Modélisation espace d'états de la dynamique des séries temporelles : traitement automatique des données du marché du cuivre

State space modeling of time series dynamic automatic treatment of the copper market data

• Auteur / Autrice : Osman Nakkar
• Direction : Michel Terraza
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques
• Date : Soutenance en 1994
• Etablissement(s) : Montpellier 1

Mots clés

Mots clés contrôlés

Espace des états, Méthodes de l'

Kalman, Filtrage de

Modèles mathématiques

Séries chronologiques

Résumé

Le modele espace d'etats et le filtre de kalman, utilises a l'origine en automatique applique, ont ete employes recemment en econometrie pour modeliser les series temporelles et pour estimer les modeles lineaires a coefficients variables. Apres avoir presente le model espace d'etats et le filtre de kalman qui lui est associe, nous abordons les problemes lies a l'identification et a l'estimation de ce modele. Nous proposons dans ce but de combiner les deux methodes de l'algorithme e. M. Et de la factorisation de la matrice de hankel. Pour modeliser les series temporelles non stationnaires, nous proposons l'utilisation d'un modele var a coefficients var iables. Les estimateurs de ces derniers sont obtenus a l'aide du filtre de kalman. Nous utilisons egalement un modele espace d'etats estime en deux etapes et qui est base sur l'idee classique de la decomposition d'une serie non stationnai re en composante tendancielle et en composante cyclique ou accidentelle non observables. L'application empirique au marche du cuivre met en evidence l'interet pratique du modele espace d'etats pour la previsio n et sa capacite a deceler les interactions dynamiques entre les differentes variables intervenant dans le modele grace a sa fonction de transfert.

The state space model and the kalman filter which are originally used in applied automatic, were used recently in econometrics to model the time series and to estimate the linear models with variables coefficients. Firstly, we present the state space model and the kalman filtre; then we discuss about the problems associated with the identification and estimation of that model. We propose to this end the combination of the two methods of e. M. Algorithm and hankel matrix factorization. To model the non stationary time series, we propose the utilization of a var model with variable coefficients. These later are estimated by the kalman filter. We also use a state space model estimated in two steps. This model is based on the calssical idea of decomposition of a non stationary serie into tendentiously component and accidental or cyclic component. The empiric application in the copper markt show up the practical advantage of state space model for the forecast and its ability to detect the dynamic interactions between the various variables witch intervene in the model with the help of its transfer function.