Illiquidity-at-Risk : mesurer les assèchements extrêmes de liquidité

La liquidité comme risque dynamique

La liquidité est souvent résumée par la facilité avec laquelle un actif peut être échangé. Cette description devient insuffisante pendant un épisode de stress : le volume peut se contracter, les mouvements de prix s’élargir et les coûts implicites d’une transaction augmenter. Le preprint « Illiquidity at Risk » propose une mesure de queue appelée IlliQaR pour quantifier l’ampleur de ces assèchements.

La mesure s’appuie sur l’Amihud réalisé, une mesure d’illiquidité construite à haute fréquence à partir du ratio entre volatilité réalisée et volume de transaction. L’objectif n’est pas de prévoir un prix, mais de modéliser l’intensité d’une dégradation de liquidité et la probabilité d’observer une valeur extrême.

Le rôle des sauts

Les auteurs comparent différents modèles économétriques linéaires et non linéaires. Ils portent une attention particulière aux composantes de saut, c’est-à-dire aux variations discontinues qui ne sont pas bien décrites par une évolution continue et régulière.

Le résumé indique que prendre les sauts en compte est essentiel pour obtenir une meilleure couverture probabiliste et de meilleures prévisions d’IlliQaR pendant les périodes de stress systémique. Les modèles continus tendraient à sous-estimer la sévérité de l’évaporation de liquidité dans ces situations.

Résultats rapportés

L’analyse empirique couvre l’indice S&P 500 et un échantillon de 25 grandes actions américaines. Le résumé rapporte que les modèles intégrant les sauts améliorent les prévisions d’illiquidité. Il indique aussi que les violations d’IlliQaR sur les actions se regroupent pendant les périodes où la liquidité de l’indice est sous tension.

Les auteurs interprètent cette coïncidence comme un signal de dimension systémique : l’illiquidité ne serait pas seulement une difficulté propre à un titre, et l’indice pourrait fournir une information précoce sur certains assèchements individuels. Cette formulation doit rester proportionnée. Une association de séries ne suffit pas à prouver qu’une variable cause l’autre.

Comment lire une mesure de queue

Une mesure comme IlliQaR ne décrit pas le scénario moyen. Elle cherche à caractériser une zone extrême, ce qui rend la taille et la composition de l’échantillon importantes. Il faut séparer les données utilisées pour ajuster le modèle de celles utilisées pour évaluer les violations. Il faut également documenter la définition du volume, la fréquence, les coûts de marché et le traitement des périodes sans transaction.

Une bonne prévision de queue n’élimine pas le risque. Elle peut aider à comparer des modèles ou à construire un dispositif de surveillance, mais elle ne transforme pas une distribution estimée en certitude. Les acteurs qui utilisent ce type d’indicateur devraient conserver des scénarios qualitatifs et des limites d’usage.

La couverture probabiliste doit être vérifiée sur une période qui n’a pas servi à choisir le modèle. Une série de violations groupées peut signaler que la distribution change, que les sauts sont mal spécifiés ou que l’échelle de liquidité n’est plus comparable. Dans les trois cas, une moyenne globale peut être trompeuse. Les épisodes de stress doivent être examinés séparément.

Le choix de l’Amihud réalisé mérite également de la transparence. Le volume observé n’a pas le même sens selon le marché, l’heure et la qualité des données. Une forte volatilité accompagnée d’un volume élevé peut produire un ratio différent d’un mouvement similaire dans un carnet peu profond. La mesure est informative dans son contexte, pas universelle par définition.

Pour un dispositif de surveillance, la question opérationnelle n’est pas seulement « le risque dépasse-t-il un seuil ? ». Il faut savoir qui reçoit l’alerte, quelle information est disponible, combien de temps la décision prend et comment l’alerte est réévaluée. Un indicateur de queue utile doit être compris par ses utilisateurs et relié à une procédure documentée.

Avertissement éducatif

Les résultats du papier concernent l’indice et les actions étudiés dans son protocole. Ils ne garantissent pas une couverture sur un autre marché ou une autre période. IlliQaR ne fournit ni recommandation d’achat ou de vente, ni promesse de rendement. Ce contenu est éducatif et ne remplace pas l’avis d’un professionnel habilité.

Ce que l’étude ne prouve pas

Une relation entre stress de l’indice et violations individuelles ne prouve pas à elle seule un mécanisme causal. Le modèle ne prédit pas avec certitude une crise future. Le preprint ArXiv n’est pas nécessairement évalué par les pairs et doit être relu avec ses hypothèses et annexes.

Utiliser le résultat sans le surinterpréter

Un indicateur d’illiquidité peut aider à organiser une surveillance, à comparer des modèles ou à étudier la transmission d’un stress. Il ne décide pas seul de la taille d’une position, de la capacité à sortir d’un marché ou de la probabilité d’une perte. Ces décisions demandent d’autres informations et un cadre de risque indépendant.

La prudence vaut aussi pour les comparaisons historiques. Les marchés évoluent, les règles de cotation changent et la composition d’un indice n’est pas fixe. Une amélioration observée dans une période donnée devrait être accompagnée de la période, de l’univers et des hypothèses de calcul. Présenter seulement le chiffre favori masquerait la fragilité du résultat.

Une lecture éditoriale correcte doit donc retenir l’idée méthodologique — intégrer les mouvements discontinus peut améliorer la description des queues — sans transformer cette idée en alerte automatique. L’indicateur aide à poser de meilleures questions sur la liquidité ; il ne répond pas seul à la question de savoir quelle action prendre.

Comment documenter un résultat de liquidité

Une fiche de modèle devrait indiquer la fréquence des données, l’univers étudié, la période d’apprentissage, la période d’évaluation et les transformations appliquées. Elle devrait aussi préciser comment sont traitées les observations manquantes, les changements de composition et les journées où le volume est atypique. Sans ces informations, deux modèles peuvent sembler comparables alors qu’ils ne répondent pas à la même question.

La notion de violation doit être explicitée. Une observation qui dépasse un quantile prévu n’a pas la même signification qu’un épisode où plusieurs titres dépassent simultanément leur seuil. Le papier s’intéresse à des assèchements extrêmes et à leur regroupement ; une application doit donc préciser si elle cherche un signal individuel, sectoriel ou systémique.

Une bonne communication évite également les termes ambigus comme « protection » ou « couverture garantie ». Un modèle de risque peut aider à anticiper un scénario, mais il ne protège pas un portefeuille par lui-même. Le lecteur doit comprendre ce qui est mesuré, ce qui est estimé et ce qui reste hors du modèle.

Cette distinction vaut aussi pour les régulateurs et les équipes de risque : une alerte est un élément de surveillance, pas une décision automatique. Les hypothèses, les délais de mise à jour et les conditions de déclenchement doivent rester consultables.

Le lecteur peut retenir une règle simple : une mesure de risque est utile lorsqu’elle rend une hypothèse visible et permet une comparaison contrôlée. Elle devient trompeuse lorsqu’elle est isolée de sa période, de ses données et de ses limites.

Dans un rapport, il est donc préférable d’écrire « le modèle signale une hausse du risque selon cette définition » plutôt que « une crise est annoncée ». Cette formulation protège la distinction entre mesure statistique et événement réel.

Sources

Demetrio Lacava et Paolo Santucci de Magistris, « Illiquidity at Risk », ArXiv 2609.00943v1, consulté le 21 septembre 2026 : résumé et preprint, PDF.