• xmlui.mirage2.page-structure.header.title
    • français
    • English
  • Help
  • Login
  • Language 
    • Français
    • English
View Item 
  •   BIRD Home
  • CEREMADE (UMR CNRS 7534)
  • CEREMADE : Thèses
  • View Item
  •   BIRD Home
  • CEREMADE (UMR CNRS 7534)
  • CEREMADE : Thèses
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Browse

BIRDResearch centres & CollectionsBy Issue DateAuthorsTitlesTypeThis CollectionBy Issue DateAuthorsTitlesType

My Account

LoginRegister

Statistics

Most Popular ItemsStatistics by CountryMost Popular Authors
Thumbnail

Approches nouvelles des modèles GARCH multivariés en grande dimension

New approaches for high-dimensional multivariate GARCH models

Poignard, Benjamin (2017), Approches nouvelles des modèles GARCH multivariés en grande dimension, doctoral thesis prepared under the supervision of Fermanian, Jean-David, Université Paris Dauphine

View/Open
2017PSLED010.pdf (1.985Mb)
Type
Thèse
Date
2017-06-15
Metadata
Show full item record
Author(s)
Poignard, Benjamin
Under the direction of
Fermanian, Jean-David
Abstract (FR)
Ce document traite du problème de la grande dimension dans des processus GARCH multivariés. L'auteur propose une nouvelle dynamique vine-GARCH pour des processus de corrélation paramétrisés par un graphe non dirigé appelé "vine". Cette approche génère directement des matrices définies-positives et encourage la parcimonie. Après avoir établi des résultats d'existence et d'unicité pour les solutions stationnaires du modèle vine-GARCH, l'auteur analyse les propriétés asymptotiques du modèle. Il propose ensuite un cadre général de M-estimateurs pénalisés pour des processus dépendants et se concentre sur les propriétés asymptotiques de l'estimateur "adaptive Sparse Group Lasso". La grande dimension est traitée en considérant le cas où le nombre de paramètres diverge avec la taille de l'échantillon. Les résultats asymptotiques sont illustrés par des expériences simulées. Enfin dans ce cadre l'auteur propose de générer la sparsité pour des dynamiques de matrices de variance covariance. Pour ce faire, la classe des modèles ARCH multivariés est utilisée et les processus correspondants à celle-ci sont estimés par moindres carrés ordinaires pénalisés.
Abstract (EN)
This document contributes to high-dimensional statistics for multivariate GARCH processes. First, the author proposes a new dynamic called vine-GARCH for correlation processes parameterized by an undirected graph called vine. The proposed approach directly specifies positive definite matrices and fosters parsimony. The author provides results for the existence and uniqueness of stationary solution of the vine-GARCH model and studies its asymptotic properties. He then proposes a general framework for penalized M-estimators with dependent processes and focuses on the asymptotic properties of the adaptive Sparse Group Lasso regularizer. The high-dimensionality setting is studied when considering a diverging number of parameters with the sample size. The asymptotic properties are illustrated through simulation experiments. Finally, the author proposes to foster sparsity for multivariate variance covariance matrix processes within the latter framework. To do so, the multivariate ARCH family is considered and the corresponding parameterizations are estimated thanks to penalized ordinary least square procedures.
Subjects / Keywords
Corrélations partielles; Estimateur du QMV; M-Estimateurs pénalisés; Propriété oracle; Stationnarité; Vine régulière; Oracle property; Partial correlations; Penalized M-Estimators; QML estimator; Regular vine; Stationarity

Related items

Showing items related by title and author.

  • Thumbnail
    Contributions to unsupervised learning from massive high-dimensional data streams : structuring, hashing and clustering 
    Morvan, Anne (2018-11-12) Thèse
  • Thumbnail
    Monte Carlo methods for sampling high-dimensional binary vectors 
    Schäfer, Christian (2012-11) Thèse
  • Thumbnail
    Rank penalized estimators for high-dimensional matrices 
    Klopp, Olga (2011) Article accepté pour publication ou publié
  • Thumbnail
    Sampling High-Dimensional Gaussian Distributions for General Linear Inverse Problems 
    Orieux, François; Féron, Olivier; Giovannelli, Jean-François (2012) Article accepté pour publication ou publié
  • Thumbnail
    Existence of a non-averaging regime for the self-avoiding walk on a high-dimensional infinite percolation cluster 
    Lacoin, Hubert (2014) Article accepté pour publication ou publié
Dauphine PSL Bibliothèque logo
Place du Maréchal de Lattre de Tassigny 75775 Paris Cedex 16
Phone: 01 44 05 40 94
Contact
Dauphine PSL logoEQUIS logoCreative Commons logo