A Deep Learning Framework for Medium-Term Covariance Forecasting in Multi-Asset Portfolios

Résumé technique : Un cadre d'apprentissage profond pour la prévision de la covariance à moyen terme dans les portefeuilles multi-actifs

Énoncé du problème
La prévision précise de la matrice de covariance est fondamentale pour l'allocation de portefeuille, la gestion des risques et la tarification des actifs. Bien que la littérature existante offre des solutions robustes pour les horizons à court terme (utilisant souvent des données haute fréquence et des modèles basés sur GARCH) et les horizons à long terme (reposant sur des modèles factoriels ou un rétrécissement naïf), un écart significatif subsiste dans la prévision à moyen terme (fenêtres de plusieurs semaines à plusieurs mois). Cet écart est particulièrement critique pour les investisseurs institutionnels qui rééquilibrent leurs portefeuilles sur de telles périodes. De plus, les modèles économétriques classiques peinent souvent avec le « fléau de la dimensionnalité » dans de grandes sections transversales et peuvent échouer à capturer des changements structurels lents ou des changements de régime (par exemple, des déplacements de corrélation actions-obligations) qui définissent la dynamique à moyen terme. Par ailleurs, il existe peu de preuves empiriques concernant la question de savoir si le choix entre les rendements bruts et les rendements excédentaires impacte systématiquement les prévisions de covariance sur ces horizons.

Méthodologie
Les auteurs proposent un cadre novateur d'apprentissage profond (DL), nommé CAB, conçu pour capturer des dépendances spatio-temporelles complexes dans les portefeuilles multi-actifs. L'architecture intègre trois composants distincts :

1. Réseaux de neurones convolutifs 3D (CNN) : Le modèle traite les matrices de covariance glissantes comme des grilles $(N \times N)$ empilées dans le temps. Une couche CNN 3D applique des filtres sur les dimensions temporelles et spatiales pour identifier des motifs d'interaction locaux entre des sous-ensembles d'actifs, dépassant ainsi les hypothèses linéaires.
2. Mémoire à court et long terme bidirectionnelle (BiLSTM) : Après le CNN, les séquences aplaties sont traitées par un BiLSTM. Contrairement aux LSTM standards qui ne traitent que les séquences vers l'avant, le BiLSTM capture le contexte à partir des points de données passés et futurs dans la fenêtre de rétrospection, améliorant ainsi la capacité du modèle à comprendre les dépendances temporelles.
3. Attention auto-à-têtes multiples : Pour affiner les dépendances temporelles, un mécanisme d'attention à têtes multiples est appliqué aux sorties du BiLSTM. Cela permet au modèle de pondérer dynamiquement l'importance des différents pas de temps, en se concentrant sur les motifs les plus pertinents pour la prédiction.

Traitement des données et contraintes :

• Entrée : Le modèle utilise des séquences de matrices de covariance glissantes mises à l'échelle, dérivées des rendements quotidiens (les rendements bruts et excédentaires sont tous deux testés).
• Contraintes de sortie : Pour garantir que la matrice prédite soit une matrice de covariance valide, la sortie subit un post-traitement spécifique :
  • Symétrisation : La matrice de sortie est moyennée avec sa transposée.
  • Définition positive semi-définie (PSD) : Une décomposition en valeurs propres est effectuée, et toute valeur propre négative est mise à zéro avant la reconstruction.
  • Rétrécissement : Une étape finale de rétrécissement linéaire fusionne la sortie DL avec la matrice de covariance historique la plus récente pour intégrer des informations précieuses des conditions de marché récentes.

Configuration expérimentale

• Données : Données quotidiennes de 14 principaux ETF (couvrant les actions, l'immobilier et les revenus fixes) de janvier 2017 à décembre 2023. Un test de robustesse plus large a utilisé 260 ETF.
• Références : Le modèle CAB est comparé à 10 références classées comme suit :
  • Naïves : Covariance réalisée décalée (NA), Échantillon complet (NAF), Moyenne mobile pondérée exponentiellement (EWMA).
  • Débruitage : Analyse en composantes principales (PCA), Théorie des matrices aléatoires (RMT), Rétrécissement Ledoit-Wolf (LW, LW F).
  • Basés sur GARCH : Corrélation conditionnelle constante (CCC), Corrélation conditionnelle dynamique (DCC), Rétrécissement non linéaire DCC (DCCNL).
• Métriques d'évaluation : Distance euclidienne ($L_E$) et distance de Frobenius ($L_F$) entre les matrices de covariance prévues et réalisées.
• Régimes de marché : La période de test (2021–2023) est divisée en trois régimes : Bull-1 (faibles rendements, actions stables), Bear (hausse des taux, effondrement du marché) et Bull-2 (taux élevés, rebond des actions).

Résultats clés

• Précision de la prévision : Le modèle CAB a systématiquement surpassé toutes les références classiques sur toute la période de test. Il a réduit les métriques de distance euclidienne et de Frobenius d'jusqu'à 20 % par rapport aux modèles classiques les plus performants (par exemple, DCC et EWMA).
• Robustesse à travers les régimes : CAB a démontré une performance supérieure dans les trois régimes de marché (Bull-1, Bear, Bull-2). Bien que tous les modèles aient souffert d'une baisse de précision pendant la période Bear turbulente, CAB a maintenu les taux d'erreur les plus bas, en particulier durant la période Bull-2 caractérisée par des déplacements dynamiques inter-actifs.
• Évolutivité : Dans le contexte de haute dimension (260 ETF), CAB a continué de surpasser les références, confirmant sa capacité à gérer efficacement le fléau de la dimensionnalité.
• Spécification des rendements : L'avantage de performance du modèle s'est maintenu indépendamment du fait que les rendements bruts ou les rendements excédentaires aient été utilisés comme entrée. Cela suggère que l'efficacité du cadre ne dépend pas de la soustraction du taux sans risque.
• Horizons de prévision : Le modèle excellait sur les horizons à moyen terme (par exemple, $F=20, 40, 90$ jours). Bien que les modèles GARCH aient été compétitifs sur des horizons très courts, ils ont sous-performé à mesure que l'horizon augmentait. CAB est resté le meilleur performer pour les horizons moyen à long terme.

Valeur économique dans la gestion de portefeuille
Les auteurs ont évalué l'utilité économique des prévisions en utilisant une stratégie de portefeuille à variance globale minimale (GMV) sans contraintes de vente à découvert.

• Réduction du risque : Les portefeuilles construits à l'aide des prévisions CAB ont atteint une volatilité hors échantillon inférieure à celle des portefeuilles utilisant d'autres modèles et la référence pondérée à l'égale ($1/N$).
• Rotation : Crucialement, CAB a atteint cette réduction du risque avec une rotation modérée. Contrairement à certains modèles dynamiques qui nécessitaient un rééquilibrage fréquent (rotation élevée) pour obtenir des réductions marginales de la variance, CAB offrait un équilibre stable entre la réactivité aux changements de marché et l'efficacité des coûts de transaction.
• Adaptation au régime : Dans le régime Bear, CAB s'est classé parmi les meilleurs sur les horizons journaliers et hebdomadaires, équilibrant une rotation plus faible contre la volatilité.

Signification et affirmations
L'article affirme que les architectures avancées d'apprentissage profond, en particulier celles combinant des convolutions 3D, des LSTM bidirectionnels et des mécanismes d'attention, offrent une solution pratique au défi sous-exploré de la prévision de la covariance à moyen terme. L'étude met en lumière que :

1. Approches hybrides : L'intégration de techniques DL axées sur les données avec des concepts économétriques traditionnels (comme le rétrécissement) génère des gains substantiels en précision prédictive, en particulier pendant les stress de marché.
2. Applicabilité pratique : Le cadre apporte des avantages économiques tangibles pour les investisseurs institutionnels en réduisant la volatilité du portefeuille sans engendrer de coûts de transaction excessifs.
3. Robustesse : La performance du modèle est robuste face à différentes spécifications de rendements (bruts vs excédentaires) et s'étend efficacement à de grands univers d'actifs.

Les auteurs concluent que, bien que leur travail comble le fossé entre l'innovation en apprentissage automatique et les principes financiers, les recherches futures devraient explorer l'adaptation aux distributions à queues lourdes pour une meilleure capture du risque de queue et l'intégration explicite des coûts de transaction dans le processus d'optimisation.