Trading à haute fréquence : quelles performances et quels risques pour les marchés financiers ?

L’expression désigne les pas­sages d’ordres d’a­chat et de vente sur les mar­chés finan­ciers sur une fenêtre de temps extrê­me­ment courte, de l’ordre de la nano­se­conde, géné­ra­le­ment en réac­tion à des évè­ne­ments. Par exemple, lorsque la Fed [Réserve fédé­rale des États-Unis, ndlr] décide de bais­ser ses taux d’in­té­rêt, les opé­ra­teurs de tra­ding à haute fré­quence vont pla­cer des ordres une nano­se­conde après que l’an­nonce macroé­co­no­mique soit faite. 

Évi­dem­ment, les humains ne peuvent réagir à cette échelle de temps. Le tra­ding à haute fré­quence se carac­té­rise par deux phé­no­mènes. Il s’a­git d’abord d’un tra­ding auto­ma­ti­sé : il néces­site l’u­ti­li­sa­tion d’al­go­rithmes et d’or­di­na­teurs pour pas­ser des ordres. Ensuite, il doit réagir extrê­me­ment rapi­de­ment aux évé­ne­ments du mar­ché, qu’il s’agisse d’annonces macroé­co­no­miques ou de chan­ge­ments au sein du mar­ché comme des mou­ve­ments de prix.

Si je prends le cas de la Bourse de Paris, nous avons eu long­temps cette image d’o­pé­ra­teurs criant leurs ordres autour de la cor­beille. Ce n’est plus le cas depuis 1986, lorsque cette cor­beille a été rem­pla­cée par une mémoire vive d’or­di­na­teur. Depuis, les tra­ders réa­lisent leurs tran­sac­tions un peu par­tout dans le monde via des ter­mi­naux en ligne. Ce mou­ve­ment d’automatisation a com­men­cé à la fin des années 1960 et a pris fin pour les mar­chés actions au début des années 90. Cette auto­ma­ti­sa­tion a conduit à ce qu’on appelle le tra­ding algo­rith­mique, puis, depuis une ving­taine d’an­nées, au tra­ding à haute fréquence. 

Sur les mar­chés des actions, on estime qu’il y a à peu près deux tiers des tran­sac­tions qui sont réa­li­sées par ces tra­ders à haute fré­quence. Cela peut paraître éle­vé, mais ce n’est pas si éton­nant. C’est un peu comme les super­mar­chés : si ces der­niers repré­sentent une grande par­tie des tran­sac­tions liées à la consom­ma­tion en France, ils ne sont que des inter­mé­diaires. Les tra­ders à haute fré­quence ne sont pas les déten­teurs finaux de titres, mais des don­neurs d’ordre. Ils ne détiennent les titres que très peu de temps en général.

Il est vrai qu’elle a beau­coup évo­lué. Les tra­ders que l’on voit sou­vent dans les films, der­rière leur ordi­na­teur ou au télé­phone pour don­ner leurs ordres, ont géné­ra­le­ment été rem­pla­cés par des ordi­na­teurs et des algo­rithmes. Aujourd’hui, ce sont en majo­ri­té des infor­ma­ti­ciens qui réa­lisent le déve­lop­pe­ment des algo­rithmes de tra­ding. Ils sont recru­tés par des socié­tés spé­cia­li­sées, notam­ment dans le tra­ding haute fré­quence. Ces pro­fils peuvent don­ner un avan­tage concur­ren­tiel cer­tain, car ils ont une exper­tise dans l’é­cri­ture de codes spé­ci­fiques au tra­ding et ont déve­lop­pé une exper­tise pour opti­mi­ser la vitesse d’ac­cès au marché.

Si le tra­ding à haute fré­quence néces­site un algo­rithme embar­quant les bonnes stra­té­gies, elles sont, c’est vrai, bien connues des mar­chés. Il n’y a que l’échelle de temps pour les mettre en pra­tique qui est beau­coup plus courte. Opti­mi­ser cette vitesse d’ac­cès au mar­ché est donc cru­cial parce que ce temps de réac­tion est pri­mor­dial : l’opérateur qui a un temps de réac­tion plus court détient un avan­tage concur­ren­tiel indé­niable. Ces com­pé­tences tech­niques sont très par­ti­cu­lières et concernent géné­ra­le­ment des per­sonnes qui ont une for­ma­tion en com­pu­ter science par exemple.

S’il y a bien un domaine de l’é­co­no­mie où l’on peut par­ler de big data, ce sont les mar­chés finan­ciers. Ils génèrent chaque jour énor­mé­ment de don­nées sous forme digi­tale. Chaque tran­sac­tion, chaque sou­mis­sion d’ordre est une nou­velle don­née. Il est donc néces­saire pour le tra­ding à haute fré­quence de sous­crire à des flux de don­nées qui sont ven­dus par les bourses. Cela demande une exper­tise tech­nique très pous­sée et ce sont des inves­tis­se­ments tech­no­lo­giques qui sont à la fois coû­teux en capi­tal humain, mais éga­le­ment en ordinateurs.

Il est évident que des inves­tis­seurs comme vous et moi n’ont pas le capi­tal suf­fi­sant pour pro­fi­ter des oppor­tu­ni­tés offertes par ce tra­ding ultra-rapide. Le prin­cipe des inves­tis­se­ments à haute fré­quence, c’est d’obtenir des pro­fits modestes à chaque tran­sac­tion. Ce sont de tout petits pro­fits, mais comme ces tran­sac­tions sont répé­tées un très grand nombre de fois, on arrive très vite à des pro­fits consé­quents. Si l’in­ves­tis­se­ment est impor­tant, la prise de risques est mini­male, car les stra­té­gies sont connues et le temps de réac­tion est opti­mi­sé pour pro­fi­ter au mieux des oppor­tu­ni­tés. La par­tie impré­vi­sible est rela­ti­ve­ment faible. Les firmes de tra­ding haute fré­quence se sont donc lar­ge­ment déve­lop­pées ces dix der­nières années. Désor­mais, les pro­fits réa­li­sables sont beau­coup plus faibles.

Il y a plu­sieurs cas célèbres d’ins­ta­bi­li­té pro­vo­quée à la fois par les algo­rithmes et au détri­ment des algo­rithmes, notam­ment le flash crash de 2010 aux États-Unis. L’effondrement bour­sier a duré un peu plus de 30 minutes et n’est pas dû direc­te­ment au tra­ding à haute fré­quence, mais il a ame­né ces opé­ra­teurs à arrê­ter leurs algo­rithmes, ce qui a pro­ba­ble­ment ampli­fié le krach. Et puis, comme tou­jours avec les algo­rithmes, il peut y avoir des défauts de concep­tion, des bugs qui n’ont pas été anti­ci­pés. Cela a été le cas en 2012 pour Knight Capi­tal, une grande firme de tra­ding amé­ri­caine, un des quatre grands opé­ra­teurs de tra­ding à haute fré­quence. Un jour, un de leurs algo­rithmes a eu un bug : Knight Capi­tal a enre­gis­tré rapi­de­ment une perte de 440 mil­lions de dol­lars et a frô­lé la faillite.

Un sujet demeure encore trop dis­cret, c’est le risque d’une intru­sion d’une pla­te­forme ou d’un opé­ra­teur algo­rith­mique. Un pira­tage mal inten­tion­né, par exemple ter­ro­riste, pour­rait très for­te­ment désta­bi­li­ser le marché. 

On peut s’at­tendre à ce que l’in­dus­trie du tra­ding uti­lise ces outils un jour ou l’autre. Un début de réflexion a d’ailleurs été mené dans un autre domaine que l’in­dus­trie finan­cière, celui de la vente en ligne. Les régu­la­teurs, notam­ment en Angle­terre et aux États-Unis, ont démon­tré qu’il y avait une col­lu­sion entre algo­rithmes. Pre­nons les algo­rithmes de pri­cing d’A­ma­zon par exemple : ils sont fon­dés sur une intel­li­gence arti­fi­cielle basée sur le lear­ning first, un pro­ces­sus d’au­to-appren­tis­sage pour reta­ri­fer les pro­duits. Mais ils ne se contentent pas de mon­ter ou de bais­ser les prix selon le contexte, ils trouvent des moyens de pra­ti­quer des tarifs non concur­ren­tiels. S’ils ne sont pas codés pour cela, ils découvrent des moyens de faire des pro­fits en créant des col­lu­sions implicites. 

Opti­mi­ser la vitesse d’ac­cès au mar­ché est cru­cial car le temps de réac­tion est primordial.

Cette ques­tion ne s’est pas encore posée pour les mar­chés finan­ciers, mais elle le sera bien­tôt, parce qu’elle relève de la même pro­blé­ma­tique. Dès 2017, Bla­ckRock, l’un des plus impor­tants ges­tion­naires d’ac­tifs finan­ciers amé­ri­cains, a com­men­cé à uti­li­ser des tech­niques d’in­tel­li­gence arti­fi­cielle pour pré­voir les ren­ta­bi­li­tés et effec­tuer ses allo­ca­tions de por­te­feuille. La firme s’appuie éga­le­ment sur le big data dans le cadre des stra­té­gies d’in­ves­tis­se­ment quan­ti­ta­tives et tra­di­tion­nelles. Quant à la banque d’in­ves­tis­se­ment JP Mor­gan, elle a déjà annon­cé le déve­lop­pe­ment d’un outil pré­vi­sion­nel basé sur l’in­tel­li­gence arti­fi­cielle afin d’an­ti­ci­per les déci­sions des banques centrales.

Props recuellis par Jean Zeid

Cet article fait par­tie de la série « IA & Busi­ness », en par­te­na­riat avec HEC Sto­ries. Décou­vrez le deuxième épi­sode « Capi­tal risque : une course à l’IA se pro­file ? » en cli­quant ici.