Mesurer la causalité linéaire et non linéaire entre marchés financiers

Résumé

Cet article présente un cadre pour étudier les dépendances entre instruments financiers au-delà de la corrélation classique. Il applique l’entropie de transfert et le cross-mapping convergent pour repérer les relations causales, puis utilise des substituts de transformée de Fourier afin de distinguer les contributions linéaires des non linéaires. L’idée est que la corrélation peut bien refléter la causalité linéaire tout en manquant les dépendances non linéaires, et donc sous-estimer potentiellement l’influence réciproque des marchés.

Les auteurs rapportent une causalité non linéaire significative entre les indices boursiers allemand et américain. Ils évoquent la façon dont la mesure des deux formes de causalité pourrait contribuer à la recherche de signaux de marché, au trading par paires et à la gestion du risque de portefeuille, notamment par la possibilité de signaux d’alerte précoce en cas de comportement anormal. Ces résultats motivent de nouvelles applications, sans établir que ces signaux améliorent systématiquement les résultats du trading. Les éléments présentés concernent les indices étudiés ; l’extrait ne précise ni l’échantillon, ni les tests de robustesse, ni les performances pratiques de stratégies fondées sur ces mesures.

Idées clés

• La corrélation de Pearson mesure la dépendance linéaire, mais peut manquer des relations non linéaires.
• Le cadre associe l’entropie de transfert et le cross-mapping convergent à l’analyse par substituts.
• L’étude fait état d’une causalité non linéaire entre les indices boursiers allemand et américain.
• Les mesures de causalité peuvent éclairer le trading par paires, la recherche de signaux et la gestion du risque de portefeuille.
• L’extrait n’établit pas les performances de trading de stratégies fondées sur ces mesures.

Étiquettes

# Linear and nonlinear causality in financial markets


# Linear and nonlinear causality in financial markets









Identifying and quantifying co-dependence between financial instruments is a key challenge for researchers and practitioners in the financial industry. Linear measures such as the Pearson correlation are still widely used today, although their limited explanatory power is well known. In this paper we present a much more general framework for assessing co-dependencies by identifying and interpreting linear and nonlinear causalities in the complex system of financial markets. To do so, we use two different causal inference methods, transfer entropy and convergent cross-mapping, and employ Fourier transform surrogates to separate their linear and nonlinear contributions. We find that stock indices in Germany and the U.S. exhibit a significant degree of nonlinear causality and that correlation, while a very good proxy for linear causality, disregards nonlinear effects and hence underestimates causality itself. The presented framework enables the measurement of nonlinear causality, the correlation-causality fallacy, and motivates how causality can be used for inferring market signals, pair trading, and risk management of portfolios. Our results suggest that linear and nonlinear causality can be used as early warning indicators of abnormal market behavior, allowing for better trading strategies and risk management.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.