Regime Dependent Machine Learning and the Limits of Algorithmic Trading in the Dhaka Stock Exchange

Dans le monde de la finance, il existe une croyance persistante selon laquelle le prix futur d'une action peut être prédit si l'on rassemble suffisamment de données et que l'on applique les outils mathématiques appropriés. Cette idée repose sur le concept que les marchés ne sont pas entièrement aléatoires ; ils évoluent plutôt selon des modèles ou des « régimes » distincts, oscillant entre des périodes de calme, de haute volatité et de stress. Si un investisseur pouvait identifier ces changements au moment où ils se produisent, la logique veut qu'il puisse ajuster sa stratégie pour acheter lorsque le marché est calme et vendre lorsqu'il est chaotique, dépassant ainsi l'investisseur moyen. Cette approche est devenue une pierre angulaire du trading algorithmique moderne, où les ordinateurs utilisent l'apprentissage automatique complexe pour scanner de vastes quantités de données historiques, à la recherche de signaux que les traders humains pourraient manquer. La question qui anime l'essentiel de ces recherches est de savoir si ces systèmes sophistiqués peuvent réellement transformer ces signaux en profits réels et durables, particulièrement dans des marchés moins développés et plus imprévisibles que ceux de l'Occident.

Une étude récente portant sur la Bourse de Dhaka au Bangladesh a cherché à répondre à cette question avec une précision rigoureuse. Le chercheur, Md. Shakil Sikder, n'a pas simplement testé un seul modèle sur une poignée d'entreprises. Au lieu de cela, il a construit trois groupes distincts d'actions pour s'assurer que les résultats n'étaient pas le fruit du hasard. Un premier groupe consistait en douze entreprises bien connues et liquides, soigneusement sélectionnées par l'auteur. Un deuxième groupe était une sélection aléatoire de six entreprises, choisies par un ordinateur pour éliminer tout biais humain dans le processus de sélection. Un troisième groupe, beaucoup plus large, composé de vingt-quatre actions supplémentaires, a été ajouté plus tard pour tester si les conclusions restaient valables sur un éventail plus large d'industries, couvrant finalement quarante-deux titres répartis dans dix-sept secteurs différents. L'objectif était de voir si un type spécifique d'apprentissage automatique, qui conditionne ses prédictions au « régime » actuel du marché, pouvait systématiquement battre une stratégie de base simple consistant à supposer que le marché ne fera rien de plus que répéter sa moyenne récente.

L'étude a employé cinq modèles de prévision différents, allant des méthodes statistiques basiques aux systèmes d'intelligence artificielle avancés comme les réseaux de neurones. Ces modèles ont été alimentés par treize indicateurs techniques différents, tels que les mouvements de prix passés, le volume de transactions et le momentum, ainsi qu'un signal indiquant si le marché était dans un état normal, de haute volatité ou de stress. Les chercheurs ont utilisé une méthode de test stricte appelée validation « walk-forward », qui simule le trading en temps réel en entraînant le modèle sur des données passées, puis en le testant sur des données futures qu'il n'a jamais vues, garantissant ainsi qu'aucune information ne fuite du futur vers le passé. Ils ont également pris en compte les coûts spécifiques de transaction au Bangladesh, y compris les frais de courtage, les taxes et le glissement de prix (slippage) qui survient lors de l'achat ou de la vente de grandes quantités d'actions sans faire varier le prix contre soi-même.

Les résultats sont frappants et cohérents à travers les trois groupes d'actions. Aucun des modèles d'apprentissage automatique sophistiqués n'a réussi à surpasser la référence simple. En fait, le modèle le plus complexe, un algorithme d'arbre de gradient boosté connu sous le nom de LightGBM, a obtenu des performances nettement inférieures à l'approche de base sur chaque panel. Lorsque les chercheurs ont tenté d'utiliser l'information sur le régime pour guider les décisions de trading, les stratégies n'ont pas réussi à générer le moindre profit. Au contraire, les stratégies de trading ont perdu la grande majorité du capital initial. L'étude a révélé que le signal sous-jacent que les modèles tentaient d'exploiter n'existait tout simplement pas d'une manière qui puisse être transformée en argent après déduction des coûts. Même lorsque les chercheurs ont tenté de réduire le nombre de transactions pour éviter les frais, les rendements restaient négatifs, ce qui indique que le problème n'était pas seulement le coût du trading, mais l'absence d'un véritable signal prédictif.

Une conclusion particulièrement révélatrice concernait l'interprétation par les modèles informatiques des mécanismes uniques de la Bourse de Dhaka. La bourse possède un mécanisme réglementaire qui fixe un prix plancher, empêant les actions de descendre en dessous d'un certain niveau. Lors des périodes de stress extrême, ce mécanisme peut provoquer un arrêt des transactions ou maintenir les prix stables pendant de longues périodes. L'étude a découvert que les modèles d'apprentissage automatique, qui s'appuient sur la volatilité pour détecter le stress du marché, interprétaient mal ces gels de prix. Parce que le prix ne bougeait pas, les modèles calculaient une volatilité nulle et étiquetaient ces périodes dangereuses comme étant à « faible risque » ou « normales ». Cette erreur signifiait que les modèles ne parvenaient pas à protéger les investisseurs au moment même où ils en avaient le plus besoin. Les chercheurs ont testé une règle visant à exclure ces jours de gel du trading, mais cet ajustement n'a fait qu'empirer la performance, car les coûts de rééquilibrage du portefeuille l'emportaient sur tout bénéfice potentiel.

L'étude a également abordé un piège courant de la recherche financière : la différence entre ce qu'un modèle sait a posteriori et ce qu'il sait en temps réel. Les chercheurs ont constaté que la capacité de l'ordinateur à identifier les régimes de marché après avoir analysé l'intégralité de l'historique des données était très différente de sa capacité à identifier ces régimes au moment même où ils se produisent. En regardant en arrière, le modèle pouvait correctement étiqueter une journée comme stressante, mais au moment de prendre une décision, il se trompait plus de la moitié du temps. Cet écart entre la rétrospection et la prédiction en temps réel est une raison critique pour laquelle de nombreuses stratégies de backtesting échouent lorsqu'elles sont appliquées aux marchés réels. L'étude a confirmé que même avec des corrections statistiques avancées et de multiples couches de validation, les stratégies ne démontraient aucune compétence qui ne puisse être expliquée par le simple hasard.

En fin de compte, la recherche suggère que pour la Bourse de Dhaka, le marché se comporte d'une manière cohérente avec l'idée d'une efficience de forme faible. Cela signifie que les mouvements de prix passés et les volumes de transactions ne fournissent pas une feuille de route fiable pour les gains futurs, du moins pas d'une manière qui puisse être exploitée par les techniques actuelles d'apprentissage automatique. L'étude conclut que l'hypothèse selon laquelle l'apprentissage automatique sensible aux régimes peut être facilement transféré aux marchés frontières dotés de caractéristiques réglementaires uniques est erronée. L'interaction spécifique entre la détection basée sur la volatilité et le mécanisme de prix plancher crée un angle mort que les algorithmes ne peuvent pas facilement surmonter. Les conclusions servent de mise en garde pour les praticiens et les chercheurs, démontrant que dans des marchés à faible liquidité et soumis à des contraintes réglementaires spécifiques, les outils les plus sophistiqués peuvent toujours être incapables de trouver un avantage là où il n'existe pas. Les preuves indiquent que la seule stratégie fiable, statistiquement parlant, reste la stratégie passive de détention d'actions sur le long terme, plutôt que de tenter de prévoir le marché avec des algorithmes complexes.