Asymétrie, kurtose et test de Jarque-Bera

Gestion des risques quantitatifs en R

Alexander McNeil

Professor, University of York

Asymétrie et kurtose

$$ = {1 \over n}\sum_{t=1}^n(X_t-\hat{\mu})^3 \over \hat{\sigma}^3 $$

$$ = {1 \over n}\sum_{t=1}^n(X_t-\hat{\mu})^4 \over \hat{\sigma}^4 $$

library(moments)

skewness(ftse)

-0.01187921

kurtosis(ftse)

7.437121

Compare l'asymétrie et la kurtose des données aux valeurs normales théoriques (0 et 3)
Détecte une asymétrie, des queues épaisses ou les deux

$$ T = {1 \over 6}n\left(b^2 + \frac{1}{4}(k - 3)^2\right) $$

jarque.test(ftse)

    Jarque-Bera Normality Test
data: ftse
JB = 428.23, p-value < 2.2e-16
alternative hypothesis: greater

Les rendements quotidiens sont souvent très non normaux
Et les rendements sur de plus longs intervalles ?
Hebdo, mensuels, trimestriels obtenus par sommation
Rappel : TCL — ils peuvent être plus proches de la normale
Moins de données, donc tests moins puissants
On peut aussi analyser des sommes chevauchantes ou mobiles de rendements

Gestion des risques quantitatifs en R