Algorithmic trading, de quoi d’agit-il?

La bourse ressemblait autrefois à une grande salle avec des moniteurs au mur montrant des colonnes de chiffres changeant continuellement. Sur le sol se trouvait une foule agitée de traders et un brouhaha de voix d’où l’on entendait répéter les cris d’achat et de vente. Mais, cette image a changé, la salle est toujours là ainsi que les moniteurs mais la foule est beaucoup plus petite. Des

ordinateurs ronronnant silencieusement ont pris le dessus. Ces ordinateurs travaillent plus rapidement, ne prennent jamais de congé et ont rarement besoin d’un humain pour fonctionner. Ils ultilisent l’Algorithmic Trading pour distinguer les transactions gagnantes des perdantes. Si vous êtes novice en la matière vous vous demandez certainement en quoi consiste cet Algorithmic Trading.

L’algorithmic trading peut simplement être défini comme étant un ensemble de règles (un algorithme) pour acheter et vendre des actifs financiers. En prenant le temps, le prix et le volume comme variables on peut automatiser le trading et donc le rendre copieusement plus efficace. Nous parlons d’un algorithme mécanique dévoué de toute sorte d’émotion, ne fermant ne serait-ce qu’une seconde l’œil sur le marché, ayant une approche consistante c’est- à-dire agissant de la même manière face à des situations identiques et encore plus, un algorithme qui nous donne la possibilité de tester notre stratégie, avant de l’appliquer sur le marché, en utilisant des résultats historiques.

Parlons histoire ! Vous serez surpris de savoir que l’origine primaire du trading quantitatif remonte au XVIIème siècle où Munehisa Honma un marchand japonais qui a enchainé les gains sur les marchés du riz japonais en analysant le marché. La théorie moderne du portefeuille, l’informatisation de l’accès en bourse et le développement des premières stratégies de Pairs Trading n’ont cependant été introduite qu’au XXème siècle. Le prochain point d’inflexion dans cette histoire sera dans le XXIème siècle où l’arrivée du HFT (high frequency trading), de la big data et du machine learning.

Aussi tenant que ceci n’en a l’air, créer son propre trading algorithm est une longue route qui nécessite de la patience et surtout de la recherche.

Premièrement, il faut commencer par créer sa stratégie quantitative d’investissement qui est découpée en cinq étapes essentielles : Alpha- model qui est la partie du modèle qui vise à gagner de l’argent et sur laquelle se concentre une grande partie du processus de recherche, le Risk model qui utilise un ensemble de règles de gestion de l’argent pour faire fonctionner le modèle alpha dans des paramètres de risque appropriés. Transaction cost model qui prend en compte les coûts totaux de négociation, y compris les frais et commissions, le slippage1 et l’impact sur le marché des stratégies quantitatives, How Quantitative Trading Works (PCM) qui combine les modèles Alpha, Risque et Transaction pour donner au trader la rentabilité la plus élevée qui peut être atteinte en utilisant le modèle quantique et finalement l’Execution model où l’on crée un algorithme d’exécution, une fois que la stratégie de valeur relative qui inclut l’achat et la vente des différents instruments a été optimisée. Ces règles font en sorte que notre trading soit adapté à un système informatisé.

Avant d’entamer les notions de base que nous allons voir il faut primordialement faire la distinction entre le trading quantitatif et le trading algorithmique. Le premier réfère uniquement à la définition des règles tant que le deuxième est la façon d’exécuter ces règles en utilisant un algorithme informatique. Ces deux notions aussi proches qu’elles n’ont l’air seront parfois confondues tout au long de cet article.

A priori, alors que nous savons les composantes d’une stratégie quantitative il nous faut les différents types de stratégies que nous pourrions suivre. En effet, il existe plusieurs manières suivant lesquelles on peut classifier ces stratégies. Cet article donnera une classification selon la source d’alpha ou de profitabilité puisqu’une telle classification donne une idée sur la performance et le risque.

Premièrement, en ingénierie, on vise la rapidité et la perfection de l’arbitrage. On cherche à être le premier à récupérer l’information et à exécuter une position qui dépend de cette information. Une illustration pertinente et très utilisée de cette classification est le High Frequency Trading (HFT). On parle d’une méthode de trading qui utilise de puissants programmes informatiques pour traiter un grand nombre d’ordres en quelques fractions de seconde. Elle utilise des algorithmes complexes pour analyser plusieurs marchés et exécuter des ordres en fonction des conditions du marché. Le HFT a bénéficié de l’innovation technologique puisqu’on y utilise des systèmes et cartes nanosecondes, la FPGA et les réseaux micro-onde afin d’augmenter la vitesse de traitement. Cette technique se base sur la tick-data 2 et sur la structure du cahier d’ordre, en d’autres termes elle joint un énorme volume de données à l’état de l’offre et la demande du marché pour trouver les trades gagnantes. En outre, elle adopte une approche hybride qui combine les signaux simples assurant la rapidité aux signaux sophistiqués assurant une bonne gestion du risque. Si on s’aventure dans la construction d’un algorithme aussi précis et compliqué c’est parce qu’il rapportera en plus de son efficacité une considérable liquidité au marché et enlèvera les bid-ask spreads3. Cependant, on critique au HFT l’élimination radicale du jugement humain de l’équation et le fait qu’il permet aux grandes entreprises de faire des profits au détriment des “petits”, c’est-à-dire des investisseurs institutionnels et des particuliers. Une autre critique majeure du HFT est que la liquidité fournie par le HFT est une “liquidité fantôme”, ce qui signifie qu’il fournit une liquidité qui est disponible sur le marché une seconde et disparaît la suivante, empêchant les traders d’être réellement en mesure de négocier cette liquidité.

La deuxième classification est mathématique. Ici, l’arbitrage est statistique (donc il n’est pas parfait). On modélise les relations entre des actifs financiers qui était existante au passé et dont on espère la reproduction et donc on s’appuie sur une base historique. Un exemple de cet appui historique est le Pairs Trading : Supposons qu’on traite deux banques similaires

et donc l’évolution de leurs actions est la même, si à un certain point on remarque un écart entre les deux actions on achètera l’une et vendra l’autre puisqu’on espère que cet écart sera éliminé par la suite.

La troisième et dernière classification se base sur le fondamental, notamment sur les recommandations d’analystes à titre d’exemple ou sur des modèles comportementaux comme la considération que l’action la plus achetée gardera cette caractéristique. On se base aussi dans cette catégorie sur les bilans d’entreprise en prenant en compte les dettes et les ventes, sur la macro-économie et également sur des données alternatives tels les trends, les social médias et les données de carte crédit. En effet le domaine fondamental bien qu’il soit pertinent n’est pas le modèle à adopter puisqu’il engendre souvent un risque plus élevé et une performance plus médiocre. Savoir les différentes classifications est une étape certes importante mais on est là pour développer une stratégie quantitative et c’est ce qu’on fera. Il ne faut pas être géni pour deviner qu’on doit commencer par une idée de stratégie mais il faut un géni ou à la rigueur une grande implication pour trouver la bonne idée puisque celle-ci n’est pas le fruit du hasard mais d’une observation rigoureuse des marchés, de la recherche et de l’exploration de nouvelles sources de données. Ensuite, après avoir trouvé la stratégie on doit la tester avant de s’aventurer dans le marché. Il nous faudra une simulation de cette stratégie sur des données historiques, une calibration des paramètres, l’optimisation du risque et l’analyse de profitabilité en utilisant différents ratios financiers. A ce stade, notre stratégie est prête à l’emploi et donc on l’exécute tout en cherchant à minimiser les coûts et l’impact du marché. Finalement, on doit faire une analyse post-trading pour concilier les résultats de l’exécution et du backtest. Même si une telle stratégie à l’air solide il existe plusieurs problèmes qui peuvent la compromettre. La majorité de ces pièges tournent autour de la non exactitude des données utilisées. A titre d’exemple le biais de survie qui est une erreur commise lorsqu’on ignore ou minimise les échecs potentiels, ou aussi l’erreur peut provenir de la sous-estimation des coûts et de l’impact du marché.

Le développement d’une stratégie quantitative est un travail acharné et rigoureux nécessitant un grand investissement et la création d’un algorithme de trading l’est encore plus. A ce stade-là vous aviez une vision d’ensemble sur le principe du trading algorithmique et quelques notions de base sur les différentes stratégies quantitatives et aussi sur le développement d’une. Nous voudrions remercier Mr Azzouz Hecham le portfolio manager spécialisé dans le quant trading et Mr Achchab Said pour avoir donné et organisé un webinaire enrichissant sur ce sujet, et sur lequel nous nous somme basés dans la rédaction de cet article.

%d bloggers like this: