Detecting Sparse Cointegration

1. Problématique et Contexte

L'article aborde le défi de détecter des relations de cointégration dans des environnements de haute dimension (où le nombre de variables explicatives $p$ est grand, potentiellement supérieur ou proche de la taille de l'échantillon $n$).

• Le problème : Les méthodes classiques de cointégration (Engle-Granger, Johansen) sont conçues pour des systèmes de faible dimension et deviennent inadéquates ou instables lorsque $p$ est grand. De plus, dans les données économiques et financières de haute dimension, la cointégration est souvent sparse : une série cible $y_t$ n'est cointégrée qu'avec un petit sous-ensemble de variables parmi un grand nombre de candidats potentiels.
• La difficulté spécifique : Identifier ce sous-ensemble pertinent (sélection de modèle) tout en distinguant une véritable relation d'équilibre à long terme (résidus stationnaires $I(0)$) d'une régression fallacieuse (résidus non stationnaires $I(1)$), en présence d'endogénéité, de corrélation sérielle et potentiellement de cointégration interne entre les prédicteurs eux-mêmes.

2. Méthodologie Proposée

Les auteurs proposent une procédure en deux étapes combinant l'apprentissage statistique moderne (Lasso adaptatif) et des critères d'information.

Étape 1 : Estimation et Sélection par Lasso Adaptatif

• Objectif : Identifier le sous-ensemble de covariables actives ($S$) qui forment la relation de cointégration avec la série cible $y_t$.
• Modèle : Régression unique $y_t = \beta_0 + x_t'\beta + z_t$, où $x_t$ est un vecteur de $p$ processus $I(1)$.
• Estimateur : Utilisation du Lasso adaptatif (Adaptive Lasso).
  • Minimisation d'une fonction de perte avec pénalité $L_1$ pondérée : $\sum (y_t - \beta_0 - x_t'\beta)^2 + \lambda_n \sum w_j |\beta_j|$.
  • Les poids $w_j$ sont adaptatifs (généralement $1/|\hat{\beta}_{OLS}|^\gamma$), permettant de pénaliser plus sévèrement les coefficients faibles et de préserver les coefficients significatifs.
  • Particularité : Contrairement aux applications standards sur données stationnaires, les auteurs n'utilisent pas de standardisation des prédicteurs $I(1)$ (moyenne et variance non définies asymptotiquement de la même manière), mais s'appuient sur les poids adaptatifs pour gérer les échelles.
• Résultat : Obtention d'un ensemble de prédicteurs sélectionnés $\hat{S}$ et de résidus estimés $\hat{z}_t$.

Étape 2 : Inférence sur la Stationnarité via Critère d'Information

• Objectif : Déterminer si les résidus $\hat{z}_t$ sont stationnaires ($I(0)$, preuve de cointégration) ou non stationnaires ($I(1)$, régression fallacieuse).
• Approche : Reformulation du test de racine unitaire comme un problème de sélection de modèle basé sur l'information, évitant ainsi les distributions asymptotiques non standard des tests ADF/KPSS classiques.
• Modèles comparés :
  • $M_0$ (Restriction) : Modèle AR($k$) en différences premières (implique une racine unitaire, $\phi=0$).
  • $M_1$ (Non restreint) : Modèle ADF incluant le niveau retardé (implique la stationnarité, $\phi < 0$).
• Critère de décision : Comparaison de critères d'information (type BIC) :
  $$IC_{n,0} = \ln(\hat{\sigma}^2_0) + \frac{c_n}{n}(k+1) \quad \text{vs} \quad IC_{n,1} = \ln(\hat{\sigma}^2_1) + \frac{c_n}{n}(k+2)$$
  Si $IC_{n,0} > IC_{n,1}$, on choisit $M_1$ (cointégration). Sinon, on choisit $M_0$ (pas de cointégration).
• Régularisation finie : Pour éviter le sur-ajustement (overfitting) dans les échantillons finis lorsque $\rho \approx 1$, les auteurs introduisent un mécanisme de "plafonnement" (capping) du nombre de coefficients sélectionnés à l'étape 1.

3. Contributions Théoriques Clés

1. Robustesse à la structure interne de cointégration : La contribution théorique majeure (Proposition 3) démontre que la règle de décision basée sur les résidus reste consistante (converge vers la bonne décision) indépendamment de la structure de cointégration interne des prédicteurs $x_t$. Même si les prédicteurs sont eux-mêmes cointégrés (rendant le vecteur $\beta$ non unique), les résidus $\hat{z}_t$ héritent correctement de l'ordre d'intégration de l'erreur vraie $z_t$ ($I(0)$ ou $I(1)$).
2. Comportement du Lasso Adaptatif en régression fallacieuse : La Proposition 2 montre que, dans le cas d'une régression fallacieuse ($\rho=1$) sans cointégration interne à droite, le Lasso adaptatif tend à sélectionner tous les prédicteurs (sur-ajustement), car la pénalité ne peut pas annuler les tendances stochastiques spuriées.
3. Évitement des distributions limites complexes : En utilisant un critère d'information plutôt qu'un test de ratio de vraisemblance, la méthode contourne la dépendance aux paramètres de nuisance et aux distributions limites non standard typiques des tests de cointégration en haute dimension.

4. Résultats des Expérimentations (Monte Carlo)

Les simulations couvrent divers scénarios de cointégration interne (C0 à C3) et de persistance ($\rho$).

• Performance de sélection (Étape 1) :
  • Dans les conditions idéales (pas de cointégration interne ou uniquement parmi les inactifs), le Lasso adaptatif retrouve avec une haute probabilité le vrai ensemble actif (propriété de "sure-screening").
  • En cas de cointégration interne parmi les actifs, la sélection exacte du support devient plus difficile, mais les actifs ne sont généralement pas exclus (taux de faux négatifs faible).
  • En cas de régression fallacieuse ($\rho=1$), le nombre de variables sélectionnées augmente fortement, confirmant la tendance à l'overfitting.
• Comportement des résidus (Étape 2) :
  • Les résidus $\hat{z}_t$ imitent fidèlement le processus $z_t$ (corrélation proche de 1, ratio de variance proche de 1) lorsque la cointégration est présente.
  • Le mécanisme de "plafonnement" (capping) est crucial en échantillon fini pour empêcher les résidus d'apparaître artificiellement stationnaires lors de régressions fallacieuses.
• Détection de cointégration :
  • La procédure de sélection de modèle (Étape 2) est extrêmement performante pour distinguer $I(0)$ de $I(1)$, même en haute dimension ($p=100$).
  • La méthode est robuste à la structure de cointégration des prédicteurs et à l'endogénéité.
  • Près de la frontière de la racine unitaire ($\rho=0.9$), la méthode basée sur les résidus (avec capping) corrige parfois les biais de classification observés avec les critères oracles.

5. Signification et Conclusion

Cet article propose une solution pratique et théoriquement fondée pour l'analyse de cointégration dans le contexte du "Big Data" économique.

• Innovation : Elle combine la puissance de sélection de variables du Lasso adaptatif avec une approche d'inférence basée sur les critères d'information, évitant les pièges des tests unitaires traditionnels en haute dimension.
• Apport pratique : La méthode permet d'identifier des relations d'équilibre stables dans des pools massifs de variables (ex: actions d'un indice boursier) sans nécessiter de connaître a priori le sous-ensemble pertinent.
• Limites et perspectives : Bien que la théorie asymptotique suppose $p$ fixe, les simulations montrent une bonne performance pour des dimensions modérées à élevées. Les auteurs suggèrent que des travaux futurs pourraient étendre ce cadre à des relations de cointégration multiples et à des asymptotiques où $p$ croît avec $n$.

En résumé, cette approche offre un cadre robuste pour détecter la cointégration sparse, en surmontant les problèmes d'instabilité et de sélection de modèle inhérents aux données non stationnaires de haute dimension.