Contrairement à la première partie ou nous avons construit un indicateur de volatiltié, pour effectuer ensuite une régression pour y dégager les determinants explicatifs, nous allons ici modéliser la volatilité à l’aide du processus (G)ARCH précédemment décrit plus haut.

1 – description statistique des rendements du prix des matières prmeières agricoles en termes reels :

cluster de volatiltié : on peut observer la propriété des clusters de volatilité avec de fortes variations des rendements suivies de fortes variations, avec un regroupement des extrêmens en paquet de volatiltié : * il se pourrait que la volatilité soit non constant dans le temps au vue d’une première interpretation graphique.

Analyse de la distributions des rendements CRB et statistiques desriptives

Coefficient kurtosis : il représente une mesure de l’aplatissement de la distribution statistique de notre série. Celui-ci est supérieur à 3, qui est la valeure de reference pour une loi normal, on peut donc parler d’excès de kurtosis et la distribution est dite ici leptokurtic, ce qui se traduit concrètement par une plus forte occurrence des valeurs extremes, remettant en cause l’idée meme d’une loi de distribution normale pour notre série.

Coefficient skewness : ce coefficient représente un indicateur d’assymétrie de notre distribution, qui prend une valeur nulle pour une loi normale. Il vaut ici -0.70 et est donc largement éloignée de la valeur nulle associée à une loi normale, ce qui suggère la presence d’une forte assymétrie. Ici, le signe étant negatives, cela illustre donc un phénomène de non linéarité de sorte que la réponse de la volatilité sera différente selon le signe du choc. Ici, un choc negative impliquera une volatilité plus importante qu’un choc de signe positif.

Loi de distribution : enfin, le test de Jarque Bera utilise ici, conclude au rejet de l’hypothèse nulle de normalité de la distribution des rendements.

Au vue d’une première interpretation