Relevance of detecting outliers in GARCH models for modelling and forecasting financial data

In this study we apply an outlier detection procedure in a GARCH model to nine daily stock market indexes. We identify outliers for all the series and attempt to associate them to economic and financial events. We show that the detected outliers affect the normality coefficients, and mostly, the evidence for non-normality is reduced after correcting for outliers. We also find that GARCH models for outlier corrected series yield substantial forecasting improvement over GARCH models for the original returns.

Dans cette étude nous appliquons une procédure d'identification des outliers dans un modèle GARCH à neuf séries journalières d'indices boursiers. Des outliers sont identifiés dans toutes les chroniques et sont associés à des événements économiques et financiers. En outre, ces outliers affectent les coefficients de normalité, et leur correction permet d'une part de réduire, le plus souvent, la présence de non normalité, et d'autre part d'améliorer les prévisions de la volatilité lors d'une modélisation GARCH.