Interpretable Systematic Risk around the Clock

Cette étude présente la première analyse systématique et continue du risque de saut en combinant des données de marché haute fréquence avec des récits d'actualités classés par une IA générative, révélant que les nouvelles macroéconomiques commandent la prime de risque la plus élevée et permettant la construction d'un portefeuille de facteurs performant.

L'essentiel

🌍 Le Marché Financier ne dort jamais : Une Enquête 24h/24

Imaginez que le marché boursier américain est un géant qui ne dort jamais. Traditionnellement, les économistes regardaient ce géant seulement quand il était "éveillé" (de 9h30 à 16h00, l'heure de New York). Ils pensaient que c'était là que se passait toute l'action.

Mais dans cet article, l'auteur, Songrun He, nous dit : "Attendez une minute ! Ce géant fait aussi des cauchemars et des rêves très intenses quand il dort !"

Voici comment il a découvert cela, étape par étape, avec des analogies simples.

1. L'Enquêteur et ses Deux Outils Magiques

Pour comprendre pourquoi le marché bouge brusquement (ce qu'on appelle des "sauts" ou jumps), l'auteur a utilisé deux outils révolutionnaires :

• Le Microscope Ultra-Rapide (Données Haute Fréquence) : Au lieu de regarder le marché une fois par jour, il l'a observé seconde par seconde, 24 heures sur 24. Il a utilisé des données sur les actions américaines et sur des contrats futurs (le "S&P 500 E-mini") qui se négocient même la nuit.
• Le Détective Super-Intelligent (L'IA) : C'est là que ça devient fascinant. À chaque fois que le marché a un "saut" (une grosse montée ou une grosse chute), l'auteur a demandé à une Intelligence Artificielle très avancée (un modèle de langage appelé Qwen) de lire toutes les nouvelles du moment. L'IA a agi comme un détective : "Tiens, le marché a chuté de 2% à 3h du matin. Quelle nouvelle a causé ça ? Ah, c'est une annonce sur le chômage en Europe !"

2. La Révélation : La Nuit est plus Importante que le Jour

Grâce à cette enquête 24h/24, l'auteur a découvert quelque chose de choquant :

• Le mythe du jour : On pensait que les gros mouvements venaient des nouvelles américaines publiées pendant la journée.
• La réalité de la nuit : En réalité, la majorité des gros sauts du marché se produisent la nuit, quand les Américains dorment.

L'analogie du café :
Imaginez que vous buvez votre café le matin (le marché ouvert). Vous pensez que votre énergie vient du café. Mais en réalité, c'est la nuit que votre corps a réparé ses muscles et stocké l'énergie. Si vous ignorez la nuit, vous ne comprenez pas d'où vient votre énergie. De même, ignorer la nuit signifie ignorer la source principale du risque et du profit sur le marché.

3. Le Tri des Nouvelles : Qui est le Vrai Coupable ?

L'IA n'a pas seulement trouvé les nouvelles ; elle les a classées en catégories, comme un trieur de courrier intelligent. Elle a identifié 5 types de "coupables" :

1. Les nouvelles macroéconomiques (chômage, inflation, PIB).
2. Les annonces politiques (la Réserve Fédérale, le gouvernement).
3. Les événements géopolitiques (guerres, tensions internationales).
4. Les résultats d'entreprises (les géants de la tech, etc.).
5. Les retombées internationales (ce qui se passe en Europe ou en Asie).

La découverte clé :
Parmi tous ces coupables, les nouvelles macroéconomiques (comme les chiffres du chômage ou de l'inflation) sont les plus dangereuses et les plus rentables. Elles font bouger le marché de manière imprévisible et les investisseurs sont prêts à payer cher pour se protéger contre elles. C'est comme si le marché avait peur spécifiquement des "annonces de l'État" et non pas des petites nouvelles d'entreprise.

4. Le Résultat : Gagner de l'Argent en Dormant

L'auteur a utilisé ces informations pour créer une stratégie d'investissement automatique.

• L'ancienne méthode : Regarder le marché de 9h à 16h, ignorer la nuit, utiliser des méthodes de tri de mots simples (comme compter les mots dans un texte).
• La nouvelle méthode : Utiliser l'IA pour comprendre le sens des nouvelles la nuit, identifier le risque le plus important (les nouvelles macro), et construire un portefeuille qui parie spécifiquement sur ce risque.

Le verdict ?
La nouvelle stratégie a gagné beaucoup plus d'argent que le marché traditionnel.

• Le marché classique a un score de performance (Sharpe ratio) de 0,53.
• La stratégie de l'auteur a un score de 0,95.

C'est comme si vous aviez une boussole qui vous montre le vrai nord, tandis que tout le monde suit une boussole magnétique défectueuse.

5. Pourquoi l'IA est Indispensable ?

L'auteur a fait un test pour prouver que l'IA est vraiment nécessaire.

• Il a demandé à l'IA de réfléchir (comme un humain qui pèse le pour et le contre avant de répondre).
• Il a demandé à l'IA de répondre vite (sans réfléchir).

Résultat : L'IA qui réfléchit a trouvé les vraies causes des mouvements de marché avec une précision incroyable. L'IA qui ne réfléchissait pas a fait beaucoup d'erreurs, un peu comme un étudiant qui répond à un examen sans lire la question. Cela prouve que pour comprendre la finance, il ne suffit pas de compter des mots, il faut comprendre le contexte et la logique.

En Résumé

Cette recherche nous apprend trois choses simples :

1. Le marché travaille 24h/24 : Si vous n'écoutez que la journée, vous ratez l'essentiel de l'histoire.
2. Les nouvelles comptent : Les gros mouvements ne sont pas du hasard ; ils sont causés par des nouvelles spécifiques (surtout économiques) que l'IA peut lire et comprendre.
3. L'Intelligence Artificielle est un atout : Utiliser une IA capable de "réfléchir" permet de créer des stratégies d'investissement plus intelligentes et plus rentables que les méthodes traditionnelles.

C'est comme passer d'une carte dessinée à la main pour naviguer en mer, à l'utilisation d'un GPS satellite ultra-précis qui vous évite les tempêtes et vous guide vers le trésor.

Résumé technique

1. Problématique et Contexte

La littérature financière sur le risque systémique et la prime de risque a considérablement progressé grâce à l'analyse textuelle des nouvelles (Manela & Moreira, 2017 ; Bybee et al., 2023). Cependant, une lacune majeure persiste : la plupart des études se concentrent exclusivement sur la période de négociation intrajournalière (9h30–16h00), négligeant la période de nuit.

Or, des travaux récents (Hendershott et al., 2020 ; Boyarchenko et al., 2023) suggèrent que le risque systémique se matérialise fortement pendant la nuit, souvent en réponse à des annonces macroéconomiques ou géopolitiques survenant lorsque les marchés américains sont fermés. Avec l'évolution des marchés vers des sessions de trading 24h/24 (projetées par le Nasdaq et la NYSE), il devient crucial de comprendre le risque de saut (jump risk) de manière continue.

Le problème central est donc d'identifier, de classer et de valoriser les risques de sauts systématiques sur une base 24h/24, en reliant ces sauts aux récits économiques sous-jacents (nouvelles) de manière interprétable, ce que les méthodes traditionnelles de traitement du langage naturel (NLP) peinent à faire avec précision.

2. Méthodologie

L'auteur propose un cadre analytique novateur combinant trois avancées majeures :

A. Données Haute Fréquence "Around-the-Clock"

• Couverture : Utilisation de données de fréquence élevée (15 minutes) sur les actions du S&P 1500 et les contrats à terme sur le S&P 500 E-mini.
• Période : Septembre 1997 à mai 2020.
• Approche : Les données intrajournalières proviennent de TAQ (NYSE, NASDAQ, AMEX), tandis que les variations nocturnes sont capturées via les contrats E-mini (trading quasi-continu). Cela permet de construire un facteur de marché complet sans omission de sauts nocturnes.

B. Modélisation Économétrique (Fama-MacBeth en Temps Continu)

• Décomposition : Le facteur de marché ($dF_t$) est décomposé en une partie continue ($dF^C_t$) et des parties de sauts ($dF^J_t$).
• Catégorisation des sauts : Les sauts sont divisés en $K$ catégories thématiques spécifiques ($k=1...K$) basées sur les nouvelles.
• Estimation des Bêtas :
  • Les bêtas de sauts ($\beta^J$) sont estimés en temps réel en utilisant uniquement les observations où le facteur de marché saute, exploitant le rapport signal/bruit élevé des données haute fréquence (Li et al., 2017).
  • Les bêtas continus ($\beta^C$) sont estimés sur une fenêtre glissante.
• Portefeuilles Miroirs (Factor-Mimicking Portfolios) : En utilisant la régression Fama-MacBeth continue (Aït-Sahalia et al., 2025), l'auteur construit des portefeuilles "pure-play" qui isolent l'exposition à un type de risque spécifique (ex: risque de saut macroéconomique) tout en neutralisant les autres risques.

C. Utilisation de Modèles de Langage (LLM) pour la Classification

• Modèle : Utilisation du modèle de raisonnement open-source Qwen3-235B-A22B (Yang et al., 2025).
• Processus en trois étapes (Prompting) :
  1. Récupération du récit (Narrative Retrieval) : Identification des nouvelles pertinentes dans les fils d'actualité Dow Jones (15 min autour du saut) expliquant le mouvement.
  2. Définition des catégories : Création de catégories mutuellement exclusives (Macro, Politique, Géopolitique, Entreprises, International, etc.).
  3. Classification : Attribution de chaque saut à une catégorie économique spécifique.
• Avantage : Contrairement aux modèles LDA ou aux comptages de mots, le LLM utilise le raisonnement pour comprendre le contexte causal, réduisant les biais de classification.

3. Contributions Clés

1. Première analyse complète 24h/24 : C'est la première étude empirique qui décompose le risque de saut systématique en incluant systématiquement la période de nuit, démontrant que l'omission de cette période entraîne un biais de variables omises significatif.
2. Intégration des LLM de raisonnement dans l'actif pricing : Démonstration que les LLM capables de raisonnement (Chain-of-Thought) peuvent extraire des récits causaux interprétables et classer les risques de manière supérieure aux méthodes NLP traditionnelles, améliorant la performance hors échantillon.
3. Cadre automatisé et reproductible : Développement d'un pipeline automatisé reliant les nouvelles haute fréquence aux sources de risque systématique, permettant une attribution transparente des primes de risque.

4. Résultats Empiriques

A. Hétérogénéité des Primes de Risque

• Le risque macroéconomique domine : Les sauts liés aux nouvelles macroéconomiques (surprises de données, emploi, inflation) commandent la prime de risque la plus élevée et la plus persistante.
  • Prime annuelle : 3,65 %.
  • Ratio de Sharpe : 0,78 (supérieur au ratio de Sharpe du marché de 0,53 sur la même période).
• Autres catégories : Les risques liés aux entreprises (earnings) et aux spillovers internationaux ont des primes positives mais moins significatives ou plus volatiles. Les risques politiques et géopolitiques montrent des primes plus faibles ou non significatives une fois le risque macro contrôlé.
• Hétérogénéité : Un test de Wald rejette l'hypothèse que toutes les primes de risque sont égales, confirmant que le marché ne paie pas uniformément pour tous les types de sauts.

B. Importance de la Période Nocturne

• Distribution des sauts : Environ 70 % des sauts de marché se produisent la nuit (contre 30 % en journée).
• Biais de l'analyse intrajournalière : Une analyse basée uniquement sur les données de journée produit des estimations de primes de risque bruyantes, parfois avec des signes erronés, et rend les résultats statistiquement non significatifs. L'approche 24h/24 restaure la signification statistique et améliore la performance ajustée au risque de trois fois.

C. Performance Stratégique et Valeur Ajoutée du LLM

• Stratégie en temps réel : Une stratégie qui sélectionne annuellement le portefeuille miroir du sujet de saut ayant le ratio de Sharpe le plus élevé (souvent le risque macro) atteint un ratio de Sharpe hors échantillon de 0,95.
• Alpha significatif : Cette stratégie génère des alphas significatifs par rapport au modèle à six facteurs de Fama et French (2018).
• Comparaison des modèles :
  • LLM de raisonnement (Qwen-Think) : Ratio de Sharpe de 0,95.
  • Modèle sans raisonnement (Qwen-Non-Think) : Ratio de Sharpe de 0,39 (les erreurs de mesure atténuent les coefficients).
  • Modèle LDA (NLP traditionnel) : Ratio de Sharpe de 0,28.
  • Stratégies Placebo (classification aléatoire) : Ratio de Sharpe moyen de 0,31.
• Conclusion : La supériorité provient de la capacité du LLM à comprendre le contexte et à identifier les causes réelles, et non d'un biais de "regard vers l'avenir" (lookahead bias), comme le confirme l'utilisation du modèle ChronoBERT (cutoff de connaissances avant 2000).

5. Signification et Implications

• Pour la théorie de l'actif pricing : L'article valide que le risque de saut systématique, lorsqu'il est décomposé par source narrative, offre des opportunités de couverture et de prime de risque distinctes. Il met en lumière le rôle central des nouvelles macroéconomiques nocturnes dans la formation des prix.
• Pour la pratique de l'investissement : Il démontre qu'il est possible de construire des stratégies d'investissement interprétables et adaptatives en temps réel en utilisant l'IA pour surveiller les risques systémiques. La capacité à isoler le risque macroéconomique nocturne permet de surperformer le marché avec un risque contrôlé.
• Pour la recherche future : L'article ouvre la voie à l'application de ces techniques sur d'autres classes d'actifs (devises, matières premières, crypto) et à l'étude des expositions aux risques au niveau des entreprises, en tirant parti de l'évolution continue des capacités de raisonnement des LLM.

En résumé, ce papier établit un nouveau paradigme où la compréhension fine des récits économiques via l'IA, couplée à une analyse de données haute fréquence 24h/24, permet de débloquer des sources de rentabilité inexploitées et d'améliorer la gestion des risques systémiques.