Résumé Technique : GeomHerd

1. Énoncé du Problème

Le comportement grégaire (herding) — où les participants du marché alignent leurs comportements et agissent collectivement — est un moteur principal de la fragilité des marchés et des risques systémiques. Les approches existantes pour quantifier le comportement grégaire reposent sur des observables en aval, tels que les rendements réalisés (par exemple, la Déviation Absolue Cross-Sectionnelle, CSAD) ou les flux de trading divulgués (par exemple, le déséquilibre institutionnel LSV). Ces méthodes sont intrinsèquement a posteriori et souffrent d'un délai d'observabilité : elles ne détectent la coordination qu'après qu'elle s'est déjà propagée dans les mouvements de prix ou les déclarations publiques.

Bien que des approches géométriques récentes utilisant la courbure de Ricci discrète aient été appliquées à l'analyse du stress des marchés, elles opèrent généralement sur des graphes de corrélation des prix, héritant ainsi du même goulot d'étranglement. L'article pose une question fondamentale : peut-on quantifier directement la géométrie évolutive du processus de coordination des agents lui-même (information structurelle en amont) pour générer un signal prévisionnel avant que le comportement grégaire ne se manifeste dans les rendements ?

2. Méthodologie : Le Cadre GeomHerd

GeomHerd est un cadre géométrique prévisionnel qui contourne le délai d'observabilité en quantifiant la coordination directement sur les graphes d'interaction des agents.

2.1 Substrat et Construction du Graphe

Le cadre utilise un simulateur financier multi-agents piloté par LLM hétérogène (spécifiquement le modèle à spins continus de Cividino-Sornette ou modèle CWS) où chaque trader est instancié par un LLM conditionné par une persona. Cela fournit un flux d'actions entièrement observable.

• Nœuds : Agents individuels ($N=66$).
• Arêtes : Construites sur la base de l'accord d'actions fenêtré. Le poids $w_t(i, j)$ est la fréquence d'actions identiques (par exemple, acheter/tenir/vendre) entre les agents $i$ et $j$ sur une fenêtre $T_w=100$.
• Épuration : Les arêtes sont conservées uniquement si $w_t(i, j) > 0,5$, garantissant un accord significatif au-dessus de la ligne de base uniforme.
• Dynamique du Graphe : Le graphe est reconstruit tous les $\Delta t = 10$ pas.

2.2 Cœur Géométrique : Courbure de Ricci Discrète

Le cadre calcule la courbure d'Ollivier-Ricci ($\kappa_{OR}$) sur le graphe des agents en utilisant un noyau de transition de marche paresseuse.

• Décomposition du Signe : La courbure est décomposée en deux signaux distincts basés sur la topologie des ponts communautaires :
  1. Courbure Positive ($\bar{\kappa}^+_{OR}$) : Capture la coordination au sein des cliques. Alors que les agents s'imitent les uns les autres, leurs voisinages se chevauchent, augmentant la courbure positive. Cela signale le début d'une cascade d'information.
  2. Courbure Négative ($\beta^-$) : Capture les ponts inter-communautaires. Une courbure fortement négative identifie les arêtes reliant des clusters distincts, signalant la propagation de la contagion.
• Logique de Détection :
  • $\bar{\kappa}^+_{OR}$ est surveillé à l'aide d'un détecteur CUSUM unilatéral pour identifier les changements de niveau.
  • $\beta^-$ est surveillé à l'aide d'une combinaison de tests CUSUM et de pente de Kendall-$\tau$ pour détecter les tendances dans l'émergence des ponts, robuste au bruit non gaussien.

2.3 Descripteurs Prévisionnels

• Temps de Singularité ($\tau_{sing}$) : Le cadre fait évoluer le graphe sous un flux de Ricci discret et enregistre le temps jusqu'à la première « pince de cou » (singularité). Cela sert de descripteur dynamique et prévisionnel de la proximité d'un effondrement, distinct du regroupement statique.
• Vocabulaire Effectif ($V_{eff}$) : Un signal informationnel mesurant l'entropie du langage d'action des agents. $V_{eff}$ se contracte lorsque les agents homogénéisent leurs comportements lors d'une cascade.

2.4 Ancrage Théorique

L'article établit un pont de champ moyen (Proposition 1) reliant la métrique géométrique à la statistique classique CSAD. Il démontre que, sous des hypothèses standard (concentration de champ moyen, impact linéaire des prix), la CSAD est décroissante de manière monotone par rapport à $\bar{\kappa}_{OR}$. Cela ancre théoriquement le signal géométrique dans la littérature financière établie.

3. Contributions Clés

1. Pivot du Substrat : Déplace le lieu de détection du comportement grégaire des graphes de corrélation des prix en aval vers les graphes d'interaction des agents en amont, exploitant des flux d'actions entièrement observables dans les simulateurs pilotés par LLM.
2. Géométrie Décomposée par Signe : Dissocie explicitement le comportement grégaire (courbure positive, densité intra-clique) de la contagion (courbure négative, ponts inter-clusters), fournissant des signaux d'alarme complémentaires.
3. Flux Prévisionnel : Introduit le temps de singularité du flux de Ricci ($\tau_{sing}$) comme scalaire de proximité à l'effondrement dynamique plutôt que comme opérateur de regroupement statique.
4. Lien Théorique : Fournit une identité d'échelle reliant la courbure géométrique à la statistique classique de dispersion des rendements CSAD.

4. Résultats Expérimentaux

Les expériences ont été menées sur le substrat à spins continus CWS (400 trajectoires) et validées par un transfert hors domaine vers le modèle de particules auto-propulsées de Vicsek.

• Délai d'Anticipation :
  • Le détecteur principal ($\bar{\kappa}^+_{OR}$) se déclenche avec une médiane de 178 pas avant l'événement de comportement grégaire du paramètre d'ordre ($\tau^*$) à un point de fonctionnement orienté précision.
  • À un point de fonctionnement orienté rappel, le délai médian s'étend à 272 pas.
  • Le détecteur de contagion ($\beta^-$) rappelle 65 % des trajectoires critiques avec un délai médian de 318 pas.
  • Sur les trajectoires de déclenchement simultané, le signal du graphe d'agents précède les bases de corrélation des prix d'une médiane regroupée de 40 pas.
• Cohérence :
  • Le signal géométrique est cohérent par signe avec la CSAD (corrélation négative entre courbure et dispersion des rendements).
  • Le signal du graphe d'agents précède la statistique de flux de trading LSV sur les trajectoires de déclenchement simultané, car la clique d'actions est détectable avant que les déséquilibres d'achats/ventes ne s'accumulent.
• Utilité de Prévision :
  • Une tête de prévision conditionnée par la courbure (utilisant le triplet $\bar{\kappa}_{OR}, \tau_{sing}, V_{eff}$) réduit l'Erreur Absolue Moyenne (MAE) des rendements logarithmiques de la fenêtre de cascade par rapport aux bases uniquement sur les prix et conditionnées par le détecteur.
• Généralisation :
  • La signature géométrique se transfère hors domaine vers le modèle de Vicsek, séparant les régimes ordonnés des désordonnés avec une AUROC de 0,99, suggérant que la signature reflète une coordination collective universelle plutôt que des artefacts spécifiques à la finance.
• Ablation :
  • La construction binaire des arêtes est critique ; les variantes de similarité cosinus échouent à détecter le comportement grégaire.
  • La décomposition du signe est essentielle ; son élimination supprime le signal.

5. Importance et Revendications

L'article revendique que GeomHerd fait progresser la quantification prévisionnelle du comportement grégaire en abordant le « déficit d'observabilité » fondamental dans la surveillance des risques financiers. En traitant le graphe d'interaction des agents comme un monde prévisible, le cadre capture la topologie structurelle de la coordination émergente avant qu'elle ne se manifeste dans les rendements réalisés.

Les auteurs soulignent que GeomHerd n'est pas simplement une nouvelle statistique, mais un système d'alerte prévisionnel qui :

1. Anticipe le comportement grégaire significativement plus tôt que les bases agrégées du marché.
2. Distingue entre la coordination interne (formation de cliques) et la contagion externe (propagation de ponts).
3. Généralise à travers différents substrats physiques et financiers.
4. Améliore la précision des prévisions en aval lorsqu'il est utilisé comme caractéristique de conditionnement.

Ce travail se positionne comme un pont entre l'apprentissage profond géométrique (flux de Ricci) et la théorie financière classique (CSAD/LSV), offrant un mécanisme pour surveiller la stabilité systémique au niveau micro-structural de l'interaction des agents.