À qui s’adresse cette page — À quiconque rencontre des termes tels que « quant », « systematic », « algo » et « bot » employés comme des synonymes et souhaite comprendre quelle partie du processus ils décrivent réellement.
Le trading quantitatif formule et évalue des décisions de marché à l’aide de données, de mesures et de modèles explicites. Le trading systématique fixe à l’avance des règles répétables concernant les signaux, le portefeuille, le risque ou l’exécution. De nombreuses stratégies relèvent des deux catégories, mais les termes ne sont pas équivalents : une simple règle de rééquilibrage peut être systématique sans exiger de modèle statistique complexe ; une analyse quantitative peut, à l’inverse, éclairer une décision finale discrétionnaire.
« Algorithmique » décrit l’emploi d’une procédure informatique pour prendre ou mettre en œuvre des décisions. « Automatique » signifie que certaines actions sont réalisées sans confirmation humaine à chaque événement. Un algorithme peut se borner à répartir dans le temps un ordre décidé ailleurs ; un système peut produire des signaux tout en laissant leur envoi à un opérateur. Aucune de ces propriétés ne démontre que la stratégie possède un avantage économique.
Quatre propriétés, et non quatre niveaux
| Propriété | Question de diagnostic | Peut-elle exister sans les autres ? |
|---|---|---|
| Systématique | la même information produit-elle la même décision selon des règles connues ? | oui, même avec un calcul et une exécution manuels |
| Quantitative | les données et le modèle rendent-ils l’hypothèse et son incertitude mesurables ? | oui, même si la décision finale est humaine |
| Algorithmique | une procédure informatique génère-t-elle ou exécute-t-elle des instructions ? | oui, même sans alpha propriétaire |
| Automatique | le système agit-il sans autorisation au cas par cas ? | oui, mais il exige des contrôles opérationnels plus solides |
Le caractère systématique réduit la discrétion au niveau de chaque événement, mais n’élimine pas le jugement. Les personnes et les organisations choisissent les données, l’objectif, le modèle, les contraintes, la fréquence, les coûts, les seuils et les moments de révision. Ces décisions peuvent intégrer des biais même lorsque le code est déterministe. La transparence du processus compte donc davantage que l’étiquette « quant ».
Anatomie d’un système
- Hypothèse économique ou comportementale. Elle indique pourquoi la relation pourrait exister, qui supporte le risque et ce qui pourrait la faire disparaître.
- Informations observables. Elles identifient les données, leurs horodatages de disponibilité, leurs révisions, l’univers et les transformations autorisées.
- Signal. Il traduit l’hypothèse en une quantité calculable sans employer d’information future ; il comprend la fréquence et les conditions d’absence de signal.
- Construction du portefeuille. Elle convertit scores ou prévisions en positions en tenant compte des expositions, de la concentration, du levier et des contraintes.
- Exécution. Elle définit l’ordre, la plateforme, l’horaire, l’urgence et les hypothèses concernant les exécutions, le spread, l’impact, le prêt de titres et le financement.
- Contrôles et gouvernance. Ils définissent versions, responsabilités, limites, escalade, suivi, suspension et reprise.
Une règle d’entrée isolée n’est pas une stratégie complète. Le même signal peut produire des résultats différents selon que l’univers est point-in-time ou actuel, que les pondérations sont égales ou ajustées au risque, que l’ordre est au marché ou à cours limité, ou que la capacité est multipliée par dix. C’est pourquoi la spécification doit couvrir l’ensemble du cycle.
La recherche et la production sont deux systèmes différents
| Recherche | Production |
|---|---|
| explore des hypothèses et des solutions de remplacement | exécute une version approuvée |
| peut rejouer les données historiques | reçoit les événements une seule fois et dans l’ordre |
| compare des modèles | applique des contrôles et limites prédéfinis |
| estime les coûts et la capacité | rencontre files d’attente, rejets, retards et exécutions réelles |
| conserve un test final | produit des observations prospectives pour le suivi |
La parité entre les deux environnements exige des définitions communes du calendrier, du fuseau horaire, des symboles, des opérations sur titres, des arrondis, des prix et de l’état des ordres. Une différence silencieuse peut ressembler à une dégradation du modèle alors qu’il s’agit d’un problème de mise en œuvre. Tests unitaires, rejeu d’événements et rapprochement entre signal théorique, ordre et exécution aident à isoler la cause.
Ce que signifie « edge » dans ce contexte
Dans le langage opérationnel, « edge » désigne un avantage attendu conditionné par une stratégie et un environnement. Il n’est pas directement observable dans un résultat isolé. Un rendement historique peut provenir du mécanisme supposé, d’expositions au risque non déclarées, du hasard, de la sélection parmi de nombreux tests, d’une fuite de données, de coûts sous-estimés ou d’un régime qui ne se reproduira pas.
Une évaluation utile compare au minimum :
- une baseline simple et un benchmark cohérent ;
- les performances brutes et nettes avec des hypothèses d’exécution documentées ;
- des périodes et instruments qui n’ont pas servi à choisir la configuration ;
- la sensibilité aux paramètres, aux données, aux sous-périodes et aux coûts ;
- l’incertitude statistique et le nombre total d’essais ;
- la concentration des profits, le turnover et la capacité.
Il n’existe aucun seuil universel de ratio de Sharpe, de profit factor, de taux de réussite ou de nombre de trades qui transforme automatiquement un résultat en preuve suffisante.
Exemple illustratif
Un chercheur suppose que les rendements relatifs persistent pendant un certain horizon. La partie quantitative définit le score, l’univers, l’estimation et la comparaison avec une baseline. La partie systématique fixe le moment où recalculer le score, la façon de classer les instruments, de construire les positions et d’appliquer les limites. La partie algorithmique peut générer les ordres et les fractionner. La partie automatique peut les envoyer sans confirmation manuelle et s’arrêter si les données ou le risque enfreignent les contrôles.
Cet exemple ne fournit aucun paramètre à reproduire. Il montre que quatre propriétés peuvent coexister dans le même processus et que chacune soulève des questions de validation différentes.
Risques caractéristiques
| Risque | Manifestation | Contrôle informatif |
|---|---|---|
| Fuite de données | le modèle utilise des informations indisponibles au moment de la décision | audit des horodatages et de la chaîne fit/transform |
| Sélection | seul le meilleur de nombreux essais est présenté | registre complet et inférence tenant compte des tests multiples |
| Risque de modèle | la spécification, l’estimation ou l’usage ne sont pas adaptés | validation, contradiction effective et limites d’utilisation |
| Écart d’exécution | le prix simulé ne pouvait pas être obtenu | modèle d’ordres, coûts, impact et capacité |
| Risque opérationnel | données manquantes, ordre en double, perte de connexion | suivi, coupe-circuit, idempotence et procédures |
| Changement de régime | la relation, les intervenants ou la microstructure changent | scénarios, suivi et critères d’escalade |
Le rapport de la SEC de 2020 décrit aussi bien des effets bénéfiques que des effets défavorables du trading algorithmique sur les marchés américains. La bonne conclusion n’est pas « les algorithmes sont bons » ou « les algorithmes sont mauvais » : les objectifs, l’architecture, les interactions et les contrôles déterminent les risques observables.
Liste de contrôle pour une lecture critique
- La terminologie précise-t-elle quelle partie est systématique, quantitative, algorithmique ou automatique ?
- L’hypothèse, l’univers et le benchmark ont-ils été déclarés avant le résultat ?
- Le jeu de données reconstitue-t-il ce qui était disponible à chaque instant ?
- Le signal et l’exécution respectent-ils un ordre causal réalisable ?
- Les coûts, la capacité, les variantes essayées et les résultats négatifs sont-ils visibles ?
- La séparation entre développement, sélection et test est-elle réelle ?
- Les versions du code, des données et de la configuration sont-elles reproductibles ?
- Les limites, les responsabilités et la réponse aux incidents sont-elles définies à l’avance ?
Une réponse négative ne prouve pas que le système échouera, mais réduit ce que l’on peut déduire des éléments présentés.
Références
- U.S. Securities and Exchange Commission, Staff Report on Algorithmic Trading in U.S. Capital Markets — description institutionnelle des formes, des usages et des effets du trading algorithmique.
- Joseph Simonian, CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — cycle de validation des modèles d’investissement et principales techniques.
- Federal Reserve, SR 26-2 — Revised Guidance on Model Risk Management — recommandations bancaires actuelles sur le développement, l’utilisation, la validation et la gouvernance ; les principes sont cités par analogie et non comme obligation universelle.
- National Futures Association, Interpretive Notice 9025 — Hypothetical Results — limites et informations à fournir au sujet des résultats hypothétiques dans son périmètre réglementaire américain.