Dans cette thèse, nous nous intéressons à l'estimation de modèles conditionnellement hétéroscédastiques (CH) sous différentes hypothèses. Dans une première partie, en modifiant l'hypothèse d'identification usuelle du modèle, nous définissions un estimateur de quasi-maximum de vraisemblance (QMV) non gaussien et nous montrons que, sous certaines conditions, cet estimateur est plus efficace que l'estimateur du quasi maximum de vraisemblance gaussien. Nous étudions dans une deuxième partie l'inférence d'un modèle CH dans le cas où le processus des innovations est distribué selon une loi alpha stable. Nous établissons la consistance et la normalité asymptotique de l'estimateur du maximum de vraisemblance. La loi alpha stable n'apparaissant que comme loi limite, nous étudions ensuite le comportement de ce même estimateur dans le cas où la loi du processus des innovations n'est plus une loi alpha stable mais est dans le domaine d'attraction d'une telle loi. Dans la dernière partie, nous étudions l'estimation d'un modèle GARCH lorsque le processus générateur de données est un modèle CH dont les coefficients sont sujets à des changements de régimes markoviens. Nous montrons que cet estimateur, dans un cadre mal spécifié, converge vers une pseudo vraie valeur et nous établissons sa loi asymptotique. Nous étudions cet estimateur lorsque le processus observé est stationnaire mais nous détaillons également ses propriétés asymptotiques lorsque ce processus est non stationnaire et explosif. Par des simulations, nous étudions les capacités prédictives du modèle GARCH mal spécifié. Nous déterminons ainsi la robustesse de ce modèle et de l'estimateur du QMV à une erreur de spécification de la volatilité. / In this thesis, we focus on the inference of conditionally heteroskedastic models under different assumptions. This thesis consists of three parts and an introductory chapter. In the first part, we use an alternate identification assumption of the model and we define a non Gaussian quasi maximum likelihood estimator. We show that, under certain conditions, this estimator is more efficient than the Gaussian quasi maximum likelihood estimator. In a second part, we study the inference of a conditionally heteroskedastic model when the process of the innovations is distributed as an alpha stable law. We establish the consistency and the asymptotic normality of the maximum likelihood estimator. Since the alpha stable laws appear in general as a limit, we then focus of the behavior of this same estimator when the law of the innovation process is not stable but in the domain of attraction of a stable law. In the last part of this thesis, we study the estimation of a GARCH model when the data generating process is a conditionally heteroskedastic model whose coefficients are subject to Markov switching regimes. We show that, in a missspecified framework, this estimator converges toward a pseudo true value and we establish its asymptotic properties when this process is non stationary and explosive. Through simulations, we investigate the predictive ability of the missspecified GARCH model. Thus we determinate the robustness of the model and of the estimator of the quasi maximum likelihood to the missspecification of the volatility

Dans cette thèse, nous nous intéressons à l'estimation de modèles conditionnellement hétéroscédastiques (CH) sous différentes hypothèses. Dans une première partie, en modifiant l'hypothèse d'identification usuelle du modèle, nous définissions un estimateur de quasi-maximum de vraisemblance (QMV) non gaussien et nous montrons que, sous certaines conditions, cet estimateur est plus efficace que l'estimateur du quasi maximum de vraisemblance gaussien. Nous étudions dans une deuxième partie l'inférence d'un modèle CH dans le cas où le processus des innovations est distribué selon une loi alpha stable. Nous établissons la consistance et la normalité asymptotique de l'estimateur du maximum de vraisemblance. La loi alpha stable n'apparaissant que comme loi limite, nous étudions ensuite le comportement de ce même estimateur dans le cas où la loi du processus des innovations n'est plus une loi alpha stable mais est dans le domaine d'attraction d'une telle loi. Dans la dernière partie, nous étudions l'estimation d'un modèle GARCH lorsque le processus générateur de données est un modèle CH dont les coefficients sont sujets à des changements de régimes markoviens. Nous montrons que cet estimateur, dans un cadre mal spécifié, converge vers une pseudo vraie valeur et nous établissons sa loi asymptotique. Nous étudions cet estimateur lorsque le processus observé est stationnaire mais nous détaillons également ses propriétés asymptotiques lorsque ce processus est non stationnaire et explosif. Par des simulations, nous étudions les capacités prédictives du modèle GARCH mal spécifié. Nous déterminons ainsi la robustesse de ce modèle et de l'estimateur du QMV à une erreur de spécification de la volatilité.

Nous abordons divers problèmes concernant les séries temporelles fonctionnelles. Il s'agit de processus stochastiques discrets à valeurs dans un espace fonctionnel. La principale motivation provient de l’interprétation séquentielle d'un phénomène continu. Si par exemple on observe des données météorologiques au cours du temps de manière continue, il est naturel de segmenter ce processus en une série temporelle fonctionnelle indexée par les jours. Chaque terme de la série représente la courbe journalière. Dans un premier temps, nous nous sommes intéressés à l'analyse spectrale. Plus précisément nous avons montré que sous des hypothèses très générales, la transformée de Fourier discrète d’une telle série est asymptotiquement normale et a pour variance l’opérateur de densité spectrale. Une application possible de ce résultat est de tester la présence de composantes périodiques dans une série fonctionnelle. Nous avons développé un test valable pour une fréquence arbitraire. Pour ce faire, nous avons étudié le comportement asymptotique du maximum de la norme de la transformée de Fourier. Enfin, nous avons travaillé sur la généralisation fonctionnelle du modèle GARCH. Ce modèle permet de décrire la dynamique de la volatilité, c’est-à-dire de la variance conditionnelle, dans les données financières. Nous avons proposé une méthode d’estimation des paramètres du modèle, inspirée de l’estimateur de quasi-maximum de vraisemblance. Nous avons montré que cet estimateur est convergent et asymptotiquement normal, puis nous l’avons évalué sur des simulations et appliqué à des données réelles. / Doctorat en Sciences / info:eu-repo/semantics/nonPublished

Nous présentons dans cette thèse en premier lieu la méthode de Bootstrap par permutation appliquée à la méthode des blocs maxima utilisée en théorie des valeurs extrêmes (TVE) univariée. La méthode est basée sur un échantillonnage particulier des données en utilisant les rangs des blocs maxima dont la distribution est présentée et introduite dans les simulations. Elle amène à une réduction de la variance des paramètres de la loi GEV et des quantiles estimés. En second lieu, on s’intéresse au cas où les observations sont indépendantes mais non identiquement distribuées en TVE. Cette variation dans la distribution est quantifiée en utilisant une fonction dite « skedasis function » notée c qui représente la fréquence des extrêmes. Ce modèle a été introduit par Einmahl et al. dans le papier « Statistics of heteroscedastic extremes ». On étudie plusieurs modèles paramétriques pour c (log-linéaire, linéaire, log-linéaire discret) ainsi que les résultats de consistance et de normalité asymptotique du paramètre θ représentant la tendance. Le test θ =0 contre θ ≠0 est interprété alors comme un test de détection de tendance dans les extrêmes. Nous illustrons nos résultats dans une étude par simulation qui montre en particulier que les tests paramétriques sont en général plus puissants que les tests non paramétriques pour la détection de la tendance, d’où l’utilité de notre travail. Nous discutons en plus le choix du seuil k en appliquant la méthode de Lepski. Enfin, nous appliquons la méthodologie sur les données de températures minimales et maximales dans la région de Fort Collins, Colorado durant le 20ème siècle afin de détecter la présence d’une tendance dans les extrêmes sur cette période. En troisième lieu, on dispose d’un jeu de données de précipitation journalière maximale sur 24 ans dans 40 stations. On réalise une prédiction spatio-temporelle des quantiles correspondants à un niveau de retour de 20 ans pour les précipitations mensuelles dans chaque station. Nous utilisons des modèles de GEV en introduisant des covariables dans les paramètres. Le meilleur modèle est choisi en termes d’AIC et par la méthode de validation croisée. Pour chacun des deux modèles choisis, nous estimons les quantiles extrêmes. Finalement, on applique la TVE unvariée et bivariée sur les vitesses du vent et la hauteur des vagues dans une région au Liban en vue de protéger la plateforme pétrolière qui y sera installée de ces risques environnementaux. On applique d’abord la théorie univariée sur la vitesse du vent et la hauteur des vagues séparément en utilisant la méthode des blocs maximas pour estimer les paramètres de la GEV et les niveaux de retour associés à des périodes de retour de 50, 100 et 500 années. Nous passons ensuite à l’application de la théorie bivariée afin d’estimer la dépendance entre les vents et les vagues extrêmes et d’estimer des probabilités jointes de dépassement des niveaux de retour univariés. Nous associons ces probabilités jointes de dépassement à des périodes de retour jointes et nous les comparons aux périodes de retour marginales. / We firstly present in this thesis the permutation Bootstrap method applied for the block maxima (BM) method in extreme value theory. The method is based on BM ranks whose distribution is presented and simulated. It performs well and leads to a variance reduction in the estimation of the GEV parameters and the extreme quantiles. Secondly, we build upon the heteroscedastic extremes framework by Einmahl et al. (2016) where the observations are assumed independent but not identically distributed and the variation in their tail distributions is modeled by the so-called skedasis function. While the original paper focuses on non-parametric estimation of the skedasis function, we consider here parametric models and prove the consistency and asymptotic normality of the parameter estimators. A parametric test for trend detection in the case where the skedasis function is monotone is introduced. A short simulation study shows that the parametric test can be more powerful than the non-parametric Kolmogorov-Smirnov type test, even for misspecified models. We also discuss the choice of threshold based on Lepski's method. The methodology is finally illustrated on a dataset of minimal/maximal daily temperatures in Fort Collins, Colorado, during the 20th century. Thirdly, we have a training sample data of daily maxima precipitation over 24 years in 40 stations. We make spatio-temporal prediction of quantile of level corresponding to extreme monthly precipitation over the next 20 years in every station. We use generalized extreme value models by incorporating covariates. After selecting the best model based on the Akaike information criterion and the k-fold cross validation method, we present the results of the estimated quantiles for the selected models. Finally, we study the wind speed and wave height risks in Beddawi region in the northern Lebanon during the winter season in order to protect the oil rig that will be installed. We estimate the return levels associated to return periods of 50, 100 and 500 years for each risk separately using the univariate extreme value theory. Then, by using the multivariate extreme value theory we estimate the dependence between extreme wind speed and wave height as well as joint exceedance probabilities and joint return levels to take into consideration the risk of these two environmental factors simultaneously.

Cette thèse de doctorat a pour objectif principal d'étudier certaines propriétés probabilistes et statistiques de modèles de volatilité contenant des variables explicatives exogènes. Elle comporte deux parties.Dans une première partie, nous étudions le comportement asymptotique de l'estimation du quasi-maximum de vraisemblance (QMV) pour la classe polyvalente des modèles PGARCH semi-forts augmentés avec des covariables. Les hypothèses principales sur les variables exogènes sont la stationnarité et la non-colinéarité avec les autres variables explicatives de la volatilité. Pour la distribution asymptotique du QMV, nous étudions quatre situations différentes correspondant à des modèles forts ou semi-forts, et des paramètres à l'intérieur ou au bord de l'espace des paramètres. Nous montrons la normalité asymptotique du QMV sans imposer aucune condition de moment sur le processus observé lorsque le paramètre GARCH-X appartient à l'intérieur de l'espace des paramètres. Par contre, quand un ou plusieurs coefficients sont égaux à zéro, les conditions de moment d'ordre 4 sont requises pour que la matrice d'information soit finie et la loi asymptotique est alors la projection d'une loi normale sur un cône convexe . Comme la vraie valeur du paramètre n'est pas contrainte à appartenir à l'intérieur de l'espace des paramètres, nous proposons des tests pour déterminer l'ordre du modèle et vérifier la signification des variables exogènes. La deuxième partie est consacrée à l'étude de l'influence des variables exogènes sur les matrices de covariance conditionnelle de rendements d'actifs. Plus précisément, nous considérons des modèles BEKK avec variables exogènes. Les paramètres sont estimés par deux méthodes qui s'appellent l'estimation par ciblage de la variance et l'estimation équation par équation. Ces deux méthodes nous permettent de réduire la complexité numérique liée à l'estimation d'un nombre élevé des paramètre des modèles GARCH multivariés, en particulier, en présence de variables exogènes. La consistance ainsi que la loi limite de ces estimateurs sont établies pour des hypothèses relativement peu restrictives. En particulier, les innovations sont supposées être une différence de martingales au lieu d'être iid. Nos résultats sont illustrés par des expériences de Monte Carlo et des applications sur séries réelles. / This PhD Dissertation is dedicated to the study of probabilistic and statistical properties of volatility models augmented with exogenous variables. It consists of two parts which are summarized below. In the first part of this work, we study asymptotic behavior of the QMLE for the versatile class of the semi-strong PGARCH models augmented with exogenous variables. The main assumptions on the exogenous variables are the stationarity and the non-colinearity with the other explanatory variables of the volatility. For the asymptotic distribution of the QMLE, we investigated four different situations corresponding to strong or semi-strong models, and to parameters inside or at the boundary of the parameter space. When the GARCH-X parameter belongs to the interior of the parameter space, the asymptotic distribution of the QMLE is normal, whereas it is the projection of a normal distribution on a convex cone when one or several coefficients are equal to zero. For models with positive GARCH coefficients, the asymptotic distribution is obtained under very mild conditions, in particular, without any moment condition on the observed process. When the GARCH parameter stands at the boundary, fourth-order moment conditions are required for the information matrix to be finite. Our asymptotic results are obtained under conditions that are only marginally stronger than these optimal moment conditions, which extends and improves the results that existed for GARCH models without covariables. The second part is devoted to studying the influence of exogenous variables on the conditional covariance matrix of asset returns. Specifically, we consider BEKK models augmented with exogenous variables. The parameters are estimated by two methods which are called the variance targeting estimation and equation by equation estimation. Both methods allow us to reduce the curse of dimensionality which appears when modeling a conditional covariance matrix, particularly in the presence of exogenous variables. The consistency and the asymptotic distribution of these estimators are established under mild assumptions. In particular, the innovation is assumed to be a martingale difference instead of iid. Our results are illustrated by Monte Carlo experiences and the applications on real series.