📈 économie

Hidden Markov Modelling of Earthquake-Related Market Regimes and State-Dependent Forecasts: Evidence from the Turkish Stock Market

Cette étude utilise un modèle de Markov caché gaussien à trois états sur les données du Borsa Istanbul 100 pour démontrer que, bien que les séismes majeurs ne déclenchent pas systématiquement de changements entre les régimes de marché, les prévisions dépendantes de l'état qui en résultent révèlent des différences significatives en matière de risque de baisse à court horizon.

Auteurs originaux : Gamze Özel

Publié 2026-11-04

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Gamze Özel

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

Les marchés financiers sont rarement les machines stables et prévisibles qu'ils semblent être sur un graphique quotidien. Au lieu de cela, ils oscillent souvent entre des humeurs ou « régimes » distincts qui modifient la façon dont les prix se comportent. Parfois, le marché est calme et évolue dans une fourchette étroite et prévisible ; d'autres fois, il est saisi par l'incertitude, oscillant avec une volatilité modérée ; et occasionnellement, il entre dans un état de crise où les prix chutent et où le chaos règne. Ces changements ne sont pas toujours évidents à l'œil nu, mais ils altèrent fondamentalement le risque auquel un investisseur est confronté. Comprendre quand un marché se trouve dans l'un de ces états, et combien de temps il pourrait y rester, est crucial pour quiconque tente de naviguer dans l'économie. Une nouvelle étude provenant de Turquie explore si un type spécifique et terrifiant de choc externe — les tremblements de terre majeurs — force le marché boursier à entrer dans ces états de crise, ou si les rythmes internes du marché sont plus complexes qu'un simple désastre peut dicter.

Les chercheurs se sont concentrés sur le Borsa Istanbul 100, l'indice principal du marché boursier turc, qui sert de baromètre pour la santé économique du pays. La Turquie est située sur certaines des lignes de faille les plus actives au monde, ce qui en fait un laboratoire parfait pour cette question. L'équipe a rassemblé plus de quatre mille jours de données de trading, s'étendant du début de 2009 au début de 2026, et a recherché des modèles dans la façon dont le marché se déplaçait. Ils n'ont pas simplement regardé si le marché montait ou descendait le jour d'un séisme. Au lieu de cela, ils ont utilisé un outil statistique appelé modèle de Markov caché. Considérez cet outil comme un moyen d'écouter le battement de cœur sous-jacent du marché, tentant de détecter si le marché est actuellement dans un mode « normal », « incertain » ou de « crise », même lorsque ces modes ne sont pas explicitement étiquetés sur un bandeau d'information. En analysant les rendements quotidiens, le modèle a identifié trois états distincts : un état normal avec une faible volatilité, un état d'incertitude avec des fluctuations modérées, et un état de crise caractérisé par une haute volatilité et des rendements négatifs.

Une fois que le modèle a cartographié ces trois états sur la période de seize ans, les chercheurs ont superposé l'historique des tremblements de terre majeurs. Ils ont filtré les données pour n'inclure que les événements sismiques significatifs, spécifiquement ceux ayant une magnitude de 5,5 ou plus, et les ont alignés avec les jours de trading où le marché était ouvert. L'objectif était de voir si ces jours de tremblement de terre étaient disproportionnellement susceptibles de tomber dans la catégorie « crise ». Les résultats ont été surprenants. Malgré l'attente intuitive qu'un tremblement de terre majeur plongerait immédiatement le marché dans un état de panique, les données n'ont montré aucun lien systématique de ce type. Les jours de tremblement de terre étaient répartis dans les trois états dans presque la même proportion que n'importe quel jour aléatoire de l'histoire du marché. Environ 9 % des jours de tremblement de terre sont tombés dans le régime de crise, tandis que le reste était partagé entre l'incertitude et les conditions normales. Cette distribution était statistiquement indiscernable du comportement global du marché.

L'étude a également examiné si la taille du tremblement de terre importait. Ils ont séparé les événements en ceux ayant une magnitude comprise entre 5,5 et 6,49 et ceux qui étaient encore plus importants, à 6,5 ou plus. L'hypothèse était que les séismes les plus massifs pourraient être ceux capables de déclencher un passage immédiat à un état de crise. Cependant, l'analyse n'a trouvé aucune preuve de cela non plus. Que le tremblement de terre soit un fort 5,5 ou un dévastateur 6,5, il n'a pas prédit de changement immédiat de régime sous-jacent du marché. Le marché n'est pas passé systématiquement d'un état calme à un état de crise simplement parce qu'une secousse importante s'est produite. Cela suggère que, bien qu'un séisme spécifique puisse causer des dommages importants à certaines entreprises ou secteurs, l'indice de marché global ne bascule pas automatiquement en mode « crise » sur la base de la magnitude du séisme seule. La réaction du marché semble dépendre d'autres facteurs, tels que l'emplacement du séisme, le moment par rapport aux heures de trading, ou les conditions économiques plus larges à ce moment-là, dont aucun n'a été capturé par la magnitude du séisme seule.

Bien que les tremblements de terre ne semblent pas avoir forcé le marché dans un état de crise, l'étude a découvert que connaître l'état actuel du marché est incroyablement puissant pour prédire ce qui va suivre. Les chercheurs ont utilisé leur modèle pour simuler comment le marché pourrait se comporter au cours du mois suivant, selon son point de départ. Si le marché commence dans un état de crise, les simulations montrent une haute probabilité qu'il reste dans cet état pendant le jour ou les deux jours suivants, mais il est peu probable qu'il revienne à la normale immédiatement. Au lieu de cela, il a tendance à dériver d'abord vers l'état d'« incertitude », agissant comme un terrain intermédiaire avant de finalement revenir au calme. Inversement, si le marché commence dans un état normal, il est très probable qu'il y reste un certain temps, bien que le risque de visiter éventuellement un état de crise augmente sur une période de trente jours. Ces simulations ont révélé que le point de départ importe énormément. Un marché commençant en crise présente une gamme de résultats possibles beaucoup plus large et une probabilité nettement plus élevée de terminer le mois avec une perte par rapport à un marché commençant dans un état normal.

Les conclusions offrent une vue nuancée de la manière dont les catastrophes naturelles interagissent avec les systèmes financiers. Elles suggèrent que le marché n'est pas un verre fragile qui se brise instantanément au premier signe de secousse. Au lieu de cela, il possède une structure interne complexe qui résiste aux explications simples de cause à effet. Un tremblement de terre majeur ne garantit pas un krach boursier, ni ne garantit un passage à un régime de crise. La réaction du marché est filtrée par sa condition actuelle et d'autres variables invisibles. Cependant, une fois que le marché est dans un état de crise, il a tendance à y rester un certain temps, passant par une période d'incertitude avant de se rétablir. Pour les investisseurs et les analystes, la leçon est que surveiller les chocs externes comme les tremblements de terre n'est qu'une partie du tableau. Comprendre l'état caché actuel du marché — qu'il soit calme, incertain ou en crise — fournit une carte bien plus claire des risques à venir, peu importe ce que fait le sol sous le plancher de la salle de marché.

Résumé technique : Modélisation par processus de Markov cachés des régimes de marché liés aux séismes et prévisions dépendantes de l'état

Énoncé du problème
L'article traite du défi consistant à comprendre comment les séismes majeurs influencent la dynamique des marchés financiers, spécifiquement l'indice Borsa Istanbul 100 (BIST 100). Alors que la littérature existante documente abondamment les rendements anormaux à court terme et les changements de volatilité suivant des catastrophes spécifiques via des méthodes d'étude d'événements, ces approches supposent souvent un processus générateur de rendements unique. L'auteur soutient que les rendements financiers présentent une agrégation de la volatilité (volatility clustering), des queues de distribution épaisses et des périodes distinctes de risque élevé ou faible, qui sont mieux représentées par des modèles permettant aux paramètres de varier selon des états non observés. L'étude cherche à déterminer si les séismes majeurs sont systématiquement associés à des changements de régimes de rendement et de volatilité latents, et si les caractéristiques des séismes peuvent prédire des changements immédiats d'états de marché.

Méthodologie
L'étude emploie un modèle de Markov caché (HMM) gaussien à trois états pour analyser les rendements logarithmiques quotidiens de l'indice BIST 100.

Données : L'échantillon empirique comprend 4 334 observations quotidiennes du 5 janvier 2009 au 3 avril 2026. Le catalogue des séismes couvre la période correspondante du 19 juin 2009 au 27 octobre 2025.
Filtrage des événements : À partir d'un échantillon initial de 96 séismes de magnitude $M \ge 5,5$ , 74 événements représentatifs ont été sélectionnés à l'aide d'un filtre de l'événement principal de 48 heures afin d'éviter de surpondérer les grappes de répliques (aftershocks). Les événements sont alignés avec le jour de négociation contemporain ou le jour suivant.
Spécification du modèle : Le HMM suppose que le rendement quotidien $r_t$ suit une distribution gaussienne dépendante de l'état $N(\mu_k, \sigma^2_k)$ , où $k \in \{1, 2, 3\}$ représente le régime de marché non observé. Les régimes sont déduits après estimation sur la base des caractéristiques de la volatilité et du rendement moyen.
Stratégie d'analyse :
1. Estimation des régimes : Le modèle estime les probabilités de transition, les durées de régime attendues, ainsi que les moyennes et variances spécifiques à chaque état.
2. Tests d'association : Un test de conformité du Khi-deux de Pearson compare la distribution des jours de négociation liés aux séismes parmi les trois régimes par rapport à la composition de régime inconditionnelle de l'échantillon complet.
3. Analyse de la magnitude : Les événements sont stratifiés par magnitude ( $5,5 \le M < 6,5$ vs. $M \ge 6,5$ ) pour tester si des séismes plus importants prédisent des changements de régime immédiats (en utilisant le test exact de Fisher).
4. Prévision : Des prévisions conditionnelles à l'état sont générées en utilisant la matrice de transition et des simulations de Monte Carlo (100 000 trajectoires) pour projeter les rendements cumulés à 30 jours et les probabilités de régime, conditionnés par l'état de départ.
Extension proposée : L'article expose un cadre théorique pour un modèle de probabilité de transition variant dans le temps (TVTP) où les covariables du séisme (magnitude, profondeur, distance) pourraient influencer la probabilité de passage entre les états, bien que cette extension ne soit pas estimée dans l'analyse actuelle.

Résultats clés

Caractérisation des régimes : Le modèle à trois états identifie des régimes distincts :
- Crise : 7,27 % des observations, rendement moyen -0,79 %, volatilité 3,45 %, durée attendue 5,3 jours.
- Incertitude : 51,66 % des observations, rendement moyen 0,20 %, volatilité 1,16 %, durée attendue 12,1 jours.
- Normal : 41,07 % des observations, rendement moyen 0,19 %, volatilité 0,50 %, durée attendue 15,7 jours.
- Les régimes « Incertitude » et « Normal » présentent des rendements moyens positifs similaires ; leur distinction principale réside dans la volatilité.
Dynamique de transition : Le régime de crise est persistant (probabilité de 81,1 % de rester dans l'état), mais les sorties de crise se font principalement par le régime d'« Incertitude » plutôt que directement vers le régime « Normal ». Le régime « Normal » est le plus persistant (auto-transition de 93,6 %).
Association avec les séismes :
- Hypothèse H3 (Rejet) : La distribution des jours de négociation liés aux séismes à travers les trois régimes (7 crise, 35 incertitude, 32 normal) ne diffère pas de manière significative de la composition de régime inconditionnelle ( $\chi^2 = 0,845, p = 0,655$ ).
- Hypothèse H4 (Rejet) : Il n'existe aucune association significative entre les groupes de magnitude de séismes et les changements de régime immédiats le jour suivant ( $p = 0,952$ ).
Prévisions dépendantes de l'état : Bien que l'association globale des séismes soit faible, les prévisions conditionnelles à l'état révèlent des différences de risque substantielles.
- En partant d'un état de Crise, le rendement attendu à 30 jours est proche de zéro (0,03 %) avec une probabilité de 46,0 % d'obtenir un rendement cumulé négatif et une probabilité de 89,9 % de visiter à nouveau le régime de crise.
- En partant d'un état Normal, le rendement attendu est de 4,28 % avec seulement 20,5 % de probabilité d'un résultat négatif.
- Les prévisions montrent que le stress du marché se dissipe graduellement à travers le régime d'« Incertitude » plutôt que de revenir brusquement à l'état « Normal ».

Signification et affirmations
L'article affirme contribuer à la littérature de quatre manières spécifiques :

Étendue de l'échantillon : Il utilise un échantillon à long terme (2009–2026) contenant de multiples événements sismiques plutôt que de se concentrer sur un seul événement catastrophique.
Séparation méthodologique : Il sépare l'estimation des régimes de marché latents de l'examen ultérieur des jours de séismes, réduisant ainsi le risque de classification circulaire où les états sont définis uniquement par les dates de catastrophes.
Métriques étendues : Il va au-delà des rendements anormaux moyens pour rapporter les probabilités de transition, la persistance des régimes, les durées attendues et les prévisions conditionnelles au régime.
Extension théorique : Il propose une spécification de changement de régime (Markov-switching) variant dans le temps pour examiner si les caractéristiques des séismes affectent les rendements au sein d'un régime ou modifient la probabilité des transitions de régime.

Interprétation modeste des résultats
L'auteur met explicitement en garde que les résultats globaux n'établissent pas de lien causal systématique entre la magnitude des séismes et les changements de régime immédiats. Il soutient que la magnitude seule est un indicateur insuffisant de l'exposition financière, car des facteurs tels que la profondeur, la localisation, l'exposition économique et les réponses politiques (par exemple, les suspensions de cotation) varient considérablement. L'étude conclut que, bien que les séismes ne prédisent pas systématiquement les changements de régime pour l'indice agrégé à travers cet échantillon, le cadre des états latents reste précieux pour la surveillance des risques. Les prévisions conditionnelles à l'état démontrent que le régime de marché actuel affecte matériellement les distributions de risque de court terme, fournissant un outil probabiliste pour évaluer le stress du marché même en l'absence d'une corrélation directe entre séisme et régime.

Articles similaires