À qui s’adresse ce chapitre — À toute personne qui souhaite comprendre comment passer d’une intuition à une stratégie spécifiée, simulée et susceptible d’être suivie ; à celle qui doit évaluer un backtest avec un regard critique ; ainsi qu’aux professionnels déjà responsables de la recherche quantitative, de l’exécution ou du risque.
Le trading systématique prend ses décisions au moyen de règles explicites et reproductibles. Il ne se confond pas nécessairement avec le trading automatisé : une règle peut être appliquée manuellement. Il ne se confond pas non plus avec le trading quantitatif, qui met l’accent sur les données, les mesures et les modèles, ni avec le trading algorithmique, qui comprend aussi des algorithmes exclusivement consacrés à l’exécution. Ces domaines se recoupent, mais ils répondent à des questions différentes.
Le cœur de la discipline n’est ni une courbe ascendante ni un robot. C’est une chaîne d’affirmations contrôlables : quelle hypothèse est formulée, quelles informations étaient connaissables à chaque instant, quel ordre aurait réellement pu être transmis, quel en aurait été le coût, comment le modèle a été choisi et quel élément de preuve conduirait à modifier la décision. Un backtest est une simulation historique conditionnée par ces hypothèses ; ce n’est ni un historique de performance réel, ni une prévision, ni une preuve définitive de profits futurs.
Les quatre phases du chapitre
| Phase | Question décisive | Pages principales |
|---|---|---|
| 1. Spécifier | la stratégie a-t-elle été décrite avant d’en observer le résultat ? | |
| 2. Simuler | les données, l’horloge et les conditions d’exécution étaient-elles réellement disponibles ? | |
| 3. Valider | le résultat résiste-t-il à des données inutilisées, à la dépendance et à la sélection ? | |
| 4. Gouverner | le processus fonctionne-t-il de manière prospective et sait-il quand s’arrêter ? |
Ces phases ne forment pas une échelle qui produirait une certitude toujours plus grande. Chacune élimine ou rend visible une catégorie d’erreur. Un forward test peut révéler un problème de processus, mais un résultat favorable sur une courte période ne prouve pas que la distribution future sera identique à celle du passé. Le passage au réel introduit en outre l’impact de marché, les files opérationnelles, le comportement humain et les changements de régime, qu’une simulation ne peut représenter que partiellement.
Première distinction : quatre termes voisins
| Terme | Propriété qui le définit | Exemple | N’implique pas |
|---|---|---|---|
| Systématique | décisions déterminées par des règles déclarées | rééquilibrage mensuel selon des critères prédéfinis | code ou haute fréquence |
| Quantitatif | hypothèses exprimées et évaluées à l’aide de données et de modèles | signal transversal estimé sur un univers d’instruments | exécution automatisée |
| Algorithmique | une procédure logicielle décide d’actions ou les exécute | algorithme qui fractionne un ordre dans le temps | présence d’alpha |
| Automatisé | le système agit sans demander de confirmation à chaque événement | transmission et gestion des ordres au moyen d’une API | validité du modèle |
Cette distinction évite deux confusions. Premièrement, automatiser une stratégie ne la rend pas correcte. Deuxièmement, un algorithme d’exécution peut améliorer la manière dont un ordre est négocié sans pour autant produire le signal qui a déterminé la position. Le rapport de la SEC sur le trading algorithmique documente précisément la diversité des usages, des bénéfices et des risques associés aux algorithmes sur les marchés modernes.
Du mécanisme à la stratégie
Les familles classiques — suivi de tendance, momentum transversal, retour à la moyenne, carry, valeur relative, tenue de marché et stratégies événementielles — sont des catégories de mécanismes, et non des recettes de rendement. Une stratégie concrète doit préciser son univers, ses variables observables, ses horodatages, ses transformations, ses signaux, la construction des positions, ses contraintes, son risque, ses ordres, ses coûts, son benchmark et ses règles de suivi.
Deux systèmes tous deux qualifiés de « momentum » peuvent présenter des expositions et des risques opposés. L’un peut comparer des instruments entre eux, tandis que l’autre observe la série historique propre à chaque instrument ; l’un peut n’ouvrir que des positions longues, l’autre combiner positions longues et courtes ; l’un peut négocier chaque jour, l’autre chaque mois. Le nom de la famille ne remplace pas la spécification et ne démontre pas qu’une prime observée dans l’histoire puisse être captée après déduction des coûts.
Le contrat d’un backtest lisible
Un résultat sérieux permet à un lecteur compétent de reconstituer au moins les éléments suivants :
- Protocole de recherche — hypothèse, univers, période, fréquence, benchmark, métriques, coûts et critère de décision définis avant l’évaluation.
- Registre des essais — variantes concluantes et non concluantes, modifications, date et motif de chaque choix ; le nombre de tentatives fait partie des éléments de preuve.
- Données point-in-time — disponibilité effective, délai de publication, révisions, composition historique de l’univers, retraits de cotation et opérations sur titres.
- Horloge causale — l’horodatage de l’information, le calcul du signal, la transmission de l’ordre et sa première exécution possible ne sont pas confondus.
- Économie de l’exécution — commissions, spread, slippage, impact, capacité, emprunt de titres, financement, roll, marge et exécutions partielles lorsqu’ils sont pertinents.
- Séparation des décisions — développement, sélection et évaluation finale n’utilisent pas subrepticement le même échantillon.
- Dépendance et incertitude — opérations qui se chevauchent, autocorrélation, groupes d’expositions et nombre effectif d’observations sont rendus visibles.
- Reproductibilité — code, configuration, versions, graines aléatoires, ainsi que snapshots ou empreintes des données, peuvent être identifiés.
Aucun pourcentage universel ne détermine la bonne répartition entre l’échantillon d’apprentissage et l’échantillon hors échantillon ; aucun nombre fixe d’opérations ne rend une métrique fiable ; aucune valeur du ratio de Sharpe ou du profit factor ne démontre à elle seule l’existence d’un avantage. Les choix dépendent de l’horizon, de la structure de dépendance, de l’hétérogénéité des régimes, du turnover, du nombre de modèles essayés et de l’importance économique du résultat.
Validation : ce qu’elle peut établir
La validation peut montrer qu’une implémentation est cohérente avec sa spécification, que le résultat ne dépend pas visiblement d’un seul choix, que certaines performances sont également apparues pendant des périodes qui n’ont pas servi à construire le modèle et que les coûts ou scénarios déclarés n’effacent pas immédiatement l’effet. Elle peut aussi quantifier l’incertitude qui subsiste.
Elle ne peut transformer une relation historique en loi immuable. Le data snooping favorise le meilleur résultat parmi de nombreux essais ; le régime peut changer ; le marché peut réagir à la capacité effectivement déployée ; les sources et la microstructure peuvent évoluer. Des méthodes comme le Reality Check, le Deflated Sharpe Ratio, le bootstrap, les tests walk-forward ou la probability of backtest overfitting traitent des problèmes particuliers sous des hypothèses particulières : elles ne constituent pas des labels universels de qualité.
Dès qu’un résultat hors échantillon influence les variables, les paramètres, l’univers ou les règles, le segment concerné est entré dans le processus de recherche. Continuer à le qualifier de « jamais vu » modifie alors la signification de la preuve. Il est préférable de préserver un test final véritablement intact ou de déclarer avec transparence le caractère itératif de l’analyse.
De la recherche au déploiement réel
| Environnement | Ce qu’il permet de bien observer | Ce qu’il ne reproduit pas pleinement |
|---|---|---|
| Backtest | logique, historique disponible et scénarios modélisés | régimes futurs, impact réel, erreurs non modélisées |
| Paper trading | pipeline, timing, ordres simulés et fonctionnement quotidien | priorité réelle, capacité, pression économique |
| Shadow mode | signaux et ordres théoriques calculés sur des données en direct, sans transmission | interaction effective avec le marché et le courtier |
| Micro-live | exécutions, coûts et contrôles avec un capital limité | comportement à l’échelle visée |
| Production | processus économique effectif | contrefactuel certain de ce qui se serait produit ailleurs |
Le passage d’un environnement au suivant ne doit pas être automatique. Il faut d’abord définir les responsabilités, les limites, les procédures d’escalade, les critères de suspension et la procédure de retour en arrière. Dans le déploiement réel, au moins quatre diagnostics doivent être distingués : variation statistique compatible avec le modèle, détérioration du signal, problème d’exécution ou de données, et changement de régime. Une série de pertes ne permet pas, à elle seule, d’identifier laquelle de ces causes est présente.
La recommandation SR 26-2 de la Réserve fédérale s’adresse aux organisations bancaires placées sous sa supervision. Elle est citée ici pour ses principes transposables — objectif et usage prévu, validation, suivi, documentation et remise en question effective (effective challenge) — et non comme une obligation réglementaire universelle applicable à tout trader ou à tout fonds.
Parcours conseillé
Première lecture : Trading quantitatif et systématique → Spécification → Backtest → Hors échantillon → Forward test.
Approfondissement professionnel : données point-in-time → fuite de données et biais de survie → coûts et capacité → validation temporelle → tests multiples → dépendance de l’échantillon → robustesse et bootstrap → métriques → gouvernance du déploiement réel.
Ce chapitre restitue les connaissances publiques et classiques relatives au trading systématique. Le Metodo Emiciclo constitue un niveau distinct et ultérieur : il n’est pas projeté rétrospectivement sur les définitions, les études ou les procédures présentées ici.
Sources
- U.S. Securities and Exchange Commission, Staff Report on Algorithmic Trading in U.S. Capital Markets — taxonomie, usages, bénéfices et risques du trading algorithmique ; il s’agit d’un rapport du personnel de la SEC, et non d’une position adoptée par la Commission.
- Joseph Simonian, CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — cadre pratique consacré aux backtests, à la validation, au benchmarking, à la simulation et à la documentation.
- Halbert White, A Reality Check for Data Snooping — inférence lorsqu’une règle est retenue après comparaison de nombreux candidats.
- David H. Bailey et al., The Probability of Backtest Overfitting — cadre permettant d’estimer le risque de sélectionner une configuration historiquement gagnante, mais fragile.
- Federal Reserve, SR 26-2 — Supervisory Guidance on Model Risk Management — source sectorielle actuelle relative à la gouvernance, à la validation, au suivi et à la documentation des modèles.