Modèles à agents hétérogènes et dynamiques de liquidité : pourquoi l'agent représentatif ne suffit plus
L'hétérogénéité des acteurs crée des crises invisibles aux modèles standards
Longtemps, j'ai travaillé avec des modèles à agent représentatif sans trop questionner l'hypothèse. Puis j'ai réalisé que les crises de liquidité les plus intéressantes — celles qui surprennent tout le monde — naissent précisément là où l'hétérogénéité des acteurs entre en jeu. Les modèles à agents hétérogènes ne sont pas une complication analytique de plus : ils capturent des mécanismes endogènes que les cadres standards rendent structurellement invisibles.
Pourquoi l'agent représentatif rate l'essentiel
La conclusion s'impose dès qu'on examine les données : les crises de liquidité ne se déclenchent pas dans des marchés peuplés d'acteurs identiques. Elles émergent précisément à l'intersection d'acteurs aux horizons temporels, aux niveaux de levier et aux contraintes de financement radicalement différents. Un modèle à agent représentatif, en agrégeant ces différences, efface le mécanisme central qu'il est censé expliquer. Si tous les acteurs ont le même profil de levier et les mêmes règles de marge, aucune dynamique de contagion endogène ne peut apparaître — le modèle produit une réponse symétrique et amortie à tout choc, à l'opposé de ce qu'on observe empiriquement lors des épisodes de contraction sévère. C'est précisément pour cette raison que plusieurs économistes — dont Kiyotaki et Moore dans leurs travaux sur les contraintes de crédit hétérogènes — ont insisté sur la nécessité de modéliser explicitement la distribution des positions et des capacités de financement entre acteurs distincts.
Interactions entre acteurs et émergence endogène
Ce que les modèles à agents hétérogènes permettent de formaliser, c'est la manière dont les interactions locales entre acteurs aux contraintes différentes produisent des dynamiques agrégées non linéaires que personne n'aurait pu prédire à partir du comportement individuel de chacun. Prenons un exemple analytiquement éclairant : un acteur fortement leveragé qui doit vendre des actifs pour couvrir un appel de marge le vend à un acteur moins contraint, qui peut absorber la position à prix réduit. Si les acteurs moins contraints sont suffisamment nombreux et disposent de capacités de financement suffisantes, la spirale s'interrompt. Si, en revanche, la distribution des contraintes est asymétrique et que la majorité des acteurs disponibles est elle-même proche de ses limites de financement, aucun acheteur de dernière instance endogène ne se manifeste — et la spirale se poursuit. C'est cette interaction entre la distribution des contraintes et la disponibilité d'acheteurs non contraints qui détermine si une perturbation initiale s'amortit ou s'amplifie, et que seul un cadre à agents hétérogènes permet de capturer fidèlement.
Calibration empirique et complexité analytique
L'attrait théorique des modèles à agents hétérogènes se heurte à une difficulté pratique considérable : leur calibration empirique exige des données granulaires sur la distribution des positions, des niveaux de levier et des contraintes de financement entre acteurs — des informations rarement disponibles à la fréquence et au niveau de détail requis. Les modèles les mieux calibrés s'appuient sur des données de registres de transactions, de déclarations prudentielles ou d'enquêtes spécialisées, chacune avec ses propres biais et lacunes. Ce problème de calibration n'invalide pas l'approche — il la contraint à travailler avec des distributions paramétriques ou des hypothèses simplificatrices sur la structure de l'hétérogénéité, ce qui réintroduit une forme d'agrégation que le cadre cherchait précisément à éviter. Les travaux les plus rigoureux reconnaissent explicitement cette tension et quantifient la sensibilité de leurs conclusions aux hypothèses retenues sur la distribution des agents.
Résultats clés et pistes de recherche actuelles
Malgré ces difficultés de calibration, les modèles à agents hétérogènes ont produit des résultats analytiquement significatifs. Ils montrent que la fragilité d'un système de liquidité dépend moins du niveau moyen de levier que de la queue de distribution des acteurs les plus contraints — un résultat que les modèles à agent représentatif sont structurellement incapables de formuler. Ils permettent également de modéliser des effets de seuil : une légère augmentation de la concentration des positions chez les acteurs les plus leveragés peut faire basculer un système d'un régime stable à un régime de spirale sans que les indicateurs agrégés habituels ne signalent la transition. Les pistes de recherche actuelles s'orientent vers l'intégration de comportements adaptatifs — acteurs qui apprennent et ajustent leurs stratégies en fonction des dynamiques observées — ce qui ajoute une couche supplémentaire de complexité mais rapproche les modèles des comportements effectivement observés lors des épisodes de stress prolongé sur les marchés développés.