The Science of Algorithmic Trading and Portfolio Management

1. Le trading algorithmique : la révolution numérique des marchés financiers

Dire que le trading électronique algorithmique a bouleversé l’environnement financier est un euphémisme.

Un changement fondamental. Le trading électronique et algorithmique a profondément transformé les marchés financiers, passant de processus manuels centrés sur l’humain à des exécutions sophistiquées pilotées par ordinateur. Cette évolution, motivée par la recherche d’efficacité et la réduction des coûts, représente aujourd’hui plus de 99 % du volume des actions, avec environ 92 % des transactions réalisées par des algorithmes. Ce virage a métamorphosé les salles de marché animées en centres de données silencieux, où la vitesse, le traitement des données et les modèles mathématiques complexes priment.

L’objectif principal. Au cœur du trading algorithmique se trouve l’exécution d’instruments financiers selon un ensemble de règles prédéfinies, garantissant que les décisions d’investissement s’alignent sur les objectifs du fonds tout en maîtrisant les coûts de transaction. Les algorithmes se classent en trois catégories :

• Algorithmes d’exécution : ils réalisent les décisions des investisseurs (ex. VWAP, prix d’arrivée).
• Algorithmes à but lucratif : ils déterminent quoi acheter ou vendre et exécutent (ex. arbitrage statistique).
• Trading à haute fréquence (HFT) : sous-catégorie des algorithmes à but lucratif, exploitant des micro-déséquilibres sur des horizons très courts.

Avantages et défis. Le trading algorithmique offre des bénéfices majeurs tels que des commissions réduites, l’anonymat, un contrôle accru, une fuite d’information minimale et des coûts de transaction abaissés grâce à la rapidité et à la puissance de calcul des ordinateurs. Néanmoins, il présente aussi des défis : la complaisance des utilisateurs, la nécessité de tests continus, le risque de performances médiocres en cas d’événements imprévus, et la complexité à distinguer de nombreux algorithmes souvent peu explicites.

2. Les coûts de transaction : le drain invisible sur la performance d’investissement

La meilleure exécution (comme indiqué dans Optimal Trading Strategies) est le processus qui détermine la stratégie offrant la plus grande probabilité d’atteindre l’objectif d’investissement du fonds.

Au-delà des commissions. Les coûts de transaction sont bien plus complexes que de simples commissions, englobant une série de dépenses explicites et implicites qui grèvent les rendements. Comprendre ces coûts est essentiel pour atteindre la « meilleure exécution », qui ne consiste pas à atteindre un seuil arbitraire, mais à aligner la stratégie de trading sur l’objectif spécifique du fonds.

Composantes décomposées. Le livre identifie dix composantes distinctes des coûts de transaction :

• Fixes/Visibles : commissions, frais, taxes, remises.
• Variables/Cachées : spreads, coût de délai, appréciation du prix, impact de marché, risque de timing, coût d’opportunité.
  Les coûts cachés, notamment l’impact de marché et le coût d’opportunité, représentent souvent la majeure partie des coûts totaux et offrent le plus grand potentiel d’amélioration par une gestion experte.

Le coût d’implémentation (IS). Ce métrique clé quantifie le coût total d’exécution d’une idée d’investissement, mesuré comme la différence entre un « rendement papier » théorique (si toutes les actions étaient échangées au prix de décision) et le rendement réel du portefeuille. L’IS se décompose en :

• Coût de délai : perte due au mouvement du marché entre la décision et la mise en ordre.
• Coûts liés au trading : coûts encourus pendant l’exécution active (impact de marché, risque de timing).
• Coût d’opportunité : profit manqué ou perte évitée sur les actions non exécutées.
  Cette décomposition fine permet d’identifier précisément l’origine des coûts et les responsabilités, facilitant des améliorations ciblées.

3. Modèles d’impact de marché : quantifier le prix du trading

Mathématiquement, l’impact de marché se définit comme la différence entre la trajectoire réelle des prix après la mise en marché de l’ordre et la trajectoire qui aurait eu lieu si l’ordre n’avait jamais été émis.

Le principe d’Heisenberg du trading. L’impact de marché, coût de transaction important et souvent caché, correspond à la variation de prix provoquée par une transaction. Il est notoirement difficile à mesurer précisément car on ne peut observer simultanément les deux scénarios (avec et sans la transaction). L’impact de marché comprend deux composantes clés :

• Impact temporaire : dû aux besoins immédiats de liquidité et à l’urgence, provoquant des écarts de prix à court terme.
• Impact permanent : lié à l’information véhiculée par la transaction, entraînant un déplacement durable de la valeur perçue de l’actif.

Le modèle I-Star. Le livre met en avant le modèle « I-Star » comme une approche robuste, descendante, d’allocation des coûts pour estimer l’impact de marché. Ce modèle de fonction puissance intègre :

• La taille de l’ordre (en % du volume moyen quotidien - ADV)
• La volatilité
• La stratégie de trading (ex. taux de pourcentage du volume - POV)
• Le prix de l’actif
  Les paramètres du modèle (a1, a2, a3, a4, b1) sont estimés par régression non linéaire, permettant des relations flexibles et basées sur les données plutôt que des hypothèses fixes.

Propriétés essentielles. Un bon modèle d’impact de marché doit respecter plusieurs critères :

• Les coûts augmentent avec la taille, la volatilité et l’agressivité du trading.
• Les coûts diminuent avec un horizon de trading plus long et une liquidité de marché plus élevée.
• Il doit distinguer impact temporaire et permanent.
• Il doit prendre en compte les conditions de marché et les schémas de trading.
  Comprendre ces propriétés est crucial pour développer des modèles précis et des stratégies efficaces minimisant les mouvements de prix défavorables.

4. Fondamentaux analytiques : probabilité, statistiques et régression pour quant

L’analyse de régression est une technique statistique utilisée pour modéliser la relation entre une variable dépendante (appelée variable de sortie, variable réponse ou simplement variable y) et un ensemble de variables indépendantes (appelées facteurs explicatifs, variables prédictives ou simplement variables x).

La boîte à outils du quant. Au cœur du trading algorithmique et de la gestion de portefeuille se trouve une solide maîtrise des probabilités et des statistiques. Ces outils sont indispensables pour :

• Quantifier les variables aléatoires et leurs distributions.
• Déterminer la signification statistique des paramètres de modèle.
• Prédire des résultats et calculer des intervalles de confiance.
• Construire et valider des modèles financiers complexes.

L’analyse de régression. La régression est l’outil principal pour découvrir et modéliser les relations entre variables. Le livre couvre plusieurs formes :

• Régression linéaire : simple et multiple, pour des relations linéaires directes.
• Régression log : transforme des relations non linéaires en linéaires via des logarithmes.
• Régression polynomiale : modélise des relations courbes avec des exposants entiers.
• Régression fractionnaire : permet des exposants non entiers, utile pour des courbes d’impact de marché complexes.
  Ces techniques servent à la tarification d’actifs, à la modélisation des risques, à la prévision de volatilité et, surtout, à l’estimation de l’impact de marché.

Modèles non linéaires et estimation. Pour des relations non linéarisables (comme le modèle complet I-Star), des techniques avancées sont nécessaires :

• Estimation du maximum de vraisemblance (EMV) : trouve les paramètres maximisant la probabilité d’observer les données.
• Moindres carrés non linéaires (Non-OLS) : minimise la somme des carrés des erreurs pour des fonctions non linéaires.
  Ces méthodes, combinées à des techniques d’échantillonnage robustes comme Monte Carlo, Bootstrapping et Jackknife, sont essentielles pour estimer précisément les paramètres et comprendre l’incertitude dans des modèles financiers complexes.

5. Risque et volatilité : outils essentiels pour un trading avisé

La volatilité historique laisse les données prédire l’avenir. La volatilité implicite laisse le marché prédire l’avenir.

Quantifier l’incertitude. La volatilité, définie comme l’écart-type des rendements de prix, est une mesure cruciale de l’incertitude des prix, non de la tendance réelle. Elle est utilisée en finance pour :

• Le trading : comprendre les mouvements potentiels intrajournaliers, alimenter l’impact de marché, choisir les algorithmes.
• La gestion de portefeuille : évaluer le risque global, calculer la VaR, définir des stratégies de couverture.
• Les dérivés : tarification des options et produits structurés.
  Deux types principaux existent : réalisée (données historiques) et implicite (dérivée des prix d’options, reflétant les anticipations futures).

Prévoir la volatilité. Divers modèles sont employés pour prévoir la volatilité, chacun avec ses forces :

• Moyenne mobile historique (HMA) : moyenne simple des rendements passés.
• Moyenne mobile exponentielle pondérée (EWMA) : accorde plus de poids aux observations récentes.
• Modèles ARCH/GARCH : capturent le regroupement de volatilité (périodes de forte/faible volatilité).
• Ajustement HMA-VIX : combine volatilité historique et attentes implicites du marché via l’indice VIX, offrant une estimation plus réactive et prospective.

Modèles factoriels pour un risque robuste. Les calculs historiques de covariance souffrent de « fausses relations » et de problèmes de degrés de liberté (nécessitant beaucoup de données). Les modèles factoriels y remédient en expliquant les rendements par des facteurs communs (marché, secteur, macroéconomiques, statistiques). Cette approche fournit une estimation plus stable et précise de la covariance du portefeuille, décomposant le risque en :

• Risque systématique : expliqué par les facteurs communs.
• Risque idiosyncratique : spécifique à l’action, non expliqué.
  Les modèles factoriels sont essentiels pour construire des portefeuilles diversifiés et gérer efficacement le risque, surtout dans les portefeuilles multi-actifs étendus.

6. Prévision du volume : anticiper la liquidité du marché pour une exécution optimale

Un ordre de 100 000 actions ou 10 % de l’ADV aura des coûts attendus différents si le volume du jour est de 1 000 000 ou 2 000 000 d’actions.

L’énigme de la liquidité. Une prévision précise du volume est la pierre angulaire d’un trading algorithmique efficace, impactant directement les estimations d’impact de marché et la stratégie d’exécution. Le coût attendu d’une transaction est très sensible au volume réel disponible pendant la période d’exécution.

Méthodes de prévision. Le livre détaille des techniques pour prédire divers indicateurs de volume :

• Volume moyen quotidien mensuel (ADV) : utilise des termes autorégressifs, des variations de volatilité et des mouvements d’indices pour anticiper les tendances de liquidité à long terme.
• Volume quotidien : emploie des modèles ARMA de séries temporelles, privilégiant souvent la médiane mobile quotidienne (MDV) à l’ADV en raison de la distribution asymétrique du volume, combinée à un ajustement selon le jour de la semaine.
• Profils de volume intrajournaliers : essentiels pour que les algorithmes déterminent combien d’actions trader à différents moments. Les tendances récentes montrent un passage de profils en U à des profils en J, avec plus de volume concentré en clôture.

Implications stratégiques. Des prévisions précises permettent aux algorithmes de :

• Ajuster les taux de trading en temps réel selon la liquidité anticipée.
• Affiner les calculs d’impact de marché pour plus de précision.
• Optimiser les calendriers de trading pour équilibrer coûts et risques.
• S’adapter aux jours d’événements spéciaux (ex. FOMC, changements d’indices) modifiant les schémas habituels de volume.
  Comprendre et prévoir ces dynamiques de liquidité est crucial pour minimiser les coûts de trading et maximiser la qualité d’exécution.

7. Cadre décisionnel algorithmique : aligner objectifs d’investissement et stratégie d’exécution

La meilleure exécution s’évalue sur la base des informations disponibles au moment de la décision de trading (ex-ante).

Au-delà du « régler et oublier ». Atteindre la « meilleure exécution » en trading algorithmique nécessite un cadre décisionnel structuré garantissant que le comportement de l’algorithme reste constamment aligné avec les objectifs d’investissement du fonds. Ce cadre dépasse la simple sélection d’un algorithme pour définir activement ses paramètres et ses réponses adaptatives.

Cadre en trois étapes :

1. Choisir le prix de référence : détermine le point de référence pour mesurer les coûts.
   • Prix d’arrivée : pour les gestionnaires fondamentaux, reflétant le coût à l’entrée de l’ordre.
   • Prix historique : pour les gestionnaires quantitatifs, tenant compte des écarts nocturnes.
   • Prix futur : pour les gestionnaires d’indices, visant le prix de clôture pour minimiser l’erreur de suivi.
2. Spécifier l’objectif de trading : définit le résultat souhaité de l’exécution.
   • Minimiser le coût (ex. VWAP passif).
   • Minimiser le coût avec contrainte de risque.
   • Minimiser le risque avec contrainte de coût.
   • Équilibrer coût et risque (optimisation standard avec aversion au risque).
   • Maximiser l’amélioration du prix (probabilité de surperformance d’un objectif).
3. Définir la tactique d’adaptation : dicte comment l’algorithme réagit aux changements de marché en temps réel.
   • Coût ciblé : ajuste pour rester conforme à l’estimation initiale des coûts.
   • Agressif en situation favorable (AIM) : trade plus agressivement lorsque les prix sont favorables pour maximiser le profit.
   • Passif en situation favorable (PIM) : trade plus lentement sur marchés favorables (pour capter plus de hausse) et plus rapidement sur marchés défavorables (pour limiter les pertes).
     Cette approche complète garantit que les algorithmes agissent intelligemment, et non simplement automatiquement.

8. Optimisation de portefeuille avec TCA : maximiser les rendements au-delà des frontières traditionnelles

L’ampleur réelle de la sous-performance est probablement sous-estimée dans l’industrie, même après prise en compte de l’impact de marché et du coût d’opportunité.

Combler le fossé. L’optimisation traditionnelle de portefeuille (frontière efficiente de Markowitz - EIF) néglige souvent l’impact significatif des coûts de transaction sur les rendements réels. Le livre préconise d’unifier les théories d’investissement et de trading en intégrant directement les coûts de transaction dans la construction du portefeuille. L’objectif est d’atteindre une « frontière de meilleure exécution » maximisant l’utilité de l’investisseur après prise en compte des coûts de trading.

La « troisième vague » de l’optimisation. Cette approche avancée dépasse la simple addition des spreads ou des estimations statiques d’impact de marché. Elle intègre une fonction d’impact de marché variable dépendant de :

• La taille de l’ordre
• La volatilité
• La stratégie d’exécution sous-jacente
• La composition globale du risque de la liste de transactions (bénéfices de covariance)
  Ce problème d’optimisation multipériode considère à la fois l’horizon de trading (acquisition des actions) et la période de détention (sans transaction supplémentaire), les reliant via le calendrier des transactions.

Principaux enseignements :

• Stratégie optimale unique : pour tout portefeuille efficient donné, il existe une seule stratégie d’exécution « optimale » maximisant l’utilité de l’investisseur, pas plusieurs.
• Ratio de Sharpe comme lambda : le ratio de Sharpe du portefeuille peut guider le choix du paramètre d’aversion au risque (λ) pour l’optimisation du calendrier de trading, assurant la cohérence.
• Sous-optimal peut être optimal : un portefeuille apparemment sous-optimal avant coûts de trading peut, après prise en compte de ceux-ci, générer des rendements nets et une utilité supérieurs à un portefeuille initialement « efficient ».
  Cette approche holistique garantit que les décisions d’investissement ne sont pas compromises par une exécution inefficace, conduisant à des portefeuilles véritablement optimisés après coûts.

9. Ingénierie inverse des modèles de brokers : construire une intelligence de trading indépendante

Si un gestionnaire souhaite réaliser une analyse des coûts de trading pour une transaction à venir ou dans le cadre d’une sélection d’actions et construction de portefeuille, les brokers et fournisseurs exigent que les investisseurs chargent l’ordre ou la liste d’actions dans leur système ou se connectent à leur serveur via une API.

Le problème de la boîte noire. Les brokers et fournisseurs gardent souvent leurs modèles d’impact de marché et d’analyse des coûts de transaction (TCA) propriétaires, limitant la transparence et obligeant les clients à utiliser leurs systèmes. Cela soulève des inquiétudes quant à la fuite d’informations et à l’impossibilité pour les gestionnaires d’évaluer indépendamment les modèles ou d’y intégrer leurs propres vues.

La technique du « pré-trade des pré-trades ». Le livre présente une méthode