L’analyse technique fonctionne-t-elle ? Ce que dit vraiment la recherche

Que dit la recherche sur l’analyse technique ?

La recherche académique sur l’analyse technique est abondante et ses résultats sont mitigés, et chaque étude connue répond à une question plus étroite que ne le laissent croire les titres. Si vous avez d’abord besoin des bases, commencez par l’analyse technique pour débutants. Ces six reviennent sans cesse :

• Brock, Lakonishok et LeBaron (Journal of Finance, 1992) ont testé des règles simples de moyennes mobiles et de cassure de range sur l’indice Dow Jones de 1897 à 1986 et ont trouvé un fort soutien : les signaux d’achat étaient suivis de rendements plus élevés que les signaux de vente, ce que les modèles habituels de prix aléatoires ne pouvaient pas expliquer.
• Jegadeesh et Titman (Journal of Finance, 1993) ont trouvé qu’acheter les actions qui avaient le plus monté et vendre celles qui avaient le plus baissé rapportait des rendements significatifs sur des périodes de détention de 3 à 12 mois, une partie du gain se dissipant sur les deux années suivantes. C’est le momentum, l’idée de tendance sous sa forme la mieux documentée.
• Sullivan, Timmermann et White (Journal of Finance, 1999) ont élargi le test à 7 846 règles et corrigé le data snooping. La meilleure règle battait encore la référence de 1897 à 1986, mais sur les dix années suivantes, de 1987 à 1996, elle n’était même plus statistiquement significative, et sur les contrats à terme du S&P 500, où les frais de transaction étaient faciles à intégrer, aucune règle ne surperformait.
• Lo, Mamaysky et Wang (2000) ont transformé des figures comme la tête-épaules et le double creux en algorithmes et les ont appliquées aux actions américaines de 1962 à 1996. Plusieurs figures apportaient un peu d’information supplémentaire sur les rendements et pourraient avoir une certaine valeur pratique ; l’étude mesurait l’information, pas des profits de trading après frais.
• Park et Irwin (Journal of Economic Surveys, 2007) ont passé en revue 95 études modernes : 56 trouvaient les stratégies techniques rentables, 20 non et 19 avaient des résultats mitigés. Ils ont aussi relevé que la plupart des tests avaient des problèmes, comme le data snooping, des règles choisies après coup et des estimations approximatives du risque et des frais, et que les profits ont duré au moins jusqu’au début des années 1990.
• Moskowitz, Ooi et Pedersen (Journal of Financial Economics, 2012) ont trouvé un momentum en série temporelle sur chacun des 58 contrats à terme liquides étudiés, sur indices actions, devises, matières premières et obligations : les rendements persistaient de 1 à 12 mois puis s’inversaient en partie sur des horizons plus longs.

Data snooping (biais de fouille des données)

Le biais qui apparaît quand on essaie beaucoup de règles ou de réglages sur les mêmes données passées et qu’on présente la meilleure comme si elle était la seule testée.

Test hors échantillon (out-of-sample)

Un test sur des données qui n’ont pas servi à choisir ou à régler la règle, comme les années qui suivent la fin de l’étude d’origine.

Momentum en série temporelle (time-series momentum)

La tendance d’un marché qui a monté (ou baissé) ces derniers mois à continuer dans le même sens pendant un temps ; l’idée derrière le suivi de tendance.

Pourquoi les règles techniques simples cessent-elles de fonctionner ?

Ce schéma, de bons résultats dans les données anciennes et de plus faibles ensuite, a plusieurs causes. Une fois qu’une règle simple est publiée et peu coûteuse à appliquer, beaucoup de traders s’en servent et l’avantage disparaît ; Sullivan, Timmermann et White ont avancé que la baisse des frais et la hausse de la liquidité avaient pu effacer les motifs de court terme. Les frais mangent les petits avantages, surtout pour les règles rapides, ce qui est l’une des raisons pour lesquelles la plupart des traders perdent de l’argent. Et plus on essaie de règles, plus la meilleure risque de paraître bonne par simple hasard.

Ce dernier point est facile à montrer. Dans une simulation que nous avons menée sur 40 marchés en marche aléatoire, où il n’y a par construction aucun motif à trouver, le meilleur des 172 réglages de croisement de moyennes mobiles sur les six premières années y gagnait 76 % en moyenne, mais seulement 4,9 % sur les deux années suivantes, moins que la simple détention (13,1 %). Choisir le meilleur résultat parmi de nombreux essais, c’est trouver du bruit. Le surapprentissage des backtests montre comment s’en protéger.

L’analyse technique fonctionne-t-elle sur les actions ?

Sur les actions, les meilleures preuves concernent la tendance et le momentum sur plusieurs mois, pas les signaux graphiques de court terme. Le résultat de Jegadeesh et Titman est étudié depuis des décennies, et c’est la même idée qu’utilisent le trading momentum et le suivi de tendance. Les figures chartistes apportaient un peu d’information dans les tests de Lo, Mamaysky et Wang, mais de l’information n’est pas un profit après frais.

Les actions individuelles font aussi des gaps sur les résultats et les nouvelles, qu’aucun graphique ne voit venir, donc même une règle de tendance solide demande une position assez petite pour survivre à un gap au-delà du stop. La plupart des débats en ligne, y compris les fils Reddit bien connus, se parlent à côté : un camp entend « un indicateur prédit la prochaine bougie », ce que les preuves ne soutiennent pas ; l’autre entend « la tendance et les niveaux de prix aident à gérer le risque », ce qui est une affirmation différente et plus défendable.

L’analyse technique est-elle une science ?

Pas dans son ensemble. C’est un ensemble de méthodes, certaines assez précises pour être testées et beaucoup trop floues pour l’être. « Acheter quand la moyenne à 50 jours croise au-dessus de la moyenne à 200 jours » peut être backtesté et vérifié hors échantillon ; « le graphique a l’air haussier », non. La partie scientifique de l’analyse technique est une habitude : transformer une affirmation en règle, la tester sur des données qui n’ont pas servi à la construire, compter les frais, et l’abandonner si elle échoue.

Où l’analyse technique est-elle vraiment utile ? Une carte du risque

Même sans avantage prédictif, un graphique répond à des questions dont chaque trade a besoin : où l’idée a-t-elle tort, quelle taille peut avoir la position, et la tendance est-elle avec vous ou contre vous ? Les supports, les résistances et les points pivots donnent au stop une place logique, le stop donne la taille, et le niveau suivant donne un objectif et un ratio gain/risque. Cet usage ne dépend pas d’une prochaine bougie prévisible.

Hypothèse : XYZ rebondit sur un support à 48,80 $ et un achat est prévu à 50,00 $. Le stop se place à 48,50 $, juste sous le support, car sa cassure signifie que le rebond a échoué. Avec un compte de 20 000 $ et 1 % de risque, 200 $ ÷ 1,50 $ = 133 actions. La résistance suivante, à 53,50 $, est l’objectif : un gain de 3,50 $ pour un risque de 1,50 $, environ 2,3 pour 1. Le graphique n’a pas prévu le mouvement ; il a fixé les conditions du trade.

Comment tester une règle technique avant de lui faire confiance

Un protocole court, tiré de ce que les études ci-dessus ont bien et mal fait ; comment backtester une stratégie de trading en détaille la mécanique :

1. Écrivez la règle assez précisément pour que deux personnes prennent les mêmes trades : entrée, sortie, stop, taille, marché et unité de temps.
2. Découpez l’historique. Choisissez et réglez la règle sur la première partie seulement, puis appliquez-la sans changement sur le reste.
3. Comptez chaque version essayée, et comparez la gagnante au meilleur résultat d’un même nombre d’essais aléatoires.
4. Intégrez les commissions, le spread et le slippage ; pour les règles rapides, vérifiez le coût par trade en R.
5. Comparez le résultat à la simple détention du marché sur la même période, pas seulement à zéro.
6. Testez 50 à 100 trades en conditions réelles sur un compte de paper trading avant l’argent réel, puis mesurez l’espérance de gain après frais.