💰 quantitative finance

Relaxation Times for Nonextensive Systems Using Gradient Flow for the Maximization of Tsallis Entropy: An Application to Financial Market Dynamics

Cet article propose un cadre de flot de gradient euclidien pour estimer les temps de relaxation des systèmes non extensifs, tels que les marchés financiers, en maximisant l'entropie de Tsallis sous des contraintes q-gaussiennes, révélant que ces systèmes présentent des temps de relaxation plus longs que ceux prédits par l'entropie de Shannon, permettant ainsi des horizons de prévision plus étendus.

Auteurs originaux : Sandhya Devi

Publié 2026-06-24✓ Author reviewed ⓘ

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sandhya Devi

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 par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

L'idée principale : À quelle vitesse le marché se "calme-t-il" ?

Imaginez la bourse comme une immense marmite de soupe chaotique. Lorsque vous la remuez pour la première fois, les ingrédients (prix, actualités, émotions des investisseurs) tourbillonnent sauvagement. Finalement, la soupe se stabilise, les bulles s'arrêtent, et elle atteint une température calme et uniforme. En physique comme en économie, ce processus de stabilisation est appelé relaxation.

L'article pose une question simple : Combien de temps faut-il pour que la soupe boursière cesse de tourbillonner et atteigne un état calme ?

L'auteure, Sandhya Devi, soutient que la façon dont nous mesurons ce « temps de stabilisation » dépend entièrement de l'outil mathématique que nous utilisons pour observer la soupe.

L'ancienne méthode : La soupe « parfaitement lisse » (Entropie de Shannon)

Pendant des décennies, les économistes ont utilisé un outil standard appelé entropie de Shannon (basé sur l'hypothèse de l'efficience du marché). Cet outil suppose que le marché est comme un liquide parfaitement lisse et bien élevé.

L'analogie : Imaginez que vous déposez une seule goutte d'encre dans un verre d'eau immobile. Selon l'ancienne théorie, l'encre se diffuse instantanément et uniformément. Le système atteint l'« équilibre » (le désordre maximal) presque immédiatement.
Le résultat : Si vous utilisez cette ancienne mathématique, le marché se stabilise en un clin d'œil. Cela implique que le marché est si efficace que vous ne pouvez rien prédire au-delà de quelques secondes, car le « bruit » disparaît trop vite.

La nouvelle méthode : La soupe « épaisse et collante » (Entropie de Tsallis)

L'auteure suggère que les vrais marchés ne sont pas de l'eau lisse ; ils ressemblent plutôt à une soupe épaisse et grumeleuse avec des ingrédients collants (comme les comportements de troupeau, les ventes de panique et la spéculation). Pour cela, elle utilise un outil plus récent appelé entropie de Tsallis.

L'analogie : Imaginez que vous déposez cette même goutte d'encre dans une casserole de flocons d'avoine épais ou un gel collant. L'encre ne se diffuse pas instantanément. Elle reste coincée, tourbillonne dans des poches, et met beaucoup de temps à se mélanger uniformément.
Le résultat : Lorsque l'auteure applique cette mathématique de la « soupe collante » aux données financières, le temps de relaxation (le temps pour atteindre l'équilibre) est beaucoup plus long.

Le moteur du « Flux de Gradient »

Pour calculer exactement combien de temps cela prend, l'auteure utilise une méthode appelée flux de gradient euclidien.

L'analogie : Considérez les paramètres du marché (comme la « température » du marché et un facteur de « viscosité ») comme un randonneur tentant d'atteindre le sommet d'une montagne (l'état d'entropie maximale).
- Le Flux de Gradient est le chemin du randonneur.
- La méthode de Shannon est un randonneur sur une pente raide et glissante qui glisse vers le sommet très rapidement.
- La méthode de Tsallis est un randonneur dans une boue profonde. Il avance toujours vers le sommet, mais il fait des pas géants, lents et délibérés.

Ce que les données ont réellement montré

L'aure a testé cette théorie en utilisant des données réelles du marché boursier, en regardant spécifiquement la période précédant la crise financière de 2008.

La configuration : Elle a pris la « viscosité » et la « température » du marché juste avant le krach.
La simulation : Elle a laissé les mathématiques suivre leur cours pour voir combien de temps le marché mettait à se stabiliser.
La découverte :
- Avec l'ancienne mathématique de l'« eau lisse », le marché se serait stabilisé presque instantanément.
- Avec la nouvelle mathématique de la « soupe collante », le marché a mis très longtemps à se stabiliser.
- Plus précisément, le modèle suggérait que lors des périodes chaotiques (comme avant un krach), le marché conserve sa « mémoire » et son imprévisibilité pendant environ 360 jours.

Ce qu'il faut retenir

L'article affirme que parce que les marchés financiers sont complexes et « non extensifs » (ce qui signifie que le tout est plus chaotique que la simple somme de ses parties), ils ne se calment pas aussi vite que les théories traditionnelles le suggèrent.

Vue ancienne : Le marché oublie tout instantanément ; la prédiction à long terme est impossible.
Nouvelle vue : Le marché conserve son énergie chaotique pendant longtemps (jusqu'à un an selon le modèle). Cela signifie que durant les périodes hautement turbulentes, l'« information » dans le marché persiste plus longtemps, permettant potentiellement des prédictions sur un horizon temporel beaucoup plus large que ce que l'on pensait auparavant.

En bref : Si vous traitez le marché comme un lac calme, il se stabilise instantanément. Si vous le traitez comme un océan agité et collant (ce que l'auteure considère comme plus précis), il lui faut beaucoup de temps pour se calmer, et cet état « agité » dure beaucoup plus longtemps que nous ne le pensions.

Résumé technique : Temps de relaxation pour les systèmes non extensifs utilisant le flot de gradient pour la maximisation de l'entropie de Tsallis

Énoncé du problème
L'article traite des limites de l'Hypothèse de l'Efficience du Marché (HEM) dans la modélisation de la dynamique des marchés financiers. L'HEM suppose que les marchés atteignent l'équilibre rapidement, impliquant que les rendements du marché suivent des distributions gaussiennes et que le « temps de relaxation » — la durée nécessaire pour atteindre un état d'entropie maximale — est négligeable. Cependant, les preuves empiriques suggèrent que les marchés financiers sont des systèmes non linéaires et complexes caractérisés par des queues épaisses, des pics aigus et des phénomènes tels que les bulles et les krachs, qui ne sont pas bien décrits par les statistiques gaussiennes. Les auteurs postulent que ces systèmes sont mieux modélés comme des systèmes non extensifs utilisant l'entropie de Tsallis. Le problème central investigué est la manière dont le temps de relaxation change lorsque les statistiques de Tsallis sont appliquées par rapport à l'entropie de Shannon traditionnelle, et si cette échelle de temps étendue permet une prévisibilité à plus long terme.

Méthodologie
Les auteurs développent un cadre basé sur le Flot de Gradient Euclidien (EGF) pour modéliser l'évolution temporelle d'un système maximisant l'entropie.

Cadre : La dynamique est exprimée comme une descente de gradient dans l'espace des paramètres, optimisant une fonctionnelle d'énergie libre (entropie) soumise à un terme de pénalité représentant la distance entre les valeurs des paramètres à des étapes temporelles successives.
Contraintes : Le système est contraint de rester dans une distribution $q$ -gaussienne à tout moment. La dynamique est pilotée par les variations temporelles de deux paramètres : l'indice entropique $q$ (ou $\alpha = 1/(q-1)$ ) et la température inverse $\beta_q$ .
Modèles comparatifs :
1. Entropie de Shannon ( $S_{sh}$ ) : Suppose une distribution gaussienne standard. Les équations de l'EGF produisent un temps de relaxation $T_g$ où l'écart type devient infini, correspondant à l'état d'entropie maximale.
2. Entropie de Tsallis ( $S_q$ ) : Suppose une distribution $q$ -gaussienne. Les auteurs dérivent des équations différentielles non linéaires couplées pour l'évolution de $\alpha$ et $\beta_q$ .
Approche numérique : En raison de la non-linéarité des équations de l'EGF pour le cas général, les auteurs emploient un schéma d'Euler explicite pour résoudre le système numériquement. Ils analysent deux conditions initiales dérivées des rendements logarithmiques journaliers du S&P 500 : une période précédant juste le krach de 2008 (haute non-extensivité, $q_0 \approx 1,587$ ) et une période relativement calme ( $q_0 \approx 1,195$ ).

Contributions clés et résultats

Dérivation des temps de relaxation : L'article dérive des expressions explicites pour les temps de relaxation. Pour l'entropie de Shannon, le temps de relaxation $T_g$ est déterminé par la température inverse initiale et le paramètre de mobilité. Pour l'entropie de Tsallis, le temps de relaxation $T_q$ dépend des paramètres initiaux et de l'indice entropique $q$ .
Comparaison des échelles de temps : Une comparaison théorique montre que pour des paramètres non extensifs typiques ( $q \approx 1,5$ ), le temps de relaxation $T_q$ est environ 33 fois plus long que $T_g$ .
Simulations numériques :
- Les simulations de la dynamique couplée de $\alpha$ et $\beta_q$ révèlent que les systèmes présentant une $q$ initiale plus élevée (plus forte non-extensivité) présentent des temps de relaxation significativement plus longs.
- L'étude met en évidence une dynamique distincte : bien que $\beta_q$ puisse atteindre zéro, le système n'atteint pas immédiatement l'équilibre car l'entropie continue d'évoluer à travers les changements de $\alpha$ (ou $q$ ). L'équilibre n'est atteint qu'après plusieurs cycles supplémentaires.
Application empirique : Le modèle a été ajusté aux données du S&P 500 entourant le krach de 2008. En faisant correspondre les paramètres initiaux du modèle aux données, les auteurs ont estimé environ 40 cycles par jour. Le modèle suggère un temps de relaxation d'environ 26 000 cycles, ce qui correspond à un horizon de prédiction d'environ 360 jours. Le modèle a réussi à capturer la tendance générale décroissante de $\beta_q$ et l'évolution de $q$ au cours des 360 premiers jours, bien qu'il n'ait pas capturé une augmentation initiale de $\beta$ observée dans les données.

Signification et affirmations
L'article affirme que l'application de l'entropie de Tsallis via le Flot de Gradient Euclidien fournit une description plus réaliste de la dynamique des marchés financiers que les modèles gaussiens standards. La principale signification réside dans la découverte que les systèmes non extensifs possèdent des temps de relaxation beaucoup plus longs que les systèmes extensifs (basés sur Shannon). Cela implique que l'information (définie comme l'inverse de l'entropie) persiste pendant des durées plus longues dans les marchés financiers, remettant en question l'hypothèse de l'HEM d'un équilibre rapide. Par conséquent, les auteurs suggèrent que le comportement du marché peut être prévisible sur des horizons plus longs (jusqu'à ~360 jours dans leur étude de cas spécifique) lors de périodes de haute non-extensivité, telles que celles précédant les krachs majeurs. La méthode offre un outil potentiel pour estimer le temps nécessaire aux marchés pour se stabiliser après des événements chaotiques comme les bulles ou les krachs.