Lambda de Kyle : impact sur le prix par unité de flux d’ordres signé

Un ordre au marché consomme la liquidité disponible. Si un courtier observe des achats plus importants que prévu, il peut relever le prix, car le flux peut contenir des informations sur la valeur de l’actif. La lambda de Kyle, généralement notée λ, désigne dans un modèle de microstructure la variation du prix pour une unité de flux net d’ordres. Une λ positive plus élevée signifie que le même flux signé déplace davantage le prix du modèle ; dans ce modèle, le marché est moins profond.

Notons y le flux signé : la quantité initiée par les acheteurs moins celle initiée par les vendeurs. Une règle linéaire simple de fixation du prix est

\[ p(y)=\mu+\lambda y, \]

où μ est la valeur anticipée a priori et λ s’exprime en prix par unité de flux. Si le flux est mesuré en actions, λ correspond à une variation du prix par action négociée. S’il est mesuré en valeur nominale en dollars, λ correspond à une variation du prix par dollar de flux nominal net. L’unité fait partie du paramètre ; ce n’est pas un simple détail de présentation.

Le terme « impact » suppose un horizon temporel. Le prix peut bouger lors de la transaction puis revenir en partie, ou la transaction peut révéler une information qui reste incorporée dans le prix. Une régression du point milieu sur le même intervalle, une réaction des cotations quelques secondes plus tard et une réaction à long terme mesurent des résultats différents. Le cadre de Hasbrouck sur l’information contenue dans les transactions modélise les échanges et les révisions de cotations de manière dynamique. Dans l’échantillon étudié, l’effet informationnel complet d’une transaction peut se manifester avec retard (Hasbrouck, 1991).

Dans le cadre de Kyle, un opérateur informé connaît une partie de la valeur finale de l’actif, des opérateurs de bruit passent des ordres pour des raisons indépendantes de cette information, et un teneur de marché concurrentiel fixe le prix après avoir observé le flux total. L’opérateur informé choisit le volume qu’il négocie en anticipant qu’un ordre plus important déplace le prix contre lui. La réponse du teneur de marché et la stratégie de l’opérateur informé sont déterminées conjointement à l’équilibre (Kyle, 1985).

La formule fermée bien connue est plus facile à comprendre dans le modèle linéaire gaussien à une seule enchère. Supposons que la valeur finale v ait une moyenne a priori μ et un écart-type σᵥ, et que le flux d’ordres de bruit u ait un écart-type σᵤ. L’ordre de l’opérateur informé est x=β(v−μ) et le flux total vaut y=x+u. Un teneur de marché concurrentiel fixe p(y)=E[v|y]=μ+λy. Avec cette règle de prix, le profit espéré de l’opérateur informé est proportionnel à x[(v−μ)−λx] ; sa stratégie linéaire optimale vérifie donc β=1/(2λ). En la combinant avec l’espérance conditionnelle du teneur de marché, on obtient

\[ \beta=\frac{\sigma_u}{\sigma_v}, \qquad \lambda=\frac{\sigma_v}{2\sigma_u}. \]

Cette formule concerne le modèle de référence à une seule enchère. Elle ne s’applique pas universellement à tous les marchés ni à chaque étape d’un équilibre d’enchères continues. Elle illustre le mécanisme du modèle : une incertitude accrue sur la valeur renforce la sélection adverse, tandis qu’un flux de bruit plus important rend les ordres informés plus difficiles à repérer et réduit la réaction du prix par unité de flux. Dans un modèle à plusieurs échanges, la division stratégique des ordres, l’horizon de négociation et le profil du flux de bruit comptent aussi.

Une régression du rendement du point milieu sur le flux signé constitue souvent le point de départ d’une analyse empirique :

\[ r_t = a+\widehat{\lambda}_{\mathrm{OLS}}q_t+\varepsilon_t, \qquad r_t=10{,}000\Delta\log m_t. \]

Ici, mₜ est le point milieu, rₜ son rendement logarithmique en points de base, qₜ le flux signé sur l’intervalle choisi, a la constante et εₜ la partie non expliquée par la droite ajustée. Si qₜ est mesuré en unités de 100 000 dollars de valeur nominale, la pente s’exprime en points de base par 100 000 dollars de flux net. Une estimation positive signifie que, dans cet échantillon et sur cet intervalle, un flux net acheteur plus élevé tend à coïncider avec un rendement du point milieu supérieur.

Cette interprétation reste descriptive, sauf si le protocole de recherche permet une lecture causale ou structurelle. Le flux et le prix sont déterminés conjointement : les opérateurs réagissent aux prix, les teneurs de marché au flux, et les deux peuvent réagir à l’information. À elle seule, la régression OLS ne retrouve ni la stratégie de l’opérateur informé ni la règle de prix d’équilibre du teneur de marché concurrentiel. Distinguez les notations : λ pour le paramètre du modèle et \(\widehat{\lambda}_{\mathrm{OLS}}\) pour le coefficient estimé.

La variable dépendante compte également. Une variation du prix de transaction comprend les alternances mécaniques entre cours acheteur et vendeur ; la variation du point milieu en écarte une partie, mais ne supprime ni les problèmes de synchronisation des cotations, ni les nouvelles, ni les transactions endogènes. Glosten et Harris modélisent les prix de transaction et les variations de cotations pour distinguer les composantes du spread. Brennan et Subrahmanyam étudient les coûts de négociation intrajournaliers et les mesures d’impact sur les prix dans l’évaluation des actifs (Glosten et Harris, 198890034-7) ; Brennan et Subrahmanyam, 199600870-K)). Ces mesures sont liées à la liquidité, mais ne sont pas interchangeables avec une unique pente OLS contemporaine.

Définissez le flux signé avant toute estimation. Pour la transaction i, posons sᵢ=+1 si elle est initiée par l’acheteur et sᵢ=−1 si elle est initiée par le vendeur ; nᵢ désigne un nombre d’actions, de contrats ou une valeur nominale. On a alors

\[ q_t=\sum_{i\in t}s_i n_i. \]

Si le flux de données fournit un champ de côté agressif, précisez sa signification et les cas sans côté défini. Si le signe est estimé, décrivez le classificateur et la règle d’association aux cotations. Le guide Lee–Ready explique pourquoi les transactions observées ne révèlent pas toujours la partie qui a initié l’échange. Le déséquilibre du flux d’ordres est une mesure apparentée mais différente : elle peut inclure les variations des ordres affichés à l’achat et à la vente, pas seulement les exécutions signées.

Indiquez les unités des deux axes. Convertir q d’actions en contrats, en dollars ou en blocs de 100 000 dollars change la pente. L’exprimer en prix en dollars, en points de base ou en pourcentage change également le résultat. Par exemple, si le coefficient est de 0,64 point de base pour 100 000 dollars, sa valeur numérique est multipliée ou divisée par dix lorsque le flux est exprimé en millions de dollars. Un coefficient normalisé peut faciliter les comparaisons entre instruments, mais répond à une autre question : il faut préciser la normalisation.

L’intervalle compte tout autant. Associer un flux sur cinq minutes au rendement de ces mêmes cinq minutes estime une association sur l’intervalle ; cela n’indique pas quelle part du mouvement persiste. Les intervalles courts sont sensibles à l’alignement des horodatages, aux alternances entre cours acheteur et vendeur et à la rareté des transactions. Les intervalles longs regroupent davantage de transactions et de nouvelles, mais masquent la séquence de la réaction du prix. Précisez si les rendements sont contemporains ou futurs, l’horloge d’échantillonnage, les marchés couverts et la structure des retards.

Considérons quatre observations fictives de cinq minutes. qₜ est le flux nominal signé en unités de 100 000 dollars et rₜ les rendements du point milieu en points de base :

\[ q=[-2,-1,1,2],\qquad r=[-1.1,-0.3,0.5,1.7]. \]

Le flux moyen est nul et le rendement moyen est de 0,20 point de base. La pente OLS et la constante sont

\[ \widehat{\lambda}_{\mathrm{OLS}} =\frac{\sum_t(q_t-\bar q)(r_t-\bar r)} {\sum_t(q_t-\bar q)^2} =\frac{6.4}{10} =0.64 \quad\text{pb pour } \$100{,}000, \qquad \hat a=\bar r-\widehat{\lambda}_{\mathrm{OLS}}\bar q=0.20\text{ pb}. \]

Par exemple, pour q=2, le rendement ajusté est de 0.20+0.64×2=1.48 pb, contre un rendement observé de 1,7 pb. Pour q=−2, il vaut −1,08 pb, contre −1,1 pb observé. Les faibles résidus de ces quatre points ne démontrent pas une relation stable : quatre observations illustrent uniquement le calcul et ne constituent ni une estimation suffisante ni un résultat de négociation.

Les unités rendent l’estimation lisible. D’après cette droite, 100 000 dollars supplémentaires de flux net acheteur sont associés à 0,64 pb de rendement du point milieu en plus sur le même intervalle de cinq minutes. Cela ne signifie pas que le teneur de marché déplace toujours le prix de ce montant, que l’effet persiste au-delà de cinq minutes ou qu’un ordre de 100 000 dollars peut être exécuté au point milieu.

<!-- learn:illustration --> <!-- Concept sans texte : quatre récipients présentent des mélanges de perles de plus en plus orientés d’un côté ; un ruban clair monte doucement. Illustration conceptuelle uniquement, sans données de marché, prévision ni signal. -->

L’utilité d’une série empirique de flux dépend de la justesse des signes. Si achats et ventes sont mal étiquetés de manière aléatoire, un flux positif peut être enregistré comme négatif, et inversement. Sous des hypothèses restrictives — erreurs de signe symétriques et indépendantes, et erreurs de mesure par ailleurs exogènes — la pente estimée tend à se rapprocher de zéro, car le flux mesuré est un indicateur plus bruité du flux réel. Ce n’est pas une règle de correction universelle. Si les erreurs se concentrent sur les grosses transactions, les marchés rapides, certaines places ou les sauts de prix, elles peuvent biaiser la pente dans les deux sens.

L’alignement temporel compte autant que la règle de signe. Comparer une transaction à une cotation mise à jour après celle-ci peut attribuer le mauvais côté. Les exécutions à l’intérieur du spread, au point milieu, en enchères, les corrections et les horodatages peu précis peuvent également rester ambigus. Conservez une catégorie explicite « inconnu », indiquez la part du volume signé qui a été classée et, si possible, répétez l’estimation avec d’autres classificateurs raisonnables.

Les erreurs de classification peuvent aussi varier avec la liquidité. Une règle acceptable en période normale peut être peu fiable lorsque les cotations changent rapidement ou que les exécutions à l’intérieur du spread sont nombreuses. Si une place fournit son propre champ de côté agressif, vérifiez sa définition et ses exceptions au lieu de supposer que les valeurs sont comparables entre bourses. Si vous estimez les signes, l’article sur Lee–Ready aide à documenter la méthode et les limites liées aux horodatages.

Lorsque flux et rendements sont mesurés dans le même intervalle, l’ordre des événements au sein de cette période est invisible. Une hausse au début de l’intervalle peut attirer des acheteurs par la suite, même si la régression est présentée comme « le flux fait bouger le prix ». Dans le même temps, un fournisseur de liquidité peut réviser ses cotations après les exécutions observées. Sans protocole permettant de distinguer ces directions, la pente combine les deux réactions.

L’information publique est une autre cause commune. Une annonce prévue peut modifier simultanément les anticipations de valeur, la volatilité, les spreads et les ordres soumis. Le flux signé peut alors refléter la réaction à la nouvelle plutôt que révéler une information privée. Le modèle simplifié de Kyle isole les transactions informées et de bruit pour exposer un mécanisme ; les données réelles comprennent aussi les nouvelles publiques, la gestion des stocks, la couverture, les échanges sur indices et les chocs de liquidité. Marquer les annonces prévues, contrôler les chocs communs observables et mesurer le flux avant la fenêtre de rendement peuvent préciser la question, mais l’ajout de contrôles ne supprime pas automatiquement l’endogénéité.

N’utilisez une interprétation structurelle ou causale que si les hypothèses d’identification sont explicites et justifiées. Décaler le flux change la question : le flux antérieur prédit-il les rendements ultérieurs ? Cela ne rend pas le flux exogène à lui seul. Pour étudier l’effet informationnel retardé des transactions, l’approche dynamique de Hasbrouck peut être utile. Une simple OLS reste liée à l’intervalle et à la spécification choisis (Hasbrouck, 1991).

Les transactions arrivent par grappes et les prix s’ajustent au fil du temps. Si le flux ou les résidus de la régression présentent une dépendance temporelle, les erreurs-types OLS classiques peuvent induire en erreur, même si le coefficient reste un résumé descriptif utile. Examinez les résidus, indiquez si les mesures d’incertitude tiennent compte de l’hétéroscédasticité et de la corrélation temporelle, et envisagez un modèle dynamique si la question porte sur la persistance ou le délai de réaction. Il ne faut pas donner le même sens à un coefficient du même intervalle et à une réponse cumulée sur les périodes suivantes.

La liquidité varie au cours d’une séance et d’une séance à l’autre. Le spread, la profondeur affichée, la volatilité, l’heure, la place et l’état du marché modifient le déplacement de prix causé par un ordre donné. Une pente estimée sur l’ensemble de l’échantillon moyenne ces états. Si la question porte sur la dépendance à l’état du marché, estimez des sous-échantillons définis à l’avance ou interagissez le flux avec une mesure de liquidité, et indiquez le nombre d’observations de chaque comparaison. Une estimation en période calme ne décrit pas nécessairement un choc d’actualité ou un carnet peu profond.

L’impact n’est pas forcément linéaire ou symétrique. Une droite de régression peut moyenner petites et grandes ordres alors que leurs effets marginaux diffèrent ; les achats et les ventes peuvent également agir différemment. Dans l’échantillon étudié, Hasbrouck relève une relation positive et concave entre la taille de la transaction et l’impact total sur le prix (Hasbrouck, 1991). Tóth et ses coauteurs étudient l’impact anormal et l’échelle de la liquidité sur les marchés financiers ; leur cadre fait notamment apparaître un profil de type racine carrée (Tóth et al., 2011). Ces résultats justifient de tester des modèles non linéaires, mais n’établissent pas une courbe universelle pour tous les actifs, toutes les places et tous les horizons.

Avant de comparer des valeurs de « lambda » publiées ou fournies par un prestataire, vérifiez qu’elles mesurent le même objet. Le flux est-il un nombre signé d’actions, de contrats ou une valeur nominale en dollars ? Le résultat est-il un prix de transaction, un point milieu ou une variation de prix à long terme ? Le flux est-il contemporain, retardé ou cumulé sur un horizon de réaction ? L’intervalle d’échantillonnage, les marchés couverts, l’instrument, le régime et le classificateur des signes sont-ils comparables ? Un chiffre brut exprimé dans d’autres unités et visant un autre résultat ne permet pas de classer la liquidité.

Le choix de l’estimateur change aussi la cible. Une pente OLS simple résume une association linéaire dans l’échantillon. Un modèle dynamique des transactions et cotations peut séparer les réactions immédiates et retardées. Les décompositions du spread estiment des composantes comme les coûts de traitement des ordres et de sélection adverse. La méthode de Hasbrouck pour les données quotidiennes estime les coûts effectifs de négociation à partir d’un autre ensemble d’informations (Hasbrouck, 2009). L’estimateur de Roll déduit un spread de l’autocovariance des rendements selon ses propres hypothèses ; la part d’information de Hasbrouck répartit entre marchés liés la variance des innovations communes du prix permanent. Aucune de ces mesures n’est un autre nom pour la lambda de Kyle.

Considérez l’estimation comme une mesure de la réaction du prix définie avec soin, pas comme une évaluation complète de la qualité du marché ni comme un signal de trading prêt à l’emploi. Un rapport solide précise les hypothèses d’équilibre ou la régression empirique, le signe et l’unité du flux, la mesure du prix, l’horizon, l’échantillon, la méthode de calcul de l’incertitude, le traitement des événements et la sensibilité à d’autres spécifications. La rentabilité exige un test hors échantillon distinct qui inclut spread, frais, latence, glissement et impact de marché.