💰 quantitative finance

Long-memory GARCH via a two-dimensional Markov chain

Cet article introduit un nouveau modèle de type GARCH utilisant une chaîne de Markov bidimensionnelle pour générer une décroissance en loi de puissance dépendante de l'état des chocs passés, atteignant ainsi une persistance de la volatilité à mémoire longue avec de solides garanties théoriques de stabilité et une performance de prévision empirique compétitive.

Auteurs originaux : Kyungsub Lee, Kennedy Titus Kayaki

Publié 2026-07-29

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kyungsub Lee, Kennedy Titus Kayaki

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 comme un océan géant et chaotique. Parfois, les vagues sont douces et prévisibles ; d'autres fois, une tempête soudaine frappe et l'eau s'agite violemment pendant des jours. Dans le monde de la finance, ce « bouillonnement » est appelé volatilité. Depuis des décennies, des scientifiques tentent de construire des cartes mathématiques pour prédire ces vagues. Les cartes les plus célèbres, appelées modèles GARCH, fonctionnent comme un écho simple : si une grosse vague frappe aujourd'hui, l'océan reste un peu plus agité demain, mais le souvenir de cette vague s'estompe rapidement, comme un cri dans un canyon qui s'éteint après quelques secondes.

Cependant, les données du monde réel suggèrent que l'océan possède une mémoire beaucoup plus longue. Une tempête massive aujourd'hui peut rendre les vagues « agitées » pendant des semaines, voire des mois, un phénomène connu sous le nom de mémoire longue. Les cartes traditionnelles ont du mal avec cela car elles sont conçues pour oublier trop vite. Pour corriger cela, certains chercheurs ont tenté de construire des cartes avec des couches de mémoire infinies, mais celles-ci sont devenues si complexes qu'elles étaient difficiles à utiliser ou à prouver comme étant stables. Ce document entre en scène avec une idée fraîche : et si nous pouvions capturer cette mémoire longue et persistante en utilisant un système simple en deux parties, facile à suivre et mathématiquement solide ?

La machine à mémoire bidimensionnelle

Les auteurs, Kyungsub Lee et Kennedy Titus Kayaki, proposent une nouvelle façon de modéliser la volatilité financière. Au lieu de simplement suivre à quel point l'eau est « agitée » en ce moment (le niveau), leur modèle suit également la vitesse à laquelle cette agitation est censée s'estomper (la pente).

Voyez cela comme un élastique magique et auto-ajustable.

Le Niveau : C'est la mesure de l'étirement de l'élastique en ce moment. Un choc important (comme un krach boursier soudain) l'étire, rendant la « volatilité » élevée.
La Pente : C'est la « rigidité » de l'élastique ou la rapidité avec laquelle il veut revenir à la normale.

Dans les anciens modèles, l'élastique revenait toujours à la normale à une vitesse fixe. Mais dans ce nouveau modèle, chaque fois qu'un choc se produit, il ne fait pas que tendre l'élastique ; il change aussi la rigidité de l'élastique. Si le choc est assez important, il peut rendre l'élastique plus « lâche », ce qui signifie qu'il mettra beaucoup plus de temps à revenir à la normale. Cela crée une boucle de rétroaction : l'historique des chocs modifie la vitesse de récupération future, permettant au modèle de se souvenir du passé pendant très longtemps sans avoir besoin d'un nombre infini de variables.

Comment ils ont prouvé que cela fonctionne

La plus grande crainte avec ces systèmes complexes et auto-ajustables est qu'ils puissent devenir incontrôlables. Si l'élastique devient trop lâche, le modèle pourrait prédire une volatilité infinie, ce qui est absurde. Les auteurs ont passé beaucoup de temps à prouver que leur système est sûr.

Ils ont utilisé un outil mathématique appelé condition de Foster–Lyapunov. Imaginez cela comme un filet de sécurité. Ils ont démontré que, peu importe la violence du marché, le système possède un mécanisme intégré qui finit par ramener l'élastique vers un état stable. Ils ont prouvé que le modèle est récurrent de Harris positif, une façon sophistiquée de dire : « Le système finira toujours par se stabiliser selon un schéma prévisible et ne s'envolera pas vers l'infini. » Ils ont également montré que ce schéma stable est unique, ce qui signifie que le modèle ne s'embrouille pas et ne passe pas d'un comportement à un autre.

Simulations : Tester la mémoire longue

Pour voir si leur idée crée réellement une mémoire longue, l'équipe a lancé des milliers de simulations informatiques. Ils ont injecté des chocs de marché aléatoires dans le modèle et ont observé comment la « volatité » se comportait au fil du temps.

Ils ont découvert que lorsque les paramètres du modèle étaient réglés près d'une « frontière de stabilité » spécifique (le bord du filet de sécurité), le marché simulé se comportait exactement comme les données de mémoire longue réelles. Les chocs ne s'estompaient pas rapidement ; au contraire, ils persistaient, créant une décroissance lente en loi de puissance. Cela a confirmé que leur système simple en deux parties pouvait effectivement imiter la volatilité obstinée et durable observée dans les marchés financiers réels.

Test en conditions réelles

Les auteurs ont ensuite testé leur modèle en utilisant des données réelles provenant de six marchés financiers majeurs : le S&P 500, le FTSE 100, le DAX, le Nikkei 225, le KOSPI et le Bitcoin.

Les bonnes nouvelles :
Le modèle était étonnamment efficace pour capturer la « mémoire longue » de ces marchés. Lorsqu'ils ont comparé les prédictions du modèle aux données réelles, les estimations de mémoire correspondaient très bien pour plusieurs marchés, comme le Nikkei 225 et le S&P 500. Il a réussi à recréer la décroissance lente de la volatilité que les modèles plus anciens et plus simples manquaient.

La comparaison :
Ils ont opposé leur modèle aux poids lourds du domaine :

GARCH(1,1) : Le modèle standard et simple.
FIGARCH : Un modèle complexe conçu spécifiquement pour la mémoire longue.
HAR-RV : Un modèle qui utilise la variance réalisée passée (une mesure très directe de la volatité passée).

Les résultats :

Ajustement au passé : Le modèle complexe FIGARCH a fait le meilleur travail pour « ajuster » les données historiques (il avait la vraisemblance la plus élevée). Le nouveau modèle était légèrement derrière le FIGARCH, mais très proche du GARCH(1,1) standard.
Prédiction du futur : C'est ici que cela devient intéressant. Lors de la prédiction de la volatilité future, le nouveau modèle a performé aussi bien que le GARCH(1,1) standard dans la plupart des marchés. Il n'a pas battu le FIGARCH globalement, mais il était statistiquement aussi bon pour la plupart des marchés, à l'exception du KOSPI et du Bitcoin, où le FIGARCH avait un léger avantage.
Le véritable vainqueur : Curieusement, le modèle HAR-RV (qui utilise directement les données de variance réalisée) a été le meilleur prédicteur de tous. Cependant, les auteurs notent que le HAR-RV est un outil spécialisé qui utilise des informations dont le nouveau modèle ne dispose pas (il regarde directement la variance réalisée, pas seulement les rendements).

La conclusion

L'article conclut que vous n'avez pas besoin d'une machine infiniment complexe pour capturer la mémoire longue. En ajoutant simplement une dimension supplémentaire — une « échelle de mémoire » qui change en fonction des chocs — vous pouvez construire un modèle qui est :

Mathématiquement sûr : Il ne partira pas en vrille.
Simple : Il ne suit que deux nombres à la fois.
Efficace : Il capture la nature obstinée et durable de la volatilité du marché presque aussi bien que les modèles les plus complexes.

C'est un rappel que parfois, la meilleure façon de comprendre un océan géant et agité n'est pas de cartographier chaque vague, mais de comprendre comment l'eau elle-même se souvient de la tempête.

Résumé technique : GARCH à mémoire longue via une chaîne de Markov bidimensionnelle

Énoncé du problème
Les modèles GARCH standards capturent le regroupement de la volatilité (volatility clustering) par un simple mécanisme de rétroaction récursive des innovations au carré et des variances conditionnelles passées. Cependant, les preuves empiriques suggèrent que la volatilité financière présente une « mémoire longue », caractérisée par une dépendance à décroissance lente dans les proxys de volatilité (par exemple, les rendements au carré), que les spécifications GARCH conventionnelles ne parviennent pas à reproduire. Les solutions existantes, telles que le GARCH fractionnaire (FIGARCH), l'HYGARCH ou les modèles ARCH d'ordre infini, introduisent de la persistance via des filtres fractionnaires, une décroissance hyperbolique ou des structures de retards infinis. Bien qu'efficaces, ces approches manquent souvent d'une représentation de Markov à dimension finie, ce qui complique l'analyse de stabilité et la tractabilité computationnelle. À l'inverse, les modèles de volatilité stochastique avec facteurs latents ou les modèles de volatilité rugueuse (rough volatility) traitent la persistance, mais peinent souvent à établir une distinction empirique ou manquent d'une récursion directe de la variance conditionnelle.

Méthodologie
Les auteurs proposent un nouveau modèle de type GARCH qui génère un comportement de mémoire longue tout en conservant un état de Markov à dimension finie (bidimensionnelle). Le mécanisme central adapte la construction par « correspondance de niveau et de pente » (level-and-slope matching) (Lee, 2026b) à la modélisation de la volatilité conditionnelle.

Noyau de loi de puissance latent : Au lieu d'une décroissance autoregressive fixe, la variance conditionnelle est dérivée d'un noyau de loi de puissance latent $h_n(t) = \mu + a_n(t+c_n)^{-p}$ .
Mécanisme de mise à jour de l'état : Lors de l'observation d'un choc de rendement $\eta_n$ $η_{n}$ , le noyau est mis à jour pour la période suivante en faisant correspondre à la fois le niveau et la pente à la nouvelle origine.
- Le vecteur d'état est $(X_n, c_n)$ , où $X_n$ représente le niveau de variance excédentaire et $c_n$ représente une échelle de mémoire endogène.
- Les règles de mise à jour (Équations 6–7) garantissent que le nouvel état $(X_n, c_n)$ est une fonction déterministe de l'état précédent et de l'innovation au carré $\eta_n^2$ .
Représentation de Markov : Le processus résultant est une chaîne de Markov homogène dans le temps sur l'espace d'états $S = [0, \infty) \times [\gamma, \infty)$ . Le modèle admet une représentation ARCH( $\infty$ ) à coefficients aléatoires où les facteurs de décroissance sont endogènes et dépendants de l'état, plutôt que des coefficients déterministes fixes.

Contributions clés

Théorie de la stabilité : La principale contribution mathématique est une analyse de stabilité rigoureuse pour cette chaîne de Markov non standard. Contrairement aux modèles GARCH standards où la stabilité se réduit à une condition de moment logarithmique unidimensionnelle, ce modèle nécessite une condition de Foster–Lyapunov jointe.
- Les auteurs construisent une fonction de Lyapunov $V(x, c) = \log(1+x) + \lambda c$ qui couple le niveau de variance et l'échelle de mémoire.
- Ils dérivent une condition de dérive jointe (Hypothèse 1) exigeant l'existence d'un $\lambda > 0$ tel que la suprême de la dérive combinée du log-variance et de l'échelle de mémoire soit négatif.
- Sous cette condition et des hypothèses de régularité sur la distribution des innovations, les auteurs prouvent que la chaîne est récurrente de Harris positive et admet une mesure de probabilité invariante unique.
Condition de diagnostic : L'article dérive une condition de diagnostic nécessaire pour la stabilité (Équation 35), analogue à la condition standard de moment logarithmique du GARCH, mais évaluée à une échelle endogène critique $c^*$ . Les expériences numériques montrent que cette frontière de diagnostic est extrêmement proche de la véritable frontière de stabilité jointe.
Vérification de la régularité : En utilisant des arguments de la théorie du contrôle (cadre de Meyn et Tweedie), les auteurs établissent la $\psi$ -irréductibilité et la petitesse des ensembles compacts en démontrant que le modèle de contrôle déterministe peut atteindre une ancre de frontière $(0, \gamma)$ et que la condition de rang de la Jacobienne est localement satisfaite.

Résultats

Études de simulation :
- En utilisant l'estimateur de Whittle local sur les innovations au carré des logarithmes, les simulations démontrent que le modèle génère une persistance substantielle à basse fréquence (mémoire longue).
- La persistance est maximale lorsque les paramètres placent le système proche de la frontière de stabilité diagnostique. À mesure que l'échelle de mémoire $c_n$ devient grande, les facteurs de décroissance endogènes restent proches de l'unité, produisant une dépendance à décroissance lente.
- Le paramètre de mémoire estimé $\hat{d}$ augmente de manière monotone à mesure que le système approche de la frontière de stabilité.
Analyse empirique :
- Le modèle a été ajusté aux rendements quotidiens de cinq indices boursiers internationaux (S&P 500, FTSE 100, DAX, Nikkei 225, KOSPI) et du Bitcoin.
- Ajustement in-sample : Le LM-GARCH capture une part significative du comportement de mémoire longue ; les estimations de mémoire impliquées par le modèle correspondent étroitement aux estimations basées sur les données pour le Nikkei 225, le S&P 500 et le FTSE 100. Cependant, sa log-vraisemblance in-sample est généralement inférieure à celle des modèles FIGARCH et des GARCH asymétriques (GJR, EGARCH) pour les indices boursiers, bien qu'il surpasse ces derniers pour le Bitcoin.
- Prévision out-of-sample : En utilisant la perte QLIKE sur la variance réalisée, le LM-GARCH est compétitif avec le GARCH(1,1). Bien que le FIGARCH présente des pertes moyennes plus faibles sur tous les marchés, la différence n'est statistiquement significative que pour le KOSPI et le Bitcoin. Le modèle HAR-RV (utilisant directement la variance réalisée) surpasse tous les modèles basés sur les rendements, comme prévu.

Signification et affirmations
L'article affirme offrir un cadre parcimonieux qui réconcilie la génération d'une volatilité à mémoire longue avec une structure de Markov de faible dimension.

Mécanisme : Il démontre que la mémoire longue peut émerger de la dynamique de l'état lui-même (spécifiquement l'évolution de l'échelle de mémoire $c_n$ ) plutôt que d'être imposée via une intégration fractionnaire ou des retards infinis.
Tractabilité : En maintenant un état bidimensionnel, le modèle permet une analyse de stabilité standard et une estimation computationnellement efficace, contrairement aux modèles d'ordre infini ou fractionnaires.
Utilité empirique : Le modèle reproduit avec succès la persistance observée dans les données financières et offre une précision de prévision comparable aux références standards, suggérant que le phénomène de « mémoire longue » peut être modélisé efficacement sans abandonner le cadre markovien.

Les auteurs restent modestes quant à la dominance du modèle, reconnaissant que, bien qu'il capture une persistance substantielle, il ne surpasse pas le FIGARCH in-sample sur tous les marchés, et que son avantage out-of-sample par rapport au GARCH standard est limité à certains marchés. La principale contribution est la démonstration théorique qu'un processus de Markov à dimension finie peut générer des dynamiques de volatilité complexes à mémoire longue grâce à l'évolution endogène de l'état.