Pourquoi les rendements quotidiens restent importants pour la prévision de la volatilité

Pour les traders quantitatifs, choisir le bon jeu de données pour prédire les mouvements futurs du marché est sans doute la décision la plus critique qu’ils prennent. Historiquement, le prix de clôture ou d’ouverture d’une action ou d’une marchandise donnée était un bon point de départ pour analyser le schéma de trading de ce titre spécifique.

Mais aujourd’hui, alors que les transactions sont réglées en microsecondes par des systèmes informatiques avancés et qu’une grande partie du volume de trading est générée par des « bots » à haute fréquence, les données provenant de cette activité de marché sont souvent privilégiées.

Une nouvelle étude suggère que les données de marché à haute fréquence n’ont pas rendu les rendements quotidiens obsolètes. En utilisant un nouveau modèle de volatilité réalisée, elle révèle que la combinaison des deux signaux peut améliorer de manière significative les prévisions de volatilité du pétrole brut, les limites de risque et les décisions de couverture.

L’étude a été réalisée par trois chercheurs de l’Indian Institute of Technology Guwahati et publiée dans Finance Research Open¹, sous le titre “Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets”.

Bref aperçu des modèles de risque

Depuis les années 1980, les chercheurs en économie et les traders ont commencé à intégrer une nouvelle métrique dans le modèle de risque qu’ils utilisaient pour prédire les comportements du marché: la volatilité variable dans le temps des rendements d’actifs. Cela a permis au modèle de mieux refléter les marchés réels, où les risques des actifs fluctuent au fil du temps, avec des périodes de forte et de faible turbulence qui se regroupent plutôt que de rester constantes, comme c’était le cas dans les modèles précédents.

Par la suite, les données à haute fréquence ont été privilégiées pour ces modèles, car elles étaient considérées comme un jeu de données supérieur pour cette application:

« Les données à haute fréquence permettent une granularité plus fine, facilitant la séparation des composantes de saut et continues et offrant une description plus détaillée de la dynamique de la volatilité. »

Cela a conduit à la création du modèle GARCH (Generalized Autoregressive Conditional Heteroscedasticity), qui a ensuite été affiné dans des modèles avancés supplémentaires incorporant des éléments additionnels tels que les effets différents des chocs positifs et négatifs et d’autres points de données.

Au fil du temps, les modèles de type GARCH se sont considérablement développés, avec des applications couvrant de multiples classes d’actifs, y compris les actions, les matières premières, les cryptomonnaies et les marchés dérivés.

L’un de ces modèles mis à jour est le GJR-GARCH, un type de modèle qui prend en compte la volatilité financière en accordant plus de poids aux mauvaises nouvelles (rendements négatifs) qu’aux bonnes nouvelles, capturant l’« effet de levier » du marché boursier.

Mélanger les données à haute fréquence et le GARCH

Cette étude propose de mélanger des données à haute fréquence, minute par minute, en particulier la « variance réalisée », avec le modèle GJR‑GARCH, créant ainsi le RGJR‑GARCH.

La variance réalisée est une métrique qui mesure la volatilité réelle d’un actif financier sur une fenêtre temporelle spécifique en additionnant les rendements de prix intrajournaliers à haute fréquence.

Cela diffère de la variance quotidienne traditionnelle, qui montre aucun changement si le prix de fin est identique au prix de départ, même si la volatilité était élevée intrajournalière.

Ce faisant, ce nouveau modèle peut à la fois intégrer des données détaillées à haute fréquence et la précision des modèles GJR‑GARCH.

Tester le modèle avec le trading de pétrole

Test pour les marchés volatils

Afin de valider leur modèle, les chercheurs l’ont testé en utilisant USO (USO ), le United States Oil Fund, un ETF qui suit les mouvements de prix du pétrole brut léger et doux West Texas Intermediate (WTI) depuis 2006.

Ce choix a été fait car les marchés du pétrole brut sont caractérisés par une volatilité intrahebdomadaire prononcée, induite par les annonces macroéconomiques, les chocs d’inventaire et les développements géopolitiques. Les récentes guerres Russie‑Ukraine et USA‑Iran ont fourni un cas supplémentaire de volatilité surprise affectant les rendements de trading et l’efficacité des modèles financiers.

Pour comparer à un marché plus « normal », ils ont également testé leur modèle avec SPY, l’ETF le plus activement négocié suivant l’indice S&P500.

Dans les deux cas, ils ont collecté des données du 1er janvier 2010 au 30 avril 2020.

Les chercheurs ont également noté que d’autres marchés potentiellement intéressants, comme les marchés de l’or et du forex, ne fournissent généralement pas de données tick‑by‑tick fiables sur de longues périodes, et que les données de prix des cryptomonnaies sont généralement disponibles au maximum à un intervalle d’une minute, rendant indisponibles les données à haute fréquence dont le modèle a besoin pour fonctionner correctement.

Comparaison des modèles

Les chercheurs ont utilisé les données pour tester différents modèles avec 35 prévisions à un jour, qui ont ensuite été agrégées en horizons hebdomadaires.

Ils ont constaté que le modèle RGJR‑GRCH présentait la plus grande précision de prévision pour tous les nombres de semaines à venir testés, jusqu’à 7 semaines plus tard.

Source: Finance Research Open

Plus important encore, cette différence de performance signifiait que le RGARCH commençait à sous‑performer à partir de la prévision de la semaine 3 et subissait une performance négative à la semaine #4, tandis que le RGJR‑GRCH continuait à fournir des prévisions précises pour des périodes allant jusqu’à 6 semaines à l’avance, et ne présentait que des erreurs très modérées pour la semaine #7.

En examinant ce qui a conduit à cette performance supérieure, les chercheurs démontrent qu’il s’agissait effectivement de l’utilisation de données de trading à haute fréquence.

« La performance supérieure du modèle RGJR‑GARCH par rapport aux modèles GARCH et GJR‑GARCH est attribuée à l’utilisation efficace des données à haute fréquence dans la modélisation de la dynamique de la volatilité. »

L’effet était particulièrement prononcé pour les actifs liés au pétrole tels que USO, où la volatilité présente des régularités hebdomadaires marquées. Cela est important pour les applications pratiques, car une prévision précise de la volatilité hebdomadaire peut informer la couverture dynamique et la tarification des contrats pour les participants du secteur énergétique, tels que les traders de matières premières et les producteurs.

Cela signifie également que, pour la prévision de la volatilité, les rendements quotidiens sont également importants, pas seulement les données à haute fréquence. Les deux ensembles de données sont mêlés et doivent être traités comme un seul.

Investir dans le trading à haute fréquence

CME Group Inc.

À mesure que de meilleures prévisions sont créées grâce à un modèle financier amélioré, la valeur des ensembles de données précis, à long terme et à haute fréquence augmente en conséquence. Cela est particulièrement vrai pour les titres et actifs à forte volatilité, sensibles géopolitiquement, comme le pétrole brut. Ainsi, cela permet à la plateforme de fournir ces données à haute fréquence et des titres de trading exploitables susceptibles de bénéficier de ce type de recherche académique.

Le marché NYMEX de CME est central pour la découverte des prix du pétrole brut WTI, le trading de contrats à terme et la couverture. L’entreprise est également active dans toutes sortes de trading couvrant toutes les matières premières (agricoles, énergie, métaux), ainsi que les crédits carbone, les obligations, les devises étrangères, les indices, les actions, les cryptomonnaies, etc.

L’entreprise a rapidement fait croître son chiffre d’affaires, passant d’environ 3 milliards de dollars en 2015 à environ 7 milliards prévus en 2026.

Elle s’est également rapidement internationalisée, avec une activité hors États‑Unis croissant à un TCAC de 10 % et une présence commerciale dans 12 pays, couvrant environ 13 000 clients dans le monde. Dans l’ensemble, ce schéma de croissance devrait se maintenir et l’entreprise devrait bénéficier de nombreuses innovations financières, de la blockchain au trading carbone en passant par les contrats à terme hypothécaires américains.

Source: CME

Dernières nouvelles et développements des actions CME Group (CME)

Étude référencée

^{1. Prakash Raj, et al. Do returns still matter? A complete asymmetric volatility model with realized measures in financial markets. Finance Research Open. Volume 2, Numéro 3, septembre 2026, 100139. https://doi.org/10.1016/j.finr.2026.100139}