📈 economics

Confidence Sets for the Emergence, Collapse, and Recovery Dates of a Bubble

Cet article propose une méthode pour construire des ensembles de confiance concernant les dates d'émergence, d'effondrement et de reprise d'une bulle en inversant des tests de rupture, en évaluant à la fois les tests de type rapport de vraisemblance et ceux d'Elliott-Muller, dont les propriétés asymptotiques et les performances en échantillon fini démontrent que la combinaison de ces approches permet de contrôler efficacement le taux de couverture tout en maintenant une longueur raisonnable de l'intervalle.

Auteurs originaux : Eiji Kurozumi, Anton Skrobotov

Publié 2026-04-21

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Eiji Kurozumi, Anton Skrobotov

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que le marché boursier est comme une montagne russe ou un ballon gonflé. Parfois, le prix d'une action monte trop vite, trop haut, et trop vite (c'est la « bulle »). Ensuite, il éclate brutalement (la « chute »), et enfin, il redescend pour retrouver un rythme normal (la « reprise »).

Le problème pour les économistes, c'est qu'ils ne savent pas exactement quand le ballon a commencé à gonfler, quand il a éclaté, et quand il a fini de se dégonfler. Les méthodes actuelles donnent une seule date précise, comme si on disait : « Le ballon a éclaté exactement à 14h03 ». Mais en réalité, c'est souvent flou. C'est comme essayer de dire exactement à quelle seconde un ballon de baudruche a commencé à faire un petit bruit avant de péter.

Voici ce que propose ce papier de recherche, expliqué simplement :

1. Le problème : Une seule date, c'est trop risqué

Les chercheurs actuels utilisent des outils mathématiques pour trouver ces dates. Mais si on se trompe de quelques jours, on peut conclure à tort que c'est une politique du gouvernement qui a causé la bulle, alors que c'était autre chose.

L'article dit : « Arrêtons de chercher une date exacte. Cherchons plutôt une plage de dates possibles ». C'est comme dire : « Le ballon a probablement éclaté entre 14h00 et 14h15 », plutôt que de parier sur 14h03.

2. La solution : La méthode du « Test et Inversion »

Les auteurs (Eiji Kurozumi et Anton Skrobotov) ont inventé une nouvelle façon de calculer cette plage de dates. Au lieu de regarder les données pour deviner la date, ils font l'inverse : ils posent une question à chaque date possible.

L'analogie du détective :
Imaginez que vous cherchez un voleur qui a agi entre le 1er et le 30 du mois.

L'ancienne méthode : Regarder les caméras et dire « C'est sûrement le 15 ».
La nouvelle méthode : Prendre le 15 et demander : « Est-ce que le voleur a pu agir ce jour-là ? ».
- Si les preuves disent « Non, c'est impossible », on élimine le 15.
- Si les preuves disent « Oui, c'est possible », on garde le 15.
- On fait ça pour tous les jours. À la fin, il ne reste qu'une liste de jours « suspects » (la plage de confiance).

3. Les trois outils du détective

Pour faire ce tri, les chercheurs utilisent trois types de « détecteurs » (des tests statistiques) :

Le test « Rapport de Vraisemblance » (LR) : C'est comme un détecteur de mensonge très strict. Il compare deux scénarios : « Et si la bulle avait commencé hier ? » vs « Et si elle avait commencé aujourd'hui ? ».
Les tests « Elliott-Müller » (EM) : Ce sont des détecteurs plus souples qui regardent la moyenne des preuves sur plusieurs jours.
L'hybride (LE) : C'est le meilleur des deux mondes. Ils combinent les deux méthodes pour s'assurer de ne pas se tromper. C'est comme avoir deux détecteurs de fumée différents : si l'un sonne, on vérifie avec l'autre.

4. Ce qu'ils ont découvert (Les résultats)

Ils ont simulé des milliers de bulles sur ordinateur pour voir si leur méthode fonctionnait.

Pour les grosses bulles : La méthode est excellente. Elle donne une plage de dates précise et fiable.
Pour les petites bulles : C'est un peu plus flou (la plage est plus large), mais c'est honnête : ils disent « On ne sait pas trop, donc on garde une grande marge de sécurité ».
Le plus important : Leur méthode évite de donner une fausse certitude. Elle dit : « Voici la période la plus probable ».

5. L'exemple réel : La Bourse Japonaise

Ils ont appliqué leur méthode aux actions japonaises (Nikkei) en 2012-2013.

L'ancienne méthode disait : « La bulle a commencé le 14 novembre ».
Leur méthode a dit : « La bulle a probablement commencé entre le 23 octobre et le 14 novembre ».
Pourquoi c'est utile ? Parce que le 23 janvier 2013, la Banque du Japon a annoncé une nouvelle politique économique. La nouvelle méthode montre que la bulle a pu commencer juste après cette annonce, ce que l'ancienne méthode (qui se focalisait uniquement sur le 14 novembre) aurait pu manquer.

En résumé

Ce papier ne dit pas « Voici la date exacte ». Il dit : « Voici la zone de sécurité où se trouve la date exacte, avec un niveau de confiance élevé. »

C'est comme passer d'une photo floue et floue à une carte avec une zone rouge bien délimitée : on ne sait pas exactement où est le trésor, mais on sait qu'il est quelque part dans cette zone, et on peut arrêter de chercher ailleurs. Cela aide les économistes et les décideurs à mieux comprendre le moment où les choses ont vraiment changé.

Résumé Technique : Intervalles de Confiance pour les Dates d'Émergence, d'Effondrement et de Récupération d'une Bulle

1. Problématique et Contexte

La détection des bulles spéculatives dans les prix d'actifs financiers est un domaine bien établi, notamment grâce aux travaux de Phillips, Wu et Yu (2011) [PWY] et Phillips, Shi et Yu (2015) [PSY]. Ces méthodes utilisent des tests de racine unitaire à queue droite sur des sous-échantillons pour identifier des comportements explosifs.

Cependant, une fois la présence d'une bulle détectée, la littérature se concentre principalement sur l'estimation ponctuelle des dates clés :

Date d'émergence ( $T_e$ ) : début de la phase explosive.
Date d'effondrement ( $T_c$ ) : fin de l'explosion et début du retour à la moyenne.
Date de récupération ( $T_r$ ) : retour à un comportement de marche aléatoire (racine unitaire).

Le problème identifié : Bien que des estimateurs consistants pour ces dates existent, la littérature ne propose aucune méthode pour construire des ensembles de confiance (intervalles de confiance) autour de ces estimations ponctuelles. Les approches traditionnelles basées sur la distribution asymptotique des estimateurs de rupture s'avèrent inefficaces pour les bulles, produisant des intervalles extrêmement larges (couvrant presque tout l'échantillon) ou ayant des taux de couverture empiriques médiocres.

2. Méthodologie

Les auteurs proposent une nouvelle approche pour construire des ensembles de confiance pour $T_e$ , $T_c$ et $T_r$ séparément (et non conjointement), en inversant des tests statistiques pour la localisation de la date de rupture, suivant la logique d'Elliott et Müller (2007) et Eo et Morley (2015).

Modèle sous-jacent :
Le modèle considère un processus AR(1) avec trois régimes :

Marche aléatoire ( $1 \le t \le T_e$ ).
Explosion modérée ( $T_e < t \le T_c$ ) : $\phi_a = 1 + a/T^\alpha$ avec $a>0, 0<\alpha<1$ .
Retour à la moyenne ( $T_c < t \le T_r$ ) : $\phi_b = 1 - b/T^\beta$ avec $b>0, 0<\beta<1$ .
Retour à la marche aléatoire ( $T_r < t \le T$ ).

Stratégie de construction des ensembles de confiance :
Au lieu d'utiliser la distribution de l'estimateur $\hat{T}$ , les auteurs testent l'hypothèse nulle $H_0: T_{rupture} = T_1$ contre $H_1: T_{rupture} = T_2 \neq T_1$ . L'ensemble de confiance est l'ensemble des dates $T_1$ qui ne sont pas rejetées au niveau de signification $\delta$ .

Deux familles de tests sont développées et combinées :

Tests de type Rapport de Vraisemblance (LR) :
- Basés sur le principe du rapport de vraisemblance conditionnel à la normalité des erreurs (pour la dérivation), mais avec une théorie asymptotique robuste.
- Deux versions sont proposées pour chaque direction de rupture (avant/après la date supposée) : une version standard ( $LR_a$ ) et une version corrigée pour les échantillons finis ( $LR_b$ ) qui ajuste le biais en utilisant une approximation quadratique des sommes partielles.
Tests de type Elliott-Müller (EM) :
- Inspirés des tests optimaux pour les ruptures dans les modèles stationnaires.
- Ils utilisent une moyenne pondérée des statistiques de vraisemblance (ou des statistiques $t$ ) sur les dates candidates possibles.
- Des versions basées sur des statistiques $t$ unilatérales sont utilisées car la direction de la rupture (ex: de racine unitaire à explosive) est connue.

Combinaisons proposées :
Pour chaque date de rupture, les auteurs combinent un test sensible à la rupture "après" et un test sensible à la rupture "avant" pour former un ensemble de confiance complet :

$LE_e$ (Émergence) : Combinaison de $LR^e_{b,12}$ et $EM^e_{a,21}$ .
$LE_c$ (Effondrement) : Combinaison de $LR^c_{a,21}$ et $EM^c_{a,12}$ .
$LE_r$ (Récupération) : Combinaison de $EM^r_{b,12}$ et $LR^r_{b,21}$ .

Propriétés Asymptotiques :
Les distributions limites des statistiques de test sont dérivées sous l'hypothèse nulle (utilisant des mouvements browniens et des fonctionnelles d'ADF) et sous l'hypothèse alternative. Les auteurs montrent que chaque test est consistant dans une seule direction (soit $T > T_1$ , soit $T < T_1$ ), ce qui justifie la nécessité de combiner deux tests pour couvrir l'espace entier.

3. Résultats Principaux

Simulations de Monte Carlo :
Les auteurs évaluent les propriétés en échantillon fini avec des bulles de différentes intensités (paramètre $a$ petit, moyen, grand).

Couverture : Les méthodes basées sur la distribution asymptotique de l'estimateur (Section 3.1.1) échouent totalement (intervalles trop larges, couverture $\approx 100\%$ ). Les nouvelles méthodes ( $LE_e, LE_c, LE_r$ ) contrôlent bien le taux de couverture empirique (proche du nominal de 90%) pour les bulles de taille moyenne et grande. Pour les bulles faibles, une sous-couverture légère est observée, mais les méthodes restent supérieures aux alternatives.
Longueur de l'ensemble : La longueur de l'ensemble de confiance diminue à mesure que la vitesse d'explosion ( $a$ ) augmente. Les méthodes proposées offrent un compromis optimal entre une couverture fiable et une longueur raisonnable.
Robustesse aux erreurs d'estimation : Même lorsque les bornes de l'échantillon sont estimées (et non connues), les performances restent satisfaisantes, bien que légèrement dégradées par les erreurs d'estimation des dates de rupture adjacentes.

Application Empirique (Nikkei 225, 2012-2013) :

Les auteurs appliquent la méthode aux prix quotidiens du Nikkei 225.
Les estimateurs ponctuels suggèrent une émergence en novembre 2012, un effondrement en mai 2013 et une récupération en juin 2013.
Résultat clé : L'ensemble de confiance pour la date d'émergence ( $T_e$ ) inclut le 23 janvier 2013 (date de l'annonce de la cible d'inflation de 2% par la Banque du Japon), suggérant que la bulle a pu démarrer suite à cette politique, même si l'estimateur ponctuel est antérieur.
L'ensemble de confiance pour la récupération ( $T_r$ ) est large et inclut des dates bien après l'estimateur ponctuel, indiquant une incertitude sur le moment exact du retour à la normale.
Comparaison : L'ensemble de confiance construit par la nouvelle méthode est significativement plus court (37% de l'échantillon) que celui basé sur la distribution asymptotique de l'estimateur (81% de l'échantillon).

4. Contributions Clés

Première construction d'ensembles de confiance : C'est la première étude à proposer des intervalles de confiance formels pour les dates d'émergence, d'effondrement et de récupération des bulles.
Inversion de tests : L'abandon de l'approche basée sur la distribution de l'estimateur au profit de l'inversion de tests de localisation de rupture permet d'obtenir des intervalles beaucoup plus précis et informatifs.
Développement de statistiques hybrides : La combinaison de tests de type Rapport de Vraisemblance (LR) et de type Elliott-Müller (EM), avec des corrections pour les échantillons finis, permet de surmonter les biais de taille (over-sizing) observés dans les petits échantillons.
Analyse théorique complète : Dérivation rigoureuse des distributions limites sous les hypothèses nulle et alternative, y compris pour des cas complexes où les paramètres de localisation de l'explosion ( $\alpha$ ) et de la réversion ( $\beta$ ) diffèrent.

5. Signification et Implications

Pour la recherche académique : Cette étude comble un vide majeur dans la littérature sur les bulles, passant d'une estimation ponctuelle (souvent incertaine) à une inférence statistique rigoureuse. Elle fournit des outils pour quantifier l'incertitude temporelle autour des événements de bulles.
Pour les décideurs politiques et les investisseurs : La capacité à définir des fenêtres de temps probables pour le début et la fin d'une bulle est cruciale. Cela permet d'évaluer si les changements de politique monétaire (comme dans l'exemple du Japon) coïncident avec le début ou la fin d'une bulle, au-delà d'une simple estimation ponctuelle.
Limites et travaux futurs : L'étude traite les dates séparément. La construction d'un ensemble de confiance joint pour les trois dates simultanément est plus complexe (en raison des combinaisons possibles d'hypothèses) et est laissée pour des recherches futures. De plus, le modèle suppose une réversion à la moyenne spécifique ; d'autres formes d'effondrement nécessiteront des adaptations.

En conclusion, cet article propose une avancée méthodologique significative en fournissant des outils statistiques robustes pour dater précisément les phases d'une bulle financière, améliorant ainsi la compréhension et la gestion des risques systémiques.