Objectifs de la formation
Une série temporelle – ou séries chronologique – est une suite d'observations indexée par le temps. On modélise la dynamique temporelle et jointe des séries temporelles par des processus stochastiques à temps discret. Les principales applications des séries temporelles sont la modélisation des séries macroéconomiques et financières. Elles peuvent être aussi utilisées dans d'autres sciences comme la physique, la biologie, la géologie (crues du Nil, Hurst 1951), la santé (taux d'hormone dans le sang), etc.
L’objectif de ce cours de séries temporelles est de balayer un grand nombre de modèles économétriques sans rentrer dans les démonstrations mathématiques : pour séries univariées stationnaires (modèles ARMA, application aux taux d’intérêts à court terme), non stationnaires (modèles ARIMA, application aux taux de change), à variance conditionnelle (modèles GARCH, application à la volatilité des indices boursiers), multivariées stationnaires (modèles VAR, application aux rendements des titres boursiers) et non stationnaires (notion de coïntégration, modèle VECM, applications aux taux de change et aux produits dérivés). Pour chaque chapitre, il y aura une application sur données réelles avec le logiciel Eviews.
Nouveau : les modèles équivalent avec réseaux de neurones artificiels seront abordés.
Mots-clés
Processus stochastique à temps discret, économétrie, estimations, tests, interprétation économique, logiciel Eviews.
Programme
Chap 1. Introduction à la notion de séries temporelles. Chap 2. Modèles autorégressifs à moyenne mobile (ARMA) Modèle de base.
- réseaux de neurones récurrents. LSTM. Chap 3. Modèles d’hétéroscédasticité conditionnelle autorégressive (ARCH) Modèles spécifiques aux rendements des titres financiers. Ils prennent en compte les périodes de volatilité observées sur les marchés financiers.
- Modèles à volatilité neuronale Chap 4. Notion de racine unitaire et modèles ARIMA Modèles pour les series non stationnaires, telles que les séries macroéconomiques et les séries des prix en finance. Réseaux neuronaux et non stationnarité. Chap 5. Modèles autorégressifs vectoriels (VAR) Modèles pour traiter conjointement un ensemble de séries temporelles stationnaires. Chap 6. Notion de cointegration, modèle VECM Modèles pour traiter conjointement un ensemble de séries temporelles non-stationnaires.
Compétences visées
- Savoir : modélisation de séries temporelles par processus stochastique. Savoir-faire : Applications sur des problématiques macroéconomiques et financières.
Évaluation
50% examen d'un heure. 50% projet en binôme.