Résumé Technique : Causalité de Granger dans les Extrêmes

1. Énoncé du Problème

La découverte de causalité dans les séries temporelles est cruciale pour comprendre les systèmes dynamiques, particulièrement lors de périodes de haute volatilité et d'événements extrêmes. Cependant, les méthodes de pointe se concentrent principalement sur la causalité au sein du « corps » de la distribution (par exemple, la causalité dans la moyenne ou la variance). Ces approches classiques échouent souvent à capturer les mécanismes qui se manifestent exclusivement lors d'événements extrêmes, tels que l'impact des rendements boursiers extrêmes sur d'autres actifs ou des précipitations extrêmes sur les crues de rivières. De plus, l'inférence causale standard est très sensible aux facteurs de confusion cachés, et les méthodes existantes d'analyse des événements extrêmes reposent souvent sur de fortes hypothèses concernant la variation régulière, l'équivalence de queue ou des modèles paramétriques spécifiques qui limitent leur applicabilité tant aux variables à queues lourdes qu'à celles à queues légères.

L'article répond au besoin d'un cadre capable de définir formellement et d'inférer une causalité de type Granger spécifiquement dans le contexte des événements extrêmes, capable de gérer des séries non linéaires et de haute dimension, et robuste aux facteurs de confusion cachés sous des conditions de queue spécifiques.

2. Méthodologie

2.1 Cadre Théorique : Causalité dans les Extrêmes

Les auteurs introduisent deux nouvelles définitions de la causalité dans les extrêmes pour un processus bivarié $(X, Y)$, conditionné par un ensemble de variables $Z$ (qui peut inclure les valeurs passées de $X$ et $Y$ ainsi que d'éventuels facteurs de confusion). Ces définitions reposent sur le coefficient de queue causal, une généralisation du coefficient introduit par Gnecco et al. (2020).

Soit $F$ une fonction de distribution telle que $F(x) < 1$ pour tout $x$. Le coefficient de queue causal ajusté pour $Z$ est défini comme :
$$\Gamma_{X \to Y|C} := \lim_{v \to \infty} \mathbb{E}[F(Y_{t+1}) \mid X_t > v, C^{-X}_t]$$
où $C^{-X}_t$ représente l'ensemble d'informations excluant le passé de $X$.

Le papier définit deux formes de causalité extrême :

1. Causalité de queue ($X \xrightarrow{tail} Y$) : La queue supérieure de $X$ cause la queue de $Y$ si l'espérance conditionnelle ci-dessus diffère de l'espérance de base $\mathbb{E}[F(Y_{t+1}) \mid C^{-X}_t]$.
2. Causalité extrême ($X \xrightarrow{ext} Y$) : Un extrême dans $X$ cause un extrême dans $Y$ si le coefficient est égal à 1 presque sûrement. Cela implique qu'un événement extrême dans $X$ rend un événement extrême dans $Y certain (la probabilité approche 1).

Le cadre s'étend aux décalages non unitaires (décalage max $p$), aux effets instantanés, aux deux queues (en utilisant $|X|$ et $|Y|$), et aux supports bornés.

2.2 Équivalence et Robustesse

Les auteurs établissent des équivalences formelles entre ces nouvelles définences et les concepts classiques :

• Sous l'hypothèse A1 (la dépendance structurelle ne s'annule pas dans les queues), $X \xrightarrow{ext} Y \iff X \xrightarrow{tail} Y \iff X \xrightarrow{G} Y$ (causalité de Granger).
• Robustesse aux facteurs de confusion cachés : Une contribution théorique clé est la démonstration que, sous des hypothèses de variation régulière (spécifiquement l'hypothèse de Grey) et de stationnarité, l'ajustement pour les facteurs de confusion $Z$ peut être ignoré lors du test de la causalité extrême. Spécifiquement, $\Gamma_{X \to Y|C} = 1 \iff \Gamma_{X \to Y|\emptyset} = 1$. Cela permet la détection de liens causaux extrêmes sans modéliser explicitement des facteurs de confusion de haute dimension, à condition que le comportement extrême de $X$ soit suffisamment piloté par ses propres innovations.

2.3 Estimation et Inférence

Le papier propose une procédure d'inférence non paramétrique et sans modèle :

• Estimateur : Un estimateur basé sur l'échantillon $\hat{\Gamma}_{X \to Y|Z}$ est construit en moyennant $F(y_{t+1})$ sur un sous-ensemble de pas de temps $S$ où $X_t$ est extrême (dépassant un seuil $\tau_n$) et où les facteurs de confusion $Z_t$ (et potentiellement $Y_t$) ne sont pas extrêmes.
• Sélection d'ensembles : Deux ensembles sont proposés pour $S$ :
  • $S_1$ : Conditions sur le fait que $X_t$ soit extrême et que $Z_t$ (et $Y_t$) soient en dessous d'un seuil fixe.
  • $S_2$ : Conditions sur le fait que $X_t$ soit extrême et que $(Y_t, Z_t)$ tombent dans une petite boule autour d'un point spécifique $(y_0, z_0)$.
• Consistance : Le Théorème 2 et le Théorème 3 prouvent que ces estimateurs sont consistants lorsque la taille de l'échantillon $n \to \infty$.
• Algorithme : Un algorithme de classification (Algorithme 1) compare le coefficient estimé à une valeur de base. Si $\hat{\Gamma} \approx 1$, il conclut à une causalité extrême ; sinon, il conclut à l'absence de causalité extrême.
• Extension Multivariée : L'Algorithme 2 étend cela à l'estimation d'un graphe causal complet pour $m$ variables. Il exploite la propriété de robustesse pour effectuer d'abord un criblage par paires (en ignorant les facteurs de confusion), puis pour affiner le graphe en conditionnant sur les parents, atteignant une complexité temporelle de $O(m^2 n \log n)$.
• Test : Une procédure de bootstrap par blocs mobiles est utilisée pour construire des intervalles de confiance pour les tests de causalité de queue, préservant ainsi les dépendances temporelles.

3. Résultats Clés

3.1 Contributions Théoriques

• Équivalence : Le papier prouve que sous des hypothèses structurelles modérées (A1/A2), la causalité dans les extrêmes est équivalente à la causalité de Granger et à la causalité structurelle classique.
• Robustesse à la confusion : Le Théorème 1 établit que pour des processus à variation régulière satisfaisant l'hypothèse de Grey, la présence de facteurs de confusion cachés ne modifie pas la détection de la causalité extrême ($\Gamma=1$) si la voie directe domine la voie de confusion dans les queues.
• Théorème du "No-Free-Lunch" : Les auteurs démontrent que sans restreindre la classe de modèles (par exemple, aux modèles causaux structurels), aucun test de niveau de validité n'existe pour la non-causalité de Granger ou la non-causalité dans les extrêmes, soulignant la nécessité des hypothèses structurelles utilisées.

3.2 Performance Empirique

• Simulations : Des études comparatives contre les méthodes de pointe (PCMCI avec RobustParCorr et GPDC) sur des modèles VAR et GARCH (tant gaussiens que à queues lourdes) montrent que la méthode proposée :
  • Atteint une erreur de modèle moyenne significativement plus faible dans presque tous les réglages, particulièrement dans les scénarios de haute dimension et à queues lourdes.
  • Est plus efficace sur le plan computationnel (par exemple, ~6 secondes contre >1 heure pour PCMCI-GPDC sur un jeu de données de 20 variables).
  • Démontre une robustesse aux facteurs de confusion cachés là où les autres méthodes échouent.
• Applications Réelles :
  • Hydro-météorologie : Appliquée aux données de débit de rivières et de précipitations en Suisse. La méthode a identifié avec succès que les précipitations extrêmes à une station source causent des débits extrêmes dans les stations en aval (causalité extrême), tout en montrant seulement une causalité de queue pour les stations où le lien causal est probabiliste ou bloqué par la géographie.
  • Cryptomonnaie : Analyse de 14 rendements de cryptomonnaies à haute fréquence. Le cadre a identifié le Bitcoin et le Litecoin comme les principaux moteurs des mouvements de marché extrêmes, révélant des structures causales cohérentes qui s'alignent avec les connaissances du marché (par exemple, le Bitcoin comme indicateur avancé).

4. Signification et Revendications

L'article affirme fournir le premier cadre formel de causalité de Granger dans les extrêmes qui comble le fossé entre la causalité prédictive et l'analyse des événements extrêmes. Sa signification réside dans :

1. Gestion des Extrêmes : Offrir un outil spécifiquement conçu pour les événements à fort impact et faible probabilité, là où les méthodes classiques basées sur la moyenne sont insuffisantes.
2. Robustesse : Fournir une garantie théorique que les liens causaux extrêmes peuvent être détectés même en présence de facteurs de confusion cachés, un défi majeur dans l'inférence causale observationnelle.
3. Utilité Pratique : Délivrer une implémentation rapide, non paramétrique et open-source qui surpasse les méthodes de pointe actuelles en précision et en vitesse, applicable à des domaines allant de la finance aux sciences du climat.

Les auteurs notent que bien que le cadre soit puissant, il repose sur des hypothèses de queue spécifiques (variation régulière, hypothèse de Grey) et des propriétés structurelles. Ils reconnaissent des questions ouvertes concernant l'extension de ces résultats de robustesse aux hypothèses de Kesten-Goldie et le développement d'alternatives plus rapides et théoriquement justifiées à la procédure de test par bootstrap.