Filtered Extreme-Value Theory Meets Asymmetric GARCH: Out-of-Sample Volatility Forecasting and 99% Value-at-Risk Backtesting for U.S. Equity Indices, 2004–2018

Dans le monde de la haute finance, les gestionnaires de risques agissent comme les gardiens du capital, tentant constamment de répondre à une seule et difficile question : combien d'argent un portefeuille pourrait-il perdre en une seule journée si le marché se retournait contre lui ? Pour y répondre, ils s'appuient sur des modèles mathématiques qui tentent de prédire le comportement futur des prix des actions. Ces modèles doivent rendre compte de deux réalités distinctes du marché. Premièrement, les marchés ne progressent pas par étapes régulières et prévisibles ; au contraire, les périodes de calme sont souvent suivies de périodes de forte turbulence, un phénomène connu sous le nom de regroupement de la volatilité (volatility clustering). Deuxièmement, lorsque les marchés s'effondrent, ils ne suivent que rarement les courbes lisses et en forme de cloche que les statistiques simples supposent. Au lieu de cela, ils présentent des « queues épaisses » (fat tails), ce qui signifie que les événements extrêmes se produisent bien plus souvent que ce que la mathématique standard prédit. Trouver le juste équilibre entre le suivi de ces vagues de volatilité changeantes et la mesure précise du danger des chutes catastrophiques et rares est le défi central de la gestion moderne du risque de marché.

Une étude récente d'Arin Yadav, chercheur à l'Institut indien de technologie de Madras, s'attaque à ce défi en testant l'efficacité de différents outils mathématiques pour prédire le risque des principaux indices boursiers américains, spécifiquement le S&P 500 et le NASDAQ Composite. La recherche couvre un ensemble de données massif de rendements boursiers quotidiens s'étendant sur près de deux décennies, de 1999 à 2018, avec un accent particulier sur les années suivant 2004 afin de garantir que les résultats soient testés sur des données que les modèles n'avaient jamais vues auparavant. L'objectif était de déterminer si l'ajout de caractéristiques complexes à ces modèles — spécifiquement, la capacité de réagir différemment aux mauvaises nouvelles par rapport aux bonnes nouvelles, et l'utilisation de techniques spécialisées pour modéliser les krachs boursiers extrêmes — permettait réellement d'obtenir de meilleures prédictions que les méthodes standards actuellement en usage.

Les chercheurs ont comparé plusieurs approches concurrentes. Ils ont commencé par un modèle de base qui traite tous les mouvements de marché de la même manière, qu'ils soient à la hausse ou à la baisse. Ils ont ensuite testé des versions plus sophistiquées qui reconnaissent que les mauvaises nouvelles secouent souvent le marché plus violemment que les bonnes, un concept connu sous le nom d'effet de levier (leverage effect). Enfin, ils ont testé une approche hybride qui utilise un modèle standard pour suivre la volatilité quotidienne, mais bascule vers une technique spécialisée de « valeur extrême » lorsqu'il s'agit d'observer les jours les plus critiques. Cette méthode hybride est conçue pour mieux capturer la forme de l'extrémité de la distribution, là où se cachent les pertes les plus dangereuses. L'étude comprenait également un groupe de contrôle utilisant des méthodes anciennes et bien connues, telles que la simulation historique, qui se contente d'observer ce qui s'est passé au cours des 500 derniers jours, et un modèle standard qui suppose que les rendements du marché suivent une loi normale en forme de cloche.

Les résultats de la prévision de la volatilité ont montré que les modèles plus complexes offraient un léger avantage. Les modèles qui tenaient compte du fait que les chocs négatifs augmentent la volatilité plus que les chocs positifs étaient plus performants pour prédire l'ampleur des variations quotidiennes. Plus précisément, l'un de ces modèles asymétriques a réduit l'erreur de ses prévisions de variance d'environ 2,2 % pour le S&P 500 par rapport à la ligne de base standard. Bien que ce pourcentage puisse sembler faible, dans le monde de la modélisation financière, il représente une amélioration constante et statistiquement significative à travers des milliers de prédictions quotidiennes. Cependant, l'étude a révélé que si ces modèles étaient meilleurs pour prédire l'ampleur générale des mouvements de marché, la véritable percée est survenue lorsqu'il a fallu prédire les événements rares et catastrophiques.

Lorsque les chercheurs ont testé l'efficacité de chaque modèle pour prédire la Value-at-Risk à 99 % — un seuil censé être franchi une seule fois tous les cent jours — les différences sont devenues frappantes. Les méthodes standard, y compris l'approche largement utilisée RiskMetrics et la simple simulation historique, ont échoué de manière répétée. Elles ont prédit trop de dépassements, ce qui signifie qu'elles ont sous-estimé le risque et ont permis aux modèles d'être dépassés bien plus souvent qu'ils ne l'auraient dû. En revanche, le modèle hybride, qui combine un filtre de volatilité avec la technique spécialisée de valeur extrême pour la queue de distribution, a obtenu des résultats remarquables. Sur le S&P 500, il a enregistré 34 dépassements contre 35,3 attendus, un résultat statistiquement indiscernable d'une prédiction parfaite. Sur le NASDAQ, il a enregistré 44 dépassements, un léger excès qui reste néanmoins dans la plage de performance acceptable. Les autres modèles ont été rejetés par des tests statistiques, indiquant qu'ils étaient fondamentalement mal calibrés pour la tâche de mesure du risque extrême.

Pour comprendre exactement pourquoi le modèle hybride a si bien fonctionné, les chercheurs ont réalisé une expérience spécifique afin d'isoler la cause de l'amélioration. Ils ont pris le meilleur modèle de volatilité et ont remplacé sa méthode d'estimation de la queue extrême par une hypothèse de distribution normale standard. Ce changement a provoqué un bond du nombre de dépassements, passant de 34 à 70. Cette conclusion suggère que le principal moteur du succès n'était pas la manière dont le modèle suivait la volatilité quotidienne, mais plutôt la technique spécialisée utilisée pour modéliser la queue extrême. En d'autres termes, bien saisir le rythme quotidien était utile, mais bien saisir la forme de la zone de danger extrême était essentiel.

L'étude a également examiné le comportement de ces modèles durant la période de stress la plus sévère de l'ensemble de données : la crise financière de septembre 2008 à juin 2009. Durant ces 209 jours de turbulences extrêmes sur les marchés, la méthode de simulation historique standard a échoué de manière spectaculaire, dépassant ses limites de risque 16 fois. Le modèle hybride, cependant, est resté robuste, n'enregistrant que 2 à 3 dépassements sur les deux indices. De plus, lorsqu'il prédisait une perte, son estimation du montant d'argent qui serait perdu lors de ces jours spécifiques se situait à moins de 3 % de la perte réelle réalisée. Ce niveau de précision lors d'une crise est crucial, car cela signifie que le modèle peut dire de manière fiable aux gestionnaires de risques le capital qu'ils doivent détenir pour survivre à un effondrement du marché.

Les chercheurs concluent que, bien que les modèles asymétriques offrent des améliorations modestes pour le suivi de la volatilité générale du marché, le gain de sécurité le plus significatif provient de la modélisation explicite de la queue de la distribution. Un modèle qui suppose que les krach boursiers suivent un schéma normal est insuffisant pour le niveau de confiance de 99 % requis par les réglementations bancaires modernes. L'étude suggère que les deux composantes de la gestion des risques — le suivi de la volatilité quotidienne et la modélisation des événements extrêmes — traitent des modes de défaillance différents. L'une aide pour le timing, tandis que l'autre garantit que le niveau de risque est correctement estimé. Bien que l'étude soit limitée à deux indices américains hautement corrélés et à un seul niveau de confiance, les preuves indiquent fortement que, pour les risques les plus dangereux, la manière dont un modèle gère la queue extrême importe plus que la méthode spécifique utilisée pour filtrer la volatilité quotidienne.