Conférences, congrès, colloques, tribunes


Amélioration de la gestion de porte-feuilles par débruitage de données financières

 

Résumé

PEUT-ON AMELIORER LES METHODES DE GESTION QUANTITATIVES PAR UN DEBRUITAGE DES COURS ?

• L’étude statistique du bruit permet d’améliorer la compréhension de ce phénomène et de constituer des « process » qui filtrent, suffisamment bien, pour améliorer le repérage des signaux de changement de tendance dans les marchés d’actions. L’étude avant et après débruitage des distributions de cours, de leurs moments fait apparaître des différences très importantes entre un marché haussier liquide, un marché baissier ayant liquidité décroissante et une crise anormale avec des problèmes d’illiquidité. De plus, les indicateurs d’auto corrélation montrent que les relevés à haute fréquence des cours comportent beaucoup plus d’auto-corrélation que les relevés hebdomadaires.


• Les retours à la moyenne mobile à périodicité fixe tels que les mouvements saisonniers, les mouvements intra day et les corrections d’un tick sur le suivant sont-ils à considérer comme faisant partie du bruit ou nécessitent-t-ils un traitement préalable ? Il y a des conséquences sur les gestions quantitatives. Il faut des « back tests » pour en décider dans l’établissement d’un « process ».


• Le débruitage affecte la variance et la covariance fortement ; la kurtosis est moins affectée que la variance ; la skewness est, bien sûr, peu affectée. Qui fait ces calculs de moments après débruitage? Très peu de « quants » le font : même question pour le CAPM. Cela évoluera quand le bruit sera mieux compris ; mais, dès qu’une méthode est très utilisée, elle perd sa valeur ajoutée ; la frontière efficiente instable est peu utilisable pour la sélection d’actions.


• Comment opérer le débruitage ? C’est le filtre à particule qui est la meilleure solution pour les relevés à haute fréquence. C’est ce qui apparait dans le mémoire ENSAE de Filippi et Pochon. Le mémoire de Kai Yao a montré que pour des relevés basse fréquence, le filtre simple de Kalman était meilleur que les autres filtres de Kalman. Les systèmes de « trading » basés sur le bruit qui ont été utilisés, fonctionnent bien ; néanmoins, ils n’améliorent pas la skewness de façon significative comme on aurait pu le penser (si l’on raisonne en termes de décorrélation et de diversification).