Loi des grands nombres et théorème central limite
Comparez la convergence des moyennes d’échantillon à la distribution de leurs fluctuations, notamment les lois faible et forte, la mise à l’échelle, la dépendance, l’ergodicité et l’interprétation financière
Réponse directe
La loi des grands nombres affirme qu’une moyenne d’échantillon se rapproche de sa moyenne de population sous des conditions adéquates. Le théorème central limite décrit l’erreur aléatoire mise à l’échelle autour de cette limite et fournit souvent une approximation normale. La LGN indique où va la moyenne ; le TCL décrit ses fluctuations en chemin
Les théorèmes répondent à des questions différentes
Pour des observations X_1,…,X_n de moyenne μ, la moyenne d’échantillon est X̄_n=n^(−1)Σ_iX_i
Une LGN demande si X̄_n se rapproche de μ lorsque n augmente, tandis qu’un TCL porte sur la distribution limite d’une différence mise à l’échelle telle que √n(X̄_n−μ)
La convergence vers la bonne valeur ne fournit pas à elle seule un taux d’erreur, une forme, un intervalle de confiance ou une approximation utile pour un échantillon fini
La loi faible utilise la convergence en probabilité
La LGN faible énonce P(|X̄_n−μ|>ε)→0 pour tout ε>0 sous ses hypothèses
Elle dit que la probabilité d’une erreur d’ampleur fixe disparaît, et non que chaque trajectoire réalisée reste finalement proche pour toujours
Pour des observations iid, une espérance finie suffit pour une loi faible générale, tandis que les preuves simples fondées sur la variance supposent souvent une variance finie
La loi forte est une affirmation trajectorielle
La LGN forte énonce X̄_n→μ presque sûrement, ce qui signifie que la convergence vaut pour toutes les issues sauf un ensemble de probabilité nulle
La convergence presque sûre implique la convergence en probabilité, mais l’inverse n’est pas vrai sans structure supplémentaire
La loi forte reste asymptotique et ne précise pas quelle taille n est nécessaire pour une tolérance donnée dans une décision particulière
Le TCL amplifie l’erreur restante
Pour des variables iid de variance positive finie σ², √n(X̄_n−μ)/σ converge en loi vers N(0,1)
Le facteur √n empêche l’erreur qui se réduit de s’effondrer à zéro et révèle sa forme limite non dégénérée
La LGN peut être vraie alors que le TCL classique échoue, notamment dans des contextes à queue épaisse où la moyenne existe mais pas la variance
La dépendance exige plus qu’un long historique
Des processus stationnaires et ergodiques peuvent satisfaire une LGN, tandis qu’un TCL exige en plus un contrôle suffisant de la dépendance et des fluctuations
Les séries temporelles financières peuvent modifier moyenne, variance, exposition, liquidité et régime ; une longue série ne se comporte donc pas nécessairement comme des tirages répétés d’une même loi
Davantage d’observations issues du même groupe de crise ou d’un régime obsolète peuvent apporter moins d’information effective que ne le suggère leur nombre de lignes
La diversification repose sur une logique proche mais distincte
Le choc idiosyncratique moyen peut se stabiliser sur de nombreuses positions suffisamment faiblement dépendantes, ce qui reflète un effet proche de la LGN
Les facteurs communs, la dépendance de queue, les pondérations concentrées et les défauts corrélés ne disparaissent pas simplement parce que le portefeuille contient beaucoup de titres
De même, un rendement moyen sur une longue période ne garantit pas de révéler un rendement attendu permanent lorsque l’ensemble d’opportunités lui-même évolue
L’inférence pratique a besoin des deux diagnostics
Tracez les moyennes cumulées et les estimations par sous-échantillon, puis examinez la dépendance, les ruptures structurelles, les moments de queue et la taille effective de l’échantillon
Utilisez une erreur standard justifiée par le TCL ou le schéma de rééchantillonnage pertinent au lieu de traiter la convergence de la moyenne comme une estimation d’incertitude
Indiquez l’estimand, les hypothèses de convergence, l’horizon, les bandes d’erreur et la sensibilité aux fenêtres ou aux régimes avant d’invoquer l’un ou l’autre théorème
Questions fréquentes
Quelle est la différence principale entre la LGN et le TCL ?
La LGN concerne la convergence d’une moyenne vers une cible ; le TCL concerne la distribution mise à l’échelle des écarts autour de cette cible
La loi des grands nombres exige-t-elle des données normales ?
Non. Elle s’applique bien au-delà des distributions normales sous ses conditions de moments et de dépendance
La LGN peut-elle être vraie alors que le TCL échoue ?
Oui. Une moyenne finie peut permettre la convergence de la moyenne même si une variance infinie empêche le TCL normal classique
Davantage de données financières rend-il toujours une estimation fiable ?
Non. La dépendance, les changements de régime, la qualité des données et une cible instable peuvent maintenir l’information effective bien en dessous du nombre d’observations