slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
SAMA – 21/03/2008 PowerPoint Presentation
Download Presentation
SAMA – 21/03/2008

Loading in 2 Seconds...

play fullscreen
1 / 29

SAMA – 21/03/2008 - PowerPoint PPT Presentation


  • 131 Views
  • Uploaded on

Prédiction multi-step de la volatilité : le modèle ARIMA-GARCH appliqué aux séries temporelles d’affaiblissement par la pluie sur les liaisons Terre-Satellite. L. de Montera , C. Mallet and L. Barthes Centre d’Etudes des Environnements Terrestre et planétaires (CETP)

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'SAMA – 21/03/2008' - Jims


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

Prédiction multi-step de la volatilité : le modèle ARIMA-GARCH appliqué aux séries temporelles d’affaiblissement par la pluie sur les liaisons Terre-Satellite

L. de Montera, C. Mallet and L. Barthes

Centre d’Etudes des Environnements Terrestre et planétaires (CETP)

Vélizy-Villacoublay, France

SAMA – 21/03/2008

1/29

slide2

I/Le problème à résoudre

II/ Rappels et modèles classiques de type ARMA

III/ Modélisation ARIMA et limitations

IV/ Modélisation GARCH des erreurs

V/ Prédiction multi-step et performances

2/29

le probl me r soudre

Le problème à résoudre

44 GHz ↑

20 GHz ↓

Affaiblissement par la pluie des liaisons Terre-Satellite en bade EHF (20-50 Ghz):

Solution : adaptation de la puissance d'émission en fonction des conditions de propagation

En raison du temps de réaction de la boucle de contrôle,

=> Il faut prédire l'affaiblissement à t+10secondes pour éviter que la liaison ne soit coupée

3/29

les donn es

les données

L'affaiblissement (en dB) de la balise 20 GHz du satellite OLYMPUS a été mesuré à Gometz-la-Ville pendant 15 mois.

Cette base de données, échantillonée à 1seconde, contient 67 évènements de pluie.

Exemple d'affaiblissement pendant un orage.

4/29

slide5

I/Le problème à résoudre

II/ Rappels et modèles classiques de type ARMA

III/ Modélisation ARIMA et limitations

IV/ Modélisation GARCH des erreurs

V/ Prédiction multi-step et performances

5/29

la notion de stationnarit 1

La notion de stationnarité (1)

Définition - Un processus Xt est dit stationnaire au sens fort si, quelque soit n, t, h, on a l’égalité en loi :

Définition - Un processus Xtest dit stationnaire au second ordre, ou au sens faible, si la moyenne du processus est constante et si les autocovariances ne dépendent que de la l’intervalle entre les observations :

La dernière propriété implique en particulier que la variance de Xtest constante

6/29

la notion de stationnarit 2

La notion de stationnarité (2)

Définition – Un processus Xt est non-stationnaire de type déterministe s’il peut s’écrire :

La moyenne dépend de t

où f(t) est un tendance déterministe, dans ce cas, on a :

Définition – Un processus Xt est non-stationnaire de type stochastique lorsqu’il est intégré d’ordre d, c’est-à-dire que le processus résultant de d différenciations est stationnaire:

est stationnaire

La variance dépend de t

Marche aléatoire (d=1) :

non-stationnaire

(déterministe)

non-stationnaire

(stochastique)

stationnaire

7/29

les mod les classiques stationnaires

Les modèles classiques stationnaires

Soit εt un bruit blanc gaussien N(0,σ) au sens fort (i.i.d.).

  • Le modèle AR(p) (Auto Regressive):
  • Le modèle MA(q) (Moving Average):
  • Le modèle ARMA(p, q):

8/29

les mod les classiques non stationnaires

Les modèles classiques non stationnaires

Soit εt un bruit blanc gaussien N(0,σ) au sens fort (i.i.d.).

  • La marche aléatoire:
  • Le modèle ARIMA(p, d, q) (Auto Regressive Integrated Moving Average):

9/29

slide10

I/Le problème à résoudre

II/ Rappels et modèles classiques de type ARMA

III/ Modélisation ARIMA et limitations

IV/ Modélisation GARCH des erreurs

V/ Prédiction multi-step et performances

10/29

stationarisation 1

Stationarisation (1)

On applique le test de stationnarité de Box & Jenkins: si l'autocorrélation reste proche de 1 pour un nombre élevé de retard, le processus est intégré.

Il faut travailler sur la première différence:

autocorrélation

11/29

stationarisation 2

Stationarisation (2)

série différenciée

L'autocorrélation des différences montre que le processus est maintenant stationarisé. Une seule différenciation est suffisante.

autocorrélation

12/29

mod lisation arma des diff rences

Modélisation ARMA des différences

Identification des ordres par la méthode du 'coin' (basée sur l'autocorrélation)

Estimation des paramètres par OLS (Ordinary Least Squares)

Modélisation complète ARIMA(2,1,2):

avec

13/29

validation

Validation

La validation se fait par l'étude des résidus εt qui doivent être un bruit blanc gaussien fort (i.i.d.).

  • Les résidus sont de moyenne nulle et ne sont pas corrélés, on peut parler de bruit blanc faible, MAIS:
  • phénomène de "volatility clustering"
  • distribution à queues épaisses

(Kurtosis=12)

14/29

slide15

Hétéroscédasticité conditionnelle

Ces propriétés (classiques en finance) sont due au fait que la variance conditionnelle n'est pas constante

(hétéroscédasticité, du grec "hetero" → different et "skedastios" → dispersion)

On voit que les résidus sont non-corrélés mais pas indépendants.

L'hypothèse de processus ARIMA(2,1,2) pur est donc rejetée.

Autocorrélation des résidus au carré

15/29

slide16

I/Le problème à résoudre

II/ Rappels et modèles classiques de type ARMA

III/ Modélisation ARIMA et limitations

IV/ Modélisation GARCH des erreurs

V/ Prédiction multi-step et performances

16/29

slide17

Modélisation GARCH des erreurs

  • En pratique, l'hétéroscédasticité conditionnelle pose deux problèmes:
    • Le modèle ARMA pur sous-estime les risques pendant les périodes de forte volatilité, car la variance de l'erreur augmente.
    • L'estimation des paramètres est biaisée car l'algorithme OLS suppose que les résidus ont une variance constante.

On est donc amené à modéliser la variance des erreurs. Le modèle le plus populaire est le modèle GARCH(1,1) (Generalized Auto Regressive Conditionnal Heteroscedasticity):

σt est une estimation de la variance conditionnelle de l'erreur, elle change à chaque instant et ne se réalise qu'une seule fois.

17/29

slide18

Propriétés des processus GARCH

  • Pour qu'un processus GARCH soit stationnaire, il faut α+β<1
  • La variance non-conditionnelle est alors k/(1- α-β)
  • GARCH permet de reproduire l'autocorrélation des erreurs au carré et donc la 'volatility clustering'
  • GARCH produit des distribution 'leptokurtique' (à queues épaisses, K>3)

18/29

slide19

Modélisation ARIMA-GARCH

L'estimation des paramètre ARIMA et GARCH doit se faire conjointement: On initialise les paramètres ARIMA et GARCH par OLS puis on les 'rafine' conjointement par Maximum de Vraisemblance.

19/29

slide20

Validation

Les résidus ηt du modèle ARIMA-GARCH doivent être un bruit blanc gaussien de variance 1

Le modèle ARIMA-GARCH est validé.

20/29

slide21

I/Le problème à résoudre

II/ Rappels et modèles classiques de type ARMA

III/ Modélisation ARIMA et limitations

IV/ Modélisation GARCH des erreurs

V/ Prédiction multi-step et performances

21/29

slide22

Prédiction multi-step (1): l'espérance du processus à t+h

Le modèle est basé sur le processus différencié d'où:

Principe - Pour calculer les on itère h fois le modèle en remplaçant les erreurs futures par leur espérance, soit 0.

22/29

slide23

Prédiction multi-step (2): la variance l'erreur à t+h

Principe - On itère h fois l'équation ARMA en conservant les erreurs futurescar leur variance n'est pas nulle.

Les coefficients λi,j n'ont pas d'expression simple et sont calculés numériquement avec la suite:

C'est l'équation ARMA mais avec uniquement les erreurs futurs, on peut en effet les séparer grâce à la linéarité de l'équation.

23/29

slide24

Prédiction multi-step (2): la variance de Xt à t+h

On remplace les dans la première équation (différentiation) pour obtenir l'erreur de prédiction et+h à t+h:

Comme les erreurs sont décorrélées, on peut distribuer l'opérateur variance:

24/29

slide25

Prédiction multi-step (2): la variance de Xt à t+h

Principe - Les sont par définition les σt+j2. Pour le calculer leur espérance, on itère l'espérance de l'équation GARCH.

On calcule le terme générale de cette suite puis on remplace dans l'expression de la variance. Finalement :

25/29

slide26

Prédiction multi-step (3): La marge d'erreur à t+h

On sait que la distribution de l'erreur à t+h est gaussienne centrée, car c'est une somme de gaussienne centrée, d'où

26/29

slide27

Mesure des performances

On sait que la distribution de l'erreur à t+h est gaussienne centrée, car c'est une somme de gaussienne centrée, d'où

Coût

Link failure

27/29

slide28

Comparaison

Le modèle ARIMA-GARCH permet de réduire le coût de la majoration en estimant dynamiquement l'intervalle de confiance

  • Autres modèles de prédiction:
  • Persistance (At+10=At)
          • ONERA (chaîne de Markov à deux échantillons)
          • NASA (équation stochastique du premier ordre)
          • Portsmouth Univ. (ARMA adaptatif)
          • Glamorgan Univ. (neurone linéaire ADALINE)

28/29

slide29

Conclusion

Le modèle ARIMA-GARCH permet d'améliorer la gestion des risques en modélisant la variance de l'erreur de prédiction.

Ce modèle a déjà fait ses preuves dans de nombreux domaines et est couramment utilisé, que ce soit en finance, en architecture (force du vent), en hydrologie (débits des cours d'eau), ou en infrastructures réseau (traffic routier ou internet).

Ce modèle semble adapté aux processus ayant un lien avec les turbulences ou avec des systèmes organisés complexes (comportement fractal) qui sont fréquents en géophysique.

29/29