🌀 nonlinear sciences

Jump-diffusion models of parametric volume-price distributions

Cette étude propose un cadre basé sur les données pour modéliser l'évolution stochastique des distributions volume-prix de la Bourse de New York, révélant que les paramètres d'échelle sont principalement régis par une dynamique de saut-diffusion dominée par des discontinuités rares, contrairement aux paramètres de forme qui suivent majoritairement une diffusion pure.

Auteurs originaux : Anup Budhathoki, Leonardo Rydin Gorjão, Pedro G. Lind, Shailendra Bhandari

Publié 2026-03-23

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Anup Budhathoki, Leonardo Rydin Gorjão, Pedro G. Lind, Shailendra Bhandari

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

🌊 Le Grand Voyage des Actions : Entre Vagues Douces et Tsunamis

Imaginez que le marché boursier (comme la Bourse de New York) est un immense océan. Les prix des actions et les volumes d'échanges sont comme les vagues de cet océan.

Pendant longtemps, les économistes pensaient que ces vagues se comportaient comme une marée régulière : elles montent et descendent doucement, de manière prévisible, comme si quelqu'un poussait l'eau avec une main constante. C'est ce qu'on appelle la "diffusion" (un mouvement continu et lisse).

Mais les chercheurs de cet article se sont dit : "Attendez une minute ! Parfois, l'océan ne fait pas juste des petites vagues. Parfois, il y a des tremblements de terre sous-marins qui créent des tsunamis soudains !"

Ces chercheurs ont décidé de cartographier ces mouvements en utilisant une nouvelle loupe très puissante, appelée l'analyse "Jump-Diffusion" (Sauts-Diffusion).

🔍 L'Outillage : La Loupe Kramers-Moyal

Pour comprendre comment l'océan bouge, les auteurs ont utilisé une méthode mathématique appelée coefficients de Kramers-Moyal.

Imaginez que vous essayez de deviner la météo de demain en regardant le ciel d'aujourd'hui.

Si le ciel change doucement (nuages qui glissent), c'est de la diffusion.
Si le ciel change brutalement (un orage éclate en une seconde), c'est un saut (ou un "jump").

Les chercheurs ont analysé des données réelles de la Bourse de New York (NYSE) sur près de 1000 jours, toutes les 10 minutes. Ils ont regardé comment les actions se comportent en utilisant quatre types de "modèles" (des façons de dessiner la forme des vagues) : Gamma, Inverse Gamma, Weibull et Log-Normal.

🎭 Le Grand Twist : Deux Visages Différents

C'est ici que l'histoire devient fascinante. Les chercheurs ont découvert que les actions ont deux visages qui ne se comportent pas du tout de la même façon. Ils ont séparé les données en deux paramètres :

La Forme (le paramètre $\phi$ ) : C'est la "silhouette" de la distribution.
- Analogie : Imaginez la forme d'une montagne. Est-elle pointue ? Est-elle ronde ?
- Résultat : Cette forme change doucement. C'est comme si quelqu'un sculptait la montagne avec un ciseau lent. C'est un mouvement fluide, prévisible, sans surprises majeures. C'est de la diffusion pure.
L'Échelle (le paramètre $\theta$ ) : C'est la "taille" ou l'amplitude des mouvements.
- Analogie : Imaginez la hauteur des vagues. Est-ce qu'elles font 10 cm ou 10 mètres ?
- Résultat : Cette taille change brutalement. Soudain, une vague géante arrive ! C'est là que les "tsunamis" (les krachs boursiers, les chocs de liquidité) se cachent. Ce paramètre est dominé par des sauts soudains.

En résumé : La "forme" de l'activité boursière est calme et prévisible, mais son "intensité" (la taille des mouvements) est chaotique et pleine de surprises.

🔄 L'Exception : Le Cas "Log-Normal"

Il y a une exception drôle dans leur étude. Pour le modèle "Log-Normal" (qui est très utilisé pour les prix), c'est l'inverse qui se produit !

Ici, c'est la taille ( $\theta$ ) qui est calme et fluide.
Et c'est la forme ( $\phi$ ) qui montre quelques petits sauts.

Pourquoi ? Parce que dans ce modèle mathématique, on regarde les choses à travers une "loupe logarithmique". C'est comme si on prenait une photo d'un feu d'artifice avec un filtre spécial qui rend les explosions (les sauts) plus lisses et les changements de couleur (la forme) plus brusques. C'est une illusion d'optique mathématique !

💡 Pourquoi est-ce important pour nous ?

Cette découverte est cruciale pour deux raisons :

Gérer le risque : Si vous êtes un investisseur, vous ne pouvez pas vous fier uniquement aux modèles qui supposent que tout change doucement. Vous devez savoir que l'intensité du marché peut exploser soudainement (les sauts). C'est comme conduire une voiture : vous savez que la route est lisse, mais vous devez toujours garder une main sur le frein pour les obstacles imprévus.
Mieux modéliser l'avenir : Les chercheurs montrent que pour prédire les crises, il faut utiliser des modèles qui acceptent les "sauts". Ignorer ces sauts, c'est comme essayer de prévoir la météo en ignorant les tornades.

🏁 Conclusion

En termes simples, cette étude nous dit : "Le marché boursier a un cœur calme (la forme) qui bat régulièrement, mais il porte une armure de chaos (l'échelle) qui peut se briser soudainement."

Les chercheurs ont prouvé mathématiquement que pour comprendre la vraie nature des marchés, il faut accepter que la vie n'est pas toujours une ligne droite, mais qu'elle est parsemée de bonds imprévisibles. C'est une leçon de prudence pour tous ceux qui jouent avec l'argent !

1. Problématique et Contexte

Les marchés financiers sont caractérisés par une dynamique complexe combinant des fluctuations continues et des changements brusques (sauts), tels que les krachs boursiers ou les chocs de liquidité. Les modèles stochastiques traditionnels, comme le mouvement brownien géométrique, capturent bien l'évolution lisse des prix mais échouent à rendre compte de ces événements extrêmes et des distributions à queues lourdes observées empiriquement.

L'objectif de cette étude est de modéliser l'évolution stochastique de la distribution volume-prix des actions de la Bourse de New York (NYSE). Les auteurs cherchent à déterminer si la dynamique intrajournalière de ces distributions est purement diffusive (continue) ou si elle nécessite un modèle saut-diffusion (jump-diffusion) pour capturer les discontinuités rares mais significatives.

2. Méthodologie

A. Données et Prétraitement

Source : Données de 1 750 entreprises cotées à la NYSE.
Fréquence : Échantillonnage toutes les 10 minutes sur 976 jours de négociation.
Variable d'étude : Le produit du prix et du volume $s(t) = p(t)v(t)$ , servant de mesure composite du flux monétaire et de l'intensité de trading.
Nettoyage :
- Filtrage des heures de négociation (09h10–15h30).
- Suppression des jours avec erreurs ou valeurs aberrantes extrêmes (règle $10\sigma$ ).
- Dé-trendage : Soustraction d'une moyenne mobile centrée sur 21 jours pour isoler les fluctuations stochastiques des tendances saisonnières et des cycles journaliers.

B. Modélisation Paramétrique

Les auteurs ajustent quatre familles de distributions à support positif aux données intrajournalières :

Gamma ( $f_G$ )
Inverse Gamma ( $f_{IG}$ )
Weibull ( $f_W$ )
Log-Normale ( $f_{LN}$ )

Chaque distribution est paramétrée par une forme ( $\phi$ ) et une échelle ( $\theta$ ). Pour la Log-Normale, ces paramètres correspondent respectivement à la moyenne et à l'écart-type dans l'espace logarithmique.

C. Analyse Stochastique via les Coefficients de Kramers-Moyal (KM)

Pour caractériser la dynamique sous-jacente sans supposer a priori la nature du processus (approche non-paramétrique), l'étude utilise l'approche de Kramers-Moyal :

Vérification de la propriété de Markov : Utilisation de l'entropie conditionnelle et de la fonction d'autocorrélation partielle (PACF) pour déterminer le temps de Markov $\tau_M$ (trouvé entre 5 et 9 pas de temps), au-delà duquel les effets de mémoire sont négligeables.
Discrétisation adaptative : Partition de l'espace d'état en zones (cœur, épaule, queue) pour stabiliser l'estimation des moments d'ordre élevé, cruciale pour détecter les sauts.
Calcul des moments conditionnels : Estimation des moments $K^{(n)}(x, \tau)$ jusqu'à l'ordre 6.
Correction des biais : Application de formules de correction (basées sur les polynômes de Bell) pour extraire les moments infinitésimaux corrigés $F_n$ à partir des moments bruts, éliminant ainsi les contaminations croisées entre les termes de dérive, de diffusion et de saut.
Classification :
- Si le rapport $D^{(4)}(x)/D^{(2)}(x)$ est négligeable ( $< 0.1$ ), le processus est purement diffusif.
- Si ce rapport est élevé, des dynamiques de saut-diffusion sont présentes.

3. Résultats Clés

L'analyse révèle une asymétrie fondamentale entre le paramètre de forme ( $\phi$ ) et le paramètre d'échelle ( $\theta$ ), qui dépend de la famille de distribution choisie :

A. Pour Gamma, Inverse Gamma et Weibull

Paramètre de forme ( $\phi$ ) : Se comporte comme un processus purement diffusif.
- Dérive linéaire de retour à la moyenne.
- Coefficients d'ordre supérieur ( $D^{(4)}, D^{(6)}$ ) négligeables.
- Rapport $D^{(4)}/D^{(2)} < 0.1$ .
Paramètre d'échelle ( $\theta$ ) : Présente une dynamique de saut-diffusion dominante.
- Coefficients d'ordre 4 et 6 extrêmement élevés (différence d'ordre de grandeur de $10^{29}$ à $10^{42}$ par rapport à $\phi$ ).
- Le rapport $D^{(4)}/D^{(2)}$ atteint des valeurs de l'ordre de $10^9$ à $10^{11}$ .
- Inversion globale : Les sauts expliquent entre 40 % et 63 % de la variance totale pour $\theta$ , avec des taux de saut de 4 à 15 événements par unité de temps.

B. Pour la distribution Log-Normale

Inversion du comportement :
- Le paramètre d'échelle ( $\theta$ , correspondant à $\sigma$ en log-espace) est principalement diffusif. La transformation logarithmique régularise les chocs multiplicatifs, les rendant additifs et lisses.
- Le paramètre de forme ( $\phi$ , correspondant à $\mu$ en log-espace) montre de faibles signatures de sauts, bien que moins marquées que pour les autres distributions.
Interprétation : La structure multiplicative du flux monétaire devient additive dans l'espace logarithmique, supprimant les signatures de sauts apparentes sur la volatilité logarithmique.

4. Contributions et Significativité

Validation de l'approche KM : L'étude démontre l'efficacité de l'analyse des coefficients de Kramers-Moyal (jusqu'à l'ordre 6) pour distinguer les régimes de diffusion pure et de saut-diffusion dans des données financières réelles et bruyantes, sans hypothèse de distribution sous-jacente fixe.
Séparation des régimes : Identification claire que la volatilité des marchés (paramètre d'échelle) est dominée par des événements discontinus rares (sauts), tandis que la structure de la distribution (paramètre de forme) évolue de manière continue et lisse.
Implications pour la gestion des risques :
- Les modèles de risque doivent intégrer des composantes de saut pour le paramètre d'échelle (liquidité, chocs), car les modèles purement diffussifs sous-estiment la probabilité d'événements extrêmes.
- La transformation Log-Normale peut masquer ces sauts, ce qui est crucial pour le choix de la modélisation selon l'objectif (ex: simulation de scénarios de stress vs estimation de volatilité).
Robustesse : Les résultats sont validés par des tests de sensibilité sur la fenêtre de dé-trendage (10, 21, 42 jours) et par des tests de stationnarité (ADF, KPSS), confirmant que la classification diffusion/saut est robuste aux choix de prétraitement.

En conclusion, ce travail fournit un cadre robuste pour modéliser la volatilité financière intrajournalière, soulignant que la dynamique des marchés est un « noyau diffusif » entouré d'une « coquille » sujette à des sauts, dont la nature dépend de la paramétrisation choisie.