Trading algorithmique · Statistiques
Corrélation entre stratégies : mesure, effet sur le portefeuille et pièges
Deux robots qui gagnent et perdent ensemble ne diversifient rien. Mesurer la corrélation sur les rendements, calculer son effet sur la volatilité d’un portefeuille et surveiller sa hausse en période de crise.
La corrélation entre deux stratégies mesure à quel point leurs résultats évoluent ensemble. Elle se calcule avec le coefficient de Pearson sur des rendements périodiques (quotidiens, hebdomadaires) : ρ = covariance(r₁, r₂) / (σ₁ × σ₂), une valeur comprise entre −1 et +1. Une corrélation proche de +1 signifie que les deux stratégies gagnent et perdent en même temps : les combiner n’apporte presque aucune diversification. Une corrélation proche de 0 ou négative réduit la volatilité du portefeuille sans réduire son rendement moyen. C’est la statistique qui permet de passer de l’évaluation d’un robot à la construction d’un portefeuille de robots.
Cette page fait partie de la rubrique Statistiques de performance d’une stratégie. La mise en œuvre de la diversification côté gestion du risque est traitée dans la page Diversifier ses robots.
La formule et la bonne série de données
Pour deux séries de rendements r₁ et r₂ mesurés sur les mêmes n périodes :
ρ = Σ (r₁ᵢ − moyenne(r₁)) × (r₂ᵢ − moyenne(r₂)) / √( Σ (r₁ᵢ − moyenne(r₁))² × Σ (r₂ᵢ − moyenne(r₂))² )
Calculez-la sur les rendements, jamais sur les courbes d’equity. Deux courbes d’equity qui montent toutes les deux auront une corrélation proche de 1, même si leurs gains et pertes quotidiens sont totalement indépendants : la tendance commune domine le calcul. C’est l’erreur la plus fréquente. La corrélation pertinente est celle des variations, période par période.
Les deux séries doivent être alignées sur les mêmes dates. Pour des stratégies qui ne tradent pas tous les jours, utilisez le rendement quotidien de l’equity de chaque stratégie, en comptant zéro les jours sans position ni variation. Sinon, vous corrélez des trades qui ne se sont pas produits au même moment.
L’effet sur la volatilité d’un portefeuille
Pour deux stratégies de poids w₁ et w₂, de volatilités σ₁ et σ₂ et de corrélation ρ, la variance du portefeuille vaut :
σp² = w₁² σ₁² + w₂² σ₂² + 2 w₁ w₂ ρ σ₁ σ₂
Exemple : deux stratégies de volatilité annuelle 10 %, réparties à 50/50.
| Corrélation ρ | Volatilité du portefeuille |
|---|---|
| 1,0 | 10,0 % |
| 0,8 | √(25 + 25 + 40) = √90 ≈ 9,5 % |
| 0,5 | √(25 + 25 + 25) = √75 ≈ 8,7 % |
| 0,0 | √(25 + 25) = √50 ≈ 7,1 % |
| −0,5 | √(25 + 25 − 25) = √25 = 5,0 % |
(Les variances sont exprimées en points de pourcentage au carré.) Si les deux stratégies ont le même rendement attendu, le rendement du portefeuille est identique dans tous les cas, mais sa volatilité baisse avec la corrélation. Le ratio de Sharpe du portefeuille augmente donc : avec ρ = 0, il est environ 1,41 fois celui de chaque stratégie. Avec ρ = 0,8, le gain n’est plus que d’environ 5 %.
Calcul en Python
import numpy as np
def correlation_rendements(equity_a, equity_b):
# equity_a, equity_b : equity quotidienne des deux stratégies, mêmes dates
a = np.asarray(equity_a, dtype=float)
b = np.asarray(equity_b, dtype=float)
ra = a[1:] / a[:-1] - 1 # rendements quotidiens
rb = b[1:] / b[:-1] - 1
return np.corrcoef(ra, rb)[0, 1]
def correlation_glissante(ra, rb, fenetre=60):
# Corrélation sur des fenêtres glissantes de rendements
return [np.corrcoef(ra[i - fenetre:i], rb[i - fenetre:i])[0, 1]
for i in range(fenetre, len(ra) + 1)]
eq_a = [10000, 10050, 10020, 10110, 10090, 10160, 10140]
eq_b = [10000, 9980, 10030, 10010, 10070, 10050, 10120]
print(f"Corrélation des rendements : {correlation_rendements(eq_a, eq_b):.2f}")
print(f"Corrélation des courbes : {np.corrcoef(eq_a, eq_b)[0, 1]:.2f}")
Comparez les deux valeurs affichées : la corrélation des courbes est presque toujours nettement plus élevée que celle des rendements, ce qui illustre le piège décrit plus haut. Avec sept points, aucune des deux valeurs n’est statistiquement fiable ; l’exemple n’illustre que le calcul.
La corrélation n’est pas stable
Une corrélation moyenne calculée sur cinq ans peut masquer de grandes variations. Le phénomène le plus important pour un portefeuille de stratégies est la hausse des corrélations pendant les crises : lorsque les marchés chutent brutalement, de nombreux actifs et stratégies se mettent à évoluer ensemble, précisément au moment où la diversification serait la plus utile. Deux robots de suivi de tendance sur des indices différents, peu corrélés en temps normal, peuvent subir leurs pertes les plus lourdes au même moment.
Pour en tenir compte :
- calculez une corrélation glissante (par exemple sur 60 jours) et observez son maximum, pas seulement sa moyenne ;
- calculez la corrélation sur les seules périodes de pertes, par exemple les jours où l’une des stratégies perd plus d’un certain seuil ;
- comparez les dates des drawdowns des différentes stratégies : des drawdowns simultanés révèlent une dépendance que la corrélation moyenne sous-estime.
Corrélation et familles de stratégies
Les stratégies d’une même famille, appliquées aux mêmes marchés, sont en général fortement corrélées. Deux systèmes de suivi de tendance sur le même indice, l’un avec des moyennes mobiles, l’autre avec un canal de Donchian, prennent souvent les mêmes positions avec un léger décalage. À l’inverse, une logique de tendance et une logique de retour à la moyenne sur le même marché ont souvent une corrélation faible, voire négative, car elles gagnent dans des régimes de marché différents. Combiner des familles différentes, des marchés différents et des horizons différents est la manière la plus directe de réduire la corrélation d’un portefeuille. La rubrique Les familles de stratégies algorithmiques décrit le régime favorable de chacune.
Au-delà de deux stratégies : la matrice de corrélation
Avec trois robots ou plus, calculez la matrice de corrélation complète : chaque case contient la corrélation entre deux stratégies. Une matrice dont la plupart des valeurs dépassent 0,6 indique un portefeuille concentré sur un même facteur de risque, même s’il compte de nombreux robots. Le nombre de stratégies importe donc moins que leur indépendance : cinq stratégies corrélées à 0,8 diversifient moins que deux stratégies corrélées à 0,1. Pour un portefeuille de N stratégies de même volatilité, à poids égaux et de corrélation moyenne ρ, la variance du portefeuille tend vers ρ × σ² lorsque N augmente : au-delà d’un certain nombre de robots, la corrélation moyenne fixe une limite que l’ajout de stratégies ne franchit plus.
Ajouter une stratégie à un portefeuille existant se juge donc sur sa corrélation avec le portefeuille, et pas seulement sur ses statistiques propres. Une stratégie au Sharpe modeste mais peu corrélée peut améliorer davantage le portefeuille qu’une stratégie brillante qui duplique une exposition déjà présente.
Les limites du coefficient de Pearson
Il ne mesure que les relations linéaires. Deux stratégies peuvent avoir une corrélation proche de zéro en temps normal et perdre ensemble lors des mouvements extrêmes. Des mesures comme la corrélation de rang (Spearman) ou l’analyse des queues de distribution complètent l’analyse.
Il est sensible aux valeurs extrêmes. Quelques journées exceptionnelles peuvent dominer le calcul. Vérifiez la corrélation avec et sans ces journées.
Il exige des données suffisantes. Une corrélation estimée sur 30 rendements est très incertaine : une valeur de 0,3 peut correspondre à une corrélation réelle nulle.
FAQ
À partir de quelle corrélation deux stratégies sont-elles complémentaires ?
Il n’y a pas de seuil strict, mais une corrélation des rendements inférieure à environ 0,3 apporte une diversification sensible, et une corrélation négative est particulièrement précieuse. Au-delà de 0,7, les deux stratégies se comportent presque comme une seule.
Faut-il calculer la corrélation sur les trades ou sur les rendements quotidiens ?
Sur des rendements périodiques alignés dans le temps, de préférence quotidiens. Les trades de deux stratégies ne s’ouvrent pas et ne se ferment pas aux mêmes moments, ce qui rend la corrélation trade par trade difficile à interpréter.
Pourquoi mes deux robots perdent-ils en même temps alors que leur corrélation est faible ?
La corrélation moyenne masque souvent une hausse de la dépendance lors des mouvements de marché violents. Calculez une corrélation glissante et comparez les dates des drawdowns : la dépendance en période de stress est souvent bien supérieure à la moyenne.
