Demi-vie d’Ornstein–Uhlenbeck : retour à la moyenne en trading

Supposons qu’un spread soit au-dessus de sa moyenne de long terme estimée. Un modèle de retour à la moyenne indique que son évolution attendue le ramène vers cette moyenne. La demi-vie répond à une question précise : selon le modèle ajusté, combien de temps faut-il pour que l’écart attendu soit divisé par deux ? Si l’écart initial est de 100 points de base, une demi-vie de quatre périodes signifie que l’écart conditionnel attendu par le modèle est d’environ 50 points de base après quatre périodes.

Cette affirmation porte sur une espérance calculée sur différentes trajectoires possibles. Le spread observé peut d’abord augmenter, franchir rapidement la moyenne ou rester éloigné bien plus longtemps. La demi-vie dépend aussi de l’unité d’observation : une estimation à partir de données quotidiennes s’exprime en jours, tandis qu’une estimation à partir de données horaires s’exprime en heures. Précisez toujours l’intervalle d’échantillonnage et le modèle utilisé pour estimer la vitesse.

Un processus OU à un facteur s’écrit

\[ dX_t = \kappa(\mu-X_t)\,dt + \sigma\,dW_t, \]

où \(\mu\) est la moyenne de long terme, \(\kappa>0\) la vitesse de retour à la moyenne, \(\sigma\) l’amplitude des variations aléatoires instantanées et \(W_t\) un mouvement brownien. La dérive pointe vers \(\mu\) : au-dessus de la moyenne, sa direction conditionnelle est descendante ; en dessous, elle est ascendante.

L’écart conditionnel attendu suit

\[ \mathbb{E}[X_{t+\tau}-\mu\mid X_t] = e^{-\kappa\tau}(X_t-\mu). \]

Posons le multiplicateur égal à un demi, \(e^{-\kappa h}=1/2\), puis isolons le temps écoulé :

\[ h_{1/2}=\frac{\ln 2}{\kappa}. \]

La demi-vie ne dépend pas de \(\sigma\). La volatilité influe sur l’ampleur des fluctuations des trajectoires individuelles autour de l’espérance conditionnelle, tandis que \(\kappa\) fixe le taux de décroissance attendu dans ce modèle. L’analyse du mouvement brownien d’Uhlenbeck et Ornstein constitue le fondement classique du processus stochastique ; Vasicek a ensuite utilisé un processus de type OU pour modéliser le taux d’intérêt à court terme.

Avec des observations régulièrement espacées d’un intervalle \(\Delta\), un échantillon exact du processus OU prend la forme

\[ X_{t+\Delta}-\mu = \phi(X_t-\mu)+\eta_{t+\Delta}, \qquad \phi=e^{-\kappa\Delta}. \]

Pour le modèle OU scalaire, \(\kappa>0\) implique \(0<\phi<1\). La demi-vie discrète, exprimée en nombre d’observations, est

\[ h_{1/2}=\frac{\ln(1/2)}{\ln(\phi)}, \]

et le temps écoulé s’obtient en multipliant cette valeur par \(\Delta\). Si le coefficient AR(1) estimé est nul ou négatif, ou supérieur ou égal à un, cette conversion simple en vitesse positive de retour à la moyenne OU ne s’applique pas. Il peut alors être nécessaire d’utiliser un autre modèle dynamique au lieu de forcer l’interprétation OU.

La même équation peut être estimée sous forme de variations, \(\Delta X_t=a+bX_{t-1}+\epsilon_t\). Pour un AR(1) stationnaire qui vérifie aussi \(0<1+b<1\), posez \(\phi=1+b\), \(\kappa=-\ln(\phi)/\Delta\), et la moyenne de long terme implicite vaut \(-a/b\) si \(b\ne0\). Conservez l’intervalle d’échantillonnage dans la conversion : passer de données quotidiennes à des données hebdomadaires change l’échelle temporelle du coefficient.

L’unité de temps est définie par \(\Delta\). Pour une série quotidienne d’actions, un pas d’observation correspond généralement à une séance de bourse, et non à 24 heures calendaires. Une demi-vie de quatre observations ne doit donc pas être automatiquement décrite comme quatre jours calendaires si un week-end ou un jour férié de marché se trouve entre les deux. Si les barres ont des durées irrégulières, comme dans un échantillonnage fondé sur les événements ou le volume, la conversion à intervalle constant peut ne pas s’appliquer. Précisez l’actif, le calendrier d’échantillonnage et si l’unité indiquée est une observation, une séance de bourse ou un temps écoulé.

Supposons qu’un modèle de spread quotidien estime \(\phi=0.84\) à partir d’observations quotidiennes régulièrement espacées. Cette valeur est hypothétique et sert uniquement à l’explication. La vitesse quotidienne de retour à la moyenne est \(\kappa=-\ln(0.84)\approx0.1744\), donc

\[ h_{1/2}=\frac{\ln(0.5)}{\ln(0.84)}\approx3.98\text{ jours de bourse}. \]

Après quatre jours, l’écart attendu représente \(0.84^4\approx0.498\) de sa valeur initiale. Un écart de 100 points de base a donc une espérance conditionnelle, selon le modèle, d’environ 49.8 points de base après quatre observations, avant prise en compte de l’incertitude d’estimation ou d’éventuels changements du processus.

La figure ci-dessous esquisse cette décroissance exponentielle autour d’un équilibre. La courbe est conceptuelle : ce n’est ni un historique de prix ni une affirmation selon laquelle chaque spread suivrait cette trajectoire. Les résultats individuels peuvent fluctuer fortement autour de la moyenne conditionnelle.

Commencez par définir \(X_t\). Un résidu de cointégration, un écart de prix, un spread de logarithmes de prix, un signal ajusté de la volatilité et un écart de rendements sont des séries distinctes. Leurs unités et leurs dynamiques diffèrent. Un résultat de cointégration peut étayer une combinaison linéaire stationnaire sous ses hypothèses, mais il n’établit pas que le résidu suit un processus OU à paramètres constants.

Avant l’estimation, choisissez la fréquence d’échantillonnage, la fenêtre de formation, la spécification de la moyenne et la structure des retards. Un AR(1) simple peut masquer une autocorrélation, une volatilité variable, des sauts, la microstructure intrajournalière ou des changements de régime. Examinez le comportement des résidus et la stabilité des paramètres, et indiquez si l’estimation est conditionnelle à un échantillon particulier. La comparaison empirique de Chan, Karolyi, Longstaff et Sanders montre pourquoi les éléments en faveur du retour à la moyenne peuvent être faibles et dépendre du modèle, même pour les taux à court terme.

Pour un spread de trading, estimez les paramètres uniquement à partir des données disponibles à chaque date de formation. Réestimer un spread ou sa moyenne avec des observations futures crée un biais d’anticipation. Si vous recalibrez le modèle au fil du temps, décrivez le calendrier des mises à jour et évaluez toute la procédure sur des données ultérieures, au lieu de traiter le coefficient estimé comme connu.

La transformation de \(\phi\) en demi-vie est non linéaire. Lorsque \(\phi\) tend vers un par valeurs inférieures, \(\ln(\phi)\) tend vers zéro et la demi-vie implicite augmente rapidement. Une faible variation du coefficient estimé peut donc fortement modifier la durée indiquée. Par exemple, les estimations hypothétiques \(\phi=0.80\), \(0.84\) et \(0.88\) impliquent respectivement environ 3.11, 3.98 et 5.42 observations par demi-vie.

Présentez l’incertitude sur la vitesse ou sur la demi-vie transformée à l’aide d’une méthode d’inférence adaptée à l’estimateur et à l’échantillon. Si l’intervalle de confiance de \(\phi\) atteint ou dépasse un, cet intervalle peut ne pas étayer une demi-vie OU stationnaire, positive et finie. Ne publiez pas seulement une estimation ponctuelle et, si vous retenez la série qui semble la plus rapide parmi de nombreuses séries, tenez compte de la sélection. Près d’une racine unitaire, l’erreur d’estimation peut dominer la précision apparente d’une demi-vie unique.

Pour situer l’incertitude, supposons un intervalle hypothétique à 95 % pour le coefficient échantillonné, \([0.78,0.92]\). Dans la plage OU stationnaire, la demi-vie transformée augmente avec \(\phi\) : cet intervalle correspond donc à environ 2.79–8.31 observations, alors que l’estimation ponctuelle \(0.84\) donne 3.98. Il s’agit d’une illustration, pas d’un résultat empirique. Si l’intervalle du coefficient touche un, la borne supérieure de la demi-vie peut être illimitée ; les valeurs égales ou supérieures à un sortent du cadre de cette conversion stationnaire. Ne les tronquez pas pour fabriquer un intervalle fini. La méthode d’évaluation de l’incertitude doit aussi tenir compte de la dépendance sérielle et de toute construction estimée du spread ; une recherche parmi de nombreuses paires ou fenêtres doit intégrer l’étape de sélection.

La demi-vie suit la taille conditionnelle attendue d’un écart. Le temps de franchissement demande quand une trajectoire aléatoire atteint pour la première fois un niveau, tel que la moyenne estimée ou un seuil de sortie. La loi du premier passage dépend à la fois de la dérive et de la volatilité et peut être très dispersée. L’analyse de l’arbitrage statistique optimal de William Bertram traite de la durée et du rendement des opérations au moyen de calculs de premier passage, un objet distinct de la formule de demi-vie exponentielle.

Un système de trading doit aussi définir des règles d’entrée et de sortie, le dimensionnement des positions, les limites de risque et la réaction à une rupture de la relation. Un spread peut s’éloigner davantage de sa moyenne avant d’y revenir et ne pas y revenir pendant l’horizon pertinent. Le calcul de la décroissance attendue ne fournit ni seuil de stop, ni probabilité d’atteindre un objectif de gain avant un stop, ni rendement après frais.

Dans une stratégie par paires, l’objet modélisé est généralement un spread construit, et non chaque actif séparément. Le ratio de couverture, la devise, les ajustements liés aux opérations sur titres, le financement, la disponibilité des titres à emprunter et la politique de rééquilibrage influencent la position réalisée. Vérifiez, sur des fenêtres de validation chronologiques, que la relation de long terme du spread reste plausible ; une demi-vie estimée courte ne peut pas corriger une rupture structurelle.

Intégrez l’écart acheteur-vendeur, l’impact de marché, les frais, les coûts de financement ou d’emprunt et le temps nécessaire pour exécuter les deux jambes. Ces coûts s’accumulent le long de la trajectoire réalisée, pas seulement sur la demi-vie attendue. La sélection parmi de nombreuses paires, fenêtres rétrospectives et fréquences d’échantillonnage peut aussi faire paraître plus fiable qu’elle ne l’est une estimation courte obtenue par chance. Les résultats empiriques de Chan et de ses coauteurs sur les modèles de taux d’intérêt rappellent qu’une forme connue de retour à la moyenne ne garantit pas des éléments solides dans un jeu de données donné.

Le cadre OU aide à structurer une hypothèse sur la dynamique attendue d’un spread. La performance d’une règle de trading est une question empirique distincte, qui dépend de la stabilité, de l’incertitude, de l’exécution et des résultats hors échantillon.

Indiquez la définition de la série, la convention de prix ou de rendement, l’intervalle d’échantillonnage, la fenêtre étudiée, la moyenne estimée, le paramètre de vitesse et le paramètre de volatilité. Précisez si l’équation OU est formulée en temps continu ou déduite d’un modèle AR discret. Donnez l’estimation du coefficient et son incertitude, expliquez la transformation en demi-vie et présentez sa sensibilité à une fenêtre ou à un intervalle d’échantillonnage alternatif raisonnable.

Pour une application de trading, décrivez également la construction du spread, la mise à jour des paramètres, les informations disponibles à chaque décision et le traitement des coûts de transaction et de l’absence de convergence. Présentez la demi-vie comme un résumé, implicite au modèle, de la décroissance attendue, avec son incertitude et ses unités. Ne l’utilisez pas seule pour justifier une entrée, une sortie ou une affirmation de rentabilité.

L’article de 1930 d’Uhlenbeck et Ornstein sur le mouvement brownien développe le processus stochastique sous-jacent de retour à la moyenne. Le modèle de structure par terme de Vasicek90016-2) utilise un processus de type OU pour les taux à court terme. Chan, Karolyi, Longstaff et Sanders comparent des spécifications de taux à court terme en temps continu et montrent que les résultats et l’ajustement dépendent du modèle choisi. Bertram établit des résultats d’arbitrage statistique optimal à partir de temps de premier passage, ce qui illustre que la durée d’une opération est une grandeur distincte. D’autres guides expliquent cointégration et corrélation dans le trading par paires, les racines unitaires et le retour à la moyenne et le test de cointégration d’Engle–Granger.