Distributions stables et variance infinie en finance
Comprendre les lois alpha-stables, le théorème central limite généralisé, la variance infinie, les paramètres de queue, l'agrégation, les premiers travaux financiers et les diagnostics nécessaires avant d'utiliser des modèles stables
Réponse directe
Une distribution stable conserve sa famille après addition de copies indépendantes, moyennant un ajustement de position et d'échelle. Les lois alpha-stables non gaussiennes ont des queues en loi de puissance et une variance infinie ; la mise à l'échelle en √n, la volatilité conventionnelle et l'inférence ordinaire fondée sur la variance peuvent donc échouer. La stabilité est cohérente mathématiquement, mais demeure un choix de modèle empirique
La stabilité est une propriété de l'addition
Une distribution est stable si, pour des copies indépendantes X_1 et X_2 et des nombres positifs a,b, aX_1+bX_2 a la même loi que cX+d pour certains c>0 et d
Cette fermeture rend la famille naturelle pour l'agrégation, car les sommes restent dans la même classe de formes distributionnelles
La loi normale est le membre stable α=2 ; « stable » ne signifie donc pas automatiquement à queues épaisses ou à variance infinie
Quatre paramètres décrivent une loi stable univariée
L'exposant de stabilité α appartient à (0,2], l'asymétrie β à [−1,1], tandis que l'échelle et la position définissent la taille et le centre selon une paramétrisation déclarée
Pour α<2, les queues varient régulièrement avec un exposant α dans des conditions non dégénérées, et les valeurs extrêmes sont beaucoup plus probables que sous une loi normale
Les densités stables n'ont généralement pas de forme fermée élémentaire, et les paramétrisations diffèrent notamment près de α=1 ; les conventions du logiciel comptent donc
L'existence des moments change le sens du risque
Une loi stable non gaussienne avec α<2 a une variance de population infinie, même si la variance d'échantillon de tout jeu de données fini est finie
Le premier moment absolu n'est fini que lorsque α>1 ; pour α≤1, une moyenne de population conventionnelle n'existe généralement pas non plus
Une variance d'échantillon croissante ou une moyenne instable est compatible avec des queues épaisses, mais ne prouve pas à elle seule l'infinité d'un moment
Le TCL généralisé explique la famille
Si des sommes normalisées de variables indépendantes et identiquement distribuées convergent vers une limite non dégénérée, les limites possibles sont des lois stables
Des données d'entrée à variance finie conduisent au cas gaussien α=2, tandis que des données d'entrée appropriées à variation régulière peuvent conduire à des limites stables α<2
L'échelle d'agrégation est n^(1/α), et non √n, et le centrage dépend de α et de la paramétrisation
Les lois stables ont une longue histoire financière
Mandelbrot a proposé des lois stables de Pareto pour les variations des prix spéculatifs après avoir observé beaucoup plus de grands mouvements que ne le permet un modèle gaussien
Fama a étudié l'analyse de portefeuille avec des rendements stables de Pareto et la manière dont fonctionne la diversification sans variance finie
Des travaux ultérieurs sur le regroupement de volatilité, les queues tronquées et les régimes changeants montrent que la stabilité iid exacte n'est pas la seule explication des rendements à queues épaisses
La variance infinie est une affirmation structurelle forte
Un modèle exact α<2 n'a pas de variance de population finie à quelque horizon que ce soit, et il ne s'agit pas seulement d'une variance élevée ou difficile à estimer
Les modèles stables tempérés, tronqués, à mélange, à sauts, GARCH et de volatilité stochastique peuvent imiter des échantillons finis à queues épaisses tout en conservant des moments finis
Les jeux de données finis distinguent rarement une vraie queue infinie d'une coupure finie très élevée ; cette affirmation ne devrait donc pas reposer sur un simple segment en graphique log-log
La validation doit examiner l'agrégation et les queues
Estimez α avec une incertitude en utilisant plusieurs méthodes et examinez l'ajustement de la fonction caractéristique, les quantiles, les dépassements et la stabilité des paramètres
Vérifiez si les sommes sur plusieurs horizons se remettent à l'échelle comme prévu et si une dépendance résiduelle ou un regroupement de volatilité subsiste après l'ajustement
Comparez la couverture prédictive des queues et les décisions avec des alternatives à variance finie, et indiquez quels moments le modèle ajusté affirme inexistants
Questions fréquentes
Qu'est-ce qu'une distribution stable ?
C'est une famille de probabilités dont les copies indépendantes, après ajustement de position et d'échelle, s'additionnent pour donner un autre membre de la même famille
Toutes les distributions stables ont-elles une variance infinie ?
Non. Le membre gaussien α=2 a une variance finie ; toute loi stable non gaussienne avec α<2 a une variance infinie
Pourquoi la variance d'échantillon reste-t-elle finie ?
Toute liste finie d'observations finies possède une variance calculée finie, même lorsque le second moment de population du modèle est infini
Les rendements financiers sont-ils réellement alpha-stables ?
Ils peuvent ressembler à des queues épaisses stables sur certaines plages, mais la troncature, le regroupement de volatilité, les mélanges et les changements de régime peuvent expliquer des données similaires