Show simple item record

New approaches for high-dimensional multivariate GARCH models

dc.contributor.advisorFermanian, Jean-David
hal.structure.identifier
dc.contributor.authorPoignard, Benjamin*
dc.date.accessioned2017-07-10T13:51:38Z
dc.date.available2017-07-10T13:51:38Z
dc.date.issued2017-06-15
dc.identifier.urihttps://basepub.dauphine.fr/handle/123456789/16596
dc.description.abstractfrCe 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.fr
dc.language.isoen
dc.subjectCorrélations partiellesfr
dc.subjectEstimateur du QMVfr
dc.subjectM-Estimateurs pénalisésfr
dc.subjectPropriété oraclefr
dc.subjectStationnaritéfr
dc.subjectVine régulièrefr
dc.subjectOracle propertyen
dc.subjectPartial correlationsen
dc.subjectPenalized M-Estimatorsen
dc.subjectQML estimatoren
dc.subjectRegular vineen
dc.subjectStationarityen
dc.subject.ddc519.5
dc.titleApproches nouvelles des modèles GARCH multivariés en grande dimensionfr
dc.titleNew approaches for high-dimensional multivariate GARCH modelsen
dc.typeThèsefr
dc.contributor.editoruniversityUniversité Paris Dauphine
dc.description.abstractenThis 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.en
dc.identifier.theseid2017PSLED010
dc.subject.ddclabelProbabilités et mathématiques appliquéesfr
hal.author.functionaut


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record