Filtrer un prix haute fréquence sans supposer un bruit bien comporté

Le problème du prix observé

À très haute fréquence, le prix enregistré à chaque transaction n’est pas une lecture propre d’un prix latent. Il combine le mouvement du marché, le calendrier irrégulier des échanges et un bruit de microstructure. Lorsque les transactions sont nombreuses, ce bruit peut devenir le terme dominant dans les variations d’une seconde à l’autre. Une moyenne ou un filtre linéaire peut alors donner une impression de précision tout en reposant sur des moments statistiques qui n’existent pas.

Le preprint de Simon Donker van Heel et Neil Shephard, « Filtering without recursion and some of its uses in financial economics », étudie une autre voie. Les auteurs construisent des filtres à partir de pertes pondérées et montrent comment les estimer par simulation, sans devoir recalculer séparément toute l’histoire passée à chaque instant. Leur application porte sur un prix financier observé dans plus de 1,5 million de transactions au cours d’une journée, puis sur des comparaisons entre plusieurs actifs.

Le sujet est donc double. Il s’agit d’abord d’un problème statistique de filtrage et de prévision. Il s’agit ensuite d’un problème financier concret : comment obtenir une trajectoire de prix suffisamment robuste pour calculer une mesure de volatilité à de très courtes échelles ? Le résultat ne transforme pas une série bruitée en vérité économique. Il propose un moyen de rendre explicites les hypothèses de perte et la façon dont le bruit est traité.

Un filtre défini par une perte

Les auteurs partent d’une fonction de perte convexe L(θ, y), où θ représente la quantité filtrée et y une observation. Cette fonction peut être une perte absolue, une perte quadratique, une perte de Huber, une règle de score ou une fonction liée à une vraisemblance. Le filtre à la date t minimise une combinaison pondérée des pertes récentes et, lorsque le paramètre d’ancrage est inférieur à un, d’une perte attendue issue du modèle de série temporelle.

La pondération donne davantage d’importance à certains retards. Avec des poids exponentiels, les observations anciennes perdent progressivement de l’influence. Le filtre peut ainsi être court ou long, selon la demi-vie choisie. L’intérêt du cadre est de ne pas enfermer toutes les applications dans la moyenne pondérée : une médiane pondérée sera robuste aux valeurs extrêmes, tandis qu’une perte de Huber combinera une réponse presque quadratique près du centre et une réponse bornée dans les queues.

Cette formulation fait apparaître trois objets proches mais distincts : le filtrage, qui utilise les observations disponibles jusqu’à t ; la prédiction, qui laisse une place à la partie attendue pour l’observation courante ; et le lissage, qui peut utiliser une fenêtre centrée. Le papier montre que ces objectifs peuvent être représentés par des distributions pondérées, ce qui permet d’utiliser le même dispositif de simulation pour plusieurs usages.

Pourquoi abandonner la récursion classique

Beaucoup de filtres temporels sont calculés par une mise à jour récursive. Cette propriété est pratique, mais elle ne vaut pas pour toutes les pertes. Les auteurs prennent notamment l’exemple d’une médiane mobile pondérée : elle est facile à définir, mais ne dispose pas d’une récursion générale aussi simple qu’une moyenne exponentielle. Un calcul direct à chaque date peut alors coûter O(T²) sur toute une série de longueur T.

Leur solution consiste à tirer des longueurs de retard selon la distribution des poids, puis à calculer une statistique sur les observations ainsi sélectionnées. Pour une médiane pondérée, le filtre est approché par la médiane d’un échantillon de valeurs passées. Le nombre B de tirages contrôle l’erreur de simulation. Lorsque B augmente, l’approximation peut être rendue aussi précise que nécessaire selon le budget de calcul et le niveau d’exactitude recherché.

Le coût devient O(1) par date, à facteur de simulation près, et O(T) pour parcourir la série. Cette propriété ne signifie pas que le filtre est gratuit : il faut choisir B, générer les retards et éventuellement estimer des paramètres. Elle signifie que le coût du balayage complet ne croît plus comme le carré de la longueur de la série pour ce type de construction.

Du filtrage robuste au prix pré-agrégé

L’application financière utilise d’abord une médiane de transactions, puis une estimation d’échelle et un filtre de Huber. La médiane limite l’effet des observations isolées. Le filtre de Huber conserve une réponse régulière autour de la trajectoire centrale, mais borne l’influence des résidus suffisamment grands. Le prix filtré sert ensuite à construire une mesure de volatilité réalisée à différents retards.

Le point important est la nature du bruit étudié. Dans l’expérience principale, les résidus du filtre ont des queues si lourdes que leur variance n’est pas finie. Dans cette situation, une estimation linéaire de la volatilité peut être très sensible à quelques transactions. Le papier compare donc la trajectoire issue du filtre robuste à celle d’un filtre linéaire et à une médiane.

Pour la journée de référence, les auteurs utilisent plus de 1,5 million de transactions d’un actif financier. Ils examinent aussi douze journées et reproduisent l’exercice sur 53 autres actions et un ETF. Cette extension ne rend pas le résultat universel, mais elle permet d’observer comment l’avantage du filtrage change avec la fréquence de négociation et la lourdeur des queues.

Ce que montrent les résultats

Le résultat central est une signature de volatilité beaucoup plus plate à partir d’une seconde lorsque les prix sont filtrés par Huber ou par médiane. Le bruit de microstructure ne disparaît pas par magie ; il est traité de manière à ne pas gonfler artificiellement la mesure aux plus petites échelles. Le filtre linéaire produit une trajectoire plus vulnérable aux résidus extrêmes lorsque les queues sont très lourdes.

L’analyse rapportée pour les 54 actifs confirme que la fréquence de négociation compte. Sur les actions négociant à plus de dix transactions par seconde, l’indice de queue estimé des résidus est au plus égal à 2, ce qui correspond à une variance inexistante ou à la frontière de son existence selon l’interprétation donnée dans le papier. Pour ces actifs, la volatilité obtenue avec le filtre linéaire est en médiane 1,22 fois celle obtenue avec Huber. Pour les actions négociant à moins d’une transaction par seconde, le rapport médian tombe à 1,01.

Les résultats montrent aussi que le filtre robuste ne doit pas être paramétré une fois pour toutes sans regarder l’actif. La demi-vie optimale du filtre médian varie peu dans l’expérience multi-actifs, mais la vitesse de négociation modifie l’échelle temporelle correspondante. Le papier observe également que l’erreur standard du filtre Huber change au cours de la journée. Les seuils et les corrections de volatilité sont donc des éléments à documenter, pas des constantes universelles.

Ce que cela change pour une analyse

Une mesure de volatilité à une seconde peut servir à décrire une microstructure, à comparer des périodes ou à diagnostiquer la qualité d’un flux de transactions. Elle ne doit pas être confondue avec un signal de trading. Le filtre modifie volontairement la trajectoire observée : il retire une partie du bruit selon une perte et des poids choisis. Une variation de la perte, de la demi-vie ou du seuil de Huber peut donc changer le résultat.

Avant de reprendre cette méthode, il faut conserver la granularité des données et les choix qui la relient au prix filtré. Il faut notamment préciser la convention de temps, la fenêtre, la perte, le nombre de tirages, la demi-vie et le traitement des transactions atypiques. Une comparaison avec un filtre linéaire n’est utile que si les fenêtres et les corrections sont comparables.

La méthode est également intéressante pour une raison de transparence. Elle permet de dire pourquoi une observation extrême a moins de poids, au lieu d’affirmer simplement qu’un algorithme a « nettoyé » la série. La perte absolue, la perte de Huber et la perte quadratique n’ont pas la même conception de l’erreur. Leur choix doit rester visible dans le rapport.

Limites et statut du document

L’expérience ne prouve pas qu’un filtre robuste donnera une meilleure mesure sur tous les marchés, toutes les fréquences ou toutes les bases de transactions. Les auteurs étudient un ensemble précis d’actifs, de journées et de paramètres. Les résultats multi-actifs renforcent l’intérêt empirique, mais ils ne remplacent pas une vérification sur les données que l’on souhaite analyser.

Le papier ne fournit pas une stratégie d’investissement, une prévision de rendement ou une garantie de mesure correcte en temps réel. Une volatilité plus plate n’est pas automatiquement une volatilité plus pertinente pour une décision. Les effets de latence, de révision, de qualité du carnet et de changement de régime doivent être évalués séparément.

Il s’agit d’un preprint ArXiv, version 2609.07207v1, et non d’un article dont la validation par les pairs serait acquise. Les chiffres et les interprétations ci-dessus décrivent le document source ; ils ne constituent ni un conseil financier ni une promesse de performance.

Sources

Simon Donker van Heel et Neil Shephard, « Filtering without recursion and some of its uses in financial economics », ArXiv 2609.07207v1, publié le 7 septembre 2026 : résumé et preprint, PDF.