Est-il possible de prévoir la VaR sur le pétrole en utilisant les modèles GARCHs ?

Dernière mise à jour : 3 janv.

Cliquez ci-dessous pour lire l'étude :

FINETUDES.GARCH.FRANCAIS
.pdf
Download PDF • 1.14MB

La volatilité des produits énergétiques fait intervenir des spécialistes dans l'estimation de la Value-at-Risk. Différents modèles, dérivés du modèle GARCH, sont utilisés indépendamment ou non : Le GARCH exponentiel (EGARCH), l'ARCH à puissance asymétrique (APARCH), le GARCH hyperbolique (HYGARCH) et le GARCH à intégration fractionnée (FIAPARCH).

Notre analyse se concentre sur la performance d'une estimation du rendement du marché et de la projection de la Value-at-Risk. Cette dernière est évaluée par rapport aux observations des prix de clôture de 1987 et décembre 2019, relatifs au WTI et au Brent.Tout d'abord, les concepts suivants sont déterminés afin d'établir la méthodologie d'analyse :

Tout d'abord, les concepts suivants sont déterminés afin d'établir la méthodologie d'analyse : les modèles ARCH, GARCH, APARCH, FIAPARCH, HYGARCH et la Value-at-Risk ; le test de précision statistique sur les projections de la Value-at-Risk (Kupiec, de Eugle et Manganelli) et les tests de mémoire longue de la volatilité (régression log-périodogramme de Geweke et Porter-Hudak, gaussienne semi-paramétrique de Robison et relation de variance de Lo & MacKinlay). Ensuite, une étude descriptive des données sur l'ensemble des observations met en évidence une distribution non gaussienne des prix de clôture, l'absence de bruit blanc et des carrés auto-corrélés. Le test de stationnarité de la série temporelle est positif tandis que l'hypothèse de racine unitaire est réfutée. Le test R/S Lo met en évidence une mémoire à long terme, confirmée par le test GPH et GDP à 95%. De plus, les tests des modèles FIGARCH, FIAPARCH, HYGARCH utilisant la distribution de Student, la loi de Student asymétrique et le modèle GARCH avec distribution gaussienne conduit dans l'échantillon mettent en évidence la performance de la distribution asymétrique t-Student, comparativement à la distribution classique. De plus, en intra et extra-échantillon, le modèle FIAPARCH s'avère être le plus proche de la Value-at-Risk.

Alors que certains modèles existants se sont avérés réellement performants sur un jour donné (APARCH), ou n'ont pris en compte que certains paramètres (comme le modèle de distribution), notre analyse démontre une performance expérimentale du modèle FIARPARCH utilisant la distribution asymétrique de la loi t-Student, considérant la queue de distribution épaisse et la mémoire à long terme, pour un horizon élevé (supérieur à 10 jours). Ces résultats sont en adéquation avec les exigences des institutions financières.

31 vues0 commentaire