Comment l’IA peut détecter la contagion cachée entre les marchés énergétiques et financiers

Quand le stress du marché évolue plus vite que les modèles traditionnels

La contagion financière est souvent décrite comme la propagation des chocs provenant d'un seul actif. classe ou secteur à un autre. En pratique, la contagion ne se limite plus aux actions qui évoluent avec les actions ou aux obligations qui évoluent avec les obligations. Aujourd'hui, les marchés de l’énergie, les actifs renouvelables et les indices du secteur financier sont profondément intriqués. Une forte hausse du prix du pétrole peut affecter la confiance des investisseurs, les attentes politiques, le risque de bilan et les conditions de financement. Un événement de révision des prix des énergies renouvelables peut déclencher des changements plus larges dans le secteur valorisation et allocation du capital. Un choc financier peut amplifier les deux.

C'est pourquoi le risque de marché moderne ne peut plus être compris à travers tableaux de corrélation statiques seuls.

Le défi ne réside pas seulement dans la connectivité des marchés. Le véritable défi est que la force et la forme de ces connexions changent sous l’effet du stress. Dans des conditions calmes, les liens entre les marchés peuvent sembler modestes et gérables. Dans des conditions de crise, ces mêmes les liens peuvent se resserrer brusquement, devenir non linéaires et répartir les pertes beaucoup plus rapidement que ne le supposent les modèles conventionnels.

C’est exactement là que ce cadre d’IA hybride devient pertinent. Au lieu de considérer la dépendance au marché comme fixe, elle considère la dépendance comme dépendante de l’État. Au lieu de s'appuyer entièrement sur l'apprentissage profond en boîte noire, il utilise l'IA là où elle ajoute le plus de valeur, comme un signal prospectif qui aide le reste du modèle. s'adapter en temps réel.

Le résultat est une manière plus réaliste de comprendre comment les chocs se propagent sur les marchés du pétrole brut, des énergies renouvelables et des marchés financiers.

À emporter par les dirigeants

L’idée centrale est simple : la contagion est dynamique et non statique.

Plutôt que d’estimer une relation stable unique entre les marchés, ce cadre permet à la dépendance du marché de changer en fonction de la volatilité prévue. Pour ce faire, il alimente un signal de volatilité généré par LSTM dans une structure Vine Copula conditionnelle. En d’autres termes, le modèle utilise l’IA pour estimer l’état de tension futur probable, puis utilise ce signal pour ajuster la mesure dans laquelle les marchés devraient évoluer ensemble.

C’est important car les moments les plus dangereux sur les marchés ne sont pas les moments moyens. Ce sont les moments où les mauvaises nouvelles se propagent rapidement, où la diversification s’effondre et où le risque de baisse se synchronise entre les secteurs.

Dans ce contexte, un modèle capable de réagir à un changement de régime est bien plus utile qu’un modèle qui suppose que la structure du marché est stable.

Pourquoi c'est important maintenant

L’énergie et la finance sont devenues structurellement liées d’une manière difficile à ignorer.

Le pétrole reste une matière première macrosensible, dotée d’un large pouvoir de fixation des prix dans l’ensemble de l’économie réelle. Les énergies renouvelables, quant à elles, ne sont plus un espace de niche. Il est étroitement lié à la politique, aux taux, aux investissements industriels et aux cycles de valorisation. Le secteur financier se trouve au milieu de tout cela, réagissant aux tensions sur la liquidité, réévaluant le risque de crédit et réaffectant les capitaux entre les secteurs exposés.

Cela signifie qu’un choc dans un domaine se répercute de plus en plus sur les autres par de multiples canaux, notamment la réévaluation des valorisations, les contraintes de financement et de liquidité, les changements de politique et de réglementation, l’aversion au risque des investisseurs et les anticipations de croissance macroéconomique et d’inflation.

Une simple matrice de corrélation ne peut pas saisir ce phénomène de manière adéquate.

Pourquoi? Parce que la corrélation est souvent trop brutale. Cela suppose que la relation entre les marchés est relativement stable. Cela tend également à sous-estimer ce qui se passe dans les queues, les moments précis où les pertes se regroupent et où la diversification échoue.

Un cadre plus utile doit répondre à des questions plus difficiles. Les marchés deviennent-ils plus étroitement liés lorsque la volatilité augmente ? Les chocs négatifs se propagent-ils plus fortement que les chocs positifs ? La dépendance ne se renforce-t-elle que dans certains régimes ? Quels sont les liens les plus importants sous pression ?

C’est là que le modèle hybride devient convaincant. Il est spécialement conçu pour suivre l’évolution de la dépendance dans des conditions de stress changeantes.

Le problème des modèles de marché statiques

Les outils traditionnels de gestion du risque de marché fonctionnent souvent assez bien en période normale. Mais les conditions extrêmes révèlent leurs faiblesses.

Un modèle statique peut capturer l’évolution moyenne du co au fil du temps, mais les marchés ne se comportent pas selon les moyennes à long terme pendant les crises. Lorsque la peur augmente, le comportement change. Les investisseurs prennent des risques en même temps. La liquidité se tarit. Les classes d’actifs qui semblaient autrefois séparables commencent à évoluer ensemble. Les événements de queue cessent d’être isolés et deviennent mis en réseau.

Dans cet environnement, deux défauts deviennent évidents.

Premièrement, la dépendance n’est pas constante. La relation entre le pétrole, les énergies renouvelables et la finance peut se renforcer ou s’affaiblir selon le type de choc qui anime les marchés.

Deuxièmement, les mouvements à la baisse ne sont pas symétriques aux mouvements à la hausse. Les mauvaises nouvelles se propagent souvent plus rapidement, plus loin et de manière plus agressive que les bonnes nouvelles.

Un modèle robuste doit donc être non linéaire, sensible aux extrêmes, adaptable à tous les régimes et néanmoins suffisamment interprétable pour la gouvernance, la surveillance et la prise de décision.

Ce cadre est conçu autour de cette exigence exacte.

L'architecture de modélisation

Le modèle est construit comme un pipeline structuré plutôt que comme un seul moteur monolithique. Cela fait partie de sa force.

Il passe par quatre étapes connectées.

Construction de retour

Les prix bruts sont transformés en rendements afin que le modèle fonctionne sur des changements plutôt que sur des niveaux.

Débruitage multi-échelle via MODWT

Les données de marché contiennent à la fois du bruit à court terme, des fluctuations à moyen terme et une structure à plus long terme. La décomposition à plusieurs échelles sépare ces couches.

Modélisation et prévision de la volatilité

Le cadre estime et prédit la volatilité, en utilisant le LSTM comme composant prospectif.

Estimation de la dépendance dynamique grâce à la copule de vigne

L’état de volatilité prévu est ensuite utilisé pour influencer le paramètre de dépendance, permettant ainsi au modèle de s’adapter à mesure que les contraintes évoluent.

Ce qui rend cette architecture importante, c’est qu’il n’est pas demandé au LSTM de remplacer l’ensemble du cadre statistique. Au lieu de cela, il sert de couche de signal. Il fournit une estimation prospective des tensions sur le marché. Cette estimation est ensuite transmise à un moteur de dépendance plus interprétable.

Il s’agit d’une approche bien plus disciplinée que la simple introduction des prix bruts dans un réseau neuronal et l’espoir d’obtenir des informations.

Fondation des données et couverture du marché

La fenêtre empirique s’étend sur environ une décennie, de mi-2015 à mi-2025. Il s’agit d’un choix important car elle prend en compte plusieurs types distincts de stress plutôt qu’un événement de marché isolé.

L'échantillon comprend trois segments interconnectés : le pétrole brut WTI, un indice du marché des énergies renouvelables ou nouvelles et un indice du secteur financier.

Cela donne au cadre une exposition à l’énergie traditionnelle, aux actifs liés à la transition et au système financier dans son ensemble.

Cette période est particulièrement utile car elle comprend plusieurs perturbations réelles des marchés, notamment le krach boursier de 2015, la volatilité provoquée par la pandémie mondiale, les chocs énergétiques et macroéconomiques liés à la guerre, et plus tard les escalades politiques et commerciales.

En d’autres termes, le modèle n’est pas testé sur des données de marché calmes ou artificiellement claires. Il est formé et évalué au fil des années au cours desquelles les tensions macro-économiques, géopolitiques et sectorielles ont remodelé à plusieurs reprises les relations entre les marchés.

Avant le début de la modélisation principale, les prix sont convertis en rendements logarithmiques.

Transformation de retour

r_t = ln(P_t) - ln(P_t-1)

Cette étape normalise les données sous une forme plus utilisable pour l’analyse de la volatilité et de la dépendance.

Le profil statistique plus large de ces séries de rendements est également important. Les marchés concernés ne se comportent pas comme des variables gaussiennes soignées. Ils présentent des queues lourdes, une non-normalité et une hétéroscédasticité conditionnelle.

Cette combinaison soutient fortement l’utilisation d’un cadre non linéaire prenant en compte la queue.

L'épine dorsale mathématique

Bien que le système global soit sophistiqué, sa logique peut être comprise à travers trois blocs mathématiques fondamentaux.

1) Décomposition multi-échelle via MODWT

Cette étape divise le signal en composants à différentes échelles, séparant les détails d'une structure plus fluide à long terme.

X_t = Σ (j = 1 to J) W_(j,t) + V_(J,t)

Conceptuellement, cela signifie que la série de marché observée peut être décomposée en une somme de composantes d’ondelettes plus une composante résiduelle plus lisse. Cela est important car le comportement du marché n’est pas déterminé par un seul horizon temporel. Le bruit intrajournalier, la réponse aux chocs à court terme et les mouvements de tendance plus larges coexistent. La décomposition du signal aide le modèle en aval à se concentrer sur une structure significative plutôt que d'être dominé par le bruit.

2) Logique LSTM pour une prévision de la volatilité avec une longueur d'avance

Le LSTM fait office de couche de renseignement prospective. Son rôle est d'estimer le prochain état de volatilité en utilisant les informations passées et la mémoire interne.

f_t = σ(W_f [h_(t-1), x_t] + b_f)

C_t = f_t * C_(t-1) + i_t * C_t_tilde

h_t = o_t * tanh(C_t)

En termes pratiques, la porte d'oubli décide quelles informations passées doivent être conservées, l'état de la cellule met à jour la mémoire interne et l'état caché devient la représentation évolutive de la séquence par le modèle.

Pour cette application, cela signifie que le LSTM apprend si les conditions actuelles du marché ressemblent à un environnement de faible stress, à un régime de volatilité croissante ou à une phase de contagion active.

Cette estimation de la volatilité avec une longueur d’avance devient le pont entre l’apprentissage profond et la modélisation de la dépendance.

3) Dépendance dynamique de la copule pilotée par l'état de volatilité LSTM

Il s’agit de l’innovation la plus importante du cadre.

θ_(ij,t) = g_(ij)(v_hat_t)

θ_(ij,t) = α_(ij,0) + α_(ij,1) * v_hat_t

θ_(ij,t) = 1 / (1 + exp(-(α_(ij,0) + α_(ij,1) * v_hat_t)))

Dans une configuration de copule statique standard, la dépendance est largement fixée sur la fenêtre d'estimation. C’est utile jusqu’à un certain point, mais cela devient irréaliste lorsque les marchés passent rapidement du calme au stress.

Ici, le paramètre de dépendance θ change en fonction de l’état de volatilité prédit. Lorsque la volatilité attendue augmente, le modèle peut permettre à la dépendance entre les marchés de s'intensifier. Lorsque la volatilité se relâche, la structure de dépendance peut à nouveau se relâcher.

Cela signifie que le modèle ne mesure pas seulement le mouvement du co. Il s’agit d’adapter le co-mouvement au régime de stress.

C’est précisément ce qui le rend utile pour l’analyse de contagion.

Ce que révèle le modèle

Le résultat du cadre n’est pas seulement mieux adapté aux données historiques. Il produit plusieurs informations pratiques sur la façon dont la contagion se comporte sur ces marchés.

La contagion à la baisse est plus forte que la contagion à la hausse

C’est sans doute le résultat le plus important.

Les chocs négatifs se propagent avec plus de force que les chocs positifs. En termes simples, les marchés deviennent plus étroitement liés lorsque la peur augmente que lorsque l’optimisme augmente.

Cela signifie que les mauvaises nouvelles voyagent plus vite que les bonnes.

Cela a des implications majeures sur le portefeuille. Un investisseur peut croire qu’il est diversifié dans les secteurs de l’énergie, des énergies renouvelables et de la finance dans des conditions normales. Mais lorsque les marchés entrent dans un régime de tensions, ces expositions peuvent commencer à se comporter comme faisant partie d’un seul groupe de risques plutôt que comme des sources de rendement indépendantes.

C’est exactement pourquoi la modélisation sensible à la queue est importante. Les moments qui comptent le plus sont ceux où les hypothèses de diversification s’effondrent.

Les énergies renouvelables et la finance forment un lien particulièrement fort

Parmi les principales paires de marchés, le lien entre le segment des énergies renouvelables et le secteur financier apparaît particulièrement fort.

C’est intuitivement plausible. Les actifs renouvelables sont très sensibles aux coûts de financement, aux attentes politiques, à la réévaluation du cycle d’investissement et à l’humeur du marché des capitaux.

Contrairement à un marché de matières premières purement physique, les énergies renouvelables se situent souvent à l’intersection d’une valorisation à long terme, d’une dépendance aux subventions ou à la réglementation et de structures de financement sensibles aux taux. En conséquence, ils peuvent se comporter moins comme des expositions énergétiques isolées que comme des actifs macrofinanciers.

Cela les rend particulièrement vulnérables à la transmission de tensions financières plus larges.

Le modèle hybride améliore la prévision des dépendances extrêmes

La comparaison hors échantillon montre que la structure hybride surpasse plusieurs approches de référence en matière de prévision de la dépendance pertinente extrême.

Valeurs de comparaison rapportées :

Vine: 0.008057

Rolling: 0.008506

DCC: 0.008636

GRU: 0.012779

Attention: 0.120726

Le message clé n’est pas seulement qu’un nombre est plus petit qu’un autre. Le point le plus important est qu’une approche hybride soigneusement structurée peut surpasser à la fois les modèles de dépendance existants plus simples et les alternatives plus génériques d’apprentissage en profondeur.

C’est une leçon importante en matière de conception. Une meilleure IA financière ne signifie pas toujours plus de réseau neuronal. Parfois, cela signifie utiliser les réseaux de neurones uniquement là où ils créent un avantage significatif en matière de signal, puis les combiner avec une modélisation structurelle plus solide.

Pourquoi c'est important pour les investisseurs

Pour les investisseurs, la leçon pratique est simple mais inconfortable : les hypothèses de corrélation peuvent échouer précisément au moment où elles sont le plus nécessaires.

Dans des conditions calmes, l’exposition aux secteurs du pétrole, des énergies renouvelables et de la finance peut sembler suffisamment diversifiée. Mais lorsque le stress s’accélère, des liens cachés peuvent rapidement faire surface. Les pertes de portefeuille peuvent se regrouper. La logique de couverture peut s’affaiblir. Les modèles de risque calibrés sur des conditions moyennes peuvent devenir trompeurs.

Un cadre comme celui-ci offre une manière plus réaliste d’envisager l’allocation et le risque, car il se concentre sur le changement de régime, les mouvements extrêmes et la possibilité que la dépendance cachée s’intensifie sous la pression.

C’est bien plus utile pour l’analyse de scénarios qu’une estimation statique du mouvement co.

Pourquoi c'est important pour les gestionnaires de risques

Pour les équipes de gestion des risques, ce cadre propose un principe de conception plus large que ce cas d'utilisation unique.

Utilisez l’IA pour la détection prospective de l’état. Utilisez des modèles structurés pour l’explication, le contrôle et la gouvernance.

Cette approche est puissante car elle équilibre l’adaptabilité prédictive et l’interprétabilité.

Un modèle purement boîte noire peut détecter des tendances, mais il peut être plus difficile à justifier auprès des comités de gouvernance, des régulateurs ou des parties prenantes institutionnelles. Un modèle purement classique peut être plus facile à expliquer, mais trop lent à s’adapter lorsque la dynamique des contraintes change.

Ce cadre hybride se situe dans un juste milieu plus pratique. Il offre de la flexibilité sans renoncer à la structure.

Cela en fait un modèle de référence utile pour la surveillance des tensions, la conception de scénarios et la gouvernance des risques liés aux modèles.

Pourquoi c’est important pour les régulateurs et la surveillance macroprudentielle

Du point de vue des politiques et de la surveillance, le cadre est précieux car il reflète le comportement réel du risque systémique moderne.

Les chocs énergétiques ne sont plus des événements isolés liés aux matières premières. Ils peuvent interagir avec les anticipations d’inflation, les conditions de liquidité, la valorisation sectorielle et la confiance des marchés. La revalorisation des énergies renouvelables peut avoir des implications sur les flux d’investissement, l’allocation des capitaux et le financement de la transition. Le stress financier peut amplifier les deux.

Un modèle qui suit la façon dont ces secteurs deviennent plus étroitement liés dans un contexte de volatilité croissante est donc utile pour le suivi des tensions systémiques, la surveillance des risques intersectoriels, la surveillance des risques de transition et l’analyse des politiques macroprudentielles.

Tout aussi important, il reste suffisamment interprétable pour soutenir une utilisation institutionnelle. Cela est essentiel dans des environnements où les décisions doivent être explicables, documentées et défendables.

Une leçon plus large sur l’IA financière

L’un des enseignements les plus utiles de ce travail est d’ordre méthodologique.

Il y a souvent un faux choix dans la modélisation financière appliquée : soit utiliser l’économétrie classique, soit tout remplacer par l’apprentissage profond.

C’est rarement la meilleure voie à suivre.

Les systèmes les plus solides sont souvent des hybrides. Ils permettent à l'apprentissage automatique de résoudre la partie du problème où la reconnaissance de formes et l'apprentissage de séquences sont les plus importants, tout en préservant les modèles structurels où l'interprétabilité, la stabilité et la logique de domaine sont essentielles.

C'est exactement ce que fait ce cadre.

Le LSTM ne remplace pas le modèle de dépendance. Il le renforce en fournissant un état de volatilité dynamique et prospectif. La Vine Copula n’essaie pas de tout apprendre à partir de zéro. Il fournit une structure disciplinée pour représenter une dépendance complexe.

Ensemble, ils créent un modèle plus adaptatif, plus sensible aux risques extrêmes, plus réaliste en cas de changement de régime et plus utile dans des contextes de crise réels.

Perspective finale

Le message principal est clair : la contagion du marché n’est pas linéaire et les modèles de risque ne peuvent pas se permettre de rester statiques.

Alors que la transition énergétique, la géopolitique, la révision des prix et les tensions financières continuent d’interagir, les retombées cachées auront plus d’importance, et non moins. Les modèles qui supposent que la dépendance est stable sont de plus en plus vulnérables à l’échec au moment précis où les institutions en ont le plus besoin.

Une voie plus intelligente consiste à traiter la structure du marché comme étant conditionnelle, évolutive et sensible au stress.

C’est la vraie valeur de ce cadre. Il ne s’agit pas seulement de mesurer si les marchés sont connectés. Il modélise la façon dont ces connexions changent lorsque la volatilité change. Et c’est une manière beaucoup plus réaliste d’envisager la contagion sur les marchés modernes.

Source

Zeng, L., Huang, J. et Lin, X. (2026). Modélisation de copule de vigne augmentée par LSTM pour l'analyse de la contagion de la finance énergétique. Rapports scientifiques, 16, 5358. DOI : 10.1038/s41598-026-37150-5