Spot Regressions with Candlesticks

1. Énoncé du problème

L'article aborde le défi de l'estimation des paramètres de régression spot (spécifiquement le bêta spot, $\beta_t$) dans les données financières haute fréquence.

• Contexte : La tarification traditionnelle des actifs repose sur des rendements basse fréquence (quotidiens/hebdomadaires) en supposant des bêtas constants. Cependant, les bêtas varient dans le temps, même au cours d'une seule journée de négociation.
• Le compromis : L'estimation des bêtas spot nécessite des fenêtres temporelles étroites pour capturer les dynamiques locales. Toutefois, ces fenêtres étroites souffrent d'un compromis biais-variance : l'information locale limitée entraîne une variance d'estimation élevée et une faible puissance statistique.
• Limites des méthodes existantes :
  • Les estimateurs standards n'utilisent que les rendements de l'ouverture à la clôture, rejetant des informations précieuses sur les prix intra-période.
  • Les données au niveau des ticks (fréquence milliseconde) contiennent le plus d'informations mais sont coûteuses, inaccessibles à beaucoup et fortement contaminées par le bruit de microstructure du marché, nécessitant des hypothèses de modélisation complexes.
  • La littérature existante sur les chandeliers se concentre principalement sur l'estimation de la volatilité univariée, et non sur les paramètres de régression multivariés comme le bêta.

2. Méthodologie

L'auteur propose un cadre novateur exploitant les données haute fréquence de chandeliers (Ouverture, Haut, Bas, Clôture) pour améliorer l'efficacité de l'estimation et de l'inférence des régressions spot.

A. Structure des données

Au lieu d'utiliser uniquement le rendement $r_i = (P_{close} - P_{open})/\sqrt{\Delta}$, le cadre utilise un vecteur de rendements de chandeliers normalisés pour chaque intervalle $T_i$ :

• $r_i$ : Rendement de l'ouverture à la clôture.
• $h_i$ : Rendement du haut à l'ouverture.
• $\ell_i$ : Rendement du bas à l'ouverture.
• Variables dérivées : Étendue ($w_i = h_i - \ell_i$) et Asymétrie ($a_i = h_i + \ell_i - r_i$).

B. Cadre d'estimation

1. Estimateur basé sur les chandeliers :
   L'auteur construit un estimateur de covariance spot $\hat{c}_{n,t}(\lambda)$ comme une somme pondérée de formes quadratiques des variables de chandeliers :
   $$\hat{c}_{n,t}(\lambda) = \frac{1}{k} \sum_{i \in I_{n,t}} z_i \Lambda z_i^\top$$
   où $z_i = (r_i, a_i, w_i)^\top$ et $\Lambda$ est une matrice de poids $\lambda$. Le bêta spot est ensuite dérivé via la relation de régression standard : $\hat{\beta}_{n,t} = \hat{c}_{12,t} / \hat{c}_{11,t}$.

2. Sélection optimale des poids (Minimisation du risque) :

   • Objectif : Minimiser une fonction de risque quadratique définie comme la norme de Frobenius au carré attendue de l'erreur d'estimation multiplicative : $L(\lambda; c_t) = \| \sigma_t^{-1} \hat{c}_{n,t}(\lambda) \sigma_t^{-\top} - I \|^2$.
   • Défi : Le risque asymptotique dépend de la matrice de corrélation spot inconnue $\rho_t$, rendant la minimisation directe impossible (la distribution n'est pas pivotale dans les contextes multivariés).
   • Solution : L'auteur introduit une approche de Risque Moyen. En intégrant le risque asymptotique sur l'espace des paramètres de $\rho_t$ (en supposant une distribution uniforme), le problème devient pivotale.
   • Résultat : Les poids optimaux $\lambda^*$ sont dérivés sous forme fermée (ressemblant à une solution des moindres carrés) en minimisant ce risque moyen.
   • Constat clé : Les poids optimaux favorisent fortement les rendements ouverture-clôture ($r_i$) et l'asymétrie ($a_i$), tout en attribuant un poids proche de zéro à l'étendue ($w_i$) car l'étendue perd l'information de signe et est biaisée pour les corrélations négatives.

3. Procédure d'inférence (Tests d'hypothèse) :

   • Statistique de test : Une statistique étudiante est construite pour tester $H_0: \beta_t = \beta_0$.
   • Valeurs critiques :
     • Pour $\beta_0 = 0$, la distribution limite est pivotale et peut être simulée directement.
     • Pour $\beta_0 \neq 0$, la distribution n'est pas pivotale. L'auteur emploie une approche de test sup-t, construisant des valeurs critiques qui contrôlent uniformément la taille sur tout l'espace des paramètres de $\rho_t$. Cela garantit que le test a une taille asymptotiquement correcte sans nécessiter d'estimation préalable de la corrélation.

C. Cadre asymptotique

L'article utilise une asymptotique à $k$ fixe (où $k$, le nombre d'observations dans la fenêtre locale, est fixe et petit, tandis que la fréquence d'échantillonnage $\Delta_n \to 0$). Cela est plus approprié pour l'estimation spot que les asymptotiques standards à grand $k$, car cela capture avec précision le comportement en échantillon fini des estimateurs locaux.

3. Contributions clés

1. Nouvelle classe d'estimateurs : Étend les estimateurs de volatilité univariés basés sur l'étendue (par exemple, Garman-Klass, Parkinson) aux contextes de régression spot multivariée.
2. Poids décisionnels : Fournit une méthode réalisable et sous forme fermée pour déterminer les poids optimaux de combinaison des informations de chandeliers dans un contexte multivarié, surmontant le caractère non pivotale de la distribution limite.
3. Inférence réalisable : Développe la première procédure formelle de test d'hypothèse pour les bêtas spot utilisant des données de chandeliers, incluant une méthode robuste pour gérer les hypothèses nulles non nulles via des valeurs critiques sup-t.
4. Accessibilité pratique : Offre une méthode qui améliore les estimateurs standards basés sur les rendements en utilisant des données de 1 ou 5 minutes largement disponibles, évitant les coûts et les problèmes de bruit des données au niveau des ticks.

4. Résultats empiriques et de simulation

A. Simulations de Monte Carlo

• Efficacité : L'estimateur basé sur les chandeliers atteint des niveaux de risque asymptotique très proches d'un estimateur « oracle » infeasible (qui connaît la structure de corrélation réelle). Il surpasse considérablement l'estimateur standard basé sur les rendements, réduisant le risque d'environ 55 à 65 % dans les petits échantillons ($k=5$).
• Puissance : Le test d'hypothèse proposé présente une puissance substantiellement plus élevée que les tests basés sur les rendements.
  • Pour $k=10$ et un niveau de signification de 5 %, le test de chandeliers rejette les hypothèses nulles fausses environ 25 % de plus que le test basé sur les rendements lorsque le vrai bêta s'écarte modérément de zéro.
  • L'avantage de puissance est le plus prononcé dans les petits échantillons (petit $k$), ce qui est crucial pour les études d'événements haute fréquence.

B. Application empirique : Neutralité du marché Bitcoin

• Données : Données de chandeliers de 1 minute pour IBIT (ETF Bitcoin) et SPY (ETF S&P 500) tout au long de l'année 2024.
• Hypothèse : Tester si le Bitcoin est « neutre par rapport au marché » ($\beta_t = 0$).
• Résultats :
  • L'hypothèse nulle de neutralité du marché est rejetée environ 35 % du temps au total.
  • Les taux de rejet grimpent à ~60 % en août et septembre 2024, périodes de forte volatilité du marché (par exemple, hausse des taux de la Banque du Japon, données faibles sur l'emploi aux États-Unis).
  • Implication : Contrairement au récit de « l'or numérique » suggérant que le Bitcoin est une couverture, l'article trouve un bêta de marché positif significatif pendant les périodes turbulentes, impliquant que le Bitcoin agit comme un actif à risque plutôt que comme un diversificateur lorsque cela est le plus nécessaire.

5. Importance

• Théorique : Comble le fossé entre l'économétrie haute fréquence et la régression multivariée, fournissant un cadre rigoureux pour l'estimation des paramètres spot en utilisant des structures de données plus riches.
• Pratique : Fournit aux chercheurs et aux praticiens un outil « prêt à l'emploi » pour obtenir des estimations plus précises, fiables et puissantes des expositions au risque variables dans le temps en utilisant des données haute fréquence standard et accessibles.
• Impact financier : Remet en question les récits dominants sur les propriétés de couverture des actifs cryptographiques, suggérant que la corrélation du Bitcoin avec le marché plus large s'intensifie pendant les périodes de stress, ce qui a des implications critiques pour la gestion des risques de portefeuille et l'allocation d'actifs.