Les algorithmes sont un excellent moyen d’investir sans que les émotions ne prennent le dessus. L’un des principaux inconvénients de la négociation est que des émotions telles que la panique ou un enthousiasme excessif peuvent entraîner de graves erreurs. Lorsque nous utilisons des calculs mathématiques ou automatisés, nous pouvons faire abstraction de nos sentiments. Voici quelques-unes des meilleures techniques de trading quantitatif.
Algorithmes basés sur les carnets d’ordres.
Il existe plusieurs façons de savoir quels ordres sont exécutés sur le marché ou en attente d’exécution. Dans l’économie de la blockchain, ils sont publics et faciles à extraire, pour ensuite analyser ou élaborer des stratégies sur ces ordres. En revanche, lorsqu’il s’agit du marché boursier, ces ordres ne sont pas toujours publics. Il existe des entreprises qui vendent ces informations aux investisseurs et aux courtiers. Par exemple, Bloomberg ou LSEG Data & Analytics, qui vendent ce service, entre autres.
Les sources à partir desquelles ces données sont acquises peuvent être très difficiles d’accès. Ces algorithmes, basés sur le carnet d’ordres, utilisés dans le trading algorithmique et la finance quantitative, peuvent coûter des millions de dollars et les développeurs qui les conçoivent gagnent de gros salaires. Il existe également des techniques de tricherie pour manipuler les carnets d’ordres, comme le Spoofing ou la simulation de fausses tendances. D’autres stratégies moins éthiques peuvent également être mises en œuvre, comme l’identification de modèles d’autres investisseurs ou de bots, dans le but de copier leurs stratégies ou d’investir contre eux, grâce à l’ingénierie inverse ou rétro-ingénierie.
Un exemple de l’avantage de disposer de ces informations pourrait être la possibilité de réaliser une vente importante en plusieurs parties, en tenant compte des données du carnet d’ordres, de manière à ce qu’elle affecte le moins possible la valeur de l’actif. Moins de soupçons sur le volume des transactions.
Pour le trading à haute fréquence, les données du carnet d’ordres sont également utilisées, ce qui permet de tirer profit des petites variations de prix, de trouver des moments d’arbitrage et d’autres stratégies basées sur la liquidité du marché boursier.
Calculs basés sur le retour à la moyenne.
Lors du calcul du retour à la moyenne, l’objectif est de détecter un certain changement dans le prix moyen. Après avoir détecté un tel changement, on recherche parfois des stratégies qui supposent que le prix reviendra à une situation plus proche de la moyenne ou qui prévoient des changements dans le prix. Quelques calculs pour trouver le retour à la moyenne :
- Moyenne mobile simple : la moyenne des prix d’un actif, sur une période de temps spécifique, est calculée.
- Moyenne mobile exponentielle : similaire à la moyenne mobile simple, mais donnant plus de poids aux prix des périodes plus rapprochées.
- Écart-type : mesure la dispersion des prix par rapport à la moyenne mobile.
- Algorithmes d’IA : basés sur l’apprentissage automatique (Machine Learning) ou l’apprentissage profond (Deep Learning). Pour déterminer quand un prix n’est pas à sa moyenne et faire des prédictions de prix.
- Basé sur les bandes de Bollinger : en utilisant une combinaison de la moyenne mobile et de l’écart-type.
Algorithmes de calcul stochastique.
Le calcul stochastique fait partie d’une branche des mathématiques, qui est utilisée pour travailler avec des systèmes aléatoires. Cette branche est étudiée dans les grandes universités de finance, en particulier celles qui cherchent à enseigner la finance quantitative. Car lorsqu’il s’agit de faire des prédictions avec des produits dérivés, leur efficacité a été prouvée et ils ont même été récompensés par les sages qui les ont rendus publics les premiers. Ce qui me passionne et m’intéresse beaucoup, c’est qu’il y a probablement beaucoup de techniques mathématiques de prédiction qui n’ont jamais été révélées. C’est pourquoi je pense que même si cela a été rendu public, cela ne signifie pas qu’il existe des milliers de calculs et d’algorithmes privés qui sont efficaces dans le monde du trading algorithmique.
Les mathématiques utilisant le calcul stochastique peuvent également être utilisées dans d’autres domaines tels que la biologie, le développement de l’intelligence artificielle ou la physique, même Albert Einstein, en 1905, a été un pionnier dans son application à la physique. Cependant, la première utilisation connue du calcul stochastique a été pour les branches de la finance, grâce à Louis Bachelier, qui a publié dans sa thèse intitulée : La théorie de la spéculation.
Analyse des séries temporelles.
En termes simples, il s’agit de rechercher des modèles liés à la temporalité, tels que la saisonnalité des récoltes, les tendances à certaines périodes, les cycles ou les événements périodiques en général. Sans trop me manger la tête, je peux partager quelques actifs de manière impromptue, comme les actions Amazon à Noël ou les matières premières liées à l’agriculture.
Une myriade de formules mathématiques peuvent être utilisées à cette fin, telles que les décompositions saisonnières ou les arbres de classification, parmi de nombreuses autres techniques. Une technique de décomposition permet d’analyser la tendance, la saisonnalité et les résidus. Sans trop se compliquer la vie, il est également possible de calculer des pourcentages de rendement et d’effectuer une comparaison.
Le modèle SARIMA (Seasonal Autoregressive Integrated Moving Average) est utilisé pour prédire les séries temporelles et les facteurs saisonniers. Il permet d’analyser les fluctuations saisonnières de certaines valeurs. Par exemple, en appliquant cet algorithme à une entreprise hôtelière, on peut calculer la période de haute saison.
Séries temporelles avec Prophet (Code)
Meta a développé sa propre bibliothèque pour la prévision des séries temporelles. Cette technologie peut être utilisée pour les entreprises dont les ventes sont très saisonnières, pour le marché boursier, la météorologie et d’autres cas qui incluent la saisonnalité.
import io, os, sys, setuptools, tokenize
!pip install prophet
import pandas as pd
import yfinance as yf
from prophet import Prophet
import matplotlib.pyplot as plt
# Télécharger les données sur le cours des actions
ticker = 'AAPL'
data = yf.download(ticker, start='2020-01-01', end='2024-08-26')
# Préparer les données pour Prophet
data.reset_index(inplace=True)
data = data[['Date', 'Close']]
data.columns = ['ds', 'y']
# Assurez-vous que la colonne « ds » ne contient aucune information sur le fuseau horaire.
data['ds'] = data['ds'].dt.tz_localize(None)
# Créer et régler le modèle Prophet
model = Prophet()
model.fit(data)
# Créer un dataframe pour les 30 prochains jours
future = model.make_future_dataframe(periods=30)
# Faire des prévisions
forecast = model.predict(future)
# Voir les prévisions
fig = model.plot(forecast)
plt.title(f'Pronóstico de Precios de Acciones de {ticker} para los Próximos 60 Días')
plt.xlabel('Fecha')
plt.ylabel('Precio en USD')
plt.show()
# Afficher les prévisions
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(60))
J’ai testé ce code sur les actions d’Apple et il s’est avéré très efficace. C’est peut-être un coup de chance, mais cela m’a surpris.
Volume relatif (RVOL).
Compare le volume actuel avec les volumes des périodes précédentes. Lorsque ce calcul augmente, cela indique qu’il y a plus de liquidité que la normale autour de cette valeur, ce qui signifie que le prix pourrait augmenter, pour des raisons telles que les « baleines » qui achètent ces derniers jours, car les grands investisseurs qui utilisent beaucoup de volume ont généralement des informations d’initiés ou de meilleurs outils de prédiction. Différentes périodes peuvent être sélectionnées, par exemple une comparaison avec des périodes de 30 ou 60 jours.
Il n’est pas toujours possible de faire des prévisions en fonction du niveau de volume. Cependant, je peux dire personnellement que lorsque le volume augmente beaucoup, le prix de l’actif en question augmente généralement. Il est important d’anticiper et le volume est un bon moyen de le faire.
Il n’est pas forcément nécessaire d’utiliser cet algorithme ou indicateur, d’autres calculs peuvent être faits à partir de statistiques ou de Machine Learning, qui ont le volume comme facteur d’analyse. Ce que je veux faire comprendre, c’est qu’il est important de regarder le volume et, à partir de là, de créer nos propres algorithmes.
Algorithmes de trading de paires (corrélations)
L’une des façons dont j’ai gagné le plus d’argent avec le trading et dont j’ai eu le taux de réussite le plus élevé, c’est en jouant avec les corrélations. Par exemple, si le Bitcoin augmente fortement un jour, avec un petit retard, les actions de Coinbase ou de MicroStrategy augmentent de façon générale. Ce n’est pas une blague, vous pouvez gagner des sommes très juteuses en une seule journée, avec lesquelles vous pouvez acheter des caprices. Si vous avez la force mentale de faire du Swing trading, les profits peuvent être impressionnants.
Les corrélations sont faciles à calculer, aucun calcul avancé n’est nécessaire. La bibliothèque NumPy est utilisée en Python. Les investisseurs qui opèrent sur le marché des changes ont également tendance à le faire avec des pays qui ont beaucoup de richesses en matières premières. Si, par exemple, les prix de l’or ou du pétrole augmentent fortement un jour, il est normal que les pays disposant de nombreux gisements miniers ou pétroliers voient cette hausse se répercuter sur leurs monnaies respectives. Et même les actions minières ou pétrolières, même si ce n’est pas toujours le cas. Si nous utilisons des algorithmes pour établir des corrélations, nous pouvons mesurer les corrélations par tranches de temps et les détecter de manière plus rapide ou automatisée.
Les actions d’une société peuvent être corrélées avec d’autres actions. Cela peut se produire parce que l’une d’entre elles possède un pourcentage élevé d’actions de l’autre ou parce qu’elles ont des intérêts communs.
La négociation quantitative peut-elle battre les indices ?
Oui, plusieurs investisseurs célèbres ont réussi à surpasser les principaux indices tels que le SP500 ou le Nasdaq. L’un des plus célèbres est Jim Simons, avec son fonds Medallion (Renaissance Technologies), qui a obtenu un rendement annuel moyen de 60 %. Au lieu d’engager des économistes et des comptables, il a employé des mathématiciens et des statisticiens. Malheureusement, ce fonds est fermé aux investisseurs particuliers, de sorte que les gens ordinaires ne peuvent pas profiter de ces excellents rendements.
Jim Simons était un mathématicien chevronné d’origine juive, qui avait été décrypteur à l’époque de la guerre froide. Il a ensuite travaillé comme professeur de mathématiques dans les universités les plus prestigieuses, telles que Harvard et le MIT, entre autres. Il a reçu des prix pour avoir découvert d’importantes théories sur les applications de la géométrie, qui ont servi au développement de la physique quantique et de la théorie des cordes. Enfin, à la fin des années 1970, il a décidé de créer sa propre société d’investissement (Renaissance Technologies LLC).
Comment travailler dans la finance quantitative ?
Avant de réfléchir à ce qu’il faut étudier pour travailler dans la négociation quantitative, il est important de savoir qu’il existe différentes fonctions au sein de cette branche professionnelle. Les rôles les plus populaires sont les suivants : trader quantitatif dans le Front Office (ils exécutent les transactions sur la ligne de front) ; chercheurs qui étudient le développement de nouvelles stratégies ; développeurs, qui développent le logiciel pour effectuer les transactions, l’analyse des données et d’autres fonctions ; gestionnaires de risques qui utilisent l’analyse quantitative, gestionnaires de portefeuille et validateurs de modèles de stratégies quantitatives. Sans oublier le rôle des professeurs des meilleures universités de finance, dont certaines sont très chères et sélectives.
Selon la fonction que vous occuperez, vous devrez étudier l’une ou l’autre chose. En général, il est nécessaire d’apprendre l’anglais, avec un niveau C1, d’être diplômé et d’avoir de bonnes connaissances en mathématiques et en statistiques, ainsi que des spécialisations pour le secteur financier et la maîtrise de langages de programmation, tels que Python, R ou C++.
Il est également possible de travailler en tant qu’indépendant, en tant que développeur de systèmes automatisés, en tant que professeur particulier, dans des comptes de financement ou en levant directement des capitaux privés.
Outils et technologies pour la négociation quantitative.
Certains outils peuvent nous aider à améliorer notre efficacité, notre compatibilité et notre productivité.
Langages de programmation.
- C++ : utilisé dans le trading à haute fréquence et le trading algorithmique. Ce langage est très rapide. La vitesse peut être très importante dans certaines stratégies. Même s’il s’agit de millisecondes.
- Python et R : ce sont des langages largement utilisés et compatibles avec les mathématiques, l’analyse de données et l’intelligence artificielle. Python est actuellement le langage le plus utilisé au monde, au niveau du backend (architecture interne).
- Bases de données : les bases de données SQL et NoSQL sont essentielles pour certaines stratégies.
Plateformes et utilitaires.
- Anaconda : est une suite qui nous offre une meilleure compatibilité avec certaines bibliothèques et certains outils, lorsque nous voulons exécuter des programmes Python ou R. En particulier pour les fonctions d’analyse de données et les utilisations scientifiques. Son gestionnaire de paquets (Conda) est très utile, car il permet de réduire les problèmes lors de l’installation de bibliothèques conflictuelles.
- Claude, ChatGPT et Copilot : il y a de très bonnes critiques de Claude, de la part de personnes très impliquées dans le monde de la finance quantitative. Ces outils d’intelligence artificielle permettent de gagner beaucoup de temps en matière de développement.
- Visual Studio : est un IDE pour le développement de logiciels, avec un grand support pour les plugins et les langages de programmation.
- Excel : toujours utilisé dans le secteur financier et dans les entreprises. Il est toujours très utile et bénéficie de nouvelles améliorations.
- MetaTrader : logiciel de négociation, qui prend en charge les algorithmes automatisés et son propre langage de programmation (MQL).
Terminal Bloomberg.
Pour un coût d’environ 25 000 dollars par an, c’est l’outil le plus utilisé dans le monde de l’investissement. Disons que c’est la machine de travail des principales entreprises et banques d’investissement. Il offre une infinité d’utilités, depuis l’envoi d’ordres, l’accès à des données et informations exclusives, l’obtention de notifications importantes et de calendriers, jusqu’au chat avec d’autres professionnels du secteur ou même la réservation de restaurants.
Mon opinion personnelle.
Mon opinion personnelle sur le trading quantitatif et son application dans les stratégies d’investissement n’est pas entièrement positive. En effet, il ne faut pas oublier que d’autres méthodes plus simples peuvent également offrir de grands avantages, tels que ceux partagés par Warren Buffet. Cependant, je suis également un passionné de développement de logiciels et de philosophie, et je trouve donc ce monde très intéressant. Quel est le rapport entre la philosophie et tout cela ? Des philosophes comme Pythagore ou René Descartes ont cherché le sens de la vie dans les mathématiques.