Louvain School of Management

Le trading algorithmique, une nécessaire (r)évolution ?

Mémoire recherche réalisé par

Charles-Henri Vandrepol

en vue de l'obtention du titre de

Master en ingénieur de gestion, à finalité spécialisée

Promoteur
Professeur Bruno Colmant

Année académique 2016-2017

II.
 Je tiens à remercier tout d’abord mon promoteur, le Professeur Bruno Colmant, pour ses
conseils judicieux ainsi que la grande liberté d’écriture et la confiance qu’il m’a accordée.

Je suis également extrêmement reconnaissant envers les banquiers de la Banque Degroof

Petercam, au sein de laquelle j’ai eu l’occasion d’effectuer mon stage de fin d’études. Ils
m’ont aidé à trouver des réponses à mes questions, et n’ont pas hésité à exprimer leurs avis
sur les sujets dont je souhaitais traiter tout au long de ce mémoire.

En particulier, je tenais à remercier les personnes suivantes

Eric Debeaud, ex-Trader

Tanguy del Marmol, Broker
Johan Cok, Senior Broker
Olivier-Pierre Morrot, Sales-Trader
Mohamed Abalhossain, Sales-Trader

Ainsi que
Michael Broes, ex-Trader Algorithmique
et Frederiek Van Holle, Manager de Fonds Quantitatifs
pour leurs excellents conseils et le temps qu’ils ont consacré à me parler de leur utilisation au
quotidien des algorithmes de trading.

Je remercie les universités de la Louvain School of Management, Belgique, ainsi que St.
Gallen, Suisse, pour les excellents cours que j’ai pu y suivre et l’intérêt qu’ils m’ont transmis
pour les marchés financiers. De plus, l’accès aux recherches financières dont j’ai pu bénéficier
a certainement contribué à une meilleure compréhension et résolution de la problématique
abordée lors de ce mémoire.

Enfin, je remercie chaleureusement ma famille, et mes chers parents, Isabelle et Vincent,

pour leur soutien, leurs conseils ainsi que leurs encouragements tout au long de l’écriture de
ce mémoire.
IV.
 V.

Table des matières

I. Introduction..................................................................................................................................... 1
II. Evolution du Trading et de son fonctionnement ............................................................................ 3
1. Aperçu historique : comparaison entre les années ’70 et aujourd’hui ....................................... 4
1.1. Le paysage des marchés financiers dans les années ‘70 ..................................................... 4
1.2. Le paysage des marchés financiers de nos jours ................................................................. 5
1.3. Le fonctionnement des marchés financiers dans les années ‘70 ........................................ 7
1.4. Le fonctionnement des marchés financiers aujourd’hui ..................................................... 8
2. L’électronique au sein des marchés financiers ........................................................................... 9
2.1. Les types de contrats traités sur les marchés financiers ..................................................... 9
2.2. Le trading au sein des marchés électroniques .................................................................. 11
2.2.1. Les ordres au marché .................................................................................................... 11
2.2.2. Les ordres à cours limité................................................................................................ 12
2.2.3. Autres types d’ordres .................................................................................................... 13
3. Les algorithmes au sein des marchés financiers ....................................................................... 15
3.1. Différentes catégories d’algorithmes de trading .............................................................. 16
3.1.1. Minimiser l’effet sur le marché ..................................................................................... 16
3.1.2. Minimiser les coûts transactionnels .............................................................................. 18
3.1.3. Rechercher des opportunités ........................................................................................ 18
3.2. Les paramètres associés aux algorithmes de trading........................................................ 19
III. Analyse du trading algorithmique ............................................................................................. 22
1. Démarche de l’analyse .............................................................................................................. 22
2. Un environnement de trading changeant : Le cas des Etats-Unis ............................................ 24
2.1. Des années ’70 à 2001 ....................................................................................................... 24
2.1.1. Changements sur le NYSE .............................................................................................. 24
2.1.2. Changements sur le Nasdaq .......................................................................................... 25
2.1.3. Les systèmes de communications électroniques .......................................................... 27
2.2. A partir de l’année 2001 .................................................................................................... 30
3. L’essor du trading algorithmique .............................................................................................. 34
3.1. Les coûts de transaction .................................................................................................... 35
3.1.1. Les coûts explicites ........................................................................................................ 35
3.1.1.1. Les frais d’échange .................................................................................................... 35
3.1.1.2. Les taxes .................................................................................................................... 37
3.1.1.3. Les commissions ........................................................................................................ 39
 VI.

3.1.2. Les coûts implicites........................................................................................................ 41

3.1.2.1. Le coût de latence ..................................................................................................... 41
3.1.2.2. Le spread ................................................................................................................... 43
3.1.2.3. Le coût d’opportunité................................................................................................ 44
3.1.2.4. L’impact sur le marché .............................................................................................. 45
3.1.2.5. Le risque temporel .................................................................................................... 47
3.2. La liquidité ......................................................................................................................... 48
3.2.1. Lien avec le trading algorithmique ................................................................................ 49
3.3. L’exécution ........................................................................................................................ 52
3.3.1. Algorithmes d’exécution ............................................................................................... 53
3.4. Les inconvénients .............................................................................................................. 55
3.4.1. Flash Crash..................................................................................................................... 58
IV. Conclusion ................................................................................................................................. 61
1.1. Limites de la recherche ..................................................................................................... 61
1.2. Les résultats ....................................................................................................................... 62
1.3. Critique .............................................................................................................................. 65
1.4. Recherches futures ............................................................................................................ 66
Bibliographie ......................................................................................................................................... 68
Annexes ................................................................................................................................................. 78
Annexe 1 : Evolution du volume mensuel des transactions sur le S&P500 ...................................... 78
Annexe 2 : Marchés boursiers les plus importants ........................................................................... 79
Annexe 3 : Taille des marchés boursiers par pays fin 2016 .............................................................. 80
Annexe 4 : Frais sur l’Euronext pour des transactions sur actions ................................................... 80
Annexe 5 : Evolution des frais de commission payés pour l’exécution de transactions. .................. 81
Annexe 6 : Flash Crash du 6 mai 2010 ............................................................................................... 81
Annexe 7 : Le trading algorithmique par classes d’actifs et par régions ........................................... 82
 1.

I. Introduction
Les marchés financiers ont indéniablement été marqués par des changements au cours des
dernières décennies (Aldridge, 2013). Les acteurs du monde financier n’effectuent aujourd’hui
pas de la même façon leurs ordres qu’il y a de cela cinquante ans, et ceci pourra probablement
être répété endéans la même période de temps dans le futur (Song & Thakor, 2010). Les
marchés se sont adaptés, se sont transformés, ont progressé. Victor Hugo, dans son livre « Les
Misérables », a écrit : « le progrès est le mode de l’homme ». Les investisseurs ont ainsi évolué
dans leur manière de réaliser des transactions, et les avancées technologiques ont permis de
révolutionner les marchés financiers (Kim, 2010).

De par ces changements, un sujet en particulier attire aujourd’hui tous les regards : les
algorithmes de trading. Récemment, plusieurs articles ont été écrits à propos de banques
d’investissement dont les salles de marchés s’étaient radicalement métamorphosées (Goya,
2017). Ainsi, un desk de trading de la célèbre banque Goldman Sachs qui comptait près de six
cents traders en 2000 n’en compte, seize ans plus tard, plus que deux (Byrnes, 2017). Tous les
autres traders ont été remplacés par des algorithmes de trading, dont deux cents ingénieurs
informaticiens sont chargés de les tenir à l’œil.

Ceci ne forme qu’un exemple parmi d’autres spécifiant que les algorithmes de trading
sont à ce jour fortement implantés au sein des marchés financiers1 (Aldridge, 2013). Cela a
pris un certain temps à mettre en place, mais aujourd’hui les algorithmes ont la particularité
de se comporter comme le feraient les traders, en mieux (Byrnes, 2017). Ils peuvent, par
exemple, analyser des erreurs qui ont pu être commises lors de transactions antérieures afin
de ne pas les reproduire. Ceci est en adéquation avec ce que disait Albert Einstein : « La folie,
c’est de se comporter de la même manière et de s’attendre à un résultat différent ».

Cependant, le trading algorithmique peut paraître abstrait pour la plupart de

personnes. A travers ce mémoire, nous allons démystifier les principales questions entourant
ce sujet. En particulier, nous aborderons la problématique suivant deux sous-questions.
Premièrement, nous analyserons en quoi la venue d’algorithmes de trading peut être vue

1
Kissel (2014) dans son livre estime que les algorithmes de trading étaient responsables de plus de 80% du
volume d’actions traitées aux Etats-Unis en 2012.
 2.

comme une nécessité. Ensuite, nous rechercherons pourquoi nous pouvons parler de
(r)évolution en matière de trading.

Notre mémoire se compose de deux parties distinctes. La première partie est une
revue théorique de concepts propres au trading. Nous analyserons tout d’abord les
différences pouvant exister entre la manière de faire du trading avant la révolution engendrée
par l’électronique et la façon de procéder aujourd’hui (Song & Thakor, 2010). Ensuite, nous
porterons un regard plus attentif sur les effets découlant de l’automatisation des marchés
financiers, et en particulier les contrats et les types d’ordres impliqués (Johnson B. , 2010).
Enfin, nous clôturerons la partie théorique en explicitant le rôle des algorithmes de trading
ainsi que les paramètres qui y sont associés (Yang & Jiu, 2006).
Cette première partie donnera un aperçu clair et concis des notions nécessaires à la
compréhension de la suite de ce mémoire qui est composée d’analyses en rapport avec le
trading algorithmique.

Nous entrerons ensuite dans le vif du sujet, à savoir les recherches visant à répondre à
notre problématique. Celles-ci s’appuient sur des ouvrages et des études reconnues dans le
domaine du trading, et plus spécifiquement l’utilisation d’algorithmes de trading. En analysant
de manière critique ces informations, nous serons à même d’atteindre l’objectif se trouvant
derrière l’écriture de ce mémoire.

Dans un premier temps, nous analyserons les changements qui se produisent sur les
marchés financiers afin de constater si la venue des algorithmes de trading a été une réelle
nécessité. Pour cela, nous nous inspirerons des recherches ayant eu lieu sur les marchés
boursiers américains (Markham & Harty, 2008).

Ensuite, nous décomposerons l’émergence des algorithmes de trading en trois points

distincts : les coûts, la liquidité et l’exécution. Ceci nous permettra de dire si la qualité du
marché a été améliorée grâce aux algorithmes de trading. Nous terminerons cette partie en
recherchant les inconvénients qui sont liés à l’utilisation de ces systèmes.

Ceci nous amènera en fin de compte à la conclusion de ce mémoire, où nous

reviendrons sur les principaux résultats. Nous exprimerons également une critique par
rapport à nos recherches et évoquerons de possibles recherches futures.
 3.

II. Evolution du Trading et de son fonctionnement

La première partie de ce mémoire vise à guider le lecteur à travers les concepts théoriques
que nous aborderons tout au long de ce document. En effet, les marchés financiers ne
ressemblent aujourd’hui en rien à ce que nous connaissions il y a de cela quelques décennies
(Aldridge, 2013).

Nous décidons dans un premier temps de comparer l’environnement des salles de

marchés avant la révolution informatique et celui que nous observons aujourd’hui. Ces
changements ont lieu non seulement dans la manière d’effectuer des transactions, mais
également parmi les acteurs de marché réalisant les achats et les ventes d’actifs financiers
(Song & Thakor, 2010).

Dans un second temps, nous nous intéresserons à l’apport de l’électronique sur les
marchés financiers. En particulier, nous traiterons des différents types de contrats qui peuvent
être échangés sur les marchés, ainsi que les divers types d’ordres pouvant être utilisés par des
investisseurs afin d’exécuter leurs transactions (Johnson B. , 2010).

Enfin, nous clôturerons cette première partie en explicitant de façon théorique le rôle
des algorithmes de trading au sein des marchés. Nous les classerons en trois catégories
principales, suivant les recherches de Yang et Jiu (2006). Nous terminerons en explicitant les
paramètres dont peuvent dépendre les algorithmes. Ces paramètres sont mis en place par les
investisseurs afin de tirer profit au mieux de l’évolution qu’ont pu connaître les marchés.

Le développement des concepts que nous verrons dans cette première phase
permettront ensuite de mieux cerner l’analyse que nous effectuerons lors de la seconde partie
du mémoire. De plus, cela aidera fortement à la compréhension de la recherche effectuée par
la suite, et nous pourrons percevoir de façon plus aisée les liens existants entre la théorie et
la pratique.
 4.

1. Aperçu historique : comparaison entre les années ’70 et aujourd’hui

Le paysage des salles des marchés est en constante évolution, et ceci est d’autant plus
marquant depuis les années ’70 (Song & Thakor, 2010). L’arrivée des ordinateurs a marqué un
changement fondamental dans la manière avec laquelle travaillent les personnes au sein du
monde financier. Le temps des traders qui crient leurs ordres à travers des salles de marchés
noires de monde est définitivement révolu (Chang, 2005). Ces films qui nous ont tant fait rêver
et qui ont véhiculé cette image de traders tout puissants, en référence notamment à « Wall
Street »2 et le célèbre Gordon Gekko, peuvent aujourd’hui être classés au rang de mythe. En
effet, le métier de trader et son fonctionnement ont été marqués par des changements
radicaux. Ces transformations sont d’autant plus visibles lors de ces dernières années, car la
diminution des coûts des hardwares ainsi que les investissements considérables dans cette
technologie dite « électronique » ont permis d’ouvrir les marchés financiers à davantage
d‘acteurs. De plus, dans les récentes années une part non-négligeable des opérations de
marché se fait à l’aide d’algorithmes de trading3.

Il peut dès lors être intéressant de s’informer plus en profondeur sur la différence entre le
fonctionnement des marchés financiers avant l’arrivée de l’électronique et les marchés
financiers comme nous les connaissons aujourd’hui. Afin d’avoir une idée plus précise sur le
sujet, prenons pour exemple le paysage des marchés financiers dans les années ’70 et celui
que l’on connaît actuellement.

1.1. Le paysage des marchés financiers dans les années ‘70

Dans les années ‘70, les principaux acteurs de marché peuvent être classés comme suit
(Aldridge, 2013):

2
« Wall Street » est un film réalisé par Oliver Stone en 1987. Il traite de la finance et des marchés financiers aux
Etats-Unis. Le film est aujourd’hui devenu culte, notamment grâce à certains personnages emblématiques tels
Gordon Gekko, incarné par Michael Douglas.
3
Selon une étude datant de fin mai 2016, le trading haute fréquence (THF), qui forme une sous-catégorie du
trading algorithmique, était responsable en 2014 de respectivement 35% des transactions du marché des actions
en Europe et 50% de celui aux Etats-Unis (Kaya, 2016). Ces chiffres sont néanmoins en baisse comparé à 2009 où
le THF représentait environ 40% et 60% du marché des actions en Europe et aux Etats-Unis.
 5.

▪ Les « petits investisseurs », monsieur et madame tout le monde qui souhaitent

investir une partie de leur argent dans un produit financier.
▪ Les spéculateurs, qui font du trading pour compte propre ou pour une
organisation financière. Ils parient sur la hausse ou la baisse d’un titre et
engrangent ainsi du profit.
▪ Les market makers ou teneurs de marché, qui comme son nom l’indique sont
les personnes en charge de faire le marché. Nous entendons par cela qu’ils
doivent à tout moment pourvoir un prix d’achat ou de vente à la personne
désireuse de traiter un produit sur le marché.
▪ Les gestionnaires discrétionnaires, qui ont pour rôle de gérer l’argent de tiers.
Le terme désigne les hedge funds, les fonds de pensions et les organismes de
placements collectifs, mais ne s’y limite pas (Bogle, 2016).

Le trading dans les années ’70 se faisait essentiellement par des ordres écrits. De ce temps,
les coûts transactionnels constituaient un réel frein à l’achat ou à la vente de produits
financiers. Par exemple, le volume d’actions traitées sur le S&P 500 était alors proche des
$250.000.000 par mois4 (Yahoo Finance, 2017). De par le fait que tous les ordres étaient
transmis par écrit, des erreurs pouvaient survenir. Les traders travaillaient sur des plateaux
noirs de monde, et criaient leurs ordres à travers la salle ou par téléphone (Chang, 2005). Il
arrivait alors que l’ordre soit mal compris, avec toutes les conséquences néfastes à la clef. De
plus, il suffisait que l’écriture de certaines personnes laisse à désirer pour que des erreurs
facilement évitables surviennent. Enfin, toute la partie analytique que nous connaissons
aujourd’hui était mise de côté. Les traders et brokers faisaient confiance à leur instinct ou
agissaient en fonction de l’expérience qu’ils avaient pu se forger toute au long de leur carrière
(Brown, 1996). Le pouvoir était nettement en faveur des brokers, qui au passage
engrangeaient de larges commissions liées aux marges très élevées (Hazen, 2017) .

1.2. Le paysage des marchés financiers de nos jours

Aujourd’hui, les choses ont changé de façon radicale. Nous retrouvons encore les anciens
protagonistes, mais la place qu’ils occupent a été nettement réduite, principalement par

4
Comme démontré à l’annexe 1 avec des données venant de Yahoo Finance.
 6.

l’arrivée de nouveaux acteurs de marchés. Ceux-ci se caractérisent par l’utilisation de

nouvelles technologies, découlant des avancées en termes d’électronique et de soft- et
hardwares. Les nouveaux entrants sont notamment :

▪ Les arbitragistes automatisés, utilisant des algorithmes afin de passer des

ordres de marché de façon automatique. Leur but est d’engranger du profit à
très court terme, en jouant sur les différences de prix qui peuvent survenir au
sein de deux marchés distincts (Rose, 2010).
▪ Les market makers automatisés, permettant aux utilisateurs de procéder à une
transaction sur les marchés financiers à tout moment (Sethi & Vaughan, 2016).
Ils ont également pour but de fournir des prix précis aux traders ainsi que de
s’assurer que l’ordre d’un vendeur rencontre l’ordre d’un acheteur, et
inversement (Othman, Pennock, Reeves, & Sandholm, 2013).
▪ Les gestionnaires d’actifs quantitatifs, qui à l’aide de connaissances
approfondies en mathématiques, macroéconomie, finance et informatique
parviennent à prédire l’évolution d’actifs financiers (Cornell & Hsu, 2016).
▪ D’autres alternatives aux plateformes de trading traditionnelles, telles les
« dark-pools ». Celles-ci permettent par exemple à de grands acteurs
institutionnels de transmettre des ordres de façon anonyme, en passant par
des marchés parallèles. Ceci a pour avantage de ne pas montrer ses intentions
aux autres, tout en influençant au minimum le prix du produit (Comerton-Forde
& Putnins, 2015).

De par ces changements, l’accès au marché s’est démocratisé. Alors que le trading était avant
réservé à une petite partie des gens, il suffit aujourd’hui de disposer d’une connexion internet
et d’un ordinateur, voir un smartphone ou une tablette, et nous avons instantanément accès
aux marchés financiers mondiaux. Il est également important de notifier qu’étant donné que
tout se fait de façon informatisée aujourd’hui, les erreurs sont beaucoup moins fréquentes.
Contrairement à ce qui pouvait se voir dans le passé, le pouvoir se situe désormais dans les
mains des investisseurs, et non plus des brokers. Les coûts des transactions ont diminué de
façon drastique, permettant aux investisseurs de garder une part plus large du gâteau.
 7.

La transformation du paysage des marchés financiers lors de ces cinquante dernières

années a inexorablement profité aux nouveaux entrants, se référant aux nouvelles
technologies et leur permettant d’utiliser tous les aspects positifs qui en découlent. En termes
de comparaison, aujourd’hui ce sont environ $80 milliards qui se traitent chaque mois sur le
S&P 500 5 (Yahoo Finance, 2017).

1.3. Le fonctionnement des marchés financiers dans les années ‘70

Bien évidemment, il n’y a pas que le paysage des salles de marchés qui a changé, mais
également leurs modes de fonctionnement. Il est ainsi intéressant de se pencher sur les
différences notables que l’électronique au sein des salles de marchés a engendrées (Chang,
2005).

Comme évoqué précédemment, le pouvoir de décision résidait en grande partie dans

les mains des brokers. Ces personnes étaient en charge d’effectuer leurs recherches, de
s’informer sur les produits et de soumettre des idées d’investissement à leur client. Le rôle du
broker était alors des plus importants, car il avait plus de facilité d’accès à l’information que
son client (Brown, 1996).

Une fois que l’investisseur avait décidé de la position qu’il voulait prendre, il
téléphonait au broker afin de lui transmettre ses directives. Ce dernier introduisait l’ordre
dans le marché s’il était d’une taille suffisante. Dans le cas contraire, il devait attendre
davantage de petits ordres afin de former un « lot », dont la taille équivaut au minimum
échangeable sur le marché. De ce fait, il se pouvait que certains clients soient lésés car leur
ordre se traitait ultérieurement, à un prix différent dans certains cas.

Le broker passait ensuite l’ordre à un « spécialiste » qui endossait le rôle de market

maker, garantissant qu’il y ait en permanence un écart minime entre l’offre et la demande sur
un produit (Brown, 1996). Ce spécialiste s’assurait d’assigner un certain lot à un certain prix,
normalement sans préférence entre les brokers afin d’exercer son métier en toute
transparence. Une fois l’ordre placé, il transmettait les détails finaux au broker. Ce dernier se

5
Comme démontré à l’annexe 1 avec des données venant de Yahoo Finance.
 8.

chargeait de faire la même chose pour son client, engrangeant au passage de belles
commissions.

1.4. Le fonctionnement des marchés financiers aujourd’hui

Nous comprenons assez rapidement que le long processus qui existait il y a cinquante ans a
nettement été amélioré par la suite. La technologie permet aujourd’hui de transférer le
pouvoir de décision des mains du broker à celles de l’investisseur. Ainsi, la place des brokers
est presque devenue anodine désormais (Madura, 2010).

Toutes les informations concernant les produits financiers pouvant être traités se
trouvent à présent extrêmement facilement. Les investisseurs ont ainsi accès aux informations
et peuvent effectuer eux-mêmes leurs analyses, et ce via internet ou des plateformes
financières spécifiquement conçues pour cela telles que Bloomberg ou Thomson Reuters
(Harris, 2002).
Une fois sa décision prise, ils introduisent leurs ordres via des plateformes
électroniques d’achats ou de ventes de titres. De par le fait que tout se passe de façon
électronique, le risque d’erreur est nettement limité (Harris, 2002).

L’ordre apparaît ensuite sur l’ordinateur du broker, qui est chargé d’exécuter l’ordre
de la meilleure façon qui soit. Nous entendons par là qu’il doit minimiser le risque pour
l’investisseur, le temps que prend l’exécution de l’ordre, le coût engendré pour l’investisseur
ainsi que le temps d’observabilité de l’ordre. La façon la plus rapide pour effectuer cela est à
l’aide d’algorithmes. Comme évoqué par un des brokers chez Degroof Petercam, chaque
broker aura sa façon d’allouer les ordres qu’il reçoit en fonction des algorithmes qu’il a mis
sur pied. Cette étape a dorénavant été réduite à quelques (milli)secondes.

Le broker se charge enfin d’envoyer les termes de l’exécution au client et est rémunéré
à la commission pour le travail fourni. Dépendant du client pour lequel il a effectué l’ordre, il
sera rémunéré à hauteur de quelques centièmes de pourcents de la transaction (Aldridge,
2013).
Mais les investisseurs ont également la possibilité de traiter directement dans les
marchés, sans passer par des intermédiaires. Un exemple d’une telle plateforme en Belgique
 9.

est « Keytrade Bank »6, où d’un simple clic un client peut entrer un ordre d’achat ou de vente
d’un produit financier. La plateforme va automatiquement gérer son ordre à l’aide
d’algorithmes, diminuant encore l’intervention humaine et dès lors les coûts engendrés.

2. L’électronique au sein des marchés financiers

Après s’être penché sur l’évolution qu’ont connu les marchés financiers, il est intéressant
d’analyser l’impact de l’électronique quant à son fonctionnement. Cette partie a pour but de
clarifier les produits financiers qui peuvent être traités sur des marchés boursiers
électroniques ainsi que d’expliquer de façon concrète le rôle de l’électronique au sein de ceux-
ci (Bodie, Kane, & Marcus, 2013).

2.1. Les types de contrats traités sur les marchés financiers

Il va sans dire qu’un grand nombre de contrats financiers sont aujourd’hui traités sur des
bourses électroniques. Il est important de décomposer ces différents types afin de
comprendre par la suite les spécificités liées à chacun d’eux. En fonction de ses
caractéristiques, un produit financier sera plus ou moins facile à traiter sur un marché
électronique.

Les plus connus sont bien évidemment les actions, ordinaires ou privilégiées (Tanase
& Calota, 2014). Ces actions sont émises par des entreprises et confèrent à leur détenteur un
droit de propriété sur la société en question, offrant la possibilité de partager les profits le cas
échéant. Lors de l’introduction en bourse d’une société, cette dernière va procéder à une IPO
(Initial Public Offering), émettant un nombre déterminé d’actions à un prix prédéfini
(Bessembinder, Hao, & Zheng, 2015). Ces actions vont ensuite être échangées au sein des
marchés, et de nouvelles actions peuvent également être émises par les entreprises. La
différence entre les actions ordinaires et privilégiées réside dans le fait que les premières
octroient un droit de vote lors des prises de décisions qui surviennent durant les assemblées
générales (AG) de la compagnie. Les actions préférentielles quant à elles permettent de

6
Keytrade Bank est une banque belge en ligne qui permet à ses clients d’emprunter de l’argent, d’investir dans
des actifs financiers et donne un accès direct à ses clients aux marchés financiers internationaux.
 10.

percevoir les dividendes ou les fruits d’une liquidation avant les actionnaires normaux (Tanase
& Calota, 2014).

Une autre classe d’actifs financiers qui peut se traiter sur les marchés électroniques
sont tous les produits dits « exotiques ». Parmi ceux-ci nous distinguons les produits de change
(« foreign exchange », FX), les matières premières (« commodities ») etc. (Ye, 2009). Ils se
retrouveront souvent sous forme de fonds négociables en bourse (« exchange traded funds »,
ETF), qui se traitent de la même façon que des actions (Bansal & Somani, 2002). Ces produits
pourront également se traiter en tant que produits dérivés (Escobar, Mahlstedt, Panz, & Zagst,
2017). Ces contrats apparaitront alors comme des futures, des options ou des swaps.

Les fonds communs de placement constituent une autre alternative aux investisseurs
souhaitant traiter sur les marchés électroniques. Néanmoins, dans ce cas les investisseurs
confient une partie de leur argent à de tiers gestionnaires. Ceux-ci vont créer un portefeuille
suivant les caractéristiques du fond, notamment sa stratégie d’investissement. Les fonds sont
limités en taille, et les gestionnaires de fonds s’engagent à racheter les parts des investisseurs
en cas de retraits du fond (Kacperczyk, Sialm, & Zheng, 2005). Etant donné la lourde législation
entourant les fonds communs de placement, les sociétés d’investissement se tournent vers
des hedge fund (Brav, Jiang, & Kim, 2015). Ceux-ci ont la particularité d’être beaucoup plus
laxistes du point de vue de la régulation, et poursuivent des stratégies de trading plus
agressives.

Les obligations constituent une autre classe d’actifs. Celles-ci sont émises par les
sociétés, et une personne détenant une obligation aura droit à un coupon régulier sur une
certaine période, qui est fonction du taux d’intérêt pratiqué. L’obligation constitue une forme
d’endettement pour les entreprises ou de créance pour les détenteurs d’un tel produit.
L’obligation n’accorde par contre pas de droit de vote lors d’une AG. Une alternative se
retrouve dans les obligations convertibles, qui permettent d’échanger ses obligations contre
des actions (Mayers, 1998). Il existe également des marchés secondaires où il est possible
d’acheter et de vendre ce genre de produits.
 11.

2.2. Le trading au sein des marchés électroniques

Les marchés financiers fonctionnent par l’envoi d’ordres d’exécution. Ces ordres permettent
à des investisseurs de communiquer leurs intentions d’achats ou de ventes. Les deux types
d’ordres les plus communs sont les ordres au marché et les ordres à cours limité (Johnson B. ,
2010).

2.2.1. Les ordres au marché

Le concept se trouvant derrière les ordres au marché est le suivant : exécuter une
transaction pour un volume donné au meilleur prix possible (Stoll, 2006). La personne
introduisant un tel ordre n’introduit pas de limite de prix. Elle souhaite néanmoins que le
volume d’achat ou de vente se fasse intégralement. Prenons pour exemple le livre d’ordres ci-
dessous.

Figure 1: Exemple d'un livre d'ordres

Dans ce cas-ci, le tableau à gauche montre le volume d’achat et de vente actuellement

présent dans le marché pour un certain produit et les prix correspondant à ces volumes. La
différence entre le meilleur prix de vente et d’achat est appelé le « bid-ask spread » (Berkman,
1993). Le cas de figure repris ci-dessus est l’introduction d’un ordre d’achat de 2000 unités au
prix de marché. Les 2000 unités vont être complétées tenant compte des 1500 unités à 17.85
et de 500 unités à 17.86. Le prix moyen par unité est alors 17.8525. Le prix dépendra donc en
grande partie de la liquidité7 du produit (Chordia, Roll, & Subrahmanyam, 2001). Un ordre

7
Selon John Maynard Keynes (1930), un actif est dit plus liquide qu’un autre « s’il est plus susceptible d’être
exécuté en un temps plus court sans perte ». Il faut donc tenir compte du risque associé à sa valeur finale ainsi
que l’existence d’un marché capable d’absorber l’achat ou la vente sans que cela ait un impact significatif sur le
marché (Pagano, 1989).
 12.

possédant un volume plus large aurait entrainé un prix d’achat supérieur, car les volumes sont
limités. Pour 3000 unités il aurait, par exemple, fallu payer 17.8578. Si le but recherché est
l’optimisation de la performance plutôt que la rapidité d’exécution, un donneur d’ordre
privilégiera les ordres à cours limité.

2.2.2. Les ordres à cours limité

Les ordres à cours limité ont pour objectif d’acheter ou de vendre une certaine
quantité à un prix préalablement choisi (Handa & Schwartz, 1996). La transaction ne se fera
que lorsque le prix limité coïncidera avec l’offre. Un ordre limite à l’achat s’effectuera ainsi au
prix indiqué, ou en dessous de celui-ci. Un ordre à la vente se fera également au prix entré, ou
au-dessus de ce dernier. Si le volume entré n’a pu être totalement exécuté, l’ordre restera
visible. Ceci favorisera la liquidité étant donné que d’autres personnes pourront voir si des
gens montrent de l’intérêt à l’achat ou à la vente, voyant la quantité disponible et le prix
affiché. L’avantage associé à cette technique est le fait d’être soi-même maître du prix,
contrairement à un ordre au marché.
Un investisseur peut alors profiter de la hausse afin de vendre avant que le marché ne
retombe (cas de figure (a)), ou profiter de la baisse pour acheter et engranger du profit sur
une hausse future (cas de figure (b)). Dans l’exemple ci-dessous la personne détenant un
produit financier a émis un ordre de vente au prix de 17,82. Lorsque le prix atteint cette limite,
le produit sera automatiquement vendu. Il en va de même pour un investisseur désireux
d’acheter à un prix inférieur au cours actuel (Gould, et al., 2013). Deux cas de figures peuvent
néanmoins entraver l’exécution automatique de ces ordres : 1) la limite n’est pas atteinte,

Figure 2: Placement d’un ordre à cours limité

 13.

auquel cas l’ordre n’aura pas lieu et 2) un ordre au marché est introduit, auquel cas il aura
priorité sur un ordre à cours limité ayant les mêmes caractéristiques (Toke, 2015) .

2.2.3. Autres types d’ordres

Outre les deux types d’ordres précédemment évoqués, il est important qu’un trader
ait connaissance d’une multitude d’autres catégories d’ordres qui peuvent exister. En effet, il
est important qu’un trader puisse ajuster ses positions et ses ordres en fonction des
mouvements de marchés qui ont lieu, mais également en anticipant de possibles
changements (Cartea, Jaimungal, & Penalva, 2015). En voici quelques exemples.

Un trader peut par exemple choisir de combiner un ordre au marché avec un ordre à
cours limité, communément appelé un ordre hybride. Comme évoqué précédemment, l’un
offre une garantie d’exécution mais une incertitude quant au prix, alors que l’autre permet de
fixer un prix sans pour autant assurer son exécution (Cartea & Jaimungal, 2015). Il utilisera
alors un ordre appelé « market-to-limit » (MTL), qui se comporte premièrement comme un
ordre au marché et dans un second temps prend la forme d’un ordre à cours limité. Si un
trader introduit un ordre d’achat, le prix disponible à la vente deviendra le nouveau prix limite
(Back & Baruch, 2007). Dans l’exemple ci-dessous, un trader introduit un ordre MTL à l’achat
de 2000 unités. L’ordre va ainsi se compléter par les 1500 unités au prix de 17.85, et les 500
unités restantes se mettent en attente au prix de 17.85 qui devient la limite.

Achat Vente Achat Vente

Volume Prix Volume Prix Volume Prix Volume Prix
2000 17.82 1500 17.85 500 17.85 1500 17.85
750 17.81 1000 17.86 2000 17.82 1000 17.86
200 17.80 150 17.87 750 17.81 150 17.87
1700 17.79 500 17.88 200 17.80 500 17.88
(1) Avant 1700 17.79
(2) Après

Figure 3: Exemple de l’effet d’un ordre "market-to-limit"

Les marchés financiers doivent satisfaire tous types d’investisseurs, du plus important,
celui qui représente une somme investie considérable, au plus petit. Or les plateformes
électroniques permettent à tous les investisseurs de voir les ordres d’achat et de ventes au
sein du marché. Ainsi, des investisseurs imposants ne souhaitent pas forcément que leurs
 14.

intentions soient divulguées, car cela pourrait influencer les conditions du marché (De Winne
& D'hondt, 2007). Il leur est donc possible d’émettre des ordres de façon cachée, tout ou en
partie suivant les marchés sur lesquels ils traitent (Euronext, NASDAQ, NYSE etc.). De tels
exemples sont les ordres « iceberg ». Ils ont pour particularité de ne dévoiler qu’une petite
partie du volume que le trader souhaite traiter. Ils peuvent ainsi écouler un large volume en
plusieurs morceaux, leur garantissant un prix fixe (Pardo & Pascual, 2012). Si un investisseur
veut par exemple vendre 10,000 unités à 17.85, il va montrer 1,000 unités et garder les 9,000
autres dissimulées. Une fois que les 1,000 unités sont vendues, un nouveau lot de 1,000 unités
à 17.85 se placeront dans le livre d’ordres et il n’en restera que 8,000 cachées. Ceci se produira
jusqu’à ce que toutes les unités soient vendues.

Un ordre peut également être accompagné de conditions quant à son exécution. Dans
ce cas, l’ordre ne sera émis qu’une fois les conditions réunies pour qu’il soit effectué. Un tel
exemple peut être celui des ordres « stop-loss » qui a pour but de réduire les pertes (Shelton,
2017). Un investisseur peut introduire un ordre d’achat à 17.85 et voir le cours grimper jusqu’à
17.95. Il place alors un ordre « stop » à la vente à 17.95. Si l’action continue de grimper, l’ordre
« stop » restera inactif. Dans le cas contraire, un ordre de vente sera émis. Ainsi l’investisseur
profitera d’une sécurité en cas de marché défavorable.

Une autre fonction permet aux investisseurs de jongler plus facilement avec les limites
de prix qu’ils émettent. De tels ordres sont dit « rattachés » à un autre (pegged-orders en
anglais). Ce phénomène est également perceptible au sein des systèmes de taux de change,
comme par exemple le dollar de Hong Kong qui suit le dollar américain (Scott, 1997). Dans le
cas des marchés financiers, un investisseur qui entre un « pegged-order » souhaite que son
ordre suive en permanence le meilleur prix actuellement disponible à l’achat ou à la vente
suivant une condition qu’il prédéfinit (Johnson B. , 2010). Dans l’exemple ci-dessous un trader
souhaite que son ordre d’achat (a) soit constamment à 0.01 près du meilleur prix d’achat.
Lorsqu’un autre ordre vient se placer (b), l’ordre (a) va adapter son prix de sorte à rester au
même niveau que précédemment.
 15.

Achat Vente Achat Vente

Volume Prix Volume Prix Volume Prix Volume Prix
2000 17.82 1500 17.85 (b) 1000 17.84 1500 17.85
(a) 750 17.81 1000 17.86 (a) 750 17.83 1000 17.86
200 17.80 150 17.87 2000 17.82 150 17.87
1700 17.79 500 17.88 200 17.80 500 17.88
(1) Avant 1700 17.79
(2) Après

Figure 4: Exemple de l'effet d'un "pegged-order"

3. Les algorithmes au sein des marchés financiers

L’essor de nouvelles techniques de trading a inexorablement laissé place à des changements

de par la nature d’effectuer ces échanges. Le fait le plus marquant de ces dernières décennies
est sans doute l’émergence d’algorithmes au sein des marchés financiers (Kumiega & Van
Vliet, 2012). Un algorithme est défini par le Larousse comme étant un « ensemble de règles
opératoires dont l'application permet de résoudre un problème énoncé au moyen d'un
nombre fini d'opérations » (Larousse, 2017a). Dès lors, un algorithme de trading va permettre
à son utilisateur d’automatiser les étapes à suivre afin d’effectuer une transaction (Thompson,
2017). En règle générale, ces étapes sont au nombre de cinq (Treleaven, Galas, & Lalchand,
2013):

▪ Rassembler les données, macro- et micro-économiques, qui vont servir d’impulsion

aux algorithmes de trading.
▪ Effectuer une analyse avant l’exécution, de sorte à trouver des opportunités de
profit suivant les classes d’actifs qu’un investisseur souhaite traiter.
▪ L’attente d’un signal de trading, qui suite à l’analyse effectuée, décrit quand il faut
traiter, mais également quels produits il faut inclure dans notre portefeuille
d’actifs.
▪ L’exécution de l’ordre, qui va se faire suivant des paramètres préétablis afin de
garantir une exécution qui satisfait aux attentes de l’utilisateur.
▪ L’analyse après exécution, qui analyse les résultats découlant de l’exécution de
l’ordre et permet ainsi d’ajuster les paramètres en cas de besoin.
 16.

Il est néanmoins intéressant de noter que l’utilisation d’algorithmes de trading n’est

en rien une science totalement nouvelle. Elle remonte à l’emploi des premiers ordinateurs
dans les salles de marchés, au début des années ’70 (Aldridge, 2013). Les algorithmes
permettaient alors d’élaborer des tâches assez basiques et facilitaient quelque peu la vie des
traders. Depuis, grâce aux avancées technologiques et aux volumes toujours plus importants
qui sont traités, une réelle évolution a eu lieu. En effet, il y a de cela près de 50 ans, il était
encore rare de voir des ordinateurs au sein des salles de marchés. Leur coût était prohibitif,
et leurs capacités extrêmement limitées (Stoll, 2006). Or il semble aujourd’hui inimaginable
de ne pas travailler avec un ordinateur au sein d’une salle de marché. Ils sont devenus bien
plus abordables, et permettent de travailler avec de larges bases de données afin de résoudre
des problèmes toujours plus complexes. Les traders faisant usage de ces algorithmes ont pour
mission d’écrire sous forme de lignes de codes leurs intentions, qui vont ensuite être mises en
œuvre par l’ordinateur (Cartea et al., 2015).

3.1. Différentes catégories d’algorithmes de trading

Il existe, tout comme pour les différentes sortes d’ordres de trading précédemment évoquées,
une multitude d’algorithmes ayant chacun leurs spécificités. Johnson B. (2010) suggère de les
classer sous trois types de catégories, s’inspirant de Yang et Jiu (2006) : ceux davantage axés
sur les effets qu’ils peuvent avoir (« impact-driven »), ceux se rapportant au coût (« cost-
driven ») et enfin ceux qui vont rechercher des opportunités (« opportunity-driven »). Selon
le but recherché par son utilisateur, un algorithme de trading pourra facilement se classer
dans l’une de ces trois catégories.

3.1.1. Minimiser l’effet sur le marché

Tant que faire se peut, un acteur au sein des marchés financiers tentera de minimiser
l’impact qu’auront ses actions sur le marché. Cela peut se faire en ajustant le temps ou le
volume sur lequel il traite tenant compte d’un repère, par exemple un certain pourcentage de
volume en un laps de temps prédéfini. Il est également possible de passer outre les
plateformes conventionnelles en utilisant les « dark pools » (Kim, 2010).
 17.

Une des premières références en matière d’algorithmes a été le « VWAP » (volume-

weighted-average-price). En 1988, Berkowitz, Logue et Noser établirent que le VWAP était un
excellent repère afin d’élaborer des stratégies de trading performantes (Berkowitz et al.,
1988). Le principe est assez simple : le repère se calcule en divisant le chiffre d’affaire par le
volume traité. Ainsi, le VWAP journalier d’une action sera :

∑𝑛 𝑣𝑛 𝑝𝑛
𝑉𝑊𝐴𝑃 = ∑𝑛 𝑣𝑛
(Johnson B. , 2010)

où 𝑛 transactions se feront sur la journée, chacune pour une taille 𝑣𝑛 et un prix 𝑝𝑛 . Les
investisseurs souhaitent que, lorsqu’ils achètent ou vendent des positions, ils obtiennent un
prix qui représente le plus correctement possible les conditions du marché endéans le laps de
temps sur lequel ils ont traité (Bialkowski, Darolles, & Le Fol, 2008). Le but est alors de
formuler des algorithmes qui après coup donnent un prix d’exécution proche du VWAP. Toute
la difficulté réside dans le fait qu’aucun investisseur ne connait à l’avance le volume qui sera
traité à un certain moment.

Les algorithmes associés au temps sont les algorithmes qui se réfèrent au « TWAP »
(time-weighted-average-price), représentant le prix moyen sur une période de temps. Ils ne
tiennent pas compte des facteurs de marché, mais se contentent de réaliser un ordre dans un
laps de temps prédéfini (O'Hara M. , 2014). Un acteur financier souhaitant par exemple vendre
100,000 titres pourra décider de procéder par étapes : vendre 1,000 titres chaque 6 minutes
pendant 4 heures, et le double ensuite durant les 3 heures suivantes. Cette façon d’agir sera
jugée efficace si elle est proche du « TWAP » de l’actif financier. Le désavantage de cette
fonction est sa prédictibilité. Mais il est évidemment possible de créer des algorithmes
nettement plus complexes, rendant sa prédictibilité pratiquement impossible à percevoir
(Gregoriou, 2010). Le but final étant d’obtenir des intervalles de temps et un volume optimal
pour que l’ordre soit traité en intégralité endéans une période de temps raisonnable (Aldridge,
2013).
D’autres algorithmes peuvent également être mis en place afin de minimiser l’impact
des transactions entreprises par des investisseurs. Des tels algorithmes portent le nom de
« minimal-impact algorithms » (Preece & Rosov, 2014). Il ne se réfèrent pas à des repères,
comme c’est le cas pour le TWAP et le VWAP, mais se contentent de dévoiler le moins
 18.

d’information possible aux autres acteurs de marché. Ceci peut se produire grâce à
l’apparition de « dark pools » ou en utilisant de ordres cachés, comme évoqué précédemment
(Garvey, Huang, & Wu, 2016).

3.1.2. Minimiser les coûts transactionnels

Ces algorithmes ont pour but de diminuer les coûts transactionnels. Certains de ces
coûts sont liés directement au fait d’effectuer une transaction, comme par exemple les frais
de commissions des brokers (Goldstein, Irvine, Kandel, & Wiener, 2009), des frais liés à
l’utilisation des plateformes de trading (Colliard & Foucault, 2012) et les taxes découlant de
profits réalisés. D’autres sont liés à l’exécution-même de l’ordre, comme par exemple le coût
lié au « spread », qui représente le surplus payé par un investisseur pour que son ordre soit
effectué instantanément (Berkman, 1993). Cette catégorie englobe par ailleurs les coûts de
latence, représentant l’effet de marché qui a lieu entre le moment où un investisseur entre
un ordre et son exécution (Rosenbloom, 2011). Les coûts d’opportunités liés à la non-
exécution d’un ordre (Rath, 2004) ainsi que l’impact sur le prix du marché qu’occasionne un
ordre constituent d’autres coûts implicites.

Certains de ces algorithmes ciblent la mesure du coût total lié à la transition (en anglais
« implementation shortfall (IS)»), qui représente la différence entre le prix d’exécution
théorique et celui réellement observé (Kritzman, Myrgren, & Page, 2006). Leur but est de
trouver un juste milieu entre le risque lié au temps et l’impact d’un ordre sur le marché (Yang
& Jiu, 2006). Une version plus poussée est suggérée par Johnson B. (2010), qui lui parle
d’« adaptive shortfall ». Le principe de cet algorithme est assez similaire au précédent, sauf
qu’il a pour particularité de s’adapter en tout temps aux conditions du marché (Johnson B. ,
2010).

3.1.3. Rechercher des opportunités

Ces algorithmes auront pour but de profiter au mieux des conditions de marché
favorables tenant compte de la liquidité, du prix ou d’autres facteurs (O’Hara, 2015).

De façon similaire à la stratégie du VWAP, un algorithme dit « Price inline » (Johnson

B. , 2010) adapte l’envoi d’ordres non pas en fonction du volume traité sur le marché, mais en
 19.

tenant compte de la sensibilité au prix. Cela permet de définir un repère, et l’algorithme fera
en sorte que l’investisseur puisse comparer le prix du marché avec ce dernier. En toute
logique, un prix sur le marché à l’achat est favorable s’il se trouve en deçà du repère fixé, et
l’inverse est vrai pour un prix à la vente.

Un algorithme peut également rechercher de la liquidité, et adapter l’envoi d’ordres si

le prix est favorable et que les volumes associés à ces prix sont larges (Michayluk & Prather,
2008). Il sera plus facile de traiter un actif financier si celui-ci possède une grande liquidité, et
cela réduira les coûts implicites liés à la transaction. Rechercher de la liquidité peut donc être
particulièrement intéressant, notamment pour des actifs connus pour être moins liquides
(Pagano, 1989).

Un autre algorithme qui peut être classé dans cette catégorie est le processus de
trading de paires. Il consiste simplement à prendre deux actifs similaires et une position
longue dans l’un et courte dans l’autre, selon que la valeur du titre monte et celle de l’autre
descende (Chang, 2009). Un profit sera réalisé si la position longue monte de façon plus forte
que la position courte, et inversement. Cette technique repose sur le fait qu’il y ait des
incohérences de marché, le tout étant d’être capable de les découvrir avant qu’elles ne se
résolvent par elles-mêmes.

L’ensemble des algorithmes évoqués ci-dessus peuvent s’appliquer à toutes les classes
d’actifs qui ont été décrites au point 2.1. Néanmoins, d’autres algorithmes plus spécifiques
peuvent être employés selon qu’un actif en particulier est visé.

3.2. Les paramètres associés aux algorithmes de trading

Les besoins toujours plus spécifiques des investisseurs font en sorte que les personnes
intermédiaires, comme par exemple les brokers, ne peuvent plus se contenter d’utiliser des
stratégies génériques pour l’ensemble de leurs clients (Chaboud, Chiquoine, Hjalmarsson, &
Vega, 2014). Ils doivent adapter leurs algorithmes en fonction des paramètres recherchés afin
d’optimaliser leurs stratégies d’exécution. Les paramètres communs à la plupart des
algorithmes sont par exemple (Johnson B. , 2010):

▪ La définition d’un temps de début et de fin de l’algorithme.

 20.

▪ Le fait d’inclure une fonction « must-be-filled », qui tend à ce que le volume

résiduel soit écoulé même si les conditions de marché ne sont pas favorables.
▪ Une limite de prix qui permet de se protéger contre des fluctuations de prix.
▪ Le style d’exécution : agressif, passif ou neutre. L’agressivité est fonction du
prix et de la taille de l’ordre (Ranaldo, 2004). Un algorithme est dit agressif s’il
se comporte comme un ordre au marché, qui s’exécutera ainsi plus rapidement
mais à un coût potentiellement plus élevé.
▪ Un volume minimum et/ou maximum, qui permet de ne pas dévoiler de façon
trop perceptible ses intentions tout en limitant son impact sur le marché.

Néanmoins, ceux-ci ne forment qu’une petite partie des paramètres qui peuvent être
introduits dans des algorithmes de trading. Les plus simples ne tiendront compte que de
certaines variables, tandis que des algorithmes plus complexes peuvent compter plusieurs
centaines de paramètres (Kissel, 2014). Ainsi, pour les catégories d’algorithmes vues ci-dessus,
les paramètres supplémentaires à prendre en considération peuvent être :

▪ Un paramètre de traçage, pour les algorithmes VWAP et TWAP par

exemple. Ce dispositif va permettre de comparer les performances
actuelles de l’algorithme avec le repère qu’il suit (Frei & Westray, 2015).
▪ Un contrôle sur la visibilité de l’ordre, afin de vérifier que les autres acteurs
de marché ne reçoivent pas trop d’informations quant à nos intentions. Cela
se fait le plus facilement via l’emploi de « dark pools », mais également via
des ordres « iceberg » où l’investisseur utilise des canaux de distribution
traditionnels (De Winne & D'hondt, 2007).
▪ Un moyen d’inclure l’aversion au risque, représentant le souhait qu’à un
investisseur à ce que son ordre soit exécuté rapidement en prenant
davantage de risques (Allen & Karjalainen, 1999).
▪ La possibilité d’adapter son style d’exécution, en passant d’une stratégie
agressive à une stratégie passive en fonction des conditions du marché.
 21.

En faisant habilement usage des algorithmes mis à leur disposition ou créés par leurs
soins, les investisseurs pourront adapter facilement et rapidement leur portefeuille
d’investissement.
 22.

III. Analyse du trading algorithmique

1. Démarche de l’analyse

Cette partie aura pour but de répondre à la double question centrale de notre recherche, à
savoir « en quoi l’apparition d’algorithmes de trading a été vue comme étant une nécessité »
et « quelles sont les raisons pour lesquelles nous pouvons parler de (r)évolution ». De plus, il
sera également intéressant de comparer les avantages et les inconvénients qu’engendrent ce
genre de pratiques. Car ce sont sans doute les avantages qui en découlent qui ont favorisé son
utilisation aujourd’hui. A la suite de cette partie, nous pourrons porter un regard plus critique
sur l’utilisation de ces systèmes au sein des marchés financiers.

L’analyse se fera en plusieurs étapes. Nous allons premièrement aborder de façon

précise les évènements qui ont mené à l’émergence des algorithmes au sein des salles de
marchés (Markham & Harty, 2008). Pour cela, nous allons prendre l’exemple des marchés
américains, et en particulier les évènements ayant eu lieu sur les marchés boursiers tels le
Nasdaq et le New York Stock Exchange (NYSE). Etant donné les nombreux évènements qui
expliquent l’arrivée des algorithmes de trading, nous décidons de diviser les faits de façon
chronologique en deux périodes de temps : des années ’70 à 2001, et de 2001 à aujourd’hui.
Cette partie nous permettra de répondre à la question concernant la nécessité des
algorithmes de trading.

Dans un second temps, nous allons nous concentrer sur les raisons de son succès et les
éléments ayant entrainé son utilisation très répandue au sein des marchés financiers
(Aldridge, 2013). Pour cela, nous opterons pour une analyse approfondie des trois points clés :
les coûts, la liquidité et l’exécution.

Les coûts sont décomposés en coûts explicites, connus d’avance, et coûts implicites,
dont un investisseur ignore le montant avant d’effectuer sa transaction (Rath, 2004). Les
acteurs de marché se doivent de gérer ces coûts au mieux, car des dépenses trop élevées
risquent de diminuer plus ou moins fortement le profit qu’ils réalisent. Nous nous focaliserons
sur le rôle que peut jouer l’utilisation d’algorithmes de trading pour réguler ces coûts. Nous
 23.

pourrons par la suite déterminer si son emploi peut être bénéfique pour le marché en général,
et les acteurs qui le composent.

Un second élément d’une importance capitale est la présence ou non de suffisamment

de liquidité au sein d’un marché. Nous étudierons l’impact des algorithmes de trading sur la
liquidité à l’aide des recherches menées par Hendershott, Jones et Menkveld (2011). Ces
derniers parviennent à déceler les ordres utilisant des algorithmes de trading sur le NYSE. Leur
étude a été citée à de multiples reprises par d’autres chercheurs dans le domaine financier et
forme ainsi une source de grande qualité.

Par après, nous analyserons la démarché bénéfique, tant pour le marché que pour les
investisseurs, que pourraient avoir les algorithmes sur les façons d’exécuter un ordre. Nous
pourrons lors de cette partie établir des liens utiles avec la théorie vue à ce sujet.

Enfin, nous examinerons les inconvénients liés aux algorithmes de trading. Pour ce
faire, nous parlerons de certains manquements reconnus par la littérature financière à propos
de l’utilisation d’algorithmes au sein des marchés financiers (Kissel, 2014). De plus, nous
discuterons de différents faits marquants ayant eu lieu ces dernières années qui démontrent
les désagréments pouvant être causés par ces systèmes.

A la fin de cette partie, nous serons à même de répondre aux questions centrales de
notre mémoire. Les résultats seront repris dans notre conclusion et donneront un regard
critique au lecteur sur la thématique abordée.
 24.

2. Un environnement de trading changeant : Le cas des Etats-Unis

Dans le passé, nous pouvons constater qu’une innovation est forcément le résultat d’un
besoin nouveau (Lhuillery, 2014). Ce besoin sera tantôt comblé, tantôt créé par l’innovateur.
Il en va de même pour l’émergence des algorithmes de trading, qui d’une certaine façon sont
le résultat de nouvelles exigences de la part des acteurs des marchés financiers. Pour ce faire,
nous allons étudier les changements majeurs au sein du marchés boursiers aux Etats-Unis.

2.1. Des années ’70 à 2001

2.1.1. Changements sur le NYSE

Comme nous l’avons écrit précédemment, le réel changement au sein des marchés financiers
a eu lieu à partir des années ’70. Avant cela, les transactions se faisaient de façon écrite ou
par téléphone. Mais le NYSE, qui représente de loin le plus gros marché action à ce jour8
(Desjardins, 2016), introduit en 1976 le système de « designated order tunaround » (DOT), et
quelques années plus tard, en 1984, une version améliorée (Super-DOT) (Markham & Harty,
2008). Ceci fut mis en place afin de faire face au volume d’ordres grandissant et à la nécessité
de les traiter de façon plus rapide. Dorénavant, il y avait la possibilité de transmettre ses
ordres d’achat et de vente de façon électronique. Des entreprises spécialisées recevaient les
ordres sur les écrans d’ordinateurs spécialement conçus à cet effet. Elles s’occupaient par la
suite d’exécuter l’ordre dans le marché. Ce système permettait de transmettre plus de 200
ordres à la seconde et affichait leur prix sur des écrans d’ordinateurs, diminuant de façon
conséquente le temps auparavant consacré à l’impression des ordres (Schizer, 1992). En 1992,
près de 75% des ordres étaient transmis aux entreprises spécialisées via le procédé Super-DOT
(Hasbrouck, Sofianos, & Sosebee, 1993), et plus de 98% en 2002 (Stoll, 2006).

D’autres améliorations ont également vu le jour durant cette période, notamment

grâce à l’arrivée de l’électronique. Des entreprises privées ont perçu les potentiels gains liés à
la transformation des salles de marché. Elles se sont mises à élaborer des systèmes pouvant
aider les brokers, notamment en facilitant toute la partie « back-office » et en affichant des

8
Voir l’annexe 2 pour une vue globale de la taille des marchés financiers mondiaux.
 25.

informations à propos des évolutions des marchés sur leurs écrans (Markham & Harty, 2008).
Certaines de ces firmes, telles Bloomberg et Reuters, ont aujourd’hui encore les systèmes
utilisés par les acteurs de marchés financiers pour obtenir de l’information. Leur but premier
n’était pas d’exécuter les ordres, en passant par un marché électronique par exemple, mais
servait d’aide aux spécialistes.

2.1.2. Changements sur le Nasdaq

De plus en plus, il fallait amener des améliorations à certaines faiblesses qui pouvaient
se trouver sur le NYSE vers les années ’70. Ce marché régulait la plupart des actions listées,
mais laissait pour compte les actions moins importantes (Stoll, 2006). De ce fait, le Nasdaq fut
créé en 1971. Alors que le NYSE est un marché d’enchères9, le Nasdaq est quant à lui un
marché de dealers10. Bénéficiant des avancées technologiques connues jusque-là, ce marché
divulguait l’information reçue à propos des ordres par ordinateur. De base, il ne servait pas
comme marché pour exécuter des ordres, mais en 1984 un système a été développé afin
d’exécuter de petits ordres (« SOES », Small Order Execution System) sur ce marché. Ce n’est
qu’après, en 1990, qu’a été développé SelectNet, un système de trading automatique qui
facilite les échanges électroniques entre les brokers (Markham & Harty, 2008). Le Nasdaq avait
pour particularité de mettre en concurrence les spécialistes, contrairement au NYSE où
chaque spécialiste était responsable de son panier d’actions. Au fil des années, ce nouveau
marché a pris de l’importance, et vers les années ’90 il comptait même plus de sociétés cotées
que le NYSE (Atkins & Dyl, 1997). Néanmoins l’étude de Huang et Stoll (1996) a prouvé que ce
système démontrait un réel désavantage quant aux spreads, qui étaient trop élevés. Mais la
SEC11 (Securities and Exchange commission), en 1997, a émis de nouvelles règles (« Order
Handling Rules », OHR) afin de transformer le Nasdaq (Lindsey, Byrne, & Schwartz, 2016). Ces
règles avaient pour principe d’obliger le Nasdaq à :

9
Un marché d’enchères est caractérisé par le fait que des investisseurs achètent et vendent des actifs financiers
entre eux. Ceci se fera via un système d’enchères, en ce sens que l’offre la plus élevée sera couplée avec la
demande la plus basse (Desjardins, 2017).
10
Au sein d’un marché de dealers, les participants n’opèrent pas de transactions entre eux directement, mais
par l’intermédiaire d’un dealer (Desjardins, 2017).
11
La SEC (Securities and Exchange commission) est une agence gouvernementale américaine qui travaille de
façon indépendante. Elle a pour but de protéger les investisseurs, de veiller au bon fonctionnement des marchés
financiers ainsi que d’établir de nouvelles régulations (Les Echos, 2017).
 26.

▪ Afficher les ordres limites s’ils sont meilleurs que les offres émises par les
market makers. Les investisseurs peuvent désormais entrer en compétition
avec les dealers12 du Nasdaq afin de réduire les spreads (Chung & Van Ness,
2001).
▪ Faire en sorte que les market makers affichent leurs meilleures cotations de
façon publique. Nous entendons par là qu’il faut dorénavant que les market
makers publient leurs cotations les plus compétitives, et permettent ainsi aux
autres acteurs des marchés financiers d’avoir accès à leurs cotations via des
système de communication électronique (« Electronic Communication
Networks » (ECN)13) (Chung & Van Ness, 2001). Cette règle servait à éviter que
les market makers ne se favorisent entre eux en négociant des cotations plus
favorables, au détriment du grand public.
▪ Réduire la taille minimum des ordres émis par les market makers, en passant
d’au moins mille actions par ordre à cent actions par transaction. L’étude de
Barclay, Christie, Harris, Kandel et Schultz (1999) étudie les effets de cette
règle, et parvient à la conclusion que les cotations sont meilleures
qu’auparavant. Ils analysent qu’étant donné que le public peut envoyer des
ordres d’une taille minimum de cent actions, il se peut que les dealers ne soient
pas incités à trouver des prix adéquats pour un lot inférieur à la taille minimale
qu’ils se doivent de traiter (Barclay et al., 1999). Or cette règle sert justement
à ce que les dealers améliorent leurs cotations, ayant pour but de réduire les
spreads sans affecter de manière négative la qualité du marché.
▪ Procéder à un relâchement de la régulation entourant les spreads maximaux
que peuvent pratiquer les market makers sur le Nasdaq. Auparavant, ils se
devaient de rester endéans les limites imposées par la législation14. Kandel et

12
Contrairement à un broker, un dealer est une entité (personne physique ou société) qui achète des actions
pour compte propre (au prix de vente) ou vend des actions qu’il détient (au prix d’achat). Ils agissent en tant que
market makers (Harvey, 2017).
13
Les systèmes de communications électroniques sont définis par la SEC comme étant des systèmes de trading
électroniques, où les ordres d’achat et de vente vont se rencontrer de façon automatique (SEC, 2005b).
14
Cette règle était connue sous le nom de « Excess Spread Rule », et obligeait les dealers à envoyer des cotations
dont les spreads n’excédaient pas 125% de la moyenne des spreads des trois markets makers ayant les spreads
les plus rapprochés (Kandel & Marx, 1997).
 27.

Marx (1997) étudient l’implication de cette règle sur les spreads des market
makers, et parviennent à la conclusion que cette façon de faire n’était pas
optimale, en ce sens que les spreads étaient trop grands. Dorénavant, ils ont
donc davantage le choix quant à leurs cotations, sachant que la législation a été
légèrement modifiée (Barclay et al., 1999).

2.1.3. Les systèmes de communications électroniques

L’arrivée des ECN a été grandement favorisée par certains scandales qui ont frappé le
Nasdaq ainsi que le NYSE. L’étude de Christie et Schultz (1994) a démontré que les spreads
des cours que donnaient les market makers du Nasdaq étaient excessivement larges. Leurs
résultats suggéraient que ces pratiques étaient le résultat d’arrangements entre les market
makers. Les investigations menées par la SEC ont alors démontré que les prix affichés sur les
ECN représentaient mieux les cours réels des actions que ces mêmes cours sur le Nasdaq. De
ce fait, les gens qui traitaient via le Nasdaq recevaient des prix moins intéressants que ceux
utilisant les ECN.

Le NYSE n’a pas été épargné non plus par certaines pratiques douteuses. Les brokers
avaient développé des techniques afin de se positionner comme tiers partie entre deux
transactions, se plaçant systématiquement dans le sens contraire de leur client. Ils gardaient
alors le meilleur prix pour eux, en achetant à un prix bas par exemple, et exécutant l’ordre du
client à un prix nettement moins favorable, en vendant plus haut que précédemment affiché
(Lindsey et al., 2016).

En 1971 déjà, Fisher Black émettait l’idée qu’il fallait passer à des marchés
complètement automatisés (Black, 1971). Selon lui, les marchés financiers pouvaient se
permettre de supprimer l’intervention humaine ou, du moins, réduire considérablement le
rôle des personnes physiques dans l’intervention des transactions de marchés (Stoll, 2006). Il
avait alors en tête une idée qui verrait le jour seulement des années plus tard.

Les ECN commencent à apparaître massivement vers les années ’90 (Markham &
Harty, 2008). Les ECN fonctionnaient suivant les mêmes principes que les livres d’ordres
décrits plus haut. Certaines de ces structures les plus connues portaient des noms comme
 28.

Archipelago, Bloomberg Tradebook, Instinet etc. (Hendershott T. , 2003). Les ECN démontrent
de nombreux avantages :

▪ Ils ont considérablement diminué les coûts transactionnels liés au trading. Les ECN
sont capables de fonctionner de manière automatique, sans avoir besoin de dealers
par exemple. Les dealers sur le Nasdaq traitaient avec des marges de l’ordre de 25
pourcents (Hendershott T. , 2003). De ce fait, les investisseurs avaient dès lors
l’opportunité de passer outre ces intermédiaires, évitant ainsi les grandes marges au
passage. Comme démontré par l’étude de Barclay, Hendershott et McCormick (2003),
au plus grand est le volume des ordres, au plus grande est l’économie réalisée en
passant par des ECN et non des dealers de marché.
▪ Les ECN permettent également de traiter nettement plus rapidement qu’auparavant.
Les avancées technologiques dont ces systèmes se servent visent à ce que qu’ils
prennent systématiquement le dessus sur les ordres exécutés à travers les plateformes
des marchés conventionnels. A titre d’exemple, le temps d’exécution d’un ordre à
l’aide d’un ECN n’est pas supérieur à 3 secondes, or via les systèmes de marchés
ordinaires cela prendrait près de 20 secondes (Hendershott T. , 2003).
▪ L’étude menée par Simaan, Weaver et Whitcomb (2003) affirme que le fait que les ECN
affichent les informations de façon anonyme 15 a pour effet de réduire les spreads. De
plus, l’anonymat peut se révéler important pour certains investisseurs qui ne
souhaitent pas que des concurrents voient leurs prises de positions (Stoll, 2006). Cela
pourrait avoir des conséquences néfastes, telles que le phénomène de « front-
running » expliqué par Brunnermeier et Pedersen (2005), où des traders (a) vendent
juste avant d’autres traders (b) afin que les seconds descendent leur prix, de sorte que
les traders (a) rachètent à un prix moindre.
▪ Tous les investisseurs ayant souscrit à un certain ECN ont accès aux livres d’ordres de
ce dernier. Ils peuvent ainsi ajuster leurs stratégies d’investissement de façon
optimale, ayant une vue plus détaillée sur les prix et le volume disponible (Hendershott
T. , 2003).

15
Hormis les prix et le volume, aucune autre information n’est disponible (Simaan et al., 2003).
 29.

Les stratégies poursuivies par les ECN ne sont pas forcément les mêmes (McAndrews
& Stefanadis, 2000). Nous entendons par là que certains systèmes ne fonctionnent qu’avec
des ordres à cours limité, tandis que d’autres se portent également garants pour les ordres au
marché.

Pour les premiers, l’ordre entré au sein de l’ECN sera dans un premier temps exécuté
dans le système-même. Si l’exécution de l’ordre ne se fait pas de façon immédiate, car il n’y a
aucun acheteur ou vendeur pour le prix entré à ce moment-là, l’investisseur peut décider de
laisser son ordre sur le livre d’ordres de l’ECN. Ce dernier va alors poster l’ordre sur le Nasdaq
si le prix correspond au meilleur prix du système (McAndrews & Stefanadis, 2000).
L’investisseur peut également décider de rediriger l’ordre vers un autre ECN ou simplement
l’annuler (Hendershott T. , 2003). Ceci contribue à créer une concurrence naturelle entre les
différents systèmes, et ainsi garantir un meilleur prix d’exécution (Hasbrouck & Saar, 2002).

Les seconds vont davantage se tourner vers les marchés traditionnels, tels le Nasdaq,
à la recherche de prix optimaux. Quand le meilleur prix du marché (« National Best Bid or
Offer », NBBO) se trouve sur un autre ECN, ou peut être obtenu via un dealer sur le Nasdaq,
le système va automatiquement transférer l’ordre (McAndrews & Stefanadis, 2000). Ils vont
ainsi à la recherche de liquidité en dehors de leur propre système. Pour se faire, chaque ECN
aura sa propre méthode d’exécution et sélectionnera selon des critères spécifiques16 le
système vers lequel envoyer l’ordre.

La prolifération des ECN a par ailleurs contraint la SEC à prendre davantage de mesures
afin de réguler leur activité. En 1999, la SEC développe un ensemble de règles afin de réguler
les systèmes de trading alternatifs17 (Alternative Trading Systems Regulations, Reg. ATS)
(Domowitz & Lee, 2001). Dorénavant, chaque ECN qui traite plus de 5% du volume d’actions
dans un système de marché national (National Market System, NMS) doit être rattaché à un
marché boursier reconnu afin d’afficher les meilleures cotations présentes dans leur système

16
De tels critères peuvent par exemple être le prix, la vitesse d’exécution ou la probabilité d’exécution effective
de l’ordre (McAndrews & Stefanadis, 2000).
17
La SEC définit à la règle 300(a) de la Reg. ATS un système de trading alternatif comme étant « tout système qui
(1) constitue, maintient, ou propose un marché ou des services pour se faire rencontrer des acheteurs et des
vendeurs d’actions ou charger d’effectuer des actions similaires à un marché boursier et (2) qui ne régule pas ses
membres ou surveille son propre marché » (SEC, 1998).
 30.

de façon publique (Karmel, 2001). Les ECN ont le choix d’être enregistrés comme étant des
marchés d’échanges nationaux ou comme étant un système de broker-dealers, et ainsi se
rattacher aux lois correspondantes au système choisi (SEC, 1998). De ce fait, cela revenait à
rendre les ECN plus transparents, car la SEC craignait que les avantages présentés par les ECN
ne profitent qu’à une petite partie des investisseurs, notamment leurs propres souscripteurs
(Markham & Harty, 2008).

En réponse à l’émergence des ECN, le Nasdaq a créé son propre système de

communication électronique en 2002, SuperMontage. Chung et Chuwonganant (2009) ont
analysés les effets positifs qui découlent de l’implémentation du système SuperMontage, et
sont arrivés à la conclusion que cela améliorait la qualité d’exécution des ordres sur le Nasdaq.
Le Nasdaq a également racheté certains ECN (par exemple Instinet) afin de les intégrer dans
son système (Goldstein, Shkilko, Van Ness, & Van Ness, 2008). De plus, ce marché a fusionné
avec d’autres marchés, tels le Philadelphia Stock Exchange et les Boston Stock Exchange
(Markham & Harty, 2008). Le NYSE, de son côté, a fusionné avec Archipelago, l’un des plus
importants ECN, après avoir résisté durant longtemps à la compétition non seulement
occasionnée par les ECN, mais également par les autres marchés mondiaux (Goldstein et al.,
2008). Tout comme le Nasdaq, le NYSE a fusionné avec Euronext en 2006. En faisant ainsi ces
choix stratégiques, les deux marchés n’ont cessé de grandir et représentent aujourd’hui les
deux plus grands marchés financiers au monde18 (Desjardins, 2016).

2.2. A partir de l’année 2001

Si nous prenons l’exemple du marché des actions US, qui représente plus de 50% du
marché des actions au niveau mondial fin 201619 (Dimson, Marsh, & Staunton, 2017 ;Carlson,
2017), la littérature tend à dire qu’une autre grande période de changement a eu lieu dès
2001. En effet, c’est à ce moment-là que la SEC a décidé de passer d’un système de prix à la
fraction près (par exemple 1/16ième de dollar, soit $0.0625) à un système au cent près (soit
$0.01) (« decimalization » en anglais) (Bessembinder, 2003). Ceci avait pour effet de diminuer

18
Voir l’annexe 2 pour une vue globale de la taille des marchés financiers mondiaux.
19
Voir l’annexe 3 pour l’analyse de Crédit Suisse sur la part de marché de chaque pays au sein des marchés
financiers.
 31.

le pas entre le prix d’une action, passant ainsi de par exemple $173/16 à $174/16 , or
dorénavant le prix passerait de $17.18 à $17.19. Concrètement, comme démontré par l’étude
de Chung, Chuwonganant et McCormick (2004), cela signifiait que le prix présent dans les
livres d’ordres serait plus précis, et renverrait une image plus juste de la valeur des actions. Le
spread serait ainsi nettement diminué. L’idée était de réduire les coûts de transactions pour
les petits investisseurs. Une étude établie par Harris (1994) a néanmoins démontré que ce
changement dans les pas de cotation entraine un réel désavantage, notamment une baisse de
liquidité qui peut être néfaste pour la qualité du marché. Une étude similaire a également été
menée par Jones et Lipson (2001) arrivant aux mêmes conclusions.

Kissel (2014), se basant sur d’autres études, explique que la liquidité est restée
semblable à ses niveaux d’avant. En effet, de par le changement de pas de cotation, les offres
se sont dispersées. Au lieu d’avoir une demande de 1000 actions à $100, nous aurions
plusieurs demandes : une de 150 actions à $99.98, une de 200 actions à $99.99, une de 300
actions à $100, une de 200 actions à $100.01 et enfin une de 300 actions à $100.02. Ainsi le
prix moyen est resté semblable, et il y a toujours 1000 actions à la demande. Le changement
s’opère ici au niveau du volume du meilleur prix de la demande, qui était auparavant de 1000
actions et qui n’est plus que de 300 actions après la mise en place de la transformation du pas
de cotation. Ainsi le nombre d’étapes afin d’acquérir les 1000 actions sera plus conséquente.

En outre, de nombreuses règles se sont ajoutées au fil des années. Le marché des
actions US est un marché qui a pour particularité d’être extrêmement fragmenté20 (O'Hara &
& Ye, 2011). De ce fait, en 2005 une loi a été votée (Regulation National Market System ; Reg
NMS) qui a été implémentée en 2007 et qui a justement pour but de garder un œil sur les
fragmentations de marchés. Les règles les plus importantes du manuscrit écrit par la SEC sont
les règles 610 (« access rule »), 611 (« order protection rule ») et 612 (« sub-penny rule »)
(Chakravarty, Jain, Upson, & Wood, 2012) :

▪ Access rule : Cette règle facilite l’accès aux propositions d’offres sur le marché
de diverses façons (SEC, 2005a). Elle permet d’accéder plus équitablement et

20
Le marché des actions US peut être qualifié de « fragmenté » car il a pour particularité de permettre à un
investisseur d’acheter ou de vendre un même produit financier sur un grand nombre de marchés différents.
 32.

de façon non-discriminatoire aux propositions d’offres. Elle tend également à

harmoniser le prix des droits d’entrées à différents centres de trading.
▪ Order protection rule : Interdit l’exécution d’un ordre à un cours inférieur à un
ordre « protégé » se trouvant sur un autre marché. Pour être classé comme
étant protégé, un ordre doit être automatiquement et immédiatement
accessible (SEC, 2005a). En pratique, cela signifie qu’un acteur financier ne peut
traiter à un prix différent que le prix se trouvant « en première ligne » (bid-ask)
sur un autre marché (Budish, Cramton, & Shim, 2014).
▪ Sub-penny rule : Cette règle prévoit qu’un acteur de marché ne peut entrer,
accepter ou montrer de l’intérêt pour un ordre qui a un pas de cotation plus
petit que $0.01, excepté pour les actions cotant à moins de $1.00 (SEC, 2005a).

Ces règles impliquent donc qu’un plus grand nombre d’acteurs ont accès aux marchés, tout
en limitant les pratiques discriminatoires. Ce sont néanmoins ces pratiques qui s’avèrent être
profitables pour les investisseurs. La SEC décide par ces mesures de favoriser la diminution
des risques et une plus juste valeur des actions.

En outre, cela permet d’harmoniser tous ces marchés fragmentés, mais cela favorise
également la venue de nouveaux entrants. Aux Etats-Unis il existe 11 marchés d’actions, et
plus de 50 systèmes de trading alternatifs (O’Hara, 2015). De plus, chaque banque
d’investissement (JP Morgan, Morgan Stanley, Société Générale etc.) possède également en
interne ses desks de trading. Il faut ajouter à cela les marchés traitant les dérivés d’actions et
les marchés sur les futures en actions (O’Hara, 2015). Il va sans dire qu’une réglementation
est nécessaire afin de garder ce système sur pied, et d’éviter que certains acteurs ne profitent
du flou entourant les offres au sein de ces marchés.

En jetant un regard sur le volume traité sur le S&P 500 depuis les années ’70, nous
remarquons que ce dernier n’a fait qu’augmenter jusqu’en 2008/2009. Ceci renforce l’idée
émise par Kissel (2014) et d’autres auteurs qu’en dépit d’une perte de liquidité évoquée plus
haut, le volume en dollars traité n’a cessé de croitre. Le pic de la crise économique est
fortement marqué, et les volumes traités ont atteint des sommets. La baisse significative qui
s’ensuit montre tout de même un niveau nettement plus élevé qu’observé avant la crise.
 33.

Figure 5: Evolution du volume mensuel en $1 milliard traité sur le S&P 500 des années '70 à aujourd'hui
(Données retrouvées sur Yahoo Finance : S&P 500 (^GSPC), 2017)

Néanmoins, il est évident de constater que cette hausse de volume échangé va dans le sens
inverse de la taille des ordres traités (Crédit Suisse, 2011). Suite au phénomène de
« décimalisation », la taille des ordres a constamment diminué jusqu’à la crise financière et
économique, et s’est ensuite stabilisée. Ceci signifie qu’il faut un nombre beaucoup plus
important de transactions aujourd’hui pour parvenir à compléter un ordre.

Figure 6: Taille moyenne d’un ordre aux Etats-Unis (Crédit Suisse, 2011, p. 6)
 34.

3. L’essor du trading algorithmique

Les changements constatés ci-dessus ont grandement favorisé l’utilisation des algorithmes de
trading au sein des marchés financiers. Kirilenko et Lo (2013) relèvent trois raisons à cela :
davantage de complexité au sein des marchés financiers, les avancées dans la modélisation
quantitative et les développements des ordinateurs.

L’augmentation de la complexité va de pair avec la globalisation, qui a pour effet

d’accroître « le nombre d’acteurs de marché, la variété des transactions financières, les
niveaux et distributions des risques, et les sommes engagées » (Kirilenko & Lo, 2013). De ce
fait, il est assez aisé de conclure qu’un monde financier plus complexe requiert des solutions
adéquates. Les algorithmes, offrant la possibilité de résoudre ces problèmes, sont dès lors
d’une grande utilité.

De plus, les avancées en matière de modélisation financière ont permis aux investisseurs
d’adapter des théories écrites par des économistes de renom en langage informatique
(Kirilenko & Lo, 2013). De fait, les formules les plus répandues, telle la théorie d’évaluation
d’options de Black-Scholes ou la théorie de sélection de portefeuilles élaborée par Markowitz
et Sharpe, ont été codées et utilisés au sein d’algorithmes.

Enfin, comme nous l’avions déjà évoqué, les améliorations des systèmes informatiques
ont grandement transformé le paysage des marchés financiers. En 1965, Moore prédisait que
« le nombre de composants par microprocesseur doublerait chaque année » (Mack, 2011),
augmentant ainsi la complexité des appareils. Ceci se faisait pour un prix inchangé, de sorte
que pour un coût semblable les ordinateurs devenaient de plus en plus performants et
puissants (Mack, 2011). Etant donné que les algorithmes de trading sollicitent l’analyse d’un
grand nombre de données, ceci a inexorablement profité à leur emploi.

De par leur croissance exponentielle ces dernières années, il nous paraît intéressant
d’étendre les recherches concernant certains avantages liés à l’emploi d’algorithmes de
trading et d’établir des critiques quant à son usage.
 35.

3.1. Les coûts de transaction

Premièrement, il nous paraît essentiel de discuter des coûts de transactions liés aux
algorithmes de trading. Car en fonction de ces coûts, un investisseur choisira ou non d’utiliser
une stratégie poursuivie par l’algorithme. Et c’est exactement ce point-là qui est primordial,
car un algorithme n’a de sens que s’il peut apporter du profit aux personnes qui l’emploient.

D’un point de vue purement financier, les coûts peuvent être définis comme « les
coûts découlant de l’échange d’un titre financier » (Demsetz, 1968). Bien évidemment, il faut
pouvoir comprendre et contrôler ces coûts, car un investisseur souhaite comprendre pourquoi
il paie une certaine somme, et l’intermédiaire doit savoir justifier les coûts qu’il pratique. Ces
coûts sont généralement classés dans deux catégories différentes : les coûts explicites, ceux
qui sont perceptibles d’avance, et les coûts implicites, qui ne sont pas connus à l’avance et qui
doivent être estimés (Rath, 2004). La compétition grandissante au sein des marchés pousse
d’autant plus les acteurs à être vigilants sur ces points.

3.1.1. Les coûts explicites

Les coûts explicites sont connus à l’avance, avant même d’effectuer la transaction. Il peut
s’agir de frais d’échange, de commissions ou de taxes (Aldridge, 2013).

3.1.1.1. Les frais d’échange

Les marchés de change, comme nous l’avons vu précédemment, ont pour but de se
faire rencontrer des ordres d’achats et de ventes qu’ils ont reçus des ECN ou des Brokers. Pour
ce service, ils perçoivent des montants en fonction de différents critères : le type d’ordre, le
volume, le produit traité etc.21 (Euronext, 2017). Les ECN aussi perçoivent un montant de la
part des investisseurs. Les clients souhaitant accéder aux systèmes ECN doivent, tout comme
pour les marchés boursiers, payer des droits d’accès aux terminaux ainsi que des redevances
par action traitée (Karmel, 2001). Il en va de même pour les utilisateurs indirects, ceux qui ont
souscrit à d’autres ECN, mais dont l’ordre a été redirigé.

21
Un exemple de frais sur l’Euronext peut être trouvé à l’annexe 4.
 36.

Le point capital pour un marché est donc la satisfaction de ses clients en leur offrant la
possibilité d’acheter ou de vendre quand ils le désirent (Stoll, 2006). Il faut que celui-ci s’assure
qu’une liquidité suffisante est disponible, en ce sens qu’il doit en permanence y avoir des
ordres à l’achat et à la vente. Les ordres au marché ne sont pas un bon exemple, car ils
consomment de la liquidité (Cartea & Jaimungal, 2015). En effet, les ordres au marché vont
immédiatement s’exécuter, au prix du marché. Ils ne permettent pas d’agrandir les positions
disponibles dans un livre d’ordres, mais ont l’effet inverse. En revanche, les ordres à cours
limité22 se chargent d’apporter la liquidité nécessaire (Cartea & Jaimungal, 2015). Ils peuvent
néanmoins réduire la liquidité en se comportant comme des ordres au marché, dans le cas où
l’ordre limité à l’achat est au cours actuel ou au-dessus, ou lorsque l’ordre à la vente est au
cours actuel ou en deçà. Un investisseur a cependant peu d’intérêt à agir de la sorte, car toute
l’utilité des ordres à cours limité est d’assurer l’exécution de l’ordre à un prix plus avantageux
que celui qui est en vigueur à cet instant.

Afin d’attirer suffisamment de liquidité, les marchés peuvent décider d’appliquer des
rabais ou des frais dépendants du fait que l’ordre augmente ou diminue la liquidité (Goldstein,
Kumar, & Graves, 2014). Un marché qui offrira un rabais au pourvoyeur de liquidité et des
frais pour les consommateurs de liquidité sera qualifié de « normal ». Un marché fonctionnant
dans le sens contraire sera dénommé comme étant un marché « inversé » (Aldridge, 2013). A
titre d’exemple, les rabais en vigueur sur le Nasdaq en 2017 sont de l’ordre de $0.0001 à
$0.00305 par action (Nasdaq, 2017), alors que les frais associés à la diminution de liquidité se
trouvent entre $0.003 et $0.0035 par action (Nasdaq, 2017). Bien que ces chiffres paraissent
anecdotiques, des investisseurs traitant avec des volumes considérables seront impactés
positivement ou négativement. L’intérêt d’un marché inversé est d’attirer les ordres au
marché quand le NBBO se trouve sur plusieurs marchés différents (Aldridge, 2013).

L’étude menée par Colliard et Foucault (2012) porte notre attention sur deux points
intéressants. Tout d’abord, en analysant l’effet d’une hausse des frais d’échange sur les
marchés à cours limité, ils établissent que ceci a pour effet de réduire les gains engendrés par
les acteurs de marché. En effet, les consommateurs de liquidité peuvent envisager de se

22
En deçà du prix actuel pour des ordres à l’achat, l’inverse vaut pour les ordres à la vente.
 37.

tourner vers d’autres options, comme des ordres au marché ayant une probabilité d’exécution
plus élevée (Colliard & Foucault, 2012). Une baisse des frais, par exemple due à la compétition
grandissante entre les différents marchés, n’attire pas forcément davantage de liquidité car
les pourvoyeurs de liquidité vont également en profiter pour placer des ordres au marché.
Suite à cela, ils partent du principe qu’un marché doit trouver un juste milieu entre ses
frais et ses rabais découlant du retrait ou de l’apport de liquidité. Des frais trop élevés
diminueront les ordres consommant de la liquidité, qui lui rapportent de l’argent. Des rabais
trop généreux attireront quant à eux trop de liquidité, impactant négativement ses profits
(Colliard & Foucault, 2012).

Selon Arnuk et Saluzzi (2008), des traders peuvent profiter des avantages liés au rabais
pour traiter gratuitement. En achetant et vendant des actions pour le même prix, ils génèrent
du profit car ils ajoutent de la liquidité et jouissent de la prime de rabais. Cette façon
d’effectuer des transactions est appelée « Liquidity Rebate Trading » (Arnuk & Saluzzi, 2008).
Etant donné que les rabais sont fonction du volume traité, les grands gagnants de ce genre de
système sont les utilisateurs d’algorithmes, notamment les traders haute fréquence, qui
parviennent à placer des ordres d’achat et de vente extrêmement rapidement (Goldstein et
al., 2014).

3.1.1.2. Les taxes

Une autre sorte de coût connu à l’avance sont les taxes. Une taxe est définie par le
Larousse comme étant un « prélèvement à caractère fiscal, destiné à alimenter la trésorerie
de l’Etat, d’une collectivité locale ou d’un établissement public administratif en contrepartie
d’un service rendu aux administrés » (Larousse, 2017b). Les taxes sont prélevées sur le profit
qu’engrange un acteur de marché, et selon les lois en vigueur dans le pays. Certaines
stratégies utilisant des algorithmes de trading, essentiellement en trading haute fréquence,
génèrent des profits sur une courte période et doivent donc s’astreindre à une taxe complète.
Les stratégies d’investissement à plus long terme produisent des profits après coup qui sont
généralement assujettis à une taxe moindre (Aldridge, 2013).

Dans les années récentes, des gouvernements ont voulu imposer des taxes sur les
transactions financières. Une telle expérience a été menée en Suède, de 1983 à 1991
 38.

(Habermeier & Kirilenko, 2003). Il est néanmoins évident de constater que ce système n’a pas
fonctionné comme prévu. Les acteurs du marché financier suédois ont, après l’instauration de
la taxe, massivement fui ce marché afin de traiter via d’autres marchés boursiers, Londres ou
New-York par exemple (Habermeier & Kirilenko, 2003). L’étude menée par Campbell et Froot
(1994) démontre que cette taxe a un effet extrêmement négatif sur le volume des bonds
d’états traité, diminuant de 85% en 1987 par rapport à son volume moyen. La taxe fut abolie
en 1991, suivant son échec, et de suite le marché boursier suédois est revenu à son niveau
d’avant (Habermeier & Kirilenko, 2003).

Plus récemment, certains pays européens comme l’Italie ou la France ont imposé des
taxes sur les transactions23. Des études récentes (Capelle-Blancard & Havrylchyk,
2016 ;Cappelletti, Guazzarotti, & Tommasino, 2017) sont toutes deux parvenues aux
conclusions que l’instauration de cette taxe a réduit le volume des actions concernées et
parallèlement augmenté le spread de ces actions.

L’idée principale derrière ce genre de taxation est d’éviter que des THF envoient un
nombre excessif d’ordres qu’ils annulent par la suite, impactant ainsi négativement la stabilité
des marchés (Aït-Sahalia & Saglam, 2014). Evidemment, les gains engendrés par une taxe sur
les transactions devraient également rapporter de l’argent. C’est une des raisons pour
lesquelles l’Union européenne aimerait faire passer une loi allant dans ce sens, représentant
un gain de 30 à 35 milliards d’euros par an (European Commission, 2017). Néanmoins cette
loi est sur la table des négociations depuis 2013, et jusqu’à présent tous les acteurs ne sont
pas parvenus à se mettre d’accord.

De plus, il est aujourd’hui extrêmement aisé de contourner ce genre de règlements. Il

suffirait d’élaborer un algorithme tenant compte de cette taxe afin qu’il prenne les décisions
nécessaires pour éviter ces coûts de transactions supplémentaires. Cela pourrait avoir comme
conséquence d’effectuer les transactions sur d’autres marchés, qui ne sont pas impactés par
cette taxe, de se diriger vers des « dark pools » ou d’investir dans d’autres produits financiers

23
En 2012, la France a implémenté une taxe de 0.2% sur les transactions concernant les grands groupes, et 0.01%
pour les THF qui introduisent des ordres et les annulent endéans une demi seconde. L’Italie a, elle, opté en 2013
pour une taxe de 0.02% pour le THF annulant leurs ordres endéans une demi seconde (Aït-Sahalia & Saglam,
2014).
 39.

(Aït-Sahalia & Saglam, 2014). Nous remarquerions alors un résultat semblable à celui relevé
en Suède, notamment une baisse de liquidité impactant de façon négative le marché.

Jones (2013) part d’un constat assez simple : une taxe de 0.25%, qui peut sembler
anodine au premier regard, pourrait avoir des conséquences extrêmement néfastes sur les
coûts de transaction. Il prend l’exemple suivant : un investisseur souhaitant traiter 100 actions
ayant un cours à $50 payera environ $12 de frais de transactions. En ajoutant 0.25% de taxe,
ces frais sont plus que doublés24. Ses recherches ont par ailleurs démontré que cette
contribution impacte négativement les cours de bourse (Jones, 2013). Etant donné que le
retour après taxe promis par exemple par un fond de placement commun doit rester le même,
les prix diminueront forcément suite à la taxe25. La taxe serait également reflétée dans les
spreads, qui deviendraient plus larges (Jones, 2013). Il parvient aux mêmes conclusions qu’Aït-
Sahalia et Saglam (2014), notamment que cette taxe augmenterait les coûts de transactions,
inciterait les acteurs de marchés à traiter ailleurs et impacterait de manière négative le marché
dans son ensemble.

3.1.1.3. Les commissions

Un dernier exemple de frais explicites sont les frais de commissions de brokers. De tels
frais sont comptabilisés par des intermédiaires effectuant les transactions sur le marché,
comme vu précédemment. Aujourd’hui, le rôle des brokers est (Aldridge, 2013):

▪ De veiller à ce que les transactions soient en adéquation avec les lois en vigueur
et d’informer les autorités compétentes des activités de trading.
▪ De servir d’intermédiaire entre les clients et les marchés, les dark pools et
autres plateformes d’échanges de titres financiers.
▪ D’endosser le rôle de contrepartie pour les ordres effectués de gré-à-gré.
▪ D’exécuter les ordres de la meilleure façon qui soit, en fonction des exigences
de leurs clients.

24
0.25% x le montant de la transaction = $12.50.
25
Si le fond commun de placement table sur un profit de 3% par an, l’impact d’une taxe de 0.25% diminuera ce
profit à 2.75%. De ce fait, les cours doivent diminuer de 7.7% pour pouvoir offrir un rendement semblable (3%
= 3.25% x 0.9231).
 40.

De plus, la plupart des brokers vont également faire payer leurs clients pour accéder à des
informations de marchés spécifiques ainsi que d’autres services, comme des recherches ou
des rapports (Wile, 2014). Néanmoins, ces demandes deviennent de plus en plus rares, car les
investisseurs parviennent à trouver les informations dont ils ont besoin par eux-mêmes. De ce
fait, une grande part de leurs revenus sont obtenus par les algorithmes d’exécutions qu’ils
emploient. Le travail des brokers de la Banque Degroof Petercam, par exemple, consiste
essentiellement à réceptionner des ordres de la part des clients, la plupart du temps des
banquiers travaillant en interne, et de les transmettre au marché suivant un processus de
« best execution ».

Ces commissions sont négociées à l’avance ou peuvent varier, suivant que le client
souhaite traiter plus ou moins de volume, la difficulté de l’algorithme d’exécution employé
etc. (Aldridge, 2013). Etant donné le coût que cela représente pour les investisseurs, il est
extrêmement important qu’ils sachent à combien s’élèveront ces frais de commissions pour
ainsi choisir le meilleur broker avec qui travailler.

Cependant, la plupart des investisseurs sont aujourd’hui moins résilients à payer pour
des services qu’ils ont la possibilité de développer en interne. Les grandes banques et fonds
communs de placement conçoivent eux-mêmes leurs algorithmes d’exécution. Le rôle du
broker est en quelque sorte devenu obsolète (Wile, 2014). Les avancées en matière de
technologie et d’accès à l’information rendent leur activité superflue. De plus, la constante
compétition entre eux a tiré les marges vers le bas, diminuant fortement la profitabilité de ce
genre d’activité (Cappon, 2014). Des nouveaux acteurs de marchés, les sociétés passives de
management d’actifs, n’ont pas besoin des tous ces services proposés par les brokers, et ne
souhaitent donc pas payer pour ces prestations. En conséquence, les frais de commissions
pour les transactions n’ont cessé d’être réduits ces dernières années26 (Cappon, 2014). La
seule alternative qui leur est offerte pour continuer leur activité est de se spécialiser dans
certains segments ou produits des marchés financiers.

26
L’évolution des frais de commissions payés par les investisseurs institutionnels peut être trouvée à l’annexe 5.
 41.

En outre, de nouvelles régulations voient le jour, comme MiFID II qui sera effective en
Europe en janvier 2018 (Johnson R. , 2017). Une fois cette loi en place, la composition des frais
de commission sera nettement modifiée. Les frais de recherches, représentant une part
importante des commissions prélevées par les brokers, seront séparés des frais d’exécution.
Ainsi, les investisseurs ne paieront plus pour des recherches dont ils n’ont pas fait la demande,
et les frais seront plus transparents (Johnson R. , 2017). Un rapport de 2016 écrit par la société
de consultance Accenture stipule qu’une fois cette loi mise en place, les commissions
pourraient diminuer de l’ordre de 33% (Chin, Chong, & Walkowicz, 2016).

3.1.2. Les coûts implicites

La seconde catégorie de coûts concerne tous les montants qui découlent de l’exécution d’un
ordre. En effet, le fait d’effectuer une transaction peut momentanément pousser les cours
vers le bas ou vers le haut si cela concerne de grands ordres à l’achat ou à la vente (Rath,
2004). Il peut également y avoir des coûts d’opportunités, liés à la non-exécution d’un ordre
(Rath, 2004). Contrairement aux coûts explicites, les coûts implicites ne sont pas connus à
l’avance. Ils doivent être mesurés suivant des estimations et analyses qui sont le fruit de l’effet
d’une transaction sur le marché.

3.1.2.1. Le coût de latence

Un investisseur souhaitant effectuer une transaction s’informe au préalable sur les

cours actuels du produit qu’il veut traiter. Une fois la transaction encodée dans le marché
adéquat, l’ordre est exécuté. Néanmoins, ceci peut ne pas se faire immédiatement. Dans le
monde qui nous entoure, ceci équivaut à acheter un produit dans un magasin, mais une fois
arrivé à la caisse pour payer, le prix de cet article a été modifié. Au sein des marchés financiers,
nous ne parlons non pas en minutes ou en secondes, mais en millisecondes (Harris, 2015). De
ce fait, le changement défavorable dans le prix entre le moment où l’ordre est entré et
l’exécution effective de l’ordre porte le nom de coût de latence.

Ces dernières années, l’attention s’est surtout portée sur les Traders Haute Fréquence,
capable d’envoyer des ordres à des vitesses proches de la vitesse de la lumière (Harris, 2015).
Afin de contrer la perte de profits résultant de retards qui peuvent survenir durant le
 42.

processus d’exécution de l’ordre, certains acteurs investissent massivement dans les

infrastructures nécessaires pour traiter de la façon la plus rapide possible (O’Hara, 2015). Ces
systèmes ont pour but de communiquer extrêmement promptement, ainsi que d’effectuer
des calculs nécessaires afin d’ajuster des positions de façon adéquate. Ces pertes de temps se
font essentiellement au niveau (Aldridge, 2013):

▪ Des réseaux de communication, qui s’ils sont congestionnés ou interrompus

causent un délai dans l’envoi d’ordres et d’informations. C’est la principale
raison pour laquelle beaucoup de firmes de THF implantent leurs ordinateurs
ou data centers le plus près possible de ceux des marchés (Goldstein et al.,
2014).
▪ Des systèmes d’exécution des brokers, qui peuvent se voir pénaliser s’ils
utilisent des algorithmes performants sur des machines qui ne le sont pas
(Aldridge, 2013).
▪ Des marchés mêmes, qui en cas d’envois massifs d’ordres similaires27 ne
peuvent traiter toutes les demandes en même temps, occasionnant un délai.

Certaines recherches effectuées à ce sujet ont clairement démontré que les coûts de
transaction pouvaient être réduits en utilisant des systèmes d’exécution plus rapides. Stoikov
et Waeber (2016) sont parvenus à la conclusion qu’un algorithme fonctionnant avec une
latence d’une milliseconde pouvait doubler les économies réalisées par rapport à un
algorithme ayant une latence d’une seconde.

Néanmoins, d’autres facteurs sont également à prendre en compte, comme la liquidité

disponible sur le marché et le nombre d’ordres consommant cette liquidité (Aldridge, 2013).
De ce fait, lorsqu’un grand nombre d’investisseurs entrent des ordres au marché en même
temps, les prix vont davantage fluctuer, et ainsi évoluer de façon favorable ou défavorable
plus rapidement.

Etant donné les avancées telles qui ont vu le jour ces dernières années, il est peu
probable que de nouveaux progrès se fassent au niveau de la réduction des coûts de latence

27
Nous entendons par là un nombre conséquent d’ordres à l’achat ou à la vente.
 43.

(Goldstein et al. , 2014). En effet, les frais engendrés pour la recherche, l’acquisition et
l’installation de systèmes permettant de traiter encore plus rapidement ne compenseraient
pas les profits réalisés grâce à ces améliorations.

3.1.2.2. Le spread

Le spread (bid-ask spread) d’une action équivaut à la différence entre le meilleur prix
de vente et le meilleur prix d’achat pour une action, comme évoqué précédemment (Berkman,
1993). Il a pour but de couvrir les coûts du market maker qui achète et garde des actifs
financiers dans son inventaire en attendant de les replacer sur le marché. Il tient également
compte du risque pouvant exister de traiter avec une contrepartie détenant plus
d’informations que le market maker (Kissel, 2014). Un investisseur qui achète et revend
immédiatement une action perdra de l’argent, équivalent au spread. Ceci l’impactera d’autant
plus si le spread est large. Le but est donc de réduire au maximum le spread d’une action, afin
que la différence entre le prix à l’offre et celui à la demande soit le plus petit possible.

En termes financiers, nous relevons deux sortes de spread dont il doit être tenu
compte : le spread coté et le spread effectif. Au sein des marchés financiers, les prix des actifs
financiers fluctuent constamment. De ce fait, un marché se doit d’afficher les cotations, le prix
à l’offre et celui à la demande, et ce en permanence. Le spread qui en découle est nommé le
spread coté (Jones, 2013). Néanmoins, il se peut que certains paramètres viennent fausser ce
spread. L’ordre introduit peut par exemple être plus volumineux que la liquidité disponible à
ce moment-là, et le spread qui en résulte sera plus grand que le spread coté initialement
(Jones, 2013). De même, il se pourrait que des ordres cachés soient présents au sein du livre
d’ordres, traitant à des prix plus favorables. Dans ce cas, la transaction de l’investisseur se fera
à un prix moindre, car le spread effectif sera moins grand qu’il ne le pensait (Jones, 2013).

Les recherches publiées à ce sujet tendent vers les mêmes conclusions, à savoir que
l’utilisation du trading algorithmique favorise des spreads plus restreints et diminue ainsi les
coûts de transaction. Hendershott et al. (2011) étudient le lien qu’il peut y avoir entre la
liquidité et les ordres électroniques envoyés grâce à des algorithmes de trading28. En effet,

28
Nous analyserons cette étude plus en détail à la partie traitant de la liquidité, p. 47.
 44.

ceci peut être particulièrement intéressant pour les investisseurs consommant de la liquidité,
car ils achètent au prix de l’offre et vendent au prix de la demande. Le spread forme ainsi une
partie intégrante de leurs coûts. Les résultats de l’étude démontrent que la corrélation qui
existe entre le spread et l’utilisation d’algorithmes de trading est négative, ce qui implique que
les algorithmes font diminuer les spreads (Hendershott et al., 2011).

Ce rapprochement dans le cours des offres et demandes s’inscrit dans la lignée de ce

qui était déjà en cours avec la concurrence créée par les ECN. Les spreads n’ont fait que se
réduire depuis les années ’80 et l’importance croissante des ECN au sein des marchés
financiers (Jones, 2013). De plus, le phénomène de décimalisation expliqué plus haut a
certainement contribué à son tour à la réduction des spreads (Bessembinder, 2003). Les
recherches de Angel, Harris et Spatt (2011) confirment que la compétition grandissante entre
les dealers traditionnels et les systèmes de trading électroniques utilisant des algorithmes,
ainsi que ces algorithmes entre eux, a contribué à rendre les spreads plus petits. En effet, les
algorithmes parviennent à recevoir et analyser l’information rapidement, leur permettant
d’ajuster les cotations des personnes les employant de façon optimale (Angel et al., 2011).

3.1.2.3. Le coût d’opportunité

Il se peut également qu’un ordre ne s’exécute pas, et le profit découlant de la

transaction qui aurait eu lieu ne revient pas à l’investisseur. Ce manque à gagner est désigné
comme étant le coût d’opportunité (Aldridge, 2013). Ces coûts surviennent surtout lorsqu’un
investisseur place un ordre à cours limité, sans que celui-ci ne rencontre un prix actuellement
affiché sur le marché. Un manque de liquidité engendrera également une non-exécution de
l’ordre (Johnson B. , 2010). Contrairement aux autres catégories de coûts que nous observons,
le coût d’opportunité ne représente pas un réel coût physique, en ce sens qu’il n’a lieu que si
une part du volume de l’ordre est traité à un cours moins favorable (Johnson B. , 2010).

Scholtus, van Dijk et Frijns (2014) étudient l’effet que peut avoir l’utilisation
d’algorithmes de trading en réponse à des évènements ayant un impact sur les marchés
financiers. Le fait de ne pas prendre en compte de l’information qui s’avère importante peut
potentiellement mener à une perte de profit, car l’investisseur n’aura pas ajusté ses positions
assez rapidement. De ce fait, ils arrivent à la conclusion qu’étant donné le nombre croissant
 45.

de traders utilisant des algorithmes, seuls les plus rapides auront l’opportunité d’effectuer les
changements nécessaires à la suite de nouvelles informations (Scholtus et al., 2014). Les
traders moins rapides devront au préalable analyser chacune de leurs positions afin d’établir
la stratégie à suivre en fonction de l’annonce qui sera faite. Ceci pourrait donc engendrer des
pertes de profits futurs (Scholtus et al., 2014).

Si nous revenons sur les 5 étapes menant à une transaction lors de l’utilisation d’algorithmes
de trading (Treleaven et al., 2013), la réduction des coûts d’opportunité se fait essentiellement
lors de l’analyse avant l’exécution. En analysant les conditions actuelles du marché,
l’algorithme va être à même de prendre la meilleure décision, de manière bien plus rapide
que pourrait le faire une personne physique. Dans certains cas, des algorithmes visant
spécifiquement à minimiser les coûts transactionnels vont incorporer les paramètres liés aux
coûts d’opportunités dans leurs calculs, diminuant ainsi les pertes potentielles occasionnées
(Johnson B. , 2010).

3.1.2.4. L’impact sur le marché

Lorsqu’un investisseur entre un ordre sur le marché, ce dernier aura un impact plus ou
moins conséquent sur les cours de l’actif financier traité. La plupart du temps, cet effet sera
négatif pour l’investisseur, par exemple en tirant les prix vers le bas lorsqu’un investisseur
souhaite vendre (Aldridge, 2013). Le coût total qui en résulte est représenté par la différence
qui survient entre le prix actuel et le prix hypothétique qui serait affiché si l’investisseur n’avait
pas entré d’ordre (Johnson B. , 2010).

Chaque investisseur qui place un ordre sur le marché octroie de l’information aux
autres participants du marché. Contrairement aux analystes, les traders sont la plupart du
temps rémunérés en fonction des profits qu’ils génèrent. De ce fait, un trader ne prendra une
position que s’il est convaincu que c’est une bonne décision. Un ordre volumineux avertira les
autres acteurs de marché qu’il y a un nouvel élément ayant influencé son choix, et impactera
ainsi dans une plus large mesure les cours (Brogaard, 2010). Les deux types d’ordres les plus
répandus, les ordres au marché ainsi que les ordres à cours limités vus précédemment,
peuvent avoir un impact sur les prix. Néanmoins, un investisseur pourra décider d’annuler un
ordre à cours limité. Dans la plupart des cas, ce type d’ordre sera considéré comme ayant un
 46.

impact moindre par rapport à un ordre au marché (Aldridge, 2013). Un acteur du marché
financier doit concevoir vers quel marché envoyer sa transaction, à quel moment, ainsi
qu’analyser le cas où son ordre consomme toute la liquidité disponible. De ce fait, un
investisseur doit être capable de calculer ce qu’il se passe lorsqu’il exécute un ordre, mais
également l’effet que ce dernier aura par après (Cartea et al., 2015).

Aldridge (2013) explique que l’essence même de ce phénomène d’impact sur le marché se
heurte aux théories financières qui devraient l’entourer. Dans un monde idéal, tous les
investisseurs recevraient au même moment exactement la même information. Les éléments
du passé n’auraient pas d’influence sur le prix futur, et ainsi tous les acteurs financiers
interprèteraient l’information de la même façon. Suite à cela, les prix s’ajusteraient
automatiquement, formant un saut d’un prix vers un autre. Les transactions en cours
n’auraient donc pas d’effet sur l’évolution des prix (Aldridge, 2013).

Nous remarquons qu’il est aisé de constater que ceci n’est pas le cas. Les investisseurs
ont tendance à avoir chacun des opinions par rapport aux nouvelles qui leur parviennent, qui
ne vont pas forcément dans le même sens (Dufour & Engle, 2000). Ainsi, Dufour et Engle
(2000) observent que les investisseurs à court terme et à long terme ont tendance à prendre
des décisions d’investissement fort différentes. De plus, comme étudié par Kyle (1985),
l’ajustement des prix suite à une nouvelle information se fait de façon graduelle, et n’est pas
intégrée en une fois dans le prix, ce qui en théorie permettrait d’effectuer un saut dans les
cotations.

De par l’effet que l’impact sur le marché peut avoir sur le coût total, de nombreuses
recherches ont été effectuées pour tenter de trouver un moyen de diminuer ces coûts.
Gatheral et Schied (2013) étudient des modèles afin de minimiser l’impact temporaire et
permanent que peuvent avoir des ordres sur le marché. Ils reviennent sur certains algorithmes
permettant de minimiser ces coûts, et démontrent les bénéfices liés à la réduction d’impact
que ceux-ci peuvent avoir à court et long termes sur le marché (Gatheral & Schied, 2013). Gsell
(2008) dans une étude antérieure analyse que des ordres volumineux ont un effet négatif sur
les cours, poussant les cotations dans le sens inverse de celui de l’ordre. A l’aide d’algorithmes,
il est possible de diviser ces ordres en de plus petits ordres, diminuant ainsi l’effet de leur
 47.

exécution sur le marché (Gsell, 2008). Les recherches de Chaboud et al. (2014) par rapport à
l’utilisation des algorithmes sur le marché des changes montre que les algorithmes de trading
parviennent à incorporer plus rapidement de nouvelles informations directement dans les
cotations. Néanmoins, ils obtiennent une forte corrélation entre les différents algorithmes.
Ceci pourrait avoir comme effet de faire tendre les prix exactement dans le même sens,
démultipliant ainsi l’impact sur le marché. Leurs résultats ne démontrent cependant pas
l’apparition de volatilité excessive pour les données analysées, ce qui aurait été le cas si les
algorithmes augmentaient en même temps l’impact sur le marché (Chaboud et al., 2014).

3.1.2.5. Le risque temporel

Lorsqu’un investisseur entre un ordre, il peut se passer un certain temps avant que
l’ordre ne s’exécute. Le risque temporel, qui peut être vu comme étant un coût, fait référence
à l’incertitude quant à l’appréciation ou la dépréciation entourant le cours l’actif financier
traité, entre le moment où l’ordre est entré et lorsqu’il est exécuté (Aldridge, 2013). Trois
éléments composent ce risque :la volatilité, le paramètre représentant l’erreur d’estimation
et la liquidité (Kissel, 2014). La volatilité plus ou moins grande engendrera une variation
fortement prononcée ou non du prix de l’actif financier, et augmentera ainsi le coût de
transaction. Le paramètre supplémentaire vise à quantifier le hasard découlant de l’impact
sur le marché vu ci-dessus. Enfin, la liquidité entraine une hausse des prix suivant qu’il y ait un
nombre d’ordres d’achat ou de vente suffisant ou non pour l’actif au sein du marché financier
sur lequel l’investisseur souhaite traiter (Kissel, 2014).

Comme suggéré par Johnson B. (2010), un investisseur parviendra à atténuer ce risque

en diminuant le temps qui s’écoule entre l’envoi de son ordre et son exécution. Le tout est de
trouver un juste milieu entre l’impact de l’ordre sur le marché et le risque temporel (Johnson
B. , 2010). Grâce aux algorithmes, il est possible de gérer les différents paramètres afin de
minimiser l’impact sur le marché en divisant par exemple les ordres plus larges en plusieurs
ordres, tout en gardant un œil sur les repères, tel le VWAP, imposés par l’investisseur (O'Hara
M. , 2014).
 48.

3.2. La liquidité

Dans un second temps, il nous paraît utile d’analyser les effets sur la liquidité liés à l’utilisation
d’algorithmes de trading. En principe, une liquidité plus grande d’un marché aura un effet
bénéfique pour l’investisseur car ses coûts de transactions s’en verront réduits (Stoikov &
Waeber, 2016).

Le concept même du trading est le fait de pouvoir échanger de l’argent en cash contre
des actifs financiers, ou inversément (Johnson B. , 2010). Le coût de cet échange peut être
représenté par la liquidité de cet actif financier, correspondant à « la possibilité d’exécuter
l’ordre immédiatement au meilleur prix » (Demsetz, 1968). Le prix d’un actif est donc sujet à
sa liquidité. Les coûts de transaction seront plus bas pour des actifs liquides, comme nous
avons vu auparavant (Pagano, 1989). Les volumes traités pour des actifs financiers liquides
seront nettement plus élevés que ceux d’actifs financiers illiquides29.

Selon Black (1971), trois éléments définissent la liquidité :

▪ La profondeur du marché, qui réfère au nombre d’ordres qui se trouvent
actuellement dans le marché autour des cours affichés. Un marché est dit être
profond si un investisseur a la possibilité d’acheter ou de vendre un actif
financier dans un large volume sans impacter de façon significative son prix. Un
marché n’ayant pas cette spécificité requerra de la part de l’investisseur un
réajustement de son prix d’achat ou de vente (Black, 1971).
▪ L’étroitesse, qui renvoie à la différence de prix entre l’offre et la demande,
c’est-à-dire le spread. Lorsque le spread est rapproché, il est plus simple
d’effectuer des transactions et le coût associé à l’exécution d’un ordre sera
moindre (Black, 1971).
▪ La robustesse d’un marché, qui est défini comme étant le fait qu’il se remette
rapidement à niveau après un évènement ayant altéré le cours des actions
traitées. Le changement de prix sera alors temporaire, et le marché reviendra
plus ou moins vite vers le niveau qu’il avait avant la transaction (Black, 1971).

29
Johnson B. (2010) donne l’exemple de la comparaison entre le marché boursier et le marché immobilier, où le
volume des transactions est nettement plus élevé pour le premier.
 49.

Le lien entre ces trois éléments est le suivant : un marché ayant une profondeur plus grande
aura dans la plupart des cas des écarts entre les cours à l’offre et à la demande plus
rapprochés. Un investisseur fera donc face à un marché ayant des spreads plus étroits, et
faisant en sorte que ce marché soit plus robuste (Johnson B. , 2010).

Parfois un dernier élément est également pris en compte. Pour Persaud (2003), un
marché liquide requiert des investisseurs ayant des opinions diverses. Dans le cas contraire,
tous les acteurs du marché prendraient les mêmes décisions, consommant la liquidité au
même moment. Néanmoins, comme Dufour et Engle (2000) l’ont analysé, il est rare de voir ce
genre d’évènements se produire, car les investisseurs ne prennent pas forcément des
positions similaires. Le seul cas flagrant où les acteurs de marché tendaient vers le même
objectif d’achat ou de vente a été durant les crashs boursiers que nous avons vécus,
notamment celui de 1987 (Persaud, 2003) ou plus récemment en 2008.

3.2.1. Lien avec le trading algorithmique

Afin d’analyser plus en profondeur l’effet du trading algorithmique sur la liquidité, nous
allons nous référer à l’analyse qui a été effectuée à ce sujet par Hendershott et al. (2011). En
effet, ils se sont penchés sur la question suivante : « Est-ce que l’utilisation d’algorithmes de
trading augmente la qualité du marché, et faut-il encourager cette pratique ? ».

Contrairement à ce qui avait déjà pu être écrit sur le sujet dans de précédentes
analyses, les auteurs ont décidé d’étendre leur base de données. Ils y incluent non seulement
tous les algorithmes utilisés par les investisseurs institutionnels30, mais également ceux des
autres acteurs de marché qui soumettent et annulent des ordres. Ils se concentrent
essentiellement sur les algorithmes d’exécution, et non ceux censés élaborer des stratégies
d’investissement pour certains investisseurs.

Ils partent du constat suivant : le trading algorithmique a évolué très rapidement

depuis les années ’90, et en même temps la liquidité au niveau mondial n’a cessé de
s’améliorer. De ce fait, nous serions poussés à croire que le trading algorithmique est

30
Une telle étude avait déjà été menée par Domowitz et Yegerman (2006), ne tenant compte que des algorithmes
qui effectuaient réellement un ordre pour des investisseurs institutionnels. Ils ne se souciaient pas des ordres
émis ou annulés par d’autres acteurs de marché.
 50.

responsable de cette amélioration de la liquidité. Il est néanmoins judicieux de nuancer ce

propos, car d’une part les algorithmes permettent d’être utilisés afin d’injecter de la liquidité
dans les marchés financiers, engendrant une compétition grandissante entre les participants
et diminuant ainsi les coûts d’exécution (Hendershott et al., 2011). D’un autre côté, les
algorithmes peuvent être employés pour consommer de la liquidité et ainsi parvenir à
déterminer la meilleure façon d’exécuter un ordre. Les pourvoyeurs de liquidité en seront
impactés de façon négative, car le fait de soumettre un ordre augmentera leurs coûts. Il faudra
alors ajuster les spreads de sorte à compenser ces coûts, qui en fin de compte seront
répercutés sur les consommateurs de liquidité (Hendershott et al., 2011). Ceci pourrait mener
à une recherche sans fin dans l’amélioration des algorithmes de trading pour les investisseurs
consommant de la liquidité et à leurs pourvoyeurs. Au final, les deux parties y perdraient, car
la liquidité effective s’en verrait diminuée (O'Hara M. , 2014).

Afin d’évaluer la corrélation entre l’utilisation du trading algorithmique et

l’amélioration de la liquidité, Hendershott et al. (2011) utilisent les données venant de l’envoi
de messages électroniques sur le NYSE. La majorité des données récoltées ont trait à des
ordres à cours limités qui apportent de la liquidité. Ces données proviennent d’acteurs de
marchés financiers différents, et permettent ainsi d’obtenir une vue d’ensemble de la pratique
des algorithmes utilisés pour effectuer des transactions. Nous jugeons que les données
analysées sont pertinentes par rapport à la question de recherche, car elles couvrent une
période de cinq ans, de 2001 à 2005.

Afin d’établir un lien de cause à effet entre l’augmentation de l’utilisation

d’algorithmes de trading et l’amélioration de la liquidité, les auteurs s’appuient sur la venue
d’un nouvel élément au sein des marchés financiers : le phénomène de cotation automatique
(« autoquoting » en anglais). Ce nouveau système fut mis en place sur le NYSE en 2003. Il avait
pour but d’ajuster de façon automatique des changements dans les cotations d’actifs
financiers, qui se faisaient auparavant de façon manuelle par les spécialistes (SEC, 2003). Cette
méthode affiche dès lors les meilleures cotations de l’offre et de la demande arrivant via le
système Super-DOT de manière automatique (SEC, 2003). L’automatisation de ce procédé
permet aux traders algorithmiques de recevoir l’information plus vite et de réagir en
conséquence. Cette solution se montre nettement plus rapide pour les investisseurs
 51.

souhaitant pourvoir ou consommer de la liquidité, car ils accèdent facilement aux

informations des transactions pouvant avoir lieu (Hendershott et al., 2011). Etant donné que
ce changement s’est fait graduellement dans le temps pour différentes actions31, cela permet
aux auteurs de statuer de façon plus précise sur la relation qu’ils essaient de vérifier.

Ils parviennent à calculer que le système de cotation automatique augmente l’utilisation des
algorithmes de trading de près de 50% pour les actions des entreprises à forte valeur
boursière. De plus, les modèles mathématiques utilisés montrent que l’augmentation
d’algorithmes qui ont pour but de pourvoir de la liquidité est négativement corrélée avec celle
des spreads côtés et des spreads effectifs. Ceci signifie que l’usage des algorithmes de trading
parvient à diminuer les spreads des actions (Hendershott et al., 2011). Les résultats quant aux
spreads sont néanmoins d’une moindre ampleur pour les entreprises ayant une petite
capitalisation boursière. Ils expliquent que cela peut être dû à la corrélation inférieure existant
entre le système d’autoquote et les algorithmes de trading pour ces actions-là. Ils pensent
qu’une autre explication pourrait être le faible usage d’algorithmes de trading pour traiter les
actions de sociétés à plus petite capitalisation boursière.

De plus, ils remarquent que l’introduction du système de cotation automatique a eu

un effet négatif sur la profondeur des cotations, diminuant ainsi le nombre de cotations
différentes. Ceci est principalement dû au rétrécissement des spreads (Hendershott et al.,
2011). Leurs calculs démontrent par contre que l’effet négatif qui en découle est contré par
les conséquences positives liées à la diminution des spreads. Cela donne au final un spread
effectif plus rapproché, ce qui améliore la liquidité.

Juste après l’introduction du système d’autoquoting, les données qu’ils analysent font
ressurgir des résultats contradictoires. Pour les sociétés à haute valeur boursière, le spread
côté augmente, signifiant que les pourvoyeurs de liquidité accumulent davantage de revenus
(Hendershott et al., 2011). Ils estiment que ces résultats sont étranges, car ces mêmes revenus
auraient dû diminuer pour les personnes amenant de la liquidité. En effet, l’implémentation
de la méthode d’autoquoting aurait dû augmenter la compétition entre les pourvoyeurs de

31
Toutes les actions n’ont pas adopté le système dès le début. En janvier 2003, seul 6 titres listés du NYSE utilisent
le système d’autoquote. Les deux mois qui suivent voient se rajouter 200 autres titres et ce n’est que vers la fin
mai 2003 que tous les titres du NYSE optent pour cette méthode (Hendershott et al., 2011).
 52.

liquidité, et diminuer ainsi leurs revenus. Il se trouve que l’inverse se produit, et Hendershott
et al. (2011) partent du principe que ces acteurs de marché ont bénéficié temporairement
d’un effet de marché en leur faveur. Leurs recherches prouvent par ailleurs que par la suite,
les spreads effectifs diminuent, signifiant que suffisamment d’algorithmes de trading ont
commencé à être utilisés et ainsi augmentent la compétition avec les pourvoyeurs de liquidité
traditionnelle.

Enfin, ils identifient que l’utilisation d’algorithmes de trading a également un effet bénéfique
sur la découverte des prix. En effet, avec le système de cotation automatisée, une plus grande
partie de l’information se retrouve dans les prix sans pour autant qu’il y ait de transaction
(Hendershott et al., 2011). Ceci est en adéquation avec l’étude faite plus tard par Hendershott
et Riordan (2013) qui établit que les algorithmes sont capables d’assimiler de l’information
plus rapidement, améliorant la découverte des prix. Ainsi, ils permettent d’ajuster les ordres
à cours limités des investisseurs de façon optimale, en tenant compte des informations du
marché.

En conclusion, leurs résultats démontrent que l’utilisation d’algorithmes de trading

diminue les coûts de transaction et améliore la révélation d’informations relatives aux
cotations. Leur recherche permet de confirmer que les algorithmes de trading sont bénéfiques
à la liquidité d’un marché, en particulier pour les actions de sociétés à forte capitalisation
boursière.

3.3. L’exécution

Le point d’orgue de tout investisseur est bien évidemment que son ordre s’exécute de la
meilleure façon qui soit. L’utilisation d’algorithmes de trading a incontestablement changé la
manière avec laquelle les acteurs des marchés financiers conçoivent leurs ordres et effectuent
leurs transactions (Cartea et al., 2015). Avant d’exécuter un ordre, un algorithme devra tout
d’abord choisir le marché le plus adéquat pour effectuer l’ordre (Nuti, Mirghaemi, Treleaven,
& Yingsaeree, 2011). Etant donné que la plupart des actifs financiers sont listés sur divers
marchés, il est important de comprendre quel marché en particulier sera favorable pour le
donneur d’ordre. Il réalisera l’achat ou la vente de titres financiers suivant une stratégie
prédéfinie, comme nous avons pu le voir précédemment. Le même lien peut être établi avec
 53.

les différentes possibilités d’ordres qui s’offrent à lui, que nous avons évoquées auparavant.
Enfin, après l’exécution, l’algorithme procèdera à une évaluation de ses performances
(Treleaven et al., 2013). Le choix de l’algorithme dépendra des objectifs poursuivis par
l’investisseur. Ces objectifs peuvent être une réduction de l’impact sur le marché, une
diminution des coûts de transaction ou une recherche d’opportunités (Yang & Jiu, 2006). Pour
se faire, un investisseur aura le choix entre plusieurs techniques d’exécution.

3.3.1. Algorithmes d’exécution

Un algorithme de trading doit, après qu’un signal d’activation soit généré, être capable
d’analyser les conditions du marché afin de prendre les décisions adéquates quant à
l’exécution d’un ordre (Nuti et al., 2011). En fonction de la taille de l’ordre, des coûts, de la
liquidité disponible etc., l’algorithme prendra la décision qu’il juge comme étant la meilleure,
tout en tenant compte des stratégies délimitées par l’investisseur (Yang & Jiu, 2006).
Néanmoins, différents algorithmes d’exécution pourront être assignés à une même stratégie.
Une manière de s’adapter aux conditions changeantes de marché est de combiner plusieurs
algorithmes d’exécution afin d’alterner les styles d’exécution : tantôt agressif, tantôt passif
(Johnson B. , 2010).

A nouveau, ces algorithmes d’exécution peuvent être classés selon les trois catégories
définies par Yang et Jiu (2006). Les techniques visant à limiter l’impact sur le marché vont
diviser des ordres de grande taille en de plus petits ordres, ou cacher une partie du volume de
l’ordre. Celles qui ont trait au coût vont ajuster leurs transactions en fonction du marché.
Enfin, les investisseurs utilisant des techniques recherchant des opportunités vont surtout
être efficaces quand le marché leur est favorable (Johnson B. , 2010). Les stratégies
poursuivies par les investisseurs restent les facteurs déterminant la réaction d’un algorithme,
mais les choix d’exécution vont permettre d’améliorer leurs performances (Aldridge, 2013).

Des techniques d’exécution peuvent par exemple être conçues de sorte qu’un
algorithme décompose de plus gros ordres en une multitude d’ordres plus restreints (Angel et
al., 2011). La réduction de la taille de l’ordre entrainera une diminution de l’impact de chaque
transaction sur le marché. De plus, un ordre volumineux dévoilera de l’information aux autres
acteurs de marché, ce qui est rarement le but recherché pour ces derniers (Pardo & Pascual,
 54.

2012). Cette technique peut idéalement être utilisée avec une stratégie de VWAP. Konishi
(2002) étudie la meilleure façon de concevoir une stratégie VWAP, et inclut un modèle de
décomposition d’ordres qui améliore le résultat précédemment obtenu.

D’autres algorithmes vont tenter de cacher tout ou une partie de l’ordre devant être exécuté
(Johnson B. , 2010). Comme pour les ordres « iceberg », le but poursuivi par cette technique
d’exécution est de minimiser l’information pouvant servir de signal à d’autres acteurs de
marché (De Winne & D'hondt, 2007). De base, les algorithmes de trading font pratiquement
tous usage d’ordres cachés (Kissel, 2014). En effet, ils ont atteint aujourd’hui un tel niveau de
rapidité qu’ils peuvent se permettre de ne pas montrer l’entièreté de l’ordre à exécuter de
suite, mais bien de façon graduelle. Néanmoins, il faut garder à l’esprit que si la portion cachée
de l’investisseur est trop grande, cela entrainera une exécution plus lente de l’ordre. D’un
autre côté, montrer une plus grande partie de ses intentions est perçu comme un signal fort
par les autres investisseurs, en particulier pour les actifs financiers les moins liquides
(Hendershott & Riordan, 2013). L’étude de Bessembinder, Panayides et Venkataraman (2009)
confirme que les ordres qui sont cachés vont de pair avec un temps d’exécution plus long.
Cependant, ils prouvent également que cette technique diminue en moyenne les coûts de
transaction. De plus, d’après les résultats de Boulatov et George (2013), elle accroit la
compétition qu’il peut y avoir entre les investisseurs ayant rapidement accès à l’information
(c’est-à-dire les traders algorithmiques) et les autres acteurs de marché. La compétition est
moins élevée lorsque les ordres sont visibles, augmentant les coûts de transactions pour les
moins informés, demandant de la liquidité, et élevant les spreads en général (Boulatov &
George, 2013).

D’autres techniques d’exécution vont se comporter comme les « pegged-orders » que

nous avons vus auparavant. Les algorithmes vont alors modifier de façon automatique le prix
des ordres à cours limité (Hasbrouck & Saar, 2013). Johnson B. (2010) porte toutefois notre
attention sur le fait qu’une telle technique est assez facilement identifiable, et révèle ainsi la
stratégie employée par un investisseur aux autres acteurs du marché.

De par la fragmentation des marchés, il est extrêmement utile qu’un algorithme puisse
déterminer vers quel marché envoyer l’ordre, et ainsi l’exécuter de la meilleure façon possible
 55.

(Nuti et al., 2011). L’algorithme doit être capable d’analyser la quantité disponible et le prix
qui y est associé, la latence, les frais ou les rabais ainsi que la probabilité d’exécution (Angel
et al., 2011).

D’autres techniques d’exécution peuvent se trouver assez facilement, dans des livres
spécialisés ou simplement sur internet. Ainsi, Cartea et al. (2015) donnent dans leur livre un
certain nombre de modèles pouvant être utilisés. Le choix qu’ils feront concernant la
technique à choisir dépendra essentiellement de deux facteurs : les conditions de marché,
dépendant par exemple de la liquidité ou du spread, et la performance de l’algorithme (Cartea
et al., 2015).

3.4. Les inconvénients

Jusqu’à présent, nous avons essentiellement évoqué les avantages liés à l’utilisation
d’algorithmes de trading. Cela signifie-t-il que cette méthode de trading ne comporte que des
éléments pouvant être jugés comme étant bénéfiques à la qualité du marché et à ses
participants ? Rien n’en est moins sûr. Kissel (2014) dans son livre met en avant certains
problèmes et limites survenant lors de l’utilisation d’algorithmes sur les marchés financiers :

▪ Il part du principe qu’un investisseur ne peut connaître tous les algorithmes qui
s’offrent à lui. De ce fait, cet investisseur sera familier avec tout au plus quelques
algorithmes de trading, qu’il utilisera pour exécuter ses ordres. Néanmoins, étant
donné la spécificité du marché et les caractéristiques des différents ordres à
réaliser, un algorithme se montrera plus ou moins performant dans les conditions
avec lesquelles un acteur de marché souhaite traiter (Kissel, 2014).
▪ Les algorithmes de trading sont, de par leur nature, prédéfinis à exécuter la tâche
pour laquelle ils ont été assignés (Thompson, 2017). Cependant, les conditions de
marché peuvent changer, et les algorithmes les plus élémentaires peuvent ne pas
être conçus pour répondre de façon efficace à ces changements. Ainsi, les objectifs
recherchés par l’utilisation de ces méthodes d’exécution ne seront pas atteints
(Kissel, 2014).
▪ Un investisseur doit au préalable tester l’efficacité de son algorithme. De plus, il est
nécessaire qu’il évalue de manière correcte l’algorithme le plus adéquat afin
 56.

d’atteindre l’objectif qu’il recherche. Cet algorithme doit ensuite être tenu à l’œil,
car il faut qu’il exécute ce pour quoi il a été programmé. De ce fait, un acteur de
marché prendra du temps à rechercher et à tenir à jour les performances de son
algorithme. Il tâchera également de mesurer les performances des autres
algorithmes afin de trouver des solutions rapides en cas de changement de
conditions de marché (Kissel, 2014).

D’autres éléments viennent s’ajouter aux arguments évoqués ci-dessus. Nous avons
notamment parlé de la latence qui pouvait générer un coût potentiel pour les investisseurs
(Harris, 2015). Néanmoins, pour arriver à minimiser ces délais, les investissements en
infrastructure et systèmes de traitements de données peuvent être considérables (O’Hara,
2015). Laughlin, Aguirre et Grundfest (2014) analysent le temps que prend l’information pour
parvenir au marché boursier situé dans le New Jersey en venant de celui de Chicago.

En 2010, la technologie la plus rapide utilisée était celle de la fibre optique, permettant
aux cotations de s’ajuster sur les deux marchés distincts endéans les 8 millisecondes (Laughlin
et al., 2014). La même année, ce système fut amélioré par la mise en place d’une nouvelle
liaison fonctionnant via fibre optique, réduisant la latence à un peu plus de 6 millisecondes.
En 2011, ce système fut une nouvelle fois perfectionné par la pose d’un circuit reposant sur
des micro-ondes. Le gain en temps découlant de ce procédé est d’à-peu-près 2 millisecondes
(Laughlin et al., 2014). Les données qu’ils ont récoltées indiquent un temps de latence se
situant entre 4.2 et 5.2 millisecondes. Ils sont d’avis que, en choisissant de manière encore
plus adéquate le chemin à prendre, la technologie permettrait de se rapprocher au plus près
de la latence propre à la vitesse de la lumière32. Leur conclusion rapporte un fait plutôt
interpellant : alors que le gain de temps n’est au final que de quelques millisecondes, le coût
en infrastructure afin de parvenir à de telles vitesses se situe au-dessus de $500 millions.

De plus, outre les avancées technologiques en matière de hard- et softwares dont nous
avons parlé, de nouveaux réseaux de communication ont vu le jour durant les dernières
années (Laughlin et al., 2014). Les investisseurs utilisent dorénavant également les réseaux
sociaux, tels que Facebook ou Twitter, pour obtenir de l’information sur les marchés financiers

32
La latence attribuée à la vitesse de la lumière est de 3.93 millisecondes (Laughlin et al., 2014).
 57.

(Bollen, Mao, & Zeng, 2011). Ces réseaux peuvent être bénéfiques, car considérés comme une
source d’information supplémentaire. Néanmoins, certains évènements ont démontré de
façon claire que ces systèmes possèdent de réelles lacunes (Moore & Roberts, 2013). Ainsi, en
avril 2013 le compte Twitter du groupe américain « Associated Press », une agence de presse
reconnue qui est présente au niveau mondial, fut la cible d’un hacking (Matthews, 2013). Le
mardi 23 avril, en début d’après-midi heure américaine, l’agence de presse poste le tweet
suivant : « Deux explosions à la Maison Blanche et Barack Obama est blessé » (Fisher, 2013).
Le tweet est rapidement décelé comme étant faux, ce qui sera confirmé par le porte-parole
du président Jay Carney : « Le président se porte bien. Je viens de le voir » (Fisher, 2013).

Bien que cet épisode ne dure que quelques minutes33, les conséquences se sont fait
ressentir instantanément. Le S&P 500 a par exemple perdu près de 1% de sa valeur endéans
la minute qui a suivi le tweet (Matthews, 2013). Cela équivaut à plus ou moins $130 milliards
qui se sont évaporés en l’espace de quelques secondes. Dès l’annonce d’éléments démentant
l’attaque sur la Maison Blanche, le marché retrouve son état normal. Ceci démontre
néanmoins l’effet de spéculation entourant les marchés financiers, et le lien qui peut exister
entre les réseaux sociaux et les marchés financiers (Moore & Roberts, 2013). De plus, la
sécurité des réseaux sociaux peut être mise en cause, car le compte fut piraté par une équipe
de hackers syriens34 (Fisher, 2013).

Bien que cette cyberattaque soit à la base de source humaine, la raison de la

propagation extrêmement rapide de l’information sur les marchés financiers est imputable
aux algorithmes de trading (Matthews, 2013). Aldridge (2013) est d’avis que le trading haute
fréquence en est en particulier la cause. Elle explique que les sociétés de trading haute
fréquence élaborent parfois des algorithmes capables d’assimiler et de lire l’information
publiée sur les sites financiers spécialisés, mais également les réseaux sociaux, de manière
presque immédiate. Ces sociétés ciblent surtout des mots pouvant mener à de possibles
réactions de la part du marché, comme « faillite » ou « résultats » (Aldridge, 2013). En
fonction du mot auquel est associé l’algorithme, il réagira et achètera ou liquidera des

33
Le faux tweet fut écrit à 13:07, et à 13:13 le marché retrouvait son cours normal (Fisher, 2013).
34
Bien que cela n’ait jamais pu être officiellement prouvé, une équipe se disant favorable au régime de Bashar
al-Assad, en Syrie, a revendiqué cette attaque informatique (Fisher, 2013).
 58.

positions. De ce fait, Aldridge (2013) pense que le marché a connu de tels ajustements à cause
des mots « Barack Obama » ou « explosions » qui devaient vraisemblablement aller de pair
avec de ordres de ventes. Car venant d’une source aussi fiable que « Associated Press »,
l’information a dû être jugée comme étant plausible par les systèmes informatiques (Aldridge,
2013). Le fait que l’information ait de suite été retweetée un grand nombre de fois a
probablement davantage incité les algorithmes à prendre cette information en compte
(Matthews, 2013). Même si, au final, l’incident n’a eu qu’un effet temporaire sur le marché, il
est important d’en tirer les conclusions nécessaires de sorte que ce genre de désagréments
ne puisse plus se reproduire (Moore & Roberts, 2013).

3.4.1. Flash Crash

Lorsque nous évoquons les ratés qui peuvent survenir à la suite de l’utilisation d’algorithmes
de trading, nous pensons nécessairement aux « flash crash ». Kirilenko, Kyle, Samadi et Tuzun
(2011) définissent ce terme comme étant « une brève période de volatilité extrême sur un
marché ». L’évènement le plus marquant en matière de flash crash ces dernières années est
sans doute celui du 6 mai 2010 qui est survenu sur le marché américain (Madhavan, 2012).

En effet, ce jour-là le Dow Jones Industrial Average, l’indice américain regroupant les
30 plus importantes sociétés cotées en bourse, a connu sa plus grosse perte journalière en
l’espace de quelques minutes avant de retrouver son cours initial (Kirilenko & Lo, 2013). Il en
va de même pour d’autres indices tels que le S&P 500 ou le Nasdaq 10035. Les répercussions
se sont également fait ressentir sur certaines actions36, et les marchés internationaux ont aussi
été impactés (Menkveld & Yueshen, 2017).

Les recherches qui ont été menées à la suite de cet incident ont révélé les causes qui
ont conduit à la chute de différents marchés ce jour-là. En particulier, la SEC a relevé un ordre
qui a été de façon fort probable à l’origine de ce crash (Madhavan, 2012). Vers 14:32 ce 6 mai
2010, un acteur de marché entre un ordre de vente de 75.000 contrats sur le E-Mini S&P, un
indice dépendant du S&P 500 (Kirilenko & Lo, 2013). Ce contrat représente à peu près $4.1

35
L’annexe 6 montre graphiquement les changements qui ont eu lieu sur le DJIA, le Nasdaq ainsi que le S&P
durant cette journée particulière (Balch, 2012).
36
A titre d’exemple, l’action d’Accenture traitait temporairement à $0.01 tandis que l’action d’Apple affichait un
cours à $100.000 (Kirilenko & Lo, 2013).
 59.

milliards. Cette somme peut sembler être considérable, mais cela n’a rien d’étonnant pour ce
genre de marché. Néanmoins, un tel ordre ne s’exécute jamais d’un coup, car l’impact sur le
marché serait trop important (Kirilenko et al., 2011). L’acteur de marché a bien entré son
ordre, en ce sens qu’il ne s’agissait pas d’une erreur, mais n’a pas précisé dans son algorithme
le prix auquel l’ordre devait être exécuté ni la période de temps durant laquelle il souhaitait
réaliser sa vente (Madhavan, 2012).

Kirilenko et al. (2011) analysent qu’au départ, les contreparties se positionnant du côté
acheteur ont absorbé une portion de cet ordre. Cependant, une grande partie de cette
liquidité est prise en charge par des sociétés de trading haute fréquence, dont le but n’est pas
de garder ces positions sur le long terme, mais bien d’engranger des bénéfices endéans
quelques (milli)secondes (Menkveld & Yueshen, 2017). Les données récupérées par Kirilenko
et al. (2011) montrent que les THF ont, quelques minutes après avoir acquis une partie du
contrat de vente, massivement renvoyé des ordres à la vente. Ceci signifie qu’au lieu de
réduire l’impact causé par cet ordre sur le marché, ils l’augmentent car ces traders vont dans
le même sens que l’algorithme confectionné par l’acteur de marché. Ainsi, ils ne sont plus des
pourvoyeurs de liquidité, mais des consommateurs (SEC, 2010).

A la suite de cela, le E-Mini S&P a perdu plusieurs pourcents en quelques minutes

(Madhavan, 2012). De par le manque de liquidité à ce moment-là sur le marché, les THF ont
commencé à s’acheter et se vendre des contrats de façon très rapide entre eux (SEC, 2010).
Ce phénomène a été appelé « hot-potato trading », faisant référence au fait qu’ils se
transmettent les contrats sans pour autant améliorer la liquidité, et ainsi combler l’ordre de
75.000 contrats émis par l’algorithme (Menkveld & Yueshen, 2017). A titre d’exemple, entre
14:45:13 et 14:45:27 les THF traitent 27.000 contrats, mais seulement 200 d’entre eux
concernent l’achat de l’ordre provenant du vendeur utilisant l’algorithme de trading (SEC,
2010). Le manque de liquidité fait plonger d’autant plus le E-Mini S&P, entrainant dans sa
chute d’autres indices dont il dépend.

Heureusement, à 14:45:28, soit treize minutes après le début de la baisse sans

précédent qu’a connu l’indice, le marché est arrêté durant quelques secondes (Kirilenko et al.,
2011). Cette fonction est mise en place afin d’éviter une chute incessante des cours. En
 60.

seulement cinq secondes de temps, l’intérêt des acheteurs refait surface et dès la reprise du
marché les cours se stabilisent, avant de repartir à la hausse (SEC, 2010). Un effet similaire
peut être perçu sur les autres marchés ayant été affectés par cet évènement37.

De par l’incertitude créée sur ce marché, d’autres marchés sont affectés également. Et
leurs pourvoyeurs de liquidité estiment que le risque actuel est trop élevé que pour effectuer
des transactions (SEC, 2010). De ce fait, d’autres marchés que le E-Mini S&P et le S&P 500
plongent également, à cause de l’inquiétude éprouvée par les acteurs de marché financiers
par rapport aux conditions de marchés présentes. Ils décident de retirer massivement leurs
ordres, laissant place à des prix aberrants pour certaines actions (Kirilenko & Lo, 2013).

Cependant, une fois les investisseurs ayant pu vérifier que leurs systèmes fonctionnent
correctement, et qu’il s’agit d’une « erreur », les cotations sont revenues à leurs cours d’avant
(SEC, 2010). Vers 15:00, tous les marchés reprennent normalement. Les transactions ayant
été effectuées à des prix déraisonnables38 sont annulées par les organismes en charge des
marchés financiers (SEC, 2010).

Ce cas de flash crash est particulièrement intéressant car il a touché en quelques

minutes aussi bien le E-Mini S&P, le S&P 500, des actions et d’autres classes d’actifs financiers
(Kirilenko & Lo, 2013). Il est le résultat d’une série d’évènements sans précédent, ayant généré
« une tempête financière parfaite : un algorithme d’exécution mis sur pilote-automatique, des
THF se passant « la patate chaude » et des transactions inter-marchés non fructueuses »
(Kirilenko & Lo, 2013).

Bien évidemment, ce n’est certainement pas un cas isolé. Les données récoltées par la
société « Nanex »39 par exemple permettent de se rendre compte du nombre impressionnant
de flash crash qui surviennent sur les marchés financiers (Borch, 2016). Nous pouvons ainsi
observer qu’à une échelle beaucoup plus réduite des « mini flash crash » ont lieu bien plus
régulièrement qu’imaginé.

37
Voir annexe 6 pour une représentation graphique de ce phénomène (Balch, 2012).
38
La SEC a après coup dénombré plus de 20.000 transactions ayant eu lieu à des prix distants de 60% par rapport
à leur cours de 14:40 durant l’intervalle de temps allant de 14:40 à 15:00. Ceci équivaut à la période de chute sur
d’autres marché à la suite du crash du E-Mini S&P et du S&P 500 (SEC, 2010).
39
Nanex est une société spécialisée dans la recherche de données financières (Borch, 2016).
 61.

IV. Conclusion

La conclusion de ce mémoire a pour but de revenir sur un certain nombre de points importants
que nous avons eu l’occasion d’analyser de manière consciencieuse. Nous traiterons en
premier lieu des limites du travail. Nous synthétiserons ensuite les résultats découlant des
recherches que nous avons effectuées. En qualité d’étudiant, nous critiquerons ces résultats
et exprimerons notre avis sur les sujets abordés. Enfin, nous clôturerons ce chapitre et ce
mémoire en formulant des possibles voies pour de futures recherches dans ce domaine.

1.1. Limites de la recherche

Les recherches que nous avons réalisées se sont essentiellement basées sur des
analyses scientifiques effectuées sur les marchés boursiers américains. En effet, ces marchés
ont pour particularité d’avoir intégré dans une plus grande proportion que les autres centres
financiers mondiaux les algorithmes de trading dans l’exécution de transactions (Kissel, 2014).
De plus, en termes de pourcentages, les marchés des actions utilisent plus aisément les
algorithmes de trading que d’autres classes d’actifs financiers40 (Aïte Group, 2012). Même si
nous nous référons à plusieurs recherches qui ont trait à diverses classes d’actifs, comme par
exemple l’étude de Chaboud et al. (2014) par rapport aux marchés de change, nous invitons
le lecteur à garder un regard critique sur les résultats définis.

De plus, les résultats s’appuient sur l’étude de recherches financières écrites et

entreprises par des chercheurs reconnus dans leur domaine. Il est possible, mais néanmoins
peu probable, que des recherches similaires effectuées sur d’autres marchés ou durant des
périodes de temps différentes de celles analysées viennent contredire ou mettre en doute les
résultats obtenus. Nous en assumons l’entière responsabilité. Cependant, nous insistons sur
le fait que de telles contradictions nous paraissent invraisemblables de par la qualité et les
méthodologies des sources que nous avons utilisées.

40
Voir annexe 7 pour une représentation graphique de ces faits.
 62.

1.2. Les résultats

Les résultats de l’analyse que nous avons menée se décomposent en deux parties. Tout
d’abord, nous avons cherché la réponse à la première de nos deux sous-questions, à savoir en
quoi la venue des algorithmes de trading peut être vue comme une nécessité. Ensuite, nous
avons abordé le second angle de notre mémoire en essayant de voir pourquoi nous pouvions
parler de (r)évolution en matière de trading.

Afin de comprendre les éléments qui ont mené à la nécessaire utilisation des
algorithmes de trading au sein des salles de marchés, nous nous sommes penchés sur
l’évolution qu’ont connue les marchés boursiers américains. Le NYSE, par exemple, a
commencé à utiliser l’électronique à partir des années ’70, avec des systèmes tels le DOT, et
sa version améliorée le Super-DOT (Markham & Harty, 2008). Ces avancées ont permis de
transmettre davantage d’ordres à une vitesse beaucoup plus rapide qu’auparavant (Schizer,
1992). L’électronique a engendré de nombreux changements, notamment en matière d’accès
à l’information. Certaines firmes spécialisées ont développé des interfaces permettant aux
investisseurs de prendre en compte les évènements ayant un impact sur les marchés de façon
plus efficace (Markham & Harty, 2008).

D’autres marchés financiers, tels que le Nasdaq, ont développé leurs propres systèmes
de trading automatisés dès les années ’80 (Stoll, 2006). Cela constituait une réelle alternative
aux façons traditionnelles d’effectuer des transactions. Cependant, certains scandales par
rapport aux régisseurs de marchés viennent ternir l’image des marchés les plus reconnus. La
question se pose quant à la mise en place d’un éventail plus large de marchés pour effectuer
des transactions. Ceci favorise grandement la prolifération des ECN dès les années ’90. Ces
ECN fonctionnent comme des marchés traditionnels, mais ont l’avantage de diminuer les
coûts, le temps de transaction, offrent une plus grande part d’anonymat et améliorent l’accès
aux informations des livres d’ordres (Hendershott T. , 2003).

De plus, une nouvelle vague de changements se produit dès l’année 2001. La SEC
instaure alors le principe de décimalisation afin de réduire le pas entre les prix d’une action
(Bessembinder, 2003). Ceci diminue les coûts de transactions, mais également la liquidité, ce
qui constitue un élément négatif (Harris, 1994). En analysant de plus près les volumes traités
 63.

sur le S&P 500, nous constatons que ces volumes augmentent, mais que la taille de chaque
ordre et plus restreint (Crédit Suisse, 2011). Ceci signifie qu’il faut un nombre plus important
de transactions pour passer un même ordre.

Les organisations censées réguler les marchés, comme la SEC, ont développé de
nombreuses règles au fil des années afin d’encadrer la pratique du trading par voie
électronique (SEC., 1998, 2003, 2005a, 2005b). Ces règles ont eu pour but de permettre l’accès
à un plus grand nombre de participants, tout en limitant les pratiques discriminatoires.

La problématique peut alors être résumée en quelques points : diminuer les coûts de
transactions, ainsi qu’améliorer la liquidité et l’exécution d’ordres. Ce sont principalement ces
problèmes-là que nous avons analysés lors de la seconde partie de notre recherche, et plus
précisément les liens qui pouvaient exister avec l’émergence des algorithmes de trading. Ces
derniers se sont développés grâce à trois facteurs distincts : les marchés financiers devenant
de plus en plus complexes, les avancées dans le domaine de la modélisation quantitative et
enfin le développement en termes de performance des ordinateurs (Kirilenko & Lo, 2013).

Nous avons vu que les coûts pouvaient être divisés en coûts explicites, connus à
l’avance, et les coûts implicites, qui ne sont pas perceptibles avant d’avoir effectué la
transaction et qui doivent ainsi être estimés (Rath, 2004).

Au niveau des coûts explicites, les algorithmes de trading permettent dans certains cas
de profiter du système de rabais instauré par les marchés. En traitant de façon très rapide, ils
parviennent à générer du profit car ils créent de la liquidité et jouissent ainsi de la prime de
rabais (Arnuk & Saluzzi, 2008). La taxe sur les transactions boursières que certains pays ont
mise en place peut aisément être contournée grâce à l’utilisation d’algorithmes (Aït-Sahalia &
Saglam, 2014). Ceux-ci se chargeront de rediriger les ordres vers d’autres marchés, des « dark
pools » ou d’autres produits financiers. Enfin, les algorithmes de trading ont permis à leurs
utilisateurs de réduire les frais de commissions devant être payés aux brokers. Les
investisseurs les plus importants élaborent eux-mêmes leurs algorithmes d’exécution,
rendant le travail des brokers superflu (Wile, 2014).
Les coûts implicites ont quant à eux été fortement restreints notamment grâce à la diminution
des temps de latence découlant de l’utilisation d’algorithmes de trading (Stoikov & Waeber,
 64.

2016). Ces délais sont aujourd’hui réduits à quelques millisecondes (Harris, 2015). Angel et al.
(2011) démontrent que la compétition entre les algorithmes et les dealers, ainsi que les
algorithmes entre eux, a contribué à minimiser les spreads. En utilisant des algorithmes de
trading, il est également possible de réduire le coût d’opportunité, résultant de la non-
exécution d’un ordre (Scholtus et al., 2014). Les systèmes les plus rapides permettront
d’ajuster les positions des investisseurs à la suite de nouvelles informations, et de ce fait
d’éviter des pertes de profits futurs. De même, il est possible de concevoir des algorithmes
diminuant l’impact des transactions sur le marché (Gatheral & Schied, 2013). L’impact sur le
marché étant un coût pour l’investisseur, les algorithmes de trading permettent de réguler ce
dernier. Enfin, ces méthodes permettent de réduire les temps s’écoulant entre l’envoi d’un
ordre et son exécution en tenant compte de trois facteurs : la volatilité, le paramètre
représentant l’erreur d’estimation et la liquidité (Kissel, 2014).

L’étude de l’amélioration de la liquidité se fait suivant les recherches effectuées par

Hendershott et al. (2011) à ce sujet. Ils utilisent comme données l’envoi de messages
électroniques sur le NYSE, provenant d’acteurs financiers utilisant des algorithmes de trading.
Lors de la période étudiée, l’augmentation de l’utilisation d’algorithmes de trading va de pair
avec l’amélioration de la liquidité. Ils parviennent à justifier que les algorithmes sont
effectivement responsables de cette amélioration, qui est d’autant plus prononcée pour les
sociétés à forte capitalisation boursière.

Par ailleurs, les algorithmes de trading permettent une meilleure exécution des ordres.
En analysant les conditions du marché, ces systèmes parviendront à prendre les décisions
adéquates suivant les stratégies délimitées par l’investisseur (Yang & Jiu, 2006). Ils peuvent
décider de diminuer l’impact sur le marché en divisant un grand ordre en de plus petites
transactions. Ils permettent également de cacher tout ou une partie de l’ordre. Les ordres
peuvent être rattachés à d’autres, et les algorithmes s’occuperont de modifier
automatiquement les positions. Enfin, un algorithme de trading est capable de déterminer le
marché adéquat vers lequel envoyer un ordre.

Les inconvénients liés aux algorithmes de trading ne doivent cependant pas être mis de côté.
Ainsi, nous avons constaté qu’un investisseur aura tendance à se référer aux algorithmes qu’il
 65.

connaît, laissant pour compte d’autres algorithmes qui auraient été plus adéquats. Etant
donné qu’ils sont conçus uniquement pour ce que l’utilisateur leur demande de faire, en cas
de changements de conditions de marché il se peut qu’un algorithme ne soit plus efficace.
Enfin, cela demande un certain temps de rechercher et de tenir à jour les performances de ses
algorithmes (Kissel, 2014).

En outre, les coûts liés à la réduction du temps de latence sont prohibitifs. La volonté
de certains acteurs de marché à rechercher en permanence une vitesse d’exécution plus
rapide peut mener à des conséquences non désirées. Nous avons analysé pour cela deux
évènements découlant de mauvaises gestions de la part d’algorithmes de trading : l’erreur
liée au faux tweet du groupe « Associated Press » le 23 avril 2013 et le flash crash du 6 mai
2010. Dans les deux cas, les algorithmes ont engendré une période de volatilité extrême sur
les marchés, nuisant à la qualité et à l’efficacité de ceux-ci (Kirilenko et al., 2011).

1.3. Critique

En qualité d’étudiant à la Louvain School of Management, université ayant pour crédo

« Excellence & Ethics in Business », nous nous devons de porter un regard critique sur les
résultats évoqués ci-dessus.

D’une part, le trading algorithmique améliore la qualité et l’efficacité des marchés financiers
en réduisant les coûts de transactions, en augmentant la liquidité et en exécutant les ordres
de la meilleure façon possible. D’un autre côté, ils permettent à des acteurs de marchés de
profiter du système. Nous pensons notamment aux méthodes pour contourner les taxes ou
les stratégies de THF qui, d’un point de vue éthique, sont discutables. Ce besoin toujours plus
fort d’effectuer les transactions de façon extrêmement rapide peut mener à des
conséquences non désirées. Si nous pensons à certains chefs d’états utilisant les réseaux
sociaux et les conséquences désastreuses que cela pourrait avoir sur les marchés financiers,
nous pouvons mettre en doute les pratiques visant à diminuer sans cesse la vitesse
d’exécution. Il nous parait primordial que le trading algorithmique, et en particulier le THF,
soit régulé par les organismes qui en ont le pouvoir.
 66.

Même si des lois au niveau mondial ne sont pour le moment pas envisagées, la SEC a
récemment voté un texte ayant pour but d’encadrer plus sévèrement les dérives liées aux
algorithmes de trading (McCracken, 2016). De plus, l’entrée en vigueur en janvier 2018 de
MiFID II et MiFIR en Europe améliorera la transparence par rapport aux pratiques douteuses,
essentiellement en matière de THF (Papaevangelou, Vezmar, & Salabert, 2016). Enfin, de
récentes études démontrent que les revenus générés par le THF sont en déclin, dû à la
compétition incessante entre les acteurs ainsi que les coûts d’implémentation des systèmes
censés gagner quelques millisecondes (Kaya, 2016).

Grâce aux avancées en matière de régulation et à la volonté des états de mettre en

avant la transparence au sein des marchés financiers, nous pensons que l’utilisation du trading
algorithmique continuera à contribuer positivement à la qualité et à l’efficacité des marchés.
Il doit ainsi être encouragé.

1.4. Recherches futures

Ce mémoire a permis de poser de bonnes bases pour toute personne souhaitant effectuer des
recherches plus approfondies à propos du trading algorithmique. Les algorithmes se sont
révélés être une évolution logique à la suite de l’arrivée de l’électronique au sein de marchés
financiers. Mais nous pensons néanmoins que les changements ne vont pas s’arrêter là.
Récemment, le Financial Times a publié un article à propos du développement des systèmes
d’intelligence artificielle au sein des salles de marchés (Noonan, 2017).

La banque d’investissements JP Morgan a ainsi mis au point une intelligence artificielle,

baptisée LOXM, afin d’exécuter les ordres sur les marchés d’actions. L’intérêt de ce nouveau
système provient du fait qu’il puisse ajuster sa façon de traiter en apprenant des milliards de
transactions ayant eu lieu. Alors que de telles prouesses nécessitaient l’intervention humaine
auparavant, l’intelligence artificielle permet d’opérer sur une base de données beaucoup plus
grande et agit de façon plus efficace. JP Morgan affirme que cette méthode permet de mieux
exécuter les transactions et de réduire les coûts. Il est également possible de configurer le
système afin qu’il procède selon les comportements de son utilisateur (Noonan, 2017).
Nous ne serions donc pas étonnés que dans les prochaines années, un mémorant
choisisse pour titre : « L’intelligence artificielle dans le domaine du trading, une nécessaire
(r)évolution ? ».
67.
 68.

Bibliographie
Aïte Group. (2012). Resources: Institutional Securities and Investment. Récupéré sur Aïte Group :
http://aitegroup.com/resources/industry-snapshots

Aït-Sahalia, Y., & Saglam, M. (2014). High frequency traders: Taking advantage of speed. National
Bureau of Economic Research: Working Paper.

Aldridge, I. (2013). High Frequency Trading: A practical guide to algorithmic strategies and trading
systems. Hoboken: John Wiley & Sons, Inc.

Allen, F., & Karjalainen, R. (1999). Using genetic algorithms to find technical trading rules. Journal of
financial Economics, 51(2), pp. 245-271.

Angel, J., Harris, L., & Spatt, C. S. (2011). Equity trading in the 21st century. The Quarterly Journal of
Finance, 1(1), pp. 1-53.

Arnuk, S. L., & Saluzzi, J. (2008). Toxic equity trading order flow on wall street. Récupéré sur Themis
Trading LLC: http://www.trader-
inside.de/files/toxic_equity_trading_on_wall_street_12_17_08_843.pdf

Atkins, A. B., & Dyl, E. A. (1997). Market structure and reported trading volume: NASDAQ versus the
NYSE. The Journal of Financial Research, 20(3), pp. 291-304.

Back, K., & Baruch, S. (2007). Working Orders in Limit Order Markets and Floor Exchanges. The
Journal of Finance, 62(4), pp. 1589-1621.

Balch, T. (2012). The High Frequency Trading Arms Race is a Problem But Taxing isn’t the Solution.
Récupéré sur The Augmented Trader: https://augmentedtrader.com/2012/08/11/discrete-
time-markets-one-way-to-derail-the-high-frequency-trading-arms-race/

Bansal, V. K., & Somani, A. (2002). Exchange Traded Funds: Challenge to traditional mutual funds.
Review of Business, 23(3), pp. 40-43.

Barclay, M. J., Christie, W. G., Harris, J. H., Kandel, E., & Schultz, P. H. (1999). Effects of market reform
on the trading costs and depths of Nasdaq stocks. The Journal of Finance, 54(1), pp. 1-34.

Barclay, M. J., Hendershott, T., & McCormick, D. T. (2003). Competition among trading venues:
Information and trading on electronic communications networks. The Journal of Finance,
58(6), pp. 2637-2665.

Berkman, H. (1993). The market spread, limit orders, and options. Journal of Financial Services
Research, 6(4), pp. 399-415.

Berkowitz, S., Logue, D., & Noser, E. (1988). The total cost of transactions on the NYSE. The Journal of
Finance, 43(1), pp. 97-112.

Bessembinder, H. (2003). Trade Execution Costs and Market Quality after Decimalization. Journal of
Financial and Quantitative Analysis, 38(4), pp. 747-777.

Bessembinder, H., Hao, J., & Zheng, K. (2015). Market making contracts, firm value, and the IPO
decision. Journal of finance, 70(5), pp. 1997-2028.
 69.

Bessembinder, H., Panayides, M., & Venkataraman, K. (2009). Hidden liquidity: an analysis of order
exposure strategies in electronic stock markets. Journal of Financial Economics, 94(3), pp.
361-383.

Bialkowski, J., Darolles, S., & Le Fol, G. (2008). Improving VWAP strategies: A dynamic volume
approach. Journal of Banking & Finance, 32(9), pp. 1709-1722.

Black, F. (1971). Toward a fully automated stock exchange, part I. Financial Analysts Journal, 27(4),
pp. 28-35.

Bodie, Z., Kane, A., & Marcus, A. (2013). Investments. New-York: McGraw-Hill Education.

Bogle, J. C. (2016). David and Goliath: Who Wins the Quantitative Battle? Journal of Portfolio
Management, 43(1), pp. 127-137.

Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of
computational science, 2(1), pp. 1-8.

Borch, C. (2016). High-frequency trading, algorithmic finance and the Flash Crash: reflections on
eventalization. Economy and Society, 45(4), pp. 350-378.

Boulatov, A., & George, T. J. (2013). Hidden and displayed liquidity in securities markets with
informed liquidity providers. The Review of Financial Studies, 26(8), pp. 2096-2137.

Brav, A., Jiang, W., & Kim, H. (2015). The Real Effects of Hedge Fund Activism: Productivity, Asset
Allocation, and Labor Outcomes. The Review of Financial Studies, 28(10), pp. 2723-2769.

Brogaard, J. (2010). High frequency trading and its impact on market quality. Northwestern
University Kellogg School of Management : Working Paper.

Brown, D. P. (1996). Why do we need stock brokers? Financial Analysts Journal, 52(2), pp. 21-30.

Brunnermeier, M. K., & Pedersen, L. H. (2005). Predatory trading. The Journal of Finance, 60(4), pp.
1825-1863.

Budish, E., Cramton, P., & Shim, J. (2014). Implementation details for frequent batch auctions:
Slowing down markets to the blink of an eye. The American Economic Review, 104(5), pp.
418-424.

Byrnes, N. (2017). As Goldman Embraces Automation, Even the Masters of the Universe Are
Threatened. Récupéré sur MIT Technology Review:
https://www.technologyreview.com/s/603431/as-goldman-embraces-automation-even-the-
masters-of-the-universe-are-
threatened/?set=603585&mc_cid=e96bfbd943&mc_eid=6cd726ff88

Campbell, J. Y., & Froot, K. A. (1994). International experiences with securities transaction taxes.
Dans J. A. Frankel, The Internationalization of Equity Markets (pp. 277-308). Chicago:
University of Chicago Press.

Capelle-Blancard, G., & Havrylchyk, O. (2016). The impact of the French securities transaction tax on
market liquidity and volatility. International Review of Financial Analysis, 47, pp. 166-178.
 70.

Cappelletti, G., Guazzarotti, G., & Tommasino, P. (2017). The stock market effects of a securities
transaction tax: quasi-experimental evidence from Italy. ECB working paper No. 1949.

Cappon, A. (2014). The Brokerage World Is Changing, Who Will Survive? Récupéré sur Forbes:
https://www.forbes.com/sites/advisor/2014/04/16/the-brokerage-world-is-changing-who-
will-survive/#4c0ef73168a7

Carlson, B. (2017). Think Global to Avoid Shrinking U.S. Stock Market. Récupéré sur Bloomberg View:
https://www.bloomberg.com/view/articles/2017-03-17/think-global-to-avoid-shrinking-u-s-
stock-market

Cartea, A., & Jaimungal, S. (2015). Optimal execution with limit and market orders. Quantitative
Finance, 15(8), pp. 1279-1291.

Cartea, A., Jaimungal, S., & Penalva, J. (2015). Algorithmic and High-Frequency Trading. Cambridge:
Cambridge University Press.

Chaboud, A. P., Chiquoine, B., Hjalmarsson, E., & Vega, C. (2014). Rise of the machines: Algorithmic
trading in the foreign exchange market. The Journal of Finance, 69(5), pp. 2045-2084.

Chakravarty, S., Jain, P., Upson, J., & Wood, R. (2012). Clean sweep: Informed trading through
intermarket sweep orders. Journal of Financial and Quantitative Analysis, 47(2), pp. 415-435.

Chang, M. T. (2005). Floor versus screen trading: distinctions for practitioners. Corporate Finance
Review, 9(6), pp. 5-18.

Chang, M. T. (2009). There is something about pairs trading. Corporate Finance Review, 13(5), pp. 27-
35.

Chin, W. M., Chong, S. L., & Walkowicz, T. (2016). Trading Commissions: Rising Above the “Race to
Zero”. Accenture Research.

Chordia, T., Roll, R., & Subrahmanyam, A. (2001). Market liquidity and trading activity. The Journal of
Finance, 56(2), pp. 501-530.

Christie, W. G., & Schultz, P. H. (1994). Why do NASDAQ Market Makers Avoid Odd‐Eighth Quotes?
The Journal of Finance, 49(5), pp. 1813-1840.

Chung, K. H., & Chuwonganant, C. (2009). Transparency and market quality: Evidence from
SuperMontage. Journal of Financial Intermediation, 18(1), pp. 93-111.

Chung, K. H., & Van Ness, R. A. (2001). Order handling rules, tick size, and the intraday pattern of bid–
ask spreads for Nasdaq stocks. Journal of Financial Markets, 4(2), pp. 143-161.

Chung, K. H., Chuwonganant, C., & McCormick, D. T. (2004). Order preferencing and market quality
on NASDAQ before and after decimalization. Journal of Financial Economics, 71(3), pp. 581-
612.

Colliard, J.-E., & Foucault, T. (2012). Trading fees and efficiency in limit order markets. Review of
financial studies, pp. 3389-3421.

Comerton-Forde, C., & Putnins, T. J. (2015). Dark trading and price discovery. Journal of Financial
Economics, 118(1), pp. 70-92.
 71.

Cornell, B., & Hsu, J. (2016). The self-fulfilling prophecy of popular asset-pricing models. Journal Of
Investment Management, 14(1), pp. 65-74.

Crédit Suisse. (2011). Global Equity Markets Handbook: Crédit Suisse Advanced Execution Services
Analysis. Zurich: Crédit Suisse.

De Winne, R., & D'hondt, C. (2007). Hide-and-Seek in the Market: Placing and Detecting Hidden
Orders. Review of Finance, 11(4), pp. 663-692.

Demsetz, H. (1968). The cost of transacting. The quarterly journal of economics, 82(1), pp. 33-53.

Desjardins, J. (2016). All of the World’s Stock Exchanges by Size. Récupéré sur Visual Capitalist:
http://money.visualcapitalist.com/all-of-the-worlds-stock-exchanges-by-size/

Desjardins, J. (2017). What is the Difference Between the NYSE and Nasdaq? Récupéré sur Visual
Capitalist: http://www.visualcapitalist.com/difference-nyse-nasdaq/

Dimson, E., Marsh, P., & Staunton, M. (2017). Credit Suisse Global Investment Returns Yearbook
2017. Zurich: Credit Suisse Research Institute.

Domowitz, I., & Lee, R. (2001). On the road to reg ATS: A critical history of the regulation of
automated trading systems. International Finance, 4(2), pp. 279-302.

Domowitz, I., & Steil, B. (1999). Automation, trading costs, and the structure of the securities trading
industry. Brookings-Wharton papers on financial services, 2, pp. 33-92.

Domowitz, I., & Yegerman, H. (2006). The Cost of Algorithmic Trading: A First Look at Comparative
Performance. The Journal of Trading, 1(1), pp. 33-42.

Dufour, A., & Engle, R. F. (2000). Time and the price impact of a trade. The Journal of Finance, 55(6),
pp. 2467-2498.

Escobar, M., Mahlstedt, M., Panz, S., & Zagst, R. (2017). Vulnerable Exotic Derivatives. Journal of
Derivatives, 24(3), pp. 84-102.

Euronext. (2017). Trading fee guide for cash market members. Récupéré sur Euronext:
https://www.euronext.com/fr/trading-fees-charges

European Commission. (2017). Taxation of the financial sector. Récupéré sur European Commission:
Taxation and Custom Unions: http://ec.europa.eu/taxation_customs/taxation-financial-
sector_en

Fisher, M. (2013). Syrian hackers claim AP hack that tipped stock market by $136 billion. Is it
terrorism? Récupéré sur The Washington Post:
https://www.washingtonpost.com/news/worldviews/wp/2013/04/23/syrian-hackers-claim-
ap-hack-that-tipped-stock-market-by-136-billion-is-it-terrorism/?utm_term=.9aefebf2e90d

Frei, C., & Westray, N. (2015). Optimal execution of a VWAP order: a stochastic control approach.
Mathematical Finance, 25(3), pp. 612-639.

Garvey, R., Huang, T., & Wu, F. (2016). Why do traders choose dark markets? Journal of Banking &
Finance, pp. 12-28.
 72.

Gatheral, J., & Schied, A. (2013). Dynamical models of market impact and algorithms for order
execution. Dans J.-P. Fouque, & J. A. Langsam, Handbook on Systemic Risk (pp. 579-599).
Cambridge: Cambridge University Press.

Goldstein, M. A., Irvine, P., Kandel, E., & Wiener, Z. (2009). Brokerage Commissions and Institutional
Trading Patterns. The Review of Financial Studies, 22(12), pp. 5175-5212.

Goldstein, M. A., Kumar, P., & Graves, F. C. (2014). Computerized and High‐Frequency Trading.
Financial Review, 49(2), pp. 177-202.

Goldstein, M. A., Shkilko, A. V., Van Ness, B. F., & Van Ness, R. A. (2008). Competition in the market
for NASDAQ securities. Journal of Financial Markets, 11(2), pp. 113-143.

Gould, M. D., Porter, M. A., Williams, S., McDonald, M., Fenn, D. J., & Howison, S. D. (2013). Limit
order books. Quantitative Finance, 13(11), pp. 1709-1751.

Goya, C. (2017). Goldman Sachs a remplacé 600 traders par 200 ingénieurs en 16 ans. Récupéré sur
Business Insider France: http://www.businessinsider.fr/goldman-sachs-a-remplace-600-
traders-par-200-ingenieurs-en-16-ans/

Gregoriou, G. N. (2010). The Handbook of Trading: Strategies for navigating and profiting from
currency, bon and stock markets. New York: McGraw-Hill.

Gsell, M. (2008). Assessing the Impact of Algorithmic Trading on Markets: A Simulation Approach.
Social Science Research Network: Working Paper.

Habermeier, K., & Kirilenko, A. A. (2003). Securities transaction taxes and financial markets. IMF Staff
Papers, 50(1), pp. 165-180.

Handa, P., & Schwartz, R. A. (1996). Limit order trading. The Journal of Finance, 51(5), pp. 1835-1861.

Harris, L. (1994). Minimum Price Variations, Discrete Bid-Ask Spreads, and Quotation Sizes. Review of
Financial Studies, 7, pp. 149-178.

Harris, L. (2002). Trading and exchanges: Market microstructure for practitioners. New York: Oxford
University Press.

Harris, L. (2015). Trading and Electronic Markets: What Investment Professionnals Need To Know.
Charlottesville: CFA Institure Reseach Foundation.

Harvey, C. R. (2017). Nasdaq Investing Glossary. Récupéré sur Nasdaq:

http://www.nasdaq.com/investing/glossary/d/dealer

Hasbrouck, J., & Saar, G. (2002). Limit orders and volatility in a hybrid market: The Island ECN. New
York University: Working Paper.

Hasbrouck, J., & Saar, G. (2013). Low-latency trading. Journal of Financial Markets, 16(4), pp. 646-
679.

Hasbrouck, J., Sofianos, G., & Sosebee, D. (1993). New York Stock Exchange systems and trading
procedures. Director, 212(998), pp. 91-101.

Hazen, T. (2017). Broker-Dealer regulation in a nutshell. St. Paul: West Academic.

 73.

Hendershott, T. (2003). Electronic trading in financial markets. IT Professional Magazine, 5(4), pp. 10-
14.

Hendershott, T., & Riordan, R. (2013). Algorithmic trading and the market for liquidity. Journal of
Financial and Quantitative Analysis, 48(4), pp. 1001-1024.

Hendershott, T., Jones, C. M., & Menkveld, A. J. (2011). Does algorithmic trading improve liquidity?
The Journal of Finance, 66(1), pp. 1-33.

Huang, R., & Stoll, H. (1996). Dealer versus auction markets: A paired comparison of execution costs
on NASDAQ and the NYSE. Journal of Financial Economics, 43(3), pp. 313-357.

Johnson, B. (2010). Algorithmic Trading & DMA: An introduction to direct acces trading strategies.
London: 4Myeloma Press.

Johnson, R. (2017). New rules are going to fundamentally change the business models of brokers.
Récupéré sur Business Insider: http://www.businessinsider.com/looming-regulations-will-
change-business-models-of-financial-managers-2017-4

Jones, C. (2013). What do we know about high-frequency trading? Columbia University: Working
Paper.

Jones, C., & Lipson, M. (2001). Sixteenths: Direct Evidence on Institutional Trading Costs. Journal of
Financial Economics, 59, pp. 253-278.

Kacperczyk, M., Sialm, C., & Zheng, L. (2005). On the industry concentration of actively managed
equity mutual funds. Journal of finance, 60(4), pp. 1983-2011.

Kandel, E., & Marx, L. M. (1997). Nasdaq market structure and spread patterns. Journal of Financial
Economics, 45(1), pp. 61-89.

Karmel, R. S. (2001). Turning Seats into Shares: Causes and Implications of Demutualization of Stock
and Futures Exchanges. Hastings Law Journal, 53(2), pp. 367-430.

Kaya, O. (2016). High-frequency trading reaching the limits. Récupéré sur Deutsche Bank: Research
Briefing Global financial markets: https://www.dbresearch.com/PROD/DBR_INTERNET_EN-
PROD/PROD0000000000406105/High-frequency_trading%3A_Reaching_the_limits.pdf

Keynes, J. M. (1930). Treatise on Money. London: Macmillan.

Kim, K. (2010). Electronic and Algorithmic Trading Technology: The Complete Guide. London:
Academic Press.

Kirilenko, A. A., & Lo, A. W. (2013). Moore's law versus murphy's law: Algorithmic trading and its
discontents. The Journal of Economic Perspectives, 27(2), pp. 51-72.

Kirilenko, A. A., Kyle, A. S., Samadi, M., & Tuzun, T. (2011). The flash crash: The impact of high
frequency trading on an electronic market. CFTC and University of Maryland: Working Paper.

Kissel, R. (2014). The Science of Algorithmic Trading and Portfolio Management. Oxford: Academic
Press.

Konishi, H. (2002). Optimal slice of a VWAP trade. Journal of Financial Markets, 5(2), pp. 197-221.
 74.

Kritzman, M., Myrgren, S., & Page, S. (2006). Implementation Shortfall. Journal of Portfolio
Management, 33(1), pp. 25-30.

Kumiega, A., & Van Vliet, B. E. (2012). Automated finance: The assumptions and behavioral aspects of
algorithmic trading. Journal of Behavioral Finance, 13(1), pp. 51-55.

Kyle, A. S. (1985). Continuous auctions and insider trading. Econometrica: Journal of the Econometric
Society, 53(6), pp. 1315-1335.

Larousse. (2017a). Dictionnaire de français: Algorithme. Récupéré sur Larousse:

http://www.larousse.fr/dictionnaires/francais/algorithme/2238?q=algorithme

Larousse. (2017b). Dictionnaire de français: Taxe. Récupéré sur Larousse:

http://www.larousse.fr/dictionnaires/francais/taxe/76882

Laughlin, G., Aguirre, A., & Grundfest, J. (2014). Information transmission between financial markets
in Chicago and New York. Financial Review, 49(2), pp. 283-312.

Les Echos. (2017). Lexique Financier: SEC. Récupéré sur Les Echos: https://www.lesechos.fr/finance-
marches/vernimmen/definition_sec.html

Lhuillery, S. (2014). Marketing and persistent innovation success. Economics of innovation and new
technology, 23(5), pp. 517-543.

Lindsey, R., Byrne, J. A., & Schwartz, R. A. (2016). The SEC’s Order Handling Rules of 1997 and
Beyond: Perspective and Outcomes of the Landmark Regulation. The Journal of Portfolio
Management, 42(3), pp. 56-64.

Mack, C. A. (2011). Fifty years of Moore's law. IEEE Transactions on semiconductor manufacturing,
24(2), pp. 202-207.

Madhavan, A. (2012). Exchange-traded funds, market structure, and the flash crash. Financial
Analysts Journal, 68(4), pp. 20-35.

Madura, J. (2010). Financial Markets and Institutions. Mason: South-Western.

Markham, J. W., & Harty, D. J. (2008). For Whom the Bell Tolls: The Demise of Exchange Trading
Floors and the Growth of ECNs. Journal of Corporation Law, 33(4), pp. 865-939.

Matthews, C. (2013). How Does One Fake Tweet Cause a Stock Market Crash? Récupéré sur Time:
http://business.time.com/2013/04/24/how-does-one-fake-tweet-cause-a-stock-market-
crash/

Mayers, D. (1998). Why firms issue convertible bonds: the matching of financial and real investment
options. Journal of Financial Economics, 47(1), pp. 83-102.

McAndrews, J., & Stefanadis, C. (2000). The emergence of Electronic Communications Networks in
the US equity markets. Current Issues in Economics and Finance, 6(12), pp. 1-6.

McCracken, K. W. (2016). SEC approves FINRA rule requiring registration of algorithmic trading
developers. Récupéré sur Bloomberg: https://www.bloomberg.com/professional/blog/sec-
approves-finra-rule-requiring-registration-of-algorithmic-trading-developers/
 75.

Menkveld, A. J., & Yueshen, B. Z. (2017). The flash crash: A cautionary tale about highly fragmented
markets. Working Paper.

Michayluk, D., & Prather, L. (2008). A Liquidity Motivated Algorithm for Discerning Trade Direction.
Multinational Finance Journal, 12(2), pp. 45-66.

Moore, H., & Roberts, D. (2013). AP Twitter hack causes panic on Wall Street and sends Dow
plunging. Récupéré sur The Guardian:
https://www.theguardian.com/business/2013/apr/23/ap-tweet-hack-wall-street-freefall

Nasdaq. (2017). Price List - Trading Connectivity: Add and Remove Rates. Récupéré sur NasdaqTrader:
https://www.nasdaqtrader.com/Trader.aspx?id=PriceListTrading2

Noonan, L. (2017). JPMorgan develops robot to execute trades. Récupéré sur Financial Times:
https://www.ft.com/content/16b8ffb6-7161-11e7-aca6-
c6bd07df1a3c?lipi=urn%3Ali%3Apage%3Ad_flagship3_feed%3BvG3RSDKcSi2bbEPaMoPvUA
%3D%3D

Nuti, G., Mirghaemi, M., Treleaven, P., & Yingsaeree, C. (2011). Algorithmic trading. Computer,
44(11), pp. 61-69.

O’Hara, M. (2015). High frequency market microstructure. Journal of Financial Economics, 116(2), pp.
257-270.

O'Hara, M. (2014). High-Frequency Trading and Its Impact on Markets. Financial Analysts Journal,
70(3), pp. 18-27.

O'Hara, M., & & Ye, M. (2011). Is market fragmentation harming market quality? Journal of Financial
Economics, 100(3), pp. 459-474.

Othman, A., Pennock, D. M., Reeves, D. M., & Sandholm, T. (2013). A Practical Liquidity-Sensitive
Automated Market Maker. ACM Transactions on Economics and Computation, 1(3), pp. 1-25.

Pagano, M. (1989). Trading volume and asset liquidity. The Quarterly Journal of Economics, 104(2),
pp. 255-274.

Papaevangelou, V., Vezmar, A., & Salabert, S. (2016). MiFID II: un défi majeur pour les banques.
Récupéré sur KPMG: https://home.kpmg.com/content/dam/kpmg/pdf/2016/07/fr-kpmg-
advisory-bank-MIFID-II.pdf

Pardo, A., & Pascual, R. (2012). On the hidden side of liquidity. The European Journal of Finance,
18(10), pp. 949-967.

Persaud, A. (2003). Liquidity black hole. Dans A. Persaud, Liquidity Black Holes: Understanding,
Quantifying and Managing Financial Liquidity Risk, Vol. 1. (pp. 85-104). Londres: Haymarket
House.

Preece, R., & Rosov, S. (2014). Dark Trading and Equity Market Quality. Financial Analysts Journal,
70(6), pp. 33-48.

Ranaldo, A. (2004). Order aggressiveness in limit order book markets. Journal of Financial Markets,
7(1), pp. 53-74.
 76.

Rath, S. (2004). The hidden costs of trade execution. JASSA, 4, pp. 35-37.

Rose, C. (2010). Dark Pools And Flash Orders: The Secret World Of Automated High-Frequency
Trading. Journal of Business & Economics Research, 8(8), pp. 11-16.

Rosenbloom, C. (2011). The Complete Trading Course: Price Patterns, Strategies, Setups, and
Execution Tactics. Hoboken: John Wileys & Sons.

Schizer, D. M. (1992). Benign Restraint: The SEC's Regulation of Execution Systems. The Yale Law
Journal, 101(7), pp. 1551-1575.

Scholtus, M., Dijk, D. v., & Frijns, B. (2014). Speed, algorithmic trading, and market quality around
macroeconomic news announcements. ournal of Banking & Finance, 38, pp. 89-105.

Scott, R. H. (1997). Pegged exchange rate systems in Macau and Hong Kong. Multinational Finance
Journal, 1(2), pp. 153-168.

SEC. (1998). Regulation of Exchanges and Alternative Trading Systems. SEC Release No. 34-39884.

SEC. (2003). Self-Regulatory Organizations; Order Approving a Proposed Rule Change and
Amendment Nos. 1 and 2 Thereto by the New York Stock Exchange, Inc. Regarding the
Dissemination of Liquidity Quotations. Récupéré sur U.S. Securities and Exchange
Commission: https://www.sec.gov/rules/sro/34-47614.htm

SEC. (2005a). Regulation NMS. Récupéré sur U.S. Securities and Exchange Commission:
https://www.sec.gov/rules/final/34-51808.pdf

SEC. (2005b). ECNs/Alternative Trading Systems. Récupéré sur U.S. Securities and Exchange
Commission: https://www.sec.gov/divisions/marketreg/mrecn.shtml

SEC. (2010). Findings regarding the market events of may 6, 2010. Récupéré sur U.S. Securities and
Exchange Commission: https://www.sec.gov/news/studies/2010/marketevents-report.pdf

Sethi, R., & Vaughan, J. W. (2016). Belief Aggregation with Automated Market Makers.
Computational economics, 48(1), pp. 155-178.

Shelton, A. (2017). The value of stop-loss, stop-gain strategies in dynamic asset allocation. Journal of
Asset Management, 18(2), pp. 124-143.

Simaan, Y., Weaver, D. G., & Whitcomb, D. K. (2003). Market maker quotation behavior and pretrade
transparency. The Journal of Finance, 58(3), pp. 1247-1267.

Song, F., & Thakor, A. V. (2010). Financial system architecture and the co-evolution of banks and
capital markets. Economic journal, 120(547), pp. 1021-1055.

Stoikov, S., & Waeber, R. (2016). Reducing transaction costs with low-latency trading algorithms.
Quantitative Finance, 16(9), pp. 1445-1451.

Stoll, H. R. (2006). Electronic Trading in Stock Markets. The Journal of Economic Perspectives, 20(1),
pp. 153-174.

Tanase, A.-E., & Calota, T.-O. (2014). Types of Shares. Romanian Economic and Business Review, 9(1),
pp. 7-20.
 77.

Thompson, G. F. (2017). Time, trading and algorithms in financial sector security. New Political
Economy, 22(1), pp. 1-11.

Toke, I. M. (2015). The order book as a queueing system: average depth and influence of the size of
limit orders. Quantitative Finance, 15(5), pp. 795-808.

Treleaven, P., Galas, M., & Lalchand, V. (2013). Algorithmic trading review. Communications of the
ACM, 56(11), pp. 76-85.

Wile, R. (2014). Back In The Day, Brokers Got Away With Murder In Trading Commissions. Récupéré
sur Business Insider: http://www.businessinsider.com/historical-trading-commissions-2014-3

Yahoo Finance. (2017). Yahoo Finance : S&P 500 (^GSPC). Récupéré sur Yahoo Finance:
https://finance.yahoo.com/quote/%5EGSPC/history?period1=169200&period2=1493589600
&interval=1mo&filter=history&frequency=1mo

Yang, J., & Jiu, B. (2006). Algorithm selection: a quantitative approach. Trading, 2006(1), pp. 26-34.

Ye, G. L. (2009). Exotic options: Boundary analyses. Journal of Derivatives & Hedge Funds, 15(2), pp.
149-157.
78.

Annexe 1 : Evolution du volume mensuel des transactions sur le S&P500

Annexes
Figure 7: Evolution du volume mensuel en $1 milliard traité sur le S&P 500 des années '70 à aujourd'hui (Yahoo Finance
: S&P 500 (^GSPC), 2017)
 Annexe 2 : Marchés boursiers les plus importants

Figure 8: Marchés boursiers par taille, en $1 trillion (Desjardins, 2016)

79.
 80.

Annexe 3 : Taille des marchés boursiers par pays fin 2016

Figure 9: Taille relative des marchés boursiers mondiaux (Dimson et al., 2017)

*Les 9 pays comptant pour plus de 1% sont représentés. Les 6.8% correspondant au « Smaller
Yearbook » sont formés par 14 plus petits marchés. La dernière part, « Not in Yearbook »,
reprend les pays pour lesquels les données sont incertaines, essentiellement des pays
émergents (Dimson et al., 2017).

Annexe 4 : Frais sur l’Euronext pour des transactions sur actions

Figure 10: Frais en vigueur à partir de juin 2017 pour les actions traitées sur l'Euronext (Euronext, 2017)

*Les frais de €0.15 ne s’appliquent qu’une fois par ordre, même si cet ordre est divisé en
plusieurs morceaux avant d’être exécuté. Les frais en fonction du volume doivent être
additionnés au frais d’exécution de l’ordre. Ils sont exprimés en bps (Basis Points), sachant
que 1 bps équivaut à 0.01%.
 81.

Annexe 5 : Evolution des frais de commission payés pour l’exécution de transactions.

Figure 11: Frais de commission payés par des investisseurs institutionnels pour l'exécution d'ordres (Cappon, 2014).

*Au début des années 2000, ces frais s’élevaient à près de $0.05 par action. En 2011, les frais
se sont stabilisés à $0.015 par action, soit une chute de près de 70%.

Annexe 6 : Flash Crash du 6 mai 2010

Figure 12: L'effet du "Flash Crash" sur les marchés américains (Balch, 2012)

* DJIA : Dow Jones Industrial Average

 82.

Annexe 7 : Le trading algorithmique par classes d’actifs et par régions

Figure 13: Evolution de l'utilisation d'algorithmes de trading dans différentes

classes d'actifs et régions (Aïte Group, 2012)

*Une nette préférence d’utilisation est assignée à l’utilisation d’algorithmes de trading pour
les marchés d’actions ainsi que ceux traitant des futurs. De même, les Etats-Unis adoptent
plus rapidement et dans une plus grande proportion ces méthodes de trading.
Place des Doyens, 1 bte L2.01.01, 1348 Louvain-la-Neuve, Belgique www.uclouvain.be/lsm