Table des matières
1. Introduction
Cet article présente un cadre de Dynamique Entropique pour modéliser les taux de change (FX) et évaluer les options européennes. L'objectif principal est de fournir une fondation alternative, basée sur la théorie de l'information, à la dynamique financière, allant au-delà du calcul stochastique traditionnel. Les auteurs, Mohammad Abedi et Daniel Bartolomeo, exploitent les principes de l'inférence entropique — une méthode de raisonnement sous information incomplète — pour dériver des modèles financiers bien connus à partir des premiers principes.
Ce travail relie les concepts abstraits d'entropie maximale et de géométrie de l'information à la finance pratique, aboutissant à la dérivation du Mouvement Brownien Géométrique (MBG) pour les taux de change et du modèle de Garman-Kohlhagen pour les options de change. Cette approche met en lumière la symétrie d'invariance d'échelle inhérente aux paires de devises, conduisant naturellement à modéliser le logarithme du taux de change.
2. Cadre théorique
2.1. Inférence entropique et entropie maximale
L'inférence entropique est un cadre inductif pour les situations où l'information est incomplète. Son premier outil est la théorie des probabilités pour représenter les états de croyance. Le second est l'entropie relative (ou divergence de Kullback-Leibler), utilisée pour mettre à jour les croyances lorsque de nouvelles informations arrivent, guidée par le Principe de Mise à Jour Minimale. Maximiser l'entropie relative donne la distribution a posteriori la moins biaisée qui intègre toute l'information disponible.
Le troisième outil est la géométrie de l'information, qui fournit une métrique sur l'espace des distributions de probabilité. Bien que peu explorée ici, les auteurs notent son importance potentielle pour la gestion de portefeuille et la dynamique multi-actifs.
2.2. Dynamique entropique et temps
La Dynamique Entropique applique l'inférence entropique pour modéliser l'évolution des systèmes. Une innovation clé est l'introduction d'un paramètre de temps entropique, qui est émergent et adapté au système spécifique plutôt que d'être une horloge universelle. Ce concept a été appliqué avec succès dans divers contextes physiques et est ici adapté à la finance.
2.3. Invariance d'échelle sur le marché des changes
Une symétrie fondamentale sur les marchés des changes est l'invariance d'échelle : la dynamique ne doit pas dépendre du fait que nous citions le taux de change comme USD/EUR ou sous sa forme réciproque. Cette symétrie dicte que le modèle doit être formulé en termes du logarithme du taux de change, $x = \ln S$, où $S$ est le taux de change au comptant. Des transformations comme $S \to \lambda S$ (un simple changement d'échelle) laissent la dynamique invariante lorsqu'elle est exprimée en termes de $x$.
3. Dérivation du modèle
3.1. Des principes entropiques au MBG
En partant de l'information a priori sur un taux de change — spécifiquement, sa valeur initiale et sa volatilité — les auteurs utilisent le cadre de la dynamique entropique pour dériver son évolution temporelle. En imposant des contraintes cohérentes avec les observations du marché (comme une variance finie) et en maximisant l'entropie, la distribution de probabilité résultante pour le futur logarithme du taux de change $x$ suit un processus de dérive-diffusion.
En revenant au taux au comptant $S = e^x$, ce processus devient le Mouvement Brownien Géométrique (MBG) familier : $$ dS_t = \mu S_t dt + \sigma S_t dW_t $$ où $\mu$ est la dérive, $\sigma$ est la volatilité, et $W_t$ est un processus de Wiener. La dérivation respecte manifestement l'invariance d'échelle.
3.2. Mesure risque-neutre et évaluation des options
Pour évaluer les produits dérivés, le principe d'absence d'arbitrage est invoqué. Les auteurs démontrent comment dériver une mesure risque-neutre $\mathbb{Q}$ dans le cadre entropique. Cela implique d'ajuster la dérive du processus MBG au différentiel de taux sans risque entre les deux devises, $(r_d - r_f)$.
Sous $\mathbb{Q}$, la dynamique devient : $$ dS_t = (r_d - r_f) S_t dt + \sigma S_t dW_t^{\mathbb{Q}} $$ L'évaluation d'une option d'achat européenne sur le taux de change avec cette dynamique conduit directement à la formule de Garman-Kohlhagen, l'analogue sur le marché des changes de la formule de Black-Scholes.
4. Résultats et discussion
4.1. Le modèle de Garman-Kohlhagen
Le résultat final de la dérivation entropique est le modèle de Garman-Kohlhagen pour le prix d'une option d'achat européenne : $$ C = S_0 e^{-r_f T} \Phi(d_1) - K e^{-r_d T} \Phi(d_2) $$ où $$ d_1 = \frac{\ln(S_0/K) + (r_d - r_f + \sigma^2/2)T}{\sigma\sqrt{T}}, \quad d_2 = d_1 - \sigma\sqrt{T} $$ $S_0$ est le taux au comptant, $K$ est le prix d'exercice, $T$ est le temps jusqu'à l'échéance, $r_d$ et $r_f$ sont les taux sans risque domestique et étranger, $\sigma$ est la volatilité, et $\Phi$ est la fonction de répartition normale centrée réduite.
4.2. Comparaison avec les méthodes traditionnelles
La contribution principale de l'article est méthodologique. Il retrouve des modèles établis (MBG, Garman-Kohlhagen) non pas par le calcul stochastique et les arguments de couverture, mais par une approche de théorie de l'information, basée sur les premiers principes de maximisation de l'entropie et de symétrie. Cela fournit une justification plus profonde et plus fondamentale pour ces modèles et ouvre la porte à leur généralisation en incorporant des contraintes d'information différentes ou plus complexes.
5. Idée centrale & Perspective de l'analyste
Idée centrale : Cet article ne propose pas une nouvelle formule d'évaluation meilleure ; c'est un coup de force philosophique. Il soutient que tout l'édifice de la finance en temps continu, de Bachelier à Black-Scholes, peut être reconstruit à partir de zéro en utilisant la théorie de l'information et le principe d'entropie maximale. Les auteurs disent essentiellement : « Oublions un instant le lemme d'Ito ; le comportement du marché est simplement la chose la moins surprenante qu'il puisse faire, compte tenu de ce que nous savons. » C'est un changement profond, passant de la modélisation des prix à la modélisation de la connaissance sur les prix.
Enchaînement logique : L'argument est élégant et parcimonieux. 1) Nous avons une information incomplète (une distribution a priori). 2) Nous avons une symétrie (invariance d'échelle). 3) Nous mettons à jour nos croyances en utilisant l'outil qui les change le moins (entropie relative maximale). 4) Cette mise à jour, interprétée comme une dynamique, nous donne le MBG. 5) L'absence d'arbitrage fixe la dérive, nous donnant la mesure risque-neutre pour l'évaluation. C'est une dérivation propre, guidée par des axiomes, qui rend l'argument traditionnel par EDP/couverture presque maladroit en comparaison.
Points forts & Limites : La force réside dans l'élégance fondamentale et le potentiel de généralisation. Comme on l'a vu en physique avec les travaux d'E.T. Jaynes et plus tard de Caticha, les méthodes entropiques excellent à dériver des résultats canoniques à partir de principes simples. La limite, comme pour beaucoup de théories élégantes, est l'écart avec la réalité désordonnée. Le cadre dérive élégamment le MBG, mais le MBG lui-même est un modèle imparfait pour le marché des changes (il sous-estime le risque de queue, ignore le clustering de volatilité). L'article mentionne brièvement des travaux futurs sur les sauts et la géométrie de l'information, qui constituent le véritable test. Ce cadre peut-il incorporer naturellement les faits stylisés des marchés (par ex., les queues épaisses) en ajoutant simplement les bonnes contraintes, ou nécessitera-t-il des ajustements ad hoc qui diluent sa pureté ?
Perspectives actionnables : Pour les quants et les validateurs de modèles, cet article est une lecture obligatoire. Il offre une nouvelle perspective pour l'évaluation du risque de modèle. Au lieu de simplement tester l'adéquation d'un modèle, demandez-vous : « Quelle information ce modèle suppose-t-il ? Cet ensemble d'information est-il complet ou approprié ? » Pour les innovateurs, la feuille de route est claire. L'étape suivante est d'utiliser ce cadre pour construire des modèles nouveaux. Contraintez la maximisation de l'entropie avec des informations sur les sourires de volatilité observés ou les fréquences de sauts, comme le suggère la référence des auteurs aux modèles de Bates et Heston. L'enjeu est une théorie cohérente et unifiée de l'évaluation des produits dérivés qui ne rafistole pas des modèles incompatibles. Les travaux de Peters et Gell-Mann (2016) sur l'économie ergodique montrent qu'une réflexion fondamentale similaire gagne du terrain. Cet article est un pas solide dans cette direction, mais le marché sera le juge ultime de son utilité au-delà de l'attrait philosophique.
6. Détails techniques
Le cœur mathématique implique de maximiser l'entropie relative $\mathcal{S}[P|Q]$ d'une distribution a posteriori $P(x'|x)$ par rapport à une distribution a priori $Q(x'|x)$, sous contraintes. Une contrainte clé est le déplacement quadratique attendu, qui introduit la volatilité $\sigma$ : $$ \langle (\Delta x)^2 \rangle = \kappa dt $$ où $\kappa$ est lié à la volatilité $\sigma$. La maximisation donne une probabilité de transition gaussienne : $$ P(x'|x) \propto \exp\left(-\frac{(x' - x - \alpha dt)^2}{2\kappa dt}\right) $$ qui, à la limite continue, conduit à l'EDS de dérive-diffusion pour $x_t$. Le lien avec l'EDP de Black-Scholes-Merton est établi via l'argument standard d'évaluation risque-neutre appliqué au processus MBG dérivé.
7. Exemple de cadre d'analyse
Cas : Incorporation d'informations du sourire de volatilité. Le cadre entropique permet l'intégration de données de marché supplémentaires. Supposons qu'au-delà du prix au comptant et de la volatilité historique, nous ayons également des informations du marché des options impliquant que la distribution risque-neutre des log-rendements n'est pas gaussienne mais présente une asymétrie négative et un excès de kurtosis (un sourire de volatilité).
Étape 1 : Définir les contraintes. En plus de la contrainte de variance $\langle (\Delta x)^2 \rangle = \sigma^2 dt$, nous ajoutons des contraintes de moments issues de la surface de volatilité implicite observée : $$ \langle (\Delta x)^3 \rangle = \tilde{S} dt, \quad \langle (\Delta x)^4 \rangle - 3\langle (\Delta x)^2 \rangle^2 = \tilde{K} dt $$ où $\tilde{S}$ et $\tilde{K}$ capturent l'asymétrie et le kurtosis par unité de temps.
Étape 2 : Maximiser l'entropie. Maximiser l'entropie relative avec ces quatre contraintes (moyenne, variance, asymétrie, kurtosis) conduit à une probabilité de transition $P(x'|x)$ décrite par une série de Gram-Charlier ou une distribution de la famille exponentielle plus générale, et non un simple gaussien.
Étape 3 : Dériver la dynamique. La limite en temps continu résultante serait un processus de diffusion avec une dérive et une volatilité dépendant de l'état, ou potentiellement un processus de saut-diffusion, dérivant effectivement un modèle comme ceux de Bates ou Heston à partir de premiers principes informationnels plutôt que de pré-spécifier un processus de volatilité stochastique.
Cet exemple démontre la puissance du cadre à généraliser systématiquement les modèles en incorporant explicitement des informations de marché plus granulaires comme contraintes.
8. Applications futures & Directions
Le cadre de la dynamique entropique ouvre plusieurs voies prometteuses pour la recherche future en finance quantitative :
- Portefeuilles multi-actifs & Géométrie de l'information : Les auteurs mentionnent l'application de la géométrie de l'information à la sélection de portefeuille. Cela pourrait conduire à de nouvelles stratégies d'allocation d'actifs basées sur la « distance » entre la distribution actuelle du marché et une distribution optimale cible, allant au-delà de l'optimisation moyenne-variance.
- Modélisation des faits stylisés : Le cadre se prête naturellement à l'incorporation de caractéristiques empiriques bien connues comme les queues épaisses, le clustering de volatilité et les effets de levier en ajoutant des contraintes dynamiques appropriées ou en rendant les contraintes elles-mêmes dépendantes du temps sur la base d'informations passées.
- Marchés non stationnaires et à changement de régime : La distribution a priori $Q$ dans l'entropie relative peut être mise à jour dynamiquement pour refléter les changements de régime de marché, offrant potentiellement une manière rigoureuse de construire des modèles adaptatifs qui répondent aux ruptures structurelles.
- Intégration de la finance comportementale : Les contraintes « d'information » pourraient être étendues pour inclure des métriques de sentiment ou d'attention des investisseurs, comblant ainsi l'écart entre la finance quantitative traditionnelle et les modèles comportementaux.
- Synergie avec l'apprentissage automatique : Le principe d'entropie maximale est une pierre angulaire de nombreuses méthodes d'apprentissage automatique. Ce cadre pourrait fournir une fondation rigoureuse en théorie de l'information pour les modèles hybrides ML-finance, expliquant pourquoi certaines architectures de réseaux neuronaux ou techniques de régularisation fonctionnent bien pour les séries temporelles financières.
L'objectif ultime est une théorie unifiée et axiomatique de la dynamique des marchés, à la fois théoriquement solide et empiriquement précise, réduisant le besoin de rapiéçage ad hoc de modèles courant dans l'ingénierie financière actuelle.
9. Références
- Jaynes, E. T. (1957). Information Theory and Statistical Mechanics. Physical Review, 106(4), 620–630.
- Caticha, A. (2012). Entropic Inference and the Foundations of Physics. In Proceedings of the MaxEnt 2012 conference.
- Garman, M. B., & Kohlhagen, S. W. (1983). Foreign currency option values. Journal of International Money and Finance, 2(3), 231–237.
- Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81(3), 637–654.
- Peters, O., & Gell-Mann, M. (2016). Evaluating gambles using dynamics. Chaos: An Interdisciplinary Journal of Nonlinear Science, 26(2), 023103. https://doi.org/10.1063/1.4940236
- Amari, S. I. (2016). Information Geometry and Its Applications. Springer.
- Bachelier, L. (1900). Théorie de la spéculation. Annales scientifiques de l'École Normale Supérieure, 3(17), 21–86.