Le théorème central limite en finance
Comprenez ce que dit le théorème central limite sur les sommes centrées et réduites, quelles hypothèses les rendements financiers peuvent violer, pourquoi la convergence n'est pas exacte et quand la mise à l'échelle par la racine du temps échoue
Réponse directe
Le théorème central limite dit que la somme correctement centrée et réduite d'un grand nombre de contributions aléatoires suffisamment bien comportées se rapproche d'une loi normale. Il s'agit d'un énoncé asymptotique soumis à des conditions, et non de la preuve que les rendements quotidiens sont normaux ou que les pertes extrêmes sur un horizon fini suivent une cloche
Le théorème porte sur les sommes, pas sur les observations brutes
Soient X_1,…,X_n des variables indépendantes et identiquement distribuées, de moyenne finie μ et de variance finie strictement positive σ²
L'énoncé classique est (Σ_iX_i−nμ)/(σ√n) qui converge en loi vers N(0,1) lorsque n tend vers l'infini
Les X_i individuels peuvent être asymétriques ou discrets ; la conclusion concerne l'agrégat standardisé et non la forme de chaque donnée d'entrée
Le centrage et la réduction sont essentiels
La somme croît autour de nμ, tandis que son écart-type croît comme σ√n sous l'hypothèse d'indépendance
Pour la moyenne d'échantillon, √n(Ȳ_n−μ)/σ a la même limite standardisée et l'erreur standard diminue au rythme de 1/√n
Supprimer le centrage, utiliser la mauvaise variance ou ignorer la covariance modifie l'objet étudié et peut invalider la comparaison avec une loi normale
La convergence ne signifie pas normalité exacte
La convergence en loi décrit des seuils standardisés fixes à la limite ; elle n'établit pas une égalité pour un n donné
La vitesse dépend de l'asymétrie, de l'épaisseur des queues, des effets de réseau et de conditions de moments plus fortes, et peut être lente dans la queue extrême
Une approximation normale peut sembler correcte près du centre tout en sous-estimant sensiblement la probabilité d'une forte perte sur un échantillon fini
Les rendements financiers mettent les hypothèses à l'épreuve
Les rendements présentent un regroupement de volatilité, une dépendance sérielle, des sauts, des ruptures structurelles, une exposition variable et des distributions qui changent dans le temps
Il existe des versions du TCL pour la faible dépendance et les martingales, mais chacune remplace l'indépendance par des conditions précises de régularité
Si la variance est infinie, la limite normale classique en √n peut échouer entièrement et une limite stable non gaussienne peut apparaître avec une autre mise à l'échelle
La racine du temps est une conséquence du modèle
Pour des incréments stationnaires non corrélés à variance constante, Var(Σ_iX_i)=nσ², ce qui produit une volatilité proportionnelle à √n
Les autocovariances ajoutent 2Σ_{h=1}^{n−1}(n−h)γ_h : la persistance ou le retour à la moyenne modifient donc la variance à l'horizon
La composition des rendements, la volatilité stochastique, les sauts, les données qui se chevauchent et les effets de calendrier empêchent aussi une conversion mécanique du quotidien à l'annuel
L'inférence nécessite une variance de long terme estimable
Remplacer σ par une estimation d'échantillon ne donne des erreurs standard asymptotiques que lorsque l'estimateur et les hypothèses de dépendance sont valides
Les méthodes cohérentes avec l'hétéroscédasticité et l'autocorrélation estiment la variance de long terme au lieu de faire comme si les observations étaient indépendantes
Les petits échantillons, les queues épaisses, le data snooping et des moyennes instables peuvent rendre un intervalle de confiance d'apparence précise mal calibré
La validation doit tester l'objectif de l'approximation
Examinez la dépendance, les régimes de volatilité, les graphiques de queues, la stabilité des sous-échantillons et l'évolution des rendements agrégés standardisés selon l'horizon
Comparez séparément la couverture empirique des intervalles centraux et des seuils extrêmes : un succès près de la médiane ne valide pas le capital de risque
Utilisez un bootstrap, des méthodes robustes, une loi stable ou des alternatives explicites de séries temporelles lorsque leurs hypothèses correspondent mieux à la décision et aux diagnostics observés
Questions fréquentes
Que dit le théorème central limite ?
Sous des conditions appropriées, une somme centrée et divisée par son écart-type se rapproche d'une loi normale standard
Le TCL prouve-t-il que les rendements des actions sont normaux ?
Non. Il décrit un agrégat asymptotique sous certaines conditions et n'affirme ni que les rendements sur une période ni que les queues à horizon fini sont normaux
Pourquoi la volatilité évolue-t-elle comme la racine du temps ?
Cela découle d'incréments stationnaires non corrélés de variance finie constante, et non du TCL seul
Que se passe-t-il si la variance des rendements est infinie ?
Le TCL normal classique peut échouer et les sommes normalisées peuvent converger vers une loi stable non gaussienne avec une autre mise à l'échelle