Trading algorithmique : comment automatiser ses investissements avec rigueur quantitative

Un gérant discretionnaire prend ses décisions sur la base de son jugement, de son expérience et d'une analyse contextuelle. Un gérant systématique, lui, délègue entièrement la décision à un ensemble de règles codifiées, appliquées de façon identique à chaque signal. Ce n'est pas une question de sophistication : c'est une question de reproductibilité.

L'avantage principal du trading systématique n'est pas d'être plus intelligent que le marché. C'est d'éliminer les biais comportementaux documentés : aversion aux pertes (Kahneman & Tversky, 1979), biais de confirmation, excès de confiance. Une étude de Barber & Odean (2000) a montré que les investisseurs particuliers actifs sous-performent leur benchmark de 3,7% par an en moyenne, principalement à cause de décisions émotionnelles.

Cela dit, le trading algorithmique n'est pas exempt de biais. Il les déplace : au lieu d'erreurs d'exécution, vous risquez des erreurs de conception, d'ajustement excessif aux données historiques, ou de mauvaise compréhension du régime de marché. J'y reviendrai.

Toutes les stratégies d'algo trading ne se ressemblent pas. Voici les quatre approches que je rencontre le plus fréquemment dans ma pratique de consultant.

Trend following (suivi de tendance). La stratégie la plus documentée empiriquement. Elle repose sur la persistance des tendances de prix, un phénomène observé sur toutes les classes d'actifs depuis au moins 1880 (Hurst, Ooi & Pedersen, AQR, 2017). Un signal simple : acheter quand le prix dépasse sa moyenne mobile à 200 jours, vendre en dessous. Les CTA (Commodity Trading Advisors) comme Winton ou Man AHL ont bâti des milliards d'AUM sur cette idée. Cela fonctionne. Pas toujours, pas partout, mais sur le long terme, le ratio risque/rendement est positif.

Mean reversion (retour à la moyenne). L'idée inverse : les prix s'écartent temporairement de leur valeur d'équilibre et y reviennent. Ces stratégies marchent bien sur les marchés peu directionnels, en particulier sur les spreads intra-sectoriels ou les paires de devises. Risque principal : une tendance persistante peut transformer un signal de mean reversion en perte illimitée si la position n'est pas stoppée.

Statistical arbitrage. Exploitation de relations statistiques entre plusieurs instruments, paires trading (pairs trading) en tête. Exemple classique : long Shell, short BP quand le spread historique s'écarte de plus de 2 écarts-types. Ces stratégies nécessitent une infrastructure sérieuse : latence faible, accès simultané à plusieurs marchés, et une modélisation de la cointegration qui tient dans le temps.

Market making algorithmique. Fournir de la liquidité en affichant simultanément un prix acheteur et un prix vendeur, en capturant le spread bid-ask. Inaccessible pour la plupart des investisseurs privés en raison des exigences de latence (microseconde) et des relations directes avec les places d'échange comme SIX Swiss Exchange. Je le mentionne pour la complétude, pas comme recommandation pratique.

Pour un investisseur privé suisse gérant entre CHF 500'000 et CHF 5'000'000, les stratégies de trend following et de mean reversion sur ETF liquides constituent le point d'entrée le plus raisonnable.

Un backtest positif ne prouve rien. C'est une vérité que j'énonce systématiquement à mes clients, et qui dérange. La raison : l'overfitting, ou sur-ajustement aux données historiques.

Imaginez que vous testiez 500 combinaisons de paramètres sur dix ans de données. Par pure chance statistique, plusieurs d'entre elles afficheront un Sharpe ratio supérieur à 1.5. Vous choisissez la meilleure. Sur les données hors-échantillon, elle s'effondre. C'est le phénomène de « p-hacking » appliqué à la finance, décrit rigoureusement par Bailey, Borwein, Lopez de Prado & Zhu dans « The Probability of Backtest Overfitting » (2014).

Trois règles que j'applique dans chaque projet de trading systématique :

Côté outils, j'utilise Python avec pandas pour la manipulation de données et backtrader pour le moteur d'exécution historique. Zipline (de Quantopian, aujourd'hui archivé mais toujours fonctionnel) reste pertinent pour les stratégies actions. R offre des librairies statistiques supérieures pour la cointegration et les modèles GARCH. MATLAB est puissant mais son coût de licence, plusieurs milliers de francs par an, se justifie rarement pour un gérant indépendant.

Le Sharpe ratio est omniprésent. Il mesure le rendement excédentaire par unité de volatilité totale. Un Sharpe supérieur à 1.0 sur données out-of-sample est correct. Supérieur à 1.5, c'est solide. Au-delà de 2.5, devenez sceptique : soit la stratégie est exceptionnelle, soit le backtest est biaisé.

Mais le Sharpe ratio pénalise les hausses autant que les baisses. Pour les stratégies asymétriques, le Sortino ratio est plus approprié : il ne prend en compte que la volatilité à la baisse (downside deviation). Une stratégie de trend following bien construite devrait afficher un Sortino nettement supérieur à son Sharpe, précisément parce que ses positions coupent les pertes et laissent courir les gains.

Le maximum drawdown reste la métrique la plus viscéralement importante pour un client. Perdre 25% avant de récupérer, même si le rendement annualisé final est attractif, est insupportable pour la plupart des investisseurs. Dans mes mandats, je fixe toujours un drawdown maximum toléré avant de dimensionner les positions.

Calmar ratio (rendement annualisé divisé par le drawdown maximum) complète le tableau. Un Calmar supérieur à 0.5 est acceptable. Supérieur à 1.0, la stratégie mérite attention.

Voici une stratégie simplifiée que j'ai testée sur l'univers des ETF domiciliés en Suisse et cotés sur SIX Swiss Exchange, sur la période 2015-2024.

Principe : chaque fin de mois, calculer le rendement sur 12 mois (en excluant le dernier mois, soit le signal momentum classique de Jegadeesh & Titman, 1993) pour un univers de 20 ETF couvrant actions suisses, actions internationales, obligations et matières premières. Investir les 4 meilleurs en parts égales. Rebalancement mensuel.

Résultats sur données out-of-sample (2020-2024) :

C'est honnête, pas spectaculaire. La stratégie a souffert en 2022, quand actions et obligations ont chuté simultanément, un régime de marché peu favorable au momentum cross-asset. Cela illustre un point critique : aucune stratégie ne fonctionne dans tous les régimes.

Nota importante sur les coûts suisses : le stamp duty de 0.15% sur chaque transaction, appliqué à l'achat et à la vente, érode les performances sur des stratégies à rotation élevée. Pour un rebalancement mensuel, comptez environ 0.36% de coût de transaction annuel sur ce type de portefeuille, sans compter les spreads bid-ask.

L'enthousiasme autour du robot trading cache souvent trois risques structurels que je vois régulièrement sous-estimés.

Model risk. Votre algorithme est une représentation simplifiée de la réalité. Les marchés changent. Une stratégie calibrée sur les années 2010-2020, période de taux zéro et de volatilité comprimée, peut être parfaitement inadaptée au régime post-2022. Il n'existe pas de test statistique qui prouve qu'une stratégie va continuer à fonctionner. C'est une limite fondamentale, pas un problème technique.

Regime change, justement. Le momentum a cessé de fonctionner sur les actions américaines entre 2009 et 2013, puis a resurgi. La mean reversion a été détruite sur certains marchés par l'intervention massive des banques centrales. Un algo trading sans monitoring actif est une erreur.

Execution risk. Le backtest assume des exécutions au prix de clôture. En réalité, votre ordre de marché ou votre limit order peut s'exécuter différemment, particulièrement sur des ETF à faible liquidité. Sur SIX, plusieurs ETF affichent des spreads bid-ask de 20 à 50 points de base, ce qui détruit la rentabilité de stratégies à signal faible.

L'infrastructure technique est également un risque souvent négligé. Un VPS (Virtual Private Server) hébergé en Europe, avec une connexion API stable à votre courtier (Interactive Brokers et Swissquote proposent tous deux des API documentées), coûte entre CHF 30 et CHF 150 par mois selon les spécifications. Une panne pendant une période de forte volatilité peut laisser des positions ouvertes sans gestion du risque. Testez vos procédures de reprise sur incident avant de déployer en réel.

Si vous souhaitez aller plus loin sur ces questions, j'accompagne des gérants indépendants et des investisseurs privés dans la conception, le backtesting et la mise en production de stratégies systématiques adaptées à leur profil de risque. Contactez-moi via Quantalytics pour un premier échange.

Avertissement : Cet article est publié à titre informatif et éducatif uniquement. Il ne constitue pas un conseil en investissement, une recommandation personnalisée ni une incitation à acheter ou vendre des instruments financiers. Les performances passées ne garantissent pas les résultats futurs. Tout investissement comporte des risques, y compris la perte du capital investi. Consultez un conseiller financier agréé avant toute décision d'investissement. John Bergerat Quantalytics n'est pas un établissement financier au sens de la FINMA.