mémoire nulle ou une mémoire longue positive (ou persistance).

Selon Parzen (1981)[278],

un processus yt stationnaire avec une fonction d’auto-covariance γk = E[yt yt+k ], est un
processus de mémoire longue si : ∞
P
k=−∞ |γk | = ∞.

L’analyse R/S est parmi les méthodes les plus connues pour estimer l’exposant Hurst.
Pour une série yt , la statistique R/S est définie comme l’étendue des sommes partielles
des écarts par rapport à la moyenne, divisée par l’écart-type. Ainsi :

k k
1 X X
R/S = PT [ max (yj − ȳT ) − min (yj − ȳT )] (2.36)
[ T1 2 1/2
j=1 (yj − ȳT ) ]
1≤k≤T
j=1
1≤k≤T
j=1

La statistique R/S est positive, et elle permet de calculer l’exposant de Hurst :

log(R/S)
H∼ (2.37)
log(T )

T est le nombre d’observations de la série.

Ce coefficient de Hurst représente une mesure de l’intensité de la dépendance de long
terme :
— Si H = 0.5 : les autocorrélations sont nulles et le processus ne présente aucune
dépendance à long terme (un processus brownien par exemple) ;
— Si 0.5 < H < 1 : les autocorrélations sont toutes positives et tendent hyperbolique-
ment vers 0 et le processus présente une forme persistante de mémoire Longue ;
— Si 0 < H < 0.5 Le processus et anti persistant. Des phases de hausse ont tendance
à être suivies par des phases de Baisse (haute volatilité).
Afin d’appliquer l’estimation de l’exposant de Hurst, il faut d’abord vérifier que les
séries analysées soient stationnaires afin d’éviter qu’une valeur élevée de l’exposant de
Hurst ne soit dûe à une éventuelle non stationnarité de la série. Dans le cadre de notre
analyse, nous allons appliquer l’analyse R/S sur les 5 variables de la liquidité, plus la
variable différenciée DADV .

Roll CS Amihud HL ADV LIX

Hurst R/S 0.6613 0.9231 0.7890 0.9733 0.8802 0.9472

Table 2.4 – Statistique de Hurst R/S.

Au vu des résultats fournis dans le tableau 2.4, toutes les séries semblent présenter
une mémoire de long terme puisque les exposants Hurst sont tous largement supérieurs à

120
0,5. De ce fait, la liquidité présente une structure de dépendance de long terme et les ob-
servations distantes exhibent des autocorrélations significatives. La connaissance du passé
permet la prévisibilité des valeurs futures de la liquidité. Ce résultat est identique à celui
de Bollerslev et Jubinski (1999)[59], qui soutiennent que les rendements boursiers et les
mesures de liquidité sont mieux décrits par des processus de type mémoire longue.
La persistance pour les mesures de liquidité relatives au volume (LIX et ADV) témoigne
de la capacité du marché à résister à des volumes importants sans que cela impact si-
gnificativement les prix. D’autre part, la mémoire longue dans les mesures de liquidité
relatives à la fourchette bid-ask, indique la persistance des coûts de transaction.

2.4.3 L’analyse spectrale de la liquidité

Il est possible de recourir à l’analyse spectrale pour étudier la présence d’une mémoire
longue dans une série temporelle. Le périodogramme, la densité spectrale et l’analyse en
multi résolution sont en général des outils qui permettent d’étudier les propriétés multi-
horizon des séries chronologiques. Bollerslev et al.(2013)[60], par exemple, utilisent le
périodogramme pour analyser la persistance de la volatilité sur le marché américain.

Le comportement à basse fréquence d’un signal reflète ses caractéristiques de long

terme. Dans l’analyse spectrale, la mémoire longue est décrite en termes de taux de dé-
formation des spectres de basse fréquence. La densité spectrale est la variance par unité
de fréquence. En cas d’absence de mémoire longue, la densité spectrale est positive et
constante. En présence d’une dépendance de longue terme, la densité spectrale exhibe un
pôle à la fréquence zéro. La série étudiée présente donc des cycles non périodiques de tous
ordres et les basses fréquences sont très importantes.
Pour le périodogramme, lorsque le pôle du spectre se situe à dans les très basses fré-
quences, et présente une décroissance exponentielle à mesure que la fréquence augmente,
cela indique l’existence d’une mémoire longue.

Les graphiques 2.4 et 2.5 présentent le périodogramme et la densité spectrale des 6

mesures de la liquidité. On remarque au travers de ces graphiques que toutes les séries
exhibent le comportement d’un processus de mémoire longue. Sur le périodogramme par
exemple, le premier pic est à une fréquence largement inférieure à 0.005 pour toutes les
séries. La période (nombre de jour) associée à ce cycle est supérieure à 1/0.005= 200 jours.

L’analyse en ondelettes est un outil puissant pour étudier les caractéristiques multi-
horizons des séries temporelles, et pour ainsi sortir de la dichotomie court terme/long
terme. Cette analyse permet de décomposer une série en différentes échelles temporelles.

121
 Figure 2.4 – Périodogramme et densité spectrale des mesures Roll, CS et Amihud.

Les basses échelles permettent de saisir le comportement à haute fréquence alors que les
hautes échelles permettent de capturer le comportement à basse fréquence.
Cette méthode peut avoir un intérêt dans notre analyse sur la dynamique de la liquidité
quand on sait que les investisseurs n’ont pas forcément le même horizon d’investissement.
Par exemple, les investisseurs impatients (demandeurs de liquidité) sont liés à la compo-
sante de haute fréquence. À ce propos, Righi et Vieira (2012)[289] ont utilisé l’analyse en
ondelettes pour étudier la relation entre la liquidité (mesurée par le ratio d’Amihud) et
les rendements boursiers sur le marché brésilien.

L’analyse multi résolution consiste à décomposer un signal en composantes qui, lors-

qu’elles sont additionnées, reproduisent exactement le même signal. De plus, à travers
l’analyse multi résolution, il est possible de visualiser la variabilité du signal à différentes
échelles, ou sur différentes bandes de fréquences. Le terme d’analyse multi résolution est
souvent associé aux ondelettes, mais il existe des techniques autres que les ondelettes qui
produisent également des analyses multi résolution.

122
 Figure 2.5 – Périodogramme et densité spectrale des mesures HL, ADV et LIX.

Une série temporelle f(t) peut être représentée sous forme décomposée comme :
X X X
f (t) = f (t) = AJ,k ΦJ,k (t) + DJ,k ΨJ,k (t) + ... + D1,k ΨJ,k (t) (2.38)
k k k

t − 2J k
Z
−J/2
ΦJ,k = 2 Φ( ), avec : Φ(t).dt = 1
2J
t − 2J k
Z
−J/2
ΨJ,k = 2 Φ( ), avec : Ψ(t).dt = 0
2J
Où Φ est la fonction d’échelle et Ψ est la fonction ondelette, sur lesquelles repose la trans-
formée en ondelettes. J est le nombre des échelles, 2J est un facteur d’échelle, et k et
l’indice du temps. La première fonction Φ sert à capturer la composante basse fréquence
(haute échelle), tandis que la deuxième fonction Ψ saisit la dynamique du court terme
(haute fréquence). On remarque immédiatement que les deux fonctions sont indexées à la
fois par le temps et l’échelle. C’est justement cette double dimension qui rend l’analyse
par les ondelettes intéressante pour traiter un signal quelconque.

La fonction d’échelle et la fonction ondelette se comportent respectivement comme

des filtres pass-bas et des filtres pass-hauts. On peut utiliser les fonctions ondelettes pour

123
transformer une série temporelle f(t) à des séries des coefficients DJ,k et AJ,k :
Z
AJ,k = f (t)Φj,k (t)dt

Z
DJ,k = f (t)Ψj,k (t)dt

Au final, On peut résumer la décomposition de f(t) sous forme d’arbre comme le

montre le schéma 2.6.

Figure 2.6 – Le schéma de décomposition de f(t).

Dans notre application, nous allons effectuer la décomposition sur les deux séries jour-
nalières Roll et ADV contenant chacune 3100 observations entre Juin 2006 et Décembre
2017. La décomposition est alors faite en 11 échelles (D1-D11) car log2 (3100) = 11.59.
La composante (A11) saisit la tendance de la série de départ. La composante de basse
fréquence est associée à l’échelle la plus longue D11 (offre de liquidité de la part des in-
vestisseurs patients), alors que la composante de haute fréquence est associée à l’échelle
la plus courte D1 (demandeurs de liquidité immédiate).

On remarque pour les graphiques 2.7 et 2.8, une diminution progressive de la puissance
du signal jusqu’à l’échelle 5. Au fur et à mesure que le niveau de décomposition augmente,
la série résultante devienne de plus en plus lisse, sauf pendant les trois périodes : la crise de
2008 et la crise de la dette 2011 et en 2016. Sur ces périodes, on remarque clairement une

124
Figure 2.7 – Analyse multi-résolution de la liquidité du CAC 40 (Roll).

Figure 2.8 – Analyse multi-résolution de la liquidité du CAC 40 (ADV).

125
variabilité même en basse fréquence. Autrement dit, la variabilité persiste même dans les
échelles les plus élevées. Les pics observés dans les composantes de haute basse fréquence
peuvent donner une indication sur une présence des sauts (flash crashs dans notre cas).
Notons également que le niveau de décomposition le plus bas D1 correspond d’habitude
au bruit et donc aux demandeurs de liquidité immédiate. La composante D1 concentre
toute seule presque une grande partie de la variance du processus. Les autres composantes
non nulles correspondent aux investisseurs fondamentalistes.

2.5 Modélisation de la liquidité

2.5.1 Modélisation de ARMA

Dans la partie qui suit, nous allons tenter d’identifier le processus stochastique qui ré-
git la série temporelle de la liquidité. Compte tenu des conclusions que nous avons faites
sur la fonction d’autocorrélation de la liquidité, nous allons tout d’abord nous intéresser
aux processus dits ARMA (Autoregressive Moving Average), et nous allons éventuelle-
ment utiliser les modèles qui corrigent l’hétètoscédasticité (ARCH, Garch. . . ). L’intérêt
de l’application des processus autorégressifs dans le contexte de la liquidité du marché ré-
side dans le pouvoir prédictif de ces modèles, et cela permettrait par exemple aux acteurs
d’anticiper un faible niveau de liquidité qui pourrait conduire à une contraction des mar-
chés, ou de mesurer l’impact des chocs sur la liquidité (sous l’impulsion de la régulation)
sur l’activité globale sur le marché.

Au sujet de la modélisation de la liquidité par des modèles autoregressifs, Minovic

et Zivkovic (2010)[267] font appel au modèle Garch multivarié pour saisir la dimension
temporelle du risque de liquidité. De la même manière, Febrian et Herwany (2008)[138]
modélisent les variations de la liquidité du marché (mesurée par la fourchette bid-ask, la
fréquence des transactions et le ratio d’Amihud) par les modèles Arch et Garch. Tudor
(2011)[317] développe un nouveau modèle de LW-Garch (Liquidity-Weighted Garch ou
le modèle Garch pondéré par la liquidité) pour prendre en compte la dimension de la
liquidité dans la volatilité des séries financières.

Un modèle ARMA(p,q) est un processus temporel discret (yt , t ∈ N) composé de

deux parties : une part auto-régressive (AR) et une part moyenne mobile (MA). Il s’écrit
comme :

yt = c + φ1 yt−1 + · · · + φp yt−p + θ1 εt−1 + · · · + θq εt−q + εt , (2.39)

126
Où p est l’ordre de la partie AR et q l’ordre de la partie MA. φ et θ sont les paramètres
du modèle et les εt représente un bruit blanc.
Les processus ARMA nécessitent l’utilisation des séries stationnaires. Malgré leurs avan-
tages, ces processus présentent, l’inconvénient de la non prise en compte des clusters de
volatilité, étant donné qu’ils supposent que la variance conditionnelle est constante.

Avec la remise en cause de l’hypothèse d’homoscédasticité, le modèle Arch (Autore-

gressive conditional heteroskedasticity) développé par Engle (1982)[132] repose sur une
variance conditionnelle variable en fonction du temps. Avec t l’innovation de la série et
zt un bruit blanc, un modèle Arch(q) s’écrit comme :

t = σt zt (2.40)
q
X
σt2 = α0 + αi 2 t−i
i=1

Pour tenir de la dynamique de la variance conditionnelle, Bollerslev (1986)[58] définit

le processus Garch(p,q) qui généralise le processus Arch(q) en ajoutant l’évolution des
valeurs passées de σt2 :
q p
X X
σt2 = α0 + αi 2t−i + 2
βj σt−j (2.41)
i=1 j=1

Au final, la procédure de l’identification nous permettra d’estimer, pour chaque va-

riable de la liquidité LIQ, les paramètres du modèle suivant :

LIQt = pi=1 αi LIQt−i + pj=1 βj t−j + t = ut + σt zt
P P


q


σt2 = α0 + αi 2 t−i + pj=1 βj σt−j
2
P P
(2.42)

 i=1

 t = σt zt

Où ut et σt sont, respectivement, la moyenne conditionnelle et la volatilité conditionnelle

de la liquidité.

Nous allons maintenant tenter d’identifier les processus qui régissent les 6 variables
de la liquidité. L’identification ARMA s’effectue à partir du corrélogramme, où la fonc-
tion d’auto corrélation permet de déterminer la partie MA, et la fonction d’auto corréla-
tion partielle permet d’identifier la partie AR. L’ordre p de cette dernière correspond au

127
nombre des coefficients d’autocorrélation partielle significativement différents de 0, tan-
dis que pour un MA, l’ordre q correspond au nombre des coefficients d’auto corrélation
significativement différents de 0.

La validité du modèle choisi est vérifiée à travers les résidus qui doivent respecter les
hypothèses de normalité (test de Jarque Bera), de non autocorrélation (test Q de Ljung-
Box ) et d’homoscédasticité (test de Arch). Les ratios d’information (Aikaike et Schwarz)
et le coefficient de détermination du modèle sont également des critères de choix envisa-
geables. Le tableau 2.5 résume les modèles retenus et les tests effectués. Les résultats des
différentes estimations sont fournis en annexes 3.8 et 3.9.

Roll CS Amihud HL ADV LIX

Arch(2) Garch(1,1) Arch(2) Arch(5) Arch(2)
Modèle Retenu AR(8)
AR(4) AR(9) AR(3) AR(6) AR(8)
à partir du
Non Autocorrélation non non non non non
21ème retard
Normalité non non non non non oui
Homocédasticité oui oui oui oui non oui

Table 2.5 – Les résultats de l’identification faite sur les variables de la liquidité.

Pour les variables Roll, Amihud, HL et LIX, le modèle choisi est un AR corrigé de
l’hétéroscédasticité via la spécification Arch. La variable CS est modélisée par un preces-
sus AR à 9 retards dont la variance conditionnelle est régie par un Garch(1,1). Tous les
résidus des différentes estimations ne respectent pas l’hypothèse de la normalité, ainsi que
que l’hypothèse de non autocorrélation. En revanche, la spécification Arch/Garch permet
de résoudre le problème de l’hétéroscédasticité.

Le recours à des spécifications de type Arch/Garch implique la présence des clusters de

liquidité, c’est-à-dire des périodes où la liquidité connaît une forte volatilité. Cela confirme
ce qui se passe par exemple en période de crise où la liquidité disparaît soudainement
puis réapparaît sur le marché. La possibilité de modéliser la liquidité avec des processus
autorégressifs ouvre aux investisseurs la perspective de prévoir le risque de liquidité et de
réduire par conséquence les coûts qui en découlent.

2.5.2 Modélisation ARFIMA

Nous avons conclu précédemment que l’hypothèse d’absence d’autocorrélation au ni-

veau des variables de la liquidité, n’est pas vérifiée. Les fonctions d’autocorrélations sont
toutes significativement différentes de 0, au delà même de 250 retards (ou une année). Ceci

128
suggère qu’un modèle de type ARFIMA (AutoRegressive Fractionnaly Integrated Moving
Average) pourrait mieux modéliser le comportement de la liquidité.

La dynamique de court terme des séries peut être expliquée par les composantes au-
torégressives et moyenne-mobiles ARIMA, et on peut également y ajouter les modèles
Arch/Garch pour tenir compte de l’hétéroscésasticité. Cependant, pour tous ces modèles,
la fonction d’autocorrélation ressemble à celle d’un bruit blanc ou d’un processus à mé-
moire courte. Pour un processus Arch par exemple, la fonction d’autocorrélation tend de
façon exponentielle vers 0. Plus le nombre des retards est grand, plus faible est l’autocorré-
lation entre Xt et Xt−h . À l’opposé, une série temporelle à mémoire longue est caractérisée
par une fonction d’autocorrélation qui diminue lentement à mesure que nombre de retards
augmente.

Historiquement, Mandelbrot et Van Ness (1968)[252] sont les premiers à proposer un

processus de mémoire longue appelé le mouvement brownien fractionnaire. À l’aide de ce
processus, on peut calculer la valeur de l’exposant de Hurst. Une autre classe des pro-
cessus de longue mémoire est constituée des processus ARFIMA développés par Granger
et Joyeux (1980)[159] et Hosking (1984)[189] et qui sont une généralisation des processus
ARIMA de Box et Jenkins(1971)[33]. À la différence des precessus ARIMA(p,d,q) où le
paramètre de différenciation d est un entier, les processus ARFIMA(p,d,q) sont caracté-
risés par un paramètre d qui peut prendre des valeurs dans R. Ce paramètre d décrit le
comportement de long terme de la série.

Les processus à mémoire longue sont souvent utilisés en économétrie financière. À

titre d’exemple, Cheung et Baillie (1993)[96] et Hassler et Wolters (1995)[174] appliquent
les modèles ARFIMA sur respectivement le taux de change et le taux d’inflation. Les
estimations ARFIMA ont été également utilisées par Panas (2001)[277], indiquant la pré-
sence d’une mémoire longue à la Bourse d’Athènes. En revanche, l’utilisation des modèles
ARFIMA en microstructure des marchès est rare. Tsuji (2002)[316] fait appel à l’analyse
R/S de Hurst et aux modèles ARFIMA pour prouver l’existence de la mémoire à long
terme dans la liquidité et dans la volatilité de l’indice japonais NIKKEI. Singh et al.
(2016)[303] utilisent un processus ARFIMA-Garch pour modéliser le coût de liquidité du
marché boursier australien. Zhou et al. (2018)[331] utilisent un modèle ARFIMA-IGarch
pour décrire la liquidité commune (voir chapitre 3) sur le marché boursier chinois.

Pour un processus ARMA stationnaire, et pour une constante C>0 ; 0<r< 1 et h=0,1,2...N,

129
la fonction d’autocorrélation est bornée :

|ρ(h)| ≤ Crh

En revanche, pour un processus stationnaire à mémoire longue, où C > 0 et d < 1/2,

la fonction d’autocorrélation satisfait la condition :

ρ(h) ∼ C.h2d−1 lorsque h → ∞ (2.43)

Comme l’a noté Peters (1994)[284], une valeur de d dans R est liée au concept de
dimension fractale D développé par Mandelbrot (1983)[252], telle que : D = 1.5 − d. Le
paramètre d peut également s’exprimer en fonction de l’exposant de Hurst (1951)[196] :
d = H − 0.5. Il est alors possible de distinguer, selon la valeur de d, plusieurs cas de
figure :

— Si d=0 (ou D=1.5 et H=0.5) : le processus ne présente pas de mémoire longue, mais
seulement une mémoire courte. Le processus ARFIMA(p,d,q) se réduit dans ce cas
au processus ARMA(p,q) ;
— Si 0<d<0.5 (ou 1<D< 1.5 et 0.5<H< 1) le processus est persistant et présente une
mémoire longue. Les autocorrélations sont positives et décroissent hyperbolique-
ment vers 0 à mesure que le retard augmente, et la série ρ(h) n’est pas convergente
P
|ρ(h)| = ∞ ;
— Si d=0.5 (ou D=1 et H=1) : le processus peut être considéré comme une marche
aléatoire, et il est par conséquent imprévisible ;
— Si d<0 (ou D>1.5 et H<0.5) : le processus est anti-persistant car les autocorré-
lations diminuent de manière hyperbolique vers 0. Il s’agit donc d’une mémoire
P
intermédiaire, la série ρ(h) est absolument convergente |ρ(h)| < ∞.

Le processus ARFIMA(p,d,q) proposé par Granger et Joyeux (1980)[159] est exprimé

ainsi :

φp (B)(1 − B)d yt = θq (B)εt (2.44)

Ou encore comme :

p p
! !
X d
X
1− ρi B i yt (1 − B) = 1+ θj B j εt (2.45)
i=1 j=1

où (1 − B)d permet la différenciation fractionnaire de yt , ρi et θj sont, respectivement,

130