A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting

Cet article propose une approche d'apprentissage automatique basée sur un graphe biparti pour prédire les rendements boursiers entre les États-Unis et la Chine, révélant une asymétrie informationnelle marquée où les rendements américains influencent significativement les rendements intrajournaliers chinois, mais non l'inverse.

L'essentiel

Voici une explication simple et imagée de cette recherche, comme si nous en discutions autour d'un café.

🌍 Le Concept de Base : Deux Magasins qui ne s'ouvrent pas en même temps

Imaginez deux grands magasins de vêtements :

1. Le Magasin Américain (New York) : Il ouvre à 9h30 et ferme à 16h00.
2. Le Magasin Chinois (Shanghai/Shenzhen) : Il ouvre à 9h30 et ferme à 15h00, mais il est décalé de 13 heures dans le temps.

Quand le Magasin Américain ferme ses portes le soir, le Magasin Chinois dort encore. Quand le Magasin Chinois ouvre le matin, le Magasin Américain dort. Ils ne se croisent jamais.

Le problème : Les investisseurs veulent savoir comment vont se comporter les actions dans un magasin avant qu'il n'ouvre, en regardant ce qui s'est passé dans l'autre magasin.

🔗 L'Idée Géniale : Le "Pont Magique" (Le Graphique Biparti)

Les auteurs de l'article, Jing Liu et son équipe, ont eu une idée brillante. Au lieu de regarder toutes les actions au hasard, ils ont construit un pont invisible entre les deux magasins.

Imaginez un réseau de téléphones portables :

• D'un côté, vous avez 500 téléphones aux États-Unis.
• De l'autre, 500 téléphones en Chine.
• Le but est de savoir : "Si le téléphone Apple aux USA a sonné fort hier soir, est-ce que le téléphone Huawei en Chine va sonner fort ce matin ?"

Pour construire ce pont, ils n'ont pas deviné. Ils ont utilisé un filtre mathématique intelligent (un test statistique) pour ne retenir que les câbles qui fonctionnent vraiment.

• Si le lien est fort, ils allument une petite lumière verte entre les deux téléphones.
• Si le lien est faible ou bruyant, ils coupent le câble.

Ce réseau de câbles allumés s'appelle un graphique biparti dirigé. C'est une carte qui montre : "Regarde, l'information voyage de ce téléphone précis vers celui-là."

🤖 Le Cerveau Artificiel (L'Apprentissage Machine)

Une fois qu'ils ont cette carte des liens importants, ils l'ont donnée à un robot prévisionniste (un algorithme d'intelligence artificielle).

Ce robot a appris à lire la carte :

1. Il regarde ce qui s'est passé aux USA hier soir (quand le marché chinois dormait).
2. Il suit les câbles verts sur la carte pour voir quelles actions chinoises sont connectées.
3. Il prédit comment ces actions chinoises vont bouger le lendemain matin.

Ils ont utilisé 10 types de robots différents (des méthodes statistiques classiques, des arbres de décision, des réseaux de neurones, etc.) pour voir lequel était le plus doué.

🇺🇸 vs 🇨🇳 : La Grande Révélation (L'Asymétrie)

C'est ici que ça devient fascinant. Les résultats montrent une inégalité flagrante, comme si un géant parlait à un nain, mais que le nain ne pouvait pas se faire entendre du géant.

• Du USA vers la Chine (Le Géant parle) : C'est très efficace ! Les informations des actions américaines de la veille donnent de très bonnes indications sur ce qui va se passer en Chine le lendemain. Le robot gagne de l'argent (ou du moins, prédit très bien).
• De la Chine vers les USA (Le Nain crie) : C'est beaucoup moins efficace. Les mouvements de la veille en Chine n'expliquent pas grand-chose sur ce qui va se passer aux USA le lendemain.

Pourquoi ? Parce que le marché américain est plus gros, plus liquide, et que les nouvelles globales arrivent souvent d'abord là-bas. Quand le marché chinois ouvre, il réagit déjà à ce qui s'est dit aux USA la veille.

📉 Les Résultats en Images

• Le "Score de Performance" (Sharpe Ratio) : Imaginez un score de golf. Plus il est bas, mieux c'est. Ici, c'est l'inverse : plus le score est haut, plus le robot est bon.
  • Quand le robot utilise les infos US pour prédire la Chine, le score est excellent (souvent au-dessus de 1, parfois près de 2).
  • Quand il essaie l'inverse, le score est faible.
• La Carte des Secteurs : Ils ont aussi vu que ce n'est pas juste "tous contre tous". Par exemple, le secteur de la finance en Chine est très connecté au secteur des services publics aux USA. C'est comme si les banques américaines donnaient le ton aux banques chinoises, mais pas aux usines de jouets chinoises.

💡 En Résumé : Pourquoi c'est important ?

Cette étude nous dit deux choses essentielles :

1. La structure compte : Ne pas utiliser un algorithme "bête" qui regarde tout, mais construire une carte intelligente des liens (le graphique) fait toute la différence. C'est comme avoir une carte routière précise plutôt que de conduire au hasard.
2. Le temps est un roi : L'information voyage dans une direction. Ce qui se passe aux USA la veille est une "balle de tennis" puissante qui arrive en Chine le lendemain. Mais l'inverse ne fonctionne pas aussi bien.

La métaphore finale :
C'est comme si vous essayiez de prédire la météo de demain à Paris en regardant ce qu'il a fait hier à Tokyo. Ça peut aider un peu (les courants d'air existent), mais si vous regardez ce qu'il a fait hier à Londres, vous aurez une bien meilleure idée ! Ici, les USA sont "Londres" et la Chine est "Paris" : le flux d'information va principalement d'un côté à l'autre.

Les auteurs montrent qu'en utilisant des mathématiques modernes pour tracer ces flux, on peut mieux comprendre les marchés financiers, même si, attention, cela ne garantit pas de devenir riche du jour au lendemain (car il y a des frais de transaction et des risques !).

Résumé technique

Voici un résumé technique détaillé de l'article « A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting » en français.

1. Problématique et Contexte

La prédiction des rendements boursiers reste un défi majeur en finance, exacerbé par le bruit, la non-stationnarité et les dépendances non linéaires. Bien que l'apprentissage automatique (Machine Learning - ML) soit largement utilisé pour la prévision au sein d'un seul marché, peu d'études se sont penchées sur la prédiction des rendements au niveau des actions individuelles entre deux marchés, en tenant compte des contraintes réelles de synchronisation des séances de trading.

La plupart des recherches existantes sur les interactions inter-marchés se concentrent sur les mouvements simultanés, les effets de débordement (spillovers) ou les corrélations, souvent au niveau des indices agrégés. Il existe un vide dans la littérature concernant la prédiction explicite des rendements d'actions spécifiques entre les marchés américain et chinois, en exploitant leur non-chevauchement des heures de trading.

2. Méthodologie

L'article propose un cadre novateur combinant la théorie des graphes et l'apprentissage automatique en deux étapes principales :

A. Construction d'un Graphe Biparti Dirigé

Les auteurs exploitent le fait que les séances de trading des États-Unis et de la Chine ne se chevauchent pas. Cela crée une structure temporelle propre où l'information d'un marché est entièrement observable avant l'ouverture de l'autre.

• Structure du graphe : Un graphe biparti dirigé $G = (V, E)$ est construit où l'ensemble des sommets $V$ est divisé en deux ensembles disjoints : le marché source ($X$, par exemple les États-Unis) et le marché cible ($Y$, par exemple la Chine).
• Sélection des arêtes (Feature Selection) : Pour chaque paire d'actions $(X_j, Y_i)$, une régression linéaire univariée est estimée sur une fenêtre de glissement (rolling window) pour tester si les rendements passés de $X_j$ prédisent significativement les rendements de $Y_i$.
• Critère de sélection : Une statistique $t$ est calculée. Une arête dirigée de $X_j$ vers $Y_i$ est créée si la valeur absolue de la statistique $t$ dépasse un seuil $\tau$ (fixé à 2). Cela permet de filtrer le bruit et de ne retenir que les liens prédictifs économiquement significatifs.
• Représentation : Ce graphe agit comme une couche de sélection de caractéristiques (feature selection) sparse et interprétable, reliant les actions d'un marché à celles de l'autre selon l'ordre temporel.

B. Modélisation par Apprentissage Automatique

Une fois les prédicteurs sélectionnés via le graphe, les rendements d'ouverture à clôture (Open-to-Close - OPCL) du marché cible sont prédits.

• Données : Utilisation des rendements excédentaires (rendement de l'action moins le rendement d'un ETF de marché).
• Modèles : Dix algorithmes de ML sont testés, couvrant une gamme de techniques :
  • Linéaires et régularisés : OLS, LASSO, Ridge.
  • Basés sur les noyaux : SVM (avec noyau RBF).
  • Arbres et Boosting : XGBoost, LightGBM, Random Forests, AdaBoost.
  • Ensembles : Moyenne et médiane des prédictions des modèles ci-dessus.
• Configuration temporelle :
  • Prédire la Chine avec les USA : $l=1$ (les rendements de clôture de la veille aux USA prédisent l'OPCL du jour en Chine).
  • Prédire les USA avec la Chine : $l=0$ (les rendements de clôture de la veille en Chine prédisent l'OPCL du jour aux USA).

3. Contributions Clés

1. Cadre Graphique Dirigé Inter-Marchés : Première application d'un graphe biparti dirigé pour la sélection de prédicteurs au niveau des actions entre les marchés US et chinois, exploitant spécifiquement le décalage temporel des séances.
2. Interprétabilité Économique : Contrairement aux "boîtes noires" profondes, la structure du graphe permet d'identifier des canaux de transmission sectoriels (ex: liens entre le secteur financier chinois et le secteur des services publics américains).
3. Analyse de l'Asymétrie Informationnelle : Le cadre permet de quantifier rigoureusement l'asymétrie directionnelle de la prévisibilité entre les deux marchés.
4. Robustesse Méthodologique : L'étude compare systématiquement les approches basées sur le graphe (inter et intra-marché) avec des baselines sans graphe, démontrant la valeur ajoutée de la structure relationnelle.

4. Résultats Principaux

• Asymétrie Prononcée : Les résultats confirment une asymétrie directionnelle forte. Les informations du marché américain (rendements de veille à veille, pvCLCL) contiennent une information prédictive substantielle pour les rendements intrajournaliers (OPCL) des actions chinoises. À l'inverse, l'effet inverse (Chine vers USA) est nettement plus faible et moins significatif.
• Performance des Modèles :
  • L'utilisation des rendements de clôture de la veille aux USA (pvCLCL) pour prédire l'OPCL chinois donne les meilleurs résultats (Ratio de Sharpe souvent > 1, atteignant parfois 2).
  • Les modèles d'ensemble (moyenne et médiane) et les méthodes régularisées (Ridge, LGBM) affichent les performances les plus robustes.
  • Les approches combinant information inter-marché + sélection par graphe surpassent à la fois les modèles intra-marché basés sur le graphe et les baselines sans graphe.
• Analyse Sectorielle : L'agrégation du graphe au niveau sectoriel révèle des canaux de transmission trans-sectoriels (ex: liens forts entre les services financiers chinois et les services publics américains), plutôt qu'une simple structure diagonale par blocs (intrasectorielle).
• Analyse de Sensibilité :
  • La performance diminue lorsque les arêtes du graphe sont remplacées aléatoirement, prouvant que la structure économique réelle est cruciale.
  • La performance décroît lorsque le décalage temporel ($l$) augmente, soulignant l'importance de l'information récente (overnight).

5. Signification et Implications

• Preuve de Concept : L'étude démontre que les structures de graphes dirigés peuvent capturer efficacement les dépendances temporelles entre marchés non synchronisés, offrant une alternative interprétable aux modèles de réseaux de neurones complexes.
• Dominance de l'Information US : Les résultats corroborent la littérature existante sur le rôle central des États-Unis dans la découverte des prix mondiaux, mais le font à un niveau granulaire (action par action) avec une méthodologie rigoureuse.
• Limites et Perspectives : Les auteurs notent que les ratios de Sharpe sont calculés avant coûts de transaction et sans optimisation de liquidité, servant de preuve de concept plutôt que de stratégie de trading prête à l'emploi.
• Futur : L'article ouvre la voie à l'extension de cette approche à d'autres régions (Europe, Asie), à l'application directe de Graph Neural Networks (GNN) sur ces graphes bipartis, et à l'intégration de modèles de langage (LLM) pour l'analyse des interactions inter-marchés.

En résumé, cet article propose une approche structurée et économiquement interprétable pour la prévision des rendements transfrontaliers, démontrant que l'exploitation intelligente des décalages temporels via des graphes bipartis améliore significativement la prévisibilité, en particulier du marché américain vers le marché chinois.