VPIN : formule, buckets de volume et débat sur le Flash Crash

VPIN signifie volume-synchronized probability of informed trading, soit probabilité de trading informé synchronisée par le volume. Easley, López de Prado et O’Hara l'ont présentée comme une mesure haute fréquence liée à la toxicité des flux d'ordres : les apporteurs de liquidité peuvent subir une sélection adverse lorsque les transactions entrantes ont davantage de chances d'être du côté informé. Leur méthode combine le déséquilibre des volumes et l'intensité des échanges, avec une mise à jour selon une horloge de volume plutôt qu'à intervalles fixes de temps (Easley, López de Prado et O’Hara, 2012).

Son nom appelle à la prudence. Une valeur calculée de VPIN de 0,32 ne signifie pas qu'il existe une probabilité calibrée de 32 % que la prochaine transaction provienne d'un trader informé. C'est une moyenne normalisée de déséquilibres estimés avec des choix précis de données, de classification, de buckets et de fenêtre. La mesure n'identifie pas le trader informé, ne distingue pas les transactions motivées par l'information de celles motivées par la liquidité et ne prouve pas qu'un apporteur de liquidité a subi une perte.

VPIN diffère aussi d'un déséquilibre signé des flux d'ordres. La valeur absolue du déséquilibre est calculée dans chaque bucket avant la moyenne : les buckets dominés par les achats et ceux dominés par les ventes contribuent donc tous deux positivement. La mesure résume à quel point les flux ont été unilatéraux pendant les intervalles de volume récents, mais elle en supprime le sens dans le résultat final. Le modèle PIN classique estime un concept lié à partir de l'arrivée des transactions.

Un graphique en temps civil échantillonne les observations à intervalle fixe, par exemple chaque seconde ou chaque minute. Une horloge de volume avance lorsqu'une quantité définie a été négociée. Si un bucket est fixé à 1 000 contrats, il se termine chaque fois que 1 000 contrats ont été échangés, que cela prenne 20 secondes lors d'une période active ou 12 minutes lors d'une période calme.

Chaque bucket doit contenir le même volume total négocié, mais la durée en temps civil qu'il couvre varie. VPIN est ensuite calculée sur une fenêtre glissante des \(n\) buckets de volume les plus récents, et mise à jour à la clôture d'un nouveau bucket. Il y a donc davantage de mises à jour pendant les périodes actives et moins pendant les périodes calmes.

Le temps-volume est une convention d'échantillonnage ; il ne retire pas l'activité du marché des données. Un rythme de négociation plus rapide peut modifier la vitesse à laquelle avance la fenêtre VPIN, et le nombre d'observations par heure varie lui aussi. Les résultats dépendent donc de l'instrument, de la séance, du volume choisi par bucket, du traitement des transactions qui franchissent les limites entre buckets et de l'initialisation de l'horloge. Une analyse reproductible explicite ces choix.

VPIN a besoin de volumes initiés par les acheteurs et les vendeurs. Si des étiquettes de sens sont disponibles au niveau de chaque transaction, elles peuvent être agrégées, sous réserve de leur qualité. Lorsque ces étiquettes fiables manquent, les travaux initiaux sur VPIN ont proposé la Bulk Volume Classification (BVC) : déduire les proportions probables d'achats et de ventes dans le volume d'une barre temporelle à partir de sa variation de prix.

Une représentation courante de BVC est

\[ \widehat V^{B}_t=V_t\Phi\!\left(\frac{\Delta P_t}{\widehat\sigma_{\Delta P}}\right), \qquad \widehat V^{S}_t=V_t-\widehat V^{B}_t, \]

où \(V_t\) est le volume total de la barre, \(\Delta P_t\) sa variation de prix, \(\widehat\sigma_{\Delta P}\) une estimation déclarée de l'échelle des variations de prix et \(\Phi\) la fonction de répartition de la loi normale standard. Une variation standardisée positive attribue davantage de volume aux achats ; une variation négative en attribue davantage aux ventes. Si la variation standardisée est nulle, la formule répartit le volume également.

Par exemple, si une barre temporelle hypothétique contient 1 000 contrats et que sa variation de prix standardisée est \(0.5\), alors \(\Phi(0.5)\approx0.6915\). BVC attribue environ 691,5 contrats au volume acheteur et 308,5 au volume vendeur. Ces valeurs fractionnaires sont des estimations, pas des fractions de contrat observées ni des intentions de transaction connues. Le résultat dépend de l'intervalle de la barre, de la mesure du prix, de l'estimation de l'échelle de volatilité et de l'hypothèse de distribution.

BVC classe le volume par groupes à partir des variations de prix ; elle n'établit pas le sens de chaque transaction du groupe. Les barres temporelles de cette estimation et les buckets de volume égal utilisés ensuite correspondent à deux étapes différentes. Une étude doit documenter les deux. La comparaison publiée par Andersen et Bondarenko en 2015 indique que, pour leur référence de contrats à terme E-mini S&P 500, BVC faisait moins bien qu'une règle tick standard comparée à une classification bâtie à partir des cotations et transactions (Andersen et Bondarenko, 2015). Le guide de l'algorithme de classification Lee–Ready décrit une autre méthode et ses limites.

Soit \(V\) le volume cible de chaque bucket, et \(\widehat V^B_i\) ainsi que \(\widehat V^S_i\) les volumes acheteur et vendeur estimés dans le bucket \(i\). Chaque bucket complet vérifie \(\widehat V^B_i+\widehat V^S_i=V\). Une forme glissante courante est

\[ \mathrm{VPIN}_t= \frac{1}{nV} \sum_{i=t-n+1}^{t} \left|\widehat V^B_i-\widehat V^S_i\right|. \]

Le numérateur additionne la différence absolue entre achats et ventes dans chacun des \(n\) derniers buckets. Le dénominateur, \(nV\), est leur volume total. Avec des buckets complets et des estimations d'achats et de ventes non négatives qui totalisent \(V\), la valeur est comprise entre 0 et 1 ; certaines présentations la multiplient par 100 et affichent un pourcentage.

Une valeur proche de zéro signifie que les volumes acheteur et vendeur estimés étaient relativement équilibrés dans ces buckets. Une valeur plus élevée signifie que les flux estimés étaient en moyenne plus unilatéraux sur cette fenêtre glissante de volume. Elle ne précise pas si les achats ou les ventes dominaient, car la valeur absolue supprime ce signe.

Les implémentations peuvent utiliser des méthodes différentes pour déterminer le sens des transactions, la taille des buckets, la longueur de la fenêtre glissante, les intervalles d'échantillonnage et les prix d'entrée. En pratique, ces choix font partie de la définition de la statistique. Les valeurs obtenues avec des réglages différents ne sont pas automatiquement comparables.

Supposons que quatre buckets complets contiennent chacun \(V=100\) contrats. Après application d'une procédure de classification déclarée, les volumes acheteur et vendeur estimés sont les suivants :

Les quatre déséquilibres absolus totalisent \(40+10+60+20=130\) contrats. Le volume total est \(4\times100=400\) contrats, donc

\[ \mathrm{VPIN}=\frac{130}{400}=0.325=32.5\%. \]

Sur la même fenêtre, les achats estimés totalisent 205 et les ventes 195. Le déséquilibre net signé n'est que de \(205-195=10\) contrats, soit \(10/400=2.5\%\) du volume total. Il diffère de VPIN parce que les déséquilibres positifs et négatifs se compensent en partie dans le calcul net, alors que VPIN additionne leurs valeurs absolues.

Tous les volumes et toutes les classifications de cet exemple sont hypothétiques. Le calcul illustre la formule, sans estimer un actif, une place, une probabilité ou un événement réels. Si BVC a produit les estimations, il faut aussi préciser ses barres de prix et son échelle de volatilité pour reproduire la classification.

<!-- learn:illustration --> <!-- Concept sans texte : des buckets de volume égal montrent des parts estimées d’achats et de ventes différentes ; la moyenne glissante conserve l’ampleur du déséquilibre mais en supprime le sens. Ni données de marché, ni probabilité de krach, ni prévision, ni signal de trading. -->

L'étude de 2012 d'Easley, López de Prado et O’Hara a présenté VPIN comme une mesure de la toxicité des flux d'ordres et rapporté une association avec la volatilité à court terme (Easley, López de Prado et O’Hara, 2012). Leur analyse antérieure de 2011 décrivait aussi des valeurs élevées avant le Flash Crash du 6 mai 2010 (Easley, López de Prado et O’Hara, 2011). Cela motive l'idée de surveiller VPIN comme indicateur possible de tension sur le marché, mais ne prouve pas qu'elle prédit de façon fiable les krachs.

Andersen et Bondarenko sont parvenus à une autre conclusion dans leur reconstruction de 2014. Ils ont rapporté que VPIN prédisait mal la volatilité à court horizon, n'atteignait son maximum qu'après le Flash Crash et avait un contenu prédictif largement lié à l'intensité des échanges. Leur analyse a testé des procédures et des implémentations particulières de classification ; elle ne prouve pas que toutes les versions de VPIN se comportent de la même manière sur tous les marchés (Andersen et Bondarenko, 2014).

Easley, López de Prado et O’Hara ont répondu en 2014. Ils ont contesté la réplication et son interprétation, en affirmant que l'analyse ne testait ni la méthodologie ni les conclusions qu'ils avaient proposées et que la microstructure des marchés comptait pour la comparaison (Easley, López de Prado et O’Hara, 2014). Cet échange montre un désaccord sur l'implémentation et l'interprétation empirique, pas une validation consensuelle de VPIN comme signal précurseur.

Dans une évaluation ultérieure, Andersen et Bondarenko ont utilisé des données de cotations et de transactions pour comparer les méthodes de classification sur les contrats à terme E-mini S&P 500. Ils ont indiqué que leur référence privilégiait une règle tick à BVC et avancé que des erreurs de classification liées à la volatilité pouvaient expliquer la prédiction apparente de volatilité de VPIN dans leur cadre (Andersen et Bondarenko, 2015). C'est un sérieux problème de mesure, car VPIN repose sur des volumes acheteur et vendeur estimés, mais le résultat reste empirique et propre aux données et procédures étudiées.

L'article de Ke et Lin de 2017 propose une autre formulation de VPIN fondée sur l'estimation du maximum de vraisemblance. Ils avancent que la métrique initiale peut être instable avec de petits buckets de volume et des transactions informées rares, et rapportent des estimations plus régulières avec leur méthode alternative (Ke et Lin, 2017). Cette contribution montre que la construction du modèle compte ; elle ne tranche pas la question de la fiabilité en temps réel d'une variante de VPIN pour tous les actifs, toutes les places et tous les régimes.

Dans l'ensemble, la littérature ne justifie pas l'affirmation simple selon laquelle VPIN aurait « prédit » ou « échoué à prédire » tous les épisodes pertinents. Les chercheurs ont obtenu des résultats différents selon les choix de classification, les données, les implémentations et les tests. Ce désaccord justifie de documenter la construction et de vérifier la performance supplémentaire par rapport à des références simples d'activité et de volatilité.

Le volume \(V\) par bucket détermine quelle quantité d'échanges est condensée dans une observation. Des buckets plus petits produisent des mises à jour plus fréquentes, mais peuvent rendre les estimations plus sensibles aux épisodes isolés et au bruit de classification. Des buckets plus grands lissent les variations locales et réduisent la fréquence de mise à jour. L'échelle adaptée dépend de l'activité habituelle du marché et de la question étudiée ; la choisir après observation d'un krach peut exagérer une capacité d'alerte apparente.

La fenêtre glissante \(n\) détermine la quantité de volume récente prise en compte. Une fenêtre courte réagit vite mais peut être bruitée ; une fenêtre longue est plus lisse et plus lente. Indiquez \(V\) et \(n\), ainsi que la distribution de la durée correspondante en temps civil. Un nombre identique de buckets ne correspond pas à la même durée écoulée pendant une période calme et une période active.

BVC implique d'autres choix : durée des barres temporelles, prix de transaction ou de cotation, fenêtre d'estimation de la volatilité, traitement des variations de prix nulles et loi supposée. Même avec des signes au niveau de chaque transaction, les erreurs de classification liées à l'horodatage des cotations, aux comparaisons avec le milieu de fourchette, aux règles tick ou aux conventions de messages propres à une place peuvent compter. Dans le cadre étudié, la critique de 2015 relie explicitement les variations de volatilité à des erreurs systématiques de classification BVC. Le déséquilibre des flux d'ordres fondé sur le carnet est une mesure distincte des variations de l'offre et de la demande affichées, et non du volume de transactions classé ainsi.

L'initialisation compte aussi. Une fenêtre VPIN glissante commence à une frontière de bucket donnée. Décaler le point de départ peut modifier les transactions regroupées et donc les déséquilibres. Les tests doivent quantifier cette sensibilité au lieu de retenir l'alignement qui produit la plus forte hausse avant l'événement. Les changements d'horaires, de pas de cotation, de conception des contrats ou de composition des places peuvent encore réduire la comparabilité dans le temps.

Une étude rigoureuse de VPIN doit fixer ses données et son algorithme avant d'examiner l'événement cible. Elle précise le marché et le contrat, la séance, les filtres appliqués aux transactions et cotations, le prix utilisé, la méthode d'identification du côté acheteur/vendeur ou les paramètres BVC, \(V\), \(n\), la règle d'initialisation et le traitement des buckets incomplets ou franchissant une frontière. Elle indique combien de temps civil couvre une fenêtre VPIN selon différents niveaux d'activité.

Pour une affirmation prédictive, utilisez une étude chronologique hors échantillon et comparez VPIN à des références observables comme le volume, l'intensité des échanges, la volatilité réalisée et le déséquilibre des ordres. Vérifiez si VPIN apporte une information supplémentaire une fois ces variables incluses. Présentez les fausses alertes, les événements manqués, le délai d'anticipation, l'incertitude et les résultats selon plusieurs seuils, pas seulement un graphique rétrospectif où l'indicateur a monté avant un krach sélectionné. Un seuil choisi sur l'événement lui-même ne démontre pas une alerte préalable.

Pour affirmer que VPIN mesure la toxicité des flux, mesurez indépendamment la sélection adverse ou les résultats de liquidité : impact ultérieur sur les prix, spreads, profondeur ou pertes réalisées des teneurs de marché. Expliquez comment ces résultats sont identifiés. Une corrélation entre VPIN et volatilité ne valide pas à elle seule l'interprétation de toxicité. Une valeur plus élevée peut venir de volumes classifiés plus unilatéraux, d'une volatilité plus forte affectant BVC ou d'une horloge de volume plus rapide.

VPIN peut être utile comme résumé descriptif lorsqu'un chercheur souhaite suivre le déséquilibre absolu estimé des flux d'ordres dans des fenêtres de volume égal. Elle peut aussi servir de variable dans une analyse plus large si sa construction est transparente et si son apport résiste à la comparaison avec des mesures plus simples. Son interprétation est limitée : elle résume une classification précise du volume récent.

Une valeur élevée ne démontre pas à elle seule que des traders informés sont actifs, qu'une crise de liquidité est imminente, que les prix vont évoluer dans une direction donnée ou qu'augmenter ou réduire une position sera rentable. Une valeur faible ne certifie pas un marché sûr ou liquide. Tout usage opérationnel exige une validation indépendante, des contrôles adaptés, une règle de décision explicite, des données tenant compte de la latence et une analyse réaliste des coûts d'exécution.

Présentez VPIN avec ses hypothèses de mesure et les résultats contradictoires. Lorsque les lecteurs connaissent l'horloge de volume, BVC ou un autre classificateur, la fenêtre glissante et les références hors échantillon, ils peuvent juger ce que montre la statistique et où s'arrête l'inférence.

À titre de comparaison, l’estimateur de spread de Roll déduit un proxy du spread de l’autocovariance des rendements et répond à une autre question.