WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Performance prévisionnelle de modèles de taux de change fondés sur la valeur actualisée.

( Télécharger le fichier original )
par Yves Oscar O. KADJO
Universite du Quebec a Montreal (UQAM) - MAÎTRISE ECONOMIQUE 0000
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

3.3 Méthodologie

Nous faisons d'abord une investigation des variables des modèles au moyen de l'analyse des graphiques, des statistiques descriptives et des tests statistiques de non-stationnarité et de stationnarité. Ensuite nous estimons les modèles par la méthode des moindres carrés ordinaires. Enfin nous procédons à l'étude de la prévision.

3.3.1 Tests de racines unitaires et de stationnarité

( * )

i i ? i i ( p a ? p a * ( * )

m e ? m e ( * )

y t ? y t

Le test de racine unitaire (ADF) et le test de stationnarité KPSS sont appliqués sur la variation du taux de change, les variables fondamentales et les variables d'écart3 des différents modèles. Le critère d'information d'Akaike modifié détermine le nombre optimal de retards pour les différences premières dans les équations de spécification du test ADF.

3.3.2 Estimations MCO, estimation du VAR.

Dans l'objectif de comparer notre travail à celui de James, Marsh et Sarno (2012), notre étude adopte d'abord la même méthode d'estimation que ces auteurs. Ainsi les quatre modèles de variation de taux de change sont estimés par la méthode des

28

moindres carrés ordinaires. Les coefficients estimés sont ceux de la matrice de Newey et West. Cette matrice de variance-covariance des coefficients est asymptotiquement convergente en cas d'hétéroscédasticité et d'auto-corrélation des résidus.

Les modèles estimés sont respectivement:

,

 

(3.4)

 
 

,

(3.6)

, (3.8)

, (3.9)

, (3.10)

où le vecteur X (t) est le suivant :

. (3.11)

La sélection du nombre approprié de retards dans le VAR se fait au moyen du critère d'information Akaike. On retient l'ordre du VAR qui minimise ce critère.

Notons que ces modèles sont d'abord estimés sur la base d'une fréquence mensuelle des variables et l'échantillon initial d'estimation est alors de janvier 1976 à décembre 1985. Ensuite l'étude est faite en estimant à nouveau les modèles mais sur la base d'une fréquence trimestrielle. Pour cette fréquence, l'échantillon initial d'estimation est du premier trimestre 1976 au dernier trimestre 1985. Finalement, la période de 1986 à 2014 sert à comparer la performance prévisionnelle des modèles.

29

3.3.3 Prévision

Cette section traite des approches prévisionnelles des modèles de la section précédente et de l'évaluation de la performance prévisionnelle de ceux-ci. Ces modèles sont le modèle de variation du taux de change avec parité ouverte des taux d'intérêt ( POTI), le modèle de variation du taux de change avec parité du pouvoir d'achat (PPA), le modèle de variation du taux de change avec les fondamentaux financiers (MF). Enfin, nous avons un modèle qui prend en compte le prix de l'énergie (PE).

3.3.3.1 Approches prévisionnelles

Les approches prévisionnelles appliquées aux modèles de variation de taux de change (POTI, PPA, MF, PE) sont l'approche récursive, l'approche roulante 5 ans et l'approche roulante 10 ans .

? Approche récursive

Pour la fréquence mensuelle, on estime initialement les modèles sur la période 1976m01 à 1985m12. Puis à partir de 1985m12, on fait les prévisions 1 à 12 périodes à l'avance. Ensuite on réestime les modèles sur la période 1976m01 à 1986m01. Puis à partir de 1986m01, on fait les prévisions 1 à 12 périodes à l'avance. La même procédure est répétée jusqu'à ce qu'on parcourt tout l'échantillon de prévision (1986m01-2014m12). Pour la fréquence trimestrielle, on estime initialement les modèles sur la période 1976q1 à 1985q4. Puis à partir de 1985q4, on fait les prévisions 1 à 4 périodes à l'avance. Ensuite on réestime les modèles sur la période 1976q1 à 1986q1. Puis à partir de 1986q1, on fait les prévisions 1 à 4 périodes à l'avance. La même procédure est répétée jusqu'à ce qu'on parcourt tout l'échantillon de prévision (1986q1-2014q4).

30

? Approche roulante 10 ans :

Pour les fréquences mensuelles, on estime, d'abord les modèles sur la période de 10 ans, c'est-à-dire 1976m01 à 1985m12. Puis à partir de 1985m12, on fait les prévisions 1 à 12 périodes à l'avance. Ensuite on réestime les modèles sur une autre période de 10 ans c'est-à-dire 1976m2 à 1986m1. Puis à partir de 1986m1, on fait les prévisions 1 à 12 périodes à l'avance. La même procédure est répétée jusqu'à ce qu'on parcourt tout l'échantillon de prévision ( 1986m01-2014m12). Pour la fréquence trimestrielle, on estime initialement les modèles sur la période 1976q1 à 1985q4. Puis à partir de 1985q4, on fait les prévisions 1 à 4 périodes à l'avance. Ensuite on réestime les modèles sur la période 1976q2 à 1986q1. Puis à partir de 1986q1, on fait les prévisions 1 à 4 périodes à l'avance. La même procédure est répétée jusqu'à ce qu'on parcourt tout l'échantillon de prévision ( 1986q1-2014q4). Notons que pour l'approche roulante 5ans, les modèles sont estimés initialement sur la période 1981m1-1985m12 pour la fréquence mensuelle. Concernant la fréquence trimestrielle, on fait l'estimation initiale sur la période 1981q1-1985q4.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Et il n'est rien de plus beau que l'instant qui précède le voyage, l'instant ou l'horizon de demain vient nous rendre visite et nous dire ses promesses"   Milan Kundera