Pour estimer les modèles GARCH susceptibles de compter un nombre indéterminé de ruptures structurelles, les auteurs proposent une méthode séquentielle de Monte-Carlo. Celle-ci fait appel à des techniques de filtrage particulaire qui permettent l'actualisation rapide et efficace de valeurs postérieures et de prévisions en temps réel. Cette méthode apporte une solution commode au problème de la dépendance du sentier, présent dans les modèles GARCH. Elle fonctionne bien lorsque les données utilisées sont issues de simulations. Appliquée aux rendements quotidiens des titres du NASDAQ, elle fournit des résultats qui avantagent plus une spécification où les ruptures ne concernent que l'ordonnée de l'équation de la variance conditionnelle qu'une spécification dans laquelle l'ensemble des paramètres sont variables. Cette application empirique fait ressortir l'importance revêtue par les hypothèses de modélisation pour l'étude des ruptures. Dans un modèle où les rendements sont soumis à des chocs distribués selon une loi normale, les données obtenues confirment l'existence de ruptures. Ces dernières se retrouvent également dans les distributions plus souples, c'est-à-dire en présence de chocs distribués selon une loi de Student, ou dans un modèle GARCH mixte avec processus de saut; seulement, la date et l'incidence des ruptures font alors l'objet d'une incertitude bien plus grande.

Publication :

Computational Statistics & Data Analysis (0167-9473)
Novembre 2010, vol. 54, no 11, p. 2628-2640