AlgoTrader

L’utilisation du Trading à Haute Fréquence dans les transactions boursières avait permis aux investisseurs de réaliser des résultats plus rentables qu’avant, à travers l’avantage concurrentiel de la rapidité qu’ils possèdent par rapport aux autres traders dits lents. D’ailleurs, l’arrivée du flash crash en 2010 avait dénoncé que ces algorithmes ultra-rapides peuvent présenter une menace pour le fonctionnement des marchés financiers, et même pour la stabilité du système économique. Chose qui a poussé plusieurs auteurs à analyser les effets du THF afin de déduire s’il présente une menace ou une opportunité. Au travers de ce mémoire, nous avons essayé de répondre à cette question, en se basant sur des études qui montrent que le THF peut avoir non seulement des avantages, mais aussi des inconvénients. Nous avons abordé que les menaces sont causées principalement par certaines firmes qui utilisent le THF d’une manière illégale afin d’augmenter leurs bénéfices, en piégeant les autres participants du marché boursier. Cependant, les autorités financières avaient fourni pas mal d’efforts, afin de contrôler les effets néfastes du THF, mais l’incapacité à suivre la vitesse des robots traders, était le frein qui leur empêche pour terminer leur mission. Ainsi, nous avons présenté certaines solutions qui peuvent réduire l’intensité des menaces posées par le THF, puisque la rapidité dans l’annulation des titres est la facteur essentiel qui facilite l’application des stratégies trappeuses. Alors, nous pouvons éliminer certains inconvénients du THF en imposant des taxes sur les ordres annulés, ainsi qu’on peut augmenter le temps de détention des ordres placés à un tel seuil, qui rend difficile aux firmes de THF d’annuler leurs ordres avant d’être exécutés. Aussi qu’on peut augmenter le pas de cotation afin de permettre à tous les participants du marché de bénéficier des opportunités disponibles sur un même pied d’égalité. Sans quoi, il serait obligatoire d’imposer une durée de latence favorable à tout le monde, mais cela est considéré comme agressif pour les firmes de THF ayant dépensé des grands budgets pour leurs équipements.

Predicting non-linear patterns of data has always been a difficult task for experts. Such general assumption is applicable in any field of study, including finance a sector in which it is well recognized that stock data, in particular, has a remarkably unpredictable nature. The chaotic essence of stock data and the necessity to respect the unavoidable limitations that each theoretical model present are obstacles to the formation of a truly excellent portfolio.
In order to deal with these issues, several studies in literature have proposed artificial intelligence models, usually defined as intelligent models.
The role of Machine learning in finance is increasing up using it for trading, risk management, asset allocation, client services and customer experience. It became necessary in response of the augment of the volume of real-time data available that increase beyond individual capacity.
The purpose of this study is to explore and analyse the use of Machine learning algorithms in finance in the field of portfolio construction and asset selection and build a portfolio that outperforms against a prompt benchmark. We examined the selection of a well-diversified portfolio by ML algorithms outperformed from a benchmark; then, we evaluated the performance. In particular, we used Universal Portfolio library to create benchmarks and Deepdow, Mlfinlab, Pytorch libraries and Hierarchical Risk Parities and Nearest Cluster Optimization to construct a well-diversified portfolio that outperform. We selected the assets in accordance with Follow the winner and looser paradigm.

The analysis was evaluated using the default input provided by MATLAB and PYTHON 3.7 packages and, in particular, we use as interpreter Jupyter Notebook and Google Colab.
The results of our applied case study were evaluated using a dataset constituted with all the stocks presented in main stock exchange markets and our study demonstrated that it should be considered feasible to achieve an higher return per volatility unit. The results also showed that a model of optimized portfolio founded on predictions, surpassed the Markowitz’s mean-variance and defeated an equally weighted portfolio, but not beat the Passive Aggressive Mean Reversion benchmark in the trading simulation.
Future directions: research of neural predictors and of the best training method to minimize errors related to predictions and other risk measures.