bonne journée Dr…. Je travaille sur GARCH modélisation en présence d`un changement soudain d`une banque commerciale en particulier au Nigeria peut s`il vous plaît obtenir un renvoi de livre de vous? Les processus de GARCH, étant autorégressifs, dépendent des observations passées au carré et des écarts passés au modèle pour la variance actuelle. Les processus de GARCH sont largement utilisés dans la finance en raison de leur efficacité dans la modélisation des retours d`actifs et de l`inflation. GARCH vise à minimiser les erreurs de prévision en tenant compte des erreurs dans les prévisions préalables et, par conséquent, en améliorant l`exactitude des prédictions en cours. [ARCH] sont des processus nuls, non corrélés en série, avec des variances non constantes conditionnelles au passé, mais des variances inconditionnelles constantes. Pour ces processus, le passé récent fournit des informations sur l`écart de prévision d`une période. Le processus généralisé d`hétérokédasticité conditionnelle autorégressive (GARCH) est un terme économétrique développé en 1982 par Robert F. Engle, un économiste et 2003 lauréat du prix Nobel d`économie, pour décrire une approche pour estimer la volatilité dans marchés financiers. Il existe plusieurs formes de modélisation GARCH. Le processus de GARCH est souvent préféré par les professionnels de la modélisation financière parce qu`il fournit un contexte plus réel que d`autres formes en essayant de prédire les prix et les taux des instruments financiers. Tout d`abord, préparons un jeu de données que nous pouvons utiliser pour ces exemples. Les modèles ARCH sont couramment utilisés dans la modélisation des séries chronologiques qui présentent une volatilité et une volatilité variables dans le temps, c.-à-d.

des périodes de balançoires entrecoupées de périodes de calme relatif. Les modèles ARCH-type sont parfois considérés comme étant dans la famille des modèles de volatilité stochastique, bien que cela soit strictement incorrect car au moment t la volatilité est complètement pré-déterminée (déterministe) en fonction des valeurs précédentes. [4] l`approche s`attend à ce que la série soit stationnaire, autre que le changement de variance, ce qui signifie qu`elle n`a pas de tendance ou de composante saisonnière. Un modèle ARCH est utilisé pour prédire la variance à des étapes de temps futures. Le processus général d`un modèle GARCH comporte trois étapes. Le premier est d`estimer un modèle autorégressif le mieux adapté. La seconde consiste à calculer les corrélations automatiques du terme d`erreur. La troisième étape consiste à tester l`importance. Deux autres approches largement utilisées pour estimer et prédire la volatilité financière sont la méthode classique de volatilité historique (VolSD) et la méthode de volatilité moyenne mobile (VolEWMA) pondérée exponentiellement.

Un tracé de ligne est créé en comparant la série de variance attendue à la variance prévue. Bien que le modèle n`ait pas été réglé, la variance prévue semble raisonnable. Le modèle fGARCH de Hentherschel [12], également connu sous le nom de Family GARCH, est un modèle omnibus qui niche une variété d`autres modèles de GARCH symétriques et asymétriques populaires, y compris APARCH, GJR, AVGARCH, NGARCH, etc. Le modèle ne doit être appliqué qu`à une série résiduelle préblanchiée {e_t} qui n`est pas corrélée et ne contient aucune tendance ou variation saisonnière, comme on pourrait l`obtenir après avoir ajusté un modèle SARIMA satisfaisant.