Quelle dislocation des corrélations ? – investir.ch – .

« Simply Put », la chronique hebdomadaire de l’équipe Multi Asset Group de Lombard Odier Investment Managers

Par Florian Ielpo, Head of Macro, Joshua Voelkel, Investment Analyst et Julien Royer, Quantitative Analyst

À certains moments de chaque cycle d’investissement, nous, en tant qu’observateurs du marché, commençons à remarquer des expressions telles que « les corrélations s’effondrent ». Ce constat est crucial car la structure de la plupart de nos portefeuilles repose sur la notion complexe de diversification. Idéalement, les corrélations devraient être suffisamment concentrées pour ne pas être perturbées par le bruit ambiant du marché, mais pas trop concentrées pour pouvoir profiter des avantages de la diversification entre et au sein des classes d’actifs. On a beaucoup parlé ces derniers temps de ce phénomène de rupture de corrélation, ce qui nous a incité à étudier la question par nous-mêmes, dans une perspective économétrique. Dans l’édition « En un coup d’œil » de cette semaine, nous examinons l’état actuel des corrélations basées sur l’analyse des valeurs propres et du regroupement. Ces deux méthodes solides permettent aux données de parler d’elles-mêmes : écoutons ce qu’elles ont à dire aux investisseurs.

Valeurs des actions et diversification

Pour analyser la fluctuation des corrélations, une première approche consiste à examiner les valeurs propres de la matrice de corrélation des rendements des actifs. Bien que le terme « valeur propre » puisse paraître complexe, le concept est étroitement lié au principe de « l’analyse en composantes principales » (ACP), une technique utilisée dans l’analyse des données. Les valeurs propres d’une matrice de corrélation sont utilisées pour mesurer les informations sur chaque facteur commun qui explique la section transversale des rendements. Par exemple, si le facteur marché explique majoritairement les variations de rendements, la valeur propre associée à ce facteur éclipsera largement les autres. Ces « mesures d’information » indiquent que plus la valeur propre est élevée, plus le facteur correspondant contient d’informations. Là Figure 1 illustre le pouvoir explicatif des premiers facteurs pour une large gamme d’actifs, classés par classe d’actifs puis agrégés. À long terme, et compte tenu de la situation actuelle, il est évident que les corrélations sont effectivement en train de se rompre. Généralement, les premiers facteurs croisés représentent 95 % de toutes les corrélations ; Cependant, ce chiffre est récemment tombé à 86 %, avec une légère hausse lors de la brève correction du marché. Où cette rupture est-elle la plus apparente ? Le graphique de droite apporte la réponse : principalement dans le domaine des actions. Différentes régions et secteurs montrent que l’attention des investisseurs s’est récemment déplacée du facteur marché vers d’autres domaines, encore inconnus. Dans le même temps, le monde obligataire continue de subir des tensions sur la durée, tandis que les spreads de crédit sont restés stables depuis 18 mois.

De 2 à 12 grappes

Une autre façon de comprendre la fluctuation des corrélations consiste à utiliser des méthodes de clustering. L’économétrie propose une large gamme de ces méthodes, toutes conçues dans le but commun de regrouper des objets similaires sur la base d’une mesure de distance définie. Cela permet aux utilisateurs d’analyser comment ces similitudes évoluent au fil du temps. Le lien avec l’approche évoquée précédemment utilisant les valeurs propres est clair : lorsque les premiers facteurs de marché expliquent une partie importante de la dynamique des rendements des actifs, de grands clusters peuvent se former. À l’inverse, lorsque les premières valeurs propres ont un pouvoir explicatif plus faible pour ces facteurs communs du marché, le nombre de clusters augmente car les actifs commencent à se ressembler moins. Là Figure 2 présente une carte thermique qui affiche le niveau de corrélation entre différents actifs ainsi que les clusters correspondants, de sorte que les actifs à forte corrélation soient placés proches les uns des autres, tandis que les actifs à faible corrélation soient placés loin les uns des autres. Sur le long terme, comme dans la figure 1, le nombre de clusters est généralement limité à deux types principaux : les actifs risqués et les actifs de couverture. Cependant, les données les plus récentes du graphique du bas révèlent un changement radical : le nombre de clusters a considérablement augmenté. En particulier, des clusters distincts se forment désormais autour d’actifs spécifiques tels que l’indice Hang Seng, les obligations japonaises ou le secteur de l’énergie, donnant un aperçu des facteurs expliquant les fluctuations passées des valeurs observées. faire le ménage. Le nombre actuel de clusters trouvés dans l’analyse matricielle de corrélation est passé de 2 à 12 – une augmentation significative.

En termes simples, les corrélations s’effondrent à mesure que des histoires idiosyncratiques ont récemment pris de l’importance.

Coin macro/prévision immédiate

Cette section rassemble les évolutions les plus récentes de nos indicateurs de prévision immédiate concernant la croissance mondiale, les surprises en matière d’inflation mondiale et les surprises en matière de politique monétaire mondiale. Ces indicateurs permettent de suivre les évolutions macroéconomiques les plus récentes qui font bouger les marchés.

Afficher la clause de non-responsabilité de l’article