Test du ratio de variance : marche aléatoire, horizons et trading

Soit \(P_t\) un prix observé et \(x_t=\ln(P_t)\) son logarithme. Le rendement logarithmique sur une période est \(r_t=x_t-x_{t-1}\). Celui de \(q\) périodes additionne \(q\) rendements consécutifs sur une période. Si ces incréments ne sont pas corrélés et ont une variance stable, la variance de leur somme croît proportionnellement à \(q\).

Le ratio de variance de population est

\[ \operatorname{VR}(q)=\frac{\operatorname{Var}(r_t+r_{t-1}+\cdots+r_{t-q+1})}{q\operatorname{Var}(r_t)}. \]

Sous cette condition de mise à l’échelle de la variance, \(\operatorname{VR}(q)=1\). La procédure de Lo–MacKinlay transforme cette relation en statistique d’échantillon et en test de la restriction de marche aléatoire. Un est la valeur de référence impliquée par des incréments non corrélés ; cela ne signifie pas que les prix sont réguliers ou prévisibles. Dans leur application originale, les auteurs ont rejeté la spécification de marche aléatoire pour des données historiques d’actions américaines, tout en précisant qu’un tel rejet ne suffisait pas à établir un modèle de prix à retour à la moyenne.

Pour des rendements stationnaires sur une période dont l’autocorrélation au retard \(j\) est \(\rho_j\), le même ratio de population s’écrit

\[ \operatorname{VR}(q)=1+2\sum_{j=1}^{q-1}\left(1-\frac{j}{q}\right)\rho_j. \]

Chaque autocorrélation reçoit un poids plus faible à mesure que son retard augmente. Le ratio résume donc un ensemble pondéré de corrélations sérielles jusqu’à l’horizon \(q-1\) ; il ne correspond pas à l’autocorrélation d’un retard particulier.

Pour \(q=4\), supposons qu’un processus hypothétique de rendements ait \(\rho_1=0.10\), \(\rho_2=0.04\) et \(\rho_3=0\). Alors

\[ \operatorname{VR}(4)=1+2\left(\frac{3}{4}\times0.10+\frac{2}{4}\times0.04\right)=1.17. \]

La valeur supérieure à un reflète une dépendance pondérée positive sur ces horizons. Si les deux premières autocorrélations étaient \(-0.10\) et \(-0.04\), tandis que la troisième restait nulle, le ratio serait de \(0.83\). Ce sont des calculs hypothétiques de population. Une estimation observée peut différer sous l’effet de la variabilité d’échantillonnage, d’une volatilité changeante et des corrections de l’estimateur en échantillon fini.

Des profils d’autocorrélation différents peuvent produire le même ratio à un horizon donné. Les contributions positives et négatives peuvent se compenser ; un ratio exactement égal à un n’exige donc pas que toutes les autocorrélations incluses soient nulles. Examiner plusieurs horizons définis à l’avance peut révéler un autre profil, mais nécessite aussi une inférence conjointe si les résultats sont testés ensemble.

Le test s’applique généralement aux logarithmes de prix observés à intervalles réguliers ou à leurs premières différences. Avec des cours de clôture quotidiens, \(q=5\) porte sur un rendement de cinq séances, pas sur une semaine calendaire comptant un autre nombre de séances boursières. Les séances manquantes, les écarts de cours pendant la nuit et les horodatages irréguliers changent le sens d’« une période ». Précisez le calendrier du marché et indiquez si les prix intègrent les distributions ou d’autres opérations sur titres.

Utiliser les rendements simples plutôt que logarithmiques est un choix de modélisation, pas un simple changement d’étiquette valable à tous les horizons. Les rendements logarithmiques s’additionnent exactement dans le temps ; les rendements simples se composent. Ils peuvent être proches numériquement pour de faibles variations, mais la définition doit correspondre à la question et rester cohérente dans l’exemple, l’estimation et le backtest. N’appliquez pas la formule à un niveau de prix comme s’il s’agissait d’une série de rendements.

La plupart des implémentations construisent des rendements chevauchants sur \(q\) périodes afin que chaque observation disponible contribue à l’estimation. Cela augmente le nombre d’observations agrégées, mais les fenêtres adjacentes partagent de nombreux rendements sur une période et ne sont pas indépendantes. Sous ses hypothèses, l’erreur type du test tient compte de cette construction ; traiter les rendements chevauchants comme indépendants sous-estimerait l’incertitude.

Supposons que la variance du rendement sur une séance d’un actif hypothétique soit de \(0.0001\), soit un écart-type de 1 % par séance. Avec des incréments non corrélés, la variance d’un rendement sur quatre séances est \(4\times0.0001=0.0004\), son écart-type est de 2 % et le ratio vaut \(0.0004/(4\times0.0001)=1\).

Supposons maintenant que la variance estimée sur quatre séances soit de \(0.000468\), alors que l’estimation sur une séance reste à \(0.0001\). Le ratio d’échantillon est \(0.000468/(4\times0.0001)=1.17\). Ce calcul décrit la comparaison de la dispersion entre les horizons choisis. Il ne signifie ni que le rendement attendu est supérieur de 17 %, ni que le prochain rendement a 17 % de chances supplémentaires d’être positif, ni qu’une position de quatre séances a un gain attendu de 17 %.

Pour tirer une conclusion statistique, comparez le ratio estimé à sa loi de test et à sa mesure d’incertitude. Un ratio proche de un peut apparaître alors que d’autres aspects du processus de prix contredisent un modèle complet de marche aléatoire. À l’inverse, dans un échantillon court ou bruité, un ratio éloigné de un peut ne pas s’en distinguer statistiquement. Distinguez l’estimation, la statistique de test, la valeur p et l’interprétation économique.

La statistique classique homoscédastique de Lo–MacKinlay standardise \(\widehat{\operatorname{VR}}(q)-1\) à l’aide d’une variance asymptotique dérivée sous l’hypothèse d’incréments à variance constante. Si la volatilité conditionnelle des rendements varie, cette erreur type peut fausser la taille du test. Lo et MacKinlay développent également un estimateur de variance robuste à l’hétéroscédasticité pour la statistique du ratio de variance.

« Robuste à l’hétéroscédasticité » a une portée précise : sous les hypothèses du test, cette méthode ajuste l’inférence à des profils plus variés de variance des rendements. Elle ne corrige ni une mauvaise série de prix, ni la dépendance à tous les horizons imaginables, ni les ruptures structurelles, les cotations obsolètes ou un échantillon trop court. Certains logiciels distinguent les options par des symboles tels que \(Z\) et \(Z^*\). Consultez leur documentation pour connaître l’hypothèse nulle et la formule d’erreur type mises en œuvre.

L’étude de 1989 sur les échantillons finis montre que les performances dépendent de l’hypothèse nulle et de l’alternative étudiées. Dans les simulations examinées, elle rapporte une meilleure fiabilité que certains tests concurrents sous une hypothèse nulle de marche aléatoire hétéroscédastique. Ce n’est pas une garantie universelle pour tous les échantillons ou toutes les implémentations. Sur un petit échantillon, un bootstrap ou une autre méthode en échantillon fini peut être utile, mais son schéma de rééchantillonnage doit lui aussi préserver les caractéristiques de dépendance et de volatilité pertinentes.

Un test pour un seul \(q\) demande si la restriction de mise à l’échelle de la variance tient à un horizon donné. Si \(q\) a été choisi après inspection de nombreux horizons, la valeur p rapportée ne tient pas compte de cette recherche. Essayer \(q=2,4,8,16\) et ne mettre en avant que le résultat le plus significatif augmente le risque de faux positif.

Une procédure conjointe de ratios de variance teste ensemble un ensemble d’horizons défini à l’avance et ajuste la décision pour tenir compte des comparaisons multiples. Chow et Denning ont élaboré un test multiple de ce type, car traiter plusieurs ratios individuels comme autant de décisions non ajustées peut fortement gonfler le taux global d’erreur de type I. Le résultat conjoint porte sur la famille d’horizons testée ; il n’explique pas quel retard, mécanisme ou participant de marché a produit l’écart.

Choisissez les horizons en fonction de la fréquence d’observation et de la question étudiée. Comparer un jour, une semaine et un mois peut être utile, mais chacun correspond à un ensemble d’informations et à une structure de chevauchement différents. Rapportez tous les horizons testés, pas seulement le plus favorable, et distinguez une exploration d’un test confirmatoire.

Une estimation supérieure à un est compatible avec une dépendance sérielle pondérée positive sur les retards sélectionnés. Une estimation inférieure à un est compatible avec une dépendance pondérée négative sur ces retards. Aucun de ces signes n’identifie à lui seul le momentum, le retour à la moyenne, un ajustement retardé des prix, des effets de stocks, un rebond bid-ask, des transactions asynchrones ou un processus de volatilité.

En particulier, \(\operatorname{VR}(q)<1\) ne prouve pas que le niveau de prix est stationnaire. Une série peut avoir un ratio inférieur à un à un horizon donné tout en conservant une tendance stochastique. Inversement, rejeter une restriction de marche aléatoire ne prouve pas à lui seul l’alternative stationnaire de retour à la moyenne ; Lo et MacKinlay précisent que leur rejet sur les données boursières étudiées n’étayait pas cette conclusion.

L’inférence dépend également de l’objet testé : rendements, logarithmes des prix, rendements excédentaires ou autre série transformée. Un résultat sur des rendements quotidiens de clôture à clôture ne s’applique pas automatiquement aux cotations intrajournalières ni à un autre univers d’actifs. Précisez l’objet et limitez l’interprétation en conséquence.

Le rebond bid-ask peut créer une dépendance négative à court terme dans les rendements calculés à partir des prix de transaction, même si un processus de valeur économique plus lent ne revient pas en arrière. Les titres peu liquides peuvent être actualisés de façon asynchrone, tandis que les clôtures peuvent couvrir des fenêtres d’information différentes selon les marchés. Ces caractéristiques ont souvent un effet maximal aux horizons les plus courts. Avant de qualifier ce profil d’anomalie de marché, examinez la qualité des cotations, l’activité de trading, l’alignement des horodatages et la sensibilité à un intervalle d’observation plus long.

Le regroupement de la volatilité affecte les erreurs types même si les signes ou les niveaux des rendements n’affichent aucun profil directionnel stable. Une rupture de la moyenne, de la volatilité, des horaires de négociation ou de la composition du marché peut amener un ratio calculé sur tout l’échantillon à mélanger des régimes différents. Examinez la stabilité des sous-périodes sans choisir uniquement la fenêtre qui étaye votre interprétation préférée.

Explorer les actifs, fréquences, horizons, filtres et dates de fin d’échantillon crée un autre problème : la sélection de fluctuations aléatoires. Un ratio de variance statistiquement inhabituel trouvé après une recherche étendue ne constitue pas un test d’hypothèse indépendant de cette recherche. Définissez à l’avance un horizon principal ou utilisez une méthode conjointe ou de rééchantillonnage appropriée, puis validez les profils découverts avec des données chronologiques ultérieures.

Le test du ratio de variance résume la variabilité des rendements selon plusieurs horizons. Il ne spécifie ni direction, ni entrée, sortie, stop, taille de position, durée de détention ou disponibilité du signal avant l’exécution. Même un profil de dépendance stable peut être trop faible pour compenser les frais, les écarts, l’impact de marché, le financement, l’emprunt de titres et la rotation.

Pour une étude de trading, définissez le signal et le moment de décision avant d’examiner les rendements futurs. Estimez les paramètres sur une fenêtre de formation, figez-les, puis évaluez les observations ultérieures. Si le résultat a été découvert après avoir testé de nombreux titres ou horizons, réservez une période de test réellement indépendante ou utilisez une méthode qui tient compte de la recherche. Comparez les résultats nets de coûts à une référence et supposez des exécutions réalistes, pas seulement des rendements théoriques.

Utilisez le ratio de variance comme diagnostic parmi d’autres, avec des graphiques, des contrôles d’autocorrélation, des tests de racine unitaire et une analyse de stabilité. Un écart par rapport à la mise à l’échelle de la variance peut motiver un modèle plus précis, mais ce modèle nécessite ses propres hypothèses et des éléments hors échantillon. Le test décrit de façon compacte une restriction sur un moment ; il ne prouve pas l’existence d’un avantage.

Indiquez la définition du prix, la transformation des rendements, la fréquence d’observation, les dates de l’échantillon, le nombre d’observations utilisables et le chevauchement ou non des rendements. Rapportez chaque horizon \(q\) testé, le ratio de variance de l’échantillon, la variante d’erreur type, la statistique de test, la valeur p, le seuil de signification et tout ajustement conjoint pour plusieurs horizons.

Expliquez le traitement des observations manquantes, des opérations sur titres, des fermetures de marché et des horodatages. Précisez si une inférence robuste à la volatilité, un bootstrap, des sous-périodes ou d’autres intervalles d’observation ont modifié le résultat. Pour une application de trading, séparez l’échantillon statistique de la période d’évaluation et indiquez les coûts, le moment d’exécution, les règles de sélection et tous les actifs et horizons testés.

Lo et MacKinlay présentent le test de spécification du ratio de variance et étudient sa taille et sa puissance en échantillon fini. Chow et Denning expliquent pourquoi tester plusieurs ratios de variance exige un contrôle conjoint du seuil90051-6). Pour les notions connexes, consultez les guides sur la stationnarité et les racines unitaires, la cointégration d’Engle–Granger et le test du rang de cointégration de Johansen.