Forecasting Commodity Prices: GARCH, Jumps, and Mean Reversion

Disponible en format(s) : PDF

Les fluctuations des prix des matières premières préoccupent tant les responsables des politiques publiques que les entreprises; il importe donc de disposer de prévisions de bonne qualité à leur sujet. Les modèles structurels fournissent de précieuses indications sur les causes de l'évolution des prix, mais ils ne se prêtent pas nécessairement à la prévision compte tenu de la multiplicité des facteurs, connus ou non, qui agissent sur les conditions de l'offre et de la demande sur les marchés des produits de base. Les représentations parcimonieuses de la dynamique des prix s'avèrent souvent mieux adaptées à la prévision. Dans les spécifications stochastiques de ce genre, les principaux effets à modéliser concernent généralement la tendance (variable dans le temps), le rendement d'opportunité et la volatilité stochastiques ainsi que la stationnarité. Les auteurs évaluent et comparent différentes modélisations de ces effets sous l'angle de la qualité des prévisions. Les trois spécifications qu'ils considèrent englobent les plus récents modèles utilisés dans la littérature sur les prix des produits de base : i) les modèles de marche aléatoire intégrant des effets ARCH ou GARCH et dans lesquels les chocs sont distribués selon la loi normale ou la loi de Student; ii) les modèles basés sur un processus de Poisson, qui intègrent des effets ARCH ou GARCH et dans lesquels les chocs sont également distribués selon l'une de ces deux lois; et iii) les modèles stationnaires où le prix d'équilibre est incertain.

À l'aide de données quotidiennes, hebdomadaires et mensuelles sur les prix de l'aluminium, les auteurs effectuent une prévision hors échantillon à l'horizon d'une période, puis répètent l'opération en actualisant chaque fois l'estimation des paramètres. Dans le cas des modèles avec saut, où aucune formule analytique ne permet d'obtenir l'espérance conditionnelle des erreurs de prévision, ils mettent au point une méthode de simulation simple pour générer ces erreurs. Les auteurs obtiennent les résultats suivants. Le modèle stationnaire dans lequel le rendement d'opportunité est stochastique l'emporte de loin sur tous les autres à tous les horizons de prévision dans le cas des données de fréquences quotidienne et hebdomadaire; parmi les modèles non stationnaires de type GARCH analysés pour ces deux fréquences, ceux comportant un processus de saut ou des effets asymétriques prédominent, mais ils donnent de moins bons résultats que le modèle stationnaire. Dans le cas des données mensuelles, ce dernier surpasse encore les modèles de marche aléatoire intégrant des effets GARCH; toutefois, selon l'horizon de prévision et les critères d'évaluation retenus, les modèles non stationnaires ayant des effets GARCH-M dominent dans une mesure plus ou moins grande, ce qui laisse croire que l'espérance du risque a un effet non négligeable sur le comportement des prix.

Publication :

Journal of Forecasting (0277-6693)
Juillet 2008, vol. 27, no 4, p. 279-291