L’analyse tactique a deux parties majeures : la première est l’analyse du prix, volume et la volatilité, et la partie deuxième est l’analyse du sentiment et positionnement du marché.
Il faut bien faire la différence entre l’analyse technique, et ce qu’on appelle données du marché (market data), ce qu’on appelait des décennies auparavant (market technicals), qui sont principalement le prix, le volume et la volatilité.
L’analyse technique n’est qu’un moyen pour lire ces trois éléments précédents, qu’on a connu à partir de la fin du 18ieme siècle qui est prouvée scientifiquement qu’elle ne marche pas, que cela soit l’analyse chartiste qui cherche à analyser la trajectoire du cours qui est totalement random (un processus stochastique) et baser sur des figures (patterns) qui peuvent être recrées à partir de données fictives du cours, reliée à la nature humaine de chercher à trouver visuellement des mirages de patterns. Les algos de “pattern recognition” opérant dans des environnement plus complexes arrivent à trouver et analyser les patterns, ce n’est pas difficile pour un hedge fund quantitatif d’utiliser cela et exploiter ces figures chartistes, la réalité est qu’aucun d’entre eux n’utilise cela, et c’est relié à ce que j’ai cité tout à l’heure par rapport à la nature de la trajectoire des cours qui un processus stochastique.
Les indicateurs techniques quant à eux sont des formules qui n’ont pas de base mathématique et statistique correcte qui peut donner un edge dans le marché. Des stratégies automatiques peuvent trouver des périodes de réussite sur des backtests même out of sample, mais il n y ‘a pas derrière une certitude que la combinaison de ces indicateurs a trouvé un avantage statistique ou bien c’est un phénomène qui peut être capturé aussi par une position longue ou short simple et même parfois avec moins de risque. Dans la majorité des cas cette stratégie ne montre pas correctement un changement dans dans le régime du marché.
Raison pour laquelle les fonds quantitatifs ne les utilisent pas, car cela ne montre pas clairement les relations statistiques entre les éléments de la stratégue est leurs changements, comme pour le statistical arbitrage, factor models, and mean reversion, et cela avec un bon degré d’adaptabilité dans quelques stratégies utilisant les Hidden Markov Models et clustering, sans parler de la capacité à filtrer le bruit et l’aléatoire des signaux significatifs.
Je souligne à nouveau un point très important qui est différencier entre la trajectoire du cours et le rendement.
La trajectoire est random, et ce qui lui donne ce caractère est le fait d’avoir des volumes, des niveaux de liquidité qui apparaissent/ disparaissent, cassés ou qui tiennent qui impactent cette trajectoire et pour lesquels il n y aucun modèle qui peut les prédire à un grand degré de probabilité.
Je donne l’exemple suivant : Si on a le cours d’un actif A qui augmente durant la session jusqu’à atteindre le cours de 100$ et commence à baisser légèrement et à ce moment là pour n’importe quelle raison le comité d’investissement d’un fonds souverain décide de réduire leur exposition à cet actif en urgence pour n’importe quelle raison, donc le portfolio manager doit déterminer ce niveau de réduction et travailler avec le trading desk la stratégie d’exécution. Si cette dernière est agressive avec un volume important de vente est sur la zone de 100 $ et le cours chute, il n’ y a aucun modèle qui peut prédire cette prise de décision qui a fait stopper le prix et impacter la trajectoire, et aussi la réaction des intervenants (une partie qui a suivi la direction de gros ordre et celle qui a pris la direction opposée).
Les fonds et les market makers qui pratique le high frequency trading, ne font pas de prédiction des volumes pour prendre les décisions, mais il font de la réaction aux volumes qui apparaissent et disparaissent sur le carnet d’ordres. La partie d’anticipation est reliée à une préparation du degré d’activité et volatilité attendue durant la journée, et l’étude de d’autres aspects comme n’importe quel business dans l’opération quotidienne de son activité.
Par contre le rendement (de 5.35% dans l’exemple sur le graph) est quasi-aléatoire. La partie qui n’est pas aléatoire est que le rendement peut être anticiper en anticipant différents éléments (features) dans un modèle qui viennent d’indicateurs macroéconomiques et/ou microéconomiques, données alternatives (supply chain, météo, données sur les cartes bancaires et les achats, transport, image satellitaires..etc), et avec l’assistance de l’intelligence artificielle et le machine learning les fonds quantitatifs arrivent à élaborer des signaux de trading pour anticiper ces rendements des cours, et pas la trajectoire.
Donc on peut avoir pour le même rendement pendant une certaine durée un nombre presque infini de trajectoires (chemins).
C’est d’ailleurs l’une des raisons principales d’échec des traders particuliers. Leurs stratégies se focalisent sur l’anticipation de cette trajectoire en se basant sur un ou deux facteurs (prix / volume seulement). Donc une stratégie qui n’a aucune partie de recherche et se base sur le timing qui est la partie la plus difficile dans n’importe quel processus de trading ou d’investissement.
Dans notre processus il y a 5 élément majeur pour le timing et la gestion des positions : (Cliquez sur le bouton de chacun pour voir plus d’informations)