Modélisation et prévision de la volatilité des taux de change dans le domaine temps-fréquence

Table des matières

1. Introduction & Aperçu

Cet article présente une nouvelle approche pour modéliser et prévoir la volatilité financière, spécifiquement pour les taux de change, en intégrant l'analyse de données haute fréquence avec des techniques de décomposition temps-fréquence. L'innovation centrale réside dans l'enrichissement du cadre Realized GARCH avec des mesures de volatilité réalisée décomposées par ondelettes et un estimateur de sauts spécialisé. Cela permet au modèle de disséquer la volatilité en composantes correspondant à différents horizons d'investissement (échelles de temps) et de prendre en compte séparément l'impact des sauts de prix discontinus. La recherche est motivée par la nature hétérogène des participants au marché qui opèrent sur des horizons temporels variés, des traders haute fréquence aux investisseurs à long terme.

Les auteurs démontrent que leurs modèles "Jump-GARCH" proposés, estimés à la fois par le Maximum de Vraisemblance et le cadre Generalized Autoregressive Score (GAS), fournissent des prévisions statistiquement supérieures par rapport aux modèles GARCH conventionnels et aux modèles de volatilité réalisée populaires. L'analyse utilise des données de contrats à terme sur devises couvrant la crise financière de 2007-2008, fournissant un test de résistance robuste pour la méthodologie.

2. Méthodologie & Cadre technique

2.1 Cadre Realized GARCH

Le modèle Realized GARCH comble l'écart entre les modèles GARCH traditionnels et les données haute fréquence en incorporant une mesure de volatilité réalisée $RV_t$ directement dans l'équation de volatilité. La structure de base comprend une équation de rendement, une équation GARCH pour la volatilité latente, et une équation de mesure reliant la volatilité latente à la mesure réalisée.

2.2 Décomposition multi-échelle par ondelettes

Pour capturer la nature multi-horizon de la volatilité, les auteurs utilisent une transformée en ondelettes. Cet outil mathématique décompose la série de volatilité réalisée en composantes orthogonales représentant différentes échelles de temps (par exemple, les dynamiques intrajournalières, quotidiennes, hebdomadaires). Si $RV_t$ est la volatilité réalisée, sa décomposition en ondelettes peut être représentée comme :

$RV_t = \sum_{j=1}^J D_{j,t} + S_{J,t}$

où $D_{j,t}$ représente la composante de volatilité ("détail") à l'échelle $j$ (correspondant à une bande de fréquence spécifique), et $S_{J,t}$ est la composante lisse capturant la tendance à plus long terme. Chaque $D_{j,t}$ approxime l'activité de trading et le flux d'information à un horizon d'investissement spécifique.

2.3 Détection des sauts & Estimateur JTSRV

Une avancée critique est l'intégration de la variation due aux sauts. Les auteurs utilisent un estimateur Jump Two Scale Realized Volatility (JTSRV). Cet estimateur sépare la variation quadratique totale en la variance intégrée continue (IV) et la variance de saut discontinue (JV) :

$RV_t \approx IV_t + JV_t$

Cette séparation est cruciale car les sauts et la volatilité continue ont souvent des propriétés de persistance et de prévision différentes.

2.4 Estimation : MLE vs. GAS

Les modèles Jump-GARCH proposés sont estimés en utilisant deux méthodes : 1) L'estimation du Quasi-Maximum de Vraisemblance (QMLE), et 2) le cadre observation-driven Generalized Autoregressive Score (GAS). Le cadre GAS, introduit par Creal et al. (2013), met à jour les paramètres en fonction du score de la fonction de vraisemblance, offrant une robustesse et une adaptabilité potentielles aux erreurs de spécification du modèle.

3. Analyse empirique & Résultats

3.1 Données & Configuration expérimentale

L'étude utilise des données haute fréquence pour les contrats à terme sur devises (probablement des paires majeures comme EUR/USD). La période d'échantillonnage inclut la crise financière de 2007-2009, permettant d'examiner la performance du modèle sous stress extrême. Les prévisions sont évaluées pour les horizons à un jour et à plusieurs jours à l'avance.

3.2 Performance de prévision

Les modèles proposés sont comparés à des modèles standards comme GARCH(1,1) et HAR-RV. L'évaluation utilise des fonctions de perte statistique (par exemple, MSE, QLIKE). Les principaux résultats sont présentés dans un tableau comparatif (simulé ci-dessous) :

Note : Les valeurs sont des ratios illustratifs par rapport au benchmark GARCH(1,1).

3.3 Principaux résultats & Perspectives

• La séparation des sauts est clé : Démêler la variation due aux sauts de la variance intégrée améliore systématiquement la précision des prévisions.
• La dominance haute fréquence : L'échelle de temps la plus informative pour la volatilité future est la composante haute fréquence (horizon court) de la décomposition en ondelettes.
• La supériorité du modèle : Les nouveaux modèles Jump-GARCH avec décomposition en ondelettes surpassent statistiquement à la fois les modèles GARCH conventionnels et les modèles Realized GARCH standards.
• Résilience en période de crise : Les modèles démontrent une performance robuste pendant la période de crise financière.

4. Idée centrale & Perspective de l'analyste

Idée centrale : Cet article délivre un message puissant, mais sous-estimé : la volatilité n'est pas un processus monolithique mais stratifié. En refusant de traiter le marché comme une entité unique et homogène et en utilisant plutôt les ondelettes pour le disséquer en ses horizons d'investissement constitutifs, les auteurs ouvrent la boîte noire de la dynamique de volatilité. La conclusion selon laquelle les composantes à court terme et haute fréquence pilotent les prévisions est un défi direct pour les modèles qui surpondèrent les tendances à long terme et souligne la domination croissante du trading algorithmique et haute fréquence dans la découverte des prix et la formation de la volatilité.

Enchaînement logique : L'argument est élégamment construit. Il part du fait empirique bien établi de l'hétérogénéité des agents du marché (du modèle HAR de Corsi). Il pose ensuite logiquement la question : si les agents opèrent sur différentes échelles de temps, nos modèles ne devraient-ils pas refléter cela ? La décomposition en ondelettes est la réponse technique parfaite. L'intégration subséquente du risque de saut – une autre réalité non-gaussienne et discontinue des marchés – complète le tableau. Le passage de l'intuition économique (hétérogénéité) à l'outil mathématique (ondelettes) puis au résultat empirique (amélioration des prévisions) est convaincant.

Points forts & Faiblesses : Le principal point fort est la fusion réussie d'économétrie sophistiquée (Realized GARCH, ondelettes, détection des sauts) en un cadre cohérent et empiriquement performant. Il va au-delà de simples comparaisons de modèles pour fournir une véritable compréhension de la source de la prévisibilité. L'utilisation du cadre GAS est également tournée vers l'avenir. La principale faiblesse, commune dans cette littérature, est le sentiment de "robustesse en échantillon" du test. Bien que la période de crise soit incluse, un véritable test hors-échantillon sur des données entièrement nouvelles (par exemple, le krach COVID de 2020) serait plus convaincant. De plus, la complexité computationnelle du modèle ondelette-GARCH-sauts peut limiter son application en temps réel dans certains systèmes de trading, un obstacle pratique non abordé.

Perspectives actionnables : Pour les quants et les gestionnaires de risque, cet article est un plan directeur. Premièrement, décomposez, puis modélisez. Appliquer un simple filtre en ondelettes à votre série de volatilité avant de l'introduire dans votre modèle d'apprentissage automatique ou économétrique préféré pourrait donner des gains immédiats. Deuxièmement, traitez les sauts séparément. Construire un signal dédié pour la détection des sauts et modéliser son impact indépendamment, comme fait avec le JTSRV, est une meilleure pratique non négociable pour tout modèle de volatilité sérieux post-2008. Enfin, concentrez votre énergie de prévision sur la couche haute fréquence. Allouez plus de ressources de recherche et de calcul à la compréhension et à la prédiction des dynamiques de volatilité intrajournalières, car c'est là que se trouve le signal prédictif le plus significatif.

5. Détails techniques & Formulation mathématique

Le modèle Jump-GARCH central avec composantes en ondelettes peut être résumé comme suit :

Équation de rendement : $r_t = \sqrt{h_t} z_t$, où $z_t \sim i.i.d.(0,1)$.

Équation GARCH : $h_t = \omega + \beta h_{t-1} + \gamma \xi_{t-1}$.

Équation de mesure (Améliorée) :
$\log(RV_t) = \xi + \phi \log(h_t) + \tau_1 z_t + \tau_2 (z_t^2 - 1) + \sum_{j=1}^J \delta_j D_{j,t} + \lambda J_t + u_t$
où $u_t \sim i.i.d.(0, \sigma_u^2)$. Ici, $D_{j,t}$ sont les composantes de détail en ondelettes de $RV_t$, et $J_t$ est la composante de saut significative identifiée par l'estimateur JTSRV.

Le modèle estime les paramètres $\theta = (\omega, \beta, \gamma, \xi, \phi, \tau_1, \tau_2, \{\delta_j\}, \lambda)$ pour capturer la dynamique entre la volatilité latente, les mesures réalisées, les sauts et les composantes multi-échelles.

6. Cadre d'analyse : Exemple de cas

Scénario : Un fonds spéculatif quantitatif souhaite améliorer sa prévision quotidienne de Value-at-Risk (VaR) pour un portefeuille de trading EUR/USD.

Étape 1 - Préparation des données : Acquérir les rendements intrajournaliers à 5 minutes pour EUR/USD. Calculer une volatilité réalisée de base (par exemple, RV) et appliquer une transformée en ondelettes (en utilisant une bibliothèque comme PyWavelets en Python) pour la décomposer en 3 échelles : D1 (dynamiques de 2-4 heures), D2 (4-8 heures), D3 (8-16 heures). Séparément, appliquer l'estimateur JTSRV pour extraire la série de sauts quotidiens $J_t$.

Étape 2 - Spécification & Estimation du modèle : Estimer le modèle Jump-GARCH de la section 5, où l'équation de mesure inclut D1, D2, D3 et $J_t$ comme variables exogènes. Comparer la log-vraisemblance et les critères d'information avec un modèle Realized GARCH standard.

Étape 3 - Prévision & Application : Générer la prévision de volatilité à un jour $\hat{h}_{t+1}$ à partir du modèle estimé. Utiliser cette prévision pour calculer la VaR (par exemple, $VaR_{t+1}^{\alpha} = -\Phi^{-1}(\alpha) \sqrt{\hat{h}_{t+1}}$). Tester rétrospectivement (backtest) les prévisions de VaR par rapport au P&L réel pour évaluer la précision de la couverture.

Résultat attendu : Les prévisions de VaR du modèle Jump-GARCH avec ondelettes devraient présenter une couverture plus précise (moins d'exceptions) et être moins susceptibles de sous-estimer le risque après des jours avec des sauts importants ou des schémas de volatilité intrajournalière spécifiques.

7. Applications futures & Directions de recherche

• Intégration de l'apprentissage automatique : Les composantes en ondelettes $D_{j,t}$ et la série de sauts $J_t$ pourraient servir de caractéristiques très informatives pour les modèles d'apprentissage automatique (par exemple, LSTM, Gradient Boosting) pour la prévision de volatilité, dépassant ainsi la structure GARCH linéaire/paramétrique.
• Contagion de volatilité inter-actifs : Appliquer la décomposition multi-échelle pour étudier comment la volatilité se transmet entre classes d'actifs (par exemple, des actions aux devises) à différents horizons temporels. Un krach boursier se transmet-il via les composantes de volatilité à court terme ou à long terme ?
• Signaux de trading en temps réel : Développer des stratégies de trading qui utilisent explicitement l'écart entre les composantes de volatilité à court et long horizon comme signal de retour à la moyenne ou de momentum.
• Analyse des banques centrales & des politiques : Utiliser le cadre pour analyser l'impact des annonces de politique monétaire sur la volatilité des devises, en distinguant le "pic d'information" haute fréquence immédiat de l'assimilation à plus long terme de l'information.
• Extension aux cryptomonnaies : Tester le modèle sur les marchés de cryptomonnaies 24/7, caractérisés par des sauts extrêmes et un comportement multi-échelle des investisseurs, des bots algorithmiques aux "HODLers" à long terme.

8. Références

1. Barunik, J., Krehlik, T., & Vacha, L. (2015). Modeling and forecasting exchange rate volatility in time-frequency domain. Preprint, arXiv:1204.1452v4.
2. Corsi, F. (2009). A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, 7(2), 174-196.
3. Hansen, P. R., & Lunde, A. (2005). A forecast comparison of volatility models: does anything beat a GARCH(1,1)? Journal of Applied Econometrics, 20(7), 873-889.
4. Creal, D., Koopman, S. J., & Lucas, A. (2013). Generalized autoregressive score models with applications. Journal of Applied Econometrics, 28(5), 777-795.
5. Gençay, R., Selçuk, F., & Whitcher, B. (2005). Multiscale systematic risk. Journal of International Money and Finance, 24(1), 55-70.
6. McAleer, M., & Medeiros, M. C. (2008). A multiple regime smooth transition heterogeneous autoregressive model for long memory and asymmetries. Journal of Econometrics, 147(1), 104-119.
7. Andersen, T. G., & Bollerslev, T. (1998). Answering the skeptics: Yes, standard volatility models do provide accurate forecasts. International Economic Review, 39(4), 885-905.