Cours um2 séance 4

357 vues

Publié le

Publié dans : Formation
0 commentaire
1 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
357
Sur SlideShare
0
Issues des intégrations
0
Intégrations
8
Actions
Partages
0
Téléchargements
17
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Cours um2 séance 4

  1. 1. Modélisation ARMA-GARCH Master 1 NRJ F.BENHMAD 2013-2014
  2. 2. Introduction
  3. 3. 1/Modélisation ARMA : Box and Jenkins (1970)
  4. 4. 1/Modélisation ARMA : Box and Jenkins (1970)
  5. 5. Skewness / Kurtosis
  6. 6. Skewness / Kurtosis
  7. 7. On remarque que le skewness est -0.21 <0 , le kurtosis est 8.05 >3. La probabilité d’occurrence d’événements extrêmes est donc très élevée. La distribution est leptokurtique (ques épaisses ou lourdes, heavy/fat tails, tail effect) et asymétrique (rendements réagissent davantage à un choc négatif qu’à un choc positif ; volatilité plus forte après une baisse des rendements qu’après une hausse). ASYMETRIE// NONLINEARITE Cela témoigne d’une très forte volatilité (excess volatility). L’un des effets stylisés des rendements des actifs financiers y compris le pétrole est l’alternance de périodes de haute volatilité et de périodes de basse volatilité (Mandelbrot, 1963). C’est le phénomène d’agglomération ou d’amas de volatilité (volatility clustering) dont témoigne l’hétéroscédasticité. Il faut donc modéliser l’équation de la variance des résidus de DLOIL(t) par les modèles GARCH . General Autoregressive Conditional Heteroscedasticity

×