Broken Symmetry of Stock Returns -- a Modified Jones-Faddy Skew t-Distribution

Cet article propose une distribution t-skew modifiée de Jones-Faddy pour modéliser l'asymétrie des rendements boursiers, en attribuant leur skewness négative et leur moyenne positive à une rupture de symétrie dans la volatilité stochastique des gains et des pertes, une hypothèse validée par l'analyse des rendements quotidiens du S&P500.

L'essentiel

Voici une explication simple et imagée de ce papier de recherche, conçue pour être comprise par tout le monde, même sans bagage en mathématiques ou en finance.

🎢 Le Grand Tourbillon : Comprendre les Actions comme une Montagne Russe

Imaginez que le marché boursier (comme l'indice S&P 500) est une immense montagne russe.

Les chercheurs de l'Université de Cincinnati se sont posé une question simple : Pourquoi cette montagne russe est-elle si déséquilibrée ?

En observant les données de 1980 à 2025, ils ont remarqué trois choses étranges :

1. La pente générale monte : Sur le long terme, l'argent a tendance à augmenter (c'est la "moyenne positive").
2. Les chutes sont plus brutales : Quand ça descend, ça descend vite et fort (c'est la "déviation négative" ou skew).
3. Il y a plus de montées que de descentes : Vous passez plus de temps à monter doucement qu'à tomber verticalement.

🧩 Le Problème : L'ancienne carte ne correspond plus au terrain

Pendant longtemps, les physiciens et les économistes utilisaient une carte très simple pour prédire ces mouvements : la distribution de Student (une courbe en cloche parfaite, comme une montagne symétrique).

• L'analogie : Imaginez une cloche de son. Si vous la frappez au centre, le son est égal à gauche et à droite. C'est ce que les anciens modèles prédisaient : une chance égale d'avoir une grosse hausse ou une grosse baisse.
• La réalité : Le marché n'est pas une cloche symétrique. C'est plutôt une cloche tordue, comme une montagne dont le sommet est décalé d'un côté et dont l'autre versant est une falaise abrupte.

Les chercheurs disent : "L'ancienne carte est fausse parce qu'elle suppose que la 'volatilité' (l'agitation du marché) agit de la même façon pour les gains et pour les pertes. Mais en réalité, le marché a deux personnalités différentes."

🔍 La Solution : Deux Moteurs pour une Voiture

Pour expliquer ce déséquilibre, les auteurs proposent une idée brillante : la symétrie est brisée.

Imaginez que le marché est une voiture qui roule sur une route cahoteuse.

• Le modèle ancien disait : "Le moteur et les amortisseurs fonctionnent exactement de la même façon, que vous montiez une côte (gain) ou que vous redescendiez (perte)."
• Le nouveau modèle dit : "Non ! Quand on monte (gains), le moteur est réglé d'une certaine manière. Quand on descend (pertes), le moteur et les amortisseurs changent de réglage."

C'est ce qu'ils appellent la "brisure de symétrie de la volatilité stochastique". En termes simples :

• Les pertes sont gérées par un "moteur" qui crée des chutes plus profondes et plus fréquentes (des queues de distribution plus lourdes).
• Les gains sont gérés par un "moteur" qui produit des montées plus douces et plus nombreuses.

🛠️ L'Outil Magique : La "Cloche Tordue" (mJF)

Pour décrire mathématiquement cette situation, les chercheurs ont utilisé une nouvelle formule appelée distribution t de Jones-Faddy modifiée.

• L'analogie : Si la courbe classique est une montagne parfaitement ronde, cette nouvelle formule est comme une argile modelée à la main.
  • On peut étirer un côté pour représenter les pertes brutales.
  • On peut décaler le sommet pour représenter la tendance à la hausse.
  • On peut ajuster la forme pour coller parfaitement aux données réelles du S&P 500.

Ils ont testé plusieurs versions de cette "argile" :

1. La version "mixte" (Half Student-t) : Comme si on prenait deux demi-montagnes différentes et qu'on les collait ensemble. Ça marche bien pour les formes, mais ça ne parvient pas à expliquer pourquoi le marché a une tendance générale à la hausse.
2. La version "modifiée" (mJF1) : C'est la championne. Elle est une seule courbe organique (comme un seul bloc d'argile) qui capture à la fois la tendance à la hausse, la fréquence des pertes et la brutalité des chutes.

📊 Ce que cela nous apprend (Les Résultats)

En appliquant cette nouvelle "argile" aux données réelles du S&P 500 :

• Le modèle colle parfaitement : Il prédit très bien la probabilité d'avoir une journée de gain ou de perte.
• Les queues de distribution : Il explique pourquoi les "crises" (les chutes extrêmes) sont plus probables que ce que les modèles classiques ne le pensaient. C'est comme si la voiture avait des amortisseurs qui deviennent soudainement très mous quand on descend une pente raide.
• La moyenne positive : Le modèle explique aussi pourquoi, malgré les chutes, on finit souvent avec un gain global (le sommet de la courbe est décalé vers la droite).

🚀 Conclusion : Pourquoi c'est important ?

Ce papier nous dit qu'il faut arrêter de regarder le marché comme une machine symétrique et prévisible. Le marché a un double visage :

• Il est gentil et régulier quand il monte.
• Il est sauvage et imprévisible quand il descend.

En utilisant cette nouvelle "carte" (la distribution mJF), les investisseurs et les mathématiciens peuvent mieux comprendre les risques. C'est comme passer d'une carte routière simplifiée à un GPS 3D qui vous montre non seulement la route, mais aussi les virages dangereux et les pentes glissantes, vous permettant de mieux naviguer dans le chaos des marchés financiers.

En résumé : Le marché n'est pas une cloche symétrique. C'est une montagne asymétrique avec des pentes douces pour la hausse et des falaises pour la baisse. Les auteurs ont trouvé la meilleure formule mathématique pour décrire cette montagne tordue.

Résumé technique

Voici un résumé technique détaillé de l'article « Broken Symmetry of Stock Returns - a Modified Jones-Faddy Skew t-Distribution » en français.

1. Problématique et Contexte

L'article aborde une caractéristique fondamentale des rendements boursiers, spécifiquement ceux de l'indice S&P500 sur la période 1980-2025 : la rupture de symétrie de leur distribution. Bien que les modèles classiques (comme la distribution de Student dérivée de la volatilité stochastique) prédisent une symétrie entre les gains et les pertes, les données empiriques montrent quatre écarts majeurs :

• Une moyenne positive (tendance à la hausse).
• Une asymétrie négative (skewness négative).
• Un nombre de points de données pour les gains supérieur à celui des pertes.
• Des queues de distribution (tails) suivant des lois de puissance différentes : les pertes ont une queue plus lourde (exposant de loi de puissance plus faible) que les gains.

L'objectif est de modéliser mathématiquement cette rupture de symétrie tout en restant, idéalement, dans le cadre des équations différentielles stochastiques (EDS), tout en capturant ces asymétries dans une distribution organique unique.

2. Méthodologie

Les auteurs partent d'un cadre théorique basé sur les EDS pour les rendements ($x_t$) et la volatilité stochastique ($\sigma_t$).

• Modèle de base : Ils utilisent un modèle de volatilité multiplicative qui conduit naturellement à une distribution de Student (symétrique).
• Hypothèse de rupture : Ils postulent que la symétrie est brisée parce que les paramètres de la volatilité stochastique diffèrent pour les gains et les pertes.
• Approches comparées :
  1. Distribution « Half Student-t » : Une distribution mixte où les gains et les pertes sont modélisés séparément avec des paramètres distincts ($\alpha_g, \theta_g$ et $\alpha_l, \theta_l$). Bien que fondée sur les EDS, cette approche n'est pas une distribution « organique » unique et échoue à prédire la moyenne positive observée.
  2. Distribution de Jones-Faddy modifiée (mJF) : Les auteurs adoptent une extension de la distribution de Student proposée par Jones et Faddy, adaptée pour inclure des paramètres distincts pour les queues positives et négatives.
     • mJF1 : Utilise un seul paramètre de volatilité moyenne ($\theta$) mais des paramètres de forme distincts ($\alpha_g$ pour les gains, $\alpha_l$ pour les pertes) et un paramètre de localisation ($\mu$).
     • mJF2 : Généralisation supplémentaire introduisant deux paramètres de volatilité moyenne distincts ($\theta_g$ et $\theta_l$).

Les auteurs ont effectué un ajustement bayésien (Bayesian fitting) sur les données quotidiennes du S&P500 (1980-2025) pour estimer les paramètres de ces distributions et comparer leurs performances statistiques (moyenne, variance, mode, skewness, exposants des queues).

3. Contributions Clés

• Identification de la cause physique : L'article suggère que la rupture de symétrie provient de paramètres de volatilité stochastique différents régissant les gains et les pertes. Plus précisément, la queue plus lourde des pertes est attribuée à un paramètre $\alpha_l$ plus faible que $\alpha_g$.
• Développement d'une distribution organique : L'introduction de la mJF1 permet de capturer l'asymétrie, la moyenne positive et les queues de puissance différentes au sein d'une seule fonction de densité de probabilité (PDF), contrairement aux mélanges de distributions.
• Analyse comparative rigoureuse : La comparaison systématique entre la distribution de Student standard, la distribution « Half Student-t », et les deux variantes mJF, démontrant les limites des modèles purement basés sur les EDS (comme le Half Student-t) pour capturer la moyenne positive.

4. Résultats Principaux

Les résultats numériques et graphiques (Figures 4 à 19) montrent que :

• Performance du mJF1 : La distribution mJF1 offre l'ajustement le plus robuste. Elle reproduit avec précision la moyenne positive ($m_1 \approx 4.06 \times 10^{-5}$), l'asymétrie négative ($\zeta_1 \approx -0.04$) et les exposants des queues de puissance distincts (environ -3.12 pour les gains et -2.90 pour les pertes, proches des valeurs empiriques du S&P500).
• Échec du Half Student-t : Bien que ce modèle soit ancré dans les EDS, il échoue à capturer la moyenne positive (prédit une moyenne négative) et nécessite une distribution mixte non organique.
• Redondance du mJF2 : L'ajout d'un second paramètre de volatilité ($\theta_g \neq \theta_l$) dans le modèle mJF2 n'apporte aucune amélioration significative par rapport au mJF1, tant visuellement que statistiquement (tests U, intervalles de confiance).
• Validation des queues : Les tests statistiques (p-values, intervalles de confiance) confirment que les modèles mJF capturent correctement le comportement des queues de distribution, y compris la présence potentielle de « Dragon Kings » (événements extrêmes), bien que la plupart des points restent dans les intervalles de confiance attendus.

5. Signification et Conclusion

L'article conclut que la distribution de Jones-Faddy modifiée (mJF1) est le candidat le plus prometteur pour décrire analytiquement les rendements quotidiens du S&P500.

• Avantages : Elle parvient à un compromis optimal entre la simplicité (nombre minimal de paramètres) et la capacité à modéliser la complexité empirique (asymétrie, moyenne positive, queues asymétriques).
• Limites théoriques : Bien que le mJF1 soit une excellente description empirique, les auteurs reconnaissent qu'il n'existe pas encore de dérivation rigoureuse à partir des principes premiers (EDS) pour cette forme spécifique de distribution, contrairement à la distribution de Student standard.
• Perspectives futures : Les auteurs suggèrent d'appliquer ce modèle à d'autres indices (DOW, NASDAQ, marchés européens/asian) et d'étudier les rendements accumulés (volatilité réalisée) pour comprendre comment la rupture de symétrie évolue avec l'horizon temporel.

En résumé, ce travail propose un cadre mathématique robuste pour modéliser l'asymétrie inhérente aux marchés financiers, en identifiant que la différence de dynamique de volatilité entre les gains et les pertes est la clé de la compréhension de la distribution des rendements.