Upload
alexandersurkov
View
79
Download
0
Tags:
Embed Size (px)
Citation preview
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Modelisation de strategies en finance demarche
Seance 8 : Modelisation du rendement
Alexander Surkov, CFA, FRM, PRM, [email protected]
Ecole de gestionUniversite de Sherbrooke
Le 8 mars 2017
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Table de matiere
Modelisation du rendementApproche stochastique a la modelisation des rendementsModelisation econometrique des rendements : modelesARMAModelisation econometrique des rendements : modelesGARCH
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Table de matiere
Modelisation du rendementApproche stochastique a la modelisation des rendementsModelisation econometrique des rendements : modelesARMAModelisation econometrique des rendements : modelesGARCH
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Rendements stochastiques
I Les rendements sont senses d’etre aleatoires.
I Par exemple, les rendements logarithmiques sontfrequemment senses d’etre distribues selon la loinormale, ce qui donne le mouvement browniengeometrique pour les prix.
I Les rendements stochastiques sont utilises pourl’evaluation des produits derives (par exemple le modelede Black & Scholes) et pour la modelisation deMonte-Carlo.
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Exemple : rendements stochastiques
I Les estimations du rendement moyen et de la variance
µR = 2.7%, σR = 18.7%
I Le processus pour les rendements et les prix :
Rt = µR ·∆t + Wt · σR√
∆t, Pt = Pt−∆t · expRt
ou ∆t est l’increment du temps (disons, 1/252 ans),Wt ∼ N (0, 1).
I Matlab :
m = 100; % nombre de simulations
n = 252; % nombre d’increments du temps
R = normrnd(mu_R/n, sigma_R/sqrt(n), n, m);
P = 100*cumprod(exp(R),1);
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Exemple : Monte-Carlo
50 100 150 200 25040
60
80
100
120
140
160
180
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Table de matiere
Modelisation du rendementApproche stochastique a la modelisation des rendementsModelisation econometrique des rendements : modelesARMAModelisation econometrique des rendements : modelesGARCH
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Modeles ARMA
I Autoregressive – moving average, ARMA(p, q) :
rt = µ+
p∑i=1
θi rt−i +εt +
q∑i=1
αiεt−i , εt ∼ N(0, σ2
)I La valeur de q peut etre trouvee en utilisant la fonction
d’autocorrelation, tandis que pour determiner p, il fautanalyser la fonction d’autocorrelation partielle.
I Le modele tient compte du fait que les rendements nesont pas independants.
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Fonction d’autocorrelation
I La fonction d’autocorrelation
ACF (τ) = corr (Rt ,Rt−τ )
I La fonction d’autocorrelation partielle est la fonction decorrelation entre Rt et Rt−τ obtenue lorsque l’influencede Rt−1, Rt−2, . . ., Rt−τ+1 a ete retiree.
I Matlab :
autocorr(R); % Attention aux NaNs!
parcorr(R);
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Rendements de l’indice S&P 500 : ACF
0 5 10 15 20−0.2
0
0.2
0.4
0.6
0.8
Lag
Sam
ple
Aut
ocor
rela
tion
Sample Autocorrelation Function
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Rendements de l’indice S&P 500 : PACF
0 5 10 15 20−0.2
0
0.2
0.4
0.6
0.8
Lag
Sam
ple
Par
tial A
utoc
orre
latio
ns
Sample Partial Autocorrelation Function
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
ARMA : estimation
I Essayons ARMA(2, 2) :
Mdl = arima(2,0,2);
[eMdl,eCov,logL,info] = estimate(Mdl, R);
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
ARMA(2, 2)
ARIMA(2,0,2) Model:
--------------------
Conditional Probability Distribution: Gaussian
Standard t
Parameter Value Error Statistic
----------- ----------- ---------- ----------
Constant 0.0002685 0.0002907 0.9236
AR{1} -0.2359 0.2795 -0.84
AR{2} 0.0231 0.1216 0.1899
MA{1} 0.1226 0.2803 0.438
MA{2} -0.1022 0.1455 -0.7026
Variance 0.0001639 2.04e-06 80.33
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
ARMA : estimation
I Essayons ARMA(2, 2) :
Mdl = arima(2,0,2);
[eMdl,eCov,logL,info] = estimate(Mdl, R);
I Le critere d’information d’Akaike : AIC = −14 503.
aic = aicbic(logL, 5);
I Pour ARMA(1, 1) et AR(2), AIC = −14 507, AR(2)etant marginalement preferable
Mdl = arima(2,0,0);
[eMdl,eCov,logL,info] = estimate(Mdl, R);
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
AR(2)
ARIMA(2,0,0) Model:
--------------------
Conditional Probability Distribution: Gaussian
Standard t
Parameter Value Error Statistic
----------- ----------- ------------ -----------
Constant 0.000260 0.0002698 0.9638
AR{1} -0.1132 0.0116 -10.15
AR{2} -0.06328 0.008705 -7.269
Variance 0.000164 2.028e-06 80.8
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
ARMA :previsions
Mdl = arima(2,0,0);
eMdl = estimate( Mdl, R( 1:(end-21) ) );
[Rf,MSE] = forecast(eMdl,21, ’Y0’, R(1:(end-21)));
plot([R( (end-20):end ) Rf Rf-1.96*sqrt(MSE)...
Rf+1.96*sqrt(MSE) ]);
I Les previsions convergent tres rapidement vers lamoyenne.
I La variance conditionnelle est constante.
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
ARMA : previsions
5 10 15 20−0.03
−0.02
−0.01
0
0.01
0.02
0.03
Ren
dem
ent
Jours
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Table de matiere
Modelisation du rendementApproche stochastique a la modelisation des rendementsModelisation econometrique des rendements : modelesARMAModelisation econometrique des rendements : modelesGARCH
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
Modeles GARCH
I Le modele GARCH (generalized autoregressiveconditional heteroscedasticity) permet d’estimer lavariance conditionnelle
σ2t+1 = V (εt+1 |εt , εt−1, . . . )
I Le modele GARCH(p, q) :
rt = µ+n∑
i=1
θi rt−i + εt
εt |εt−1, εt−2, . . . ∼ N(0, σ2
t
)σ2t = ω +
p∑i=1
αiε2t−i +
q∑i=1
βiσ2t−i
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : specification (1)
I Pour determiner si l’effet ARCH est present, il fautanalyser les fonctions d’autocorrelation des residuscarres du modele ARMA retenu ou effectuer les testsstatistiques correspondants.
I Matlab :
Mdl = arima(2,0,0); % Le modele AR(2) retenu
eMdl = estimate(Mdl, R);
res = infer(eMdl, R); % Les residus
autocorr(res .^ 2); % ACF
parcorr(res .^ 2); % PACF
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : specification (2)
0 5 10 15 20−0.2
0
0.2
0.4
0.6
0.8
Lag
Sam
ple
Aut
ocor
rela
tion
Sample Autocorrelation Function
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : specification (3)
0 5 10 15 20−0.2
0
0.2
0.4
0.6
0.8
Lag
Sam
ple
Par
tial A
utoc
orre
latio
ns
Sample Partial Autocorrelation Function
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : estimation (1)
I Si l’effet ARCH est present, le modele GARCH(1, 1) esthabituellement suffisant.
I Matlab :
Mdl = arima(’ARLags’, [1 2],...
’Variance’, garch(1,1));
eMdl = estimate(Mdl, R);
% Les residus et les variances conditionnelles
[res, V] = infer(eMdl, R);
autocorr(res .^ 2 ./ V); % ACF
parcorr(res .^ 2 ./ V); % PACF
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : estimation (2)
Standard t
Parameter Value Error Statistic
----------- ----------- ------------ -----------
Constant 0.0006578 0.0001682 3.912
AR{1} -0.05994 0.02408 -2.489
AR{2} -0.01947 0.02157 -0.903
----------- ----------- ------------ -----------
Constant 2.140e-06 5.834e-07 3.668
GARCH{1} 0.8760 0.01090 80.2
ARCH{1} 0.1069 0.009236 11.58
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : estimation (3)
05 06 07 08 09 10 11 12 13 14 15−0.1
−0.05
0
0.05
0.1
0.15
Date
Ren
dem
ent
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : estimation (4)
0 5 10 15 20
Lag
-0.2
0
0.2
0.4
0.6
0.8
1
Sam
ple
Aut
ocor
rela
tion
Sample Autocorrelation Function
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : estimation (5)
0 5 10 15 20
Lag
-0.2
0
0.2
0.4
0.6
0.8
1
Sam
ple
Par
tial A
utoc
orre
latio
ns
Sample Partial Autocorrelation Function
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : previsions (1)
I Les previsions pour les rendements et pour les variancesconditionnelles :
Mdl = arima(’ARLags’, [1 2], ’Variance’,...
garch(1,1));
eMdl = estimate(Mdl, R(1:(end-21)));
[Rf, MSE, Vf] = forecast(eMdl,21, ’Y0’,...
R(1:(end-21)));
plot([R( (end-20): end) Rf Rf-1.96*sqrt(MSE)...
Rf+1.96*sqrt(MSE) sqrt(Vf)]);
I La volatilite inconditionnelle
σR =ω
1−p∑
i=1αi −
q∑i=1
βi
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : previsions (2)
5 10 15 20−0.02
−0.01
0
0.01
0.02
0.03
Ren
dem
ent
Jours
Modelisation destrategies en
finance de marche
Alexander Surkov
Modelisation durendement
Stochastique
ARMA
GARCH
GARCH : modifications
I Nombreuses modifications de GARCH existent :I Differentes formes fonctionnelles (A-GARCH,
E-GARCH. . .)I Des distributions des residus autres que la loi normale
(t GARCH)
I Modeles GARCH multivaries permettent de capturer ladynamique de la correlation.
I Evidemment, les modeles GARCH peuvent etre utilisesdans les simulations Monte-Carlo.
I Voir :I Alexander, C. Market Risk Analysis : Vol. 2. Practical
Financial Econometrics. John Wiley & Sons, Ltd., 2008.I Tsay, R.S. Analysis of Financial Time Series. John
Wiley & Sons, Inc., 2002.