Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting

Résumé technique : Modélisation dynamique bayésienne de la volatilité réalisée dans la prévision des prix d'actifs financiers

Énoncé du problème
La prévision financière nécessite des méthodes séquentielles efficaces capables de s'adapter aux fluctuations de volatilité à court terme tout en intégrant des données haute fréquence. Les approches traditionnelles font face à un compromis : les modèles de volatilité stochastique (SV) classiques utilisant des processus de log-variance latents sont flexibles mais computationnellement intensifs, nécessitant souvent des chaînes de Markov Monte Carlo (MCMC) ou un filtrage particulaire avec un réglage important. À l'inverse, les modèles de volatilité réalisée (RV) prédisent directement des mesures empiriques de volatilité mais opèrent souvent en dehors d'un espace d'état conjoint prix–volatilité. Les modèles hybrides (par exemple, SV réalisé, GARCH réalisé) combinent ces éléments mais reposent généralement sur une inférence basée sur la simulation ou une optimisation statique de la vraisemblance, manquant de la traçabilité analytique requise pour une surveillance et une mise à l'échelle rapides et en ligne sur de nombreux actifs. L'article répond au besoin d'un cadre analytiquement traitable et computationnellement rapide qui modélise conjointement les prix des actifs et la volatilité réalisée afin d'améliorer la prévision à court terme et la gestion des risques, sans les fardeaux des méthodes basées sur la simulation.

Méthodologie
Les auteurs introduisent une nouvelle classe de modèles linéaires dynamiques de volatilité réalisée (RV-DLM). Ce cadre étend les modèles linéaires dynamiques (DLM) bayésiens à actualisation traditionnels pour les prix d'actifs en intégrant un modèle de processus gamma dynamique pour la variance réalisée.

1. Structure du modèle :

   • Composante prix : Le modèle conserve la structure standard SV-DLM pour les log-prix ($y_t$), utilisant un vecteur d'état latent $\theta_t$ et un paramètre de précision $\phi_t$ (variance inverse). L'évolution de $\phi_t$ suit un processus d'apprentissage par actualisation contrôlé par un facteur d'actualisation $\beta$.
   • Composante variance réalisée : Une nouvelle équation d'observation modélise le proxy de variance réalisée ($z_t$) comme $z_t = \eta_t / \phi_t$, où $\eta_t$ suit une distribution Gamma. Cela établit une relation Gamma conditionnelle entre la mesure réalisée et la précision latente.
   • Intégration bivariée : Le modèle conjoint pour $(y_t, z_t)$ est construit de telle sorte que la distribution prédictive marginale pour $z_t$ soit une distribution-F mise à l'échelle, et que la distribution conditionnelle pour $y_t$ étant donné $z_t$ soit une distribution de Student-t. Cela préserve la structure normale-gamma conjuguée du DLM sous-jacent.

2. Effet de levier et rétroaction de la volatilité (RVL-DLM) :

   • Le cadre permet l'inclusion de proxies de volatilité réalisée comme prédicteurs dans l'équation de prix. Spécifiquement, le vecteur de régression $F_t$ peut inclure l'écart-type réalisé contemporain ($x_t = \sqrt{z_t}$) et les valeurs retardées ($x_{t-1}$).
   • Cette formulation capture les effets de levier et de rétroaction en forme réduite. Le coefficient contemporain représente l'association immédiate entre la volatilité haute fréquence et les variations de prix, tandis que le coefficient retardé capture les effets à court horizon. Le modèle apprend ces coefficients séquentiellement à partir des données plutôt que d'imposer des termes d'asymétrie structurels.

3. Inférence et calcul :

   • Le modèle conserve une traçabilité analytique complète. Le filtrage séquentiel, la prévision, l'évaluation de la vraisemblance marginale et le lissage rétrospectif sont effectués via des mises à jour sous forme close.
   • La prévision à un pas est obtenue par une simulation compositionnelle directe : tirage de $z_t$ à partir de la distribution prédictive-F mise à l'échelle, puis tirage de $y_t$ à partir de la distribution conditionnelle de Student-t.
   • L'approche évite les MCMC et les filtres particulaires, offrant un coût computationnel supplémentaire négligeable par rapport aux DLM standards.

Contributions clés

• Nouvelle classe de modèles : L'introduction des RV-DLM et RVL-DLM, qui superposent avec succès un processus gamma dynamique pour la volatilité réalisée sur les SV-DLM bayésiens standards.
• Traçabilité analytique : La dérivation d'analyses bayésiennes entièrement conjuguées pour le système bivarié, produisant des distributions prédictives-F mises à l'échelle et de Student-t sans inférence basée sur la simulation.
• Intégration de données haute fréquence : Un mécanisme pour incorporer directement les données intra-journalières (via des proxies de variance réalisés basés sur OHLC) dans le filtrage séquentiel des états de volatilité latents, améliorant la précision du suivi de la volatilité.
• Modélisation de levier en forme réduite : Une approche flexible pour modéliser la dépendance prix-volatilité (levier et rétroaction) via des coefficients variant dans le temps sur les prédicteurs de volatilité réalisée, appris dynamiquement au sein du cadre d'espace d'état.

Résultats empiriques
Les auteurs ont appliqué les modèles à des données de prix quotidiennes pour 9 ETFs SPDR des secteurs sélectionnés du S&P 500 et pour l'indice S&P lui-même, couvrant la période de 2000 à 2025. Ils ont comparé trois modèles :

1. SV-DLM : Un benchmark univarié traditionnel utilisant uniquement les données de prix (avec RV retardée comme prédicteur fixe).
2. RV-DLM : Un modèle bivarié incorporant la volatilité réalisée retardée ($x_{t-1}$) comme prédicteur et utilisant $z_t$ pour un apprentissage direct de la volatilité.
3. RVL-DLM : Le modèle le plus général, incluant à la fois les prédicteurs de volatilité réalisée retardés ($x_{t-1}$) et contemporains ($x_t$).

• Performance prédictive : Les facteurs de Bayes log cumulatifs ont démontré que les variantes RV-DLM et RVL-DLM surpassaient systématiquement le SV-DLM traditionnel sur les 10 séries. Le RVL-DLM, qui inclut le prédicteur de volatilité contemporain, a fourni des gains supplémentaires par rapport au RV-DLM.
• Comportement des coefficients : Dans le RVL-DLM, la médiane a posteriori pour le coefficient contemporain ($x_t$) était généralement négative, tandis que le coefficient retardé ($x_{t-1}$) était généralement positif. Cela correspond aux preuves haute fréquence d'une asymétrie négative contemporaine entre rendement et volatilité et d'effets positifs retardés.
• Robustesse : Les modèles ont montré une netteté améliorée de la densité prédictive et une incertitude réduite, en particulier pendant les périodes de stress du marché (par exemple, le début de la pandémie de 2020 et le flash crash de 2010), où l'information de volatilité réalisée a fourni des mises à jour critiques de l'état latent.

Signification et affirmations
L'article affirme que le cadre RV-DLM offre une solution pratique et évolutive pour la prévision financière, comblant le fossé entre l'interprétabilité et la rapidité des filtres d'apprentissage par actualisation conjugués et la netteté empirique des modèles de volatilité réalisée.

• Efficacité : La méthode fournit une analyse « computationnellement simple » avec un « coût computationnel supplémentaire négligeable », permettant une mise à l'échelle vers des dimensions plus élevées pour la construction de portefeuilles multivariés (approches découplage/re-couplage).
• Pertinence pratique : Les modèles apportent des insights contextuels sur la nature du levier de volatilité et des effets de rétroaction, quantifiant leur impact sur les prévisions de prix sans nécessiter d'hypothèses structurelles complexes.
• Amélioration de la prévision : Le gain principal est attribué à des distributions prédictives plus nettes et à une utilisation plus efficace de l'information de volatilité réalisée, plutôt qu'à des déplacements massifs des prévisions ponctuelles.
• Évolutivité future : Les auteurs notent que la structure sous forme close s'étend naturellement à des contextes multivariés en utilisant les distributions de Wishart et de F multivariées, positionnant ces modèles comme des blocs de construction pour des systèmes plus larges d'évaluation des risques bayésiens et de trading.

L'étude conclut que l'incorporation de la volatilité réalisée contemporaine dans un modèle séquentiel entièrement conjugué est une stratégie robuste pour améliorer la prévision des prix à court terme et la caractérisation des risques dans les systèmes en temps réel.