Modèles de volatilité

Modèles à volatilité stochastique en cadre bayésien complet : lire les paramètres cachés sans se raconter d'histoires

Auteur Équipe analytique Yariarjarhacraimave 1er novembre 2026

Modèle à volatilité stochastique avec paramètres latents

La volatilité comme variable latente : ce que cela change analytiquement

Traiter la volatilité comme une constante estimée à partir des données passées était une simplification commode, pas une hypothèse défendable. Les rendements d'actifs présentent un regroupement de la volatilité — des périodes de calme relatif alternant avec des périodes d'agitation intense — que les modèles à variance constante ne peuvent pas capturer sans forcer leurs paramètres de façon peu plausible. Les modèles à volatilité stochastique répondent à cette limite en introduisant un processus latent pour la volatilité : une variable qui évolue dans le temps selon sa propre dynamique, et que l'on n'observe jamais directement. On l'infère à partir des rendements observés, avec toute l'incertitude que cela implique. Ce passage de la volatilité comme paramètre fixe à la volatilité comme processus latent n'est pas un détail technique — il change la façon dont l'incertitude se propage dans la distribution prédictive, et donc la forme des queues que l'on obtient pour les rendements futurs.

La structure de base d'un modèle à volatilité stochastique

Dans sa formulation la plus simple, un modèle à volatilité stochastique spécifie que le rendement observé à chaque instant est le produit de l'exponentielle de la moitié du log-variance latente et d'un choc gaussien standard. La log-variance latente suit elle-même un processus autorégressif — elle persiste dans le temps, revient vers une moyenne à long terme et est perturbée par un choc propre, potentiellement corrélé avec le choc sur les rendements. Ce dernier point — la corrélation entre choc de rendement et choc de volatilité — est ce que l'on appelle l'effet de levier : les baisses de rendements s'accompagnent souvent d'une hausse de la volatilité, ce qui produit une asymétrie dans la distribution des rendements. Estimer ces trois composantes simultanément — persistance de la volatilité, niveau moyen à long terme, corrélation avec les rendements — en tenant compte de toute l'incertitude paramétrique est précisément ce que l'inférence bayésienne complète permet de faire proprement.

Pourquoi l'inférence bayésienne complète change les queues prédictives

L'approche classique d'estimation d'un modèle à volatilité stochastique — par quasi-maximum de vraisemblance ou par filtre de Kalman approché — produit des estimés ponctuels des paramètres, puis conditionne toutes les prévisions sur ces estimés comme s'ils étaient certains. L'approche bayésienne complète intègre au contraire sur l'ensemble des configurations plausibles des paramètres, pondérées par leur vraisemblance à la lumière des données. En pratique, cela signifie que les configurations où la persistance de la volatilité est plus élevée que l'estimé central — et où les queues des rendements sont donc plus épaisses — reçoivent une masse de probabilité non nulle dans la distribution prédictive. Le résultat est une distribution des rendements futurs dont les queues sont structurellement plus larges que celles produites par un modèle conditionné sur des estimés ponctuels. Sur un horizon de trois à cinq ans, cette différence n'est pas marginale : elle reflète l'incertitude réelle sur la dynamique de la volatilité, plutôt qu'une fausse précision confortable.

L'effet de levier et son influence sur l'asymétrie prédictive

La corrélation entre les chocs de rendement et les chocs de volatilité — l'effet de levier — est l'un des paramètres les plus difficiles à estimer avec précision sur des séries financières de longueur modérée. Sa distribution postérieure est souvent large, avec une incertitude substantielle sur son signe et sa magnitude. Cette incertitude a des conséquences directes sur la forme de la distribution prédictive des rendements : une corrélation négative forte produit une asymétrie gauche marquée — les pertes extrêmes sont plus probables que les gains extrêmes de même amplitude. Lorsque l'on intègre sur la distribution postérieure de ce paramètre plutôt que de le fixer à son estimé ponctuel, la queue gauche de la distribution prédictive reflète cette incertitude : elle est plus large, moins précise, mais honnête sur ce que les données peuvent et ne peuvent pas trancher. Présenter une asymétrie prédictive précise alors que la distribution postérieure de l'effet de levier est large est une forme de fausse précision que l'inférence bayésienne complète refuse par construction.

Diagnostics et limites : ce que le modèle ne peut pas résoudre seul

Un modèle à volatilité stochastique bien estimé est un outil analytique puissant. Mais sa puissance est conditionnelle à une série de vérifications que beaucoup d'analyses sautent, pressées d'arriver aux distributions prédictives. Voici les limites structurelles que tout praticien sérieux doit avoir en tête avant d'utiliser les résultats d'un tel modèle pour éclairer des décisions sur un horizon pluriannuel. Ces limites ne disqualifient pas le modèle — elles définissent les conditions dans lesquelles il est fiable, et celles dans lesquelles il mérite d'être challengé par un modèle alternatif ou une analyse de sensibilité explicite.

La non-stationnarité : quand le modèle suppose ce que les données contestent

Les modèles à volatilité stochastique standard supposent que la log-variance latente est stationnaire — qu'elle revient vers une moyenne à long terme stable. Cette hypothèse est commode analytiquement, mais les séries financières longues montrent parfois des changements de régime persistants : des décennies de faible volatilité suivies de périodes de turbulence durable qui ne ressemblent pas à un simple retour vers la moyenne. Lorsque l'on estime un modèle stationnairepar hypothèse sur des données qui ne le sont pas, les paramètres de persistance et de niveau moyen absorbent ces structures de façon trompeuse. La distribution postérieure de la persistance se retrouve concentrée près de un — une valeur qui signale une quasi-non-stationnarité que le modèle gère mal. Un diagnostic simple : vérifier si la distribution postérieure de la persistance place une masse significative très proche de un, et si c'est le cas, envisager un modèle à changements de régime comme alternative structurelle.

La calibration hors-échantillon : le seul test qui compte vraiment

Un modèle à volatilité stochastique peut produire des ajustements in-sample impressionnants tout en étant mal calibré sur des données futures. La vérification de calibration hors-échantillon est le test décisif : sur une fenêtre de données non utilisée pour l'estimation, les intervalles de crédibilité à 90 % couvrent-ils effectivement 90 % des réalisations ? Les queues prédictives capturent-elles les événements extrêmes observés dans l'échantillon de validation ? Cette vérification doit être faite non seulement sur les rendements, mais aussi sur la volatilité réalisée — un modèle peut bien couvrir les rendements en moyenne tout en sous-estimant systématiquement les épisodes de volatilité intense. Si la calibration est mauvaise, le prior sur les paramètres de la dynamique de la volatilité est le premier endroit où chercher la source du problème, avant de modifier la structure du modèle. Les performances passées ne constituent pas un indicateur fiable des résultats futurs.

La comparaison de modèles : pourquoi le modèle SV ne devrait pas être adopté par défaut

Le modèle à volatilité stochastique est souvent adopté comme une amélioration naturelle sur les modèles à variance constante, sans être explicitement comparé à des alternatives structurelles — modèles GARCH dans un cadre bayésien, modèles à changements de régime, modèles à sauts. Cette adoption par défaut est une forme d'incertitude de modèle non traitée. En pratique, la comparaison bayésienne explicite — via les facteurs de Bayes ou la pondération par vraisemblance marginale — révèle souvent que plusieurs structures sont compatibles avec les données, et que la distribution prédictive agrégée sur ces structures est plus large, et plus honnête, que celle du modèle à volatilité stochastique seul. Adopter un modèle sans le challenger, c'est supposer que la question de la structure est résolue alors qu'elle ne l'est souvent pas.

Voir les articles Nous contacter

Modèles à volatilité stochastique en cadre bayésien complet : lire les paramètres cachés sans se raconter d'histoires

Cookies strictement nécessaires

Cookies analytiques

Cookies de préférences