Volatilité expliquée par les lois de probabilité : les mathématiques que les investisseurs utilisent vraiment

La volatilité est le prix d’entrée sur les marchés — et les lois de probabilité en sont la carte.

La volatilité, ramenée à sa signification mathématique

Dans le langage courant de l’investissement, la volatilité sonne comme « le marché panique ». En mathématiques financières, la volatilité est plus spécifique : c’est une mesure de la dispersion des rendements. La dispersion signifie à quel point les résultats sont écartés autour d’une valeur centrale, généralement une moyenne.

Si vous suivez les rendements d’une action au fil du temps — quotidiennement, hebdomadairement, mensuellement — vous collectez un jeu de données. Dès que vous demandez « Quel est un mouvement typique ? » ou « À quelle fréquence surviennent des mouvements extrêmes ? », vous demandez un modèle de probabilité. Ce modèle est une loi de probabilité : il attribue des probabilités aux rendements possibles.

Deux distinctions importantes comptent d’emblée :

• La volatilité n’est pas la direction. Une action peut être volatile en tendance haussière, baissière ou latérale.
• La volatilité n’est pas identique au risque, sauf si vous définissez le risque comme la variabilité des résultats. Beaucoup d’investisseurs se préoccupent davantage des issues défavorables que de la variabilité haussière, d’où l’importance des distributions (et de leurs queues).

Quand vous voyez un chiffre comme « 20 % de volatilité annualisée », ce nombre est une abréviation. Il compresse la forme complète des résultats possibles en un seul indicateur — utile, mais incomplet.

Les rendements sont des variables aléatoires (et ce n’est pas une insulte)

En langage probabiliste, un rendement est une variable aléatoire. Cela ne signifie pas « chaos imprévisible » ; cela signifie « prend différentes valeurs avec une certaine fréquence ». Vous observez des échantillons (rendements historiques), estimez une distribution, puis calculez les quantités qui vous intéressent : variance, probabilité de perte, perte en queue, etc.

Soit (R) un rendement sur une période. Une distribution fournit :

• une moyenne (E[R]) (rendement espéré)
• une variance (Var(R)) et un écart-type (\sigma) (volatilité)
• l’asymétrie (skewness)
• la kurtose (épaisseur des queues)

Si l’investissement ne tenait qu’à la moyenne, nous achèterions tous l’actif au plus fort espérance. Mais les résultats varient. La distribution est l’histoire ; la volatilité n’en est qu’une phrase.

La distribution normale : pourquoi elle apparaît partout (et où elle échoue)

La distribution normale est la classique courbe en cloche. Elle est commode mathématiquement et souvent utilisée comme première approximation des rendements — surtout dans les anciens modèles financiers et les exemples pédagogiques.

Si les rendements suivaient une loi normale de moyenne (\mu) et d’écart-type (\sigma), vous obtiendriez des affirmations probabilistes familières :

• Environ 68 % des rendements se situent dans (\mu \pm 1\sigma)
• Environ 95 % dans (\mu \pm 2\sigma)
• Environ 99{,}7 % dans (\mu \pm 3\sigma)

C’est puissant car cela convertit la volatilité en langage de probabilité. Par exemple, si la volatilité quotidienne est de 1 %, alors un mouvement quotidien de 2 % est un « événement à deux sigmas », soit environ 5 % de probabilité dans un monde normal.

Le problème : les marchés ne vivent pas dans un monde normal.

Pourquoi la courbe en cloche induit en erreur les investisseurs

Les distributions empiriques des rendements pour les actions, indices, FX et crypto montrent souvent :

• des queues épaisses : les mouvements extrêmes surviennent plus souvent que ne le prédit le modèle normal ;
• de la skewness : les baisses peuvent être plus brutales que les hausses (particulièrement sur les actions) ;
• du regroupement de volatilité : périodes calmes et périodes orageuses, pas un (\sigma) constant.

Donc, bien que la normale soit un point de départ utile, elle tend à sous-estimer le risque de queue — le risque qui détruit des portefeuilles et des carrières.

La volatilité comme variance : la définition classique et son intuition

Mathématiquement, la volatilité est généralement l’écart-type des rendements :

[ \sigma = \sqrt{E[(R - \mu)^2]} ]

Quelques éléments sont concentrés dans cette formule :

• Elle mesure la distance typique à la moyenne.
• Le carré pénalise les déviations importantes, donnant un poids supplémentaire aux gros mouvements.
• Elle traite de la même manière les écarts à la hausse et à la baisse.

Ce dernier point explique pourquoi certains investisseurs se plaignent que la volatilité n’est pas le « vrai risque ». Si vous êtes long sur un actif, la volatilité à la hausse est agréable. Pourtant la variance la compte comme également « risquée ». Les distributions permettent d’affiner cette discussion.

Une vue centrée sur la distribution : la même volatilité peut signifier des risques différents

Deux actifs peuvent avoir le même écart-type mais des issues radicalement différentes. Considérez :

• Actif A : mouvements fréquents et faibles, chutes catastrophiques rares.
• Actif B : mouvements symétriques, pas de chutes abruptes.

Les deux peuvent avoir (\sigma = 15%) annualisé, mais les queues diffèrent. Si votre définition du risque inclut la ruine, les drawdowns ou les appels de marge, alors la forme de la distribution importe autant que son étalement.

C’est pourquoi la gestion professionnelle du risque parle au-delà de la volatilité : risque de queue, risque de drawdown, risque de saut, convexité et exposition à la queue gauche.

Prix lognormaux et pourquoi on modélise les rendements plutôt que les prix

Les prix sont généralement positifs et peuvent composer. Un choix de modélisation courant est :

• les prix sont approximativement lognormaux
• les rendements logarithmiques sont plus proches de la normale (mais restent imparfaits)

Si (P_t) est un prix, le rendement log est :

[ r_t = \ln\left(\frac{P_t}{P_{t-1}}\right) ]

Les rendements log s’additionnent agréablement dans le temps, ce qui colle à la composition. Ils s’alignent aussi avec les modèles utilisés en pricing d’options.

Mais voici l’essentiel : même si les rendements log semblent « plus normaux », les marchés réels montrent toujours des queues épaisses et une volatilité changeante. Ainsi, lognormal n’est qu’une hypothèse de simplification, pas une garantie.

Regroupement de volatilité : des distributions qui changent dans le temps

Une raison pour laquelle la volatilité semble vivante est qu’elle varie dans le temps. Les marchés calmes produisent des distributions resserrées ; les marchés de crise les élargissent et épaississent les queues.

C’est l’idée derrière des modèles de volatilité conditionnelle comme GARCH : la distribution du rendement de demain dépend de l’environnement de volatilité d’aujourd’hui. En termes simples :

• Les gros mouvements sont souvent suivis de gros mouvements.
• Les journées calmes sont souvent suivies de journées calmes.

Au lieu d’une distribution statique, les investisseurs traitent souvent une famille de distributions — une cible mouvante.

Queues, percentiles et pourquoi les investisseurs se soucient de « jusqu’où ça peut être mauvais ? »

Une distribution permet de parler en percentiles. Par exemple, le 5ᵉ percentile des rendements journaliers est un seuil tel que seulement 5 % des jours sont pires.

C’est le fondement de la Value at Risk (VaR) :

• Le VaR 1 jour à 95 % répond : « Quel niveau de perte ne serai-je dépassé que 5 % du temps (selon les hypothèses du modèle) ? »

Mais le VaR a une faiblesse notoire : il ne dit pas à quel point les pertes au-delà de ce seuil peuvent être sévères. C’est pourquoi beaucoup d’équipes de risque préfèrent l’Expected Shortfall (ES), aussi appelé VaR conditionnelle :

• L’ES répond : « Si je suis dans les pires 5 % des issues, quelle est ma perte moyenne ? »

VaR et ES sont des questions de distribution. La seule volatilité ne peut les répondre sans une hypothèse distributionnelle.

Skewness : quand la volatilité cache une asymétrie désagréable

La skewness mesure si les rendements sont symétriques autour de la moyenne.

• Skew négative : gains petits et fréquents, pertes occasionnelles et grosses (classique « ramasser des pièces devant un rouleau compresseur »).
• Skew positive : petites pertes fréquentes et gains exceptionnels (commun à certaines stratégies d’achat d’options).

Deux stratégies peuvent afficher la même volatilité, mais l’une a une skew négative et vous expose à des drawdowns soudains. Si vous ne regardez que (\sigma), vous pouvez manquer le rouleau compresseur jusqu’à son arrivée.

Cela importe pour :

• les stratégies covered call
• les positions vendeuses de volatilité
• les carry trades
• certains produits de crédit

Elles peuvent sembler stables — jusqu’à ce que la queue gauche se manifeste.

Kurtose : le multiplicateur de queues épaisses

La kurtose concerne l’épaisseur des queues. Dans les données de marché, la kurtose excédentaire est souvent positive, ce qui signifie que les queues sont plus épaisses que ne le prédit la normale.

Les queues épaisses changent le sens pratique de la volatilité :

• Dans un modèle normal, un événement à 5 sigmas est « presque impossible ».
• Dans un monde à queues épaisses, c’est « rare, mais pas absurde ».

Ce changement n’est pas académique. Il modifie la taille des positions, la tolérance au levier et l’interprétation des backtests historiques. Une stratégie qui survit dix ans de calme peut rester fragile si elle vend implicitement des assurances de queue.

Lois mixtes : pourquoi une seule cloche ne suffit pas

Une manière simple de modéliser la réalité est d’admettre que les marchés changent de régime :

• Régime 1 : faible volatilité (distribution resserrée)
• Régime 2 : forte volatilité (distribution large)

Si vous mélangez deux normales, vous obtenez souvent une distribution combinée qui semble à queues épaisses — même si chaque régime est normal en interne. Cette approche par « mélange » correspond à l’impression que les marchés ont des humeurs.

Pratiquement, c’est pourquoi des modèles de risque qui supposent une volatilité constante peuvent sembler pertinents en période stable puis échouer en période de turbulence : ils ont ajusté le mauvais régime.

_{Photo by Maxim Hopman on Unsplash}

De la distribution à la volatilité annualisée (et pourquoi l’échelle n’est pas sans conséquence)

Les investisseurs convertissent souvent la volatilité quotidienne en volatilité annualisée via :

[ \sigma_{annual} \approx \sigma_{daily} \sqrt{252} ]

Cela repose sur des hypothèses : les rendements sont indépendants, identiquement distribués, et les variances s’additionnent dans le temps. Les marchés violent ces hypothèses — surtout en présence de regroupement de volatilité — et pourtant la mise à l’échelle reste une convention largement utilisée.

C’est toujours utile, mais traitez-la comme un outil de traduction, pas comme une loi physique. L’annualisation aide à comparer des actifs et à communiquer, mais elle peut masquer des changements de régime et le comportement des queues.

Lois de probabilité et volatilité d’un portefeuille : la corrélation est le levier caché

Pour un portefeuille de deux actifs, la volatilité dépend de :

• la volatilité de chaque actif
• leur corrélation

Formule de variance simplifiée pour deux actifs :

[ \sigma_p^2 = w_1^2\sigma_1^2 + w_2^2\sigma_2^2 + 2w_1w_2\sigma_1\sigma_2\rho_{12} ]

La corrélation (\rho) est l’endroit où la diversification vit ou meurt. Si les corrélations augmentent en période de crise (ce qui est fréquent), alors la distribution du portefeuille change précisément quand vous en avez le plus besoin.

Les distributions redeviennent pertinentes ici car les corrélations elles-mêmes ne sont pas constantes ; elles peuvent dépendre du régime. Un portefeuille qui semble diversifié en période calme peut devenir un seul bloc de risque en période stressée, épaississant la queue gauche des rendements du portefeuille.

Volatilité implicite extraite d’options : la distribution du marché déguisée

La volatilité historique se calcule à partir des rendements passés. L’implied volatility s’extrait des prix d’options et reflète la tarification par le marché de l’incertitude.

La vol implicite n’est pas une prévision pure de l’écart-type ; elle intègre aussi :

• l’offre et la demande de couverture
• l’aversion au risque et les primes liées au risque de krach
• l’asymétrie distributionnelle (skew)

Les marchés d’options tradent en pratique sur la distribution complète, pas seulement sur sa largeur. Le fameux smile/skew de volatilité est l’aveu du marché : les rendements ne sont pas normaux et les queues ne sont pas symétriques.

Si les puts profondément hors de la monnaie sont chers, c’est la distribution qui crie que la queue gauche compte.

Une manière pratique de « voir » la volatilité via les distributions

Au lieu de fixer le regard sur un seul chiffre de volatilité, les investisseurs peuvent examiner quelques diagnostics basés sur la distribution :

• Histogramme des rendements : a-t-il l’air symétrique ? à queues épaisses ?
• QQ plot vs normale : les queues dévient-elles fortement ?
• Volatilité glissante : (\sigma) se regroupe-t-elle ?
• Distribution des drawdowns : quelle est la profondeur et la durée des pertes ?
• Percentiles de queue (1 %, 5 %) : à quoi ressemblent les pires jours ?
• Skew et kurtose au fil du temps : la distribution change-t-elle selon les régimes ?

Chacun de ces diagnostics est une manière de se demander : « Quelle distribution suis-je réellement en train de trader ? »

Pourquoi des actifs « à faible volatilité » peuvent rester dangereux

Certaines stratégies et actifs affichent des rendements réguliers avec une faible volatilité mesurée — jusqu’au jour où ce n’est plus le cas. Le problème est souvent une distribution avec :

• un centre serré (beaucoup de petits résultats)
• une vilaine queue gauche (rare mais pertes énormes)

Les ventes de volatilité sont l’exemple le plus clair. Elles collectent de petites primes la plupart du temps, puis subissent des pics. L’écart-type peut paraître modeste sur un échantillon bénin, mais la distribution contient une exposition de queue.

Ce n’est pas un jugement moral ; c’est une description mathématique. Le risque est concentré dans la queue.

Le choix clé de l’investisseur : quelle distribution croyez-vous ?

Chaque métrique de risque suppose silencieusement une distribution, même si cela n’est pas explicite. Quand quelqu’un dit :

• « Un mouvement de 10 % est un événement d’une fois par décennie »
• « Ce portefeuille a un VaR à 99 % de X »
• « Cette stratégie a un ratio de Sharpe de 1,2 »

…il s’appuie sur des hypothèses distributionnelles : sur les queues, l’indépendance, la stationnarité et le comportement des régimes.

Un flux de travail d’investissement sain consiste à traiter les distributions comme des modèles, pas comme la vérité :

• Testez plusieurs ajustements de distribution (normale, loi t, mélanges).
• Faites des scénarios de stress que l’histoire contient à peine.
• Supposez que les corrélations peuvent sauter.
• Demandez-vous ce qui arrive quand la volatilité elle-même est volatile.

La volatilité est le titre. Les lois de probabilité sont l’article complet.

Transformer l’intuition sur les distributions en meilleures décisions

Quand vous comprenez la volatilité via les distributions, les décisions deviennent plus claires :

• La taille des positions devient une question de queue : quelle perte puis-je tolérer dans les pires X % ?
• Le levier amplifie les distributions : les queues importent plus que la moyenne.
• La diversification devient corrélation-en-crise, pas corrélation-en-moyenne.
• La couverture devient le paiement d’une protection contre la queue gauche quand elle est suffisamment bon marché par rapport à votre fragilité.
• L’évaluation de la performance passe de « à quel point les rendements étaient-ils lisses ? » à « quelle forme de risque ai-je prise pour obtenir ces rendements ? »

Autrement dit, la volatilité n’est pas qu’un chiffre à rapporter. C’est une porte d’entrée vers la structure probabiliste des rendements — centre, étalement, skew et queues. Les investisseurs qui durent sont généralement ceux qui respectent cette structure, surtout la partie qui se trouve loin de la moyenne.

Liens externes

Volatility smiles and implied distributions - Trading Mate [PDF] Representation of probability distributions with implied volatility and … How to derive the implied probability distribution from B-S volatilities? Volatility Demystified: From Theory to Practice - The Risk Protocol Implied Volatility Explained | Options Trading Concept - YouTube