📊 statistics

Network Time Series Models for Multivariate Volatility Forecasting

Cet article introduit le modèle GNHAR (Generalised Network HAR), qui exploite un graphe orienté de spillovers transversaux pour fournir un cadre parcimonieux et précis de prévision de la volatilité réalisée multivariée, surpassant les références standards à travers différents régimes de marché tout en offrant une évaluation variable dans le temps de la stabilité du marché.

Auteurs originaux : Chiara Boetti, Matthew A. Nunes

Publié 2026-06-03

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Chiara Boetti, Matthew A. Nunes

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Prédire la « météo » de la bourse

Imaginez que vous essayiez de prédire la météo. Vous savez que la météo de demain dépend de la météo d'aujourd'hui, mais elle dépend aussi de ce qui s'est passé la semaine dernière et le mois dernier. De plus, une tempête dans une ville affecte souvent la météo d'une ville voisine.

Dans le monde de la finance, la volatilité est comme la « météo » d'une action. C'est une mesure de la manière dont le prix d'une action oscille de façon sauvage à la hausse et à la baisse. Prédire cette volatilité est crucial pour que les investisseurs puissent gérer les risques.

Ce document propose une nouvelle façon de prévoir cette « météo » financière pour un groupe de dix actions différentes (comme le S&P 500, le Dow Jones, et les marchés en Europe et en Asie) tout à la fois. Les auteurs appellent leur nouvelle méthode GNHAR (Generalised Network Heterogeneous Autoregressive).

Le problème des anciennes méthodes

Traditionnellement, les prévisionnistes étudiaient chaque action de manière isolée, comme si l'on vérifiait le bulletin météo pour New York sans se soucier de Boston. Ils utilisaient un modèle standard appelé HAR (Heterogeneous Autoregressive). Ce modèle est intelligent car il observe trois échelles de temps :

Quotidienne : Que s'est-il passé hier ?
Hebdomadaire : Que s'est-il passé au cours de la semaine dernière ?
Mensuelle : Que s'est-il passé au cours du dernier mois ?

Cependant, le marché boursier est un système connecté. Lorsque le marché américain panique, cela effraie souvent le marché européen. Les anciens modèles ignoraient souvent ces connexions ou tentaient de les modéliser d'une manière trop complexe et sujette aux erreurs (comme essayer de mémoriser chaque conversation entre chaque personne dans une pièce bondée).

La solution : Le « réseau social » des actions

Les auteurs suggèrent de traiter le marché boursier comme un réseau social.

Les Nœuds (les personnes) : Chaque action est une personne dans le réseau.
Les Liens (les amitiés) : Les connexions entre elles représentent la manière dont la volatilité d'une action « déteint » sur une autre.

Ils ont construit une carte (un graphe) montrant qui influence qui. Ils ont créé ces cartes de deux manières :

La carte « Granger » : Basée sur des tests statistiques pour voir si les mouvements passés de l'Action A prédisent les mouvements futurs de l'Action B.
La carte de « Connectivité » : Basée sur la mesure de l'impact qu'un choc sur l'Action A a sur l'incertitude de l'Action B.

En injectant cette « carte d'amitié » dans leur modèle, le modèle GNHAR peut dire : « L'action A va être volatile aujourd'hui, et parce que l'action B est une « amie » proche (connectée via le réseau), l'action B risque aussi de devenir nerveuse. »

Les ingrédients clés du nouveau modèle

Le document mélange trois idées principales pour créer une prévision ultra-précise :

1. Les couches temporelles (quotidienne, hebdomadaire, mensuelle)
Tout comme l'ancien modèle HAR, le GNHAR observe les tendances à court, moyen et long terme. Il ne regarde pas seulement hier ; il observe l'« humeur » du marché sur le dernier mois.

2. Le trajet « fluide » vs le trajet « saccadé »
Les prix des actions se déplacent de deux manières :

Fluide : Une dérive lente et continue (comme une voiture qui roule sur une autoroute).
Saccadé : Des pics soudains et brusques causés par des nouvelles importantes (comme une voiture qui frappe un nid-de-poule).
Les auteurs ont découvert que séparer ces deux types de mouvements aide le modèle à comprendre pourquoi la volatilité se produit. Si une action est « saccadée », elle peut réagir à une crise spécifique. Si elle est « fluide », c'est juste le bruit normal du marché. Leur modèle peut suivre les deux.

3. La « boule de cristal » (Variance implicite des options)
Le modèle tente également d'utiliser la « variance implicite des options ». Considérez cela comme la propre boule de cristal du marché. C'est un chiffre dérivé des prix des contrats d'assurance (options) qui indique ce que les traders prévoient pour la volatilité future. Les auteurs ont ajouté cet ingrédient supplémentaire pour voir s'il aide la prévision.

Qu'ont-ils découvert ? (Les résultats)

Les auteurs ont testé leur modèle sur dix indices boursiers majeurs pendant des périodes calmes et des périodes chaotiques (comme le krach de la pandémie de 2020). Voici ce qu'ils ont découvert :

Les connexions comptent : Le modèle qui utilise la carte du « réseau social » (GNHAR) était bien meilleur pour prédire la volatilité que les anciens modèles qui regardaient les actions une par une. C'était comme avoir une prévision météo qui connaissait les tempêtes dans les villes voisines.
La simplicité l'emporte : La version la plus précise de leur modèle était étonnamment simple. Elle n'avait pas besoin de suivre chaque connexion individuelle entre chaque action. Elle fonctionnait mieux en se concentrant sur les connexions les plus importantes et en utilisant une règle « globale » (un ensemble de règles pour tout le monde) plutôt qu'une règle unique pour chaque action.
Long terme vs Court terme :
- Pour les prévisions à court terme (demain), séparer les parties « fluides » et « saccadées » du marché a été le plus utile.
- Pour les prévisions à long terme (un mois ou deux), le modèle qui observait les connexions « mensuelles » du réseau a été le grand gagnant.
Mode de crise : Le modèle a très bien résisté lors du krach boursier de 2020. Alors que les autres modèles étaient confus par le chaos soudain, le modèle de réseau avait compris que lorsqu'une partie du système paniquait, l'ensemble du système allait probablement suivre.

L'essentiel à retenir

L'article soutient que pour prédire à quel point le marché boursier sera « orageux », vous ne devez pas seulement regarder les actions individuelles. Vous devez regarder le réseau de relations entre elles.

En combinant une carte de « réseau social » des actions avec un regard intelligent sur les tendances quotidiennes, hebdomadaires et mensuelles, les auteurs ont créé un outil qui est plus précis, plus stable et plus facile à comprendre que les méthodes précédentes. C'est un peu comme passer d'une prévision météo qui ne regarde que votre jardin à une qui observe les modèles météorologiques de tout un continent.

Résumé Technique : Modèles de Séries Temporelles en Réseau pour la Prévision de la Volatilité Multivariée

Énoncé du Problème
La prévision précise de la volatilité réalisée (RV) est cruciale pour la gestion des risques financiers et la prise de décision. Bien que le modèle HAR (Heterogeneous Autoregressive) soit devenu une référence standard pour la prévision univariée de la RV en raison de sa parcimonie et de sa capacité à capturer les composantes de volatilité quotidienne, hebdomadaire et mensuelle, l'extension de ce cadre aux contextes multivariés présente des défis. Les approches multivariées traditionnelles, telles que les modèles Vector HAR (VVAR), souffrent souvent d'une surparamétrisation lorsque le nombre d'actifs augmente, ce qui entraîne une instabilité de l'estimation. De plus, les modèles multivariés existants échouent fréquemment à incorporer explicitement les informations préalables concernant les retombées (spillovers) transversales et les dépendances de réseau entre les actifs de manière parcimonieuse. Bien que des méthodes basées sur les graphes aient été appliquées aux matrices de covariance réalisée (HAR-DRD), leur application directe aux vecteurs de processus de variance réalisée reste sous-explorée.

Méthodologie
Les auteurs proposent le modèle GNHAR (Generalised Network Heterogeneous Autoregressive), qui intègre la structure hiérarchique multi-horizons du modèle HAR avec des processus GNAR (Generalised Network Autoregressive).

Spécification du Modèle :
- Le modèle GNHAR prévoit un vecteur de variances réalisées transformées en logarithme, $X_t$ , en combinant des termes autorégressifs avec des termes décalés basés sur le réseau.
- Il utilise un graphe $G = (V, E)$ où les nœuds représentent les actifs et les arêtes représentent les effets de retombée.
- Le modèle incorpore des composantes agrégées quotidiennes, hebdomadaires et mensuelles ( $X^{(d)}, X^{(w)}, X^{(m)}$ ) et permet une dépendance de réseau jusqu'à des stades spécifiques ( $s^{(d)}, s^{(w)}, s^{(m)}$ ) via des matrices d'adjacence pondérées $W^{(r)}$ .
- Deux stratégies de paramétrage sont employées : $\alpha$ -individuel (coefficients autorégressifs propres à chaque nœud) et $\alpha$ -global (coefficients communs à tous les nœuds), cette dernière offrant une parcimonie de paramètres significative ( $O(p + \sum s_l)$ contre $O(pN^2)$ pour un VAR standard).
Extensions :
- Décomposition Saut-Continu (JC-GNHAR) : Le cadre est étendu pour modéliser séparément les composantes de trajectoire continue et de saut de la RV, suivant l'approche d'Andersen et al. (2007). Cela permet de distinguer les retombées de volatilité pilotées par le flux d'informations continu par rapport aux sauts de prix soudains.
- Variables Exogènes (GNHARX) : Le modèle est généralisé pour inclure des processus exogènes propres à chaque nœud, spécifiquement la variance implicite des options (IV), permettant l'intégration des attentes prospectives du marché.
Construction du Réseau :
- L'étude évalue quatre types de structures de réseau :
  - Totalement Connecté (Fully Connected) : Suppose une interdépendance uniforme.
  - Causalité de Granger (GC) : Graphes dirigés inférés à partir de tests de causalité de Granger (avec corrections de Benjamini–Hochberg ou Bonferroni).
  - Indice de Connectivité (CI) : Graphes dirigés et pondérés dérivés de l'indice de connectivité de Diebold-Yilmaz, capturant les propagations de chocs directs et indirects.
- Les réseaux sont construits dynamiquement à l'aide de fenêtres glissantes pour capturer les dépendances variant dans le temps.
Design Expérimental :
- Données : Données de variance réalisée à 5 minutes pour 10 indices boursiers mondiaux (États-Unis, UE, Asie, Inde) de août 2013 à janvier 2022.
- Évaluation : Une approche par fenêtre glissante (1000 jours) est utilisée pour générer des prévisions hors échantillon à des horizons $h = 1, 5, 10, 22, 44$ .
- Métriques : La performance est évaluée via l'Erreur Absolue Moyenne de Prévision (MAFE) et l'Erreur Quadratique Moyenne de Prévision (MSFE). La signification statistique est testée via l'ensemble de modèles de confiance (MCS) et les tests de Diebold-Mariano (DM).

Résultats Clés

Performance de Prévision : Les modèles GNHAR surpassent systématiquement les références HAR univariées sur tous les horizons et structures de réseau. L'écart de performance s'élargit à mesure que l'horizon de prévision augmente, les meilleurs modèles de réseau montrant jusqu'à une réduction de 40 % de la MAFE à $h=44$ par rapport aux références.
Configuration Optimale :
- $\alpha$ -Global vs $\alpha$ -Individuel : La spécification $\alpha$ -global surpasse significativement la spécification $\alpha$ -individuel, qui est souvent instable et exclue de l'ensemble de modèles de confiance.
- Choix du Réseau : Les modèles basés sur le réseau CI22 (Indice de Connectivité à l'horizon 22) présentent généralement les erreurs les plus faibles. Cela suggère que les mesures de connectivité à horizon plus long filtrent mieux le bruit quotidien et capturent les relations systémiques persistantes.
- Ordre du Réseau : L'ordre $(1, 0, 1)$ (incorporant des dépendances de réseau quotidiennes et mensuelles) produit fréquemment les meilleurs résultats, particulièrement pour les prévisions à court terme.
Décomposition Saut-Continu :
- Le modèle JC-GNHAR améliore significativement les références lorsqu'il est couplé à des réseaux pondérés (CI1, CI22), atteignant jusqu'à 38 % de réduction de la MAFE à $h=1$ .
- Cependant, sous des configurations mal spécifiées (ex: $\alpha$ -individuel), le GNHAR standard est plus robuste. Les tests DM indiquent que bien que le JC-GNHAR puisse surpasser le GNHAR dans des configurations optimales (ex: $\alpha$ -global sur CI22), le GNHAR standard est généralement plus stable à travers diverses configurations.
Variables Exogènes : L'inclusion de la variance implicite des options (IV) via le cadre GNHARX est explorée. L'étude trouve que les spécifications $\lambda$ -global sont supérieures aux spécifications $\lambda$ -individuel, et que les ordres de retard plus élevés pour les variables exogènes mènent à une instabilité numérique.

Signification et Revendications
L'article affirme fournir une spécification de série temporelle multivariée parcimonieuse qui incorpore explicitement les retombées transversales via un graphe dirigé. Contra-irement aux modèles de vecteurs autorégressifs surparamétrés, l'approche GNHAR produit un ensemble concis de paramètres capables de suivre le renforcement ou l'affaiblissement des dépendances entre les marchés, offrant une évaluation quantitative variable dans le temps de la stabilité du marché.

Les auteurs soulignent trois contributions principales :

Modélisation Directe des Vecteurs : Application du cadre de séries temporelles en réseau directement aux vecteurs de processus de variance réalisée, plutôt qu'aux seules matrices de covariance.
Analyses Nouvelles : Investigation de l'interaction entre la décomposition saut-continu et les configurations graphiques, et examen du rôle des variances implicites des options par nœud en tant que processus exogènes.
Interprétabilité : Fournir un cadre où les coefficients estimés offrent un aperçu de l'ampleur de la dynamique individuelle des actions et de leurs interactions, clarifiant le rôle des composantes HAR hiérarchiques tant lors des périodes de calme que lors des crises financières (ex: l'épidémie de COVID-19).

L'étude conclut que les modèles linéaires basés sur les réseaux non seulement rendent compte des interconnexions entre actifs plus efficacement que les cadres HAR de base, mais contournent également les problèmes de surapprentissage (overfitting) communs aux réseaux de neurones graphiques non linéaires, tout en maintenant l'interprétabilité.