Résumé Technique : Récupération Analogue Sensible à la Période pour la Prévision Probabiliste des Risques Financiers

1. Énoncé du Problème

Le défi central abordé est la prévision précise de la distribution complète des rendements financiers, en particulier le risque de queue requis pour la Value-at-Risk (VaR) et l'Expected Shortfall (ES) sous des cadres tels que Bâle III. Les méthodes existantes souffrent d'un angle mort fondamental : elles construisent généralement des prévisions en ajustant des modèles à des données historiques agrégées globalement, sans vérifier si les observations passées sont structurellement comparables à l'environnement de marché actuel.

Trois limitations primaires dans la littérature actuelle sont identifiées :

1. Méthodes Paramétriques : Les modèles tels que GARCH, CAViaR et la régression quantile imposent des hypothèses de forme fonctionnelle qui s'effondrent souvent dans les queues de distribution ou ne parviennent pas à capturer les changements de régime (Engle et Manganelli 2004 ; Ghysels et al. 1996).
2. Méthodes Analogues Naïves : La récupération d'analogues traditionnelle utilise la distance euclidienne dans l'espace des caractéristiques brutes, ce qui conduit à un « mélange de régimes » (par exemple, traiter un jour de crise de 2009 comme similaire à un jour de faible volatilité de 2017) et à une « cécité calendaire » (ignorer l'hétérogénéité saisonnière), entraînant des estimations de queue mal calibrées (Aït-Sahalia et Lo 1998 ; Brock et al. 1992).
3. Limitations de l'Apprentissage Profond : Bien que les architectures comme les LSTM et les Transformers apprennent des représentations puissantes, elles sont optimisées pour l'erreur de prédiction ponctuelle plutôt que pour la préservation de la forme de la distribution conditionnelle ou de la similitude structurelle entre les épisodes de marché (Hochreiter et Schmidhuber 1997 ; Vaswani et al. 2017).

L'article postule que la prévision distributionnelle devrait être reformulée comme un problème de récupération : identifier les jours de marché passés qui ressemblent à l'état actuel en termes de régime macroéconomique, de période de l'année et de structure de caractéristiques, et utiliser leurs résultats réalisés pour construire la distribution de prévision.

2. Méthodologie : Récupération Analogue Sensible à la Période (PAAR)

Le cadre proposé, PAAR, traite la prévision distributionnelle comme un problème de recherche contraint par trois filtres pour garantir que les analogues récupérés proviennent d'environnements véritablement comparables.

2.1 Vue d'ensemble de l'architecture

Le pipeline se compose de quatre étapes : construction des caractéristiques, identification du régime, entraînement de l'encodeur et estimation de la distribution basée sur la récupération.

2.2 Construction des Caractéristiques

Un vecteur de caractéristiques de marché $x_t \in \mathbb{R}^{25}$ est construit à partir d'indicateurs couvrant la tendance, le retournement, la volatilité, la liquidité, le momentum, les signaux macroéconomiques et la largeur du marché. Les caractéristiques sont normalisées à l'aide d'un score z glissant sur les 252 jours précédents pour éliminer les tendances séculaires. Les métadonnées calendaires (jour de l'année, mois, etc.) sont ajoutées comme entrées auxiliaires mais sont exclues de la métrique de similitude, servant plutôt de contraintes de récupération.

2.3 Identification du Régime (Filtre 1)

Pour éviter le mélange de régimes, l'archive est partitionnée à l'aide d'un modèle de Markov caché (HMM) gaussien à quatre états. Le HMM est ajusté sur un vecteur macroéconomique à cinq dimensions (volatilité réalisée sur 10 jours, pente de la courbe des taux, variation du rendement des obligations à 10 ans, variation du FX et momentum sur 60 jours) afin de capturer le contexte macroéconomique plutôt que les modèles de prix de surface.

• Contrainte : Seules les observations de l'archive assignées au même régime inféré que la date de requête sont éligibles.
• Adaptation : Si le régime actuel est faiblement représenté, la recherche s'étend aux régimes adjacents classés par probabilité de transition du HMM.

2.4 Entraînement de l'Encodeur

Pour remédier à l'inadéquation de la métrique (où la distance euclidienne échoue à capturer la similitude structurelle), un encodeur MLP compact à trois couches projette $x_t$ vers un plongement (embedding) de 32 dimensions $e_t$. L'encodeur est entraîné avec une perte composite :

• Perte d'Alignement des Résultats (Outcome Alignment Loss) : Regroupe les jours ayant des quintiles de rendement réalisé similaires et écarte ceux ayant des quintiles différents au sein d'un même régime.
• Perte de Séparation de Régime (Regime Separation Loss) : Garantit que les plongements provenant de différents régimes restent séparés par une marge d'au moins 2,0.

2.5 Cascade de Récupération à Trois Filtres

Étant donné une date de requête $t$, le processus de récupération applique trois filtres successifs :

1. Porte de Régime (Regime Gate) : Restreint les candidats au même régime HMM.
2. Fenêtre Sensible à la Période (Period-Aware Window) : Au sein du pool filtré par régime, ne conserve que les observations où $|\ell_s - \ell_t| \le \delta$ (par défaut $\delta=30$ jours), garantissant une comparabilité saisonnière (par exemple, faire correspondre fin octobre à fin octobre).
3. Similitude Multi-facettes : Les candidats restants sont classés par un score pondéré $\phi(x_t, x_s)$ combinant :
   • La forme du profil de prix (tendance/retournement).
   • L'alignement macroéconomique.
   • Le profil de volatilité.
   • La distance de l'embedding appris ($\phi_{embed}$).
   • Note : Le nombre de voisins $k$ se contracte dans les régimes de haute volatilité pour préserver la netteté de la distribution.

2.6 Estimation de la Distribution

La distribution de prévision $\hat{F}_{t+h}(y)$ est construite comme une fonction de répartition empirique (CDF) pondérée des rendements futurs réalisés des $k$ meilleurs analogues.

• Lissage : Une estimation par noyau gaussien (KDE) est appliquée.
• Solution de Repli (Fallback) : Dans les régimes de stress avec de petits pools d'analogues, la distribution revient à un ajustement de Student-t via le maximum de vraisemblance pour accommoder les queues lourdes.
• Calibration : Un recalibrateur de quantile glissant (régression isotonique) corrige les erreurs de couverture systématiques sur une fenêtre de 252 jours, ciblant spécifiquement les quantiles de queue.

3. Contributions Clés

L'article apporte trois contributions spécifiques :

1. Un Cadre Sensible au Régime et à la Période : Un système de récupération structuré qui traite conjointement le mélange de régimes, la confusion saisonnière et l'inadéquation de la métrique, déplaçant le lieu de l'erreur du modèle de la forme paramétrique vers la qualité de l'ensemble de voisins récupérés.
2. Une Métrique de Similitude Apprise : Un espace d'embedding entraîné spécifiquement pour aligner la géométrie avec les résultats distributionnels (quintiles de rendement) plutôt qu'avec l'erreur de prédiction ponctuelle.
3. Un Protocole d'Évaluation : Une évaluation complète utilisant des règles de score appropriées (WQL, CRPS), la calibration du risque de queue (VaR/ES) et la performance économique (ratio de Sharpe) à travers plusieurs cycles de marché.

4. Résultats Expérimentaux

Le cadre a été évalué sur des données quotidiennes du S&P 500 de janvier 1995 à mars 2026 (6 430 jours de test), avec un backtest en marche avant contre dix bases de référence (classiques, ML, apprentissage profond et modèles de fondation).

4.1 Précision Distributionnelle

• PAAR-RAF (incorporant un embedding de modèle de fondation comme facette de similitude) et PAAR-KDE ont obtenu les meilleurs scores en Weighted Quantile Loss (WQL) et Continuous Ranked Probability Score (CRPS).
• Les deux variantes PAAR sont les seules à avoir obtenu une erreur absolue moyenne scalée (MASE) inférieure à 1,0, indiquant une amélioration constante par rapport à un benchmark naïf.
• Des tests de signification statistique (Diebold-Mariano) ont confirmé que PAAR-RAF surpasse significativement toutes les bases de référence, y compris les modèles ARMA/ARIMA classiques.

4.2 Calibration de la Queue et Gestion des Risques

• Couverture VaR : PAAR-KDE est resté proche du taux d'excédence cible de la VaR de 10 % et n'a pas été rejeté par le test de Kupiec, alors que de nombreuses bases de référence ML et d'apprentissage profond ont présenté une sous-couverture sévère (par exemple, Random Forest à 24 %, Chronos à 25,1 %).
• Performance Économique : Les variantes PAAR ont obtenu des ratios de Sharpe supérieurs aux bases de référence d'apprentissage profond. PAAR-KDE a accumulé le rendement terminal le plus élevé sur la fenêtre de 26 ans et a maintenu des trajectoires positives à travers les crises de 2008 et 2020.
• Modèles de Fondation : Le déploiement zero-shot du modèle de fondation Chronos a entraîné une mauvaise calibration de la queue ; cependant, l'utilisation de ses embeddings comme facette de récupération (PAAR-RAF) a donné la meilleure performance globale, suggérant que les modèles de fondation sont précieux comme apprenants de représentation mais pas comme prédicteurs probabilistes directs dans ce contexte.

4.3 Étude d'Ablation

Le retrait de n'importe quel composant unique de la cascade de trois filtres a dégradé la performance :

• Absence de Similitude Multi-facettes : Dégradation majeure de la WQL/CRPS, confirmant que la qualité de la représentation est le principal moteur de la précision.
• Absence de Porte de Régime : Réduction du ratio de Sharpe, indiquant que la récupération non contrainte introduit du bruit provenant d'états structurellement incompatibles.
• Absence de Filtre de Période : Amélioration légère de la WQL mais réduction significative du Sharpe, montrant que l'alignement saisonnier est critique pour le comportement de la queue et les rendements ajustés au risque, même si les métriques agrégées ne le détectent pas.

5. Signification et Revendications

L'article affirme que recadrer la prévision financière de l'approximation de fonction vers la récupération de distribution conditionnelle offre deux avantages pratiques :

1. Évitement de la Spécification Erronée : En construisant les prévisions directement à partir des résultats réalisés sous des conditions comparables, la méthode évite d'imposer des familles paramétriques aux distributions de rendement et évite le besoin de modèles globaux pour extrapoler à travers des régimes hétérogènes.
2. Utilité Réglementaire et Actionnable : L'approche produit des prévisions interprétables (appuyées par des analogues historiques nommés) et maintient une couverture de queue proche des cibles nominales à travers plusieurs crises. Cela répond directement aux exigences réglementaires de suffisance de capital (Bâle III) où la calibration précise de la queue est primordiale.

Les auteurs notent des limites, notamment la restriction à un seul indice boursier (S&P 500), la circularité potentielle de l'estimation du régime HMM, et l'hypothèse selon laquelle l'archive historique contient suffisamment d'analogues pour chaque combinaison régime-calendrier. Ils suggèrent que les travaux futurs pourraient étendre l'archive de récupération à plusieurs classes d'actifs et explorer la mise à jour de la récupération en ligne.