Volume 4, Issue 4, December 2020.
https://eursed.org/ijarimss
IJARM
1
Développement et optimisation d’un système de trading algorithmique : Cas du marché des changes
Mohammed OUGHANEM1*, Samira BOUNID 1
1Laboratoire : Gestion, Droit, Interculturel et Mutations sociales, Faculté polydisciplinaire de Larache, Université Abdelmalek Essaadi, Maroc.
*Corresponding Author: E-mail: mohammed.oughanem@gmail.com
ARTICLE INFO ABSTRACT
Received: October 2020 Accepted: December 2020 Volume: 4
Issue: 4
Au cours des dernières années, les grandes avancées technologiques qui ont marqué le secteur financier en général et le marché des changes en particulier ont donné naissance à l’émergence des plateformes de trading qui ne cessent de devenir de plus en plus automatiques tant et si bien qu’on assiste aujourd’hui à ce qui est convenu d’appeler « système de trading algorithmique ».
C’en est là un contexte au sein duquel nous fournissons une vision détaillée du processus de développement et de l’optimisation d’un système de trading automatique appliqué à la paire EUR/USD et dont les règles sont basées sur la combinaison de deux moyennes mobiles simples avec l’indice de force relative (RSI).
Les résultats soulignent la possibilité de réaliser des profits sur le marché des changes par recours à une stratégie rigoureuse fondée sur les indicateurs techniques. Le test d’analyse Walk Forward a par la suite pu confirmer la robustesse du système, du point de vue fiabilité et performance, ce qui a permis de conclure que les résultats atteints ne relèvent pas d’une simple suroptimisation créée par l’effet d’ajustement de courbe.
KEYWORDS
Trading algorithmique, analyse technique, marché des changes, optimisation, analyse Walk Forward.
1. Introduction
L'objectif de toute stratégie de trading consiste à bénéficier d'un profit durable tout en minimisant le risque de pertes. Une fois réalisé avec succès le cycle d'élaboration de la stratégie de trading, tant au niveau de la formulation, qu’à celui du backtesting, de l'optimisation et de l'analyse Walk Forward, le système de trading algorithmique s’annonce apte à trader en temps réel sur l’actif financier en question.
Toutefois, en dépit de son applicabilité sur un ensemble très varié d’instruments financiers (devises, actions, futurs,…), pour aisé qu’il s’annonce, le marché des changes se présente trop volatile et trop risqué pour être rentable en matière de trading, les taux des changes étant influencés par le caractère décentralisé du marché Forex, de son ouverture 24/24 et par la pluralité divergente des objectifs des participants, en sus de l’imprévisibilité née des ininterrompus flux quotidiens de nouvelles susceptibles d’affecter plusieurs paires de devises en même temps.
2
Il s’agit là d’une imprévisibilité associée à une quantité énorme d’informations à même d’impacter le cours et le volume des échanges, de limiter l’efficacité du trading discrétionnaire, le trader manuel se trouvant dans la quasi-impossibilité de suivre et d’exploiter toutes les opportunités offertes par le marché.
Telle est notre problématique, une complexité autour de laquelle gravite notre réflexion en ce travail qui s’avise de développer un système de trading algorithmique basé sur une combinaison d’indicateurs techniques mathématiques susceptibles de dépasser les approches hasardées et d’ouvrir sur le maximum d’exactitude en matière de prévision des cours sur le marché des changes.
Il s’agira là d’une étude circonscrite en un champ où nous ne ferons cas que de la paire de devises Euro/Dollars usitée par excellence dans l’ensemble des transactions quotidiennes du marché des changes. Par cette étude, nous essayerons de dégager en fin de compte le processus de développement et d’optimisation d’un système de trading automatique en utilisant une stratégie basée sur les indicateurs techniques.
Pour ce faire, nous consulterons dans un premier temps la revue de littérature dans le dessein de dégager le contexte théorique du trading algorithmique. Nous procéderons ensuite à la création d’un modèle de trading algorithmique basé sur l’analyse technique du marché des changes. Les résultats du système développé seront à la fin rapportés et discutés pour ouvrir sur une conclusion et des suggestions de recherches ultérieures en la matière.
2. Revue de Littérature
2.1 Trading algorithmique
Les définitions académiques du trading algorithmique varient, mais ça n’empêche pas que certains éléments et caractéristiques soient communs entre les différentes définitions. En effet, la plupart des auteurs citent l'observation du marché en temps réel et la génération automatisée d'ordres comme caractéristiques clés du trading algorithmique. Ainsi, tout au long de la littérature, le système de trading algorithmique est considéré comme un outil qui peut observer les paramètres du marché ou d'autres informations en temps réel et générer/exécuter automatiquement les décisions de trading sans intervention humaine (Gomber & Haferkorn, 2013). Dans ce sens, le trading algorithmique ou automatique s’oppose au « trading discrétionnaire » dit aussi « trading manuel ». Ce dernier consiste à laisser le trader déterminer lui-même ses stratégies et ses interventions en fonction de ses propres convictions (Walker, 2004).
Le terme « algorithme » est la composante principale de la définition du trading algorithmique. Un algorithme informatique est défini comme l'exécution d'instructions prédéfinies afin de traiter une tâche donnée (Johnson, 2010). Transférés dans le contexte du trading, les algorithmes fournissent un ensemble d'instructions sur la façon de traiter ou de modifier un ordre ou plusieurs ordres sans intervention humaine (Gomber & Zimmermann, 2018). Le trading algorithmique consiste donc à utiliser des programmes informatiques pour mettre en œuvre des stratégies d'investissement et de trading (Foucault, 2013).
3
Une définition réglementaire plus précise du trading algorithmique a été fournie par la Commission européenne dans la directive 2014/65/UE du parlement européen et du conseil du 15 mai 2014. Elle définit le trading algorithmique comme « la négociation d’instruments financiers dans laquelle un algorithme informatique détermine automatiquement les différents paramètres des ordres, comme la décision de lancer l’ordre, la date et l’heure, le prix ou la quantité de l’ordre, ou la manière de gérer l’ordre après sa soumission, avec une intervention humaine limitée ou sans intervention humaine… ».
L'utilisation d'algorithmes informatiques dans le trading de titres est devenue un facteur central des marchés financiers modernes. Le désir de réaliser des économies de temps et d'argent au sein de l'industrie du trading a incité les institutions du côté des acheteurs et des vendeurs à mettre en œuvre des services algorithmiques tout au long de la chaîne de valeur du trading de titres (Gomber & Zimmermann, 2018).
Le marché des changes est l’un des marchés les plus ciblés par le trading algorithmique. Ce marché décentralisé est caractérisé par son ouverture 24/24 et la pluralité divergente des objectifs des participants, en sus de l’imprévisibilité associée à une quantité énorme d’informations à même d’impacter le cours et le volume des échanges. Tous ces facteurs limitent l’efficacité du trading discrétionnaire, le trader manuel se trouvant dans la quasi-impossibilité de suivre et d’exploiter toutes les opportunités offertes par le marché.
2.2 Trading algorithmique appliqué au marché des changes
Le marché des changes est un marché de gré à gré (Over The Counter, OTC en abrégé) qui détermine le taux de change des devises mondiales. Les participants peuvent acheter, vendre, échanger et spéculer sur les devises. Les principaux acteurs des marchés des changes font l’essentiel de transactions sur ce marché. Il s’agit principalement de banques commerciales, de banques centrales, de multinationales, de fonds spéculatifs, de courtiers et d'investisseurs particuliers.
De nos jours, la partie essentielle des acteurs du marché n'effectue pas d'échanges internationaux de biens et de services, mais tire parti des fluctuations des taux de change pour réaliser des profits. Ces faits, combinés à l'immense volume des échanges et à la multitude de facteurs d'influence de nature économique, politique et psychologique, ont fait de la prévision du taux de change l'une des applications les plus difficiles et les plus exigeantes des prévisions financières (Beran & Ocker, 2001).
La prévision des cours de changes se fait à l’aide d’une analyse minutieuse du marché. Il existe deux principales méthodes pour analyser le marché des changes. La première est l’analyse fondamentale ; elle est souvent utilisée pour analyser les changements sur le marché des changes en surveillant les chiffres, tels que les taux d'intérêt, les taux de chômage, le produit intérieur brut (PIB), et d'autres types de données économiques et politiques. La deuxième méthode se base sur l’analyse technique, cette dernière vise à prévoir l’évolution des cours sur la base de la connaissance des données internes au marché, à savoir l’historique des cours et le volume des transactions (Lardic & Mignon, 2006). La philosophie de l'analyse technique est expliquée dans le manuel célèbre de Murphy (1999) dans lequel il souligne ses trois grands principes :
- L'historique des prix des actifs utilise toute l'information pertinente de sorte que toute recherche des fondamentaux des actifs est inutile.
4
- Les prix des actifs évoluent en fonction des tendances.
- L'histoire tend à se répéter. En d'autres termes, les traders ont tendance à réagir de la même manière lorsqu'ils sont confrontés à des conditions similaires.
La rentabilité des règles techniques de trading sur le marché des changes est prouvée par plusieurs chercheurs. Sweeney (1986) est l’un des premiers à montrer la possibilité de réaliser des profits significatifs sur le marché des changes en s’appuyant sur l’analyse technique. Des recherches plus modernes ont prouvé également le même constat (LeBaron, 1999 ; Menkhoff & Schlumberger, 1995 ; Hoffmann & Shefrin, 2014 ; Taylor, 2014 ; Prat & Uctum, 2015). L’étude de Schulmeister (2008) suggère que la plupart des règles techniques de trading auraient donné lieu à des stratégies rentables même après la déduction des coûts de transaction. Owen et Palmer (2012) montrent que les stratégies de trading momentum sont plus rentables avec une plus grande volatilité des taux de change.
Après avoir passé en revue la documentation sur l'analyse technique dans divers marchés, Park et Irwin (2007) constatent que sur 95 études modernes examinées, 56 montrent une rentabilité significative de l'analyse technique, 20 études obtiennent des résultats négatifs et 19 études indiquent des résultats mitigés. Cependant, la plupart des études empiriques sont sujettes à divers problèmes dans leurs procédures de test car elles ne tiennent pas compte correctement du biais d'espionnage des données ou des coûts de transaction (Park & Irwin, 2007).
3. Méthodologie
Le système de trading algorithmique développé dans ce travail est basé sur la combinaison de deux indicateurs techniques : les moyennes mobiles simples et l’indicateur de force relative (RSI). La programmation est effectuée dans le logiciel ProRealTime.
La méthodologie suivie dans la conception de ce système consiste à décomposer les étapes de son élaboration en cinq parties
principales :
Figure. 1: Etapes de création du système de trading algorithmique
5
3.1 Choix De L’actif
Le système est appliqué aux données FOREX (EUR/USD) journalières du 23/06/2014 au 21/06/2019. Le choix de la paire EUR/USD est motivé par le fait que dans l’ensemble des transactions qui s’effectuent sur le marché des changes, celles relatives à l’Euro et le Dollar américain représentent, selon la banque de règlements internationaux (avril 2016), une part très importante (88% et 31% respectivement).
3.2 Développement du système (MMF1)
Pour une meilleure couverture des différents états dans lesquels le marché peut se trouver (tendance, absence de tendance), le système est basé sur la combinaison des indicateurs suivants : les moyennes mobiles simples (SMA) comme indicateur de tendance, et l’indice de force relative (RSI) pour détecter l’essoufflement de ces tendances.
La moyenne mobile est une moyenne calculée sur une période donnée. Elle est dite mobile car recalculée à chaque fois que la période évolue. Elle est donc glissante et ne tient pas compte des cours dont l’ancienneté est supérieure à la période de calcul.
Le RSI « Relative Strength Index » est un indicateur parmi les plus utilisés en analyse technique. Il a été développé par J.W.
Wilder en 1978 et permet d’identifier les retournements dans les marchés sans réelle tendance. C’est un indicateur borné entre 0 et 100, Il fait le rapport entre la moyenne des clôtures en hausse et la moyenne des clôtures en baisse sur la même période, ce qui fournit des indices pour savoir si la l’actif financier est suracheté ou survendu.
Figure. 2 : Choix des indicateurs techniques
• Choix des règles de décision
Les signaux d’achat et de vente se basent sur la combinaison de deux conditions principales :
- La disposition de la courbe de la moyenne mobile courte MMS(53) par rapport à celle de la moyenne mobile longue MMS(65).
- Le franchissement du seuil des zones de surachat (ligne 71) et de survente (ligne 20) du RSI.
6
• Choix des règles de money management
La principale prémisse du money management est la maîtrise du risque par l'idée de limiter les pertes et de laisser courir les profits. Le système développé dans ce travail intègre bien les règles de money management. La taille de position est ainsi fixée à 10.000 $. La taille du lot est de 100.000 unités (lot standard), ce qui correspond à un effet de levier égal à 10. Un trailing stop fixé à 2 % est également mis en place. Il s’agit d’un ordre stop qui permet de protéger automatiquement le système des pertes à partir d’un certain seuil, tout en bloquant les profits à mesure que les cours atteignent de nouveaux sommets.
La figure suivante résume les règles de décisions et de money management du système développé.
Figure. 3 : Règles de décision et de money management du système de trading algorithmique
3.3. Backtesting
Le backtesting est une simulation dont le but est de vérifier la performance du système avec les données passées. Il est basé sur l’une des prémisses de l'analyse technique qui stipule que l'histoire se répète, et donc, si le modèle est rentable avec les données historiques, il est très probable qu'il le sera à l'avenir. Ainsi, avec le backtesting, le trader peut se faire une idée de sa rentabilité, de sa performance et de sa robustesse.
3.4. Optimisation du système (MMF2)
Après le développement et l’évaluation d’un système de trading algorithmique, l’étape suivante consiste à l’optimiser pour améliorer ses performances. L’optimisation consiste à faire varier les paramètres afin de tester les résultats de la rentabilité du système qui y sont associés. L’ensemble de ces résultats servira à déterminer quels sont les paramètres les plus efficaces et qui dégagent le rendement le plus élevé. Le choix des variables utilisées pour l’optimisation du système développé dans ce travail porte sur les deux moyennes mobiles (courte et longue) et les zones de surachat et de survente. Pendant le processus d’optimisation, les autres variables ne changent pas de valeur. Il s’agit précisément de la période de l’indicateur de force relative (RSI) qui reste fixée à 2, et le trailing stop qui est également fixé à 2%.
7
3.5. Analyse Walk Forward (MMF3)
L'analyse Walk Forward est le processus d'optimisation d'un système de trading à l'aide d'un ensemble limité de paramètres, puis de test du meilleur ensemble de paramètres optimisé sur des données hors échantillon. Elle permet de tester la robustesse du système et sa stabilité au fil du temps. Tout d’abord, l’analyse optimise les variables définies sur une première période intitulée "période dans l’échantillon". A l’issue de cette première étape, le meilleur ensemble de variables est testé sur une période consécutive et non utilisée appelée "période hors échantillon" ou "période de tests". L’analyse Walk Forward est effectuée sur une période de 5 ans (du 23/06/14 jusqu’au 21/06/19). La période "dans l’échantillon" représente 80% de la période totale de chaque optimisation, et la période "hors échantillon" en représente 20%. Le choix du mode non ancré permet de décaler la période "dans l’échantillon" d’environ 7 mois supplémentaires à chaque nouvelle exécution.
4. Résultats et discussion
L’analyse des résultats des trois systèmes (MMF1, MMF2 et MMF3) porte sur les éléments du rapport détaillé produit par l’opération du backtesting. Les principaux éléments analysés sont reportés dans le tableau suivant :
Système MMF1 Système MMF2 Système MMF3
Ratio gains/pertes 2,20 2,37 2,03
Gain net 54.400 $ 62.354 $ 54.579 $
Gain moyen global 663,41 $ 663,34 $ 535,09 $
Gain moyen des positions gagnantes 2557,62 $ 2077 $ 1887,84 $
Perte moyenne des positions perdantes - 1054,58 $ - 1086,90 - 1178,40 $
Gain moyen des positions longues 352,46 $ 351,67 $ 313,75 $
Gain moyen des positions courtes 894,98 $ 926,12 $ 703 $
Nombre de positions gagnantes 39 52 57
Nombre de positions perdantes 43 42 45
Drawdown max 11.532 $ 9382 $ 7562 $
Tableau.1 : Résultats détaillés des trois systèmes
8
4.1. Analyse des résultats du système développé (MMF1)
Le gain généré par le système est supérieur à 5 fois le capital initial (+544%). Ceci permet de porter le capital final à 64.400 $.
Le gain moyen global est égal à 663,41 $ par position. Ce gain est subdivisé en deux composantes : un gain moyen de (352,46$/ position) pour les positions longues, et un gain moyen beaucoup plus important (894,98$/ position) pour les positions courtes. Les positions gagnantes et perdantes présentent chacune presque la moitié du nombre total de positions (82). Pourtant, le gain moyen des positions gagnantes (2557,62$/ position) est plus que le double de la valeur absolue de la perte moyennes des positions perdantes (1054,58$/ position).
4.2. Analyse des résultats du système développé après son optimisation (MMF2)
Le ratio gains/pertes s’est amélioré. Il est ainsi passé de 2,20 pour le système MMF1 à 2,37 pour le système MMF2. Le gain généré par le système MMF2 (62.354 $) est supérieur à celui généré par le système MMF1 (54.400 $). Le gain moyen global n’a pas changé. Il est de l’ordre de 663 $ par position pour les deux systèmes. Cependant, le pourcentage des positions gagnantes est passé de 47,56% pour le système MMF1 à 55,32% pour le système MMF2. Le drawdown max a connu une légère baisse. Il est ainsi passé de 11.532 $ pour le système MMF1, à 9382 $ pour le système MMF2.
4.3. Analyse des résultats du système développé après l’analyse Walk Forward (MMF3)
L’analyse des éléments du rapport détaillé permet de constater des performances similaires entre le système MMF3 et MMF2.
En effet, même si le gain moyen du système MMF3 (535,09$/ position) est inférieur à celui du système MMF2 (663,34$/
position), le nombre plus élevé de positions générées par MMF3 (102 positions dont 57 gagnantes) par rapport à MMF2 (94 positions dont 52 gagnantes) a permis d’aboutir à un niveau similaire de gains pour les deux systèmes (62.354.400 $ pour MMF2 et 54.579 $ pour MMF3). On constate aussi que le ratio gains/pertes du système MMF3 est relativement élevé (2,03).
Le potentiel de gain est donc plus élevé par rapport au niveau de risque supporté.
5. Conclusion
En conclusion, l’analyse des résultats obtenus indique qu'il est possible de réaliser des profits sur le marché des changes en utilisant une stratégie rigoureuse basée sur les indicateurs techniques. Ceci témoigne de la capacité de l’analyse technique à prédire les cours et remet ainsi en cause l’hypothèse d’efficience des marchés financiers. L’optimisation des paramètres d’entrée apporte encore plus d’amélioration au système en le rendant plus performant. La robustesse du système est confirmée par l’analyse Walk Forward dont les résultats démontrent que la stratégie développée est fiable et que les performances générées ne sont pas simplement le résultat d’une suroptimisation créée par l’effet d’ajustement de courbe.
Le système développé dans ce travail, étant testé sur une seule paire de devises (EUR/USD), d’autres recherches sont de ce fait à mener en vue d’appliquer le système développé à d’autres paires de devises, de l’essayer avec des indicateurs techniques plus complexes, ou de développer des systèmes de trading algorithmique basés sur les outils de l’intelligence artificielle (machine learning, deep learning,…etc.) .
9
Références
[1] Beran, J., & Ocker, D. (2001). Volatility of stock-market indexes—An analysis based on SEMIFAR models. Journal of Business & Economic Statistics, 19(1), 103-116. https://doi.org/10.1198/07350010152472661
[2] Foucault, T. (2013). Algorithmic trading: Issues and preliminary evidence. Market Microstructure, 1- 40. https://doi.org/10.1002/9781118673553.ch1
[3] Gomber, P., & Haferkorn, M. (2013). High-frequency-Trading. Business & Information Systems Engineering, 5(2), 97- 99. https://doi.org/10.1007/s12599-013-0255-7
[4] Gomber, P., & Zimmermann, K. (2018). Algorithmic trading in practice. Oxford Handbooks Online. https://doi.org/10.1093/oxfordhb/9780199844371.013.12
[5] Hoffmann, A. O., & Shefrin, H. (2014). Technical analysis and individual investors. Journal of Economic Behavior &
Organization, 107, 487-511. https://doi.org/10.1016/j.jebo.2014.04.002
[6] Johnson, B. (2010). Algorithmic trading & DMA: An introduction to direct access trading strategies. 4myeloma Press.
[7] Lardic, S., & Mignon, V. (2006). L'efficience informationnelle des marches financiers. Editions La Découverte.
[8] LeBaron, B. (1999). Technical trading rule profitability and foreign exchange intervention. Journal of International Economics, 49(1), 125-143. https://doi.org/10.1016/s0022-1996(98)00061-0
[9] MENKHOFF, L., & SCHLUMBERGER, M. (1995). Persistent profitability of technical analysis on foreign exchange markets? PSL Quarterly Review, 48(193), 189–215.
[10] Murphy, J. J. (1999). Technical analysis of the financial markets: A comprehensive guide to trading methods and applications. New York Institute of Finance.
[11] Owen, A. L., & Palmer, B. (2012). Macroeconomic conditions and technical trading profitability in foreign exchange markets. Applied Economics Letters, 19(12), 1107-1110. https://doi.org/10.1080/13504851.2011.615723
[12] Park, C., & Irwin, S. H. (2007). What do we know about the profitability of technical analysis? Journal of Economic Surveys, 21(4), 786-826. https://doi.org/10.1111/j.1467-6419.2007.00519.x
[13] Prat, G., & Uctum, R. (2015). Expectation formation in the foreign exchange market: A time-varying heterogeneity approach using survey data. Applied Economics, 47(34-35), 3673-3695.
[14] Schulmeister, S. (2008). Components of the profitability of technical currency trading. Applied Financial Economics, 18(11), 917-930. https://doi.org/10.1080/09603100701335416
[15] SWEENEY, R. J. (1986). Beating the foreign exchange market. The Journal of Finance, 41(1), 163- 182. https://doi.org/10.1111/j.1540-6261.1986.tb04497.x
[16] Taylor, N. (2014). The rise and fall of technical trading rule success. Journal of Banking & Finance, 40, 286- 302. https://doi.org/10.1016/j.jbankfin.2013.12.004
[17] Walker, M. (2004). Tout savoir sur l'analyse technique. Gualino Editeur.
10
Mohammed OUGHANEM,
Doctorant en finance à l’université Abdelmalek Essaadi (Maroc).
Membre au Laboratoire GDIM / FPL "Gestion, Droit, Interculturel et Mutations Sociales" ; Champ de recherche: Finance, Machine Learning, Deep Learning, Data Science, … E-mail : mohammed.oughanem@gmail.com
Samira BOUNID,
Professeur Habilité à la Faculté Polydisciplinaire Larache ;
Membre au Laboratoire GDIM / FPL "Gestion, Droit, Interculturel et Mutations Sociales" ; Membre de l'Association Marocaine des Experts et Scientifiques du Tourisme.
E-mail : sbounid@gmail.com
