| Summary: | Le niveau de stress financier peut être conceptualisé comme étant l'intensité des différents troubles qui affectent un système financier pour une période donnée. Il est possible d'estimer ce stress à travers le temps en se servant de données financières, lorsque celles-ci sont suffisament informatives. La série de valeurs obtenue par cette estimation est appelée un indice de stress financier. L'intérêt pour ces indices a été stimulé par les événements liés à la crise financière de 2008, et tant les variables utilisées que la manière de les aggréger ont fait l'objet de plusieurs études depuis. Les deux méthodes d'aggrégation principalement utilisées sont la moyenne pondérée par variable et l'analyse par composantes principales. Dans les deux cas, le caractère temporel des données n'est pas pris en compte, ce qui peut avoir des répercussions sur la fiabilité des résultats. Pour inclure cette caractéristique dans l'estimation, le présent mémoire propose d'utiliser un modèle espace-état estimé par filtre de Kalman. De plus, une extension au filtre classique est développée pour mieux prendre en compte les particularités des données financières. Des simulations permettent de montrer que, basé sur le critère de la racine de l'erreur quadratique moyenne, l'utilisation d'un modèle espace-état fournit des estimations généralement plus précises, même lorsqu'il y a erreur de spécication. Finalement, un indice de stress financier est estimé à l'aide de données réelles, afin de le comparer à un indice existant et d'illustrer certains usages des indices de stress financier. === The level of financial stress can be conceptualized as the intensity of troubles that are affecting a financial system for a given period. It is possible to estimate this stress through time by using financial data, when these are sufficiently informative. The time series obtained through this estimation is called a financial stress index. The interest for these indices has been stimulated by the 2008 crisis and both the variables to use and the way to aggregate them have been the subject of several studies since then. The two most frequently used agregation methods are the variable-weighted average and the principal component analysis. In both cases, the time aspect of the data is not taken into account, which can affect the reliability of the results. To include this time aspect in the estimation, the following dissertation proposes the use of a state-space model estimated through Kalman filtering. An extension to the classic filter is also developed to better account for the features of financial data. Simulations show that, based on the root mean square error, the use of a state-space model gives more accurate estimates on average, even when there are specication errors. Finally, a financial stress index is estimated from real data to allow for comparison with an existing index and to illustrate some uses of financial stress indices.
|
|---|
