La non-linéarité cyclique, prévision en temps réel et son application à la gestion d'actifs

Cyclical non-linearity, nowcasting and asset allocation

• Auteur / Autrice : Romain Aumond
• Direction : Anna Simoni
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques
• Date : Soutenance le 17/10/2024
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Economie et Statistique (Palaiseau ; 1993-....)
• Partenaire(s) de recherche : Etablissement opérateur d'inscription : École nationale de la statistique et de l'administration économique (Palaiseau ; 1960-....)
• Jury : Président / Présidente : Frédérique Bec
• Jury : Examinateurs / Examinatrices : Anna Simoni, Frédérique Bec, Gabriel Pérez Quirós, Christophe Hurlin, Jean-Michel Zakoian
• Jury : Rapporteur / Rapporteuse : Gabriel Pérez Quirós, Christophe Hurlin

Mots clés

Mots clés contrôlés

Chaines de Markov

Allocation d'actifs

Cycles économiques

Statistique bayésienne

Mots clés libres

Prévision en temps réel

Inférence Bayesienne

Modèles à Facteurs Dynamiques

Chaînes de Markov

Cycle des affaires

Allocation d'Actifs

Nowcasting

Bayesian Inférence

Dynamic Factor Models

Markov Switching

Business Cycle

Asset Allocation

Résumé

Ce manuscrit de thèse se donne pour objet de rapprocher le cadre méthodologique d'identification en temps réel des dynamiques du cycle économique à la gestion d'actifs. Le cycle économique est caractérisé par des phases d'expansion et de récession dont la durée et l'amplitude sont hétérogènes. Les données macroéconomiques qui servent à identifier les phases du cycle sont marquées par des délais de publication et une asynchronicité dans leur disponibilité. Les modèles à facteurs dynamiques à changements de régimes markoviens sont une solution privilégiée pour gérer ces spécificités. Dans le sillage de l'événement extrême du Covid-19 (du point de vue de l'amplitude du choc et de sa relative courte durée), une grande partie des modèles employés jusque-là pour identifier et dater les changements de régimes dans le cycle économique sont devenus inaptes à capter des retournements de plus faible envergure.Le premier chapitre de cette thèse s'emploie à développer une extension des modèles mentionnés plus haut par le biais d'une volatilité dynamique dans le mouvement du cycle économique sous-jacent. Cette solution minore l'impact des chocs extrêmes dans le processus d'identification des régimes tout en les conservant dans le but d'établir une détection plus robuste des futurs retournements conjoncturels.Le délai et l'asynchronicité de disponibilité des données macroéconomiques sont un enjeu crucial pour les décideurs politiques et les agents de marché. Le deuxième chapitre de ce manuscrit introduit et démontre l'utilité de considérer des données de prix de marchés afin d'établir une mesure plus concomitante des retournements conjoncturels. Une classe particulière d'actifs, les ''asset swap spreads'', lorsqu'ils sont agrégés, se révèlent produire des évaluations coïncidentes des retournements conjoncturels. Ces prix permettent de mitiger le coût d'opportunité induit par l'absence ou le délai d'information conjoncturelle officielle. Appliqués dans le cadre de stratégies de couverture, ces signaux se révèlent être d'une grande utilité pour l'investisseur.L'allocation d'actifs se doit de prendre en compte les dynamiques conjoncturelles mais ce seul facteur n'est pas suffisant dans le processus de construction de portefeuille. Le troisième chapitre déploie une allocation de portefeuille basée sur l'identification de régimes macroéconomiques en ajoutant des signaux relatifs au sentiment de marché ainsi qu'à la posture de politique monétaire. Comparées à celles d'un portefeuille classique 60% actions/40% obligations, les performances basées sur l'approche à trois signaux permettent à l'investisseur d'optimiser le couple rendement/risque tant dans les périodes de stress que de croissance.

This thesis aims to reconcile real-time identification of business cycle phases with asset management. The business cycle is characterized by phases of expansion and recession, with varying durations and amplitudes. Macroeconomic data used to identify these phases are marked by publication delays and asynchronicity in their availability. Markov-switching dynamic factor models are a typical econometric framework to manage these characteristics. In the wake of the extreme event of Covid-19 (in terms of the shock's magnitude and its relatively short duration), many models previously employed to identify and date regime changes in the economic cycle have become inadequate for capturing smaller-scale reversals.The first chapter of this thesis develops an extension of the aforementioned methodological framework by introducing dynamic volatility into the unobserved business cycle dynamics. This solution reduces the impact of extreme shocks in the regime identification process while retaining them to establish a more robust detection of future cyclical reversals. The delay and asynchronicity of macroeconomic data availability are crucial issues for policymakers and market participants.The second chapter of this manuscript introduces and demonstrates the utility of considering market price data to establish a more concurrent measure of cyclical downturns. A particular class of assets, the ''Asset Swap spreads'' (a risk premium fixed between two counterparts exchanging future corporate bond coupons for a risk-free rate), when aggregated, produce coincident evaluations of macroeconomic recessions. These prices help mitigate the opportunity cost induced by the absence or delay of official macroeconomic information. When applied in the context of hedging strategies, these signals prove to be highly useful for investors. Asset allocation must take into account economic downturns, but this factor alone is not sufficient in the portfolio construction process.The third chapter deploys a portfolio allocation based on the identification of macroeconomic regimes, adding signals related to market sentiment and monetary policy stance. Compared to a classic 60% equities/40% bonds portfolio, the performance based on the three-signal approach allows investors to optimize the risk-adjusted return during both stressed and expansion periods.