Connectivité Asymétrique de la Volatilité sur les Marchés des Changes : Propagation de la Mauvaise vs. Bonne Volatilité

Table des Matières

• 1. Introduction
• 2. Méthodologie
  • 2.1 Mesure de la Connectivité de la Volatilité
  • 2.2 Cadre Asymétrique de la Semi-Variance
  • 2.3 Données et Échantillon
• 3. Résultats Empiriques
  • 3.1 Dynamique de la Connectivité Totale
  • 3.2 Schémas de Propagation Asymétrique
  • 3.3 Analyse des Retombées Nettes
• 4. Principaux Enseignements
• 5. Détails Techniques et Formulation Mathématique
• 6. Résultats Expérimentaux et Figures
• 7. Exemple de Cadre Analytique
• 8. Perspectives d'Application et Orientations Futures
• 9. Analyse Originale
• 10. Références
• 11. Commentaire d'Expert : Idée Centrale, Logique, Forces et Faiblesses, Perspectives Actionnables

1. Introduction

Le phénomène de volatilité asymétrique (PVA) est un fait stylisé bien documenté : la volatilité sur les marchés financiers est plus élevée après des baisses de marché et plus faible après des hausses. Cependant, bien que le PVA ait été étudié de manière intensive, les asymétries dans les retombées de volatilité — comment la mauvaise par rapport à la bonne volatilité se propage entre les actifs — ont reçu beaucoup moins d'attention. Cet article de Baruník, Kočenda et Vácha (2016) comble cette lacune en étudiant la connectivité asymétrique de la volatilité sur les marchés des changes à l'aide de données intrajournalières haute fréquence de 2007 à 2015 pour les devises les plus activement négociées.

Les auteurs documentent que les retombées de volatilité négative (mauvaise) dominent celles positives (bonne), en particulier pendant la crise de la dette souveraine européenne. Les retombées positives sont corrélées à la crise des subprimes, aux politiques monétaires divergentes des banques centrales et à l'évolution des marchés des matières premières. L'étude fournit des preuves nouvelles que les facteurs fiscaux sont liés à des retombées nettes négatives, tandis qu'une combinaison d'événements monétaires et d'économie réelle entraîne des asymétries nettes positives.

2. Méthodologie

2.1 Mesure de la Connectivité de la Volatilité

Les auteurs utilisent le cadre de connectivité de Diebold et Yilmaz (2015), qui utilise la décomposition de la variance des autorégressions vectorielles (VAR) pour quantifier les retombées. L'indice de connectivité totale mesure la proportion de la variance de l'erreur de prévision contribuée par les chocs inter-actifs. Les retombées directionnelles (vers les autres, des autres) et les retombées nettes sont calculées pour identifier les émetteurs et les récepteurs de volatilité.

2.2 Cadre Asymétrique de la Semi-Variance

Pour capturer l'asymétrie, les auteurs décomposent la volatilité réalisée en semi-variances à la baisse (mauvaise) et à la hausse (bonne) selon Barndorff-Nielsen, Kinnebrock et Shephard (2010). La mauvaise volatilité est associée aux rendements négatifs, la bonne volatilité aux rendements positifs. Les mesures de connectivité sont ensuite calculées séparément pour les composantes de mauvaise et de bonne volatilité, permettant l'identification des dynamiques de propagation asymétrique.

2.3 Données et Échantillon

L'ensemble de données couvre la période 2007-2015 avec des données intrajournalières à 5 minutes pour six paires de devises majeures : EUR/USD, GBP/USD, USD/JPY, USD/CHF, AUD/USD et USD/CAD. La période d'échantillonnage comprend la crise financière mondiale, la crise de la dette souveraine européenne et les divergences politiques ultérieures. La volatilité réalisée et les semi-variances sont calculées quotidiennement à partir des rendements intrajournaliers.

3. Résultats Empiriques

3.1 Dynamique de la Connectivité Totale

L'indice de connectivité totale fluctue dans le temps, atteignant des pics pendant les périodes de crise. La connectivité totale moyenne est d'environ 60 %, ce qui indique une interdépendance substantielle entre les devises. Les pics se produisent lors de la crise financière de 2008 et de la crise de la dette européenne de 2011-2012, la connectivité dépassant 80 %.

3.2 Schémas de Propagation Asymétrique

Les retombées de mauvaise volatilité sont systématiquement plus importantes que les retombées de bonne volatilité. La connectivité moyenne de la mauvaise volatilité est d'environ 65 %, tandis que celle de la bonne volatilité est d'environ 55 %. L'asymétrie est la plus prononcée pendant la crise de la dette souveraine européenne, où les mauvaises retombées dominent. Les retombées positives sont plus importantes pendant la crise des subprimes et les périodes de divergence des politiques monétaires.

3.3 Analyse des Retombées Nettes

L'analyse des retombées nettes révèle que l'EUR/USD est un émetteur net de mauvaise volatilité pendant la crise de la dette européenne, tandis que l'USD/JPY agit comme un récepteur net. L'AUD/USD montre des retombées nettes positives pendant les booms des matières premières. L'asymétrie nette (mauvaise moins bonne) est positive pour la plupart des devises pendant les périodes de crise, confirmant que la mauvaise volatilité se propage plus fortement.

4. Principaux Enseignements

• Domination de la Mauvaise Volatilité : Les retombées négatives sont systématiquement plus importantes que les positives, en particulier en période de crise.
• Asymétrie Liée aux Événements : Les événements fiscaux (dette souveraine) entraînent des retombées nettes négatives ; les événements monétaires et d'économie réelle entraînent des retombées nettes positives.
• Hétérogénéité des Devises : Différentes devises présentent des rôles distincts en tant qu'émetteurs ou récepteurs de mauvaise/bonne volatilité.
• Implications pour les Portefeuilles : Les retombées asymétriques ont des conséquences directes sur les stratégies de couverture et de diversification.

5. Détails Techniques et Formulation Mathématique

La volatilité réalisée est décomposée en semi-variances à la baisse et à la hausse :

$RV_t = \sum_{i=1}^{N} r_{t,i}^2$

$RS^-_t = \sum_{i=1}^{N} r_{t,i}^2 \cdot I(r_{t,i} < 0)$

$RS^+_t = \sum_{i=1}^{N} r_{t,i}^2 \cdot I(r_{t,i} > 0)$

où $r_{t,i}$ est le rendement intrajournalier, et $I(\cdot)$ est la fonction indicatrice. Les mesures de connectivité sont basées sur un modèle VAR d'ordre $p$ :

$\mathbf{x}_t = \sum_{k=1}^{p} \mathbf{\Phi}_k \mathbf{x}_{t-k} + \mathbf{\epsilon}_t$

La décomposition de la variance de l'erreur de prévision à $H$ pas donne la matrice de retombées $\mathbf{D}$, où $d_{ij}$ est la contribution de la variable $j$ à la variance de l'erreur de prévision de la variable $i$. L'indice de connectivité totale est :

$C = \frac{\sum_{i \neq j} d_{ij}}{\sum_{i,j} d_{ij}} \times 100$

Les retombées directionnelles (des autres, vers les autres) et les retombées nettes sont calculées de manière analogue pour les semi-variances mauvaise et bonne séparément.

6. Résultats Expérimentaux et Figures

Figure 1 : Indice de connectivité totale au fil du temps (2007-2015). L'indice atteint un pic à plus de 80 % lors de la crise financière de 2008 et de la crise de la dette européenne de 2011-2012, avec une ligne de base autour de 60 %.

Figure 2 : Connectivité de la mauvaise vs. bonne volatilité. L'indice de connectivité de la mauvaise volatilité (ligne continue) se situe constamment au-dessus de l'indice de connectivité de la bonne volatilité (ligne pointillée), avec un écart moyen de 10 points de pourcentage.

Figure 3 : Retombées nettes asymétriques (mauvaise moins bonne) pour chaque devise. L'EUR/USD montre une asymétrie nette positive importante pendant 2011-2012, tandis que l'USD/JPY montre une asymétrie nette négative pendant la même période.

Tableau 1 : Retombées directionnelles moyennes (2007-2015). L'EUR/USD transmet 25 % de sa variance aux autres (mauvaise volatilité) contre 18 % (bonne volatilité). L'USD/JPY reçoit 30 % des autres (mauvaise) contre 22 % (bonne).

7. Exemple de Cadre Analytique

Étude de Cas : Crise de la Dette Souveraine Européenne (2011-2012)

Pendant cette période, les retombées de mauvaise volatilité de l'EUR/USD vers les autres devises ont fortement augmenté. L'asymétrie nette pour l'EUR/USD a atteint +15 points de pourcentage, ce qui signifie que la mauvaise volatilité s'est transmise bien plus que la bonne. Pour l'USD/JPY, l'asymétrie nette était de -10 points, indiquant qu'il était un récepteur net de mauvaise volatilité. Cette asymétrie est attribuée aux préoccupations fiscales dans la zone euro, qui ont déclenché un sentiment d'aversion au risque et une fuite vers les devises refuges comme le JPY et l'USD.

Application Pratique : Un gestionnaire de portefeuille détenant des positions en EUR/USD et USD/JPY devrait ajuster les ratios de couverture pendant les crises, car les retombées de mauvaise volatilité amplifient les corrélations et réduisent les avantages de la diversification. En utilisant le cadre de connectivité asymétrique, le gestionnaire peut identifier les devises qui sont des émetteurs nets de mauvaise volatilité et augmenter les couvertures en conséquence.

8. Perspectives d'Application et Orientations Futures

Le cadre de connectivité asymétrique de la volatilité a des applications larges au-delà des marchés des changes. Les recherches futures pourraient étendre l'analyse à :

• Marchés des Cryptomonnaies : Application du cadre au Bitcoin et à d'autres actifs numériques, qui présentent une volatilité extrême et des asymétries potentielles.
• Retombées Inter-Actifs : Examen des asymétries entre les actions, les obligations, les matières premières et les devises simultanément.
• Surveillance en Temps Réel : Développement de systèmes d'alerte précoce basés sur des indices de retombées asymétriques pour détecter l'accumulation de risque systémique.
• Analyse des Politiques : Évaluation de l'impact des interventions des banques centrales sur la propagation asymétrique de la volatilité.
• Intégration de l'Apprentissage Automatique : Utilisation de réseaux de neurones pour prévoir les retombées asymétriques et optimiser les stratégies de couverture dynamique.

9. Analyse Originale

Cet article apporte une contribution significative en étendant la littérature sur la connectivité de la volatilité pour incorporer l'asymétrie, une dimension largement ignorée dans les travaux antérieurs. L'utilisation de données haute fréquence et de la décomposition en semi-variance est méthodologiquement solide et fournit des informations granulaires. La constatation que la mauvaise volatilité domine pendant les crises fiscales tandis que la bonne volatilité est liée aux divergences de politique monétaire est économiquement intuitive et s'aligne sur la littérature sur l'effet de levier (Black, 1976).

Cependant, l'étude présente des limites. L'échantillon se limite à six paires de devises majeures, excluant les devises des marchés émergents qui pourraient présenter des schémas d'asymétrie différents. La mesure de connectivité basée sur le VAR suppose une linéarité, qui peut ne pas capturer les dépendances non linéaires lors d'événements extrêmes. De plus, l'identification des facteurs causaux (fiscaux vs. monétaires) est basée sur une corrélation narrative plutôt que sur un test causal formel.

Comparé à Baruník et al. (2016) sur les actions américaines, le marché des changes montre une connectivité globale plus élevée mais des schémas d'asymétrie similaires. Cela suggère que l'asymétrie dans les retombées de volatilité est une caractéristique universelle des marchés financiers, et non une anomalie spécifique à un actif. Les résultats complètent également les travaux de Diebold et Yilmaz (2015) en ajoutant une nouvelle dimension à l'analyse de la connectivité.

D'un point de vue pratique, les résultats ont des implications directes pour la gestion des risques. Les gestionnaires de portefeuille devraient tenir compte des retombées asymétriques lors de la construction de couvertures, car les corrélations augmentent davantage en période de baisse qu'en période de hausse. Les régulateurs pourraient utiliser la connectivité asymétrique comme un outil macroprudentiel pour surveiller le risque systémique, car les pics de mauvaises retombées précèdent souvent les crises.

10. Références

• Baruník, J., Kočenda, E., & Vácha, L. (2016). Asymmetric volatility connectedness on forex markets. arXiv:1607.08214.
• Baruník, J., Kočenda, E., & Vácha, L. (2015). Asymmetric volatility connectedness: A new approach and evidence from oil commodities. Energy Economics, 52, 220-235.
• Barndorff-Nielsen, O. E., Kinnebrock, S., & Shephard, N. (2010). Measuring downside risk: Realised semivariance. In Volatility and Time Series Econometrics (pp. 117-136). Oxford University Press.
• Black, F. (1976). Studies of stock price volatility changes. Proceedings of the 1976 Meetings of the American Statistical Association, 171-181.
• Diebold, F. X., & Yilmaz, K. (2015). Financial and Macroeconomic Connectedness: A Network Approach to Measurement and Monitoring. Oxford University Press.
• Kitamura, Y. (2010). Testing for intraday interdependence and volatility spillover among the euro, the pound and the Swiss franc. Journal of International Money and Finance, 29(5), 943-960.
• BIS (2013). Triennial Central Bank Survey: Foreign exchange turnover in April 2013. Bank for International Settlements.

11. Commentaire d'Expert : Idée Centrale, Logique, Forces et Faiblesses, Perspectives Actionnables

Idée Centrale : Cet article ne se contente pas de mesurer les retombées de volatilité — il prouve que les mauvaises nouvelles voyagent plus vite et plus loin que les bonnes nouvelles sur les marchés des changes. L'asymétrie n'est pas un artefact statistique ; c'est une caractéristique structurelle entraînée par des régimes économiques distincts : les crises fiscales amplifient les mauvaises retombées, tandis que les divergences de politique monétaire entraînent les bonnes retombées. C'est un changement de paradigme pour quiconque pensait que les corrélations sur le forex étaient symétriques.

Logique : Les auteurs commencent par une lacune claire : tout le monde sait que la volatilité est asymétrique, mais personne n'a testé si les retombées sont asymétriques. Ils construisent une méthodologie rigoureuse en décomposant la volatilité réalisée en semi-variances mauvaise et bonne, puis en les intégrant dans le cadre de connectivité de Diebold-Yilmaz. La section empirique est bien structurée : d'abord la connectivité totale, puis l'asymétrie, ensuite les retombées nettes, et enfin l'interprétation économique. Le flux est logique et facile à suivre, bien que les affirmations de causalité (fiscale vs. monétaire) soient plus suggestives que prouvées.

Forces et Faiblesses : La plus grande force est la nouveauté — c'est le premier article à documenter la connectivité asymétrique de la volatilité sur les marchés des changes. L'utilisation de données haute fréquence (5 minutes) est un atout majeur, car elle capture les dynamiques intrajournalières que les données quotidiennes manqueraient. La décomposition en semi-variance est élégante et théoriquement fondée. Cependant, l'échantillon se limite à six paires majeures, ignorant les devises des marchés émergents qui pourraient se comporter différemment. Le modèle VAR suppose une linéarité, ce qui est un peu forcé pendant les périodes de crise où les non-linéarités dominent. De plus, l'attribution des moteurs des retombées aux événements fiscaux vs. monétaires est basée sur une inspection visuelle des séries temporelles, et non sur des tests d'hypothèses formels. Cela affaiblit le récit causal.

Perspectives Actionnables : Pour les gestionnaires de portefeuille : arrêtez de supposer des corrélations symétriques. Pendant les crises, les ratios de couverture devraient être augmentés de 20 à 30 % car les mauvaises retombées amplifient le risque de baisse. Pour les banques centrales : la connectivité asymétrique peut servir d'indicateur d'alerte précoce — un pic de mauvaises retombées de l'EUR/USD vers d'autres devises signale un stress systémique. Pour les chercheurs : étendez ce cadre aux cryptomonnaies, qui présentent une asymétrie extrême, et aux retombées inter-actifs (par exemple, du forex aux actions). La méthodologie est mûre pour des améliorations par l'apprentissage automatique — utilisez des réseaux LSTM pour prévoir les retombées asymétriques en temps réel. Enfin, les régulateurs devraient considérer la connectivité asymétrique comme un outil macroprudentiel ; l'article montre que les mauvaises retombées culminent avant les crises majeures, offrant un indicateur avancé potentiel.