Données en trading systématique

De quelles données le trading systématique dépend réellement

Le trading systématique fondé sur les données consiste à prendre des décisions de trading selon des règles, à partir d'entrées structurées comme les prix, les volumes, les instantanés du carnet d'ordres, les données de référence et les historiques d'exécution. Avant d'agir sur une règle, il faut savoir que son comportement dépend des données sur lesquelles elle a été construite et exécutée. Une règle peut être logiquement solide et produire malgré tout des résultats trompeurs si ses entrées sont tardives, incomplètes, ajustées de façon incohérente ou différentes de ce qui sera disponible en conditions réelles.

Il est utile de distinguer trois types de données. Les données de recherche sont celles sur lesquelles une règle est conçue et évaluée. Les données de décision en temps réel sont celles que le système voit au moment où il agit. Les données d'exécution enregistrent ce qui s'est réellement passé lorsque les ordres ont atteint une plateforme. Beaucoup de problèmes opérationnels viennent du fait qu'on les traite comme une seule et même chose alors qu'elles diffèrent par leur horodatage, leur granularité et leur source.

Où les erreurs de données entrent dans une chaîne systématique

Les erreurs se signalent rarement d'elles-mêmes. Elles apparaissent plutôt sous la forme de résultats un peu trop beaux, ou d'un comportement en réel qui s'éloigne de ce que les tests laissaient prévoir. Connaître les points d'entrée courants permet de les chercher délibérément au lieu de les découvrir une fois le capital exposé.

Chacun des problèmes ci-dessous peut modifier le comportement apparent d'une règle sans que la règle elle-même change. Aucun n'est exotique : ce sont des risques ordinaires dans les processus fondés sur des règles.

• Fuite d'information future (look-ahead) : utiliser une valeur, comme un cours de clôture ou un chiffre révisé, avant qu'elle n'ait été connue.
• Biais du survivant : n'évaluer que les instruments qui existent encore, ce qui masque ceux qui ont été radiés de la cote ou fusionnés.
• Décalage d'horodatage : mélanger l'heure de la bourse, l'heure du fournisseur et l'heure locale, ou confondre l'heure de l'événement avec l'heure de réception.
• Ajustements incohérents : appliquer différemment les divisions d'actions, les dividendes ou les roulements de contrats dans les flux de recherche et en temps réel.
• Trous silencieux et valeurs figées : barres manquantes ou cotations gelées qu'une règle interprète comme un vrai comportement du marché.
• Différences entre plateformes : supposer un prix consolidé unique alors que les exécutions dépendent de la plateforme précise et de sa liquidité.

Évaluation reproductible : tester les données honnêtement

Un test historique n'est informatif que s'il est reproductible. Si la même règle, la même version des données et les mêmes paramètres ne permettent pas d'obtenir le même résultat, il n'existe aucune base stable de comparaison. Enregistrer l'instantané des données, la version du code, les hypothèses de coûts et de latence, ainsi que les graines aléatoires de toute simulation, transforme une évaluation en quelque chose qui peut être audité et contesté.

Une évaluation honnête suppose aussi de séparer les données utilisées pour façonner une règle de celles utilisées pour la juger. Lorsque de nombreuses variantes sont essayées sur le même historique, l'une d'elles paraîtra généralement solide par hasard. Réserver des périodes hors échantillon, limiter le nombre de variantes explorées et écrire ses hypothèses avant de tester réduisent la tentation de confondre ajustement et découverte.

Même un test soigneusement reproduit décrit le passé sous des hypothèses déclarées. Les résultats historiques et simulés ne tranchent pas ce qui va se passer ensuite, car la structure du marché, la liquidité et le comportement des participants évoluent. Le résultat utile d'une évaluation est une vision plus claire des hypothèses et des sensibilités d'une règle, pas une prévision.

Données d'exécution et comportement observable en conditions réelles

Dès qu'une règle tourne en réel, les données d'exécution deviennent la preuve la plus directe que la réalité correspond, ou non, au plan. Comparer les ordres prévus aux exécutions effectives, mesurer le slippage par rapport à un prix de référence défini et suivre les ordres rejetés ou partiellement exécutés révèlent des écarts que les données de recherche ne peuvent pas montrer. Une exécution observable signifie que ces enregistrements sont capturés de manière cohérente et peuvent être examinés par quelqu'un d'autre que le système qui les a produits.

Des limites de risque explicites doivent accompagner cette observabilité. Plafonds de position, seuils de perte, limites de fréquence d'ordres et restrictions d'instruments doivent être définis à l'avance, appliqués automatiquement et journalisés lorsqu'ils se déclenchent. Une surveillance qui vérifie la fraîcheur des données, la santé des flux et l'utilisation des limites aide à détecter les problèmes tant qu'ils sont encore mineurs. La supervision humaine compte surtout à ces moments précis : une personne doit pouvoir suspendre l'activité, examiner pourquoi une limite s'est déclenchée et décider de la suite.

Exemple commenté : une revue hypothétique des données avant déploiement

Exemple uniquement, hypothétique et illustratif : imaginons qu'une équipe dispose d'une règle qui réagit aux variations de volume à court terme sur deux plateformes. Son test historique paraît stable. Avant de l'autoriser à agir, l'équipe mène une revue structurée des données plutôt que de l'idée de stratégie. La question n'est pas de savoir si la règle fonctionnera, ce qu'aucune revue ne peut établir, mais si les preuves qui la soutiennent sont fiables et si les défaillances seront visibles et contenues.

Dans cet exemple hypothétique, la revue constate que les volumes de recherche provenaient d'un flux consolidé alors que les décisions en réel utiliseraient des données par plateforme, et que le test supposait des exécutions au prix médian. L'équipe conclut que le test existant ne peut pas justifier une décision en réel et le relance avec des données par plateforme et des hypothèses de coûts prudentes, en documentant les deux versions. Ce résultat, une décision de reporter plutôt que de poursuivre, est une issue légitime d'une bonne revue.

• L'évaluation peut-elle être reproduite à l'identique à partir des données, du code et des paramètres enregistrés ?
• Les données de recherche correspondent-elles aux données en réel en matière de source, de granularité, de fuseau horaire et d'ajustements ?
• Les valeurs n'ont-elles été utilisées qu'à partir du moment où elles étaient réellement disponibles ?
• Les coûts de transaction, le slippage et les exécutions partielles sont-ils modélisés de manière prudente ?
• Les limites de risque sont-elles écrites, appliquées automatiquement et journalisées lorsqu'elles se déclenchent ?
• Les dispositifs de surveillance signalent-ils les données figées, manquantes ou anormales avant que la règle n'agisse dessus ?
• Une personne nommément désignée peut-elle suspendre le système et examiner les incidents ?

Limites applicables et cadre de ces recommandations chez IMRYN

La rigueur sur les données réduit les erreurs évitables, mais elle ne supprime ni le risque de marché, ni le risque de liquidité, ni la possibilité qu'une règle bien comprise cesse tout simplement de se comporter comme avant. Une règle construite sur des données propres peut tout de même perdre de l'argent, et aucune checklist ne transforme l'incertitude en garantie. Toute personne envisageant d'appliquer une approche systématique doit tenir compte de sa propre situation et, le cas échéant, solliciter un conseil indépendant qualifié.

IMRYN publie des contenus sur l'infrastructure de trading systématique et l'exécution sur plusieurs plateformes, autour d'une automatisation qui opère à l'intérieur de garde-fous, avec des contrôles de risque et une surveillance continue ; ses pages méthodologie et architecture décrivent ce contexte. Cet article est pédagogique, reste dans le cadre de ces descriptions publiques, ne présente aucune étude ni aucun résultat observé par IMRYN et ne constitue pas une recommandation de trader.