Exploration approfondie de la stratégie de trading par paires basées sur les secteurs et de la technique innovante de sélection de paires

Contexte et objectifs de recherche

La stratégie de trading par paires (Pairs Trading Strategy, PTS) est une méthode d’arbitrage financier largement utilisée depuis longtemps, basée sur les performances relatives de deux actions fortement corrélées. Son principe fondamental repose sur l’exploitation des divergences temporaires de prix, en supposant que l’écart de prix (Spread) entre deux actions revient généralement à sa moyenne historique. En pratique, les traders utilisent souvent des analyses de corrélation ou de cointégration pour sélectionner des paires d’actions (Stock Pairs), et génèrent des signaux de positions longues/courtes à l’aide de modèles statistiques dans le but de maximiser les profits.

Malgré sa popularité, la PTS conventionnelle présente certaines limites. Par exemple, elle ne tient généralement pas compte des caractéristiques sectorielles (Sector) des actions lors de la sélection des paires, ce qui peut rendre ces dernières plus sensibles aux fluctuations sectorielles ou aux risques systématiques, réduisant ainsi les performances globales de l’investissement. Par ailleurs, avec l’augmentation de la complexité des marchés financiers, les chercheurs reconnaissent que les algorithmes traditionnels peuvent avoir du mal à s’adapter rapidement à la dynamique changeante du marché.

Afin de surmonter ces lacunes, Pranjala G. Kolapwar et son équipe ont proposé la stratégie PTSR (Pair Selection Basée sur les Rendements, PTS-Return-Based Pair Selection) et une nouvelle stratégie de trading par paires basée sur les secteurs (Sector-Based Pairs Trading Strategy, SBPTS), visant à améliorer les rendements et à mieux gérer les risques grâce à des méthodes innovantes de sélection de paires.

Source et contexte des auteurs

Cet article, intitulé Sector-Based Pairs Trading Strategy with Novel Pair Selection Technique, a été rédigé par Pranjala G. Kolapwar, Uday V. Kulkarni, et Jaishri M. Waghmare, et publié en janvier 2025 dans la revue IEEE Transactions on Artificial Intelligence. Les trois auteurs sont affiliés à l’institut Shri Guru Gobind Singhji Institute of Engineering and Technology en Inde. Spécialistes en apprentissage automatique (Machine Learning), apprentissage profond (Deep Learning) et algorithmes de trading financier, ils apportent des perspectives innovantes pour optimiser les stratégies d’investissement en intégrant les méthodes financières traditionnelles et les technologies intelligentes modernes.

Workflow et méthodologie détaillée

Amélioration de la PTS : Méthode PTSR

a. Description du workflow

La méthode PTSR conserve la structure de base de la PTS traditionnelle, mais modifie fondamentalement le processus de sélection des paires. Ses principales étapes sont :

1. Sélection de paires d’actions
   Les auteurs utilisent les rendements cumulés annuels (Cumulative Annual Returns) au lieu des distances statistiques classiques (Statistical Distances) pour sélectionner les paires d’actions. Ce processus comprend :

   • Nettoyage et prétraitement des données : Les données historiques (comme les prix de clôture ajustés) sont normalisées à l’aide de la mise à l’échelle Min-Max et d’une transformation logarithmique.
   • Calcul des rendements journaliers : À l’aide de la formule ( ri = \frac{d”{ij} - d”{i-1,j}}{d”{i-1,j}} ), on calcule les rendements journaliers pour chaque action.
   • Rendements cumulés : Les performances annuelles sont calculées via ( rc_y = (1+ri) \times rc{i-1} ).
   • Choix des paires : Les deux actions avec les rendements cumulés les plus élevés sont sélectionnées.

2. Calcul de l’écart et du score Z (Z-Score)

   • Écart (Spread) : ( si = d”{fpij} - d”_{fqij} )
     
   • Z-Score : ( z_i = \frac{s_i - \mu}{\sigma} ), où (\mu) est la moyenne et (\sigma) l’écart-type historique de l’écart.

3. Seuils d’entrée et de sortie
   Les positions sont ajustées en fonction des seuils de Z-Score (entrée à ±1.0, sortie à ±0.5).

4. Évaluation des rendements cumulés
   Les performances sont mesurées via ( roc = \sum_y rc_y ).

5. Gestion du risque et backtesting
   Les évaluations sont faites à travers des simulations sur données historiques pour calculer les profits/pertes nets.

b. Résultats expérimentaux

En se basant sur les données des indices Sensex30 et Nasdaq (2013-2023), la méthode PTSR a permis d’identifier les paires à haut rendement (Bajfinance.NS, Titan.NS) et (NVDA, TSLA). Comparée à la PTS classique, la PTSR présente des rendements cumulés significativement meilleurs, confirmant ainsi son efficacité.

---

Stratégie innovante : Trading par paires basé sur les secteurs (SBPTS)

a. Conception et étapes de la nouvelle stratégie

Le SBPTS classifie les actions par secteur pour sélectionner les meilleures paires, atténuant ainsi l’impact des fluctuations macroéconomiques. Les principales étapes sont :

1. Classification par secteur
   Grâce à l’API Alpha Vantage et un algorithme de machine learning SVM (Support Vector Machine), les actions sont regroupées dans leurs secteurs respectifs. Après classification, les actions du Sensex30 couvrent 9 secteurs (énergie, matériaux, etc.), et celles du Nasdaq 5 secteurs (technologie, santé, etc.).

2. Sélection du meilleur secteur
   Les secteurs sont évalués selon les indicateurs suivants :

   • Rendements annuels (Annual Sector Returns, ASR)
   • Ratio de Sharpe (Sharpe Ratio, SR)
   • Beta (volatilité par rapport au marché)
   • Ratio cours-bénéfices (Price-to-Earnings Ratio, P/E).
     En appliquant la méthode des scores pondérés (Total Scoring Weighting Method, TSWM), le secteur “Matériaux” pour le Sensex30 et le secteur “Technologie” pour le Nasdaq se démarquent comme les meilleurs.

3. Sélection de paires et stratégie de trading
   Deux variantes sont proposées :

   • SBPTS-Correlation : Basé sur la méthode de corrélation (ex. (Grasim.NS, Shreecem.NS) et (AAPL, CRM));
     
   • SBPTS-Return-Based : Basé sur les rendements cumulés (ex. (JSWSteel.NS, Shreecem.NS) et (NVDA, MSFT)).

4. Exécution de la stratégie de trading
   La stratégie est mise en œuvre conformément au workflow standard PTS.

b. Analyse expérimentale

Dans les données Nasdaq, la stratégie SBPTS-R a montré des rendements nettement supérieurs à ceux des autres variantes de PTS sur la période 2013-2023.

---

Conclusion et enseignements clés

Les stratégies innovantes SBPTS et ses variantes SBPTS-C et SBPTS-R démontrent que l’intégration de l’analyse sectorielle et des données historiques améliore significativement les capacités de sélection des paires et la gestion des risques :

1. Valeur académique

   • Introduction d’une dimension sectorielle renforçant le domaine des stratégies de trading par paires.
   • Méthode TSWM innovante pour évaluer les performances sectorielles.

2. Valeur pratique

   • Guide efficace pour les investisseurs afin de limiter les risques pendant les fluctuations sectorielles ou macroéconomiques.
   • Flexibilité accrue du SBPTS-R dans des conditions de marché variées.

3. Points forts de la recherche

   • Concentration sur les corrélations intra-sectorielles pour réduire les risques systémiques.
   • Introduction de critères basés sur les rendements, particulièrement adaptés aux données non stationnaires.

4. Perspectives futures
   Combiner l’approche sectorielle avec des stratégies intersectorielles pour une diversification renforcée et une meilleure mitigation des risques.

En résumé, cette étude a apporté une méthodologie innovante et bien justifiée pour améliorer les stratégies de trading par paires, fournissant une référence précieuse pour les recherches futures et les applications pratiques dans les marchés financiers.