Abonnez-vous à DeepL Pro pour traduire des fichiers plus volumineux.

Visitez www.DeepL.com/pro pour en savoir plus.

Journal of Forecasting, J. Forecast. (2016)

Publié en ligne dans Wiley Online Library (wileyonlinelibrary.com) DOI : 10.1002/for.2454

Modèles de volatilité réalisée à paramètres variables dans le temps

YUDONG WANG,1 ZHIYUAN PAN2,3* ET CHONGFENG WU4

1
École d'économie et de gestion, Université des sciences et technologies de Nanjing, Chine
2
Institut d'études financières chinoises, Université de finance et d'économie du Sud-Ouest,
Chengdu, Sichuan, Chine
3
Centre d'innovation collaborative pour la sécurité financière, Chengdu, Sichuan, Chine
4
Antai College of Economics and Management, Shanghai Jiao Tong University, Chine

RÉSUMÉ
Dans cet article, nous introduisons le coefficient fonctionnel dans les modèles de volatilité autorégressive hétérogène
réalisée (HAR-RV) pour faire évoluer les paramètres dans le temps. Une statistique non paramétrique est développée
pour effectuer un test de spécification. Les résultats de la simulation montrent que notre test a une taille fiable et une
bonne puissance. En utilisant le test proposé, nous trouvons une propriété de variation temporelle significative des
coefficients des modèles HAR-RV. Les modèles à paramètres variables dans le temps (TVP) peuvent être nettement
plus performants que leurs homologues à coefficients constants pour des horizons de prévision plus longs. La
capacité prédictive des modèles TVP peut être améliorée en tenant compte de l'information VIX. Copyright © 2016
John Wiley & Sons, Ltd.

MOTS CLÉS volatilité réalisée ; paramètre variable dans le temps ; modèle autorégressif hétérogène de
volatilité réalisée ; test de spécification ; prévision

INTRODUCTION

L'introduction de la volatilité réalisée (RV) ou variance réalisée ouvre une nouvelle ère de prévision et de modélisation
de la volatilité des marchés financiers (Andersen et Bollerslev, 1998 ; Andersen et al., 2000,2001a,b, 2003). Cette
mesure non paramétrique de la volatilité, définie comme la somme de tous les rendements intrajournaliers au carré
disponibles, est considérée comme une meilleure approximation de la volatilité réelle non observée que les rendements
quotidiens au carré. Il n'est donc pas surprenant qu'un large éventail de modèles de volatilité soit développé pour saisir
et prévoir la dynamique de la VR (voir, par exemple, Andersen et al., 2005, 2007, 2011 ; Barndorff-Nielsen, 2002 ;
Bollerslev et al., 2016 ; Corsi, 2009 ; Corsi et al., 2010 ; Deo et al., 2006 ; Fleming et al., 2003 ; Patton et Sheppard,
2015).
Parmi les modèles pour la VR, la volatilité autorégressive hétérogène réalisée (HAR-RV) développée par Corsi
(2009) est l'un des plus populaires. HAR-RV est une régression prédictive qui prend la VR quotidienne, hebdomadaire
et mensuelle retardée comme variable explicative de la VR future. La simulation et les résultats empiriques de Corsi
(2009) suggèrent que la HAR-RV simple peut prendre en compte certains "faits stylisés" de la volatilité financière tels
que la mémoire longue, le multiscaling et la distribution à queue grasse. Étant donné les bonnes performances de la
HAR-RV dans la modélisation et la prévision de la volatilité, une série d'extensions significatives ont été proposées sur
la base de différentes méthodologies de décomposition de la VR. Par exemple, Andersen et al. (2007) décomposent la
VR quotidienne en une trajectoire d'échantillon continue et une composante de saut significative, et le modèle HAR-
RV-CJ qu'ils proposent utilise ces deux composantes comme prédicteurs de la VR future. Corsi et al. (2010)
améliorent la méthode de décomposition d'Andersen et al. (2007) en introduisant un nouveau seuil de variation de la
bipuissance pour estimer la composante de saut et développent un modèle HAR-RV-TCJ en conséquence.
Dans ce document, nous travaillons avec HAR-RV et ses diverses extensions en contribuant à la littérature dans
trois dimensions. Premièrement, nous introduisons le coefficient fonctionnel dans les modèles de volatilité existants
pour faire évoluer les paramètres dans le temps. Il est bien connu que la dynamique de la volatilité a toujours connu
des ruptures structurelles (voir, par exemple, Baner- jee et Urga, 2005 ; Granger et Hyung, 2004 ; Lamoureux et
Lastrapes, 1990 ; Liu et Maheu, 2008 ; Rapach et Strauss, 2008). Les modèles existants de type HAR-RV sont des
régressions prédictives avec un coefficient constant et ne peuvent donc pas saisir les changements dans les relations
prédictives (Wang et al., 2016). Nous améliorons les modèles HAR-RV existants en tenant compte de la propriété de
variation temporelle des paramètres. Récemment, des régressions prédictives à paramètres variables dans le temps
(TVP) ont été utilisées pour prévoir la volatilité réalisée (voir, par exemple, Wang et al., 2016) et les rendements des
actifs financiers (Dangl et Halling, 2012). Leurs modèles TVP sont similaires aux modèles espace-état en supposant
Copyright © 2016 John Wiley & Sons, Ltd
que le processus de paramétrage est une marche aléatoire sans dérive et ne tire parti que des informations passées sur
les changements de paramètres. Récemment, Chen et al. (2013) ont également proposé un modèle TVP HAR-RV en
supposant que les coefficients sont dominés par le temps t . Notre modèle diffère de leurs spécifications dans la mesure
où la variation des paramètres est fonction de certaines variables explicatives et peut donc inclure davantage
d'informations supplémentaires. Nous montrons explicitement les estimateurs des paramètres du modèle TVP HAR-RV
en supposant que les coefficients sont dominés au temps t .

H
Correspondance à : Institute of Chinese Financial Studies, Southwestern University of Finance and Economics, Chengdu, Sichuan, Chine.
Courrier électronique : [email protected]

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
Le modèle TVP proposé et la normalité asymptotique de ces estimateurs sont également démontrés. Les résultats de la
simulation suggèrent que les estimateurs peuvent capturer de manière adéquate la dynamique du véritable coefficient.
La deuxième contribution consiste à fournir une statistique non paramétrique pour un test de spécification de
modèle. Notre test s'appuie sur la méthodologie de Cai et al. (2000) et peut être mis en œuvre en comparant les résidus
entre un modèle TVP et son modèle correspondant à coefficient constant. Les résultats de la simulation suggèrent que
notre statistique présente une taille fiable et une bonne puissance pour tester la mauvaise spécification des modèles
HAR-RV.
L'analyse empirique constitue notre troisième contribution. Nous fournissons un exemple montrant que les modèles
proposés con- tribuent une nouvelle stratégie pour étudier si la volatilité implicite contient des informations pertinentes
sur la volatilité future. Cette question a été examinée dans un nombre considérable d'études existantes (voir, par
exemple, Bandi et Perron, 2006 ; Chatrath et al., 2015 ; Fleming, 1998 ; Jorion, 1995 ; Jiang et Tian, 2005). Les
données à haute fréquence sur 5 minutes de l'indice S&P 500 et l'indice quotidien de volatilité implicite CBOE (VIX)
sont collectés pour effectuer une analyse empirique. Nous considérons deux classes de modèles pour la volatilité
réalisée des rendements de l'indice S&P 500, et leurs paramètres sont affectés par différentes variables. Dans la
première classe de modèles, les paramètres sont la fonction de la variable avec un processus de marche aléatoire, tandis
que la deuxième classe de modèles prend en plus l'information VIX passée comme facteur potentiel de variation des
coefficients dans le temps. Les résultats des tests de spécification en échantillon montrent que le modèle TVP modélise
la dynamique de la capitalisation de la VR bien mieux que les modèles HAR-RV à coefficients constants. En outre, les
modèles TVP sont appliqués pour générer des prévisions de volatilité hors échantillon. Nous utilisons deux fonctions
de perte robustes pour évaluer la précision des prévisions pour les horizons de 1 jour, 5 jours et 22 jours. Nos résultats
indiquent que les modèles TVP dont les coefficients sont déterminés par des variables aléatoires peuvent être plus
performants que leurs homologues à coefficients constants pour la prévision de la volatilité réalisée pour des horizons
plus longs. La probabilité que chaque modèle TVP génère des prévisions de volatilité plus précises que le modèle à
coefficients constants est également significativement supérieure à 0,5 pour les horizons de 5 et 22 jours. Ce résultat
indique que les prévisions de volatilité issues du modèle TVP sont plus fiables dans la plupart des cas. Il est intéressant
de noter que les modèles TVP qui utilisent l'information de la volatilité implicite génèrent des prévisions de volatilité
plus précises que les modèles TVP dont les paramètres sont régis par un comportement de marche aléatoire. Nous
pouvons donc conclure que le VIX peut fournir des informations utiles sur la volatilité future réalisée.
Le reste du présent document est organisé comme suit. La section suivante présente la méthodologie de notre TVP
HAR-
RV et démontre la normalité asymptotique de l'estimateur des paramètres. La troisième section présente le nouveau
test de spécification et montre la performance de l'échantillon fini du test proposé. Dans la quatrième section, nous
utilisons le modèle proposé et le test de spécification pour étudier le contenu informatif de la volatilité implicite des
options. La dernière section conclut le document.

MODÈLES ÉCONOMÉTRIQUES

Spécifications du modèle
Nous modélisons le log-RV plutôt que le RV brut proposé par Corsi (2009) car le logarithme du RV peut garantir des
prévisions de volatilité positives et réduit l'hétéroscédasticité conditionnelle. Motivés par le fait que la relation
prédictive est susceptible de connaître des ruptures structurelles, nous construisons le modèle de volatilité réalisée
suivant avec des paramètres variables dans le temps :1

log RVt D β0 (Zt—1 ) C βd (Zt—1 ) log RVt—1 C βw (Zt—1 ) log RVt—

(1)
5;t—1

C βm (Zt—1 ) log RVt—22;t—1 C 't , t D l, . . . , T

où RVt—k;t—1 D k—1 Pk (RV
i t—i
), ¹'t º sont i.i.d. avec une moyenne de 0 et une variance ơ2 . ˇ D ˇ(Zt—1 )
=1
D [β0 (Zt—1 ),
βd (Zt—1 ), βw (Zt—1 ), βm (Zt—1 )]r sont les quatre coefficients fonctionnels inconnus, qui peuvent varier dans le
temps sous l'effet du facteur Zt—1 . Ici, Zt—1 désigne une variable explicative qui entraîne les changements de
coefficients. Notez que nous
D commencerons avec t 23 pour que le dernier terme RVt—22;t—1 ait une valeur dans la
pratique.
Pour estimer ˇ(Zt—1 ), nous utilisons une procédure d'ajustement par approximation linéaire locale proposée à
l'origine par Stone (1977),
étendue par Fan (1992, 1993), Fan et Gijbels (1996) et d'autres, qui est une méthode populaire pour traiter les
problèmes de temps et d'espace.
modèles à coefficients variables (Aslanidis et Casas, 2013 ; Cai et al., 2000, 2015 ; Rohan et Ramanathan, 2013).
Pour plus de détails, nous supposons que chaque fonction βk (-), k 2 ¹0, d, r, mº a une dérivée seconde continue
Copyright © 2016 John Wiley & Sons, Ltd
en tout point
Y. Wang, donné
Z. Pan et C. Wu
', de sorte qu'une fonction linéaire2 peut être adoptée pour approximer βk (-) comme suit
βk (Zt—1 ) ≈ ak C bk (Zt—1 - '), k 2 ¹0, d, r, mº (2)

où ak βk D(') et bk ∂βk (')/∂'. aw , a )mr et ˇ(1/ (') (b0 , bd , D

D Ainsi, ˇ(') (a0 , ad ,D bw , b )mr , où l'exposant (i)
désigne la i ème dérivée de ˇ.

1 Notre spécification de modèle peut être étendue à HAR-RV avec des composantes de saut dans lesquelles les propriétés des estimateurs restent
valables en utilisant la même compétence de la preuve.
2 Une estimation polynomiale du noyau est également possible, mais une approximation linéaire locale ou cubique locale est suggérée dans la

pratique. Nous adoptons donc une approximation linéaire locale dans ce document ; voir Wand et Jones (1995) pour une discussion détaillée.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
Avant d'introduire nos procédures d'estimation et nos propriétés asymptotiques, nous définissons d'abord quelques
notations. Soit Y = (log RV1 , log RV 2 ,..., log RVT )r et W´ = diag(k((Z0 - ')/ h), k((Z1 - ')/ h), . . . , k((Z
T—1 - ')/ h)), où k(-) représente une fonction noyau sur R et h est une largeur de bande contrôlant le degré de lissage.
1

La matrice X est de 4 × T, et sa t e ligne est égale à Xt = (l, log RVt—1 , log RVt—5;t—1 , log RV )t—22;t—1r . Le
vecteur Z˜ est T × l, et son t e élément est Z˜ t = (Zt—1 - ') :
0 Z˜ Z˜ Z˜ Z˜1X1;41
X1;1 X1;2 X1;3
1X1;1 1X1;2 1X1;3 Z˜2X2;4
X1;4 X2;1 X2;2
C (3)
X2;3 X2;4 Z˜ Z˜ Z˜
X˜ =
B 2X2;1 2X2;2 2X2;3
@ . . . . . . . . A
XT;1 XT;2 XT;3 XT;4 Z˜ T XT;1 Z˜ T XT;2 Z˜ T XT;3 Z˜ T XT;4

où Xi;j est l'élément de la matrice X avec la i e ligne et la j e colonne, de même que Z˜ i .

Pour obtenir les estimations, nous pouvons résoudre le problème de minimisation suivant

min(Y - X˜ ①)r W(Y - X˜ ①) (4)

B

où ①①(') d , aw , am , b0 , bd , bw , b )m . Il est évident que cette estimation peut être obtenue par une
= (a0 , a=
r

technique de régression des moindres carrés pondérés h avec des poids k (1/2Zi—´ ). C'est-à-dire :

①ˆ = ①ˆ (') = ( X˜ rWX˜ )—1 X˜ rWY (5)

R∞
Pour étudier les propriétés asymptotiques de ①ˆ , nous introduisons d'abord quelques notations. Soit μi;j = ui
-∞

k(u)j du, i, j =
0, l, 2, Ω(') = E(Xt Xt |Zt = '), ơ (', x) = E('
r 2
t
2 |Z = ', X = x), Ω* = E(X Xr ơ2 (', X )|Z = '), f(', x) est
t t tt t t
la densité conjointe de (Zt , Xt ), f´ (') représente la densité marginale de Zt , et

S0 S1 (') Ω 0
S= = f´ (6)
S1 S2 0 μ2;1 Ω

ΩA
μ0;2 Ω 0* , 1
μ f2;1´ (')
F = f´ (') , B= Th 2 (7)
0 μ2;2 Ω* 0

où A = h2 × (a0 , ad , aw , a )mr .
Le théorème suivant établit la normalité asymptotique de nos estimateurs.

Théorème 1. Sous les hypothèses régulières données dans A1-A3, alors

Bd
Th H (①ˆ - ①) - S—1
- N (0, S—1 FS ) —1 (8)
→
où H = diag(l, . . . , l, h, . . . , h) est une
× matrice à 88 diagonales avec 4 éléments diagonaux 1 et 4 éléments
diagonaux
h's.

Sélection de la largeur de bande

Il est bien connu que la largeur de bande joue un rôle important dans l'estimation non paramétrique puisqu'elle
équilibre le compromis entre la variance et le biais des estimateurs. Cependant, le choix de la largeur de bande
optimale reste une question ouverte dans le domaine de l'estimation non paramétrique. Certaines méthodes de sélection
de la largeur de bande ont été développées dans la littérature et adoptées dans des études empiriques. Ici, une telle
largeur de bande (h* ) est choisie en raison de sa simplicité, pour laquelle

2(Th + l) T - Th - 2
AIC(h) log(ơ )2
= ˆ +
Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.
(2016)
 Y. Wang, Z. Pan et C. Wu PT
est un minimum (Cai, 2002 ; Cai et Tiwari, 2000 ; Cai et al., 2015), où ơˆ 2 = (9)
t =1

(yt - yˆt )2 /T , et Th est la

trace de la matrice chapeau Hh , définie = Hh Y . Une largeur de bande pilote est choisie initialement pour obtenir
comme Yˆ
l'estimation initiale
de ơˆ 2 en utilisant l'ensemble des
données.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
SIMULATION MONTE CARLO

La performance de notre modèle

Pour voir comment fonctionne le modèle HAR-RV variable dans le temps donné par l'équation (1), nous concevons
notre expérience comme suit :

β0 (Zt—1 ) = -0,28 - (0,329 + 0,630Zt—1 ) exp(-l,94Z2 t -1 ) (10)

βd (Zt—1 ) = -0,437 - (0,659 + l,260Zt—1 ) exp(-3,89Z2 t -1 ) (11)

βw (Zt—1 ) = 0,l38 + (0,3l6 + 0,982Zt—1 ) exp(-3,89Zt2-1 ) (12)

βm (Zt—1 ) = 0,276 + (0,632 + l,964Zt—1 ) exp(- t -1 ) (13)

7,78Z2

' t ~ N(0, 0.2 )2 (14)

Zt = ơ tt , t ~ N (0, (15)
l) 2

2
tơ= 0,0l + 0,7ơt2-1 + 0,25Zt -1
Les équations (11), (12) et (14) sont adoptées par la même spécification que Cai et al. (2000), et les valeurs de
l'équation (10) correspondent à la moitié de celles de l'équation (11), tandis que les valeurs de l'équation (13)
correspondent au double de celles de l'équation (12). Zt est piloté par GARCH(1,1) pour capturer l'effet ARCH dans la
dynamique de Zt .
Nous simulons 5000 observations et écartons les 1000 premières observations pour éviter tout effet des
valeurs initiales des paramètres. Pour estimer le modèle HAR-RV variable dans le temps, nous utilisons le critère
d'information d'Akaike (AIC) pour choisir la largeur de bande h décrite =précédemment, et-- le ≤ noyau≤
d'Epanechnikov k(') 0,75(l ' 2 ) si l '
l selon Cai et al. (2015). La figure 1 représente les véritables coefficients fonctionnels β0 (Zt—1 ), βd (Zt—1 ), βw
(Zt—1 ) et βm (Zt—1 ) et leurs estimations linéaires locales correspondantes à partir d'un échantillon type. Cette
figure montre que les estimateurs proposés peuvent bien capturer les caractéristiques implicites des véritables
fonctions de coefficient.

Test d'adéquation
Pour vérifier si le modèle (1) tient avec une forme HAR-RV de Corsi (2009), nous modifions le test d'adéquation
proposé par Cai et al. (2000) pour comparer la somme des carrés résiduels (RSS) de ces deux modèles. Cette méthode
est également appliquée pour tester la validité du MEDAF conditionnel semiparamétrique (Cai et al., 2015). Pour plus
de détails, l'hypothèse nulle peut être donnée comme suit
H0 : βj (Zt—1 ) = aj , j = 0, d, r, m (16)
Nous souhaitons tester si la volatilité réalisée peut être modélisée par le modèle HAR-RV (Corsi, 2009).
Le RSS sous l'hypothèse nulle est

l X
RSS = T (log - aˆ - aˆ log RV - aˆ log t -5;t -1 - aˆ log t -22;t -1 )2 (17)
0 RV t 0 d t -1 w RV m RV
T t =1

De même, le RSS correspondant au modèle (1) est

l X
T
ˆ ˆ
RSS1 = T (log RVt - β (Z0 t -1 ) - β (Z
d t -1 ) log RVt -1 - βˆ (Zw t -1 ) log RVt -5;t -1
t =1 (18)
2
- βˆm(Zt -1) log RVt -22;t -1) La
statistique de test est construite comme suit
RSS0 - RSS1
TJ = (19)
RSS1
et l'hypothèse nulle (16) est rejetée car JT prend une grande valeur. A l'instar de Cai et al. (2000, 2015), nous
Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.
(2016)
Y. Wang, Z. Pan
considérons et C. Wu
ci-dessous une méthode bootstrap basée sur les résidus pour obtenir la valeur p de ce test :
Étape 1. Pour t = l, 2, . . . , T , générer les résidus bootstrap {'* }T du centrage des résidus {'ˆt }T par 'ˆt - 'ˆ¯,
PT t t =1 t =1
où '¯ˆ = T—1
'ˆ , et
t =1 t

'ˆt = log RVt - βˆ0(Zt—1 ) - βˆd (Zt—1 ) log RVt—1 - βˆw (Zt—1 ) log RVt—5;t—1 - βˆm(Zt—1 ) log RVt—22;t—1 (20)

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée

Figure 1. Estimation des coefficients fonctionnels avec la méthode du noyau linéaire local.
Étape 2. Construire le log RV* = a0 + ad log RVt—1 + aw log RVt—5;t—1 + am log RVt—22;t—1 + '* .
t t
Étape 3. En utilisant {log
t RV* , log RVt—1 , log RVt—5;t—1 , log RVt—22;t—1 t, =1 pour calculer la statistique de test JT .
}T
Zt—1
Étape 4. Répétez les étapes 1 à 3 B fois, puis construisez la distribution empirique de la statistique duitest, * }B . Cette
i {J
la distribution empirique bootstrapée est utilisée pour approximer la distribution asymptotique nulle de la statistique de test
=1
originale
JT . Nous pouvons donc calculer la valeur p bootstrap comme suit

l X
B
*
p= l(JT≤ J )i (21)
B i
=1
où l( ) est
- une fonction indicatrice. Nous rejetterons l'hypothèse nulle (16) si p est plus petit que le niveau de
signification spécifié tel que l%, 5% et l0%.
Performance de l'échantillon fini
Étant donné que nous adoptons les procédures bootstrap non paramétriques pour tester la spécification du modèle, nous
devons examiner si la statistique de test (19) a une taille raisonnable et une bonne puissance. Il est évident que si la
Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.
(2016)
taille ouY.laWang, Z. Pan
puissance et médiocres,
sont C. Wu nous risquons de tirer une conclusion erronée sur la base de la statistique de test.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
Tableau I. Proportion de rejets H0

Taille de l% Niveau de Niveau

l'échantillon (T ) niveau 5 de l0%.
250 A : h = 0
Panel
0.020 0.048 0.100
500 0.004 0.036 0.088
1000 0.008 0.048 0.108
250 B : h = l
Panel
0.012 0.128 0.212
500 0.044 0.140 0.236
1000 0.012 0.100 0.184
250 C : h = 2
Panel
0.152 0.428 0.532
500 0.216 0.492 0.616
1000 0.188 0.492 0.620
Panneau
250 D:h
=3 0.564 0.804 0.892
500 0.672 0.872 0.920
1000 0.732 0.912 0.956
250
Panel E : h = 4
0.880 0.980 0.996
500 0.944 0.992 1.000
1000
Note : Le tableau montre 0.976
la taille et la 0.996 1.000
puissance du test JT . Le
panneau A indique la taille et les panneaux B-E indiquent la
puissance à 1 %, 5 % et 10 %, respectivement. Tous les
résultats sont basés sur 1000 simulations Monte Carlo et 300
bootstrap resample pour la valeur critique.

Pour vérifier la taille de JT , nous simulons des données à partir du modèle Corsi (2009), et les valeurs
paramétriques sont
= choisies
- comme
- (a0 , ad , aw , am ) ( 0,28, 0,437, 0,38, 0,276). Pour la puissance du test, nous
utilisons la méthode alternative locale pour atténuer l'effet de l'augmentation de la taille de l'échantillon, c'est-à-
dire :

β (Z ) = -0.2l8 - h (0.329 + 0.630Z ) exp(-l.94Z2 ) (22)

0 t -1 t -1 t -1
T 2/5
h
βd (Zt -1) = -0.437 - (0,659 + l.260Zt—1 ) exp(-3.89Z2 t -1 ) (23)
T 2/5
h
βw(Zt -1) = 0,l38 + (0,3l6 + t -1 ) exp(-3.89Z2 ) (24)
2/5 T t -1
0,982Z
h
βm(Zt -1) = 0.276 + (0,632 + l,964Z t -1 ) exp(-7,78Z2 t -1
) (25)
2/5 T
où h contrôle le degré d'écart entre l'hypothèse alternative et l'hypothèse nulle. En particulier, les valeurs para-
métriques dans le cadre de la taille sont obtenues lorsque
= h est égal à 0. Les restes, 't et Zt , sont identiques aux
équations (14) et (15), respectivement.
Pour calculer la taille et la puissance, nous utilisons les tailles d'échantillon 250, 500 et 1000 dans notre
simulation, ce qui correspond à 1 an, 2 ans et 4 ans, respectivement, pour un marché qui compte 250 jours
ouvrables par an. Nous bootstrapons la valeur
= critique et les ensembles de rééchantillons bootstrap B 300 fois.
Pour chaque expérience, nous répétons 1000 fois et enregistrons la fréquence à laquelle p est inférieur au niveau
spécifié.
Le panneau A du tableau I présente les tailles empiriques de JT pour une = taille d'échantillon T 250, 500 et 1000
à des niveaux de signification de l%, 5% et l0% dans le cadre d'un modèle HAR-RV correct. Nous pouvons
voir que la proportion de rejets H0 est proche du niveau nominal, ce qui implique que le test semble assez fiable
sous l'hypothèse nulle.
Les panneaux B-E du tableau I présentent la puissance de la statistique de test correspondant à différentes valeurs de
h. Nous constatons que la puissance du test converge rapidement vers 1 lorsque h et T deviennent plus grands, comme
prévu. Par conséquent, notre test a une bonne puissance pour détecter une mauvaise spécification du modèle HAR-RV
(Corsi, 2009).
Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.
(2016)
Y. Wang, Z. Pan et C. Wu ANALYSE EMPIRIQUE

Nous utilisons des données intrajournalières à haute fréquence de 5 minutes pour l'indice S&P 500 et obtenons donc 48
observations de l'indice boursier pour chaque jour ouvrable. Notre ensemble de données couvre une période de 20 ans,
du 2 janvier 1996 au 31 décembre 2015.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
Nous considérons deux types de modèles TVP HAR-RV qui diffèrent en fonction des facteurs de variation des
paramètres. Le premier type de modèle utilise les mêmes informations passées que le modèle HAR-RV traditionnel à
coefficient constant, dans lequel les paramètres sont déterminés par une variable de marche aléatoire. Nous pouvons
déduire le rôle de la variation des paramètres en observant leurs performances en échantillon et hors échantillon. Le
second type de modèle utilise un indice de volatilité passé du Chicago Board Option Exchange (VIX) comme variable
pilotant des paramètres variables dans le temps. Ces modèles nous permettent de révéler le contenu informatif de la
volatilité implicite pour la volatilité réalisée future. Les données quotidiennes du VIX sont disponibles sur le site
Internet de la Banque fédérale de réserve de Saint-Louis.3 Dans cette section, nous examinons tout d'abord si les
changements de coefficients des modèles HAR-RV sont significatifs à l'aide du test JT proposé (voir équation 19).
Ensuite, nous comparons la capacité prédictive hors échantillon de deux types de modèles TVP HAR-RV par rapport à
leurs équivalents à coefficients constants.

Les spécifications du modèle de volatilité

Dans cette sous-section, nous décrivons brièvement trois extensions des modèles HAR-RV basées sur différentes
décompositions de la VR. Nous considérons le modèle HAR-RV et ses trois extensions basées sur les décompositions
de la VR. Le premier est celui développé à l'origine par Corsi (2009), qui peut être exprimé par l'équation (1). Le
deuxième modèle est le HAR-RV-J proposé par Andersen et al. (2007). La spécification est disponible en ajoutant une
composante de saut à HAR-RV et peut être écrite comme suit :

log RVt = β0;t + βd;t log RVt—1 + βw;t log RVt—5;t—1 + βm;t log RVt—22;t—1 + βj;t log(Jt—1 + l) + 't (26)

où la composante de saut Jt = max(RVt - BPVt , 0), BPVT = u1—2 PMj |r t;j—1 ||rt;j | et u1 = (2/v) 0.5
. Pour
=2
Pour simplifier, nous redéfinissons la notation βk;t = βk (Zt—1 ), k 2 {0,
Le troisième modèle est le HAR-RV-CJ d'Andersen et al. (2007). Ce modèle décompose la VR quotidienne en une
d, r, m, j }.
trajectoire d'échantillonnage continu et des composantes de saut et propose en conséquence le modèle HAR-RV-CJ
suivant :

log RVt = β0;t + βcd;t log St -1 + βcw;t log St -5;t -1 + βcm;t log St -22;t -1 + βjd;t log(CJt -1 + l)
(27)
+ βjw;t log(CJt -5;t -1 + l) + βjm;t log(CJt -22;t -1 + l) + 't

où I( ) est
- une fonction indicatrice. La composante de saut significative est calculée=comme CJt I(Qt > Ф˛
), en utilisant =la valeur critique a0 = ,99. La ≤ trajectoire
- de l'échantillon -continu
+
est calculée comme St I(Qt Ф˛ ) RVt I(Qt > Ф˛ ) BPVt .
Le dernier modèle utilisé dans cet article est le HAR-RV-TCJ de Corsi et al. (2010). Ce modèle est basé sur une
statistique de saut modifiée et une variation de bipouvoir à seuil et peut être écrit comme suit :

log RVt = β0;t + βcd;t log TCt—1 + βcw;t log TCt—5;t—1 + βcm;t log TCt—22;t—1 + βj;t log(TJt—1 + l) + 't (28)

Test de spécification
La figure 2 montre l'évolution des paramètres dans le temps ainsi que leurs intervalles de confiance à 95 % pour le
TVP HAR-RV piloté par le VIX.4 Il est évident que les paramètres estimés ne sont pas constants et que la fluctuation
la plus importante au cours de notre période d'échantillonnage peut être liée à une récente crise financière survenue au
milieu de l'année 2008-2009. Pour déterminer si la modification des paramètres est statistiquement significative, nous
utilisons le test non paramétrique proposé. Les statistiques JT et les valeurs p boot- strapped correspondantes sont
présentées dans le tableau II. Nous pouvons constater que les statistiques JT rejettent fortement l'hypothèse nulle et que
le modèle à paramètres constants est correctement spécifié pour chacun des quatre modèles de volatilité réalisée
considérés, que le paramètre variant dans le temps soit déterminé par la variable aléatoire ou par le VIX passé. Cette
preuve indique que les paramètres changent de manière significative au fil du temps et que les modèles TVP peuvent
mieux capturer la dynamique de la volatilité réalisée.

Prévision des résultats

Dans cette sous-section, nous comparons la capacité de prévision de nos modèles TVP avec des modèles à coefficients
constants. Nous utilisons la méthode de la fenêtre roulante pour générer des prévisions de volatilité, dans laquelle la
longueur de la fenêtre est fixée à 1 000 jours ouvrables. Pour évaluer la précision des prévisions, nous utilisons deux
critères de fonctions de perte, à savoir l'erreur quadratique moyenne (MSE) et la valeur négative de la quasi-
vraisemblance gaussienne (QLIKE) :

N
lX
ct - RVt )
2
L(MSE) = (RV
N i =1 (29)

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Y. Wang, Z. Pan et C. Wu l XN
et L(QLIKE) = log(RbVt )+ RV t
N RcVt
i =1

3 https://www.stlouisfed.org.
4 Pour gagner de la place, nous ne présentons pas l'évolution des paramètres pour les modèles TVP pilotés par RW, mais ils sont disponibles sur demande.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
Tableau II. Qualité des résultats des tests
H0 : HAR-RV H0 : HAR-RV-J H0 : HAR-RV-CJ H0 : HAR-RV-TJ
Coefficient lié au VIX
JT test 0.117 0.113 0.084 0.147
Valeur p 0.000 0.000 0.000 0.000

Coefficient de marche aléatoire

JT test 0.015 0.021 0.014 0.037
Valeur p 0.000 0.010 0.000 0.000
Note : Le tableau présente le test JT et la valeur p correspondante du test. Les valeurs p sont calculées
par la méthode bootstrap.

Figure 2. Représentation graphique du coefficient dynamique (ligne continue) du modèle avec coefficient déterminé par le VIX, avec
les intervalles de confiance à 95 % (lignes pointillées ).

b
où RVt est la prévision de la volatilité réalisée, et N est le nombre de prévisions de volatilité hors échantillon (N39l7
=
dans notre cas). Ces deux fonctions de perte se sont avérées robustes au bruit dans l'approximation de la volatilité
(Patton, 2011). Le tableau III présente les performances de prévision des modèles de volatilité. Nous présentons les
ratios des fonctions de perte des modèles TVP par rapport aux modèles à coefficient constant correspondants pour trois
horizons de prévision : 1 jour, 5 jours
= L(i) = et 22 jours. C' est-
CONS
à-dire, LR L(i)TVP ,i MSE, QLIKE. Intuitivement, un ratio de fonction de perte supérieur à 1 implique
que le modèle TVP entraîne une fonction de perte plus élevée que le modèle à coefficient constant correspondant et
génère donc des prévisions de volatilité moins précises. Nous utilisons le test de Diebold et Mariano (1995) pour
examiner si les fonctions de perte des modèles TVP et à coefficient constant sont significativement différentes. Nous
Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.
(2016)
Y. Wang, Z. Pan et C. Wu
constatons que pour l'horizon de prévision h=1, la fonction de perte de la TVP et celle du modèle à coefficient constant sont
significativement différentes.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
Tableau III. Performances prévisionnelles des modèles TVP évaluées par des fonctions de perte robustes

h= l h= 5 h = 22
Déterminé par le VIX RW Piloté par VIX RW
Coefficient VIX Coefficient RW coefficient
coefficient coefficient coefficient coefficient
Performance des prévisions évaluée par le ratio MSPE
HAR-RV 0.986 0.973* 0.926* 0.971 0.818* 0.814*
HAR-RV-J 0.963* 1.010 0.924*** 0.975 0.765** 0.965***
HAR-RV-CJ 0.981 1.001 0.921*** 0.967* 0.882* 0.912*
HAR-RV-TCJ 1.009 1.010 0.937* 0.993 0.868*** 0.927**
Performance des prévisions évaluée par le ratio QLIKE
HAR-RV 0.985 0.967 0.921*** 0.972* 0.738*** 0.935***
HAR-RV-J 0.951 1.001 0.931*** 0.977 0.734*** 0.930**
HAR-RV-CJ 1.021 1.011 0.901*** 0.962* 0.714 *** 0.921***
HAR-RV-TCJ 0.923 0.947 0.893*** 0.947*** 0.772*** 0.946***
Note : Ce tableau fournit les ratios des fonctions de perte des modèles TVP par rapport aux modèles à coefficients
constants correspondants. Une fonction de perte inférieure à un signifie que les modèles TVP génèrent des
prévisions de volatilité plus précises. Le test de Diebold et Mariano (1995) est utilisé pour examiner si les
différences de fonctions de perte entre les modèles TVP et les modèles à coefficients constants sont significatives. Les
astérisques indiquent le rejet de l'hypothèse nulle de précision égale des prévisions aux niveaux de signification
*10%, * * 5% et * * *1%.

Les performances prévisionnelles des modèles TVP par rapport aux modèles à coefficient constant sont variables et
dépendent de la spécification du modèle, du critère de perte et du facteur entraîné des paramètres variables dans le
temps. Les statistiques DM suggèrent que le TVP HAR-RV-J piloté par le VIX et le TVP HAR-RV piloté par le RW
peuvent battre de manière significative leurs homologues à coefficients constants sous le critère de MSPE. Pour les
horizons de prévision h=5 et h=22, on constate que les ratios de perte sont tous inférieurs à 1 pour les deux types de
modèles TVP, quel que soit le critère de perte considéré. En outre, les résultats du test DM indiquent que la supériorité
des modèles TVP est hautement significative. Ces éléments de preuve mettent en évidence les gains de capacité
prédictive obtenus en tenant compte des modifications des paramètres des modèles de volatilité. Il est intéressant de
noter que les fonctions de perte des modèles TVP avec des paramètres déterminés par le VIX sont toujours plus petites
que celles des modèles TVP avec des paramètres RW. Étant donné que le premier prend en compte l'information du
VIX passé, alors que le second ne le fait pas, nous pouvons conclure que l'indice de volatilité implicite du CBOE peut
fournir des informations utiles sur la volatilité future des rendements de l'indice S&P 500.
La performance des prévisions est facilement affectée par les périodes d'évaluation. En gardant cette considération à
l'esprit, nous calculons le ratio MSPE glissant sur deux ans des modèles TVP pilotés par RW par rapport aux modèles
à coefficient constant pour trois horizons.5 Les variations des ratios MSPE sont représentées dans la figure 3. Nous
constatons qu'au cours des périodes 2002-2004 et 2008-2010, les ratios MSPE sont toujours inférieurs à 1, ce qui
indique la supériorité des performances de prévision des modèles TVP. Au cours de ces deux périodes, la volatilité
réalisée est relativement importante. En particulier, la période 2008-2010 est liée à une crise financière majeure et à un
important krach de l'indice boursier qui s'est produit au milieu de l'année 2008. Cependant, pendant les "périodes
calmes" où l'indice boursier a connu de faibles fluctuations, nos modèles TVP ont été moins performants que les
modèles à coefficients constants, comme en témoignent les ratios MSPE supérieurs à 1.
On peut affirmer que les critères de perte MSE et QLIKE sont sensibles aux valeurs extrêmes des prévisions de
volatilité. Les résultats de l'évaluation des performances de prévision dépendent du choix de la fonction de perte. Pour
cette raison, nous utilisons un autre critère d'évaluation, un ratio de réussite (SR), qui mesure la fréquence à laquelle un
modèle TVP donne de meilleures prévisions de volatilité qu'un modèle correspondant à coefficient constant. Ce critère
est donné par

N
lX
SR= lt , lt = I TVP;t — RVt 2) < (RcV CONS;t — RVt )2 (30)
N t =1
(RcV

où I(-) est une fonction indicatrice qui prend la valeur 1 lorsque la condition entre parenthèses est remplie et 0 dans le
cas contraire. c
RVTVP;t et RVcCONS;t sont les prévisions réalisées à partir d'un modèle TVP et de son modèle à coefficient
constant correspondant, respectivement. De toute évidence, le RS quantifie la probabilité qu'un modèle TVP génère
une prévision de volatilité plus précise que le modèle à coefficient constant. Par conséquent, un SR supérieur à 0,5
implique qu'un modèle TVP est plus susceptible d'afficher une performance de prévision supérieure. Par rapport aux
critères MSE et QLIKE, le SR est moins affecté par les valeurs aberrantes. Nous utilisons également le test de Pesaran
et Timmermann (2009) pour vérifier si le taux de réussite de chaque modèle est significativement supérieur à 0,5.
Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.
(2016)
 Y. Wang, Z. Pan et C. Wu

5 Nous tenons ici à remercier un arbitre anonyme pour cette suggestion utile. Pour gagner de la place, nous ne présentons pas les résultats du
ratio QLIKE roulant , mais ils sont disponibles sur demande.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée

Figure 3. Ratios MSPE glissants.

Le tableau IV présente les taux de réussite des modèles TVP pour trois horizons de prévision. Pour l'horizon de
prévision h=1, les taux de réussite de la plupart des modèles sont légèrement inférieurs à 0,5, à l'exception de HAR-RV
et HAR-RV-TCJ, lorsque le processus de modification des paramètres est supposé être déterminé par le VIX. En
revanche, les ratios de réussite de tous les modèles =TVP sont supérieurs
= à 0,5 pour les horizons de prévision h 5 et h
22. Les valeurs p du test de Pesaran et Timmermann (2009) indiquent en outre que les différences entre les ratios de
réussite et 0,5 sont statistiquement significatives pour les horizons plus lointains. En d'autres termes, chaque modèle
TVP est plus susceptible d'être plus performant que son homologue à coefficient constant. Pour l'horizon de 22 jours,
les ratios de réussite atteignent 60 %. De manière cohérente, nous pouvons également constater que les modèles TVP
basés sur le VIX affichent des taux de réussite plus élevés que les modèles TVP à coefficient de marche aléatoire. Par
conséquent, nous pouvons obtenir des prévisions de volatilité plus précises après avoir incorporé l'information VIX
Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.
(2016)
Y. Wang, Z. Pan et C. Wu
passée dans les modèles HAR-RV.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
Tableau IV. Taux de réussite des modèles de TVP

h=l h= 5 h = 22
Déterminé par le VIX Déterminé par le VIX Déterminé par le VIX

Coefficien Coefficien Coefficien

t RW coefficient t RW coefficient t RW coefficient
HAR-RV 0.512* 0.487 0.547*** 0.511* 0.613*** 0.534***
HAR-RV-J 0.501 0.486 0.545*** 0.510* 0.614*** 0.526***
HAR-RV-CJ 0.496 0.489 0.534*** 0.513** 0.608*** 0.52***
HAR-RV-TCJ 0.521*** 0.504 0.545*** 0.518*** 0.617*** 0.544***
Note : Ce tableau fournit le ratio du nombre de jours où les modèles TVP prévoient mieux la volatilité réalisée que les
modèles à coefficients constants par rapport au nombre total de jours hors échantillon. La méthode de Pesaran et
Timmermann (2009) est utilisée pour examiner si le ratio de réussite est significativement différent de 0,5. Les
astérisques indiquent le rejet de l'hypothèse nulle de précision égale des prévisions aux niveaux de signification
*10%, ** 5% et ** *1%, respectivement.

Tableau V. Indépendance pour l'occurrence du succès des modèles TVP à battre l'homologue à coefficient
constant

h= l h= 5 h = 22
VIX piloté parRW Piloté par VIX RW Coefficient RW
Coefficient RW coefficient coefficient coefficient
coefficient coefficient
m=3
HAR-RV4 .840*** 5 .540*** 104.68*** 173.2*** 200.9*** 400.4*** HAR-RV-J4.
770*** 3 .740*** 94.70*** 113.1*** 203.8*** 364.5*** HAR-RV-CJ
0 .246*** 2 .240*** 74.89*** 152.6*** 183.7*** 421.8*** HAR-RV-TCJ 0 .371*** 1 . 830***
89.21*** 136.1*** 217.2*** 394.3*** m=6
HAR-RV1 .910*** 1 .980*** 46.92*** 83.32*** 153.8*** 268.5*** HAR-RV-J1 .580***
1 .760*** 41.00*** 50.11*** 150.7*** 240.3*** HAR-RV-CJ -0.745*** 0 .959*** 31.90***
68.62*** 137.5*** 275.9*** HAR-RV-TCJ -0.051 1 . 060*** 38.65*** 58.77*** 155.7***
279.8***

Note : Ce tableau fournit les statistiques BDS du test de Broock et al. (1996) pour l'indépendance sérielle.
Toutes les valeurs sont multipliées par 10 000. Nous testons l'indépendance pour l'occurrence du succès de
chaque modèle TVP à battre son homologue à coefficient constant. L'hypothèse nulle est que la série est
indépendante de la dépendance inconnue. Nous présentons les résultats pour les dimensions d'intégration m=3 et m=6.
Les astérisques indiquent le rejet de l'hypothèse nulle aux niveaux de signification *10%, * * 5% et * * *1%.

Pour mieux comprendre les performances prévisionnelles relatives des modèles TVP et à coefficient constant,
il est intéressant de déterminer si les séries temporelles de la fonction d'indicateur lt dans l'équation (30)
présentent un certain type de persistance ou si elles sont distribuées de manière indépendante. Ce point est
important, car si les valeurs de lt sont distribuées de manière indépendante, il serait impossible de prédire si un
modèle TVP est meilleur qu'un modèle à coefficients constants. Pour répondre à cette question, nous suivons
Sarno et Valente (2009) en utilisant un test assez général pour l'hypothèse nulle selon laquelle les séries lt sont
indépendantes et identiquement distribuées contre une forme de dépendance non spécifiée, à savoir le test de
Broock et al. (1996). Les résultats rapportés dans le tableau V montrent que l'hypothèse nulle est rejetée au
niveau de signification de l% dans presque tous les cas, quelle que soit la spécification du modèle considérée. Ces
résultats indiquent que le modèle TVP affiche souvent des performances prévisionnelles supérieures à celles du
modèle à coefficients constants.
CONCLUSION

Des prévisions précises de la volatilité sont importantes pour l'évaluation des produits dérivés, l'allocation d'actifs et la
gestion des risques. Le modèle HAR-RV de Corsi (2009) et ses extensions ont été largement utilisés pour capturer et
prévoir la dynamique de la volatilité réalisée. Dans cet article, nous améliorons les modèles HAR-RV en autorisant les
changements de paramètres induits par des variables exogènes. La normalité asymptotique de l'estimateur des
paramètres est également donnée. En outre, nous introduisons une statistique non paramétrique pour le test de
spécification. Nos résultats de simulation indiquent que la statistique proposée a une taille fiable et une bonne
puissance.
Nous considérons deux types de modèles TVP qui utilisent différents facteurs d'entraînement des paramètres
variables dans le temps, le VIX passé et les nombres de marche aléatoire. Nos résultats en échantillon rejettent

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Y. Wang, Z. Pan et C. Wu
l'hypothèse nulle selon laquelle le modèle à coefficient constant est correctement spécifié en faveur des modèles TVP.
Les résultats hors échantillon montrent que pour les horizons de prévision de 5 et 22 jours, les modèles TVP sont
nettement plus performants que les modèles traditionnels à coefficient constant, ce qui souligne l'importance de tenir
compte de la variation des paramètres. La supériorité des modèles TVP est robuste pour différents critères d'évaluation.
En outre, nous obtenons des prévisions de volatilité plus précises après avoir pris en compte les informations sur le
VIX. Par conséquent, la volatilité implicite peut fournir des informations utiles sur la volatilité future des rendements
de l'indice S&P 500.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée

REMERCIEMENTS

Ce travail a été soutenu par la Fondation nationale chinoise des sciences par le biais des subventions 71501095
(Yudong Wang), 71320107002 (Chongfeng Wu), 71601161 (Zhiyuan Pan) et le Fonds de recherche fondamentale
pour les universités centrales par le biais de la subvention 330110004005040042 (Zhiyuan Pan).

RÉFÉRENCES

Andersen TG, Bollerslev T. 1998. Answering the skeptics : yes, standard volatility models do provide accurate forecasts (Répondre
aux sceptiques : oui, les modèles de volatilité standard fournissent des prévisions précises). International Economic Review 39(4) :
885-905.
Andersen TG, Bollerslev T, Diebold FX, Labys P. 2000. Exchange rate returns standardized by realized volatility are (nearly)
Gaussian. Multinational Finance Journal 4(3-4) : 159-179.
Andersen TG, Bollerslev T, Diebold FX, Ebens H. 2001a. The distribution of realized stock return volatility. Journal of Financial
Economics 61(1) : 43-76.
Andersen TG, Bollerslev T, Diebold FX, Labys P. 2001b. The distribution of realized exchange rate volatility. Journal of the
American Statistical Association 96(453) : 42-55.
Andersen TG, Bollerslev T, Diebold FX, Labys P. 2003. Modeling and forecasting realized volatility (Modélisation et prévision de la
volatilité réalisée). Econometrica 71(2) : 579-625.
Andersen TG, Bollerslev T, Meddahi N. 2005. Correcting the errors : volatility forecast evaluation using high-frequency data and
realized volatilities. Econometrica 73(1) : 279-296.
Andersen TG, Bollerslev T, Diebold FX. 2007. Roughing it up : including jump components in the measurement, modeling, and
forecasting of return volatility. Review of Economics and Statistics 89(4) : 701-720.
Andersen TG, Bollerslev T, Meddahi N. 2011. Realized volatility forecasting and market microstructure noise. Journal of
Econometrics 160(1) : 220-234.
Aslanidis N, Casas I. 2013. Nonparametric correlation models for portfolio allocation. Journal of Banking and Finance 37(7) : 2268-
2283.
Bandi FM, Perron B. 2006. Long memory and the relationship between implied and realized volatility. Journal of Financial
Econometrics
4(4) : 636-670.
Banerjee A, Urga G. 2005. Modélisation des ruptures structurelles, de la mémoire longue et de la volatilité des marchés boursiers :
une vue d'ensemble. Journal of Econometrics 129(1) : 1-34.
Barndorff-Nielsen OE. 2002. Econometric analysis of realized volatility and its use in estimating stochastic volatility models
(Analyse économétrique de la volatilité réalisée et son utilisation dans l'estimation des modèles de volatilité stochastique).
Journal of the Royal Statistical Society, Series B 64(2) : 253-280.
Bollerslev T, Patton AJ, Quaedvlieg R. 2016. Exploiter les erreurs : une approche simple pour améliorer la prévision de la volatilité.
Journal of Econometrics 192(1) : 1-18.
Broock W, Scheinkman JA, Dechert WD, LeBaron B. 1996. A test for independence based on the correlation dimension.
Econometric Reviews 15(3) : 197-235.
Cai Z. 2002. A two-stage approach to additive time series models (Approche en deux étapes des modèles additifs de séries
temporelles). Statistica Neerlandica 56(4) : 415-433.
Cai Z, Ould-Saïd E. 2003. Local m-estimator for nonparametric time series. Statistics and Probability Letters 65(4) : 433-449.
Cai Z, Tiwari RC. 2000. Application of a local linear autoregressive model to BOD time series. Environmetrics 11(3) : 341-350.
Cai Z, Fan J, Yao Q. 2000. Functional-coefficient regression models for nonlinear time series. Journal of the American Statistical
Association 95(451) : 941-956.
Cai Z, Ren Y, Yang B. 2015. A semiparametric conditional capital asset pricing model. Journal of Banking and Finance 61(C) : 117-
126.
Chatrath A, Miao H, Ramchander S, Wang T. 2015. The forecasting efficacy of risk-neutral moments for crude oil volatility.
Journal of Forecasting 34(3) : 177-190.
Chen XB, Gao J, Li D, Silvapulle P. 2013. Estimation non paramétrique et calibration paramétrique des modèles de volatilité réalisée
à coefficient variable dans le temps. Disponible sur SSRN : 2320312.
Corsi F. 2009. A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics 7(2) : 174-196.
Corsi F, Pirino D, Reno R. 2010. Threshold bipower variation and the impact of jumps on volatility forecasting. Journal of
Econometrics 159(2) : 276-288.
Dangl T, Halling M. 2012. Predictive regressions with time-varying coefficients. Journal of Financial Economics 106(1) : 157-181.
Deo R, Hurvich C, Lu Y. 2006. Forecasting realized volatility using a long-memory stochastic volatility model : estimation,
prediction and seasonal adjustment. Journal of Econometrics 131(1) : 29-58.
Diebold FX, Mariano RS. 1995. Comparing predictive accuracy. Journal of Business and Economic Statistics 13(3) : 253-263.
Fan J. 1992. Design-adaptive nonparametric regression. Journal of the American Statistical Association 87(420) : 998-1004.
Fan J. 1993. Local linear regression smoothers and their minimax efficiencies. Annals of Statistics 21(1) : 196-216.
Fan J, Gijbels I. 1996. Local Polynomial Modelling and Its Applications, Monographs on Statistics and Applied Probability 66. CRC
Press : Boca Raton, FL.
Fleming J. 1998. The quality of market volatility forecasts implied by S&P 100 index option prices. Journal of Empirical Finance
5(4) : 317-345.
Fleming J, Kirby C, Ostdiek B. 2003. The economic value of volatility timing using realized volatility. Journal of Financial Economics
67(3) : 473-509.
Gaenssler P, Strobel J, Stute W. 1978. On central limit theorems for martingale triangular arrays. Acta Mathematica Hungarica
31(3-4) : 205-216.
Granger CW, Hyung N. 2004. Occasional structural breaks and long memory with an application to the S&P 500 absolute stock
Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.
(2016)
Y. Wang, Z. Pan et C. Wu
returns. Journal of Empirical Finance 11(3) : 399-421.
Hall P, Heyde CC. 2014. Martingale Limit Theory and Its Application. Academic Press : New York.
Hong Y, Tu J, Zhou G. 2007. Asymmetries in stock returns : statistical tests and economic evaluation (Asymétries dans les
rendements des actions : tests statistiques et évaluation économique). Review of Financial Studies
20(5) : 1547-1581.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
Jiang GJ, Tian YS. 2005. The model-free implied volatility and its information content. Review of Financial Studies 18(4) : 1305-
1342. Jorion P. 1995. Predicting volatility in the foreign exchange market (Prévoir la volatilité sur le marché des changes). Journal
of Finance 50(2) : 507-528.
Lamoureux CG, Lastrapes WD. 1990. Persistence in variance, structural change, and the GARCH model. Journal of Business and
Economic Statistics 8(2) : 225-234.
Liu C, Maheu JM. 2008. Are there structural breaks in realized volatility ? Journal of Financial Econometrics 6(3) : 326-360.
Patton AJ. 2011. Volatility forecast comparison using imperfect volatility proxies. Journal of Econometrics 160(1) : 246-256.
Patton AJ, Sheppard K. 2015. Good volatility, bad volatility : signed jumps and the persistence of volatility (Bonne volatilité,
mauvaise volatilité : sauts signés et persistance de la volatilité). Review of Economics and Statistics 97(3) : 683-697.
Pesaran MH, Timmermann A. 2009. Testing dependence among serially correlated multicategory variables. Journal of the
American Statistical Association 104(485) : 325-337.
Rapach DE, Strauss JK. 2008. Structural breaks and GARCH models of exchange rate volatility. Journal of Applied Econometrics
23(1) : 65-90.
Rohan N, Ramanathan T. 2013. Nonparametric estimation of a time-varying GARCH model. Journal of Nonparametric Statistics
25(1) : 33-52.
Sarno L, Valente G. 2009. Exchange rates and fundamentals : footloose or evolving relationship ? Journal of the European Economic
Association 7(4) : 786-830.
Stone CJ. 1977. Consistent nonparametric regression. Annals of Statistics 5(4) : 595-620.
Sun Z. 1984. Asymptotique sans biais et cohérence forte pour l'estimateur de la fonction de densité. Acta Mathematica Sinica 27 :
769-782. Wand M, Jones M. 1995. Kernel Smoothing, Monographs on Statistics and Applied Probability 60. CRC Press : Boca
Raton, FL.
Wang Y, Ma F, Wei Y, Wu C. 2016. Forecasting realized volatility in a changing world : a dynamic model averaging approach.
Journal of Banking and Finance 64 : 136-149.

ANNEXE : PREUVE

Nous posons maintenant quelques hypothèses qui seront utilisées pour établir la distribution asymptotique de nos
estimateurs. Soit
S est une grande constante qui peut prendre des valeurs différentes selon les endroits.

Hypothèse 1.
(i) La série des rendements {rPt } et la série macroéconomique {Zt } sont toutes deux un processus de mélange a
strictement a(T
coefficient stationnaire avec j≥1 j c [a(j )]m/(2+m) < ∞ pour certains н > 0 et c >
) satisfaisant
(ii) f(' |x) ≤ S < ∞ et fi (', ' ˜| x, x) ≤ S < ∞ pour tout≥i 2.
н/(2 +˜н).
(iii) Ω et Ω* sont tous deux définis positivement.
(iv) Les fonctions f´ (-) > 0, ơ2 (-) > 0, Ω, et Ω* sont continues.
(v) β0 (-), βd (-), βw (-), βm (-) ont des dérivées secondes continues.
(vi) E Xˆ 2(2+m) ≤ S < ∞, où н est donné en (i).
Hypothèse 2.
(i) La fonction noyau k(-) est symétrique avec un support borné [-1, 1].
(iii) Lorsque T va à l'infini, Th → ∞ et h → 0.

Compte tenu de l'hypothèse

{ } 1(i), rt est un processus de mélange a, tout comme le log RVt , le log RVt—5;t—1 et
{}
le log RVt—22;t—1 , qui sont une fonction instantanée de r t(Hong et al., 2007). Les hypothèses 1 et 2 sont standard
dans la régression non paramétrique pour les séries temporelles. Voir Cai et al. (2000) et Cai et Ould-Saïd
(2003). rr (1) h2 Zt -' 2 r (2)
Preuve Puisque = m(Z , X )+' , et m(Z , X ) = X ˇ(')+(Z - ')X ˇ (')+ ( ) X ˇ (')+o (h2 ),
Y
t t t t t t t t t 2 h t p
nous avons
①ˆ (') - ①(') μ
"XT #-1
X 'h2 2
Z - ' X˜ Zt—1 - ' X˜ Zt—1 - ' Xr ˇ(2) (') + '
k t—1 X T k
= ˜r
h tt × h
t
2 h t t
t =1 t =1

Dans
ce cas
T h H ①ˆ
( (') - ①(')) = S—1T [BT + VT ] (A.1)

où
T
l Th
ST X
(') = k t =1

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

= (2016)
 Y. Wang, Z. Pan et C. Wu
'
Zt—1 - H -1X˜ t
X˜ r H -1 t
h
ST;0, ST;1
ST;1, ST;2

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
k(Zt —1—´ ) X ˜ t X˜ r ( )Zt —1—´j ,j = 0, l, 2
1 PT
où ST;j =
Th t =1 h t h

- '
l XT Z h2 Z - ' 2

t -1 t -1
et BT = , k H- t
Xr ˇ(2),
t
Th t =1 h 2 h
1X˜
T
l X '
VT = , k Zt—1 - t 't
Th t =1 h H-
1X˜

Nous montrons ensuite que le premier terme contribue au biais de ①ˆ , tandis que le second terme contribue à la
variance de ①ˆ .

Lemma 1. Si l'hypothèse 1 se vérifie et si f(u, x) est continue au point u0 , alors il est vrai que

E(ST;j ) → fu (u0 )Ω(u0 )μj

(A.2)

et

var(ST;j (m, n)) = op (l) (A.3)

Lemma 2. Si l'hypothèse 1 se vérifie et si f(u, x) est continue au point u0 , alors il est vrai que

2 )
E(bT ) = μ2;1
0 0 )ˇ (u0
fu (u0 )Ω(u (2) + op (l) (A.4)
H

et

var(bT ) = op (l) (A.5)

Preuve des Lemmas 1 et 2. La dérivation peut utiliser le lemme A.1 de Cai et al. (2000, p. 953) et est donc omise ici.
En conséquence du lemme 1, nous avons

p
fu (u0 )Ω 0
ST -→ (A.6)
0 fu(u0)Ωμ2

Sur la base du lemme 2, nous

obtenons
μ2;12
) (A.7)
p fu (u0 )Ω(u0 )ˇ(2) (u0
BT -→ 0
H
Ensuite, nous appliquons le théorème de la limite centrale pour les différences martingales afin d'établir
la normalité asymptotique de V T(Gaenssler et al., 1978 ; Hall et Heyde, 2014). Nous désignons par FX;T
et F ;t le champ sous-ơ couvert par X1 , X 2 ,. . . , XT et '1 , ' 2 ,. . . , 't , respectivement. Ft = {FX;T , F ;t },
puis Ft—1 ≤ Ft et Vt défini ci-dessous est
Ft -mesurable. Les variables X˜{t 't sont
} des différences martingales pour Ft .
Depuis
T
l X '
VT = , k Zt—1 - H- t 't (A.8)
Th h
t =1 1X˜

et en utilisant le dispositif de Cramer-Wold, nous devons montrer que

d r
d rV
Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.
(2016)
Y. Wang, Z. Pan et C. Wu T -→ N (0, d Fd) (A.9)

où d e R8 est un vecteur de norme euclidienne unitaire d2 = l.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)
 Modèles de volatilité
réalisée
Par la stationnarité et le théorème 1 de Sun (1984), nous obtenons

f´ (')μ0;2 Ω 0*
F˜ Ξ d Fd = var(d VT |F T—1 ) =
r r r
0 f´ (')μ2;2 Ω* d + o(l) (A.10)
d
et définir les erreurs standard comme suit

щ = F˜ -1/2 l k Zt—1 - ' d Hr—1 X ˜ ' (A.11)

tt
t
Th h

Tout d'abord, nous vérifions la ) p l :

Е(щ2 |F
condition PT
i =1 t t -1 -→

T
X Z - '
l p
Е(щ2 |F
t t -1
) = F˜ -1 h Е
k2 t -1
h dr ' tX˜ tr d |Ft -1
t2 -→ l (A.12)
t =1 X˜
PT p
Ensuite, nous vérifions la condition Е[щ2 I(|щ | >
t =1 t t t -1 ] - 0.
→
φ )|F
Soit Wt Ξ F˜ -1Th1 k(Zt —1—´
h )d Hr—1 X ˜ t tX˜
r H—1 , alors

T T
X X
Е[Wt 't2 I(Wt 't2 > φ2 )|Ft—1 ] = Wt tЕ('2 I(W
t
t ' > φ
2 2
t =1 t =1
|Ft—1 )) XT (A.13)
≤ Wt Е('2 I('2 > φ2 min W -1|Ft -1))
t t t
t =1 ;...;T
t =1

→0

La dernière limite s'applique t puisque W—1 → ∞ lorsque Th est

égal à ∞.
Par conséquent, en utilisant le théorème de Slutsky, le théorème 1 peut être facilement obtenu.

Biographies des auteurs

Yudong Wang est professeur d'économie à l'université des sciences et technologies de Nanjing. Ses recherches portent sur
l'économétrie financière, l'économie de l'énergie et les prévisions financières.

Biographies des auteurs

Zhiyuan Pan est titulaire d'un doctorat en finance et travaille à la Southwest University of Finance and Economics. Ses recherches portent sur
l'économétrie financière.

Biographies des auteurs

Chongfeng Wu est professeur de finance à l'université Jiao Tong de Shanghai. Ses recherches portent sur l'évaluation des actifs et
la gestion des risques financiers.

Adresses des auteurs :

Yudong Wang, École d'économie et de gestion, Université des sciences et technologies de Nanjing, Chine.

Zhiyuan Pan, Institute of Chinese Financial Studies, Southwestern University of Finance and Economics, 555 Liutai Avenue, Wen-
jiang District, Chengdu, Sichuan 611130, Chine ; et Collaborative Innovation Center of Financial Security, Chengdu, Sichuan,
Chine.

Chongfeng Wu, Antai College of Economics and Management, Shanghai Jiao Tong University, Chine.

Copyright © 2016 John Wiley & Sons, Ltd J. Prévisions.

(2016)