Les données tick battent-elles l'OHLC pour prévoir les rendements ?

Les données de trades et de quotes à la nanoseconde sont chères, lourdes et lentes à manipuler. Un seul jour-titre actions américaines arrive sous forme de CSV compressé de dizaines de millions de lignes, un échantillon modeste de cinq noms atteint 86,6 Go compressés, et tout ce qui vient ensuite demande un budget d'ingénierie sans rapport avec celui d'un dossier de barres d'une minute.

Qui paie ce prix achète une conviction : que la microstructure contenue dans le tape porte une information que l'ouverture, le plus haut, le plus bas et la clôture jettent. Cette conviction est rarement testée comme une comparaison contrôlée.

La microstructure décrit évidemment l'état du marché, puisque le spread, la profondeur, le mix d'agresseurs et le déséquilibre du flux d'ordres en sont littéralement des mesures, mais décrire le présent est une affirmation différente de prévoir l'avenir. La question plus étroite, celle qu'un desk doit trancher avant de signer un contrat de données, est de savoir si les colonnes supplémentaires survivent dans une prévision de rendement hors échantillon, à un horizon que quelqu'un traiterait vraiment.

Nous avons construit la comparaison pour que la réponse ne puisse pas dépendre d'un choix arbitraire. Deux jeux de données sont construits à partir du même tape filtré et évalués sur les mêmes barres, les mêmes folds, les mêmes modèles et les mêmes graines, avec une seule différence : la présence ou non des colonnes dérivées du tape.

Trois bras ont été ajustés dans un plan apparié. Le bras B est la référence OHLC, 53 features toutes fonctions de l'ouverture, du plus haut, du plus bas et de la clôture. Le bras A est le B augmenté de tout ce qui se dérive du tape à la nanoseconde, 204 features au total, ce qui en fait un sur-ensemble strict : tout écart entre les deux est donc attribuable au contenu informationnel et non à un choix de modélisation différent.

Le bras T, 156 features, porte le tape plus la géométrie brute des barres sans aucun des indicateurs techniques du B et répond à la question de savoir si la panoplie classique garde sa place une fois la microstructure disponible.

L'univers compte cinq tickers choisis pour couvrir le niveau de prix, le régime de spread et le débit de messages plutôt que la taille : AAPL, SPY, JPM, XOM et F. Ce dernier compte plus que sa capitalisation ne le suggère, car à environ 12 $ l'action un cent de tick vaut 8,3 points de base là où le même cent sur SPY en vaut 0,22, et couvrir cet écart est ce qui permet à la coupe transversale de tester plus loin une explication mécanique.

Trois blocs de 60 séances consécutives ont été pris sur des années et des régimes de volatilité différents : février à avril 2019, février à avril 2022 et février à avril 2024. Cela fait 900 jours-titre de trades et quotes Algoseek à la nanoseconde, 86,6 Go compressés, reconstruits en une grille d'une minute sur la séance régulière.

Cinq horizons de prévision ont été évalués sur cette grille pour qu'aucune conclusion ne dépende d'un seul délai : 1 barre, 60 barres, 390 barres (une séance entière), 1 950 barres (une semaine) et 8 190 barres (un mois). La cible est partout le log-rendement futur de la clôture de barre, choisie parce que les deux bras peuvent l'observer, alors qu'une cible sur le point médian du NBBO donnerait au bras A une quantité que le bras B ne peut pas construire.

Trois implémentations de gradient boosting ont été entraînées côte à côte, LightGBM, XGBoost et CatBoost, toutes sous un unique réglage délibérément régularisé, fixé avant la campagne à partir du rapport signal-bruit de la cible. La validation est un walk-forward expansif avec purge à l'intérieur de chaque bloc-titre, écartant les h dernières barres de chaque plage d'entraînement pour qu'une cible chevauchante n'atteigne pas la fenêtre de test.

Deux points de la base de preuves demandaient correction avant toute lecture comparative. Des cibles chevauchantes de h barres ne fournissent pas n observations indépendantes, et cinq tickers dont la corrélation moyenne deux à deux des rendements horaires vaut 0,32 ne fournissent pas cinq séries indépendantes, ce qui par l'argument de variance standard en laisse 2,19.

Chaque résultat porte donc une taille d'échantillon effective corrigée, la significativité étant jugée contre une hypothèse nulle empirique construite en faisant tourner circulairement la cible à l'intérieur de chaque bloc-titre. Cette rotation détruit la correspondance entre features et cible tout en préservant chaque distribution marginale et toute la structure de corrélation.

À l'horizon d'une minute, le tape gagne nettement. Le rank IC hors échantillon agrégé double à peu près, d'environ 0,045 avec l'OHLC seul à environ 0,103 avec le tape, et le bras A bat le bras B dans les 36 cellules appariées, sur trois blocs, quatre folds et trois familles de modèles, avec un p de Wilcoxon de 2,9e-11.

Les intervalles bootstrap à 95% à une minute ne se recoupent pas même de loin, avec A à [0.095, 0.104] contre B à [0.039, 0.048] sur LightGBM, et face à une nulle de rotation dont l'IC moyen vaut 0,002 avec un écart-type de 0,008, le 0,100 observé se situe à environ 12 écarts-types.

Passé une minute, rien ne survit. À une heure l'IC observé de 0,022 tombe exactement sur la moyenne de la nulle, 0,022, et aucun bras ne dépasse sa propre nulle au-delà d'une minute, tandis que l'écart apparié à un jour de +0,044 se situe à p = 0,052 sur 24 observations effectives, ce qui est suggestif et rien de plus.

Une fois le tape présent, l'ingénierie OHLC classique n'ajoute rien de mesurable. Le bras T affiche 0,101 à 0,107 à une minute contre 0,100 à 0,107 pour le bras A : tout l'appareil RSI, MACD, Bollinger, stochastique et Donchian n'apporte aucune compétence hors échantillon supplémentaire.

Corriger le chevauchement des cibles et les 2,19 séries effectives donne la taille d'échantillon honnête par fold, et elle s'effondre vite.

La fenêtre de test à un mois est plus courte que son propre horizon de prévision, 390 barres contre une cible de 8 190 barres, si bien que toutes les cibles qu'elle contient pointent vers pratiquement le même instant futur. Ses 70% apparents de justesse directionnelle et son grand delta apparié positif sont des artefacts d'une seule observation chevauchante, donc la semaine et le mois sont rapportés comme non testables plutôt que comme preuve faible.

À une minute l'avantage tient sur les cinq noms, avec 94% à 100% des cellules gagnées pour chacun, mais c'est l'ordonnancement qui porte le résultat.

Ce n'est pas la signature d'un avantage prédictif mais celle de la discrétisation mécanique des prix, et à une heure les écarts par ticker changent de signe d'un nom à l'autre, ce que fait le bruit.

L'attribution SHAP à l'intérieur du bras A à une minute met 79,7% du poids sur des colonnes du tape, et le haut de la liste est sans ambiguïté : a_micro_minus_close_bps prend à lui seul 12,3%, suivi de a_q_micro_close_bps à 6,5%, a_micro_minus_mid_bps à 2,2%, a_t_vwap_bps à 2,1%, a_q_mid_tw_bps à 1,9% et a_q_mid_close_bps à 1,8%.

Toutes les six mesurent une seule quantité, à savoir la distance entre le dernier trade imprimé et une estimation de la juste valeur. Ce que le modèle a appris, c'est qu'une impression sous le microprice tend à être suivie d'une clôture plus haute et inversement, et c'est le bid-ask bounce observé directement, non prédit.

Au-delà d'une minute, l'attribution glisse vers des quantités lentes : momentum sur 1 950 barres, volatilité réalisée, asymétrie des rendements et moyennes glissantes du spread et de la part d'odd lots. Aucun de ces horizons ne dépasse sa nulle, donc cela décrit ce que les arbres ont accroché dans l'échantillon et rien sur le contenu prédictif.

Quelle que soit la valeur statistique du signal à une minute, elle est inférieure au coût de son exploitation.

Le spread effectif moyen de l'échantillon, mesuré sur le tape et non supposé, vaut 1,60 point de base. Lu en brut, le bras A produit un Sharpe annualisé proche de 17, un chiffre qui devrait éveiller les soupçons avant d'éveiller une term sheet, puisque le signal change de côté sur environ 45% des barres et que chaque changement paie ce spread.

La colonne du coût d'équilibre porte le résumé honnête. Le tape double à peu près ce que la stratégie peut payer, de 0,51 à 1,00 point de base, contre un marché qui facture 1,60, donc les deux représentations perdent de l'argent net, le tape en perdant moins.

Le résultat négatif au-delà d'une minute mérite autant de poids que le résultat positif à une minute, et c'est le plus surprenant des deux. Environ 150 features dérivées du tape, couvrant le déséquilibre du flux d'ordres, le mix d'agresseurs, les spreads cotés et effectifs, la profondeur, l'écart au microprice, l'intensité de cotation, le lambda de Kyle, le spread de Roll, les markouts, la part d'odd lots et la concentration des venues, ont produit un IC hors échantillon qui est tombé sur la moyenne de la nulle à une heure.

Quoi que le flux à la nanoseconde sache de l'heure suivante, trois implémentations de gradient boosting bien régularisées n'ont pas su l'extraire de ces features sur cet échantillon.

Tous les tests de fuite, de causalité et de nulle passés sur ce résultat ont réussi, y compris deux bugs dans les tests eux-mêmes que nous avons trouvés et corrigés avant la campagne rapportée ; les vérifications exactes et leurs chiffres sont sur la page de reproductibilité.

• Seuls deux des cinq horizons portent assez de preuves indépendantes pour être testés. La semaine et le mois sont rapportés comme non testables, et les traiter correctement demande des années d'historique continu plutôt que des blocs de 60 jours.
• Cinq tickers forment une coupe transversale petite et corrélée, à 0,32 de corrélation moyenne deux à deux sur les rendements horaires. Le plan couvre délibérément le niveau de prix et le régime de tick, ce qui a rendu visible l'ordonnancement par tick, même si un univers plus large testerait cet ordonnancement au lieu de simplement le suggérer.
• La cible utilise la clôture négociée et non le point médian, choisie pour que les deux bras puissent l'observer, mais la clôture est précisément la quantité qui porte le bounce, et une cible sur le point médian réduirait probablement beaucoup l'avantage à une minute.
• Toutes les impressions hors bourse ont été retirées via l'unique libellé de venue FINRA que porte ce flux, ce qui écarte près de la moitié du volume consolidé sur certains noms, donc un plan qui les garderait pourrait conclure autrement sur les features liées à la liquidité.
• Les hyperparamètres ont été fixés a priori et jamais réglés, ce qui protège du biais de sélection mais laisse chacun des bras en deçà de sa meilleure configuration possible.
• Le modèle de coût facture le spread effectif mesuré plus un demi-point de base de frais, sans modéliser l'impact de marché, la position dans la file, les exécutions partielles ni la latence, autant d'éléments qui dégradent le tableau plutôt qu'ils ne l'améliorent.
• Chaque chiffre repose sur la reconstruction consolidée du SIP d'un seul fournisseur, et deux propriétés propres à ce flux ont dû être établies empiriquement avant tout calcul.