Stationnarité, racines unitaires et retour à la moyenne en finance
Comprendre la stationnarité stricte et faible, les marches aléatoires, les racines unitaires, la persistance, le retour à la moyenne, la demi-vie, la régression fallacieuse, les tests ADF et KPSS, les ruptures structurelles et les diagnostics financiers
Réponse directe
La stationnarité signifie que certaines caractéristiques distributionnelles spécifiées restent invariantes dans le temps. Une racine unitaire est une source particulière de persistance stochastique où les chocs ne disparaissent pas dans le niveau. Le retour à la moyenne signifie qu'une variable tend à revenir vers une référence variable ou fixe sous un modèle défini. Une série peut sembler revenir à la moyenne sur un échantillon sans être stationnaire, et rejeter une racine unitaire ne prouve pas l'existence d'une opportunité de trading stable
La stationnarité a plusieurs définitions
La stationnarité stricte exige que toute distribution jointe de dimension finie reste inchangée après un décalage temporel commun
La stationnarité faible exige une moyenne finie constante et une covariance qui ne dépend que du retard, et non du temps calendaire
La stationnarité appartient à un processus stochastique sous un modèle ; un graphique plat, un échantillon borné ou une moyenne glissante d'apparence stable n'en constituent pas la définition
Une racine unitaire rend les chocs persistants
Pour X_t=ρX_{t−1}+ε_t, |ρ|<1 donne un AR(1) stationnaire sous des conditions usuelles sur les innovations, tandis que ρ=1 donne une marche aléatoire
Dans le cas de la racine unitaire, les chocs s'accumulent, la variance du niveau augmente avec le temps et les asymptotiques stationnaires ordinaires cessent de s'appliquer
La différenciation d'une marche aléatoire produit ses innovations, mais différencier mécaniquement toutes les séries peut supprimer une relation de long terme pertinente
Le retour à la moyenne dépend du modèle et de la cible
Un AR(1) avec |ρ|<1 revient en espérance vers sa moyenne non conditionnelle, les écarts diminuant géométriquement
Pour un ρ positif inférieur à un, une approximation courante de la demi-vie est ln(0.5)/ln(ρ), à condition que l'AR(1) ajusté soit approprié
Une valeur fondamentale changeante, un seuil non linéaire, un niveau saisonnier ou une rupture structurelle peut créer un retour local sans moyenne permanente unique
Les niveaux non stationnaires peuvent produire une régression fallacieuse
Régresser des séries persistantes sans relation l'une sur l'autre en niveaux peut donner un R² élevé, des statistiques t significatives et des résidus autocorrélés sans relation réelle
Les tendances temporelles, l'inflation commune, la mise à l'échelle et les tendances stochastiques doivent être distinguées d'un lien économique
La cointégration est une exception particulière dans laquelle une combinaison linéaire de variables non stationnaires est stationnaire ; une forte corrélation seule n'en constitue pas la preuve
Les tests de racine unitaire ont des hypothèses nulles asymétriques
Les tests de Dickey–Fuller utilisent une racine unitaire comme hypothèse nulle et des valeurs critiques non standard ; les versions augmentées ajoutent des retards pour traiter la dépendance des résidus
Les tests KPSS inversent l'accent en utilisant la stationnarité en niveau ou autour d'une tendance comme hypothèse nulle, selon leurs composantes déterministes spécifiées
Ne pas rejeter l'une ou l'autre hypothèse n'est pas une preuve, et des résultats contradictoires peuvent refléter une faible puissance, des ruptures, des racines proches de l'unité, le choix des retards ou un échantillon court
Les séries financières changent de régime et d'échelle
Les niveaux de prix montrent souvent une persistance extrême, tandis que les rendements peuvent être plus proches de la stationnarité tout en conservant une volatilité et un comportement de queue variables dans le temps
Les taux d'intérêt, les spreads de valorisation, la volatilité implicite et les mesures de base peuvent rencontrer des bornes, des changements de politique, des équilibres changeants ou plusieurs régimes
Les tests doivent examiner ensemble les niveaux et les transformations, les termes déterministes, les dates de rupture, les sous-échantillons, les résidus et la plausibilité économique
Le trading exige une stabilité prospective
N'estimez la vitesse de retour qu'après avoir défini la variable d'équilibre, la fenêtre de formation, l'horizon d'exécution, les coûts et ce qui invalide la relation
Utilisez des estimations glissantes et expansives, des périodes intactes, des perturbations, le suivi des ruptures et la dégradation en direct plutôt qu'une demi-vie issue d'un seul échantillon complet
Un spread statistiquement stationnaire peut tout de même être inexploitable à cause de l'emprunt, du financement, des sauts, de la saturation, de la capacité, de la latence ou d'un mécanisme rompu
Questions fréquentes
Qu'est-ce qu'une série temporelle stationnaire ?
Sous la stationnarité faible, elle possède une moyenne finie constante et une autocovariance qui dépend du retard plutôt que du temps calendaire
Qu'est-ce qu'une racine unitaire ?
C'est une racine autorégressive égale à un, qui rend les chocs persistants dans le niveau et invalide l'inférence stationnaire ordinaire
Le retour à la moyenne est-il identique à la stationnarité ?
Non. Le retour à la moyenne décrit un mouvement vers une référence sous un modèle, tandis que la stationnarité spécifie l'invariance de caractéristiques distributionnelles
Un spread stationnaire garantit-il une transaction rentable ?
Non. L'erreur d'estimation, les ruptures structurelles, les coûts, les contraintes, les pertes extrêmes et une exécution encombrée peuvent supprimer l'opportunité