A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares

Cet article propose le modèle B-DARMA-DARCH, une approche bayésienne intégrant un composant ARCH pour capturer la volatilité groupée dans les séries temporelles compositionnelles de frais Airbnb, surpassant ainsi les modèles standards en termes de précision des prévisions et de calibration des intervalles.

L'essentiel

Voici une explication simple et imagée de ce papier de recherche, comme si nous en discutions autour d'un café.

🌍 Le Problème : La "Salade" de Devises d'Airbnb

Imaginez qu'Airbnb est un immense restaurant où des millions de clients commandent des chambres chaque jour. Le problème ? Chaque client paie avec sa propre monnaie locale : des dollars américains, des euros, des yens, des réaux brésiliens, etc.

Pour que l'entreprise sache combien elle a gagné en tout (en dollars américains, bien sûr), elle doit faire deux choses :

1. Savoir combien de chambres ont été vendues au total (le volume).
2. Savoir quelle part de ce volume a été payée dans quelle devise. C'est ce qu'on appelle la "composition".

C'est comme si vous deviez prédire la recette exacte d'une salade géante. Si demain, soudainement, tout le monde décide de payer en euros au lieu de dollars, la "recette" change. Et si vous ne le savez pas, votre prévision de revenus sera fausse.

⚡ Le Défi : L'Imprévisibilité (La Volatilité)

Le vrai défi, c'est que cette "recette" n'est pas stable. Parfois, elle change doucement. Mais parfois, à cause d'un événement mondial (comme une pandémie ou une crise économique), la situation explose !

• Un jour, tout est calme.
• Le lendemain, les gens paniquent et changent massivement de devise.
• Puis ça se calme, puis ça repart.

Les modèles statistiques classiques sont comme des thermostats fixes : ils supposent que la température (la volatilité) reste à peu près la même. Ils disent : "Hier, c'était calme, donc demain ce sera calme." Mais quand la tempête arrive, ces modèles sont pris au dépourvu et font de mauvaises prévisions.

🚀 La Solution : Le "Thermostat Intelligent" (Le Modèle B-DARCH)

Les auteurs, Harrison Katz et Robert Weiss, ont créé un nouveau modèle qu'ils appellent B-DARCH.

Imaginez que votre modèle de prévision n'est pas un simple thermostat, mais un thermostat intelligent connecté à une intelligence artificielle qui regarde par la fenêtre.

1. Il respecte les règles de la "salade" (Le Simplex) :
   Dans une salade, si vous ajoutez plus de tomates, vous devez enlever un peu de concombre pour que le total reste 100 %. Les devises fonctionnent pareil : si la part de l'Euro augmente, celle du Dollar doit baisser. Le modèle B-DARCH est conçu pour respecter cette règle mathématique stricte à tout moment. Il ne propose jamais de prévisions impossibles (comme "110 % de devises").

2. Il détecte les tempêtes (La Volatilité Dynamique) :
   C'est la grande innovation. Au lieu de supposer que le calme d'aujourd'hui durera demain, le modèle B-DARCH a un capteur de turbulence.

   • Si les données montrent que les gens changent de devise de manière erratique (comme une tempête), le modèle dit : "Attends, la volatilité augmente ! Je vais élargir mes prévisions pour tenir compte du chaos."
   • Il apprend que le chaos a tendance à durer un certain temps (on appelle ça le "clustering" de la volatilité). Si ça a été agité hier, il anticipe que ça le sera encore un peu demain.

3. Il s'adapte en temps réel :
   Contrairement aux anciens modèles qui sont rigides, celui-ci ajuste sa "précision" (sa confiance) en fonction de ce qui vient de se passer. C'est comme un capitaine de bateau qui ajuste la voile non seulement selon la direction du vent, mais aussi selon la force des vagues.

🏆 Les Résultats : Qui gagne la course ?

Les chercheurs ont testé leur modèle contre d'autres méthodes classiques sur les données réelles d'Airbnb (de 2017 à 2020, incluant le début de la pandémie).

• Les modèles classiques (Gaussiens ou Dirichlet fixes) : Ils ont bien fonctionné quand tout était calme, mais ils ont eu du mal à gérer les périodes de crise. Leurs prévisions étaient souvent trop confiantes (ils pensaient savoir ce qui allait arriver alors qu'ils ne savaient pas).
• Le modèle B-DARCH (Le héros) :
  • Il a fait moins d'erreurs dans ses prévisions.
  • Il a été plus honnête sur ses incertitudes : quand c'était chaotique, il a élargi ses fourchettes de prévision, ce qui a permis de mieux couvrir la réalité.
  • Il a mieux géré les "chocs" soudains, comme l'arrivée du COVID-19.

🎯 En Résumé

Imaginez que vous devez prédire la météo pour un pique-nique.

• Les vieux modèles disent : "Il fait beau aujourd'hui, donc ce sera beau demain."
• Le modèle B-DARCH dit : "Il fait beau aujourd'hui, mais j'ai remarqué que le vent tourne et que les nuages s'accumulent. Donc, demain, il y a 30 % de chance de pluie. Je vais vous conseiller d'apporter un parapluie au cas où."

Ce papier nous apprend que pour prédire des mélanges complexes (comme les devises), il ne suffit pas de prédire la moyenne. Il faut aussi prédire l'agitation autour de cette moyenne. Le modèle B-DARCH est l'outil parfait pour cela : il est robuste, respecte les règles mathématiques des pourcentages, et surtout, il ne panique pas quand le monde devient imprévisible.

Résumé technique

Voici un résumé technique détaillé de l'article « A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares » en français.

1. Problématique et Contexte

L'article aborde le défi de la prévision des parts de devises dans les données financières de marché, spécifiquement pour la plateforme Airbnb.

• Nature des données : Les parts de facturation par devise (USD, EUR, CAD, etc.) constituent des données compositionnelles. Elles sont contraintes à être non négatives et à sommer à 1 (elles résident sur un simplexe).
• Enjeu financier : Pour prévoir les revenus consolidés en dollars américains (USD), il est crucial de connaître non seulement le volume total des réservations, mais aussi la répartition dynamique des paiements par devise. De petites variations dans ces parts, amplifiées par les volumes élevés et les taux de change, peuvent entraîner des erreurs significatives dans les prévisions de revenus et la gestion des risques de trésorerie.
• Limites des méthodes existantes :
  • Les modèles standards (comme les VARMA transformés en espace log-ratio) supposent souvent une variance constante ou ne respectent pas strictement les contraintes du simplexe lors de la rétro-transformation.
  • Les modèles Dirichlet existants (B-DARMA) traitent généralement le paramètre de précision (inverse de la variance) comme fixe ou déterministe, échouant ainsi à capturer les clusters de volatilité (périodes d'instabilité suivies de calme) et les chocs structurels (comme la pandémie de COVID-19).

2. Méthodologie : Le Modèle B-DARCH

Les auteurs proposent un nouveau cadre de modélisation : le B-DARCH (Bayesian Dirichlet Auto-Regressive Moving Average avec Dirichlet Auto-Regressive Conditional Heteroskedasticity).

A. Structure du Modèle

Le modèle combine deux composantes principales :

1. La composante Moyenne (DARMA) :
   • Les données sont modélisées directement sur le simplexe via une distribution Dirichlet.
   • La moyenne $\mu_t$ est modélisée sur l'échelle Additive Log-Ratio (ALR) pour gérer les contraintes du simplexe.
   • Une structure VARMA (Auto-régressive à Moyenne Mobile) observationnelle est utilisée pour la dynamique de la moyenne, reliant les observations passées et les prédicteurs.
2. La composante Volatilité (DARCH) :
   • C'est l'innovation centrale. Le paramètre de précision $\phi_t$ de la distribution Dirichlet n'est plus fixe.
   • Il suit un processus DARCH (similaire à GARCH) où le logarithme de la précision $\log(\phi_t)$ dépend dynamiquement des innovations passées (résidus) et de la volatilité passée.
   • Cela permet au modèle de capturer l'hétéroscédasticité conditionnelle : la dispersion des données s'adapte automatiquement aux chocs récents et aux changements de régime.

B. Inférence Bayésienne

• L'estimation est effectuée dans un cadre Bayésien complet utilisant la méthode MCMC (via le logiciel Stan).
• Cela permet d'obtenir des distributions prédictives complètes et des intervalles de crédibilité qui s'adaptent automatiquement à l'évolution de la volatilité.

3. Contributions Clés

1. Nouvelle classe de modèles : Introduction du B-DARCH, premier modèle Bayésien Dirichlet intégrant une récursion de type GARCH sur le paramètre de précision pour les séries temporelles compositionnelles.
2. Gestion de la volatilité dynamique : Contrairement aux modèles précédents, B-DARCH permet à la variance de réagir aux erreurs de prévision et aux chocs externes, capturant ainsi les phénomènes de « clustering » de volatilité.
3. Préservation des contraintes : Le modèle garantit que les prévisions restent toujours valides (sur le simplexe), évitant les problèmes de rétro-transformation des modèles transformés-Gaussiens.
4. Robustesse aux chocs : Le modèle est conçu pour gérer les ruptures structurelles (ex: COVID-19) et les observations erronées mieux que les modèles à variance constante.

4. Résultats Expérimentaux

Les auteurs ont évalué le modèle via des simulations et une application sur des données réelles d'Airbnb.

A. Études de Simulation

Des simulations ont été menées avec deux générateurs de données (DARMA et tVARMA) soumis à deux types de perturbations : observations erronées et changements de régime temporaires.

• Précision : B-DARCH a systématiquement obtenu les erreurs de prévision (FRMSE et FMAE) les plus faibles par rapport aux modèles comparateurs (B-DARMA, B-tVARMA, B-TVP-tVARMA).
• Diagnostics des résidus : Les résidus du modèle B-DARCH montrent une autocorrélation partielle (PACF) plus faible et une décroissance plus rapide, indiquant que le modèle capture mieux la dynamique de la volatilité et laisse moins de structure résiduelle.

B. Application aux Données Airbnb (2017-2020)

Le modèle a été appliqué aux parts de frais par devise sur quatre régions géographiques.

• Performance Globale : B-DARCH a surpassé tous les autres modèles sur les quatre régions, réduisant l'erreur absolue moyenne (FMAE) de manière significative (jusqu'à plus de 60% de réduction par rapport au B-DARMA standard dans certaines régions).
• Calibration : Les intervalles de crédibilité à 95% du B-DARCH sont mieux calibrés (couverture proche de la valeur nominale) que ceux des modèles à variance constante, qui ont tendance à sous-couvrir lors des périodes de forte volatilité.
• Analyse des résidus : Le modèle B-DARCH a éliminé la plupart des autocorrélations dans les carrés des résidus standardisés, confirmant sa capacité à modéliser la volatilité changeante, là où les modèles comparateurs laissaient persister des dépendances à moyen terme.

5. Signification et Conclusion

Ce travail démontre que pour les séries temporelles compositionnelles soumises à une volatilité changeante (fréquente en finance et dans les données de marché), il est crucial de modéliser la précision comme un processus dynamique.

• Pratique : Le B-DARCH offre un outil robuste pour la prévision de revenus et la gestion des risques de change, particulièrement dans des environnements instables.
• Compromis : Bien que le modèle soit plus coûteux en temps de calcul que les approches Gaussiennes transformées, le gain en précision et en fiabilité des intervalles de confiance justifie son utilisation lorsque la volatilité n'est pas stationnaire.
• Perspective : L'article suggère que la flexibilité doit être placée là où les données l'exigent : si la volatilité est stable, des modèles transformés suffisent ; si la volatilité « clusterise », la dynamique doit être intégrée dans la précision sur le simplexe.

En résumé, le B-DARCH comble une lacune importante dans la modélisation des séries compositionnelles en offrant une approche unifiée pour gérer à la fois la dynamique de la moyenne et l'évolution de la volatilité, tout en respectant strictement les contraintes mathématiques des proportions.