CalculatriceCliquez pour ouvrir
L’hypothèse d’efficacité du marché (EMH) postule que les marchés financiers sont « efficaces sur le plan informationnel » dans le sens où les prix des actifs négociés reflètent toutes les informations connues à un moment donné. Mais si cela est vrai, pourquoi les prix changent-ils chaque jour alors qu’il n’existe aucune nouvelle information fondamentale ? La réponse tient à un aspect souvent oublié par les traders individuels : la liquidité.
La plupart des grandes transactions institutionnelles qui ont lieu tout au long de la journée n’ont rien à voir avec l’information mais plutôt avec la liquidité. Les investisseurs qui se sentent indûment exposés couvriront ou liquideront de manière agressive leurs positions, ce qui finira par affecter les prix. Ces demandeurs de liquidité sont souvent prêts à payer un prix pour sortir de leurs positions, ce qui peut être rentable pour les fournisseurs de liquidité. Cette capacité à tirer profit de l’information peut sembler contredire l’hypothèse des marchés efficients, mais elle constitue la base de l’arbitrage statistique.
L’arbitrage statistique vise à tirer parti de la relation fondamentale entre prix et liquidité en profitant de la mauvaise évaluation d’un ou plusieurs actifs en fonction de la valeur attendue de l’actif générée à partir d’un modèle statistique.
Leçon principale
- L’arbitrage statistique est une stratégie d’investissement qui cherche à tirer profit de la réduction de l’écart entre les prix de négociation de deux titres ou plus.
- Stat arb comprend un certain nombre de stratégies différentes, mais toutes sont basées sur des régularités statistiques ou des corrélations entre différents actifs d’un marché qui tendent vers l’efficacité.
- Malgré le mot « arbitrage » dans son nom, l’arbitrage statistique peut être très risqué et entraîner des pertes énormes et systémiques, comme l’effondrement épique du fonds spéculatif Long Term Capital Management (LTCM).
Qu’est-ce que l’arbitrage statistique ?
L’arbitrage statistique, ou « stat arb », est né dans les années 1980 de la nécessité de couvrir le risque créé par les opérations du pupitre de négociation de blocs d’actions de Morgan Stanley. Morgan Stanley a pu éviter les pénalités de prix associées aux achats en gros volume en achetant des actions plutôt que des actions étroitement corrélées pour se couvrir contre ses positions importantes.
Par exemple, si le bureau de négociation achète un bloc important d’actions Coca-Cola, il vendra à découvert une action étroitement corrélée comme PepsiCo pour se protéger contre tout ralentissement majeur du marché à court terme. Cela a effectivement éliminé une partie du risque de marché alors que la société cherchait à placer les actions qu’elle avait achetées dans le cadre d’une transaction en bloc.
Les traders ont rapidement commencé à considérer ces « paires » non pas comme un bloc isolé pour l’exécution et la couverture, mais comme les deux faces d’une même stratégie de trading où des bénéfices pouvaient être générés plutôt que comme de simples outils de couverture. Ces transactions sur paires ont finalement évolué vers un certain nombre de stratégies plus complexes visant à tirer parti des différences statistiques dans les prix des titres dues à la liquidité, à la volatilité, au risque ou à d’autres facteurs fondamentaux ou techniques. Nous classons maintenant collectivement ces stratégies comme arbitrage statistique.
Types d’arbitres statistiques
Il existe de nombreux types de spreads statistiques créés pour tirer parti de nombreux types d’opportunités différents. Même si certaines catégories ont été progressivement supprimées par un marché toujours plus efficace, un certain nombre d’autres opportunités sont apparues pour les remplacer. Ce ne sont là que quelques-unes des principales stratégies d’arbitrage statistique.
Arbitrage des risques
L’arbitrage des risques est une forme d’arbitrage statistique qui cherche à tirer profit des situations de fusion. Les investisseurs achètent le titre cible et (s’il s’agit d’une transaction boursière) vendent simultanément le titre de l’acheteur. Le résultat est le profit de la différence entre le prix d’achat et le prix du marché.
Contrairement à l’arbitrage statistique traditionnel, l’arbitrage des risques implique d’accepter un certain risque. Le plus grand risque est que la fusion échoue et que les actions de la société cible chutent aux niveaux d’avant la fusion. Un autre risque concerne la valeur temporelle de l’argent investi. Les fusions qui prennent du temps peuvent réduire les bénéfices annuels des investisseurs.
La clé du succès en matière d’arbitrage de risque est de déterminer la probabilité et l’opportunité de la fusion et de la comparer à la différence de prix entre l’action cible et l’offre d’acquisition. Certains arbitragistes du risque ont également commencé à spéculer sur des objectifs de rachat, ce qui pourrait conduire à des bénéfices nettement plus importants avec un risque tout aussi élevé.
Arbitrage de volatilité
L’arbitrage de volatilité est un type populaire d’arbitrage statistique qui vise à capitaliser sur la différence entre la volatilité implicite d’une option et la prévision de la volatilité future réalisée dans un portefeuille delta neutre. Essentiellement, les arbitragistes de la volatilité spéculent sur la volatilité du titre sous-jacent au lieu de faire des paris directionnels sur le prix du titre.
La clé de cette stratégie est de prévoir avec précision la volatilité future, qui peut être anormale pour diverses raisons, notamment :
- Dépôts ou problèmes de brevet
- Résultats des essais cliniques
- Le revenu est incertain
- Spéculation sur les fusions et acquisitions
Une fois qu’un arbitragiste de la volatilité a estimé la volatilité réalisée future, il peut commencer à rechercher des options où la volatilité implicite est nettement inférieure ou supérieure à la volatilité réalisée prévue pour le titre sous-jacent. Si la volatilité implicite est plus faible, un trader peut acheter des options et couvrir le risque avec l’action sous-jacente pour créer un portefeuille neutre en delta. De même, si la volatilité implicite est plus élevée, un trader peut vendre des options et se couvrir avec le titre sous-jacent pour créer un portefeuille neutre en delta.
Le trader réalisera alors un profit sur la transaction lorsque la volatilité réelle du titre sous-jacent se rapprochera de sa prévision plutôt que de la prévision du marché (ou de la volatilité implicite). Les bénéfices sont obtenus grâce à la négociation grâce à une re-couverture continue nécessaire pour maintenir la neutralité du portefeuille.
Réseau neuronal
Les réseaux de neurones deviennent de plus en plus populaires dans le domaine de l’arbitrage statistique en raison de leur capacité à trouver des relations mathématiques complexes apparemment invisibles à l’œil humain. Ces réseaux sont des modèles mathématiques ou informatiques basés sur des réseaux de neurones biologiques. Ils consistent en un groupe de neurones artificiels interconnectés qui traitent les informations en utilisant une approche connexionniste du calcul, ce qui signifie qu’ils modifient leur structure en fonction des informations externes ou internes transitant par le réseau pendant la phase d’apprentissage.
Essentiellement, les réseaux de neurones sont des modèles de données statistiques non linéaires utilisés pour modéliser des relations complexes entre les entrées et les sorties afin de trouver des modèles dans les données. De toute évidence, n’importe quel modèle de mouvement des cours boursiers peut être exploité à des fins lucratives.
Trading à haute fréquence
Le trading à haute fréquence (HFT) est un développement relativement nouveau qui tire parti de la capacité des ordinateurs à exécuter rapidement des transactions. Les dépenses dans le secteur commercial ont considérablement augmenté au fil des années et, par conséquent, il existe de nombreux programmes capables d’effectuer des milliers de transactions par seconde. Actuellement, la plupart des opportunités d’arbitrage statistique sont limitées en raison de la concurrence, la capacité d’exécuter des transactions rapidement est le seul moyen d’augmenter les profits.
Des réseaux neuronaux et des modèles statistiques de plus en plus sophistiqués, combinés à des ordinateurs capables de traiter des chiffres et d’exécuter des transactions plus rapidement, sont la clé des profits futurs des arbitragistes.
Comment l’arbitrage statistique affecte le marché
L’arbitrage statistique a joué un rôle important en fournissant une grande partie de la liquidité quotidienne du marché. Initialement, il aidait les traders de gros blocs à exécuter des transactions sans affecter de manière significative les prix du marché, tout en réduisant la volatilité d’émissions telles que les certificats américains d’actions étrangères (ADR) en les corrélant plus étroitement avec l’action mère.
En effet, les stratégies d’arbitrage étatique, à mesure qu’elles sont de plus en plus utilisées et automatisées, tendent à pousser le marché vers une plus grande efficacité. Lorsque des opportunités d’arbitrage se présentent entre actifs, elles sont rapidement éliminées grâce à l’utilisation de ces stratégies. En conséquence, l’arbitrage statistique peut conduire à un marché plus liquide et plus stable.
De plus, ces transactions étant automatisées, des mesures de sécurité sont intégrées. Dans le cas de LTCM, cela signifie qu’il sera liquidé lorsque le prix baissera ; Le problème est que les liquidations de LTCM ne font que déclencher davantage d’ordres de vente dans une terrible boucle qui finira par se terminer par l’intervention du gouvernement.
N’oubliez pas que la plupart des krachs boursiers proviennent de problèmes de liquidité et d’effet de levier – les domaines mêmes dans lesquels opèrent les arbitragistes statistiques. Les algorithmes d’arbitrage statistique ont également été en partie accusés d’être à l’origine du « krach éclair » que les marchés ont commencé à connaître dans les années 2010. Un krach éclair est un événement sur un marché boursier électronique au cours duquel une vente rapide d’un titre entraîne une boucle de rétroaction négative qui peut faire chuter les prix en quelques minutes.
Quels sont les risques de divergences statistiques ?
Les stratégies d’arbitrage statistique reposent sur l’hypothèse que les prix reviendront aux niveaux historiques de corrélation à long terme, un phénomène connu sous le nom de retour à la moyenne. Cependant, en cas de changements importants sur le marché, les actions historiquement corrélées peuvent changer de direction à long terme, réduisant ainsi l’efficacité de ces stratégies. Cette divergence peut mettre en faillite un trader qui utilise un effet de levier important pour négocier.
Comment utiliser l’arbitrage statistique en trading ?
Dans sa forme de base, l’arbitrage statistique commence par l’identification de paires d’actifs présentant une forte corrélation historique. Ensuite, si l’actif déraille, le trader achète l’actif sous-évalué et vend à découvert l’actif surévalué, sachant que ses prix finiront par revenir à l’équilibre.
Pourquoi LTCM a-t-il échoué ?
Long Term Capital Management (LTCM) est un fonds spéculatif dont l’échec en 1998 est devenu une mise en garde contre le trading algorithmique. La stratégie du fonds repose sur l’arbitrage d’obligations étroitement corrélées. Lorsque les prix des obligations divergent, LTCM parie que les prix des obligations finiront par évoluer dans des directions opposées. Cependant, la société détient une position importante dans les obligations d’État russes et ses modèles informatiques continuent de recommander de conserver ces obligations même si le gouvernement russe est confronté à des difficultés financières. Lorsque la Russie a fait défaut, LTCM a fait faillite.
Conclusion
Aujourd’hui, la plupart des arbitrages statistiques sont effectués via le trading à haute fréquence utilisant une combinaison de réseaux neuronaux et de modèles statistiques. Si ces stratégies ont apporté des liquidités au marché, elles ont également été la principale cause de certains krachs majeurs. Mais tant que la liquidité et l’effet de levier seront suffisants, cette stratégie restera pertinente sur le marché.
