1 / 23

Rapport de Statistiques Appliquées

Rapport de Statistiques Appliquées. «Etude des propriétés statistiques d’une série à haute fréquence : le Notionnel». L. Benarousse, E. Benhamou, T. Bornhauser, B. Guez. Soutenance 22/06/98 slide n°1. Plan de l’exposé. Introduction : présentation des données Statistique générale

adie
Download Presentation

Rapport de Statistiques Appliquées

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Rapport de Statistiques Appliquées «Etude des propriétés statistiques d’une série à haute fréquence : le Notionnel» L. Benarousse, E. Benhamou, T. Bornhauser, B. Guez Soutenance 22/06/98 slide n°1

  2. Plan de l’exposé • Introduction : présentation des données • Statistique générale • Adéquation à un processus ARCH • Conclusion Soutenance 22/06/98 slide n°2

  3. Présentation des Données (1) • Origine : contrat Matif sur Notionnel • 471.919 points • 1er avril 1994- 27 mars 1997 • Transformation initiale de la série • nettoyage • recollement Soutenance 22/06/98 slide n°3

  4. Présentation des Données (2) • Discrétisation de la série • 5, 10, 30 mn, 1h 30, 7h 30 • passage au logarithme (rendements) Soutenance 22/06/98 slide n°4

  5. Statistique descriptive • Similitude avec l’étude de Teiletche • Caractéristiques des séries • trend positif (moyenne positive) • skewness négative • kurtosis significativement différente de trois • Interprétation • augmentation en moyenne du cours • valeurs extrêmes négatives • présence de queues de distribution épaisses Soutenance 22/06/98 slide n°5

  6. Stationnarité des séries : Tests Tests de racine unité • Dickey Fuller Yt=Yt-1 + t • Dickey Fuller augmenté Yt=  + t + Yt-1 + iYt-i + t • KPSS Yt= t + rt + ut Soutenance 22/06/98 slide n°6

  7. Stationnarité des séries:Résultats • Forte non stationnarité de la série brute • Stationnarité de la série différenciée • Evolution avec la fréquence Soutenance 22/06/98 slide n°7

  8. Effet leptokurtique • Kurtosis • Exposant caractéristique • entre 1,3 et 1,8 • gaussienne : 2 • Effet de la fréquence Soutenance 22/06/98 slide n°8

  9. Tests d’adéquation • Tests du 2 adéquation rejetée pour les lois classiques: • normales • lognormales • weibull • Student • Tests de Kolmogorov Smirnov mêmes résultats Soutenance 22/06/98 slide n°9

  10. Saisonnalité • Etude d’une journée moyenne • Saisonnalité à 3 mois Soutenance 22/06/98 slide n°10

  11. Autocorrelogrammes de la serie originale et serie desaisonnalisee 0.30 0.25 0.20 0.15 0.10 0.05 0 100 200 300 400 500 600 0.0 Saisonnalité • Série brute et série désaisonnalisée • Coefficient de Hurst: processus à mémoire longue Soutenance 22/06/98 slide n°11

  12. Modèle ARCH (1) • Caractéristique de la série (5mn) • leptokurtique • dissymétrique • ordre de différenciation = 1 • exposant caractéristique 1,3 et 1,8 • IGARCH = modèle bien adapté. • leptokurtique • hétéroscédastique Soutenance 22/06/98 slide n°12

  13. Modèle ARCH (2) • Calibration de modèles • détermination des ordres par les corrélogrammes • tests de significativité (Student) • critère Akaïke (AIC) et Schwarz (BIC) • test de normalité : Jarque Bera • test d’autocorrélation des résidus (Ljung-Box) • test de Lagrange d’homoscédasticité Soutenance 22/06/98 slide n°13

  14. Modèle ARCH (3) • Résultats • AR(1) avec résidus ARCH • rejet de la normalité des résidus • autocorrélation des résidus • hétéroscédasticité • Modèles • ARIMA : AR(1) Xt=1.73 10-6-0.0164 Xt-1+ ~BB(0,1.21 10-7) Soutenance 22/06/98 slide n°14

  15. Modèle ARCH (4) • Modèles • ARCH (1) sur AR(1) Xt=1.567 10-7+0.0219 Xt-1+ ~BB(0,)  • GARCH(1,1) sur AR(1) Xt=2.0810-6-0.03 Xt-1+ ~BB(0,)  Soutenance 22/06/98 slide n°15

  16. Modèle ARCH (5) • Justification d’un modèle GARCH • hétéroscédasticité • augmentation sensible du critère AIC et BIC • amélioration de 1% entre ARIMA/ARCH • amélioration de 2% entre ARCH/GARCH • corrélation des résidus • leptokurticité des résidus Soutenance 22/06/98 slide n°16

  17. Modèle ARCH (6) • Défauts: • leptokurticité des résidus loi conditionnelle non normale • Student • Gaussienne généralisée • dissymétrie des données modèle à seuil et asymétrie • modèle PGARCH avec seuil • modèle TGARCH (peu intéressant) • modèle à deux composantes Soutenance 22/06/98 slide n°17

  18. Modèle ARCH (7) • Résultats • modèle le plus performant • PGARCH • avec loi de Student • et effet de seuil • amélioration des critères AIC et BIC • prise en compte des défauts Soutenance 22/06/98 slide n°18

  19. Prévision et modèles ARCH • Résultats • prévisions plates • choix de l’ensemble d’information • prévisions à horizon donné • prévisions adaptatives • point de retournement • faible influence • imprévisibilité d’un nouveau point de retournement • très grand intervalle de confiance Soutenance 22/06/98 slide n°19

  20. 128.40 128.35 128.30 0 10 20 30 40 50 128.50 128.6 128.45 128.4 128.40 128.2 128.35 128.0 128.30 127.8 0 20 40 60 80 100 0 20 40 60 80 100 Prévisions et résultats • AR(1) (1 mois) • GARCH(1,1) (10 mn) (1 heure) Soutenance 22/06/98 slide n°20

  21. 128.50 128.45 128.40 128.35 128.30 0 20 40 60 80 100 128.50 128.45 128.40 128.35 128.30 0 20 40 60 80 100 Prévisions et résultats • GARCH(1,1) (1 mois) • GARCH(1,1) (1 an et 3 mois) Soutenance 22/06/98 slide n°21

  22. 128.50 128.45 128.40 128.35 128.30 128.25 0 20 40 60 80 100 128.50 128.45 128.40 128.35 128.30 0 20 40 60 80 100 Prévisions et résultats • PGARCH(1,1) loi de Student (1 mois) • GARCH(1,1) (1 mois) Soutenance 22/06/98 slide n°22

  23. Conclusion • Impact de la fréquence de la série • Rejet de la normalité des rendements • Rejet d’adéquation à des lois classiques • Amélioration sensible de la modélisation avec un modèle PGARCH avec loi conditionnelle de Student et effet de seuil • Extensions possibles (analyse bivariée et causalité) Soutenance 22/06/98 slide n°23

More Related