📈 economics

Policy-State Gated Regime Dynamics in European Emission Allowance Futures

Cet article démontre que, bien que les variables de politique et de marché observables expliquent efficacement les probabilités de transition de régime des contrats à terme sur les quotas d'émissions européens, les modèles GARCH à queues épaisses surpassent finalement le cadre de changement de régime proposé en matière de prévision de densité et de calibration du risque en temps réel.

Auteurs originaux : wanyok Attisattapong, Pasin Marupanthorn

Publié 2026-07-01

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : wanyok Attisattapong, Pasin Marupanthorn

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 le marché européen du carbone comme une partie de Monopoly géante et à enjeux élevés, mais au lieu d'acheter des propriétés, les entreprises achètent et vendent des « permis de pollution » (appelés quotas d'émission de l'UE ou EUA). Le prix de ces permis ne monte et ne descend pas de manière aléatoire ; il bascule entre deux « modes » ou régimes distincts :

Le mode « Journée Calme » : Tout est stable, les échanges sont réguliers et les prix évoluent lentement.
Le mode « Journée de Tempête » : La panique s'installe, les prix oscillent violemment et le marché est sous tension.

La plupart des modèles financiers tentent de prédire ces variations de prix en regardant uniquement les prix passés, comme un météorologue qui ne regarderait que le thermomètre pour prédire une tempête.

L'idée principale de ce document
Les auteurs, Wanyok Attisattapong et Pasin Marupanthorn, soutiennent que pour comprendre quand le marché passe de « Calme » à « Tempétueux », il faut regarder les portes qui contrôlent l'ouverture de la porte entre ces deux pièces. Ils ont construit un modèle spécial qui pose la question suivante : « Quels signaux spécifiques ouvrent la porte à la tempête ? »

Ils ont découvert que quatre « gardiens de porte » spécifiques déterminent la probabilité d'une tempête :

Le prix lui-même : Le prix actuel est-il exceptionnellement haut ou bas par rapport à son histoire récente ?
Le rapport sur le « Surplus » (TNAC) : Un rapport officiel du gouvernement qui compte combien de permis de pollution supplémentaires sont stockés dans la banque.
Le stress énergétique : Quelle est la volatilité du prix du gaz naturel ? (Puisque le gaz et le carbone sont liés, si les prix du gaz deviennent fous, les prix du carbone suivent souvent).
Le volume de transactions : Combien de personnes achètent et vendent frénétiquement ?

Comment fonctionne le modèle (L'analogie)
Considérez le modèle comme un feu de signalisation intelligent pour le marché du carbone.

Les anciens modèles : Ils devinaient simplement quand le feu passerait au rouge en fonction de la vitesse à laquelle les voitures roulaient par le passé.
Ce nouveau modèle : Il regarde le panneau de commande du feu de signalisation. Il voit que si le « Rapport de Surplus » indique qu'il y a trop de permis, ou si les « Prix du Gaz » grimpent en flèche, le feu est plus susceptible de passer au rouge (basculer vers le mode de haute tension) demain.

Les chercheurs ont testé cela en injectant des données de 2019 à 2026 dans leur modèle. Ils voulaient voir si le fait de connaître ces quatre variables « gardiennes » les aidait à mieux prédire l'humeur du marché qu'en regardant simplement la volatilité des prix passés.

Ce qu'ils ont trouvé

La « Tempête » est réelle : Ils ont confirmé que le marché du carbone possède bien ces deux humeurs distinctes (Calme vs Tempétueux). Un modèle simple qui suppose que le marché est toujours le même ne fonctionne pas.
Les gardiens de porte comptent : Lorsqu'ils ont ajouté les quatre variables (Surplus, Gaz, Volume, Prix) à leur modèle, celui-ci a mieux réussi à expliquer pourquoi le marché changeait d'humeur. Par exemple, lorsque le chiffre officiel du « Surplus » augmentait, le modèle prédisait correctement une probabilité plus élevée que le marché entre dans un état de stress.
Le piège (Le « Problème du Météorologue ») : Bien que leur modèle soit excellent pour expliquer le passé et comprendre les raisons du stress, il n'était pas nécessairement meilleur pour prédire l'avenir que les modèles mathématiques standards (appelés modèles GARCH) que les traders utilisent déjà.
- Analogie : Leur modèle est comme un mécanicien qui peut vous dire exactement pourquoi le moteur de votre voiture fait un bruit bizarre (par exemple, « La pression du gaz est trop élevée »). Les anciens modèles sont comme un mécanicien qui sait simplement que le moteur fera un bruit en se basant sur la force du bruit hier. Le nouveau modèle offre une meilleure histoire et une meilleure explication, mais il ne prédit pas toujours le moment exact où le bruit se produira mieux que les anciens outils.

L'essentiel
Ce document ne prétend pas posséder une boule de cristal magique qui prédit parfaitement les prix du carbone. Au lieu de cela, il propose une meilleure carte. Il montre que les niveaux de stress du marché ne sont pas aléatoires ; ils sont directement liés à des éléments observables comme les rapports de surplus gouvernementaux, les prix de l'énergie et l'activité de trading.

Pour quiconque cherche à comprendre le marché du carbone, c'est précieux car cela relie les décisions politiques (comme le rapport de surplus) et la panique du marché, transformant un actif financier déroutant en quelque chose avec une histoire plus claire et plus logique.

Résumé Technique : Dynamique de Régime à Porte d'État de Politique dans les Futures sur Droits d'Émission Européens

Problème et Motivation
Les contrats à terme (futures) sur les quotas d'émission de l'Union européenne (EUA) sont des actifs financiers uniques créés par une politique réglementaire plutôt que par une rareté naturelle. La dynamique de leurs rendements est pilotée par une interaction complexe entre les calendriers d'offre réglementaires (spécifiquement la Réserve de Stabilité du Marché ou MSR), la demande de conformité, les incitations au changement de combustible et l'activité de trading financier. Alors que la littérature existante a établi que les rendements des EUA présentent des caractéristiques non gaussiennes, des regroupements de volatilité (volatility clustering) et une dépendance aux régimes, les modèles classiques à changement de régime de Markov latents échouent souvent à lier ces états inobservables aux variables spécifiques de politique et de marché qui définissent l'EU ETS.

Le problème central abordé est de savoir si les probabilités de transition entre les régimes de faible stress et de haut stress peuvent être explicitement modélisées comme une fonction de variables d'état de politique observables (surplus), de stress du marché de l'énergie et de l'activité de trading, plutôt que d'être simplement déduites des rendements passés. Les auteurs soutiennent qu'une approche de « porte d'état de politique » (policy-state gated) est nécessaire pour comprendre la loi de mouvement des rendements des EUA sous des conceptions de marché changeantes, particulièrement suite aux réformes de l'EU ETS de 2023.

Méthodologie
L'article estime un modèle de Markov à deux états et à probabilités de transition variant dans le temps (TVTP) pour les rendements quotidiens des futures EUA. Le modèle est spécifié comme suit :

Dynamique des États : Le rendement $r_{t+1}$ suit une distribution de mélange normale conditionnelle à un état latent $Z_t \in \{0, 1\}$ , où l'état 0 représente un régime de faible stress et l'état 1 représente un régime de haut stress. Les états se distinguent principalement par la volatilité conditionnelle ( $\sigma_0 < \sigma_1$ ).
Porte de l'État de Politique (Policy-State Gating) : Contrairement aux modèles de Markov latents où les probabilités de transition sont constantes, la transition ici dépend d'un vecteur de variables de porte observables $G_t = (\tilde{s}_t, \tilde{\tau}_t, \tilde{g}_t, \tilde{v}_t)'$ $G_{t} = (\tilde{s}_{t}, \tilde{τ}_{t}, \tilde{g}_{t}, \tilde{v}_{t})^{'}$ :
- $\tilde{s}_t$ : Un proxy de l'état de prix impliqué par le marché standardisé (percentile roulant des prix EUA).
- $\tilde{\tau}_t$ : Le TNAC (Total Number of Allowances in Circulation) standardisé, la mesure officielle du surplus utilisée pour les opérations de la MSR.
- $\tilde{g}_t$ : La volatilité annualisée à 21 jours du gaz TTF standardisée (stress du marché de l'énergie).
- $\tilde{v}_t$ : Le volume log standardisé des futures EUA (activité du marché).
Équation de Transition : La probabilité de rester dans un état ou de transiter vers un autre est modélisée via une fonction logistique :
$p_{i0,t} = \Lambda(a_{i0} + b_{i0}^{(s)}\tilde{s}_t + b_{i0}^{(\tau)}\tilde{\tau}_t + b_{i0}^{(g)}\tilde{g}_t + b_{i0}^{(v)}\tilde{v}_t)$
où $\Lambda$ est la fonction logistique. Cette structure permet aux probabilités de transition de varier dynamiquement en fonction des conditions de marché observables.
Estimation et Évaluation : Le modèle est estimé via le maximum de vraisemblance en utilisant le filtre de Hamilton sur un échantillon commun allant du 15 mai 2019 au 28 mai 2026. Les auteurs utilisent une stratégie de comparaison de modèles imbriqués, progressant d'un benchmark Gaussien IID à un modèle de Markov latent, puis enfin à la spécification complète à porte de politique.
Benchmarks : Le modèle proposé est rigoureusement comparé à :
- Des modèles de Markov latents avec des probabilités de transition constantes.
- Des modèles de Markov imbriqués avec des sous-ensembles de variables de porte.
- Des benchmarks de la famille GARCH à queues lourdes (Student-t GARCH, GJR-GARCH, EGARCH) pour tester la performance de prévision de densité.
Validation : L'évaluation inclut la vraisemblance sur échantillon commun (AIC/BIC), le classement de stress un pas en avant (AUC, taux de réussite) et une validation sur données hors échantillon (held-out) en utilisant des divisions train-validation-test fixes pour évaluer la dominance de la prévision en temps réel.

Résultats Clés

Dépendance aux Régimes : Les données rejettent fortement un modèle Gaussien à régime unique. Un modèle de Markov latent à deux régimes améliore significativement l'ajustement (AIC plus faible) par rapport au benchmark IID, confirmant que les rendements des EUA sont dépendants des états et présentent des queues lourdes.
Valeur des Portes Observables : Au sein de la famille de Markov Gaussienne, le modèle complet à porte de politique fournit le meilleur ajustement (AIC le plus bas) par rapport aux modèles latents ou partiellement dotés de portes. L'inclusion du TNAC, de la volatilité du gaz et de l'activité de trading ajoute une information incrémentale à la loi de transition. Cependant, la porte complète ne surpasse pas le modèle latent selon le critère BIC, et les modèles GARCH à queues lourdes (variantes Student-t) restent supérieurs en termes d'AIC et de BIC pour l'ajustement de la densité inconditionnelle.
Interprétation Économique des Coefficients :
- TNAC : Un TNAC plus élevé (surplus) est associé à une probabilité plus élevée de transition d'un état de faible stress vers un état de haut stress, bien que l'effet soit estimé avec des intervalles d'incertitude larges en raison de la faible fréquence des mises à jour du TNAC.
- Volatilité du Gaz : La volatilité du gaz TTF est le moteur le plus puissant, augmentant significativement la probabilité d'entrer et de rester dans le régime de haut stress.
- Activité de Trading : Un volume élevé semble agir principalement comme un mécanisme de persistance pour l'état de haut stress plutôt que comme un simple déclencheur d'entrée.
- État de Prix : Le proxy de prix impliqué par le marché montre des effets asymétriques, augmentant la probabilité d'entrée en stress à des niveaux élevés, mais facilitant la sortie du stress.
Performance de Prévision : Dans les exercices sur échantillon commun, le modèle à porte de politique surpasse modestement les benchmarks GARCH pour le classement des jours de stress absolu dans la queue (AUC ~0,70 contre ~0,67). Cependant, lors de la validation sur données hors échantillon (périodes de crise et post-crise), les modèles GARCH surpassent systématiquement le modèle de Markov en termes de scores de log, scores de Brier et calibration VaR. Le modèle de Markov n'établit pas de dominance de prévision en temps réel.

Signification et Revendications
Le papier cadre explicitement sa contribution comme étant interprétative et associative plutôt que causale ou universellement prédictive.

Valeur Interprétative : La principale contribution est de démontrer que le surplus de politique observable (TNAC), la volatilité de l'énergie et l'activité du marché sont statistiquement associés au moment et à la persistance des régimes de rendement des EUA. Cela fournit une carte transparente reliant les variables institutionnelles de l'EU ETS à la probabilité de stress du marché, ce que les modèles latents ne peuvent offrir.
Revendications de Prévision Bornées : Les auteurs affirment modestement que, bien que le modèle à porte de politique améliore la classification des régimes et l'interprétation économique, il ne remplace pas les modèles de volatilité à queues lourdes pour la prévision de densité ou la gestion des risques en temps réel. Le modèle est présenté comme un outil pour comprendre la loi de mouvement des régimes sous des conditions de politique et de marché spécifiques, plutôt que comme un moteur de prévision autonome supérieur.
Pertinence Politique : Les résultats suggèrent que l'« endgame » de l'EU ETS, caractérisé par un resserrement des plafonds et des interventions de la MSR, crée un environnement de marché où les transitions de régime sont pilotées par des chocs de politique et d'énergie observables, nécessitant des modèles qui intègrent explicitement ces variables d'état.

En résumé, l'article construit avec succès un modèle à changement de régime où les probabilités de transition sont dotées de portes par des variables de l'EU ETS observables, offrant une compréhension économique plus profonde de la dynamique du marché du carbone, tout en reconnaissant que les modèles de volatilité traditionnels restent plus robustes pour la pure prévision de densité.

Articles similaires