4.2 Modélisation
4.2.10 Critères de choix des modèles
A…n de valider les performances des modèles, nous procédons au diagnostique des
critères de choix issus de chacune des modélisations comme suit :
-Erreur absolue moyenne : M AE = N1 PNi=1jyi ybij :
-Racine de l’erreur quadratique moyenne : RM SE = q 1 N PN i=1(yi ybi) 2 .
-Erreur absolue moyenne en pourcentage : M AP E =PNi=1 yi byi yi
:
-R2 ajuste donnée par : R2 = (n 1) R
2 p
n (p + 1) où p esl le nombre de variables explicatives dans le modèle.
-Erreur de somme de régression SEE.
-Critère de Schwarz : BIC = n ln (SEE) + k ln (n) :
Remarque 4.4 : Pour qu’un modèle de prévision soit jugé performant il faut
que les indicateurs suivants : BIC; SEE; RM SE; M AE; M AP E soient petits et
modèles AdjuR2 SEE BIC RMSE MAE MAPE
MA(19) 0.338647 0.003193 -8.168226 0.003682 0.002612 1.054673
ARMA(8,15) 0.347783 0.003045 -8.146117 0.003329 0.002387 1.374679
ARCH(2) 1.000000 7.94E-15 -61.87603 7.79E-15 5.38E-15 3.19E-15
GARCH(2,1) 1.000000 1.20E-15 -65.48819 1.18E-15 8.33E-16 4.85E-16
Tableau 10 : Comparaison Dollar
modèles Adju R2 SEE BIC RMSE MAE MAPE
MA(23) 0.253387 1.824437 4.620721 1.954451 1.551150 1.113412
ARMA(10,13) 0.303334 1.721631 4.531454 1.891137 1.477115 2.613360
ARCH(2) 1.000000 2.18E-16 -69.09017 2.14E-16 1.19E-16 8.32E-19
GARCH(2,1) 1.000000 2.17E-17 -73.68439 2.12E-17 2.69E-18 2.47E-18
Fig. 4.2:
Après une lecture visuelle des …gures 4.2 et 4.3 les séries prévues du Euro/dollar
sont presque identiques aux séries d’observations. De cette application, on remarque
l’exactitude des prévisions du modèle GARCH (2; 1) non linéaire par rapport aux
modèles linéaires M A; ARM A, cependant les modèles non linéaires sont meilleurs
par rapport aux modèles linéaires classiques. Aussi, nous pouvons conclure que les
Conclusion et Perspectives
A l’issus de cette étude, nous constatons que les séries de rendement du taux de
change du dinar algérien contre le dollar américain et l’euro sont plus étalées et plus
pointues. L’étude de la volatilité montre l’existence d’une persistance de chocs sur la
volatilité future.
Ainsi, nous avons remarqué aussi, que les modèles asymétriques, tel que T GARCH,
P ARCH, et EGARCH sont moins performants que les modèles ARCH; GARCH
et IGARCH symétriques, ceci ne con…rme pas l’e¤et asymétrique des chocs sur la
volatilité (l’e¤et levier), ce résultat est di¤érent des études précédentes sur la non pré-
sence de l’e¤et levier sur le marché des changes. De plus, on constate que les modèles
non linéaires sont meilleurs que les modèles linéaires classiques.
D’après la partie pratique, nous avons constaté la diversité des modèles autoré-
gressifs pour des périodes de courts et longs termes dont la volatilité est plus faible
pour les périodes de courts termes.
Par la suite, il serait intéressant d’étudier les composantes permanentes et tran-
sitoires du taux de change, ainsi que l’existence des phénomènes de mémoire longue
au moyen des modèles ARCH:
Aussi nous pouvons dans nos recherches futures de modéliser des cas plus généraux
à savoir :
-La covariance conditionnelle, en utilisant des processus de type GARCH multi-
-Les swaps de volatilité pour les prévisions des risques de porte¤eilles du marché
Bibliographie
[1] Andersen, T.G. and B. E. Sørensen (1996) : "GMM Estimation of a Stochastic
Volatility Model : A Monte Carlo Study." Journal of Business and Economic
Statistics 14, 328–352.
[2] Adewole Adetunji Philip and all. Arti…cial Neural Network Model for Forecasting
Foreign Exchange Rate ,World of Computer Science and Information Technology
Journal (WCSIT), Vol. 1, No. 3,110-118, (2011).
[3] Black, F and M, Scholes. The pricing of option and corporate liabilities. Journal
of Political Economy 81,pages 637-659 (1973).
[4] Bollerslev, T.P. (1986) : "Generalized Autoregressive Conditional Heteroskedas-
ticity," Journal of Econometrics, 31, 309–328.
[5] Broadie.M and Jain.A. The e ect of jumps and discrete sampling on volatility
and variance swaps. International Journal of Theoretical and Applied Finance,
11(8) :761-797 (2008).
[6] Brockhaus, O. and Long, D. "Volatility swaps made simple", RISK, January,
[7] Brooks, C. GARCH Modelling in …nance : A review of the software options,
Economic Journal : 107(443) 1271-1276 (1997).
[8] Brooks, C. and S. P. Burke. Forecasting exchange rate volatility using conditional
variance models selected by information criteria. Economics Letters 61 : 273-278
(1998).
[9] Cox, J., Ingersoll, J. and Ross, S. "A theory of the term structure of interest
rates", Econometrica 53, 385-407 (1985).
[10] Cem Kadilar. Muammer Simsek. Cagdas Hakan Aladag.Forecasting The Ex-
change Rate Series With Ann : The Case Of Turkey, Econometrics and Sta-
tistics e-Journal, Department of Econometrics, Faculty of Economics, Istanbul.
University, vol. 9(1), pages 17-29(2009).
[11] Clements, Michael P, Franses. Philip Hans. Swanson, Norman R. Forecasting
economic and …nancial time-series with nonlinear models, International Journal
of Forecasting, Elsevier, vol. 20(2), pages 169-183, (2004).
[12] Dueker, M.J. (1997) : "Markov Switching in GARCH processes and Mean-
Reverting Stock Market Volatility, " Journal of Business and Economic Statistics
15, 26–34.
[13] Damien, L. Bernard, L. Introduction au Calcul Stochastique Appliqué a la Fi-
nance. Ellipses-édition marketing S. A. 1997.
change prices with the autoregressive conditional duration model.Journal of Em-
pirical Finance,4(3),pp.187-212(1997).
[15] Ezzebsa, A. Zeghdoudi, H. Remita, M. Nedjar, S. Around ARCH/GARCH mo-
dels and their application to exchange rate volatility. Inernational Journal of
Statistics and Economics, Vol 11 N 2 , 44-60 (2013).
[16] Ezzebsa, A. Zeghdoudi, H. Some Applications of Garch Models On a Foreign
Exchange Rate Volatility and a Price Index. Submited (2013).
[17] Johnson, H. and Shanno, D. Option pricing when the variance is changing, J.
Finan. Quantit. Anal. 22,143-151 (1987).
[18] Heston, S."A closed-form solution for options with stochastic volatility with ap-
plications to bond and currency options, Review of Financial Studies, 6, 327-343
(1993).
[19] Ikeda, N. and Watanabe, S. Stochastic Di¤erential Equations and Di¤usion Pro-
cesses, Kodansha Ltd., Tokyo (1981).
[20] Liu J., Li W.K. and C.W. Li. "On a Threshold Autoregression with Conditional
Heteroskedastic Variances," Journal of Statistical Planning and Inference, 62,
279–300 (1997).
[21] Nelson, D.B. "ARCH Models as Di¤usion Approximations," Journal of Econo-
[22] Palma, W. Chan, N. H. E¢ cient estimation of seasonal long-range-dependent
processes. Journal of Time Series Analysis, 26(6), 863-892 (2005).
[23] Shephard, N. Statistical Aspects of ARCH and Stochastic Volatility (1996).
[24] Taylor, S. Modelling Financial Time Series, New-York : Wiley. (1986)
[25] Weiss, A.A. ARMA Models with ARCH Errors. Journal of Time Series Analysis
5, 129–143. (1984).
[26] Weiss, A.A. "Asymptotic Theory for ARCH Models : Estimation and Testing,"
Econometric Theory, 2, 107–131. (1986)
[27] Zakoïan, J.M. "Threshold Heteroskedastic Models," Journal of Economic Dyna-
mics and Control, 18, 931–955. (1994)
[28] Zeghdoudi, H. Lallouche, A.Remita, M,R. On Volatility Swaps for stock market