Les modèles de crash du marché passent de la prédiction à l’explication

Depuis le début des marchés financiers modernes aux Pays‑Bas au XVIIe siècle, les crises financières et les bulles sont un phénomène récurrent, à commencer par la célèbre Tulip Mania. Une conséquence directe a été la reconnaissance que comprendre les conditions pouvant engendrer de telles crises est important, que ce soit pour l’État et les régulateurs afin de réduire la fréquence et/ou la gravité des crises, ou pour les acteurs du système financier afin d’éviter de subir d’énormes pertes.

Cependant, jusqu’à présent, la méthode principale était la prédiction basée sur la corrélation, comme l’examen de métriques telles que le ratio dette/PIB, les indicateurs de surévaluation ou le sentiment des investisseurs. Toutes ces données peuvent effectivement être corrélées aux conditions pouvant provoquer une crise, de la même manière que du petit bois sec dans une forêt peut déclencher un feu.

Cela ne fournit toujours pas d’information sur ce qui cause une crise donnée, de la même façon qu’un feu de forêt démarre à cause d’une étincelle initiale, et non à cause du bois sec.

Une nouvelle étude menée par un chercheur de l’Université de Szczecin en Pologne soutient que l’analyse des crises devrait évoluer vers des modèles qui expliquent quels canaux structurels entraînent les effondrements du marché. Dans cet article, l’étude examine le rôle des chocs de volatilité et des chocs de rendements du Trésor dans la génération des crises financières.

Il a été publié dans Expert Systems with Applications^1, sous le titre « Prédire l:imprévisible : un cadre d'inférence causale contrefactuelle pour l'effondrement du marché financier lors d'événements cygne noir ».

Cela peut constituer des données importantes pour les investisseurs et les gestionnaires de risques, car les tests de résistance habituels basés sur des hypothèses de marché moyen peuvent sous‑estimer les pertes lorsque les régimes de volatilité changent.

Prédire les crises financières

Passer de la corrélation à la prédiction

Une grande partie du système financier moderne repose sur des modèles mathématiques qui tentent de comprendre et de prévoir les risques. Cependant, ils reposent également sur des hypothèses mathématiques, et les statistiques abstraites correspondent rarement aux situations réelles, conduisant à ce que l’on appelle des événements cygne noir, un terme inventé par Nassim Taleb pour décrire un événement imprévisible et rare ayant un impact massif sur la société, les économies ou les marchés financiers.

« Les modèles prédictifs conventionnels sont efficaces pour détecter les tendances dans les mégadonnées, mais ils échouent souvent à expliquer pourquoi certains événements rares se produisent ou comment le résultat changerait dans des conditions alternatives. »

C’est également la raison pour laquelle les crises ou les mouvements brutaux du marché sont souvent décrits comme « statistiquement impossibles ». Bien sûr, cela ne signifie que que l’approche basée sur la corrélation est inadéquate pour correspondre correctement aux conditions réelles.

C’est un problème, car les gestionnaires de risques doivent savoir non seulement que le marché a chuté, mais quel canal structurel a entraîné l’effondrement.

De même, les banques centrales doivent évaluer si leurs instruments ciblent le mécanisme de transmission dominant afin de réduire ces risques.

En résumé, les concepteurs de tests de résistance doivent paramétrer des sensibilités appropriées aux scénarios extrêmes, et non aux moyennes à long terme.

C’est pourquoi cette étude préconise une approche différente, appelée « inférence causale contrefactuelle », ou le processus d’estimation de ce qui se serait passé dans une réalité hypothétique alternative.

Pour ce faire, l’article de recherche a utilisé trois principes de conception:

Premièrement, le modèle doit pouvoir répondre à une question d’intervention plutôt qu’à une simple question prédictive:

« Comment la trajectoire cumulative du crash aurait-elle évolué en l’absence d’un canal de choc spécifique ? »

Deuxièmement, chaque affirmation structurelle doit être étayée par au moins un test empirique formel.

Troisièmement, le résultat doit être vérifiable, par exemple, à l’aide de tests placebo sur des périodes sans crise.

Collecte des données

L’étude a utilisé deux principaux événements de crise financière pour illustrer: la crise financière mondiale de 2007‑2009 (GFC) et la pandémie de COVID‑19.

Un large éventail de données a été recueilli pour analyser ces deux crises:

• La série quotidienne de l’indice S&P 500.
• L’indice des prix à la consommation mensuel (CPIAUCSL) comme mesure de l’inflation
• Le taux de chômage (UNRATE).
• L’indice de volatilité implicite du CBOE (VIX).
• Le rendement constant à 10 ans du Trésor américain.
• Le spread de crédit Moody’s Baa (rendement d’entreprise moins le rendement du Trésor à 10 ans) (BAA10Y).
• Le spread TED (TEDRATE).

Quelles sont les causes des crises financières ?

Les chocs de rendement comme causes des krachs

La première partie de l’analyse examine les chocs de rendement, c’est‑à‑dire un changement soudain et inattendu des taux d’intérêt ou des rendements obligataires sur les marchés financiers.

Dans un graphique montrant à quoi auraient ressemblé les rendements du marché si les chocs de rendement étaient absents (ligne bleue) et ce qui s’est réellement produit avec les chocs de rendement inclus (ligne rouge), les deux ensembles de données semblaient très proches.

La divergence des trajectoires rouge et bleue indique un aspect crucial de la direction des rendements : ils influencent activement les rendements boursiers plutôt que de simplement y réagir.

« Au contraire, on observe que la trajectoire bleue se situe au-dessus de la rouge, notamment pendant la crise COVID et plus subtilement pendant la crise GFC. Cela démontre que les variations du rendement ne sont pas le résultat du krach, mais le prédicteur. »

Cependant, ce qui détermine la gravité des pertes est entraîné par une autre cause.

La volatilité comme amplificateur de pertes

L’autre cause de crise financière, selon cette étude, est les pics de volatilité.

Ce n’est peut‑être pas une surprise, car cela s’inscrit dans une explication dominante des déclencheurs de crise financière : l’hypothèse d’instabilité financière de Minsky (1992). Financial Instability Hypothesis.

Son idée centrale est qu’un faux sentiment de sécurité pousse les acteurs financiers à contracter des niveaux de dette excessifs et dangereux. En fin de compte, « la stabilité déstabilise ».

Il a été déterminé que cela a été la principale cause du krach des cours des actions tant pendant la GFC que pendant la pandémie de COVID.

« Dans le COVID et la GFC, le canal de volatilité représente respectivement 58,7 % et 28,3 % du recul cumulé total, tandis que le canal de rendement représente 8,4 % et 12,6 %.

Les résultats de l’étude suggèrent également que la sensibilité aux rendements augmente sur les marchés turbulents, de sorte que plus la volatilité est présente, plus les chocs de rendement deviennent impactants.

Prédire les crises plus précisément

Affiner davantage les prédictions

Cela ne signifie pas que le cadre de l’étude est un prédicteur parfait. En effet, il utilise un modèle linéaire, qui pourrait ne pas être idéal pour des circonstances extrêmes comme les crises financières.

« Les recherches futures devraient tester un modèle structurellement non linéaire (tel qu’un SVAR à changement de régime ou un modèle d’équations structurelles neuronales). »

L’utilisation de données supplémentaires pourrait également aider à améliorer les capacités de prédiction, comme les dynamiques des taux de pension, les contraintes de bilan des dealers et les variables de microstructure des options.

Implications pour les investisseurs et les décideurs politiques

Pour les gestionnaires de risques et les concepteurs de tests de résistance

cette démonstration de causalité et pas seulement de corrélation devrait constituer une donnée essentielle pour les décisions de couverture.

Ainsi, les modèles devraient utiliser un calendrier de sensibilité à deux régimes : le coefficient du régime à faible VIX pour les situations modérées et le coefficient du régime à haut VIX (3 à 5 fois plus élevé) pour les scénarios extrêmes.

Cela signifie également que, selon les conditions, l’accent doit être mis sur différents indicateurs :

• Lorsque les pertes induites par les rendements gagnent en importance relative, la gestion de la duration (surveillance et ajustement de la sensibilité temporelle d’un actif ou d’un passif) devient progressivement plus significative.
• Lorsque les pertes induites par le VIX prédominent, les stratégies de superposition de volatilité sont la priorité de premier ordre.

Pour les banques centrales

cela signifie qu’elles peuvent mesurer le bénéfice d’instruments supplémentaires de gestion des taux stabilisant les capitaux propres, en fonction du degré de panique du marché déjà présent.

Pour les décideurs politiques

comprendre le type de crise auquel ils sont confrontés est le plus important.

« Le COVID était une crise volatilité‑rendement de 7 : 1, tandis que la GFC était une crise de 2,3 : 1. En tant qu’outil de diagnostic pour déterminer quel canal est le plus susceptible de prévaloir en temps réel, ces ratios pourraient être utilisés pour de futures occurrences de cygne noir. »

Étude référencée

^{1. Guru Ashish Singh. Prédire l:imprévisible : un cadre d'inférence causale contrefactuelle pour l'effondrement du marché financier lors d'événements cygne noir. Expert Systems with Applications. 15 décembre 2026. Article: 133342. Volume: Volume 331, Part C. DOI: https://doi.org/10.1016/j.eswa.2026.133342}