📈 economics

Attention Without Estimation: Zero-Shot Time Series Foundation Models versus Long-Memory Econometrics in Realized Volatility Forecasting

Cet article établit un cadre théorique et empirique rigoureux comparant les modèles de fondation de séries temporelles en zero-shot à des références économétriques classiques à mémoire longue pour la prévision de la volatilité réalisée, concluant que si les modèles de fondation surpassent les modèles GARCH et EWMA, ils rivalisent finalement de très près avec les modèles de la famille HAR qui capturent l'essentiel du signal exploitable dans les données de volatilité.

Auteurs originaux : Jayachandiran U, Janani Giridharan

Publié 2026-07-10

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jayachandiran U, Janani Giridharan

Article original sous licence CC BY 4.0 (https://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 que vous essayez de prédire si le trajet en voiture sera cahoteux demain. Dans le monde de la finance, cette « cahotologie » est appelée volatilité, et bien la prévoir est crucial pour fixer le prix des options, gérer les risques et assurer la sécurité des banques. Pendant des décennies, les experts ont utilisé un ensemble spécifique d'outils mathématiques appelés économétrie (considérez-les comme des mécaniciens chevronnés et traditionnels) pour prévoir cela. Récemment, un nouveau challenger est entré dans le garage : les Modèles de Fondations de Séries Temporelles (TSFM). Ce sont des cerveaux d'IA géants et ultra-intelligents, entraînés sur des millions de différents motifs de séries temporelles, promettant de prédire la volatilité pour n'importe quel actif sans avoir besoin d'être réajustés pour chaque voiture spécifique.

Ce document est une course rigoureuse et sans détour entre ces deux approches. Voici ce qui s'est passé lorsqu'elles se sont élancées sur la piste.

La piste de course : Un monde synthétique

D'abord, un détail crucial : les auteurs n'ont pas testé cela sur les marchés boursiers du monde réel (qui sont désordonnés et pleins de secrets). À la place, ils ont construit une piste de course synthétique parfaitement contrôlée à l'aide d'une simulation informatique. Ils ont créé 20 actifs fictifs (comme 20 voitures différentes) qui se déplaçaient selon un ensemble strict de règles impliquant des sauts aléatoires et des courbes fluides.

15 de ces voitures ont été utilisées pour « entraîner » le cerveau de l'IA (le TSFM).
Les 5 autres voitures ont été gardées secrètes. L'IA ne les avait jamais vues auparavant. C'est un test dit « zero-shot » — comme demander à un chef qui n'a cuisiné que de la cuisine italienne de préparer un plat thaïlandais parfait sans recette.

Les concurrents

La Vieille Garde (Économétrie) :
- GARCH & EWMA : Ce sont les mécaniciens de base, fiables. Ils regardent les cahots récents et devinent le prochain. Ils sont simples, mais passent parfois à côté du tableau général.
- HAR-RV : C'est le « mécanicien star ». Il ne regarde pas seulement hier ; il regarde le jour dernier, la semaine dernière et le mois dernier, tout à la fois. Il est célèbre pour être incroyablement difficile à battre.
- HARQ & HAR-CJ : Ce sont les « super-mécaniciens ». Ce sont des versions spéciales du mécanicien star qui peuvent spécifiquement gérer le bruit de mesure (quand le tachymètre est défaillant) et les sauts soudains (quand une voiture frappe un nid-de-poule).
Le Nouveau Challenger (TSFM-Surrogate) :
- C'est le cerveau de l'IA. Il utilise un mécanisme d'« attention par patch » (imaginez qu'il jette un coup d'œil à des blocs de la route à la fois plutôt qu'à chaque centimètre). Il a été entraîné sur les 15 voitures connues, puis on lui a demandé de prédire les cahots pour les 5 voitures secrètes sans aucun ajustement supplémentaire.

Les résultats : Qui a gagné ?

1. L'IA contre les mécaniciens de base
Le cerveau de l'IA (TSFM-surrogate) a écrasé les mécaniciens de base (GARCH et EWMA).

Lors des tests, l'IA a commis nettement moins d'erreurs. Il a été prouvé statistiquement qu'elle était meilleure pour prédire les cahots que les modèles classiques.
Le verdict : L'IA est définitivement meilleure que les outils de base.

2. L'IA contre les super-mécaniciens (Le rebondissement)
C'est ici que cela devient intéressant. Lorsque l'IA a affronté la famille HAR (HAR-RV, HARQ et HAR-CJ), les résultats ont été une égalité dans le tableau général, mais les super-mécaniciens ont gagné le duel direct.

Face à face : Les modèles HAR (particulièrement ceux qui gèrent les sauts et le bruit) étaient statistiquement meilleurs que l'IA. L'IA a commis plus d'erreurs que les modèles HAR lors de la prédiction de la taille exacte des cahots.
Le tableau général (L'ensemble de confiance du modèle) : Cependant, lorsque les juges ont examiné le groupe dans son ensemble, ils n'ont pas pu affirmer avec certitude que les modèles HAR étaient définitivement meilleurs que l'IA. L'IA était statistiquement indiscernable des meilleurs modèles HAR.
La leçon à retenir : L'IA est assez bonne pour figurer dans le « Hall of Fame » avec les meilleurs modèles économétriques, mais elle ne les a pas encore battus.

3. Le facteur « Saut »
La simulation incluait des « sauts » soudains (des nids-de-poule). Les modèles HAR conçus spécifiquement pour repérer ces sauts (HAR-CJ) et gérer les données bruitées (HARQ) ont été les plus performants. L'IA, qui n'a pas été explicitement instruite pour chercher les sauts, n'a pas été aussi performante que ces modèles spécialisés. Cela suggère que l'IA a besoin de plus de données ou d'un meilleur entraînement pour apprendre ces motifs spécifiques par elle-même.

Pourquoi l'IA n'a-t-elle pas gagné ?

Les auteurs suggèrent quelques raisons, basées sur leurs mathématiques et leurs simulations :

La faim de données : L'IA n'a été entraînée que sur 15 actifs. Le document soutient que les modèles de fondation ont généralement besoin de milliers ou de millions d'actifs pour vraiment briller. Avec seulement 15, l'IA est encore en train d'apprendre les rudiments, tandis que les modèles HAR (qui sont plus simples) peuvent apprendre parfaitement à partir de l'historique d'un seul actif.
La fenêtre de contexte : L'IA a regardé les 32 derniers jours de données. Les auteurs ont constaté que lorsque l'IA regardait 64 jours, elle s'améliorait. Cela suggère que l'IA a simplement besoin d'un « regard en arrière » plus long pour voir le motif complet, tout comme les modèles HAR regardent un mois complet.
La spécialisation : Les modèles HAR sont comme des outils spécialisés construits spécifiquement pour la volatilité. L'IA est un « généraliste » qui essaie de tout apprendre à la fois. Dans une simulation contrôlée à un seul régime, le spécialiste gagne.

Ce que le document exclut explicitement

Ce n'est PAS une victoire de l'IA sur toute l'économétrie. Le document stipule explicitement que la famille HAR reste la référence la plus difficile à battre.
Ce n'est PAS un test de modèles du monde réel. L'IA utilisée ici est un « substitut » (un stand-in) construit de toutes pièces. Les auteurs n'ont pas testé de modèles commerciaux célèbres comme Chronos ou TimesFM car ils ne pouvaient pas les télécharger dans leur environnement hors ligne. Ils précisent avec prudence que leurs résultats s'appliquent au paradigme des modèles de fondation, et non nécessairement à ces marques spécifiques.
Ce n'est PAS un problème résolu. Le document ne prétend pas que l'IA a remplacé le besoin d'économétrie. En fait, il suggère que pour un actif unique dans un marché stable, les mathématiques traditionnelles sont encore très difficiles à battre.

L'essentiel

Dans cette course simulée, le Modèle de Fondation de Séries Temporelles a prouvé qu'il est un sérieux candidat, battant les outils de base et tenant tête aux meilleurs experts. Cependant, il n'a pas encore détrôné la famille HAR.

Le document suggère que la véritable superpuissance de l'IA n'est pas de battre les experts dans une petite pièce contrôlée, mais plutôt sa capacité à travailler en zero-shot (sans réentraînement) à travers de nombreux marchés réels et désordonnés à la fois. Si vous avez des milliers d'actifs et des changements de régime soudains (krachs boursiers), l'IA pourrait éventuellement prendre l'avantage. Mais pour l'instant, dans cette simulation spécifique, les modèles économétriques à mémoire longue et sensibles aux sauts sont toujours les rois de la colline.

Les auteurs concluent que nous avons besoin de plus de données (plus d'actifs) et de fenêtres de regard en arrière plus longues pour voir si l'IA peut véritablement surpasser les spécialistes. D'ici là, la meilleure stratégie consiste peut-être à garder les mathématiques traditionnelles comme filet de sécurité pendant que l'IA apprend les rudiments.

Résumé Technique : L'Attention sans Estimation

Énoncé du Problème

La prévision de la volatilité réalisée (RV) est un défi fondamental en économétrie financière, crucial pour l'évaluation des dérivés, la gestion des risques et le capital réglementaire. Historiquement, ce domaine a été dominé par des modèles paramétriques, spécifiquement le cadre de l'Auto-Régression Hétérogène (HAR-RV) et les modèles de la famille GARCH, qui nécessitent une estimation de paramètres spécifique à chaque actif. Récemment, les Modèles de Fondations pour Séries Temporelles (TSFM) — de larges architectures de type transformer préentraînées sur des corpus hétérogènes et déployées de manière zero-shot — sont apparus comme un changement de paradigme potentiel. Cependant, des comparaisons rigoureuses et reproductibles entre ces modèles de fondation zero-shot et les références économétriques classiques, robustes aux sauts, font défaut. Cet article comble cette lacune en développant un cadre mathématiquement rigoureux pour comparer les TSFM aux modèles économétriques de pointe dans un environnement hors ligne contrôlé où les points de contrôle (checkpoints) propriétaires sont indisponibles.

Méthodologie

1. Références Économétriques et Extensions Théoriques

Les auteurs établissent une suite complète de références économétriques, allant au-delà des standards HAR-RV et GARCH(1,1) :

HAR-RV : Une régression linéaire sur les moyennes de RV quotidiennes, hebdomadaires et mensuelles. L'article prouve la cohérence et la normalité asymptotique de l'estimateur OLS sous une dépendance de régresseurs à mémoire longue proche (Théorème 1).
HARQ (Ajusté par la Quarticité) : Incorpore la quarticity réalisée pour réduire le poids des retards quotidiens bruités, traitant ainsi l'erreur de mesure dans la RV.
HAR-CJ (Robuste aux Sauts) : Décompose la RV en composantes continues et en sauts en utilisant la variation de puissance (bipower variation) pour les modéliser séparément.
GARCH(1,1) & EWMA : Modèles paramétriques standards de variance conditionnelle.
Garanties Théoriques : L'article dérive une correction de biais log-normale pour l'exponentiation des prévisions de log-RV (Proposition 1) et établit les propriétés asymptotiques des estimateurs.

2. Paradigme TSFM et Modèle de Substitution

Puisque les points de contrôle TSFM propriétaires (ex: Chronos, TimesFM) ne peuvent pas être téléchargés dans l'environnement hors ligne des auteurs, ils construisent un substitut TSFM qui instancie fidèlement le paradigme TSFM sans prétendre être équivalent à des modèles propriétaires spécifiques.

Architecture : Un transformer basé sur des patchs (suivant PatchTST) avec une normalisation d'instance et une tête probabiliste gaussienne.
Entraînement : Préentraîné à partir de zéro sur un panel de 15 actifs synthétiques.
Inférence : Évalué strictement en mode zero-shot (poids gelés, aucune mise à jour de gradient) sur 5 actifs maintenus à part.
Analyse de Complexité : L'article dérive la complexité computationnelle par couche, montrant que si la passe avant du transformer est en $O(P^2d)$ , elle évite le coût $O(n)$ de la ré-estimation économétrique quotidienne, offrant un avantage d'amortissement dans les contextes multi-actifs (Proposition 6).

3. Théorie de l'Apprentissage Statistique

L'article fournit des bornes formelles pour caractériser quand le transfert zero-shot est justifié :

Complexité de Rademacher : Une borne de généralisation basée sur les normes pour la classe de fonctions du patch-transformer (Théorème 2).
Borne de Transfert PAC-Bayésienne : Une borne sur le risque de transfert zero-shot des actifs d'entraînement vers un actif maintenu à part, séparant explicitement l'ajustement in-sample, la complexité du modèle et la divergence de distribution (Théorème 3). Cela formalise l'intuition selon laquelle les modèles de fondation nécessitent de larges panels de préentraînement pour surmonter les pénalités de complexité.

4. Cadre d'Évaluation

Un appareil d'évaluation statistique robuste est employé :

Fonctions de Perte : RMSE, MAE et QLIKE (prouvé robuste aux proxys de volatilité bruités selon Patton [31]).
Score Probabiliste : Score de Probabilité Classé Continu (CRPS) pour les distributions prédictives gaussiennes.
Tests d'Hypothèse : Tests de Diebold–Mariano pour la précision par paire et un ensemble de modèles de confiance (MCS) par bootstrap stationnaire pour la comparaison conjointe de modèles.
Données : Un panel synthétique réaliste de 20 actifs générés à partir d'un modèle de volatilité stochastique de Heston avec sauts, permettant le calcul direct de la quarticity réalisée et de la variation de puissance à partir des trajectoires intraday.

Résultats Clés

1. Hiérarchie de Performance

TSFM vs GARCH/EWMA : Le substitut TSFM surpasse statistiquement de manière significative GARCH(1,1) et EWMA sur toutes les fonctions de perte (RMSE, QLIKE) et procédures de test (Diebold–Mariano, MCS).
TSFM vs Famille HAR : Le substitut TSFM est significativement surpassé par toute la famille HAR (HAR-RV, HARQ, HAR-CJ) dans les tests Diebold–Mariano par paire. HARQ et HAR-CJ atteignent les taux d'erreur les plus bas, confirmant la valeur de la robustesse aux sauts et aux erreurs de mesure dans le processus générateur de données synthétiques.
Ensemble de Modèles de Confiance (MCS) : Crucialement, bien que les tests par paire montrent que le TSFM est moins performant que les variantes HAR, l'ensemble de Modèles de Confiance conjoint (confiance à 90 %) inclut le substitut TSFM aux côtés de toute la famille HAR. Cela indique que, lorsque l'on tient compte des comparaisons multiples, le TSFM est statistiquement indiscernable des meilleurs modèles économétriques.

2. Longueur de Contexte et Architecture

Ablation de Contexte : La précision zero-shot s'améliore de manière monotone à mesure que la fenêtre de contexte du transformer augmente (de $L=16$ à $L=64$ ). La variante $L=64$ surpasse la référence $L=32$ , suggérant que le modèle n'a pas encore saturé les bénéfices des horizons de regard plus longs, reflétant la dépendance de HAR vis-à-vis des retards multi-mensuels.
Calibration : La distribution prédictive du substitut TSFM (via CRPS) est compétitive et légèrement mieux calibrée que le HAR-RV classique, soulignant la force de sa quantification de l'incertitude apprise.

3. Efficacité Computationnelle

Bien que la passe avant d'un échantillon unique du substitut TSFM soit actuellement plus lente en temps réel que le ré-ajustement OLS de HAR pour les tailles d'échantillons utilisées ( $n \approx 1\,250$ ), l'article soutient que l'avantage pratique réside dans l'amortissement : un seul réseau gelé sert tous les actifs sans ré-estimation par actif, éliminant la complexité opérationnelle du maintien de pipelines économétriques distincts.

Signification et Revendications

L'article prétend fournir une comparaison nuancée et mathématiquement fondée plutôt qu'un simple verdict de type "gagnant-prend-tout". Ses principales contributions sont :

Affinement du Débat de Paradigme : Les résultats suggèrent que les structures autorégressives à mémoire longue (famille HAR) restent extrêmement difficiles à battre sur des données stationnaires à régime unique. La plus grande force du TSFM n'est pas de "battre" HAR de front, mais d'atteindre une indiscernabilité statistique des meilleurs modèles tout en offrant l'avantage architectural de l'absence de ré-estimation par actif.
Justification Théorique de l'Échelle : À travers le Théorème 3 (borne PAC-Bayes), l'article formalise que l'actuel désavantage du TSFM par rapport à HAR est partiellement dû au petit panel de préentraînement ( $N=15$ ). La pénalité de complexité dans la borne évolue en $1/\sqrt{n}$ , impliquant qu'un véritable gain provenant des modèles de fondation nécessite probablement un préentraînement sur des ordres de grandeur de données plus hétérogènes pour rendre le terme de complexité négligeable.
Rigueur Méthodologique : L'article établit un protocole reproductible pour évaluer les modèles de fondation dans des environnements hors ligne, prouvant qu'un substitut entraîné sur mesure peut tester valablement le paradigme (attention par patch, transfert zero-shot) sans avoir besoin de points de contrôle propriétaires.
Sensibilité aux Fonctions de Perte : L'étude démontre que le classement des modèles et l'appartenance à l'Ensemble de Modèles de Confiance ne sont pas invariants par rapport à la perte. Le TSFM est exclu de l'MCS sous la perte d'erreur quadratique (en raison de la sensibilité aux pics de volatilité), mais inclus sous QLIKE, renforçant la nécessité de fonctions de perte robustes comme QLIKE dans la prévision de la volatilité.

En conclusion, l'article pose que si les modèles de fondation montrent des promesses et une expressivité architecturale (prouvée via la Proposition 5 qui montre l'imbrication des structures HAR), leur supériorité pratique sur l'économétrie classique dans la prévision de la volatilité est tributaire de l'échelle (larges panels de préentraînement hétérogènes) et des conditions de déploiement (changements de régime, hétérogénéité inter-actifs) qui n'étaient pas pleinement présentes dans cette étude synthétique à régime unique.