À qui s’adresse cette page — À quiconque souhaite distinguer l’information produite par un modèle de la position à prendre et de l’ordre qui parviendra au marché.
Un signal de trading systématique est la sortie d’une règle ou d’un modèle qui synthétise les informations disponibles à un instant donné pour appuyer une décision. Il peut exprimer une direction, un classement, une probabilité, un rendement attendu, un risque ou un état. Ce n’est encore ni une position ni un ordre.
La distinction est essentielle. Un signal positif peut aboutir à une position nulle parce qu’une limite est active ; plusieurs signaux peuvent être combinés avant le dimensionnement ; une position souhaitée peut ne générer que l’ordre nécessaire pour combler l’écart avec la position déjà détenue. Confondre ces niveaux rend le backtest et l’attribution des erreurs opaques.
Six objets à ne pas confondre
| Objet | Signification | Exemple d’unité |
|---|---|---|
| Feature | information transformée et disponible au moment de la décision | rendement, spread, surprise standardisée |
| Forecast | estimation d’une quantité future ou conditionnelle | rendement attendu, volatilité, probabilité |
| Signal / score | synthèse employée par la règle de décision | signe, percentile, score continu |
| Target position | exposition souhaitée après contraintes et dimensionnement | euros, contrats, poids, delta |
| Order | instruction pour passer de la position actuelle à la position cible | quantité, type, limite, validité |
| Fill | exécution effective communiquée par la plateforme ou le courtier | quantité, prix, horodatage, commission |
La relation n’est pas nécessairement univoque. Une prévision continue peut n’être transformée en signal qu’au-delà d’une bande ; l’optimiseur de portefeuille peut atténuer des signaux corrélés ; un ordre peut produire plusieurs exécutions ou aucune. Conserver les états intermédiaires permet de déterminer si un écart de P&L provient du modèle, du dimensionnement ou de l’exécution.
Types de signal
- Binaire ou catégoriel : long/flat/short ou états discrets. Il est simple à interpréter, mais le seuil peut éliminer de l’information et doit être validé.
- Continu : mesure une intensité ou une conviction sur une échelle. Il exige une règle de normalisation et un mapping vers le risque.
- Classement : ordonne les instruments au même instant. Le résultat dépend de l’univers disponible et du traitement des données manquantes.
- Probabiliste : estime une probabilité conditionnelle. La discrimination ne suffit pas : calibration, taux de base et fonction de coût influencent la décision.
- Prévision de rendement ou de risque : conserve des unités économiques, mais doit préciser l’horizon, la devise et la distribution de référence.
- Signal d’état : active, limite ou désactive une autre règle, par exemple en fonction de la qualité des données, du régime ou du risque opérationnel.
Un signal peut décrire l’alpha ou le risque. Réduire l’exposition lorsque la volatilité estimée augmente est une décision systématique, mais ne revient pas à prévoir le signe du rendement.
Horodatage et disponibilité
Pour chaque valeur du signal, il faut au minimum connaître :
- la période économique ou de marché à laquelle se rapportent les entrées ;
- le moment où chaque entrée devient réellement disponible ;
- le moment où le prétraitement et le modèle peuvent terminer leur calcul ;
- l’instant de publication du signal ;
- l’horizon auquel se rapporte le signal et son expiration.
Une donnée fondamentale relative à mars mais publiée en mai ne peut entrer dans un signal d’avril. Une normalisation estimée sur l’ensemble du jeu de données transfère de l’information future même si chaque feature paraît décalée. Un classement construit à partir des composantes actuelles d’un indice peut exclure à l’avance les titres qui en sont sortis. Le signal hérite donc du contrat des données point-in-time.
Du signal à la position
Un mapping explicite répond à quatre questions :
- comment convertir l’échelle et le signe en exposition souhaitée ;
- comment combiner plusieurs signaux sur le même instrument ;
- comment gérer corrélation, concentration, levier et liquidité ;
- quelle inertie ou bande évite un turnover économiquement inutile.
Pour un score simple sᵢ,t, une écriture illustrative peut être :
poids brutᵢ,t = f(sᵢ,t); poids cible = contraintes(normalisation(poids brut))La fonction f et l’opérateur de contrainte font partie de la
stratégie ; ce ne sont pas des détails neutres. Écrêtage, classement, ajustement
à la volatilité et neutralisation peuvent dominer le profil de risque. La
position cible doit aussi être comparée à la position courante : l’ordre porte
sur la différence, éventuellement arrondie et limitée par la capacité.
État, données manquantes et révisions
Un signal ne devrait pas supposer implicitement que toutes les entrées existent.
La spécification distingue au moins valid, stale,
missing, invalid et suppressed. Remplacer
une valeur manquante par zéro peut signifier « aucune prévision », « prévision
neutre » ou « donnée réellement égale à zéro » : ce sont trois interprétations
différentes.
Lorsqu’un modèle est recalibré, la version du signal change. Corriger a posteriori une donnée historique peut être utile à l’analyse, mais ne doit pas réécrire silencieusement ce que le système a vu en production. Pour l’audit et l’attribution, la série « as observed » et la série corrigée sont toutes deux utiles.
Exemple illustratif
Supposons qu’un score cross-sectional varie de 0 à 100. La stratégie ne forme des positions que dans les extrémités du classement, réduit les poids en raison d’une contrainte sectorielle et ne négocie pas si la donnée est obsolète. Un instrument passe d’un score de 52 à 91, mais la limite de concentration empêche d’accroître la position : le signal est fort, la cible reste inchangée et aucun ordre n’est créé.
L’exemple montre pourquoi « le signal a dit d’acheter » est une description incomplète. Il ne suggère ni percentiles, ni seuils, ni règles universelles.
Comment l’évaluer
| Niveau | Vérification |
|---|---|
| Informationnel | relation avec l’objet prévu, incertitude et stabilité hors échantillon |
| Économique | valeur incrémentale par rapport à la baseline et aux coûts |
| Portefeuille | contribution après combinaison, contraintes et expositions communes |
| Opérationnel | latence, couverture, taux de données obsolètes, révisions et erreurs |
| Gouvernance | version, responsable, limites d’utilisation et procédure de désactivation |
L’accuracy ou la corrélation ne suffisent pas à elles seules. Une prévision rare mais économiquement importante, une probabilité non calibrée ou un signal à turnover élevé exigent des métriques cohérentes avec la décision. L’évaluation doit respecter l’ordre temporel, les tests multiples et les coûts.
Références
- U.S. Securities and Exchange Commission, Staff Report on Algorithmic Trading in U.S. Capital Markets — distinction entre fonctions décisionnelles et fonctions d’exécution des algorithmes, et risques associés.
- Joseph Simonian, CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — validation, benchmarks, suivi et documentation des modèles d’investissement.
- Tilmann Gneiting et Adrian E. Raftery, Strictly Proper Scoring Rules, Prediction, and Estimation — principes d’évaluation des prévisions probabilistes sans les séparer de la quantité prévue.
- Narasimhan Jegadeesh et Sheridan Titman, Returns to Buying Winners and Selling Losers — exemple académique de construction d’un signal de classement cross-sectional dans un plan précis.