On Periodic Autogressive Conditional Heteroskedasticity

Abstract

Dans cette étude, nous proposons une classe de processus ARCH périodiques. Cette structure est semblable à celle des processus linéaires périodiques. Les procésus P-ARCH partagent beaucoup de similarités avec les processus périodiques linéaires0501s ont aussi, à cause des non linéarités, des caractéristiques spécifiques. Nous étudions de façon analytique les pertes d'efficacité en terme de prévisions dues à des erreurs de spécifications lorsque les données suivent un processus P-ARCH et qu'un modèle ARCG (saisonnier) est estimé. Le papier inclut également une étude de Monte Carlo qui complémente les résultats théoriques et une appliction au taux de change DM - livre Sterling. Plusieurs extensions, telles que P-EGARCH et P-IGARCH, sont aussi proposées.

Asset returns exhibit clustering of volatility throughout the year. This paper proposes a class of models featuring periodicity in conditional heteroskedasticity. The periodic structures in GARCH models share many properties with periodic ARMA processes studied by Gladyshev (1961), Tiao and Grupe (1980) and others. We describe the relation between periodic GARCH processes and time-invariant (seasonal) GARCH processes. Besides the periodic GARCH or P-GARCH process, we also discuss P-IGARCH, PI-GARCH, P-ARCH-M and P-EGARCH processes. Extensions to multivariate ARCH processes are studied as well. Moreover, we also consider periodicity in the common persistence of volatility for several series. A quasi-maximum likelihood estimator following Bollerslev and Wooldridge (1992) is defined and a LM test for periodicity derived from it. The models are applied to several asset pricing series.