACt = (φ1 − 1) CACt−1 +
c + bt
Pr. R. EL YAMANI Test de Dickey-Fuller Augmenté 19 On commence toujours par le 3ème modèle : ViewUnit Root test Cocher Trend and IntreceptOk Null Hypothesis: CAC40 has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=22)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.053788 0.5705
Dependent Variable: D(CAC40) Method: Least Squares Date: 03/24/20 Time: 14:37 Sample (adjusted): 2 1160 Included observations: 1159 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CAC40(-1) -0.008447 0.004113 -2.053788 0.0402
C 14.93911 7.437617 2.008589 0.0448 @TREND("1") 0.002103 0.001896 1.108866 0.2677
Le coefficient de la droite de tendance n’est pas Tendance :
significativement différent de 0 (t∗ = 1,108< t- 𝑯𝟎 : b = 0 tabulée = 3,11 au risque de 5%.), on rejette 𝑯𝟏 : b ≠ 0 l’hypothèse d’un processus TS. Pr. R. EL YAMANI Test de Dickey-Fuller Augmenté 20
On passe à l’estimation du modèle 2 : ViewUnit Root test Cocher IntreceptOk
Null Hypothesis: CAC40 has a unit root Exogenous: Constant Lag Length: 0 (Automatic - based on SIC, maxlag=22)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.805839 0.3779
Dependent Variable: D(CAC40) Method: Least Squares Date: 03/24/20 Time: 15:08 Sample (adjusted): 2 1160 Included observations: 1159 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CAC40(-1) -0.007093 0.003928 -1.805839 0.0712
C 13.63563 7.344864 1.856485 0.0636
Constante : Le terme constant n’est pas significativement différent de 0 (t∗ = 1,85< t-tabulée = 2,83 au risque de 5%), on 𝑯𝟎 : c = 0 rejette l’hypothèse d’un processus DS avec dérive et 𝑯𝟏 : c ≠ 0 tˆφ1 = −1,805 > t-tabulée = −2,86 ; on accepte l’hypothèse H0 ; le processus n’est pas stationnaire. Pr. R. EL YAMANI Test de Dickey-Fuller Augmenté 21
On passe à l’estimation du modèle 1 : ViewUnit Root test Cocher NoneOk
Null Hypothesis: CAC40 has a unit root Exogenous: None Lag Length: 0 (Automatic - based on SIC, maxlag=22)
t-Statistic Prob.*
0.536641 0.8318 Augmented Dickey-Fuller test statistic Test critical values: 1% level -2.566959 5% level -1.941097 -1.941097 10% level -1.616515
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(CAC40) Method: Least Squares Date: 03/24/20 Time: 15:22 Sample (adjusted): 2 1160 Included observations: 1159 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CAC40(-1) 0.000174 0.000324 0.536641 0.5916
Racine unitaire : t = 0,536 > t = −1,941 , on accepte ˆφ1 tabul´e
𝑯𝟎 : φ1 ≥ 1 Admet une racine unitaire
l’hypothèse 𝑯𝟎 ; le processus n’est pas stationnaire.== Il s’agit d’un 𝑯𝟏 : φ1 < 1 N’admet pas une racine unitaire processus DS sans dérive. Pr. R. EL YAMANI Test de Phillips et Perron (1988) 22
Nous procédons ensuite au test de Phillips-Perron
Les probabilités critiques sont toutes supérieures à 0,05, nous ne rejetons pas l’hypothèse H0 ; nous pouvons donc conclure que le processus CAC40 possède une racine unitaire et il n’est pas, donc, stationnaire.
Pr. R. EL YAMANI Test KPSS (1992) 23
Enfin, nous procédons aux tests KPSS
La statistique LM est supérieure à la valeur critique (pour un seuil de 5%) pour les deux spécifications, nous rejetons l’hypothèse H₀, le processus CAC40 possède donc une racine unitaire.
Pr. R. EL YAMANI Conclusion 24
Tous les résultats sont convergents, nous pouvons donc
conclure que le processus CAC40 n’est pas stationnaire. S’agit-il d’un processus de marche au hasard sans dérive ? Nous allons le vérifier en calculant le corrélogramme de la série filtrée par les différences premières ceci afin de stationnariser le processus : DCACt = CACt – CACt–1.
Pr. R. EL YAMANI Conclusion 25
L’on notera que le test ADF est efficace en présence
d’autocorrélation des erreurs, Le test PP est conseillé en présence d’erreurs hétéroscédastiques, Le test AZ est adapté pour des séries qui sont victimes de changement de régime (rupture de tendance) identifié de façon endogène, et Le test KPSS décompose une série en trois composantes (partie déterministe, partie aléatoire, bruit blanc) avec l’hypothèse nulle de stationnarité.
