Leverage

L’utilisation profitable de l’effet de levier – Partie II

Ce post poursuit notre discussion sur le levier optimal que nous avions commencé dans la première partie de cette série.

Aujourd’hui, nous mettons en lumière les hypothèses, la modélisation et les phases de résultats d’une étude menée par Darwinex Labs, dans laquelle a été démontré quantitativement l’impact à long terme de l’utilisation d’un effet de levier excessif sur la performance des stratégies de trading.

Un accent particulier a été mis sur la simulation du choix du levier d’un trader, et la probabilité associée d’une recovery après une perte.

À la fin de ce post, les traders devraient développer une meilleure compréhension de la façon dont l’effet de levier affecte leurs chances de survie sur les marchés financiers, et être mieux équipés pour décider quel levier ils considèrent comme optimal, en fonction de leur appétit pour le risque.

Avant d’entrer dans les détails sur la façon dont nous avons mené cette recherche, simplifions d’abord le concept de Value-at-Risk (VaR) pafin que chaque lecteur puisse en bénéficier.


Are Great Traders Born Or Made? Download The eBook!


Demystifier la Value-at-Risk (VaR)

La VaR est basée sur la distribution de probabilité des rendements d’un actif, d’un portefeuille et/ ou d’une stratégie de trading (DARWIN).

L’un des principaux fondements du concept est que tous les instruments financiers liquides présentent:

  • Différents degrés d’incertitude…
  • .. en raison de divers degrés de risque de marché…
  • …. à partir de diverses sources de risque, en fonction du ou des instruments en question.

C’est cette incertitude qui peut être modélisée avec des distributions de probabilité correctement choisies.

Pour garder les choses simples ici, garder à l’esprit les deux concepts suivants vous sera  utile.

En termes simples, la VaR est un percentile de perte, dérivé de:

  1. Un modèle – la partie utilisée pour pricer la VaR.
  2. Une mesure – ce que nous déduisons des données fournies par le modèle du modèle.

Le modèle est utilisé pour calculer un rendement, accompagné d’une probabilité que l’actif ou le portefeuille perde plus que ce rendement sur un horizon temporel donné. C’est-à-dire qu’il s’agit d’une mesure statistique des perte possible lors de l’exposition au marché.

Par exemple,

Un modèle de VaR appliqué à une stratégie de trading peut générer “VaR mensuelle (95%) = -21,0%”, ce qui se traduit par “il y a 5% de chances que cette stratégie de trading perde plus de -21,0% au cours d’un mois donné”.

leverage

Avec cela à l esprit, discutons maintenant des détails de l’étude elle-même.


Question

Au-delà de quel niveau de VaR, la récupération des pertes devient statistiquement?

La réponse à cette question n’est pas simple à déchiffrer quantitativement.

En effet, comme vous le verrez par la suite, bien que nos découvertes nous aient fourni des preuves concluantes que l’utilisation d’un effet de levier excessif n’est pas dans le meilleur intérêt du trader, nous ne sommes pas en mesure de trouver une réponse exacte..

Nous laissons donc le soin aux lecteurs de formuler leurs propres conclusions sur la base des résultats de cette étude.


Le Modèle

Pour calculer la VaR et d’autres statistiques descriptives, nous devions construire une distribution de probabilité des rendements pour chaque niveau de levier que nous voulions tester.

Pour générer ces rendements, nous avons d’abord créé la stratégie de trading suivante:

Actif négocié:
EUR/USD

Direction:
Aléatoire LONG / SHORT

Logique de négociation:
Exécuter 1 échange par jour, d’une durée d’exactement 1 heure, pendant 1 mois, avec des directions et heures de départ choisies au hasard.

Simulations:
100,000 (répétition de la même logique)

Levier:
1:1 jusqu’à 400:1 (répétition de la même logique de trading pour chaque niveau de levier – incrément de 10)

La logique veut que plus l’effet de levier utilisé pour le trading est élevé, plus le risque de ne pas pouvoir récupérer le compte en cas de perte importante est grand, du fait de l’épuisement du capital requis pour maintenir ce levier – en supposant que le capital sur le compte est le seul capital disponible du trader.

L’exécution de l’algorithme décrit ci-dessus a produit les résultats suivants, attestant de la validité de cette hypothèse:


Graphique 1: Distribution de la densité de probabilité des rendements selon l’effet de levier (cliquez pour agrandir)

leverage

Observations:

À mesure que le levier augmente, les trois indicateurs suivants se détériorent considérablement:

  1. VaR mensuelle (confiance statistique de 95%)
  2. Rendement médian
  3. Probabilité de récupération de la perte de rendement médian – P(récupération)

Ce comportement est représenté dans le graphique ci-dessous, sous la forme d’un déplacement systématique vers la gauche de chaque distribution avec un effet de levier plus important que le précédent..


Graphique 2: Évolution du rendement médian vs. effet de levier (cliquez pour agrandir)

leverage

Observations:

Après un taux de changement initial brièvement lent, la dégradation du rendement médian s’accélère à un optimum, s’aggravant systématiquement à mesure que le levier augmente.


Graphique 3: Évolution de la VaR (confiance à 95%) vs. effet de levier (cliquez pour agrandir) 

leverage

Observations:

Au-delà d’un certain choix de levier, la VaR converge à -100%, excluant un effet de levier élevé comme solution au “peanut problem” abordé dans la partie I de cette série..


Graphique 4: Probabilité de récupération médiane vs. effet de levier (cliquez pour agrandir)

leverage

Observations:

À mesure que le levier augmente, la probabilité de récupérer une perte de rendement médian le mois suivant diminue systématiquement.


Conclusions

Les résultats de cette étude renforcent certaines des affirmations faites plus tôt dans ce post, ainsi que les conclusions faites dans la partie I de cette série:

  1. Négocier au-delà d’une certaine VaR rend statistiquement improbable que le trader puisse récupérer une perte de rendement médian le mois suivant.
  2. Il est plus logique pour les fournisseurs de DARWINs d’employer une VaR stable, modérée à faible, et de s’appuyer sur le capital des investisseurs.
  3. Les traders ont tout intérêt à analyser leurs stratégies de trading de cette manière, afin de prendre des mesures préventives s’il s’avère que leurs stratégies sont exposées à un risque de perte statistiquement irrécupérable.

Are Great Traders Born Or Made? Download The eBook!


how good traders use leverage

L’utilisation profitable de l’effet de levier – Partie I

Les bons traders savent que l’utilisation d’un effet de levier compris entre 5: 1 et 10: 1 suffit pour obtenir des rendements de 20% à 60% par an, à 10% de VaR.

Contexte de l’étude

Dans un récent épisode de podcast en espagnol, le PDG de Darwinex, Juan Colón, mettait en lumière les comportements des fournisseurs de DARWINs (traders) sur Darwinex.

Les informations partagées ont été obtenues suite à l’analyse de plus de 3 000 DARWINs au cours des trois derniers mois.

Les objectifs de la recherche consistaient à déterminer quel levier les traders à succès emploient; le succès étant quantifié par l’obtention d’un D-Sscore > 65.

Note: Avec les dernières modifications apportées au calcul du D-Score, ce seuil passera à 68 dans les analyses futures.

Pourquoi 65?

  • C’est un seuil difficile à atteindre pour n’importe quel DARWIN,
  • D’où, l’indication d’une plus grande probabilité de réussite

Du point de vue du trader, l’objectif est de répondre à la question:

“Quel effet de levier est nécessaire pour obtenir de bons rendements, en contrepartie d’un risque raisonnable?”


Les résultats

How good traders use leverage

Voici la distribution de l’effet de levier sur l’échantillon de DARWINs avec un D-Score > 65:

  1. Moyen: 5:1
  2. Median: 3:1
  3. Maximum: 25:1

Avec ces paramètres, ces traders ont réalisé des rendements allant de -15% à plus de 70% par an.


Cela motive alors une autre question:

Pourquoi observe t-on une telle dispersion dans l’effet de levier?

Le style de trading (méthodologie) du fournisseur de DARWIN et son appétit pour le risque peuvent expliquer la dispersion observée dans ces résultats.

Différentes stratégies de trading utilisent différents niveaux de levier en fonction de leur mode de fonctionnement.

Pour simplifier, considérons simplement deux principales catégories:

  1. Exposition continue au marché,
  2. Scalping (entrées/sorties rapides, 1 à 3 heures sur le marché en moyenne)

Exposition continue au marché

Le DARWIN $LVS est un exemple de stratégie très performante qui maintient une exposition au marché à tout moment.

L’analyse des données révèle que David et Enrico (fournisseurs du DARWIN $LVS) maintiennent:

  • Un D-Levier compris approx. entre 2: 1 et 3: 1
  • Une VaR sur la stratégie sous-jacente entre 5 et 10%

How good traders use leverage


Scalping

Ces stratégies entrent et sortent généralement du marché rapidement.

Elles ont une durée moyenne de transaction comprise entre 1 et 3 heures et restent liquides (hors marché) le reste du temps.

Les DARWINs $NTI et $ERQ sont des exemples types, de stratégies de scalping qui démontrent ces comportements, négociant respectivement dans un couloir de D-Levier compris entre 5:1 et 8: 1, et 7: 11 pour le dernier.

(Note: La distribution du D-Levier du DARWIN peut être consultée sur sa page principale, sous “RENDEMENT / RISQUE”)

How good traders use leverage


Corollaire

Il est inutile de déployer un levier supérieur à une fourchette comprise entre 5:1 et 10: 1 pour obtenir des rendements de 20% à 60% par an, à 10% de VaR.


Dans la Partie II

1) Si l’analyse ci-dessus révèle que les traders qui réussissent sont capables d’obtenir des rendements décents avec moins d’effet de levier, alors pourquoi la majorité des traders font-ils encore le contraire?

2) À partir de quel niveau VaR (%) la faillite d’une stratégie de trading est-elle imminente? (et pourquoi).

Nous y décrirons comment nous arrivons cette VaR, créerons une stratégie de trading pour démontrer l’impact des différents niveaux de VaR, illustrés via des simulations de Monte Carlo à cet effet (avec un exemple de code dans Python / R).