SERIES TEMPORELLES APPLIQUEES

Professeur

SYLVAIN BENOIT - Assistant professor in Economics, Université Paris-Dauphine

Les objectifs du cours

L'objectif de ce cours est d'étudier la théorie, la modélisation, la programmation et l'interprétation des principaux modèles de séries temporelles. Des applications à la finance seront effectuées à l'aide du logiciel Python. A la fin de ce cours, les étudiants seront capables de:

• Développer des connaissances de base en séries temporelles univariées adaptées aux données économiques et financières.
• Apprendre comment spécifier et estimer un modèle de séries temporelles sur ces données.
• Utiliser ces modèles pour la prévision et évaluer leur performances.
• Comprendre les principales méthodes de modélisation de la volatilité.

Pré-requis

Les étudiants doivent être inscrits au cours de Python pour la Finance appliquée et avoir validé les cours d'Introduction à l'économétrie de la finance

Plan du cours

1. Generalités sur les séries temporelles
   • Stationarité
   • Autocorrélation et bruit blanc
   • Tests d'autocorrelation
   • Non stationnarité
2. Les modèles ARMA
   • Le processus moyenne mobile
   • Le processus Auto regressif
   • Modèles ARMA et méthodes de Box-Jenkins
   • Estimation du maximum de vraisemblance
3. Sujets spécifiques et applications
   • Racines unitaires
   • Tendances
   • Saisonnalité
4. Volatility models
   •  GARCH
   • Volatilité stochastic
   • MS Switching
   • Price modeling: Spot and Forward models for electricity and gas prices
   • Vanilla energy derivatives
   • Structured derivatives and physical assets
   • Advanced computational methods for stochastic control in energy markets

Bibliographie

Brooks C (2008), Introductory econometrics for Finance, Cambridge Univ Pr.
Brockwell, P.J. et Davis, R.A. (2002), Introduction to time series and forecasting, Springer Verlag.
Campbell J., Lo A., et McKinley, A. (1997), The Econometrics of Financial Markets. NJ: Princeton University Press.
Francq C, et Zakoïan J.M. (2010), Garch models: Structure, statistical inference and financial applications, Wiley.
Hamilton J. D. (1994), Time Series Analysis, Princeton University Press.

Examen

Devoir masion (40%) + Examen final (60%)