Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Modèles ARCH et GARCH : Prévisions de volatilité

Description

Cette séance de cours couvre les modèles ARCH (autorégressifs conditionnellement hétéroscédastiques) et GARCH (ARCH généralisé), qui sont essentiels pour les changements quotidiens des facteurs de risque. L'instructeur explique les propriétés, l'estimation des paramètres et la prévision de la volatilité à l'aide de ces modèles.

Enseignant·e·s (2)

Damir Filipovic

Damir Filipovic holds the Swissquote Chair in Quantitative Finance and is Swiss Finance Institute Professor at the Ecole Polytechnique Fédérale de Lausanne (EPFL), Switzerland. Prior to this, he was head of the Vienna Institute of Finance and professor at the University of Vienna. He previously held the chair of financial and insurance mathematics at the University of Munich, and he was on the faculty of Princeton University. He received his Ph.D. in mathematics from ETH Zurich in 2000. Damir Filipovic worked as a scientific consultant for the Swiss Federal Office of Private Insurance from 2003 to 2004. There he co-developed the Swiss Solvency Test, which defines the regulatory capital requirement for all Swiss based insurance companies and groups. He is on the editorial board of several academic journals. His research interests include the term structure of interest rates, credit and volatility risk, quantitative methods in risk management, and stochastic processes. His papers have been published in a variety of academic journals including the Journal of Financial Economics, Mathematical Finance, Finance and Stochastics, and the Annals of Applied Probability. He is the author of a textbook titled Term-Structure Models.

Semyon Malamud

Source officielle

Concepts associés (32)

Volatilité stochastique

La volatilité stochastique est utilisée dans le cadre de la finance quantitative, pour évaluer des produits dérivés, tels que des options. Le nom provient du fait que le modèle traite la volatilité du sous-jacent comme un processus aléatoire, fonction de variables d'états telles que le prix du sous-jacent, la tendance qu'a la volatilité, à moyen terme, à faire revenir le prix vers une valeur moyenne, la variance du processus de la volatilité, etc.

Volatility smile

Volatility smiles are implied volatility patterns that arise in pricing financial options. It is a parameter (implied volatility) that is needed to be modified for the Black–Scholes formula to fit market prices. In particular for a given expiration, options whose strike price differs substantially from the underlying asset's price command higher prices (and thus implied volatilities) than what is suggested by standard option pricing models. These options are said to be either deep in-the-money or out-of-the-money.

Hétéroscédasticité

En statistique, l'on parle d'hétéroscédasticité lorsque les variances des résidus des variables examinées sont différentes. Le mot provient du grec, composé du préfixe hétéro- (« autre »), et de skedasê (« dissipation»). Une collection de variables aléatoires est hétéroscédastique s'il y a des sous-populations qui ont des variabilités différentes des autres. La notion d'hétéroscédasticité s'oppose à celle d'homoscédasticité. Dans le second cas, la variance de l'erreur des variables est constante i.e. .

Maximum de vraisemblance

En statistique, l'estimateur du maximum de vraisemblance est un estimateur statistique utilisé pour inférer les paramètres de la loi de probabilité d'un échantillon donné en recherchant les valeurs des paramètres maximisant la fonction de vraisemblance. Cette méthode a été développée par le statisticien Ronald Aylmer Fisher en 1922. Soient neuf tirages aléatoires x1, ..., x9 suivant une même loi ; les valeurs tirées sont représentées sur les diagrammes ci-dessous par des traits verticaux pointillés.

Théorie de l'estimation

En statistique, la théorie de l'estimation s'intéresse à l'estimation de paramètres à partir de données empiriques mesurées ayant une composante aléatoire. Les paramètres décrivent un phénomène physique sous-jacent tel que sa valeur affecte la distribution des données mesurées. Un estimateur essaie d'approcher les paramètres inconnus à partir des mesures.

Afficher plus

Séances de cours associées (31)

Gestion quantitative des risques : modélisation de la volatilité

Couvre la modélisation de la volatilité dans la gestion des risques, y compris l'ARMA, l'ARCH, les modèles GARCH, la représentation causale et la prévision.

Mémoire longue et ARCH: Séries chronologiques Math 342

Explore la mémoire longue dans les séries temporelles et les processus d'hétéroskédasticité conditionnelle autorégressive dans les données financières.

Modèles probabilistes pour la régression linéaire

Couvre le modèle probabiliste de régression linéaire et ses applications dans la résonance magnétique nucléaire et l'imagerie par rayons X.

Régression linéaire : estimation et inférence

Explore l'estimation de régression linéaire, les hypothèses de linéarité et les tests statistiques dans le contexte de la comparaison de modèles.

Régression linéaire : estimation et test

Explore l'estimation de régression linéaire, les tests d'hypothèses et les applications pratiques en statistique.

Afficher plus

Concepts associés (32)

Volatilité stochastique

Volatility smile

Hétéroscédasticité

Maximum de vraisemblance

Théorie de l'estimation

Afficher plus