Trading algorithmique · Stratégies
Effets saisonniers et horaires : tester une saisonnalité sans se tromper
Heure de la journée, jour de la semaine, mois de l’année : comment mesurer un effet saisonnier, le coder en ProBuilder ou MQL5, et distinguer un vrai effet d’un artefact de data mining.
Une stratégie saisonnière ou horaire exploite le fait que certains moments du calendrier se comporteraient différemment des autres : l’ouverture d’une séance, la dernière heure de cotation, un jour particulier de la semaine, la fin ou le début du mois, certains mois de l’année. Ces effets ont des explications plausibles (flux institutionnels réguliers, publications de statistiques à heure fixe, rééquilibrages de portefeuille, échéances de contrats), mais ils sont aussi le terrain de jeu favori du data mining : en découpant un historique en heures, jours et mois, on trouve toujours des cases qui ont été gagnantes par hasard. Le travail consiste donc moins à trouver des effets qu’à éliminer les faux.
Cette page fait partie de la rubrique Les familles de stratégies algorithmiques. Elle traite de la méthode de recherche et de validation ; l’utilisation des horaires comme simple filtre dans un robot est présentée dans Filtres horaires, de spread et de volatilité.
Les principaux types d’effets étudiés
- Effets intraday : comportement de l’ouverture et de la clôture des séances actions, chevauchement des séances européenne et américaine sur le Forex, heure des publications économiques.
- Effets de jour de la semaine : différence de rendement moyen entre les jours, comportement spécifique du lundi ou du vendredi.
- Effets de calendrier mensuel : les derniers et premiers jours du mois (« turn of the month »), liés notamment aux flux d’investissement réguliers.
- Effets annuels : mois historiquement plus faibles ou plus forts, effets de fin d’année, saisonnalités physiques des matières premières agricoles ou énergétiques.
Certains de ces effets ont été documentés dans la littérature académique, puis se sont atténués après leur publication. C’est un point important : un effet saisonnier connu de tous a de bonnes chances d’être arbitré.
Une méthode de mesure en quatre étapes
- Formuler l’hypothèse avant de regarder les données : « les rendements de la première heure de séance du DAX sont, en moyenne, de même signe que l’écart d’ouverture ». Une hypothèse précise réduit le nombre de tests effectués, donc le risque de faux positif.
- Mesurer sur une période d’apprentissage : rendement moyen, écart-type, nombre d’observations et proportion de jours positifs pour chaque case testée.
- Tester la significativité : un rendement moyen positif sur 40 observations très dispersées n’a aucune valeur. Le test t et la correction pour tests multiples sont détaillés dans la page Significativité statistique d’un backtest.
- Valider hors échantillon : vérifier que l’effet subsiste sur une période qui n’a pas servi à le découvrir, puis en démo.
Le piège du découpage
Supposons que vous testiez le rendement de chacune des 24 heures de la journée, sur 5 jours de la semaine : 120 cases. Si aucune n’a de véritable effet et que vous retenez celles dont le résultat est significatif au seuil de 5 %, vous obtiendrez en moyenne 6 cases « significatives » par pur hasard. Ajoutez les 12 mois, et le nombre de faux effets explose. Retenir la meilleure case d’un tel découpage revient à mesurer la chance de l’historique, pas un comportement du marché.
Trois réflexes limitent ce piège :
- appliquer une correction pour tests multiples (la correction de Bonferroni divise le seuil de 5 % par le nombre de tests) ;
- exiger une explication économique avant de croire un effet ;
- vérifier la stabilité : un effet réel doit apparaître sur plusieurs sous-périodes, pas seulement sur l’ensemble de l’historique.
Exemple ProBuilder : tester un effet horaire et de jour
Le système ci-dessous achète à l’ouverture de la barre de 9 h et sort à la barre de 11 h, uniquement certains jours. Il sert de banc d’essai : en changeant jourTeste et heureEntree, vous mesurez l’effet de chaque case. OpenDayOfWeek renvoie le jour d’ouverture de la barre (1 pour lundi à 7 pour dimanche) et OpenHour l’heure d’ouverture de la barre selon le fuseau réglé dans la plateforme.
// Banc d'essai d'un effet horaire : achat à heureEntree, sortie à heureSortie
DEFPARAM CumulateOrders = false
jourTeste = 1 // 1 = lundi ... 5 = vendredi ; 0 = tous les jours
heureEntree = 9
heureSortie = 11
jourOK = (jourTeste = 0) OR (OpenDayOfWeek = jourTeste)
IF NOT LongOnMarket AND jourOK AND OpenHour = heureEntree THEN
BUY 1 CONTRACTS AT MARKET
ENDIF
IF LongOnMarket AND OpenHour = heureSortie THEN
SELL AT MARKET
ENDIF
SET STOP PLOSS 50 // protection en points
Lancez le test sur une unité de temps horaire et notez, pour chaque configuration, le nombre de trades, le gain moyen et l’écart-type des résultats. Les ordres étant exécutés à l’ouverture de la barre suivante, vérifiez dans la liste des trades que les heures d’entrée et de sortie correspondent bien à votre intention. La page Système intraday sur indices montre une utilisation complète des horaires de séance.
Mesurer plutôt que trader
Avant de transformer un effet en système, il est souvent plus instructif de le mesurer directement : rendement moyen de chaque heure ou de chaque jour, écart-type, nombre d’observations, proportion de résultats positifs. Un tableau de ce type, calculé séparément sur deux moitiés de l’historique, montre immédiatement si l’effet est stable ou s’il provient d’une seule période exceptionnelle. Si le classement des heures ou des jours change complètement d’une moitié à l’autre, il n’y a probablement rien à exploiter.
Interpréter les résultats
Un exemple chiffré : sur 250 lundis, l’achat de 9 h à 11 h a rapporté en moyenne 4 points, avec un écart-type de 45 points par trade. L’erreur type de la moyenne vaut 45 / √250 ≈ 2,85 points, et le t de Student 4 / 2,85 ≈ 1,40. Ce résultat n’est pas significatif au seuil usuel (environ 1,97 pour cet échantillon), et encore moins si ce lundi a été retenu parmi cinq jours testés. Malgré un rendement moyen positif, l’hypothèse d’un effet du lundi n’est pas étayée.
Retenez aussi que les effets saisonniers génèrent peu de trades : un effet annuel lié à un mois ne fournit qu’une observation par an. Avec vingt ans d’historique, vous avez vingt observations, ce qui est très peu pour conclure.
Cas d’usage
Les effets calendaires servent plus souvent de filtres que de stratégies autonomes : éviter de trader pendant les publications économiques, ne trader qu’aux heures de forte liquidité, réduire l’exposition sur certaines périodes. Utilisés ainsi, ils améliorent parfois une stratégie existante sans ajouter beaucoup de paramètres. Comme stratégies autonomes, ils sont faciles à coder mais difficiles à valider.
Pièges à éviter :
- confondre fuseau horaire de la plateforme et fuseau du marché, notamment lors des changements d’heure d’été ;
- tester toutes les combinaisons possibles et retenir la meilleure ;
- ignorer les jours fériés et les séances raccourcies ;
- oublier les coûts, proportionnellement élevés pour des trades de courte durée.
FAQ
Les effets saisonniers existent-ils vraiment ?
Certains ont été documentés et ont une explication économique, comme les flux de début de mois ou les saisonnalités physiques des matières premières. D’autres sont des artefacts statistiques. Beaucoup d’effets publiés se sont atténués par la suite. Seul un test rigoureux, hors échantillon, permet de juger un effet pour votre marché.
Combien d’années de données faut-il pour tester une saisonnalité ?
Cela dépend de la fréquence de l’effet. Un effet horaire quotidien fournit environ 250 observations par an ; un effet mensuel, 12 ; un effet annuel, une seule. Plus l’effet est rare, plus il faut d’historique, avec le risque que le marché ait changé entre-temps.
Comment éviter les problèmes de fuseau horaire ?
Vérifiez le fuseau utilisé par votre plateforme et celui du serveur du courtier, et contrôlez dans la liste des trades que les heures d’entrée correspondent à l’heure de marché visée, avant et après les changements d’heure d’été.
