💰 quantitative finance

A Spectral Generalisation of the Variance Ratio: Eigenstructure of Long-Horizon Portfolio Covariance and a Multi-Memory Factor Model of U.S. Equity Returns

Cet article introduit une généralisation spectrale du ratio de variance pour identifier un modèle robuste à cinq facteurs qui décompose les rendements boursiers à long terme en canaux distincts de mémoire de rendement et de volatilité, révélant un changement de régime de la persistance de la volatilité à la fin des années 1980 et démontrant que les moteurs transversaux du momentum des rendements sont économiquement distincts de ceux qui régissent la persistance de la volatilité.

Auteurs originaux : Anders G Frøseth

Publié 2026-07-07

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Anders G Frøseth

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

Imaginez la bourse non pas comme un océan unique et chaotique, mais comme un orchestre complexe jouant une symphonie. Depuis des décennies, les économistes tentent de comprendre la musique en n'écoutant qu'un seul instrument (une action isolée) ou en mesurant simplement le volume total de l'orchestre tout entier. Ce document propose une nouvelle façon d'écouter : en identifiant les « notes » spécifiques (les motifs) que joue l'orchestre et en comprenant comment ces notes évoluent au fil du temps.

Voici une décomposition des conclusions de l'étude utilisant des analogies simples :

1. Le problème : Écouter de la mauvaise manière

Imaginez que vous essayiez de comprendre comment une foule de personnes se déplace.

L'ancienne méthode : Vous choisissez une personne et vous l'observez pendant un an. Vous pourriez vous dire : « Oh, elle marche en ligne droite », ou « Elle s'arrête et repart ». Mais cela ignore la façon dont la foule entière se déplace ensemble.
La méthode du document : Au lieu d'observer une seule personne, les auteurs observent simultanément les modèles de mouvement de toute la foule. Ils utilisent un outil mathématique appelé « structure propre » (eigenstructure) pour trouver les « mouvements de danse » cachés que le groupe entier réalise ensemble. Ils appellent cela les « directions principales » ou les « mélodies principales » de l'orchestre.

2. La découverte : Le marché possède deux « canaux »

Les auteurs ont découvert que la mémoire du marché fonctionne via deux canaux distincts, comme deux stations de radio différentes diffusant en même temps :

Le canal « Prix » (Linéaire) : Il s'agit de l'évolution réelle des prix des actions, qui montent et descendent.
Le canal « Volatilité » : Il s'agit de savoir à quel point les variations de prix sont folles ou calmes (la peur et l'excitation).

Le document montre que ces deux canaux ont des « mémoires » différentes. Ce n'est pas parce qu'une tendance de prix dure longtemps que la peur (la volatilité) dure forcément aussi longtemps. Ils sont comme deux instruments différents jouant des rythmes différents.

3. L'orchestre des « Cinq Facteurs »

Les auteurs ont découvert que l'ensemble du marché boursier américain peut être expliqué par seulement cinq principaux « musiciens » (facteurs) jouant ensemble. Ces cinq facteurs expliquent presque tout ce qui régit le comportement des actions sur de longues périodes (des années, et non juste des jours) :

Le Joueur Persistant : Un musicien qui joue un air constant et durable (le momentum/l'élan).
Le Joueur Antipersistent : Un musicien qui joue un air qui se corrige constamment (le retour à la moyenne — quand les choses montent trop, elles ont tendance à redescendre).
Le Chef d'Orchestre « Multifractal » : C'est le musicien le plus complexe. Il crée une « cascade » de bruit qui devient de plus en plus fort et complexe avec le temps. Cela explique pourquoi les krachs ou les envolées boursières peuvent donner l'impression d'avoir une vie propre qui s'étend sur des années.
Le Joueur de Volatilité Pure : Un musicien qui ne joue que les notes de la « peur », et non les notes de prix.
Le Joueur de « Rafales » : Un musicien qui joue de courtes et intenses rafales de bruit qui s'estompent rapidement.

La grande conclusion : Ce même groupe de « cinq musiciens » explique le marché, que vous regardiez :

Différents secteurs (comme la Technologie vs la Santé).
Différents types d'entreprises (Petites vs Grandes, Bon marché vs Chères).
Différentes périodes (avant 1998 vs après 1998).
Même le marché européen (une « réplique » des résultats américains).

4. Le « Grand Changement » de la fin des années 1980

L'une des découvertes les plus passionnantes est une « transition de régime ». Les auteurs ont découvert que le marché n'a pas simplement changé lentement ; il a subi un changement structurel à la fin des années 1980.

Avant le changement : La « peur » (la volatité) dans le marché était comme une tempête de courte durée. Elle faisait rage un moment, puis se calmait relativement vite (environ 2 ans).
Après le changement : La « peur » est devenue un courant océanique profond et lent. Les vagues de volatilité les plus durables se sont étirées sur 4 ans.

Imaginez une rivière dont le cours change. Avant la fin des années 80, l'eau se déplaçait en ondulations rapides et peu profondes. Après la fin des années 80, la rivière a développé des courants profonds et lents qui mettaient des années à passer. Les auteurs ont localisé ce changement à l'aide d'une technique de « fenêtre glissante », montrant que le changement s'est produit de manière graduelle mais ferme entre 1985 et 1995, et non à la date arbitraire de 1998 souvent utilisée par d'autres chercheurs.

5. La surprise de l'« Inversion du Bêta »

Enfin, les auteurs ont testé une hypothèse courante : que les mêmes entreprises qui dirigent les tendances de prix (comme le momentum) sont les mêmes qui dirigent les tendances de volatilité.

L'hypothèse : Si une entreprise est un « leader de prix », elle devrait aussi être un « leader de la peur ».
La réalité : Les auteurs ont trouvé l'inverse. Les entreprises qui dirigent les tendances de prix à long terme sont complètement différentes de celles qui dirigent les tendances de volatilité à long terme. C'est comme si l'« orchestre des prix » et l'« orchestre de la peur » jouaient dans des pièces différentes avec des musiciens différents.

Résumé

Ce document soutient que la bourse n'est pas un désordre aléatoire. C'est un système hautement structuré avec cinq modèles fondamentaux qui se répètent à travers différents pays et périodes. Cependant, les « règles du jeu » concernant la durée de la peur sur le marché ont changé de façon permanente à la fin des années 1980, passant de pics à court terme à des vagues de longue durée de plusieurs années. Plus important encore, les forces qui font bouger les prix sont distinctes des forces qui font bouger la volatilité ; ce sont deux histoires séparées qui se déroulent simultanément.

Résumé Technique : Une Généralisation Spectrale du Ratio de Variance

Énoncé du Problème
L'agrégation des rendements d'actifs à travers différents horizons temporels ( $H$ ) modifie fondamentalement la structure du second moment de la section transversale. Bien que le test du ratio de variance univarié de Lo et MacKinlay (1988) évalue si les rendements sur une période $H$ s'agrègent proprement pour une série unique, il néglige l'information transversale contenue dans l'éigenstructure de la matrice de covariance. Les extensions multivariées existantes, telles que le ratio de variance matriciel de Hong et al. (2017), préservent davantage de structure mais la réduisent à des fonctionnelles scalaires (trace, déterminant) pour l'inférence, échouant ainsi à indexer la dynamique des longs horizons par mode propre (eigenmode). De plus, les rendements des actions présentent des écarts documentés par rapport au comportement gaussien i.i.d. (indépendant, identiquement distribué), incluant des queues de distribution de type loi de puissance, une dépendance à longue portée dans les rendements absolus, et une auto-similarité multi-échelle de la volatilité cohérente avec des cascades multifractales. Le présent article répond à la nécessité d'un cadre capable de décomposer ces écarts conjoints en composantes structurées et indexées par l'éigenstructure, à la fois sur les canaux linéaires (rendement) et de volatilité.

Méthodologie
Les auteurs proposent une généralisation multivariée du test du ratio de variance, indexée par mode propre. Le cadre repose sur deux statistiques transversales définies pour une série temporelle de type matrice symétrique $\Sigma_t$ et son agrégat sur l'horizon $H$ , $\Sigma^{(H)}_t$ :

Ratio de Variance par Mode Propre ( $\kappa$ ) :
$\kappa_i(H) := \frac{\lambda_i(\Sigma^{(H)}_t)}{H \cdot \lambda_i(\Sigma_t)}$
Ceci mesure l'autocorrélation de la $i$ -ème direction principale à travers les horizons d'agrégation. Sous des rendements i.i.d., $\kappa_i(H) = 1$ pour tout $i, H$ .
Matrice de Recouvrement des Vecteurs Propres ( $O$ ) :
$O_{ij}(H) := |\langle v_i(\Sigma^{(H)}_t), v_j(\Sigma_t) \rangle|^2$
Ceci mesure la rotation géométrique de la base propre à mesure que l'horizon s'étend. Sous des rendements i.i.d., $O_{ij}(H) = \delta_{ij}$ .

L'article dérive des prédictions en forme close pour ces statistiques sous des modèles paramétriques. Pour le canal linéaire, il établit qu'un processus AR( $p$ ) décompose $\kappa$ en une somme pondérée de ratios de variance AR(1) indexés par les racines caractéristiques. Pour le recouvrement des vecteurs propres, il dérive un résultat de perturbation du premier ordre montrant que la rotation dépend de l'écart entre les valeurs propres (eigenvalue gap) et d'un facteur de saturation dépendant de l'horizon.

Pour modéliser les écarts empiriques, les auteurs construisent un modèle à cinq facteurs à mémoire multiple appliqué conjointement au canal linéaire (covariance des log-rendements) et au canal de volatilité (covariance des rendements au carré). Les facteurs sont :

$F_P$ (Persistant) : Mouvement brownien fractionnaire (fBm) avec un exposant de Hurst $H_P > 0,5$ .
$F_A$ (Antipersistent) : fBm avec $H_A < 0,5$ .
$F_M$ (Multifractal) : Un processus ARFIMA(1, $d_M$ , 0) dans le canal linéaire couplé à une cascade de type Modèle à Changement de Régime Markovien (MSM) dans le canal de volatilité.
$F_V$ (Compagnon de Volatilité) : Un facteur de pure volatilité partageant la cascade MSM de $F_M$ mais ne contribuant à aucune structure linéaire.
$F_{Vt}$ (Volatilité Transitoire) : Un processus ARFIMA régissant la volatilité de la volatilité, capturant le regroupement (clustering) transitoire.

Le modèle est estimé via des moindres carrés joints (LS) sur les matrices empiriques $(\kappa^{lin}, \kappa^{vol})$ en utilisant un bootstrap par blocs mobiles (1 000 réplicats) et une optimisation L-BFGS-B.

Contributions Clés et Résultats
Le cadre est appliqué à quatre panels d'actions américaines (échantillon complet Fama-French 49 secteurs ; divisions pré/post-1998 ; Fama-French 100 taille $\times$ book-to-market) et une réplication non américaine (Europe 25). L'analyse produit trois découvertes principales :

Décomposition Universelle à Cinq Facteurs : Le même modèle à cinq facteurs parvient à reconstruire simultanément sept faits stylisés de la dynamique des actions à long horizon sur tous les panels :
- Anomalie du ratio de variance du mode marché : Un motif de hausse puis de baisse dans le canal linéaire au niveau du mode marché.
- Momentum de facteur : Des ratios de variance à croissance monotone dans les modes propres secondaires (rangs 2–3).
- Retour à la moyenne à long horizon : Des ratios de variance en diminution abrupte dans les modes propres profonds (rangs 24+).
- Regroupement de volatilité à court terme : Une hausse initiale marquée des ratios de variance de la volatilité.
- Mémoire de volatilité multi-échelle : Une accumulation massive de ratio de variance dans le canal de volatilité du mode marché (atteignant $\approx 48$ à 5 ans), cohérente avec une cascade multifractale.
- Volatilité transitoire : Des poussées de volatilité épisodiques dans les modes propres profonds.
- Concentration transversale : Le spectre de la volatilité se concentre sur un seul mode dominant à mesure que l'horizon s'allonge, tandis que le spectre linéaire s'élargit.
  Les exposants de mouvement brownien fractionnaire ( $H_P \approx 0,52\text{--}0,57$ , $H_A \approx 0,17\text{--}0,27$ ) restent stables à travers les tris sectoriels, de taille et de valeur, indiquant une spécification universelle au niveau de l'éigenstructure.
Transition de Régime dans la Mémoire de Volatilité : L'article identifie une rupture structurelle dans la mémoire de la volatilité des actions américaines survenant dans la fin des années 1980, plutôt qu'à la limite statique de division des deux moitiés de la période (1998).
- Une analyse en fenêtre glissante (fenêtres de 28 ans, pas de 2 ans) localise la transition. Le poids de la cascade MSM sur le canal de volatilité du mode marché ( $w^{vol}_{MSM}$ ) augmente de manière monotone d'une médiane de 0,30 (centrée sur 1985) à 0,93 (centrée sur 1991) et sature à 1,00 à partir de 1995.
- Les bandes de confiance à 90 % pour les fenêtres pré-transition (centre 1983) et post-transition (centre 1999) ne se chevauchent pas strictement.
- L'échelle de temps de "croisement" (cross-over) de la cascade (durée de la composante de plus basse fréquence, $1/\gamma_1$ ) s'allonge, passant d'environ 2,2 ans pour la période pré-1998 à 4,0 ans pour la période post-1998. Le panel "première moitié" statique (1969–1997) présente une identification faible car il mélange ces deux régimes.
Inversion de $\beta$ entre Canaux et Chargements Distincts : Les auteurs testent l'hypothèse selon laquelle les signatures de rendement et de volatilité du facteur multifractal sont régies par un vecteur de chargement (loading) partagé unique ( $\beta_M$ ).
- Un test d'inversion de $\beta$ reconstruit les chargements au carré $|\beta_M[a]|^2$ indépendamment pour les canaux linéaire et de volatilité.
- Les résultats rejettent l'hypothèse du chargement partagé : la corrélation de Pearson entre les chargements reconstruits est significativement négative sur trois des quatre panels (ex: $-0,771$ sur l'échantillon complet).
- Cela implique que les caractéristiques transversales pilotant les modèles de momentum de rendement sont économiquement distinctes de celles pilotant la persistance de la volatilité ; un chargement unique ne peut expliquer les deux canaux.

Signification
L'article affirme fournir la première décomposition du ratio de variance indexée par l'éigenstructure, distinguant l'autocorrélation temporelle le long de directions principales stables de la rotation transversale de ces directions. En séparant les canaux linéaire et de volatilité, le cadre révèle que le "mode marché" n'est pas une entité monolithique, mais un composite de mécanismes de mémoire distincts : un profil de rendement de type "hausse puis baisse" piloté par des composantes antipersistantes et ARFIMA, et une pure cascade de volatilité multi-échelle.

L'identification d'une transition de régime à la fin des années 1980 suggère que la structure de mémoire longue de la volatilité n'est pas statique mais a évolué, prolongeant la composante de cascade de plus basse fréquence vers des horizons pluriannuels dans l'ère moderne. Enfin, le rejet de l'hypothèse du chargement partagé remet en question les modèles supposant qu'un ensemble unique de facteurs de risque pilote la dynamique conjointe des rendements et de la volatilité, suggérant plutôt que les caractéristiques sectorielles et de taille/valore prédisent ces canaux de manière indépendante. Le cadre offre une description robuste et parcimonieuse (cinq facteurs) de la dynamique des actions à long horizon qui s'applique à différents univers d'actifs et périodes temporelles.