.. _automationfinancetradingrst:

================================================
Les algorithmes, outils de décision automatique.
================================================


.. only:: html

    **Links:** :download:`notebook <automation_finance_trading.ipynb>`, :downloadlink:`html <automation_finance_trading2html.html>`, :download:`PDF <automation_finance_trading.pdf>`, :download:`python <automation_finance_trading.py>`, :downloadlink:`slides <automation_finance_trading.slides.html>`, :githublink:`GitHub|_doc/notebooks/2017/meshs/automation_finance_trading.ipynb|*`


L’exemple du trading algorithmique.

Introduction
------------

Plan
~~~~

.. code:: ipython3

    from jyquickhelper import add_notebook_menu
    add_notebook_menu(last_level=2, menu_id="main")






.. contents::
    :local:





A propos de moi
~~~~~~~~~~~~~~~


-  Senior Data Scientist chez Microsoft
-  Professeur à l’ENSAE depuis 2000
-  Professeur dans la voie data science depuis 2014
-  Formation Data Science de l’Institut des Actuaires
-  `lesenfantscodaient.fr <http://lesenfantscodaient.fr>`__
-  Passage en finance (hedge funds), travail sur des algorithmes de
   trading automatiques (2007)

A qui s’adresse cette présentation
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

-  au plus grand nombre

Raccourcis d’histoire financière et technique
---------------------------------------------


-  On débute en 1971.
-  L’informatique et les mathématiques.
-  Automatisation.

Bretton Woods 1971 : le début de la technique
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~


-  Source : `Comment j’ai détesté les
   maths <http://www.arte.tv/guide/fr/068432-000-A/comment-j-ai-deteste-les-maths>`__
-  Arrêt de la politique du taux de change unique.
-  Volonté des sociétés multinationales de s’assurer contre le risque de
   change.
-  Début de la modélisation mathématique.

Informatisation
~~~~~~~~~~~~~~~


-  1984 : dématérialisation des titres à la bourse française
-  1986 : CAC (Compagnie de Agents de Changes) devient la *Cotation
   Assistée en Continu*.
-  1988 : les ordres sont tous passés depuis des ordinateurs
-  1997 : les ECN (Electronic Communication Network) sont conçus. Il
   s’agit de centres informatiques qui mettent en relation les
   professionnels et les brokers pour effectuer des transactions
   informatisées.
-  1997-2002 : premiers algorithmes de trading
-  2003 : début du trading haute fréquence
-  2010 : `Flash
   Crash <https://fr.wikipedia.org/wiki/Flash_Crash_de_2010>`__,
   probablement dû au trading haute fréquence

La finance est numérisée
~~~~~~~~~~~~~~~~~~~~~~~~


-  Un des premiers domaines économique entièrement numérisée.
-  Un des plus profitables.
-  Capable de recruter les meilleurs talents.

Hedge Fund
~~~~~~~~~~


-  `Renaissance
   Technologies <https://fr.wikipedia.org/wiki/Renaissance_Technologies>`__
-  `CFM <https://fr.wikipedia.org/wiki/Capital_Fund_Management>`__

Ces sociétés emploient beaucoup de docteurs en mathématiques et
physiques.

Formation
~~~~~~~~~


-  `Master Probabilités et
   Finance <http://finance.math.upmc.fr/index2.php>`__ surnommé le
   master El Karoui

Et tout autour du monde et principalement dans les universités
anglo-saxonnes :


-  `MS in Financial
   Engineering <http://ieor.columbia.edu/ms-financial-engineering>`__

Automatisation possible
~~~~~~~~~~~~~~~~~~~~~~~

Tout est prêt pour l’automatisation


-  Tout est numérique.
-  Les meilleurs ingénieurs.
-  Les meilleurs finances.
-  Le retour sur investissement est très rapide.

Intérêt de l’automatisation
~~~~~~~~~~~~~~~~~~~~~~~~~~~


-  Traiter plus de données.
-  Traiter autant de données mais plus vite.

Pour être meilleur que le concurrent.

Problème à taille humaine
~~~~~~~~~~~~~~~~~~~~~~~~~

Combien avez-vous d’amis sur Facebook ?

`La règle des 150 <https://en.wikipedia.org/wiki/The_Tipping_Point>`__.

Un cas concret
--------------


-  Un exemple d’algorithme de trading algorithmique : trend following.
-  Notion de back test
-  Trading haute fréquence ?
-  Machine learning
-  Pas un inventaire des stratégies existantes.

Une série financière
~~~~~~~~~~~~~~~~~~~~

.. code:: ipython3

    from pyensae.finance import StockPrices
    prices = StockPrices(tick="MSFT", url='yahoo_new')
    prices.dataframe.tail()






.. raw:: html

    <div>
    <style scoped>
        .dataframe tbody tr th:only-of-type {
            vertical-align: middle;
        }

        .dataframe tbody tr th {
            vertical-align: top;
        }

        .dataframe thead th {
            text-align: right;
        }
    </style>
    <table border="1" class="dataframe">
      <thead>
        <tr style="text-align: right;">
          <th></th>
          <th>Date</th>
          <th>Open</th>
          <th>High</th>
          <th>Low</th>
          <th>Close</th>
          <th>Adj Close</th>
          <th>Volume</th>
        </tr>
        <tr>
          <th>Date</th>
          <th></th>
          <th></th>
          <th></th>
          <th></th>
          <th></th>
          <th></th>
          <th></th>
        </tr>
      </thead>
      <tbody>
        <tr>
          <th>2018-05-14</th>
          <td>2018-05-14</td>
          <td>97.919998</td>
          <td>98.690002</td>
          <td>97.309998</td>
          <td>98.029999</td>
          <td>97.606934</td>
          <td>19454100</td>
        </tr>
        <tr>
          <th>2018-05-15</th>
          <td>2018-05-15</td>
          <td>97.239998</td>
          <td>97.849998</td>
          <td>96.339996</td>
          <td>97.320000</td>
          <td>96.900002</td>
          <td>24594000</td>
        </tr>
        <tr>
          <th>2018-05-16</th>
          <td>2018-05-16</td>
          <td>97.360001</td>
          <td>97.400002</td>
          <td>96.620003</td>
          <td>97.150002</td>
          <td>97.150002</td>
          <td>17384700</td>
        </tr>
        <tr>
          <th>2018-05-17</th>
          <td>2018-05-17</td>
          <td>96.760002</td>
          <td>97.540001</td>
          <td>95.830002</td>
          <td>96.180000</td>
          <td>96.180000</td>
          <td>17246700</td>
        </tr>
        <tr>
          <th>2018-05-18</th>
          <td>2018-05-18</td>
          <td>96.010002</td>
          <td>96.930000</td>
          <td>96.010002</td>
          <td>96.360001</td>
          <td>96.360001</td>
          <td>17128900</td>
        </tr>
      </tbody>
    </table>
    </div>



.. code:: ipython3

    %matplotlib inline

.. code:: ipython3

    prices.plot(figsize=(14,4));



.. image:: automation_finance_trading_19_0.png


.. code:: ipython3

    prices[-20:].plot(figsize=(14,4), field="ohlc");



.. image:: automation_finance_trading_20_0.png


Stratégie : trend following
~~~~~~~~~~~~~~~~~~~~~~~~~~~

Le principe : `trend
following <https://en.wikipedia.org/wiki/Trend_following>`__.

.. code:: ipython3

    from pyquickhelper.helpgen import NbImage
    NbImage("images/trend.png", width=800)




.. image:: automation_finance_trading_22_0.png
   :width: 800px



La mise au point
~~~~~~~~~~~~~~~~

De nombreux paramètres :


-  La longueur de la `moyenne
   mobile <https://fr.wikipedia.org/wiki/Moyenne_glissante>`__.
-  La hauteur des `bandes de
   Bollinger <https://fr.wikipedia.org/wiki/Bandes_de_Bollinger>`__.
-  La somme investie.
-  …

Les stratégies ont souvent plus d’une dizaine de paramètres.

Deux paramètres en rouge : longueur de la moyenne mobile et la hauteur
des bandes de Bollinger

.. code:: ipython3

    NbImage("images/trendp.png", width=400)




.. image:: automation_finance_trading_25_0.png
   :width: 400px



Optimisation
~~~~~~~~~~~~


-  Choisir les meilleurs paramètres
-  `Backtest <https://en.wikipedia.org/wiki/Backtesting>`__ : simuler la
   performance de la stratégie sur le passé

.. code:: ipython3

    NbImage("images/backtest.png", width=400)




.. image:: automation_finance_trading_27_0.png
   :width: 400px



Comparaison de plusieurs jeux de paramètres (source `Backtesting a
Simple Stock Trading
Strategy <https://www.r-bloggers.com/backtesting-a-simple-stock-trading-strategy/>`__)

.. code:: ipython3

    NbImage("images/backtest2.png", width=500)




.. image:: automation_finance_trading_29_0.png
   :width: 500px



Tests exhaustifs
~~~~~~~~~~~~~~~~


-  Tester de nombreux jeux de paramètres
-  Tester sur un grand nombre de séries financières
-  Tester la résistance aux crises
-  Prise en compte de défaut de simulation : coût de transaction,
   slippage

Portefeuille de stratégies
~~~~~~~~~~~~~~~~~~~~~~~~~~


-  Implémenter une seule stratégie est risqué.
-  Construction de portefeuilles de stratégies (plus d’une centaine)

Importance de l’informatique
~~~~~~~~~~~~~~~~~~~~~~~~~~~~


-  Puissance de calcul
-  Agilité
-  Passage en production
-  Résistance aux pannes
-  Utilisation de
   `stop-order <http://www.investopedia.com/university/intro-to-order-types/stop-orders.asp>`__

Trading daily, intraday
~~~~~~~~~~~~~~~~~~~~~~~


-  Daily : calcul des décisions chaque jour
-  Intraday : calcul des décisions chaque minute
-  Haute Fréquence : calcul d’une décision en quelques millisecondes

Plus la vitesse de trading est importante, plus l’informatique joue un
grand rôle, plus le boulot est technique.


-  La course aux millisecondes : `Hibernia
   Network <https://en.wikipedia.org/wiki/Hibernia_Networks>`__.

Réflexions sur la finance
-------------------------


-  Machine learning, exploitation des news, signaux autres que
   financiers
-  Côté éthique
-  Parallèle avec le real-time-bidding

Pourquoi le machine learning ?
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~


-  **Back test** : méthode issue du machine learning
-  **Boîte noire** : une façon d’utiliser l’information qu’on ne sait
   pas utiliser de manière évidente
-  **Traitement des news** : celle-ci ont une influence non négligeable
   sur les cours mais ce n’est pas une informatique numérique.
-  **Deep learning** : le deep learning fonctionne sur des images, du
   son, du texte, pourquoi pas sur des cours financiers.

Ethique
~~~~~~~


-  Trading haute fréquence : quelques millisecondes d’avance sur les
   concurrents
-  plus de 50% des échanges issus du trading haute fréquence
-  Une plus grande fluidité (possibilité d’acheter et de vendre à tout
   moment)
-  Quelle utilité économique ?
-  Recrutement des meilleurs talents

Un parallèle avec Bitcoin
~~~~~~~~~~~~~~~~~~~~~~~~~


-  Le principe de `Bitcoin <https://fr.wikipedia.org/wiki/Bitcoin>`__ :
   miner
-  La course à la puissance

Un parallèle avec le Real Time Bidding
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~


-  `Real Time
   Bidding <https://fr.wikipedia.org/wiki/Real_Time_Bidding>`__,
   plate-formes d’échanges, enchères
-  Publicité sur Internet
-  Un champion national : Criteo
-  Mécanisme des enchères
-  Différence avec la finance : utilisation des données

Ingéniérisation de la finance
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~


-  Popularisation du trading automatique.
-  La finance n’est plus aussi attractive.
-  Des traders qui passent de la finance à la data science.

Conclusion
----------


-  Le rôle prépondérant de l’informatique
-  L’exécution n’est plus manuelle, trop rapide, en trop grand nombre
-  Le savoir est converti sous forme d’algorithmes.
-  La finance en dehors de la finance : `Chine: la finance de l’ombre
   atteint un
   record <http://lexpansion.lexpress.fr/actualites/1/actualite-economique/chine-la-finance-de-l-ombre-atteint-un-record_1899027.html>`__