Lire une étude académique sur une stratégie de trading

Qu’est-ce que lire une étude académique sur une stratégie de trading ?

Lire une étude académique sur une stratégie de trading, c’est vérifier, avant d’en retenir le résultat, cinq choses que le résumé ne dit pas toujours : le statut du texte (article relu par des pairs et publié dans une revue, ou document de travail diffusé avant publication, et dans quelle version), l’échantillon (marché, période, univers de titres, fréquence), les coûts de transaction retenus, la force statistique du résultat au regard du nombre de tests effectués, et ce qu’en ont fait les études suivantes, réplications comprises. Un chiffre tiré d’une étude n’est jamais qu’une mesure, faite dans des conditions précises, sur des données passées.

La lecture est utile parce que la recherche en finance a testé à peu près toutes les idées qui circulent chez les traders, du croisement de moyennes mobiles à la saisonnalité, avec des données et des méthodes qu’un particulier réunit rarement. Elle est délicate parce que la même recherche a montré ses propres faiblesses : la fouille des données, la sélection des résultats publiés, l’érosion des anomalies une fois connues. Les sections qui suivent donnent les repères pour lire ces textes sans leur prêter plus qu’ils ne disent, ni moins.

La lecture d’une étude académique en résumé

Cinq études publiées dans The Journal of Finance et The Review of Financial Studies suffisent à fixer les ordres de grandeur. Les repères :

• Revue à comité de lecture : article relu par des rapporteurs anonymes avant publication ; dates de réception et d’acceptation souvent indiquées
• Document de travail : version diffusée avant ou sans publication (SSRN, NBER) ; ses chiffres peuvent changer d’une version à l’autre
• Seuil statistique : statistique t supérieure à 3,0 pour un nouveau facteur, au lieu de 2,0 (Harvey, Liu et Zhu, 2016)
• Après publication : rendement inférieur de 26 % hors échantillon et de 58 % après publication, sur 97 prédicteurs (McLean et Pontiff, 2016)
• Réplication : 65 % des 452 anomalies non significatives (Hou, Xue et Zhang, 2020) ; taux de réplication de 82,4 % dans l’étude mondiale de Jensen, Kelly et Pedersen (2023)
• Coûts : les portefeuilles équipondérés, fréquents dans la recherche, coûtent deux à trois fois plus cher à trader (Novy-Marx et Velikov, 2016)

Comment reconnaître le statut d’une étude académique ?

Par son support et ses dates. Un article publié dans une revue à comité de lecture a été soumis à un éditeur et à des rapporteurs anonymes, qui ont pu exiger des corrections, et certaines revues indiquent ses dates de réception et d’acceptation. L’article de Campbell Harvey, Yan Liu et Heqing Zhu dans la Review of Financial Studies porte ainsi la mention « reçu le 22 octobre 2014, accepté le 15 juin 2015 ». Un document de travail, déposé sur SSRN ou publié dans la série du NBER, n’a pas encore subi cette relecture, ou ne la subira jamais ; il peut être excellent, mais il n’est pas passé par ce filtre.

La version compte autant que le support. L’étude de Kewei Hou, Chen Xue et Lu Zhang sur la réplication des anomalies en donne un exemple parlant. Dans sa version de travail diffusée par le NBER en mai 2017, elle porte sur 447 variables, dont 286, soit 64 %, ne sont pas significatives au seuil de 5 %, et 85 % avec un seuil t de 3. Dans sa version publiée par la Review of Financial Studies en 2020, après relecture, elle porte sur 452 anomalies, dont 65 % échouent, et 82 % avec un seuil multiple de 2,78. Les conclusions vont dans le même sens, les chiffres diffèrent : citer une étude, c’est citer une version.

Le statut ne dit pas tout. Une revue prestigieuse n’immunise pas contre l’erreur, et le biais d’autorité pousse à prendre pour acquis ce qui porte un grand nom. Les liens des auteurs méritent aussi un regard : deux des trois auteurs de l’étude de 2023 sur la réplication, Bryan Kelly et Lasse Heje Pedersen, travaillent chez AQR Capital Management, une société de gestion qui, précise l’article, peut appliquer des techniques semblables à celles qu’il décrit, et The Journal of Finance publie à ce titre une déclaration de conflit d’intérêts. Ce n’est pas une raison d’écarter l’étude ; c’est une information pour la lire.

Que vérifier dans l’échantillon d’une étude sur une stratégie de trading ?

Le marché, la période, l’univers et la manière de pondérer. Une stratégie testée sur les actions américaines de 1963 à 2013 ne dit rien, en soi, du future CAC 40 en 2026 ; une règle validée sur le Dow Jones de 1897 à 1986 peut, comme l’ont montré Ryan Sullivan, Allan Timmermann et Halbert White en 1999, ne plus guère faire ses preuves sur la décennie suivante. La période de l’étude se lit comme celle d’un backtest : couvre-t-elle des marchés haussiers et baissiers, des taux hauts et bas, ou une seule phase ?

L’univers de titres et la pondération pèsent davantage qu’on ne le croit. Robert Novy-Marx et Mihail Velikov observent que les anomalies sont souvent plus fortes sur les petites capitalisations, qui sont aussi nettement plus chères à trader. Hou, Xue et Zhang limitent ce biais en réduisant le poids des microcapitalisations, par des seuils calculés sur les seules actions de la Bourse de New York, et en pondérant les portefeuilles par la capitalisation ; c’est dans ces conditions que 65 % des anomalies cessent d’être significatives, et 96 % de celles de la catégorie des frictions de marché. Les mêmes Novy-Marx et Velikov rappellent que les portefeuilles équipondérés, populaires dans la recherche parce qu’ils donnent souvent de meilleurs résultats bruts, coûtent deux à trois fois plus cher à trader : un résultat équipondéré sans coûts est à lire avec méfiance.

Il faut enfin savoir ce qui est mesuré. Une étude sur la « coupe transversale » des rendements compare des centaines d’actions entre elles et mesure le rendement d’un portefeuille acheteur des unes et vendeur des autres, rééquilibré chaque mois, avant frais le plus souvent. Un trader qui achète et vend un seul future dans la journée ne pratique pas la même stratégie, même si l’idée porte le même nom. Le biais du survivant se cache aussi dans les données : une base qui ne contient que les titres encore cotés aujourd’hui embellit tout ce qu’on y teste.

Comment lire les résultats statistiques d’une étude ?

En commençant par la statistique t et en se demandant combien de tests ont précédé celui-ci. La statistique t mesure combien de fois l’effet mesuré dépasse son incertitude ; l’usage a longtemps retenu un seuil de 2, qui correspond à environ 5 % de chances d’observer un tel résultat par hasard. Campbell Harvey, Yan Liu et Heqing Zhu, qui ont recensé 316 facteurs de rendement testés depuis les premiers travaux empiriques de 1967, soutiennent qu’avec tant d’essais le seuil de 2 ne suffit plus : un nouveau facteur doit dépasser 3,0, soit une p-valeur de 0,27 %, et sans doute davantage, puisque les essais qui n’ont jamais été publiés ne sont pas comptés. Ils concluent que la plupart des découvertes annoncées en économie financière sont probablement fausses.

Ce raisonnement est celui de la négligence du taux de base appliquée à la recherche : si la plupart des idées testées sont fausses, une bonne partie des résultats « significatifs » le seront aussi. Les mêmes auteurs rappellent qu’en physique des particules, la découverte du boson de Higgs a été annoncée avec une statistique t supérieure à 5. Ils admettent qu’un facteur fondé sur un raisonnement économique peut se contenter d’un seuil plus bas qu’un facteur découvert en fouillant les données ; une étude qui explique pourquoi l’effet existe mérite donc plus de crédit qu’une étude qui le constate seulement.

Une stratégie publiée continue-t-elle de fonctionner ?

En moyenne, oui, mais nettement moins bien. R. David McLean et Jeffrey Pontiff ont repris dans The Journal of Finance, en février 2016, 97 variables dont des études publiées avaient montré qu’elles prédisaient les rendements des actions, et comparé trois périodes : celle de l’étude d’origine, celle qui sépare la fin de son échantillon de sa publication, et celle qui suit la publication, jusqu’en 2013. Le rendement mensuel moyen des portefeuilles passe de 0,582 % dans l’échantillon d’origine à 0,402 % hors échantillon avant publication, puis à 0,264 % après publication. Les auteurs ne s’en tiennent pas à ces moyennes brutes : en mesurant la baisse prédicteur par prédicteur, ils estiment que le rendement du prédicteur moyen est inférieur de 26 % hors échantillon et de 58 % après publication.

Les auteurs lisent la première baisse comme une borne haute de l’effet de la fouille des données : ce qui disparaît dès qu’on sort de l’échantillon était peut-être un hasard. La différence entre les deux, 32 %, serait due aux investisseurs qui ont lu les études et exploité l’anomalie jusqu’à la réduire. Les baisses sont plus fortes pour les prédicteurs qui affichaient les meilleurs résultats d’origine, et les rendements restent plus élevés dans les portefeuilles concentrés sur des actions au risque spécifique élevé et peu liquides. En moyenne, 56 mois séparaient la fin de l’échantillon d’une étude de sa publication : quand une anomalie est publiée, elle a déjà vieilli de près de cinq ans.

Comment transposer une étude académique à son propre trading ?

En la traitant comme une hypothèse à tester, pas comme une stratégie prête à l’emploi. La lecture commence par le résumé, mais la décision se prend dans la section des données et dans les tableaux : quel marché, quelle période, quelle fréquence, quels coûts, quelle statistique t, combien de variantes testées, quelle robustesse sur les sous-périodes. Une étude qui ne mentionne ni les frais ni le glissement mesure un résultat brut ; une étude qui choisit après coup la meilleure de ses variantes mesure un maximum.

Ce que j’en disais sur le forum

« Il y a rarement des vidéos de niveau universitaire mais c’est toujours grand public pour que le maximum de gens comprennent en n’ayant pas fait d’études dans le domaine. Par contre je lis mais que des recherches universitaires ou des revues publiées par les universités. »

Benoist Rousseau sur le forum, le 10 février 2021, dans une discussion sur l’affaire GameStop et les vidéos qui l’expliquaient

La transposition se fait ensuite sur vos données et à vos coûts. Les règles de l’étude sont réécrites pour votre marché et votre unité de temps, testées d’abord sur la période de l’étude pour vérifier que vous retrouvez à peu près ses chiffres, puis sur la période postérieure, que les auteurs n’ont pas vue. Si les deux premiers pas échouent, l’erreur est peut-être de votre côté ; si seul le dernier échoue, l’anomalie a peut-être vécu. Dans les deux cas, l’étude a rendu le service qu’on peut attendre d’elle : une idée sérieuse, un ordre de grandeur, et une liste précise de ce qu’il faut vérifier.

Quelles sont les limites de la recherche académique sur les stratégies de trading ?

La première limite de la recherche académique sur les stratégies de trading est qu’elle se dispute elle-même sur sa fiabilité. Face à Hou, Xue et Zhang, pour qui la plupart des anomalies ne résistent pas aux standards actuels et les marchés sont plus efficients qu’on ne le pensait, Theis Ingerslev Jensen, Bryan Kelly et Lasse Heje Pedersen soutiennent dans The Journal of Finance en 2023 que la majorité des facteurs se reproduisent : sur 153 facteurs et 93 pays, avec un modèle bayésien qui tient compte des tests multiples, leur taux de réplication atteint 82,4 %, et une baisse après publication est selon eux ce qu’on doit attendre d’un effet réel mais d’abord surestimé. Les deux camps travaillent avec des données et des méthodes différentes ; ni l’un ni l’autre ne dit si une stratégie précise fonctionnera sur votre compte.

La deuxième tient à l’objet. Les études citées ici mesurent des portefeuilles diversifiés d’actions, rééquilibrés au mois ; leurs conclusions ne se transposent pas d’elles-mêmes aux stratégies intrajournalières sur un seul contrat. La troisième est inévitable : une étude publiée décrit un passé déjà vieux de plusieurs années, et la théorie de l’efficience des marchés prévoit précisément qu’un avantage connu de tous s’érode.

Questions fréquentes sur la lecture d’une étude académique