Comment Mon Algorithme de Trading d’Apprentissage Automatique a Surpassé le SP500 Pendant 10 Ans

Vous pouvez lire l’article original sur mon blog.

Quant autrichien

Le Quant Autrichien porte le nom de l’École autrichienne d’économie qui m’a inspiré la façon dont j’ai structuré le portefeuille. J’ai conçu une stratégie de trading composée de 3 fonds d’investissement différents pour mieux comprendre les investissements, l’apprentissage automatique et la programmation et comment ils se combinent tous dans le monde de la finance et de la technologie.

Les 3 fonds différents utilisés dans cette stratégie comprennent: Le Fonds de Portefeuille Permanent, Le Fonds Spéculatif et le Fonds Fondamental. 70% du portefeuille global a été investi dans le Portefeuille permanent, avec une pondération égale de 15% allouée au Fonds Spéculatif et au Fonds fondamental chacun. Le Fonds fondamental est toujours en construction, je peux donc ajouter un suivi de cet essai avec la performance du fonds plus tard. Cependant, le reste de cet article est basé sur une pondération du portefeuille de 85% dans le Fonds à portefeuille Permanent et de 15% dans le fonds spéculatif.

J’ai également partagé le code de ce projet sur mon Github.

Le Fonds à portefeuille permanent

Le portefeuille permanent est une idée de Harry Browne, basée sur l’École autrichienne d’économie, un cadre économique solide et un moyen très utile de regarder la vie en général. Le portefeuille permanent n’est pas destiné aux investisseurs qui cherchent à battre le marché, comme en témoignent les importantes avoirs en espèces et en or; il s’adresse aux personnes ayant un horizon d’investissement à long terme, ce qui décrit bien mon style d’investissement et constitue donc ma plus grande allocation.

Le fonds s’est inspiré du carnet de notes permanent Quantopian sur Quantopian et du livre Austrian School for Investors de Rahim Reghezda et. Al. ce qui est un autre livre que je recommande fortement. Le portefeuille est également en partie inspiré des principes tous temps de Bridgewater de Ray Dalio, qui ont servi de cadre utile pour gérer mon exposition au risque tout en ciblant des rendements solides.

Au sein de ce fonds, 30% du portefeuille sont allés en actions, obligations et Or tandis que 10% sont allés en espèces (ou plus précisément en bons du trésor de 1 à 3 ans). L’allocation dans le livre de l’École autrichienne pour les investisseurs suggérait des pondérations égales de 25% entre chaque classe d’actifs, mais comme je suis jeune et que j’ai peu de responsabilités, je me suis dit que je pouvais être un peu plus agressif et prendre plus de risques. J’ai donc réduit mon allocation de trésorerie et augmenté les autres allocations d’actifs.

Le portefeuille est rééquilibré à l’aide de l’algorithme d’optimisation de style Markowitz pour trouver le rapport frontière le plus efficace entre risque (écart type) et rendement.L’optimisation de Markowitz est un algorithme intéressant car elle repose sur des rendements normalement distribués, mais les rendements boursiers sont soumis à la loi de puissance et aux queues grasses. Il faut donc se demander à quel point les algorithmes tels que les optimisations de Markowitz sont précis; peut-être est-il juste destiné à être utilisé comme heuristique pour simplifier des problèmes très complexes.

Un backtest assez complet a été réalisé, permettant de suivre la performance du fonds du 1er janvier 2006 au 2 juin 2017.

Mise à jour : Il s’agit d’un backtest effectué avant que Quantopian ne commence à calculer les données liées au risque.

Le but du portefeuille permanent n’est pas de battre l’indice, mais de générer des rendements stables sur le long terme. Dans cet esprit, j’ai été très satisfait des résultats du backtest. Bien que le fonds ait sous-performé l’indice de référence SPY d’environ 500 points de base, il était nettement moins risqué. Plus précisément, il a connu une croissance sur les marchés haussiers de 2006-2007 et de 2010-2017, tout en évitant les pertes, sur le marché baissier de 2008-2009.

L’une des choses vraiment perspicaces que j’ai apprises lors de mes recherches sur le trading algorithmique est que les bonnes stratégies ont tendance à être très éphémères. Les investisseurs ont tendance à être très astucieux et, par conséquent, si une classe d’actifs a tendance à bien performer, la stratégie est très rapidement arbitrée lorsque d’autres investisseurs se ruent sur cette stratégie de trading. Je ne m’attends pas à ce que le portefeuille permanent attire trop d’imitateurs en raison de l’approche prudente qu’il adopte, même sur les marchés haussiers; les investisseurs semblent ignorer la protection importante qu’il offre à la baisse. Étonnamment, ce fonds a constamment surperformé l’indice, sans que l’avance ne soit arbitrée.

Je teste actuellement cela dans un environnement de trading en direct et il semble qu’une période de test plus longue doit être utilisée avant que des observations concluantes puissent être faites. Cependant, sur la base des données passées, les résultats semblent très prometteurs et c’est une stratégie de trading qui me pousse à envisager sérieusement de mettre de la peau dans le jeu et de tester avec de l’argent réel.

Le Fonds de spéculation

Comme mentionné précédemment, j’ai une tolérance au risque plus élevée, j’ai donc pensé que je pouvais consacrer une petite partie de mon portefeuille à de pures spéculations. Le jeu viole strictement mes principes d’investissement cependant, les connaissances que j’ai acquises et la quantité de plaisir que j’ai eu en construisant ce portefeuille sont ma justification de l’hypocrisie. Cela me rappelle l’époque où Jack Bogle expliquait pourquoi il investissait dans la société d’investissement active de son fils, tout en prêchant l’évangile de l’investissement indiciel: « Si ce n’est pas cohérent, eh bien, la vie n’est pas toujours cohérente. »

Le fonds spéculatif s’inspire du tutoriel quantopian de programmation Python, que je recommande vivement à tous ceux qui apprennent python et Harrison Kinley est un très bon professeur.

Le fonds spéculatif utilise un algorithme de classification des vecteurs de support d’apprentissage automatique relativement simple. L’algorithme est formé avec des données historiques sur le cours des actions, en examinant le mouvement du prix d’un titre au cours des 10 derniers jours et en apprenant si le cours de l’action a augmenté ou diminué le 11e jour. Ensuite, l’algorithme peut prédire si le cours d’une action augmentera ou non en fonction de la façon dont le prix s’est amélioré au cours des 10 derniers jours.

Un classificateur de machine Vectorielle de Support (SVM) a été utilisé à la place des K-Voisins les plus proches car les processus intensifs de calcul requis dans Quantopian faisaient de la vitesse une priorité élevée et cela pouvait être atteint au mieux avec les SVM. Un résumé du code est inclus ci-dessous, des lignes ont été supprimées pour économiser de l’espace mais le code complet se trouve dans ce fichier:

Malgré les algorithmes complexes, les résultats étaient très médiocres:

Fonds de spéculation

Cela a été décevant pour moi car l’algorithme soi-disant élaboré que j’ai utilisé ne pouvait même pas battre une simple stratégie de momentum. En fait, lorsque le fonds de spéculation a été combiné à la stratégie momentum, il a réduit les rendements de plus de 5000 points de base (50%).

Momentum Fund

Speculation + Momentum Fund

I was also expecting volatility and max drawdown to be even higher in the pure speculation fund because I have been very fascinated by Nassim Taleb’s work and I was very worried about the « black swan” effet effaçant mon portefeuille. Mark Spitznagel a un très bon article sur ce sujet qui m’a aidé à comprendre l’impact sous-estimé des événements de risque de queue sur les marchés financiers.

En bref, en spéculant sur les changements de prix à court terme, j’obtenais ~ 1-2% de gains à court terme mais je m’exposais à des situations où je pouvais rapidement perdre > 50%. (Charlie Munger appelle cela ramasser des sous devant un rouleau compresseur.) Cependant, la capacité à court et à couvrir mes positions s’est avérée très utile en mars 2009. Lorsque le marché avait ses plus grosses pertes, j’ai eu mes plus gros gains. Bien que mon ratio de levier n’ait jamais dépassé ~ 4%, il s’agit d’une autre stratégie qui devrait être correctement testée dans un environnement réel en raison des dépenses de taux d’intérêt et des primes sur les courts-circuits qui pourraient avoir un impact important sur les rendements. Bref, j’ai beaucoup appris et j’ai vraiment aimé utiliser l’apprentissage automatique dans un exemple de trading pratique, mais n’essayez pas cela à la maison.

Le Fonds fondamental

L’idée derrière ce fonds était d’examiner les fondamentaux de l’entreprise pour voir quelles mesures financières sont les plus prédictives d’une hausse du cours de l’action. Former un algorithme d’apprentissage automatique pour prédire quelles caractéristiques fondamentales de l’entreprise présenteraient un argument d’achat convaincant et investir dans ces titres. Fait intéressant, j’ai fait fonctionner l’algorithme dans mon environnement Python sur ma ligne de commande, mais j’essaie toujours de faire fonctionner le programme dans Quantopian afin que je puisse effectuer des tests de recul plus rigoureux.

Fundamental Fund

Bien que les résultats de mes tests préliminaires aient été prometteurs, je ne suis pas encore trop excité car le manque de tests rigoureux dans un environnement de backtesting approprié signifie qu’il est difficile d’évaluer la performance réaliste de mon portefeuille en tant que stratégie de trading en direct. Cependant, la théorie et les mathématiques derrière l’algorithme semblent être solides, ce qui est bon signe.

Le mettre ensemble

Après avoir vu à quel point les Fonds à Portefeuille Permanent et Momentum avaient bien fonctionné par rapport à la performance abyssale du Fonds de spéculation, il semble fou de combiner ces fonds. Mais encore une fois, le but n’était pas de maximiser les rendements, mais d’en apprendre davantage sur l’investissement et la programmation. Il était intéressant d’examiner la performance du portefeuille dans d’autres paramètres.

J’ai décidé de me concentrer sur le ratio de Sortino par opposition au ratio de Sharpe plus conventionnel car le ratio de Sharpe pénalise à la fois la volatilité à la hausse et à la baisse tandis que le ratio de Sortino ne pénalise que la volatilité à la baisse. La différence pratique entre les deux n’est cependant pas claire car les ratios de Sharpe et de Sortino avaient exactement la même ordinalité. Si deux listes étaient créées, une avec le ratio de Sharpe dans l’ordre décroissant et une avec le ratio de Sortino dans l’ordre décroissant (voir tableau) ; les deux listes auraient le même ordre.

À proprement parler, le Fonds de spéculation et de Moment avait le rendement cumulé le plus élevé, ce qui semble être la meilleure stratégie. Mais, j’ai identifié mes objectifs comme une stratégie de trading à long terme, avec relativement peu de risque et le fonds Spéculation + Momentum a violé ce principe avec un retrait maximal important de -48.90% et un ratio sortino de 0.75.

Choisir entre le Fonds Quant autrichien et le Portefeuille permanent est un exemple de la raison pour laquelle les gens considèrent l’investissement comme un art plus qu’une science. Alors que le Portefeuille Permanent a surperformé le Quant autrichien d’environ 13 000 points de base, le Quant autrichien a offert beaucoup moins de volatilité et une meilleure protection contre les baisses. Je ne suis pas tout à fait à l’aise avec les transactions à court terme utilisées dans le Fonds Quant autrichien en raison des gains asymétriques; tandis que le Fonds de portefeuille permanent offre une stratégie simpliste, d’achat, de maintien et de sommeil facile. Ainsi, je suis enclin à choisir le Fonds de portefeuille permanent.Bien que je pense que je devrais attendre de voir les données des résultats de ces deux fonds dans l’environnement de trading en direct avant de tirer des conclusions.

 » Un investissement dans la connaissance est le meilleur intérêt. »

Benjamin Franklin

Conclusion

J’ai beaucoup appris en construisant ce projet et je me suis beaucoup amusé, ce qui est finalement la chose la plus importante. Tangentiellement, une autre chose intéressante que j’ai apprise en faisant des recherches sur ce projet est la tendance des domaines financiers à devenir trop théoriques et basés sur des équations. C’est bien dans les sciences naturelles telles que la biologie ou la physique, mais la finance est généralement une science sociale, qui est plus exposée aux événements du cygne noir et aux risques de queue.

Je rappelle à tout le monde de faire preuve de prudence et de ne pas confondre précision et précision. Enfin, je termine avec le sage Benjamin Franklin qui nous rappelle que, « Un investissement dans le savoir rapporte le meilleur intérêt. »

Vous pouvez lire l’article original sur mon blog.

Note des éditeurs de Towards Data Science: Bien que nous autorisions les auteurs indépendants à publier des articles conformément à nos règles et directives, nous n’approuvons pas la contribution de chaque auteur. Vous ne devez pas vous fier aux œuvres d’un auteur sans demander l’avis d’un professionnel. Voir nos Conditions de lecture pour plus de détails.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *