8 Faits Stylisés

Physique des Marchés
Introduction : Faits stylisés
Ioane Muni Toke
Ecole Centrale Paris

Option Mathématiques Appliquées
Majeure Mathématiques Financières
15 février 2011
Ioane Muni Toke (ECP - OMA Finance) Physique des Marchés: Introduction 15 février 2011 1 / 55
Introduction
Modélisation stochastique / probabiliste

Inadéquation avec les observations empiriques
Données empiriques, informatisation, haute-fréquence
Microstructure, “éconophysique”
Données financières
Figure: Extraits de fichiers de données “trades” (gauche) et “quotes” (droite)

pour le titre BNP Paribas.
⇒ bid, ask, mid, last, . . . : quel prix ?
Echelle d’observation
67.2 66.02
67
66
66.8
66.6 65.98
66.4
65.96
66.2
65.94
66
65.8 65.92
65.6
65.9
65.4
65.2 65.88
30000 35000 40000 45000 50000 55000 60000 65000 36000 36010 36020 36030 36040 36050 36060
Figure: (Haut) Valeur du titre BNPP.PA pour la période 2003-2011 (Source:

finance.yahoo.com). (Bas) Prix de transactions pour le titre BNPP.PA le 27 mai
2008. Journée entière (gauche) et zoom sur une minute à 10h00 (droite).
Plan de la séance
1 Distribution des rendements

Observations empiriques
Quelques distributions utiles
Exemples de calibration
2 Corrélation des rendements et volatilité

Marche aléatoire et théorème central limite
Subordination et changement de temps
3 Volatilité et corrélations en haute-fréquence

Volatilité et “signature plots”
Corrélation et effet Epps
Distribution des rendements
Plan de la séance



Distribution des rendements Observations empiriques
Plan de la séance



Rendements financiers
On note p le prix d’un actif financier.

On définit le rendement à la date t sur la période τ par:
p(t) − p(t − τ )
rτ (t) = (1)
p(t − τ )
Incréments, rendements et log-rendements:
δτ p(t) = p(t) − p(t − τ ) (2)

p(t)
rτ (t) = − 1 ∼ ln(p(t)) − ln(p(t − τ )) (3)
p(t − τ )
Approximation: ln 1.01 ≈ 9.95 × 10−3 , ln 1.10 ≈ 9.53 × 10−2

√
Cadre de Black & Scholes: r N (µτ, σ τ )
Distributions empiriques des rendements (I)
Figure: Distribution des log-rendements normalisés pour une période

d’échantillonnage τ = 5 minutes pour le titre BNP Paribas pour la période
01/01/2007 - 30/05/2008.
Distributions empiriques des rendements (II)
Figure: Distribution des log-rendements journaliers normalisés de l’indice SP500

pour la période 1950-2009. Source des données: finance.yahoo.com
Distribution des rendements Quelques distributions utiles
Plan de la séance



Lois normale et log-normale (I)
Loi normale N (µ, σ)
(x − µ)2

1
fN (x) = √ exp − (4)
σ 2π 2σ 2
2
Décroissance en e −x très rapide:
P(|X | > 3σ) < 0.2%, (5)

−23
P(|X | > 10σ) < 2.10 (6)
Loi log-normale ln N : ln X N (µ, σ)
(ln x − µ)2

1
fln N (x) = √ exp − (7)
xσ 2π 2σ 2
Lois normale et log-normale (II)
Figure: Comparaison des lois normale et log-normale de (log-)moyenne 100 et

(log-)écart-type 15 en échelle linéaire (gauche) et linéaire-log (droite).
⇒ Bachelier vs. Black & Scholes . . .

Lois α-stables (I)
Lois de Lévy / α-stable L(α) (queues de Pareto)
αAα±
fL(α) (x) ∼x→∞ (8)
|x|1+α
+ −A−
Aα α
Symétrie : β = Aα +Aα ∈ [−1, 1]
+ −
Fonction caractéristique d’une loi stable symétrique centrée :
ΦL (t) = exp (−Cα |t|α ) , C α ∝ Aα constante (9)
Si α < 2, Var[X ] = +∞
Si α ≤ 1, même la moyenne n’est pas définie
A
Cas particulier α = 1: Cauchy fL(1) (x) = x 2 +π 2 A2
Cas particulier α = 2: Gaussienne fL(2) (x) = fN (0,σ) (x)
Lois α-stables (II)
Figure: Densités de probabilités des lois stables pour α = 0.5, 1.0, 1.5, 2.0, en
échelle linéaire (gauche) et linéaire-log (droite).
Loi de Student (I)
Densité de probabilité de S(ν)

− 1+ν
1 Γ 1+ν x2

2
2
fS (x) = √ 1+ (10)
νπ Γ ν2 ν
Queues de distribution en loi puissance

Convergence en loi vers la loi normale pour ν → +∞
Si ν ≤ 2, la variance n’est pas définie
Loi de Student (II)
Figure: Densité de probabilités de la loi de Student pour ν = 0.5, 1.0, 1.5, 2.0, 10
et +∞, en échelle linéaire (gauche) et linéaire-log (droite).
Autres distributions utiles
Loi gamma inverse i Γ
x0α

−x0
fi Γ (x) = exp (11)
Γ(α)x 1+α x
Variable positive, queues de distribution en loi puissance

Loi hyperbolique H
q
1 2
fH (x) = exp −α x0 + x 2 (12)
2x0 B(αx0 )
Queues de distribution exponentielles

et beaucoup de lois composées: Student hyperbolique, Lévy
tronquées,. . .
Distribution des rendements Exemples de calibration
Plan de la séance



Calibration de quelques distributions (I)

01/01/2007 - 30/05/2008.
Calibration de quelques distributions (II)

01/01/2007 - 30/05/2008.
Influence de la fréquence d’échantillonnage
100
Empirical cumulative distribution

τ = 1 day
τ = 1 week
τ = 1 month
Gaussian
10-1
10-2
10-3
0 1 2 3 4 5 6
Normalized return
Figure: Distribution des log-rendements normalisés de l’indice SP500 pour la

période 1950-2009, pour différentes périodes d’échantillonnage.
Corrélation des rendements et volatilité
Plan de la séance



Corrélation des rendements et volatilité Observations empiriques
Plan de la séance



Absence de corrélation des rendements
BNPP.PA 1-minute return

0.4 BNPP.PA 5-minute return
Autocorrelation
0.2
-0.2
-0.4
0 10 20 30 40 50 60 70 80 90
Lag
Figure: Autocorrélation des log-rendements pour le titre BNP Paribas pour la

période 01/01/2007 - 30/05/2008.
“Clustering” de volatilité
1
0.8
Autocorrelation
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80 90
Lag
Figure: Autocorrélation des valeurs absolues des log-rendements pour le titre

BNP Paribas pour la période 01/01/2007 - 30/05/2008.
Mandelbrot (1963)
Référence
The Variation of Certain Speculative Prices, Benoit Mandelbrot, The
Journal of Business, Vol. 36, No. 4 (Oct., 1963), pp. 394-419
“the empiricald distributions of price changes are usually too

”peaked” to be relative to samples from Gaussian populations”
“large changes tend to be followed by large changes – of either sign –
and small changes tend to be followed by small changes”
Effet “leverage” de volatilité

Première observation par Black (1976) (Studies of stock price volatility
changes, Proceedings of the 1976 Meetings of the American Statistical
Association, pp. 177-181. Non consulté).
Figure: Corrélation des rendements et des valeurs absolues des log-rendements

pour les futures S&P500 pour la période 1998-1999. Tiré de (Bollerslev et al.,
2006).
Corrélation des rendements et volatilité Marche aléatoire et théorème central limite
Plan de la séance



Marche aléatoire et TCL
Marche aléatoire pour le log-prix :
pt = pt−1 + ǫt (13)
avec E[ǫt ] = 0 et E[ǫt ǫs ] = 0 si t 6= s

Version classique
Soit (Yi )i ∈N une suite de variable aléatoires indépendantes et
identiquement distribuées,
P de moyenne E[Yi ] = 0 et de variance
E[Yi2 ] = 1. Soit Sn = ni=1 Yi .
√
Alors la distribution de Sn / n converge en loi vers la loi normale centrée
réduite N (0, 1) quand n → +∞.
⇒ contradiction avec les résultats empiriques: quelle hypothèse doit-on

abandonner ?
Théorème Central Limite généralisé (Gnedenko et

Kolmogorov, 1968)
Une version simplifiée d’un TCL généralisé

Soit (Yi )i ∈N une suite de variable aléatoires indépendantes et
identiquement distribuées selon une loi dontPla densité décroı̂t en loi
puissance |x|−(1+α) , 0 < α < 2. Soit Sn = ni=1 Yi .
Alors il existe des constantes An > 0 et Bn telles que la distribution de
Sn /An − Bn converge en loi vers la loi stable L(α) quand n → +∞.
Notion de domaine d’attraction

Exemple de la loi de Student
Notion de “scaling”
Mandelbrot (1963) et le prix du coton
Corrélation des rendements et volatilité Subordination et changement de temps
Plan de la séance



Idée: variance et nombre de transactions
100
Average variance
Average number of trades
10-1
Number of trades
10-2
10-3
10-4
10 100 1000 10000
Time period τ
Figure: Variance des rendements et nombre de trades (divisé par 104 ) en fonction
de la période d’échantillonnage (en secondes) pour le titre BNPP.PA sur la
période 01/01/2007 - 28/05/2008.
Subordination
Définition
Soit (X (t))t≥0 un processus stochastique à valeur dans R. Soit (T (t))t≥0
un processus stochastique croissant à valeur dans R+ . Alors X (T (t)) est
appelé processus subordonné de X et T (t) est appelé processus directeur.
Théorème (Clark, 1973)

Si X est à accroissements indépendants et stationnaires centrés de
variance σ 2 et si T à accroissements indépendants et stationnaires positifs
de moyenne µ, indépendants de X ,
Alors le processus subordonné X (T (t)) est centré de variance µσ 2 .
Subordination par le nombre de transactions

Référence
Stochastic volatility of financial markets as the fluctuating rate of
trading: An empirical study, A. Christian Silva, Victor M. Yakovenko,
Physica A: Statistical Mechanics and its Applications, Volume 382, Issue
1, 1 August 2007, Pages 278-285.
Processus directeur t.q. ξN = VarN [r ]

Subordination gaussienne:
(x − µ)2

1
fN (x) = √ √ exp − (14)
ξN 2π 2ξN
Distribution des rendements pour une période τ par subordination:
Z ∞
(x − µ)2

1
fτ (x) = √ √ exp − Kτ (N)dN (15)
0 ξN 2π 2ξN
avec Kτ (N) distribution du nombre de transactions sur une période τ
Distribution des rendements en temps de transaction
INTC, 1999 INTC, 1999

1
0.9 N N/η
2600 0:41 h
−1 0.8
CN(x/σN) and 1−CN(x/σN)
10 3500 0:55 h
0.7
4500 1:11 h
0.6
C (x/σ )
N
N N/η 0.5
−2
N
10 2600 0:41 h
0.4
3500 0:55 h N N/η
4500 1:11 h 0.3
5500 1:27 h
5500 1:27 h 0.2
8100 2:07 h
−3 8100 2:07 h
10 0.1 9500 2:29 h
9500 2:48 h
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
−4 −3 −2 −1 0 1 2 3 4 CDF[Normal(0,1)]
x/σN
Figure: Fonction de répartition des log-rendements normalisés après N

transactions (gauche) et graphe paramétrique des quantiles empiriques et
gaussiens (droite), pour le titre INTC (Intel) pour l’année 1999. Tiré de (Silva &
Yakovenko, 2007).
Distribution du nombre de transaction par intervalle de

temps
INTC, 1999
1
10
0
10 1 day = 6:30 h
−1
10
C (N)
∆t
−2 3:15 h
10
−3
10 2:10 h
0:30 h 1:05 h
−4
10
0 1 2 3 4 5 6
N 4
x 10
Figure: Fonction de répartition du nombre de transactions Nτ par période τ pour

le titre INTC (Intel) pour l’année 1999. Tiré de (Silva & Yakovenko, 2007).
Distribution des rendements par subordination
Distribution des rendements pour une période τ par subordination:

Z ∞
(x − µ)2

1
fτ (x) = √ √ exp − Kτ (N)dN (16)
0 ξN 2π 2ξN
Distribution exponentielle du nombre de transaction par intervalle de

temps
e −N/ητ
Kτ (N) = , avec η t.q. E[Nτ ] = ητ (17)
ητ
Distribution des rendements par subordination
√
e −|x| 2/ξητ
fτ (x) ≈ √ (18)
2ξητ
Décroissance exponentielle
Lien avec la volatilité stochastique
Volatilité et corrélations en haute-fréquence
Plan de la séance



Volatilité et corrélations en haute-fréquence Volatilité et “signature plots”
Plan de la séance



Volatilité réalisée
p : prix logarithmique
rτ (j) = p(jτ ) − p((j − 1)τ ) incréments des log-prix
Cadre Black & Scholes / semi-martingales d’Itô :
Z T T /τ T /τ
X X
σu2 du = hpiT = lim (p(jτ ) − p((j − 1)τ ))2 = lim rτ (j)2
0 τ →0 τ →0
j=1 j=1
(19)
Estimateur “naturel” de la variance intégrée avec données
intra-journalières
T /τ
X
V̂R (τ ) = rτ (j)2 (20)
j=1
⇒ variance réalisée: V̂R (τ ) → hpiT en probabilité quand τ → 0
Signature plot (I)
Figure: Volatilité réalisée en fonction de la période d’échantillonnage (en minutes)

calculée à partir des prix mid du titre IBM sur le NYSE (trait plein) et
NYSE+Midwest (pointillés) pour février 2002. Tiré de (Bandi & Russell, 2007).
Signature plot (II)
Figure: Volatilité réalisée en fonction de la période d’échantillonnage (en minutes)

calculée à partir des prix mid des titres Cisco (trait discontinu) et Microsoft (trait
plein) pour février 2002. Tiré de (Bandi & Russell, 2007).
Observations et microstructure
Un modèle d’observation du prix logarithmique p ∗ semi-martingale, η

bruit : p = p ∗ + η d’où :
rτ (j) = p ∗ (jτ ) − p ∗ ((j − 1)τ ) +η(jτ ) − η((j − 1)τ ) (21)

= rτ∗ (j) +ǫτ (j) (22)
Volatilité réalisée :
T /τ T /τ T /τ T /τ
X X X X
V̂R = rτ (j) = 2
rτ∗ (j)2 + 2
ǫτ (j) + 2 rτ∗ (j)ǫτ (j) (23)
j=1 j=1 j=1 j=1
⇒ divergence de l’estimateur quand τ → 0.

Empiriquement: bruit, “bid-ask bounce” et autres effets de
microstructure
Volatilité et corrélations en haute-fréquence Corrélation et effet Epps
Plan de la séance



Covariance (I)
Deux processus de prix d’actifs p 1 et p 2

Cadre Black & Scholes / semi-martingales d’Itô :
Z T
hp 1 , p 2 iT = ρu σu1 σu2 du (24)
0
T /τ
X
1 2
hp , p iT = lim (p 1 (jτ ) − p 1 ((j − 1)τ ))(p 2 (jτ ) − p 2 ((j − 1)τ ))
τ →0
j=1
Covariance (II)
Estimateur de covariance réalisée :

T /τ
X
Ĉτ = (p 1 (jτ ) − p 1 ((j − 1)τ ))(p 2 (jτ ) − p 2 ((j − 1)τ )) (25)
j=1
T /τ
X
= rτ1 (j)rτ2 (j) (26)
j=1
Consistance :
Ĉτ → hp 1 , p 2 iT en probabilité quand τ → 0. (27)
Synchronisation nécessaire. . . et pourtant, transactions/cotations

asynchrones !
Effet Epps (I)
Epps (1979): “Correlations among price changes [. . . ] are found to

decrease with the length of the interval for which the price changes are
measured.”
Figure: Corrélations des log-rendements pour quatre actifs (AMC, Chrysler, Ford,
GM) pour 125 jours ouvrés au premier semestre 1971. Tiré de (Epps, 1979).
Effet Epps (II)
0.35
0.3
0.25
0.2
ρ∆ t
0.15
1993
0.1
1997
2000
0.05
2003
0
0 1000 2000 3000 4000 5000 6000 7000 8000 9000
∆ t [sec]
Figure: Corrélations des log-rendements pour de Coca-Cola et Pepsi en fonction

de la période d’échantillonnage pour les années 1993, 1997, 2000 et 2003. Tiré de
(Toth & Kertesz, 2007).
Effet Epps (III)
Plusieurs explications proposées :

effet “lead-lag” pour les titres d’un même secteur
asynchronicité des transactions
effect de “tick” et autres effets de microstructure
Estimateur de Hayashi et Yoshida (I)
Référence
On covariance estimation of non-synchronously observed diffusion
processes, Takaki Hayashi, Nakahiro Yoshida, Bernoulli, Volume 11,
Number 2 (2005), 359-379.
Soient ti1 la i -ème observation du prix p 1 et tj2 la j-ème observation

du prix p 2 .
On note I i =]ti1−1 , ti1 ] l’intervalle entre les observations i − 1 et i du
prix p 1 , et J j =]tj−1
2 , t 2 ] l’intervalle entre les observations j − 1 et j
j
du prix p 2 .
Estimateur de Hayashi et Yoshida (II)
Les variations de prix s’écrivent:
∆p 1 (I i ) = p(ti1 ) − p(ti1−1 ), ∆p 2 (J j ) = p(tj2 ) − p(tj−1

2
), (28)
On construit l’estimateur de covariance :

X
Ĉ HY = ∆p 1 (I i )∆p 2 (J j )1I i ∩J j 6=∅ (29)
i ,j
RT
Consistance: si p semi-martingale, Ĉ HY → 0 ρu σu1 σu2 duhp 1 , p 2 iT
Recherche active en cours (Griffin & Oomen, 2011)
Estimateur de Hayashi et Yoshida (III)
Figure: RMSE d’estimateurs de covariance réalisée (RC = Ĉ τ et HY = Ĉ HY )

pour des données simulées et échantillonnées par un processus de Poisson. Tiré
de (Griffin & Oomen, 2011).
En résumé
Quelques notions-clés:
Données, prix, fréquence, échelle d’observation
Faits stylisés: rendements non corrélés, queues de distribution épaisses
Faits stylisés:“clustering” de volatilité, “leverage”
Subordination, temps de transactions, temps évènementiel
Corrélation, données asynchrones et effet Epps
Effets/bruit de microstructure et haute fréquence
Références
Bollerslev, T., Litvinova, J., Tauchen, G. (2007) Leverage and Volatility
Feedback Effects in High-Frequency Data, Journal of Financial
Econometrics, 4 (3):353–384.
Clark, P.K. (1973), A Subordinated Stochastic Process Model with Finite

Variance for Speculative Prices, Econometrica, 41 (1):135–155.
Epps, T.W. (1979), Comovements in Stock Prices in the Very Short Run,
Journal of the American Statistical Association, 74:291–298.
Gnedenko, B.V., Kolmogorov, A.N. (1968), Limit distributions for sums of

independent random variables, Rev.ed., Addison-Wesley.
Griffin, J.E., Oomen, R.C.A. (2011), Covariance measurement in the

presence of non-synchronous trading and market microstructure noise,
Journal of Econometrics, 160 (1):58–68.
Références
Hayashi, T., Yoshida, N. (2005), On covariance estimation of

non-synchronously observed diffusion processes, Bernoulli, 11 (2):359–379.
Mandelbrot, B. (1963), The Variation of Certain Speculative Prices, The

Journal of Business, 36 (4):394–419.
Silva, A.C., Yakovenko, V.M. (2007), Stochastic volatility of financial

markets as the fluctuating rate of trading: An empirical study, Physica A:
Statistical Mechanics and its Applications, 382 (1):278–285.
Tóth, B., Kertész, J. (2007), On the origin of the Epps effect, Physica A:
Statistical Mechanics and its Applications, 383 (1):54–58.

8 Faits Stylisés

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

8 Faits Stylisés

Transféré par

Droits d'auteur :

Formats disponibles

Physique des Marchés

Introduction : Faits stylisés

Ioane Muni Toke

Ecole Centrale Paris

Modélisation stochastique / probabiliste

Figure: Extraits de fichiers de données “trades” (gauche) et “quotes” (droite)

⇒ bid, ask, mid, last, . . . : quel prix ?

Figure: (Haut) Valeur du titre BNPP.PA pour la période 2003-2011 (Source:

1 Distribution des rendements

2 Corrélation des rendements et volatilité

3 Volatilité et corrélations en haute-fréquence

1 Distribution des rendements

2 Corrélation des rendements et volatilité

3 Volatilité et corrélations en haute-fréquence

1 Distribution des rendements

2 Corrélation des rendements et volatilité

3 Volatilité et corrélations en haute-fréquence

On note p le prix d’un actif financier.

Incréments, rendements et log-rendements:

δτ p(t) = p(t) − p(t − τ ) (2)

Approximation: ln 1.01 ≈ 9.95 × 10−3 , ln 1.10 ≈ 9.53 × 10−2

Distributions empiriques des rendements (I)

Figure: Distribution des log-rendements normalisés pour une période

Distributions empiriques des rendements (II)

Figure: Distribution des log-rendements journaliers normalisés de l’indice SP500

1 Distribution des rendements

2 Corrélation des rendements et volatilité

3 Volatilité et corrélations en haute-fréquence

Lois normale et log-normale (I)

Loi normale N (µ, σ)

P(|X | > 3σ) < 0.2%, (5)

Loi log-normale ln N : ln X N (µ, σ)

Lois normale et log-normale (II)

Figure: Comparaison des lois normale et log-normale de (log-)moyenne 100 et

⇒ Bachelier vs. Black & Scholes . . .

Lois α-stables (I)

Lois de Lévy / α-stable L(α) (queues de Pareto)

Fonction caractéristique d’une loi stable symétrique centrée :

ΦL (t) = exp (−Cα |t|α ) , C α ∝ Aα constante (9)

Lois α-stables (II)

Loi de Student (I)

Densité de probabilité de S(ν)

Queues de distribution en loi puissance

Loi de Student (II)

Autres distributions utiles

Loi gamma inverse i Γ

Variable positive, queues de distribution en loi puissance

Queues de distribution exponentielles

1 Distribution des rendements

2 Corrélation des rendements et volatilité

3 Volatilité et corrélations en haute-fréquence

Calibration de quelques distributions (I)

Figure: Distribution des log-rendements normalisés pour une période

Calibration de quelques distributions (II)

Figure: Distribution des log-rendements normalisés pour une période

Influence de la fréquence d’échantillonnage

Empirical cumulative distribution

Figure: Distribution des log-rendements normalisés de l’indice SP500 pour la

1 Distribution des rendements

2 Corrélation des rendements et volatilité

3 Volatilité et corrélations en haute-fréquence

1 Distribution des rendements

2 Corrélation des rendements et volatilité

3 Volatilité et corrélations en haute-fréquence