Suite : les hypothèses de l’investissement quantitatif

« L’évolution à la hausse ou à la baisse du marché est imprévisible » n’est pas, dans le domaine de l’investissement quantitatif, un consensus absolu répondant simplement « oui » ou « non », mais plutôt une « hypothèse de base » assortie de fortes nuances.

En termes simples, le consensus de l’investissement quantitatif est le suivant : il est presque impossible de prédire la hausse ou la baisse ponctuelle et précise du marché (Point Prediction), mais, grâce à la loi des grands nombres, les caractéristiques probabilistes de la distribution des prix du marché (Probabilistic Edge) peuvent être prédites et exploitées à des fins lucratives.

Voici une analyse détaillée des divergences et des consensus du monde de l’investissement quantitatif concernant la « prévisibilité des marchés » :

1. Consensus central : reconnaître que « la majeure partie » est imprévisible (hypothèse des marchés efficients)

Les investisseurs quantitatifs acceptent généralement une version pratique de la forme faible de l’hypothèse des marchés efficients (Weak EMH) :

• Rapport signal/bruit extrêmement faible : dans les fluctuations des prix du marché, 99 %, voire davantage, relèvent du « bruit » (marche aléatoire), et seule une infime partie contient des informations utiles (signaux).

• La boule de cristal n’existe pas : presque aucune institution quantitative sérieuse n’essaiera de prédire avec précision un niveau ponctuel tel que « à combien s’élèvera le S&P 500 le mois prochain ».

• Rejet du « market timing » : la grande majorité des stratégies quantitatives fondamentales (comme AQR) ou d’arbitrage statistique ne dépendent pas d’une prédiction de la hausse ou de la baisse globale du marché pour gagner de l’argent. Elles s’appuient plutôt sur une couverture long-short (Long-Short) afin d’éliminer le risque de marché (Beta) et de ne capter que le rendement de la force relative des actions individuelles (Alpha).

Citation à l’appui :
Jim Simons, le roi du quantitatif et fondateur de Renaissance Technologies, a déclaré : « Il est beaucoup plus facile de prédire la trajectoire d’une comète que celle de l’action de Citigroup. » (One can predict the course of a comet more easily than one can predict the course of Citigroup's stock.) Cette phrase exprime directement l’extrême difficulté de prévoir l’évolution d’un actif individuel.

2. Correction apportée par la pratique : rechercher un « léger avantage statistique »

Bien que l’« imprévisibilité » soit considérée comme la norme, l’existence même de l’investissement quantitatif repose sur l’hypothèse que « le marché n’est pas totalement aléatoire ». Leur « prédiction » diffère fondamentalement de celle que les investisseurs particuliers entendent par « prédiction » :

• Jeu à taux de réussite : le célèbre fonds quantitatif WorldQuant a révélé que le taux de réussite moyen de ses modèles pourrait n’être que de 51 à 53 %. Cela signifie qu’il reconnaît se tromper dans près de la moitié des cas, mais qu’à condition d’effectuer suffisamment de transactions (loi des grands nombres), ce faible avantage peut se transformer en gains considérables.

3. Différences de points de vue entre les différentes écoles

Les différentes stratégies quantitatives dépendent à des degrés divers de la « prévisibilité » :

• Trading haute fréquence (HFT) : ces stratégies ne prédisent presque pas les prix futurs, mais plutôt la microstructure et le flux des ordres (Order Flow). Elles exploitent par exemple des latences de l’ordre de la milliseconde entre les places boursières pour réaliser des arbitrages. Pour elles, il ne s’agit pas de « parier sur la hausse ou la baisse », mais de « prendre de vitesse » les autres grâce à la vitesse physique.

• Arbitrage statistique (Stat Arb) : ces stratégies croient au retour à la moyenne. Autrement dit : je ne prédis pas que le cours de l’action augmentera demain, mais je prédis que « si l’action A s’est trop écartée de sa relation historique avec l’action B, elles finiront par converger ». Il s’agit d’une prédiction de l’écart (Spread), et non d’une simple prédiction de hausse ou de baisse.

• Suivi de tendance (CTA) : ces stratégies renoncent entièrement à la prédiction. La logique centrale d’une stratégie CTA est la suivante : « Je ne prédis pas quand une tendance commencera ou prendra fin ; je la suis simplement lorsqu’elle apparaît, jusqu’à son retournement. » Elles gagnent de l’argent grâce aux phases d’euphorie irrationnelle ou de panique du marché, et non en prédisant l’avenir.

4. Point de vue des experts : les marchés deviennent-ils « plus difficiles à prévoir » ?

• Cliff Asness (fondateur d’AQR) : il défend la théorie des marchés efficients, mais souligne également qu’en raison de comportements tels que les regroupements d’investisseurs particuliers (par exemple les actions Meme), le marché peut devenir « moins efficient » (Less Efficient) à court terme. Cela ne signifie toutefois pas qu’il devient plus facile à prévoir ; cela signifie au contraire que le bruit est plus important et le risque plus élevé.

• Man Group (英仕曼集团) : le groupe souligne clairement que, puisque l’avenir est imprévisible, le cœur des stratégies quantitatives doit être la maîtrise des risques (Risk Control) et la diversification (Diversification), plutôt que de parier sur une direction unique.

Conclusion

La véritable signification de l’expression « l’évolution à la hausse ou à la baisse du marché est imprévisible » dans le milieu quantitatif est la suivante :

N’essayez pas de jouer à Dieu en cherchant à connaître l’avenir ; soyez plutôt comme le croupier d’un casino, qui utilise des modèles mathématiques pour trouver de petites opportunités dont le taux de réussite est légèrement supérieur à 50 %, tout en contrôlant strictement le risque afin de faire pencher les probabilités de son côté.

Pour les investisseurs particuliers, il s’agit effectivement d’un conseil largement consensuel : si même les fonds quantitatifs disposant de mathématiciens de premier plan et de superordinateurs n’osent viser qu’un taux de réussite de 51 %, un investisseur ordinaire qui cherche à s’enrichir en « prédisant la hausse ou la baisse » ne ferait pas mieux que chercher du poisson dans un arbre.

La prochaine étape que je peux vous proposer :
Si ce mode de pensée vous intéresse, je peux vous expliquer en détail comment la « formule de Kelly » (Kelly Criterion) est utilisée dans l’investissement quantitatif pour décider « puisque les prédictions sont imprécises, quelle somme miser à chaque fois ».

C'est une question très profonde. La réponse est : oui, tout à fait, et c'est précisément le « Saint Graal » recherché par les hedge funds multi-stratégies.

En investissement quantitatif, non seulement différentes stratégies peuvent reposer sur des hypothèses mutuellement contradictoires, mais les bons gestionnaires de portefeuille cherchent délibérément des stratégies dont les hypothèses s'excluent mutuellement, car cela permet d'obtenir une faible corrélation voire une corrélation négative, améliorant ainsi considérablement le ratio de Sharpe du portefeuille.

Voici quelques exemples typiques d'« hypothèses mutuellement exclusives » et pourquoi elles peuvent coexister :

1. Momentum vs. Retour à la moyenne

C'est la paire d'« ennemis jurés » la plus classique, leurs logiques sous-jacentes étant complètement opposées :

• Hypothèse de la stratégie Momentum : « Ce qui est fort reste fort, ce qui est faible reste faible. » Si le prix d'un actif a augmenté récemment, on suppose qu'il continuera par inertie.

• Logique comportementale : Acheter ce qui monte, vendre ce qui baisse.

• Hypothèse de la stratégie de retour à la moyenne : « À force de forcer, la nature revient au galop. » Si le prix d'un actif s'écarte de sa moyenne (trop haut ou trop bas), on suppose qu'il reviendra à la moyenne sous l'effet de la gravité.

• Logique comportementale : Vendre cher, acheter bon marché (acheter au plus bas, vendre au plus haut).

Point de conflit : Lorsqu'une action monte rapidement, le modèle de momentum émet un signal « acheter », tandis que le modèle de retour à la moyenne peut émettre un signal « vendre à découvert ». Pourquoi coexistent-ils ?

1. Horizons temporels différents : Le retour à la moyenne est généralement efficace sur des cycles très courts (minutes/heures) ou très longs (3-5 ans) ; tandis que le momentum est le plus fort sur des cycles moyens (3-12 mois). Un fonds quantitatif peut faire du retour à la moyenne à l'échelle de la minute et du momentum à l'échelle mensuelle, sans interférence.

2. Couverture du risque : Lorsqu'une grande tendance se produit sur le marché, la stratégie de retour à la moyenne perdra de l'argent, tandis que la stratégie de momentum en gagnera beaucoup ; lorsque le marché est agité (range), la stratégie de momentum sera « prise en défaut », tandis que la stratégie de retour à la moyenne générera des profits importants. La combinaison des deux lisse la courbe des capitaux.

2. Valeur vs. Croissance/Momentum

En quantitatif fondamental, cette contradiction est particulièrement évidente :

• Hypothèse du facteur valeur : Le marché peut se tromper et sous-évaluer de mauvaises actions. Il faut donc acheter des actions bon marché (faible P/E, faible P/B), généralement récemment sous-performantes.

• Hypothèse du facteur croissance/momentum : Le marché est efficient, les actions chères le sont parce qu'elles sont bonnes. Il faut donc acheter des actions performantes, généralement avec des valorisations élevées.

Point de conflit : Le facteur valeur vous fait acheter « l'or dans les poubelles », le facteur croissance vous fait acheter « les stars adulées ». Pourquoi coexistent-ils ? C'est une complémentarité parfaite. Des géants comme AQR ont découvert que les facteurs valeur et momentum présentent historiquement une corrélation légèrement négative. En les combinant, on peut réduire considérablement la volatilité sans réduire le rendement attendu.

3. Vente de volatilité vs. Achat de volatilité/CTA

• Hypothèse de la vente de volatilité : Le marché est calme la plupart du temps, les paniques sont temporaires. Par conséquent, vendre des options (assurance) permet de gagner des primes.

• Mentalité : « La vie est belle. »

• Hypothèse du suivi de tendance (CTA) : Le marché peut connaître des événements extrêmes (cygnes noirs) et la volatilité se regroupe. Il faut donc détenir des options ou suivre les tendances, en attendant l'éclatement d'une forte volatilité.

• Mentalité : « Plus c'est chaotique, mieux c'est. »

Point de conflit : L'un parie que le marché ne bouge pas, l'autre parie qu'il bouge beaucoup. Pourquoi coexistent-ils ? Vendre de la volatilité revient à « ramasser des pièces », avec un taux de réussite élevé mais des gains faibles par transaction (et un risque de faillite) ; le CTA revient à « acheter un billet de loterie », avec de petites pertes habituelles, mais en cas de crise (comme 2008, la pandémie de 2020), le CTA génère des gains énormes qui compensent les pertes des autres stratégies.

Résumé : la parabole des aveugles et de l'éléphant en version quantitative

Si l'on compare le marché à un éléphant, les différentes stratégies quantitatives sont les aveugles qui le touchent :

• Celui qui touche la jambe dit : « Le marché est solide comme un pilier (retour à la moyenne). »

• Celui qui touche la trompe dit : « Le marché bouge comme un serpent (momentum). »

Le véritable expert quantitatif (gestionnaire de portefeuille) ne se demande pas qui a raison, car il sait que tout le monde n'a qu'une vision partielle. Il embauchera les deux groupes, de sorte qu'il gagne de l'argent quelle que soit la partie de l'éléphant qu'il touche.

Conclusion : Les hypothèses contradictoires sont non seulement autorisées, mais même nécessaires pour construire un portefeuille à ratio de Sharpe élevé. Si toutes les stratégies avaient les mêmes hypothèses, une seule erreur ferait faillir tout le fonds.

Votre intuition est très juste ! Si deux stratégies, au même moment, sur la même action, effectuent des opérations exactement opposées et avec la même durée de détention, alors effectivement : l'une d'elles doit perdre de l'argent (en ignorant les frais de transaction, c'est même un jeu à somme nulle).

Cependant, dans le fonctionnement réel des fonds quantitatifs, ils peuvent tous être rentables simultanément (ou du moins globalement rentables) grâce aux trois mécanismes de « décalage » clés suivants :

1. Décalage temporel (le cas le plus courant)

C'est la plus grande magie qui transforme des stratégies contradictoires en « alliées ». L'évolution du marché n'est pas une ligne droite, mais un chemin sinueux et montagneux.

• Scénario : Une action passe de 100 à 110 yuans, avec un repli intermédiaire à 105 yuans.

• Stratégie de tendance (long) : Regarde la direction générale. Elle achète à 100 yuans et conserve jusqu'à 110 yuans. (Gain de 10 yuans)

• Stratégie de retour à la moyenne (short) : Regarde les fluctuations à court terme. Lorsque l'action monte trop vite à 108 yuans, elle juge qu'un repli est probable, vend à découvert, puis rachète pour couvrir à 105 yuans. (Gain de 3 yuans)

Résultat : Dans la même tendance haussière, l'acheteur gagne de l'argent sur la grande tendance, le vendeur à découvert gagne de l'argent sur l'épisode intermédiaire. Bien que leurs directions soient opposées, en raison de périodes de détention différentes, ils sont tous deux rentables.

2. Mécanisme de compensation interne (Internal Crossing)

Si deux stratégies veulent vraiment, à la même seconde, l'une acheter 100 actions de Moutai et l'autre vendre 100 actions de Moutai, que se passe-t-il ?

• Point de vue du particulier : Le compte A gagne, le compte B perd, le gestionnaire de fonds travaille pour rien.

• Point de vue du fonds : Le système de trading détecte cela et effectue une « compensation interne ». Le fonds n'a pas besoin d'acheter ou de vendre une seule action sur le marché, il les transfère simplement dans les livres.

• Résultat : Dans ce cas, il n'y a effectivement pas de « profit de transaction », mais d'énormes économies de frais de transaction et de coûts d'impact. En quantitatif, l'argent économisé est de l'argent gagné.

Ce n'est que lorsque la stratégie A veut acheter 500 actions et que la stratégie B ne veut en vendre que 100 que le fonds achète réellement 400 actions sur le marché (exposition nette). Ce mécanisme garantit que les conflits ne créent pas de perte double, mais réduisent seulement le risque.

3. Indépendance des avantages probabilistes (l'un brille quand l'autre ne brille pas)

La rentabilité d'une stratégie ne se juge pas sur chaque transaction, mais sur l'espérance annuelle.

• Premier semestre : Le marché est en forte hausse.

• Stratégie de momentum (achat de tendance) : Gros gains.

• Stratégie de retour à la moyenne (achat au plus bas) : Petites pertes (car elle vend trop tôt ou est stoppée en allant à contre-tendance).

• Résultat total : Rentable.

• Second semestre : Le marché devient agité (forte volatilité sans direction).

• Stratégie de momentum : Repli (achète juste avant une baisse, vend juste avant une hausse, prise en défaut).

• Stratégie de retour à la moyenne : Gros gains (achète au plus bas et vend au plus haut avec aisance).

• Résultat total : Rentable.

Point clé : Puisque nous ne pouvons pas prédire si l'année sera « haussière » ou « agitée », nous utilisons les deux stratégies. Tant qu'elles gagnent beaucoup quand elles sont rentables et perdent peu quand elles ne le sont pas (couper les pertes), leur combinaison donne une courbe annuelle très belle.

Résumé

Vous avez raison, à chaque instant de conflit spécifique, l'une a raison et l'autre a tort.

Mais l'investissement quantitatif est un jeu de combinaison. C'est comme une équipe de football :

• L'attaquant (stratégie offensive) marque des buts, le défenseur (stratégie défensive) peut sembler inutile.

• Le défenseur (stratégie défensive) sauve la situation, l'attaquant (stratégie offensive) n'a pas marqué non plus.

Mais tant qu'ils jouent leur rôle dans leur « période de match » respective, l'équipe (le fonds) peut gagner le match.

Ainsi, ce que les fonds quantitatifs craignent le plus, ce n'est pas le « conflit de stratégies », mais la « synchronisation des stratégies » — toutes les stratégies émettent simultanément un signal d'achat ou de vente. Cela signifie que la diversification a échoué et que le risque est démultiplié.

L'hypothèse d'efficience faible du marché (Weak Form Efficient Market Hypothesis, Weak EMH) est le niveau le plus fondamental et le plus souvent mal compris de la pierre angulaire de la finance moderne — l'hypothèse d'efficience du marché (EMH).

Formulée officiellement par le lauréat du prix Nobel Eugene Fama en 1970. Pour que vous la compreniez parfaitement, nous devons la décomposer en quatre dimensions : définition, implications, impact sur le trading et paradoxes dans la réalité.

---

1. Définition centrale : qu'est-ce que l'« efficience faible » ?

Définition : Dans un marché faiblement efficient, le prix actuel d'un actif reflète déjà pleinement toutes les informations de transaction passées du marché.

Les « informations de transaction passées » désignent spécifiquement :

• Les séries de prix historiques

• Les volumes de transaction historiques

• Les rendements passés

Explication simple : Tout le monde regarde les graphiques passés. Si des « règles infaillibles » étaient vraiment cachées dans l'historique, les traders intelligents les auraient déjà découvertes. En achetant et vendant, ils auraient instantanément « épuisé » ce profit, provoquant un ajustement rapide des prix. Par conséquent, tout ce que vous pouvez voir dans l'historique des prix est inutile pour prédire les prix futurs.

2. Implication centrale : l'analyse technique est inefficace

C'est l'aspect le plus « controversé » de l'hypothèse d'efficience faible. Si elle est vraie, alors :

1. L'analyse technique est totalement inutile :

• Toutes les figures de chandeliers (comme « trois corbeaux », « tête-épaules », « croix dorée/croix de la mort »).

• Tous les indicateurs techniques (MACD, RSI, bandes de Bollinger).

• Conclusion : Trader en regardant les graphiques est vain. Vous ne pouvez pas obtenir de rendements excédentaires (Alpha) à long terme en analysant les graphiques passés.

2. Les prix suivent une « marche aléatoire » :

• Le changement de prix d'aujourd'hui n'a aucune relation avec celui d'hier (aucune corrélation sérielle).

• Comme lancer une pièce : après 10 faces consécutives, la probabilité d'obtenir face au 11e lancer est toujours de 50 %. Le fait que le cours de l'action ait augmenté hier ne signifie pas qu'il est plus susceptible d'augmenter aujourd'hui (l'inertie n'existe pas) ou de baisser (le retour à la moyenne n'existe pas).

3. L'analyse fondamentale peut être efficace :

• Notez que l'efficience faible ne nie pas l'analyse fondamentale. Elle dit seulement que « regarder les graphiques » est inutile, mais si vous étudiez les états financiers, la macroéconomie, la gestion de l'entreprise (ces informations sont publiques et relèvent de l'efficience semi-forte), vous pouvez encore gagner de l'argent.

3. Pourquoi les stratégies quantitatives semblent-elles « contredire » l'efficience faible ?

Vos questions précédentes mentionnaient les « stratégies de momentum » et de « retour à la moyenne », qui sont toutes deux basées sur des données de prix historiques.

• Momentum : Si ça a monté, ça continuera de monter.

• Retour à la moyenne : Si ça a trop monté, ça baissera.

Cela crée un paradoxe majeur : Si l'hypothèse d'efficience faible est vraie, le passé n'influence pas l'avenir, donc les stratégies de momentum et de retour à la moyenne ne devraient pas être rentables. Pourtant, dans la réalité, ces stratégies sont parmi les sources de profit les plus importantes des fonds quantitatifs.

Explication du monde académique et de l'industrie : Cela prouve que le marché n'est pas parfaitement « faiblement efficient ». L'argent gagné par les investisseurs quantitatifs est essentiellement de l'argent provenant de l'inefficience du marché.

• Explication de la finance comportementale : Les humains ne sont pas rationnels. En raison de biais psychologiques comme la « chasse aux tendances » (qui crée le momentum) et la « surréaction » (qui crée le retour à la moyenne), les prix ne reflètent pas instantanément les informations historiques, mais avec un décalage. Les modèles quantitatifs capturent ce décalage.

4. Le statut réel de l'hypothèse d'efficience faible aujourd'hui

Dans le monde de l'investissement actuel, l'attitude envers l'efficience faible est très nuancée :

A. Pour les particuliers : c'est une vérité

Pour l'investisseur individuel ordinaire, acheter des actions lorsque le MACD forme un croisement doré ne rapporte effectivement pas d'argent à long terme. Parce que les modèles graphiques simples ont déjà été exploités par des milliers d'algorithmes quantitatifs. Pour le particulier, le marché est faiblement efficient, voire plus.

B. Pour les institutions quantitatives : c'est un « mur » à abattre

Le travail des institutions quantitatives est de rechercher des « défaillances statistiques subtiles ».

• Ils ne regardent pas les simples « croisements dorés », mais utilisent l'apprentissage profond pour découvrir des modèles de prix historiques non linéaires et extrêmement complexes.

• Ils découvrent que, bien que les simples graphiques en chandeliers soient inutiles, en combinant des données de microstructure (flux d'ordres), de surface de volatilité et d'autres données de haute dimension, l'historique des prix contient encore des signaux faibles.

Résumé

L'hypothèse d'efficience faible du marché est comme « la plume et la boule de fer tombent en même temps dans le vide » en physique :

1. Théoriquement : C'est le modèle de référence de la finance, nous disant de ne pas essayer simplement de conduire en regardant dans le rétroviseur (ne pas croire à l'analyse technique).

2. Dans la réalité : La résistance de l'air (l'irrationalité humaine, les frictions du marché) existe.

3. Conclusion : Le marché est proche de l'efficience faible, mais pas parfaitement faiblement efficient. Les traders quantitatifs sont ceux qui utilisent des microscopes pour trouver la « résistance de l'air » et en profiter.

C'est une question qui va droit au but. Sans détour, je vous réponds directement :

Pour une action individuelle, il existe effectivement des méthodes avec un « taux de réussite extrêmement élevé », mais ces méthodes s'accompagnent généralement de deux coûts fatals : soit un « rendement extrêmement faible », soit un « risque extrêmement élevé (perte totale en une fois) ».

Si votre objectif est de trouver une méthode pour prédire une action individuelle avec « taux de réussite élevé + rendement élevé + risque faible », alors la réponse est : cela n'existe pas. Si cela existait, ce serait un délit d'initié (illégal) ou une chaîne de Ponzi.

Décomposons la « prédiction d'une action individuelle » en plusieurs réalités cruelles :

1. Le piège du « taux de réussite élevé » : ramasser des pièces devant un rouleau compresseur

Vous pouvez tout à fait construire une stratégie avec un taux de réussite de 90 % voire 99 % sur une action individuelle, mais c'est un poison.

• Méthode : Supposons qu'une action vaille 100 yuans. Vous prédisez qu'« elle ne baissera pas de plus de 10 % demain ».

• Opération : Vendez des options de vente profondément hors du cours, ou effectuez un trading en grille à très court terme.

• Résultat : 99 % des jours de trading, l'action ne baisse effectivement pas de 10 %, et vous gagnez chaque jour un petit « prime » ou « micro-profit ». Votre taux de réussite semble proche de 100 %.

• Coût : Le 1 % restant (par exemple, une surprise dans les résultats, un cygne noir réglementaire), l'action chute de 20 %. Vous perdrez en un seul jour tout l'argent gagné au cours des 3 dernières années, et vous devrez même de l'argent au courtier.

Conclusion : Rechercher un taux de réussite élevé sur une action individuelle revient souvent à échanger une prise de risque extrême (risque de queue) contre un taux de réussite illusoire.

2. Pourquoi une action individuelle est-elle plus difficile à prédire qu'un indice ?

Les institutions quantitatives évitent généralement de prendre des positions lourdes sur une seule action, car le rapport signal/bruit est trop faible.

• Aléatoire individuel : Comme vous pouvez prédire assez précisément « combien de personnes mourront dans des accidents de voiture l'année prochaine dans le pays » (loi des grands nombres), vous ne pouvez absolument pas prédire « si votre voisin aura un accident de voiture demain ».

• Concentration de cygnes noirs : Une action individuelle fait face à des risques idiosyncratiques. Le départ soudain du PDG, un incendie dans l'usine, l'annulation d'une commande par un grand client… Ces événements sont mathématiquement discrets et non modélisables.

• Jeu des capitaux importants : Sur une action individuelle, si votre capital est petit, vous êtes victime de la marche aléatoire ; si votre capital est important, vous êtes la proie des autres acteurs.

3. Où se trouve le véritable taux de réussite élevé ? (Vous ne pouvez probablement pas y participer)

Bien que les gens ordinaires ne puissent pas prédire, à certaines échelles très courtes ou très spécifiques, l'évolution d'une action individuelle est prévisible :

A. Au niveau de la microstructure (millisecondes)

• Trading haute fréquence (HFT) : Ils ne prédisent pas « si ça montera demain », mais « dans les 10 prochaines millisecondes, y aura-t-il plus d'ordres d'achat ou de vente ? ».

• Logique : Si un afflux important d'ordres d'achat est détecté (déséquilibre du carnet d'ordres), la probabilité que le prix augmente dans la seconde suivante peut atteindre 80 %.

• Barrière : Vous avez besoin d'équipements valant des centaines de millions de dollars, de serveurs situés dans les salles des marchés des bourses (co-localisation) et d'algorithmes de pointe.

B. Arbitrage événementiel

• Arbitrage de fusion-acquisition : La société A annonce l'acquisition de la société B à 50 yuans, l'action B est actuellement à 48 yuans.

• Logique : Tant que l'acquisition n'échoue pas, le prix de l'action finira par monter à 50 yuans. Cela a un taux de réussite élevé.

• Risque : Si une enquête antitrust fait échouer l'acquisition, le prix de l'action peut instantanément chuter à 30 yuans.

C. Information privilégiée (illégale)

• C'est la seule méthode permettant d'obtenir « taux de réussite élevé + rendement élevé ». Par exemple, connaître les résultats financiers à l'avance. Mais cela relève du droit pénal.

4. Pour un trader ordinaire, quelles sont les méthodes « relativement à fort taux de réussite » ?

Si vous insistez pour trader des actions individuelles et souhaitez améliorer votre taux de réussite, la pensée quantitative suggère d'abandonner la prédiction de points précis et de se tourner vers les probabilités conditionnelles :

• Ne demandez pas : « L'action Moutai va-t-elle monter demain ? » (C'est comme lancer une pièce, taux de réussite de 50 %).

• Demandez : « Si l'action Moutai est déjà passée sous sa moyenne mobile à 200 jours, et que le volume a triplé, et que tout le secteur des alcools est en baisse, alors quelle est la probabilité qu'elle continue de baisser dans les 3 prochains jours ? »

C'est l'essence du quantitatif : rechercher des « biais conditionnels ». Même avec toutes ces conditions, le taux de réussite ne peut probablement passer que de 50 % à 55 % ou 60 %. C'est déjà le niveau des meilleurs experts.

Résumé

Les hausses et baisses d'une action individuelle, à court terme, sont un mouvement brownien (aléatoire) ; à long terme, elles reflètent les fondamentaux.

Les « méthodes à fort taux de réussite » n'ont généralement que deux possibilités :

1. Vous êtes le teneur de marché / un initié (vous voyez les cartes).

2. Vous utilisez une stratégie « gagner souvent de petites sommes, perdre rarement de grosses sommes » (biais du survivant : tant qu'elle n'a pas explosé, le taux de réussite semble élevé).

Pour l'investisseur individuel, l'approche la plus rationnelle n'est pas de chercher une « prédiction infaillible », mais de reconnaître que « je ne sais pas si la prochaine fois sera hausse ou baisse », et donc d'utiliser une gestion de capital (stop-loss, contrôle de la taille des positions) pour garantir que même si je me trompe, je ne me ruine pas.

---

Une chose que je peux faire pour vous : Puisque vous avez mentionné la relation entre le taux de réussite et le rapport gain/perte, de nombreux investisseurs perdent parce qu'ils ont « un taux de réussite élevé mais gagnent peu, et un taux de réussite faible mais perdent beaucoup ». Souhaitez-vous apprendre à calculer le « ratio risque/récompense » et voir comment il est possible d'être rentable même avec un taux de réussite de seulement 40 % ?

L'hypothèse d'efficience faible du marché (Weak Form EMH) a marqué le tournant de la finance, passant d'une « pseudo-science de charlatans » à une « science sérieuse ».

Pour la comprendre, il faut revenir au milieu du 20e siècle, une époque où les ordinateurs venaient tout juste de naître et où Wall Street dessinait encore des graphiques à la main.

I. Contexte historique : de la « recherche de cycles » à la « découverte du hasard »

Avant les années 1950-1960, les marchés financiers n'avaient pas de cadre théorique solide. Les points de vue dominants se divisaient en deux écoles :

1. Les chartistes : Les ancêtres de l'analyse technique actuelle. Ils pensaient que les cours des actions, comme les marées ou la météo, suivaient des « cycles » et des « vagues » fixes. Il suffisait de trouver cette régularité pour prédire l'avenir.

2. Les fondamentalistes : Ils pensaient que les cours reflétaient finalement la valeur de l'entreprise, mais manquaient d'outils d'analyse de données systématiques à l'époque.

Points de bascule clés (événements contextuels) :

1. L'« échec » et la stupéfaction de Kendall (1953) : Le statisticien britannique Maurice Kendall a tenté d'analyser le marché boursier britannique avec la puissance de calcul de l'époque, cherchant initialement à trouver des « régularités cycliques » dans les fluctuations des cours. Résultat : Il a été stupéfait de constater qu'il n'y avait absolument aucune régularité ! Les données ressemblaient à la démarche d'un ivrogne (marche aléatoire). Dans son article, il écrivit : « Les données se comportent comme un ivrogne errant, sans aucune direction. »

2. Introduction des ordinateurs dans la recherche financière (années 1960) : Avec l'arrivée des ordinateurs dans les universités, de jeunes chercheurs comme Eugene Fama ont commencé à tester les cours des actions avec d'énormes quantités de données. Ils ont découvert que, quels que soient les modèles statistiques complexes utilisés, il était impossible d'utiliser les prix passés pour prédire les prix futurs.

3. Synthèse de Fama (1970) : Eugene Fama a publié en 1970 son article fondateur « Efficient Capital Markets: A Review of Theory and Empirical Work », formalisant l'« hypothèse d'efficience du marché » et définissant l'« efficience faible » comme l'état de référence.

---

II. Quel problème visait-elle à expliquer ? (Logique centrale)

L'hypothèse d'efficience faible du marché visait principalement à expliquer et résoudre les trois phénomènes financiers déroutants suivants :

1. Expliquer « pourquoi l'analyse technique (lire les graphiques) est inefficace à long terme »

C'est la cible la plus directe de l'efficience faible.

• Problème : Puisque tout le monde connaît les figures de chandeliers, les lignes de tendance, les doubles creux, etc., pourquoi si peu de gens s'enrichissent-ils en les utilisant ?

• Explication : Parce que sur un marché où l'information circule, « l'information sur les prix historiques » est l'information la moins chère et la plus facile à obtenir.

• Si « après trois jours de baisse, le quatrième jour est forcément une hausse » était vrai, alors tout le monde achèterait à la clôture du troisième jour.

• Ce comportement d'achat ferait immédiatement monter le prix, de sorte que le profit du « quatrième jour en hausse » serait déjà capté le troisième jour.

• Conclusion : Toute régularité basée sur les prix passés, une fois découverte, devient instantanément inefficace en raison de l'arbitrage.

2. Expliquer que « le caractère aléatoire des prix ne signifie pas que le marché est chaotique »

Lorsque Kendall a découvert que les cours suivaient une « marche aléatoire », les gens ont paniqué, pensant que la bourse était un casino sans aucune rationalité. L'hypothèse d'efficience faible a fourni une explication contre-intuitive brillante :

• Problème : Pourquoi les variations de prix sont-elles aléatoires ?

• Explication : C'est précisément parce que le marché est trop intelligent (trop efficient).

• Le prix est une réaction à l'information.

• Les nouvelles futures (bonnes/mauvaises) apparaissent de manière aléatoire et sont imprévisibles.

• Parce que le marché réagit très rapidement, les informations d'hier sont déjà reflétées dans le prix d'hier, et la variation de prix d'aujourd'hui ne dépend que des nouvelles d'aujourd'hui.

• Conclusion : Le caractère aléatoire des prix reflète le caractère aléatoire des nouvelles informations, et non l'irrationalité du marché lui-même.

3. Expliquer qu'« il n'y a pas de repas gratuit »

Elle tente de briser l'illusion des investisseurs selon laquelle ils pourraient obtenir des rendements excédentaires par un simple travail assidu (comme regarder les écrans de trading toute la journée).

• Problème : Pourquoi tant de gérants de fonds professionnels ne parviennent-ils pas à battre les indices ?

• Explication : Parce que les « tendances historiques » sur lesquelles ils passent beaucoup de temps à étudier ne contiennent pas d'informations utiles pour l'avenir. Dans un marché faiblement efficient, la variation de prix du moment suivant est indépendante de celle du moment précédent (comme lancer une pièce : après 10 faces, la probabilité d'obtenir face au 11e lancer est toujours de 50 %).

---

Résumé

Contexte : Elle a été proposée dans un contexte où, après l'introduction de la puissance de calcul informatique dans l'analyse financière, les chercheurs ont découvert qu'« il était impossible de trouver des cycles dans les cours des actions ».

Problème résolu : Elle a théoriquement condamné à mort (au sens académique) la pure analyse technique. Elle a dit au monde : N'essayez pas de trouver la route du futur dans le rétroviseur. Si vous voulez battre le marché, vous devez chercher autre chose que les informations publiques (ce qui a conduit aux hypothèses d'efficience semi-forte et forte).

C'est comme la révélation d'un tour de magie : une fois que vous savez comment le tour (les régularités historiques) est réalisé, la magie (les rendements excédentaires) n'est plus étonnante et ne peut plus être utilisée pour tromper les gens.

C'est une contre-question très acérée et qui va droit au but !

Si l'hypothèse de marché faiblement efficient dit que "regarder les données historiques ne sert à rien", pourquoi les géants du quantitatif comme Renaissance et Citadel gagnent-ils autant d'argent ?

Ce n'est pas une faillite totale de l'hypothèse d'efficience des marchés, mais une réaction chimique fascinante entre la théorie et la réalité. Le quantitatif parvient à générer des rendements excédentaires pour plusieurs raisons fondamentales :

1. Ils n'utilisent plus seulement les "prix passés" (attaque en descente)

L'hypothèse de marché faiblement efficient dit qu'on ne peut pas gagner d'argent uniquement avec les prix et volumes historiques. Mais les institutions quantitatives d'aujourd'hui ont depuis longtemps dépassé ce cadre :

• Données alternatives (Alternative Data) : Ils analysent des images satellite (compter les voitures dans les parkings Walmart pour prédire les résultats), capturent le sentiment sur les réseaux sociaux (voir ce que les investisseurs particuliers discutent sur Reddit), et même traquent les trajectoires des jets privés (anticiper les fusions-acquisitions).
• Données de microstructure : Ils regardent les ordres annulés et modifiés en millisecondes dans le carnet d'ordres (Spoofing), un jeu de grignotage extrêmement micro qui dépasse largement le cadre des graphiques de prix traditionnels.

Ils ne gagnent plus l'argent des régularités de prix mentionnées dans l'hypothèse de marché faiblement efficient, mais l'argent du différentiel d'information et de la puissance de calcul.

2. Le paradoxe de Grossman-Stiglitz

C'est la réponse la plus classique de la finance à votre question, proposée par deux lauréats du prix Nobel.

• Paradoxe : Si le marché était parfaitement efficient, comme il n'y aurait aucune régularité à exploiter, tout le monde abandonnerait la recherche (acheter des indices et ne rien faire). Mais si tout le monde abandonne la recherche, il n'y a plus d'"argent intelligent" sur le marché, les prix dévient, et le marché devient extrêmement inefficient.
• Vérité : Le marché ne peut jamais atteindre une efficience parfaite. Il doit conserver un certain degré d'inefficience (Inefficiency).
• Rôle du quantitatif : Il existe sur le marché des "erreurs de prix" à court terme. Les fonds quantitatifs dépensent des centaines de millions de dollars en puissance de calcul pour les détecter. Les rendements excédentaires que gagnent les fonds quantitatifs sont le "salaire de nettoyage" que le marché leur paie. En éliminant les erreurs, ils rendent le marché efficient.

3. Régularités non linéaires faibles et très courtes (imperceptibles par l'homme)

L'hypothèse de marché faiblement efficient peut réfuter les régularités linéaires simples comme "MACD doré = hausse assurée".

Mais dans l'espace mathématique non linéaire complexe, des régularités existent encore, mais :

• Extrêmement faibles : Le taux de réussite peut n'être que de 51 %.
• Éphémères : Une erreur de prix peut n'exister que 0,1 seconde.
• Extrêmement complexes : "Quand le S&P baisse de 0,5 %, que le pétrole monte de 1 %, et que le flux d'ordres de Coca-Cola montre un biais d'achat, Pepsi a 55 % de chances de monter dans les 3 minutes suivantes."

Ce genre de régularités, les gens ordinaires (et les économistes qui ont proposé la théorie il y a un demi-siècle) ne peuvent pas les détecter. Seuls l'apprentissage profond et les algorithmes haute fréquence peuvent les capturer.

4. Certains excédents (Alpha) sont en fait des risques déguisés (Beta)

De nombreuses stratégies quantitatives semblent générer des "rendements excédentaires sûrs", mais en réalité, elles vendent une assurance cachée.

• Par exemple, certaines stratégies de tenue de marché ou d'arbitrage gagnent un peu chaque jour, mais en cas de cygne noir extrême comme la faillite de Lehman Brothers en 2008 ou le krach boursier américain de 2020, elles peuvent faire faillite en un jour.
• Vous pensez qu'il a bien prédit, mais en réalité, il a simplement supporté un risque de queue (Tail Risk) ou un risque de liquidité que d'autres ne voulaient pas supporter, et a ainsi perçu une prime de risque.

Résumé

L'hypothèse d'efficience des marchés n'est pas fausse, c'est simplement un "vide absolu en physique".

Le monde réel a des frictions et des fragments. Si les fonds quantitatifs gagnent de l'argent, c'est parce qu'ils sont équipés des microscopes les plus avancés (puissance de calcul) et des pinces les plus fines (algorithmes), et qu'ils ramassent, dans le décalage de quelques millisecondes ou jours avant que les prix ne reflètent complètement toutes les informations, les miettes de profit invisibles à l'œil nu.

Votre objection est extrêmement pertinente ! Cela montre que vous ne vous limitez plus à la surface du "achat-vente rapide", mais que vous voyez l'autre grande montagne de l'investissement quantitatif : le quantitatif long terme (quantitatif fondamental / factor investing / Smart Beta).

Par exemple, les célèbres géants du quantitatif comme AQR, DFA, et de nombreux fonds d'augmentation d'indice en Chine, ont des périodes de détention non pas en millisecondes ou en jours, mais en mois, voire en années.

Puisqu'ils ne comptent pas sur la "vitesse", quel argent gagnent-ils à long terme ? Cela nous amène à une autre explication des "rendements excédentaires" dans la finance moderne :

1. Ils gagnent la "prime de risque" (Risk Premia), pas un "déjeuner gratuit"

Voici la boucle la plus magistrale de l'histoire financière : Eugene Fama, le chercheur qui a proposé l'"hypothèse d'efficience des marchés", a lui-même proposé plus tard un modèle quantitatif — le modèle à trois facteurs de Fama-French. Ce modèle est le grand-père de nombreux fonds quantitatifs long terme.

Le quantitatif long terme pense que le marché est effectivement efficient, mais que le risque ne se limite pas à la hausse ou à la baisse du marché.

• Facteur valeur (Value) : Les fonds quantitatifs achètent à long terme des actions "bon marché / en dessous de l'actif net". Pourquoi gagnent-ils de l'argent ? Parce que ces entreprises risquent à tout moment la faillite. Le quantitatif long terme supporte le risque de faillite pour le marché, et reçoit ainsi une prime de risque à long terme.
• Facteur petite capitalisation (Size) : Acheter des actions de petites capitalisations. Parce que les petites entreprises ont une faible capacité à résister aux risques et une faible liquidité, les fonds quantitatifs les détiennent à long terme, gagnant ainsi une compensation pour la "pénurie de liquidité".

Conclusion : Les rendements excédentaires du quantitatif long terme sont, dans une large mesure, des "frais de peine" — ils supportent des risques spécifiques que les investisseurs particuliers ou les gérants de fonds communs de placement ne veulent pas supporter.

2. Ils gagnent l'argent des "biais psychologiques" que les humains ne peuvent pas surmonter à long terme (finance comportementale)

Les participants au marché sont des humains, et les faiblesses psychologiques humaines (avidité, peur, biais cognitifs) n'ont pas changé depuis des centaines d'années. Le quantitatif long terme, grâce à des machines impitoyables, récolte à long terme ces erreurs de prix structurelles causées par les émotions humaines :

• Les humains aiment "acheter des billets de loterie" : Les investisseurs particuliers adorent les actions très volatiles qui pourraient s'envoler (même si elles sont en perte). Le quantitatif long terme fait le contraire : il achète des actions stables à faible volatilité (facteur Low Volatility) et vend à découvert ces "actions loterie".
• Les humains réagissent lentement aux bonnes nouvelles : Quand une entreprise dépasse les attentes pendant plusieurs trimestres consécutifs, la plupart des gens n'osent pas croire que cela continuera, ce qui fait que le prix n'augmente pas d'un coup. Le quantitatif long terme capture cette "hausse progressive" (momentum fondamental) et profite pleinement des dividendes à long terme.

3. La "loi des grands nombres" dans une guerre de longue durée (gagner par l'étendue)

Les gérants traditionnels long terme (comme Warren Buffett) peuvent détenir 20 actions à long terme, en s'appuyant sur une compréhension quasi "divine" de ces quelques entreprises.

En revanche, le quantitatif long terme (comme l'augmentation d'indice quantitatif) fait :

• Acheter 1000 actions.
• Selon certains facteurs (par exemple, ROE élevé, valorisation faible), incliner (Tilt) légèrement les pondérations.
• Tant que ces 1000 actions dans leur ensemble peuvent surperformer le marché de 2 % par an sur 3 ans, c'est un grand succès.

C'est ce qu'on appelle l'"étendue (Breadth)" du quantitatif. Ils ne comptent pas sur la prédiction de la hausse ou de la baisse à long terme d'une seule action, mais utilisent un grand nombre d'actifs pour consolider, par la loi des grands nombres, le faible avantage statistique de chaque action individuelle.

Résumé : L'essence du quantitatif long terme

Si le quantitatif haute fréquence est un assassin dont "la vitesse est la seule chose qui compte", le quantitatif long terme ressemble plutôt à de l'"agriculture" :

Ils ne remettent pas en cause le consensus selon lequel "le marché est difficile à prédire". Ils ne prédisent pas "qui va monter demain", mais croient que : "Tant que je sème largement dans la terre, au printemps, des graines ayant certaines caractéristiques (qualité, sous-évaluation, haut dividende), même si quelques graines sont mangées par les oiseaux (cygne noir), même si certaines meurent de sécheresse, à l'automne, je récolterai globalement plus de nourriture que les mauvaises herbes (l'indice non filtré)."

C'est la logique sous-jacente qui permet au quantitatif long terme de survivre et de prospérer dans un marché faiblement efficient.