Explainable Regime Aware Investing

Ce papier présente un cadre d'investissement explicable et adaptatif basé sur un modèle de Markov caché de Wasserstein qui, en identifiant dynamiquement les régimes de marché, permet d'optimiser la construction de portefeuille avec des performances ajustées au risque supérieures et une réduction significative des pertes par rapport aux stratégies de référence.

L'essentiel

🌦️ L'Investisseur Météorologue : Comment éviter les orages en bourse

Imaginez que vous conduisez une voiture sur une route très longue. Parfois, il fait beau, parfois il pleut, et parfois il y a un ouragan.

• Les investisseurs classiques (comme ceux qui achètent et gardent simplement des actions) conduisent avec le même style, peu importe la météo. S'il y a un ouragan, ils continuent de rouler à 130 km/h et finissent par avoir un accident grave.
• Les investisseurs "intelligents" savent qu'il faut changer de style selon la météo. Mais le problème, c'est que les prévisions météo sont souvent fausses ou changeantes. Si votre GPS change d'itinéraire toutes les 30 secondes à cause d'une petite erreur de calcul, vous allez tourner en rond, gaspiller du carburant (frais de transaction) et vous épuiser.

Ce papier, écrit par Amine Boukardagha de l'Université Columbia, propose une nouvelle façon de conduire : le "Wasserstein HMM". C'est un nom compliqué, mais voici ce que ça signifie en langage simple.

1. Le Problème : La Confusion des Identités 🌀

Pour gérer un portefeuille, on essaie de détecter les "régimes" de marché (les états de la météo).

• Régime 1 : Tout va bien, les actions montent.
• Régime 2 : Tout va mal, les actions chutent.

Le problème avec les anciennes méthodes, c'est qu'à chaque fois qu'on regarde la météo (chaque jour), l'ordinateur se trompe sur les noms.

L'analogie : Imaginez que vous avez deux amis, Paul et Pierre. Lundi, l'ordinateur dit "Paul est en train de pleuvoir". Mardi, il dit "Pierre est en train de pleuvoir". En réalité, c'est toujours le même ami (Paul) qui pleut, mais l'ordinateur a changé leurs étiquettes.
Résultat : Votre stratégie de conduite change complètement chaque jour, vous faites des virages brusques, vous payez des frais de péage énormes (frais de transaction) et vous finissez épuisé. C'est ce qu'on appelle l'instabilité des étiquettes.

2. La Solution Magique : Le "Miroir de Wasserstein" 🪞

L'auteur propose une méthode géniale pour résoudre ce problème. Au lieu de simplement dire "C'est Paul" ou "C'est Pierre", il utilise une règle géométrique appelée la distance de Wasserstein.

L'analogie : Imaginez que vous avez un moule à gâteau (un modèle de référence) pour chaque type de temps qu'il peut faire.

• Le moule "Pluie" a une forme bien précise.
• Le moule "Soleil" en a une autre.

Chaque matin, l'ordinateur regarde la météo actuelle et la compare à ses moules. Il ne se demande pas "Qui est-ce ?", mais "À quel moule cela ressemble-t-il le plus ?".

Même si la pluie change légèrement de forme (elle tombe plus fort ou plus doucement), elle reste dans le moule "Pluie". L'ordinateur ne change pas l'étiquette. Il sait que c'est toujours le même régime, juste un peu différent.

Le résultat ? La stratégie reste calme. Pas de virages brusques. On ne paie pas de frais inutiles.

3. Comment ça marche en pratique ? 🛠️

Le système fait trois choses principales :

1. Il s'adapte : Si le marché devient très complexe (comme une tempête avec de la grêle), le système ajoute plus de "moules" pour mieux décrire la situation. S'il fait beau, il en enlève. Il ne reste pas bloqué sur un nombre fixe.
2. Il garde le cap : Grâce à la "distance de Wasserstein", il sait que le "Régime Pluie" d'aujourd'hui est le même que celui d'hier, même si les chiffres ont changé. C'est comme reconnaître un ami sous un parapluie, même s'il a changé de veste.
3. Il protège le portefeuille : Quand le système détecte qu'on entre dans un "Régime Orage" (comme lors de la chute des actions en 2025, appelée "Liberation Day" dans le texte), il réduit automatiquement la vitesse (moins d'actions) et se met à l'abri (plus d'or, plus de bons du trésor).

4. Les Résultats : Qui gagne la course ? 🏆

L'auteur a testé sa méthode contre deux autres concurrents :

• Le "Conducteur Têtu" : Celui qui achète et garde les actions du S&P 500 sans rien faire.
• Le "Conducteur Paniqué" : Une méthode mathématique plus simple (KNN) qui change d'avis à chaque seconde.

Le verdict :

• Le Conducteur Têtu a gagné beaucoup d'argent au final, mais il a subi un accident terrible (une perte de 14,62 % de sa valeur) lors de la tempête de 2025.
• Le Conducteur Paniqué a fait des virages si brusques qu'il a usé sa voiture et a perdu beaucoup d'argent en frais.
• Le Conducteur "Wasserstein" (la nouvelle méthode) a eu le meilleur rapport sécurité/rendement.
  • Il a évité l'accident majeur (perte de seulement 5,43 %).
  • Il a conduit de manière très fluide (peu de frais de transaction).
  • Il a fini avec plus d'argent "net" que les autres, car il a mieux géré les moments difficiles.

En Résumé 🎯

Ce papier nous dit une chose fondamentale : Ce n'est pas seulement de savoir quand le marché change qui compte, c'est de savoir comment on le nomme.

Si votre système change d'avis sur la nature du marché à chaque instant, vous perdrez de l'argent en frais et en stress. En utilisant la "géométrie" (la distance de Wasserstein) pour garder une identité stable aux différents états du marché, on peut naviguer à travers les tempêtes financières sans perdre le cap, tout en profitant des beaux jours.

C'est comme avoir un GPS qui ne panique pas quand la route change, mais qui vous guide calmement vers la destination la plus sûre.

Résumé technique

1. Problématique et Contexte

La construction de portefeuilles quotidiens doit concilier deux objectifs contradictoires : l'adaptation rapide à l'évolution de la structure du marché et la robustesse face au bruit d'estimation et aux frictions de trading.

• Instabilité des estimations : À haute fréquence, les estimations conditionnelles de la moyenne et de la covariance sont instables. De petites perturbations dans les entrées peuvent générer de grands changements dans les poids optimisés.
• Défis des modèles de régime : L'utilisation de modèles à états latents (régimes) pour gérer la non-stationnarité introduit deux problèmes opérationnels majeurs lors de ré-estimations en fenêtre glissante :
  1. Complexité variable : Le nombre optimal de régimes peut changer au fil du temps.
  2. Instabilité des identités (Label Switching) : La ré-estimation répétée peut permuter les étiquettes des régimes latents, déstabilisant l'optimisation en aval et rendant l'interprétation économique impossible.

L'article propose une solution pour stabiliser l'inférence des régimes tout en permettant une complexité adaptative, afin d'améliorer la performance des portefeuilles quotidiens.

2. Méthodologie : Le Modèle HMM de Wasserstein

L'auteur propose un cadre d'inférence de régime basé sur un Modèle de Markov Caché (HMM) de Wasserstein, conçu spécifiquement pour la construction de portefeuilles quotidiens. Ce cadre combine trois éléments clés :

A. Estimation Strictement Causale et Sélection de Modèle Prédictive

• Le modèle utilise une fenêtre d'estimation glissante (expansive) strictement causale.
• Contrairement aux approches statiques (comme le critère BIC initial), le nombre de régimes ($K_t$) est sélectionné dynamiquement (par exemple, hebdomadairement) en fonction de la performance prédictive de la vraisemblance log (log-likelihood) sur un horizon d'un pas à l'avant. Cela permet d'ajuster la complexité du modèle à la valeur prédictive hors échantillon.

B. Suivi d'Identité par Template et Distance de Wasserstein

Pour résoudre le problème de l'instabilité des étiquettes (label switching) :

• Le modèle introduit des templates de régime persistants (représentés par des paramètres de distributions Gaussiennes : moyenne et covariance).
• À chaque date de ré-estimation, les composantes du HMM sont mappées vers ces templates persistants en utilisant la distance de Wasserstein de 2ème ordre ($W_2$) entre distributions Gaussiennes multivariées.
• Cette distance possède une forme fermée pour les Gaussiennes, offrant une métrique géométrique naturelle pour comparer les régimes sans recourir à des optimisations d'affectation discrètes (combinatoires).
• Les templates sont mis à jour via un lissage exponentiel, permettant une évolution structurelle douce tout en préservant l'identité du régime dans le temps.

C. Optimisation Moyenne-Variance avec Coûts de Transaction

• Les probabilités des régimes sont utilisées pour calculer des moments conditionnels (moyenne et covariance) pondérés.
• Ces moments sont injectés dans un problème d'optimisation Moyenne-Variance (MVO) qui inclut explicitement une pénalité de coût de transaction ($\ell_1$-norme sur le turnover) et des contraintes de poids.
• La covariance est stabilisée par une rétrécissement (shrinkage) de type Ledoit-Wolf pour gérer le bruit d'estimation.

3. Contributions Clés

1. Cadre d'inférence géométrique : Introduction du "Wasserstein HMM" qui remplace la gestion de régime basée sur des règles discrètes par une sélection de complexité prédictive et un suivi d'identité ancré géométriquement.
2. Stabilité de l'identité des régimes : Démonstration que la préservation de l'identité du régime (via les templates Wasserstein) est un déterminant de premier ordre de la stabilité du portefeuille et de la réduction du turnover.
3. Comparaison Paramétrique vs Non-Paramétrique : Mise en évidence que les méthodes non-paramétriques (comme les K-Plus Proches Voisins - KNN) souffrent d'une instabilité des ensembles de voisins à fréquence quotidienne, générant un turnover excessif et une volatilité des poids, contrairement aux modèles à états latents structurés.

4. Résultats Empiriques

L'étude est évaluée sur un univers d'actifs diversifié (Actions, Obligations, Or, Pétrole, Dollar) de 2005 à 2026, avec une période de test hors échantillon (OOS) incluant un choc de marché début 2025 ("Liberation Day").

Performance Risque-Rendement

• Ratio de Sharpe : Le modèle Wasserstein HMM atteint 2,18, surpassant largement l'approche KNN (1,81), le portefeuille égal pondéré (1,59) et l'achat et conservation du S&P 500 (SPX) (1,18).
• Drawdown Maximum : Le modèle réduit le drawdown maximal à -5,43 %, contre -12,52 % pour la méthode KNN et -14,62 % pour le SPX.

Dynamique de Rééquilibrage et Turnover

• Turnover Journalier : La stratégie paramétrique présente un turnover moyen quotidien extrêmement faible (0,79 %) comparé à la méthode KNN (56,65 %).
• Stabilité des Poids : Les poids du portefeuille évoluent de manière lisse et persistante avec le modèle HMM, tandis que la méthode KNN génère des réallocations fréquentes et extrêmes en raison de l'instabilité des estimations de moments conditionnels.

Gestion du Choc de 2025 ("Liberation Day")

Lors de la vente massive d'actions début 2025 :

• Le modèle HMM détecte une transition vers un régime de stress (identifié comme "Régime E" : stress des actions avec coussin des matières premières).
• Il réduit systématiquement l'exposition aux actions et réalloue le capital vers des actifs défensifs (Obligations, Or, Dollar US).
• Cette adaptation endogène a permis de limiter les pertes pic-à-trough, là où les benchmarks passifs ont subi des chutes brutales.

5. Signification et Implications Économiques

• Qualité de l'inférence = Performance du portefeuille : L'article démontre que la qualité de l'inférence des régimes (stabilité de l'identité et contrôle de la complexité) est plus critique que la simple existence de régimes. Une inférence instable se propage directement en un turnover élevé et une dégradation de la performance.
• Interprétabilité : Grâce à l'ancrage des templates, chaque régime a une identité économique stable et interprétable (ex: "Expansion Risquée", "Stabilité Défensive", "Inflation/Dollar Fort"). Cela permet une attribution de performance claire et une allocation systématique basée sur l'état latent.
• Supériorité des modèles structurés : Pour l'allocation quotidienne multi-actifs, les modèles à états latents structurés avec ancrage géométrique (Wasserstein) offrent des caractéristiques d'implémentation nettement supérieures aux méthodes de similarité locale (KNN), qui sont trop sensibles au bruit à haute fréquence.

Conclusion

L'article conclut que l'investissement conscient des régimes ne consiste pas seulement à détecter des changements de marché, mais à stabiliser l'identité de ces régimes tout en permettant à la complexité du modèle de s'adapter. Le cadre "Wasserstein HMM" fournit une solution principielle et économiquement interprétable qui améliore la robustesse de l'implémentation, réduit les drawdowns et assure une croissance du capital plus lisse.