Soutenance mémoire
Construction et optimisation des indicateurs techniques
Comme nous l’avons vu à la section précédente, l’imagination des développeurs d’indicateurs ainsi que les « backtests » sont clefs pour la création et l’optimisation d’indicateurs techniques. Beaucoup de recherche est faite sur de nouveaux outils mathématiques pour prédire le mouvement des marchés. Comme nous le verrons ici-bas, plusieurs techniciens ont élaboré des méthodes alternatives afin d’utiliser les indicateurs techniques pour leurs décisions d’investissements. Il est important de noter que ce sont tout d’abord des idées et des opinions de gens travaillant dans le domaine. L’auteur Anthony Throngone a étudié le SPY sur 18 mois (janvier 2009 à juin 2010) afin de valider si des rendements futurs pouvaient être prédits avec un rendement présent. Ce dernier a déterminé que dans une certaine mesure, la réponse était oui : de manière générale, lorsque le SPY subit une correction de -1,01% et moins, les investisseurs pouvaient s’attendre à une tendance à la hausse la journée suivante, stable pour la deuxième journée et à la hausse pour la troisième journée. Lorsque la correction se situait entre -0,01% et -0,99% la tendance devenait stable pour les deux prochains jours et à la hausse la troisième journée. Pour un gain entre 0,01% et 0,99%, la tendance est stable la journée suivante et à la hausse les deux jours d’après. Pour un gain entre 1,01% et 1,99% les tendances étaient à la hausse, ensuite stable pour finir à la baisse la troisième journée. Finalement, lorsque le gain était supérieur à 2,00%, la tendance était à la baisse pour les deux journées suivantes et à la hausse pour la troisième journée (Throngone, 2011).
Dans l’article RSI TRENDS, l’auteur a déterminé que les points d’entrées et de sorties du RSI pouvaient varier avec la direction des marchés. En effet, au lieu d’avoir des valeurs fixes de 20/30 (signe d’achat) et 70/80 (signe de vente) les valeurs intermédiaires de 40 pour l’achat et de 60 pour la vente pouvaient aussi donner des résultats intéressants lorsque les marchés subissent de fortes hausses ou de fortes baisses (Mitchell, 2010). Sylvain Vervoort, développeur d’outils techniques, proposa de modifier la moyenne mobile des Bandes de Bollinger. Au lieu d’utiliser la simple valeur de fermeture, l’auteur utilisa une moyenne de quatre valeurs : le prix de fermeture, d’ouverture, le maximum et le minimum de la journée. Avec cette méthode, il expliqua que les mouvements intrajournaliers extrêmes pouvaient être considérés lors de l’achat ou de la vente d’un actif (Vervoort, 2010).
Les bandes de Bollinger ne font pas unanimité. Certains auteurs prétendent que la technique d’investissement à long terme, a donné de meilleurs résultats que l’utilisation de ses bandes (Lento, Gradojevic & Wright, 2007), alors que d’autres chercheurs prétendent le contraire, soit 84% des signaux donnés par les bandes sont profitables (Kennan, Sekar, Sathik & Arumugam, 2009). Cependant, la grande majorité des investisseurs utilisant les bandes de Bollinger s’entendent pour dire que le temps entre le signal et la décision d’investissement est crucial pour que cette technique fonctionne bien (Butler & Kazakov, 2010) (Vijay & Paul, 2015.). Finalement, il est important de mentionner que la littérature mentionne d’autres exemples d’indicateurs techniques ou des chercheurs ont utilisé des outils provenant d’autres disciples. Zhang et Huang se sont inspirés des formules de la mécanique quantique afin de prédire le mouvement des marchés (Zhang & Huang, 2010) alors que l’auteur Chan a utilisé la loi normale pour en faire de même (Chan, 2011), méthodes qui semblent plus marginales quant à leur utilisation.
La méthodologie Six-Sigma
L’idée d’utiliser la méthode Six-Sigma nous est venu de deux hypothèses: Premièrement, les bandes de Bollinger posent l’hypothèse que la distribution de la bourse suit une courbe normale et en second lieu l’analyse technique qui utilise des outils provenant de plusieurs types différents de sciences et d’ingénierie. Dans la section suivante, nous décrirons notre méthodologie pour l’utilisation de la méthodologie Six-Sigma comme indicateurs techniques. Les exemples précédents ne sont qu’une infime partie du travail effectué sur les indicateurs techniques, mais les auteurs de la revue de littérature s’entendent sur l’importance d’un aspect, soit : celui de bien définir les paramètres d’entrée et de sortie. Pour citer l’auteur Wayne Mueller, « Un système de transaction est un ensemble de règles et de conditions qui vous permettent de prendre une décision d’achat ou de vente. » (Mueller, 2013).
Le succès pour transiger se résume à trois points : savoir ce qu’on transige, savoir quand transiger et l’habilité à s’adapter lorsque les conditions du marché le demandent (Palmquist, 2011). La méthode Six-Sigma est un ensemble d’outils et de techniques pour améliorer les opérations d’une entreprise. Elle a été inventée en 1986 par Bill Smith pendant qu’il travaillait chez Motorola. Ce dernier jugea par l’entremise d’une courbe de distribution normale qu’un procédé mature ne devait contenir que 3,4 défauts par million (d’où le nom six sigma). L’auteur Donald J. Wheeler décrit un défaut comme suit : « Une variation exceptionnelle est attribuée à des causes assignables qui, par définition, dominent les causes communes de la variation routinière […] la présence d’une variation exceptionnelle est un signal qu’il y a des relations de cause à effet dominantes qui affectent votre procédé et que vous ne contrôlez pas effectivement. » (Wheeler, 2000, p.27) Initialement réservé à la production manufacturière non complexe, de plus en plus d’entreprises et de secteurs d’activités différentes ont intégré la méthode Six-Sigma à leur processus opérationnel tel que la santé, les services, la logistique, etc. Plus spécifiquement, Six Sigma améliore la qualité de l’extrant d’un processus opérationnel en minimisant la variabilité. Pour utiliser la méthode six-sigma, il y a cinq étapes clef à suivre :
Distribution et rendement de la bourse
Il est très important de discuter de la distribution des rendements boursiers en général. En effet, à la section précédente, l’approche Six-Sigma pose comme hypothèse initiale que la distribution est normale. Cependant, les rendements boursiers suivent une distribution non normale : leurs distributions sont à queues lourdes et légèrement désaxées négativement (Christoffersen, 2012, p.9). Cette section a pour but de fouiller la littérature afin d’étudier les chartes de contrôles lors de distributions non normales. Les distributions normales sont l’exception et non la règle. Le monde dans lequel nous vivons est complexe, non linéaire et, surtout, non normal. Reconnaissant ce problème, plusieurs études ont été entreprises afin de tester des modèles de charte de contrôle sur des données de distributions non normales. Tout d’abord, Bakir détermina que les chartes de contrôles sur les distributions à queues lourdes fonctionnaient mieux que sur les chartes de distributions normales, car elles englobaient les valeurs aux extrémités de la distribution. Ce qui avait pour effet d’augmenter les extrémités de la charte elle-même (Bakir, 2004). Quelques études ont été faites afin de modifier légèrement l’allure de la charte de contrôle. La moyenne simple arithmétique a été substituée par une moyenne mobile exponentielle. Une première étude (Barror, Montgomer & Runger, 1999) ainsi qu’une seconde (Petros, Parraretos & Psarakis, 2005) ont conclu que cette méthode alternative, soit l’utilisation de charte de contrôle, était bien adaptée aux distributions à queues lourdes pourvu que les valeurs extrêmes soient en petit nombre et pas trop « extrêmes ». D’autres études ont aussi démontré que la moyenne mobile simple est bien adaptée aux chartes de contrôles (Roberts, 1959).
D’autres auteurs ont aussi démontré que la distribution-T est un modèle plus convenable et mieux adapté aux distributions à queues lourdes. En effet, lorsque le nombre d’échantillons est petit et que l’écart-type de la population n’est pas connu, la distribution-T est mieux adaptée que la distribution normale (Lange, Little & Taylor, 1989) (Praetz, 1972). Finalement, un théorème relié aux distributions non normales, le théorème central limite, dit ceci : la distribution d’une moyenne s’approche de la normalité si l’échantillonnage est suffisamment grand. Si la population est symétrique, un échantillon de 5 à 20 est assez pour poser comme hypothèse la normalité de la distribution. Dans le pire des cas, 30 échantillons peuvent être considérés comme normaux (George, Rowlands, Price & Maxey, 2005). Lorsque nous regardons dans le passé, les placements boursiers ont été en général lucratifs, à condition d’être patient. En effet, le rendement moyen journalier de l’indice S&P 500 fut de 0,0056% avec un écart-type 1,3771% de janvier 2001 à décembre 2010 (Christoffersen, 2012, p. 9). Cependant, il est important de noter qu’au cours de l’histoire, il y a eu des corrections boursières importantes et parfois, le temps pour récupérer la totalité de la valeur d’avant la correction peut être long. Par exemple, pour l’indice DJIA, les pertes dues à la crise de 2008- 2009 (-45%) ont pu être récupérées en trois ans, les pertes du lundi noir de 1987 (-23%) ont été récupérées en 15 mois et les pertes de la grande dépression de 1929 (-90%) ont été récupérées en environ 25 années (Filion & Delorme, 2014, p.141)! Cependant, le consensus est que la valeur boursière augmente avec le temps, mais sur de courtes périodes, il peut y avoir des corrections importantes qui surpassent de beaucoup les mouvements haussiers (Christoffersen, 2012, p. 9), d’où l’importance des modèles prédictifs.
|
Table des matières
INTRODUCTION
CHAPITRE 1 Revue de la littérature
1.1 L’analyse technique et ses indicateurs
1.1.1 Indicateurs de tendance
1.1.1.1 Les Moyennes mobiles
1.1.1.2 Bandes de Bollinger (BB)
1.1.2 Les oscillateurs
1.1.2.1 Relative Strength Index (RSI)
1.1.3 Analyses graphiques
1.1.4 Autres outils de l’analyse technique
1.2 Construction et optimisation des indicateurs techniques
1.3 La méthodologie Six-Sigma
1.4 Distribution et rendement de la bourse
CHAPITRE 2 Méthodologie
2.1 Les résultats témoins
2.2 Les résultats contrôles
2.3 Les résultats Six-Sigma
CHAPITRE 3 Résultats obtenus
3.1 Résultats des témoins
3.2 Résultats des contrôles
3.3 Le Signal 1 (S1) : La valeur de fermeture est à trois écarts-types supérieurs à la moyenne mobile
3.4 Le Signal 2 (S2) : La valeur de fermeture est à trois écarts-types inférieurs à la moyenne mobile
3.5 Le Signal 3 (S3) : Il y a neuf valeurs de fermeture consécutives supérieures à la moyenne mobile
3.6 Le Signal 4 (S4) : Il y a neuf valeurs de fermeture consécutives inférieures à la moyenne mobile
3.7 Le Signal 5 (S5) : Il y a six valeurs de fermeture consécutives croissantes
3.8 Le Signal 6 (S6) : Il y a six valeurs de fermeture consécutives décroissantes
3.9 Le Signal 7 (S7) : Il y a 14 valeurs de fermeture consécutives qui alternent haut/bas
3.10 Le Signal 8 (S8) : Deux valeurs de fermeture sur trois consécutives sont à plus de deux écarts-types
3.11 Le Signal 9 (S9) : Deux valeurs de fermeture sur trois consécutives sont à moins de moins deux écarts-types
3.12 Le Signal 10 (S10) : Quatre valeurs de fermeture sur cinq consécutives sont à plus d’un écart-type
3.13 Le Signal 11 (S11) : Quatre valeurs de fermeture sur cinq consécutives à moins un écart-type
3.14 Le Signal 12 (S12) : Quinze valeurs de fermeture consécutives entre moins un et un écart-type
3.15 Le Signal 13 (S13) : Huit valeurs de fermeture consécutives sont à plus d’un écarttype et/ou à moins de moins un écart-type
3.16 Sommaire des résultats des signaux Six-Sigma
CHAPITRE 4 Analyse des résultats
4.1 Le test Z
4.2 Le test de Student
CHAPITRE 5 Validation du modèle
CHAPITRE 6 Considérations
CONCLUSION
RECOMMANDATIONS
ANNEXE I Table Z
ANNEXE II Table de Student
LISTE DE RÉFÉRENCES BIBLIOGRAPHIQUES
Télécharger le rapport complet
