- Ivan Scherman a réalisé un rendement de 491 % lors de la Coupe du monde de trading à terme 2023.
- C'est un gestionnaire de fonds quantitatif qui utilise des centaines de modèles pour exécuter des transactions sur plusieurs actifs.
- Il met l'accent sur l'analyse technique fondée sur des preuves et la gestion des risques pour minimiser les erreurs humaines.
Merci de votre inscription !
Accédez à vos sujets favoris dans un flux personnalisé lorsque vous êtes en déplacement. téléchargez l'application
En cliquant sur « S'inscrire », vous acceptez nos conditions d'utilisation et notre politique de confidentialité. Vous pouvez vous désabonner à tout moment en visitant notre page Préférences ou en cliquant sur « se désabonner » au bas de l'e-mail.
Ivan Scherman est un technicien de marché agréé certifié et un gestionnaire de fonds spéculatifs basé à Buenos Aires, en Argentine.
Il négocie sur les marchés au comptant, à terme et d'options sur les actions, les indices, les matières premières et les devises – essentiellement, tout ce qui est accessible via la Bourse de New York, le Chicago Mercantile Exchange et d'autres grandes bourses américaines.
Et il est bon dans ce qu'il fait : lors de la Coupe du monde de trading à terme 2023, Scherman a terminé premier avec un rendement de 491,4 %, selon les records de la compétition.
Voici le problème : même si exercer de tels gains semble séduisant, il ne peut pas le faire en tant qu'humain.
Scherman est un gestionnaire de fonds quantitatif qui peut utiliser des centaines de modèles pour faciliter l'exécution des transactions. Son travail consiste à backtester les modèles puis à les mettre en œuvre tout en suivant leurs progrès. La machine lui permet de se diversifier au sens propre du terme, en négociant sur plusieurs actifs, du S&P 500 au café et même au soja.
Son parcours commercial n’a pas commencé en tant qu’expert quantitatif ni même en tant que trader. En 1996, il était étudiant en droit à l'Université de Buenos Aires lorsqu'il a commencé à s'intéresser aux marchés après avoir suivi un cours de trading et de titrisation. Son intérêt l'a amené à poursuivre un certificat en trading à l'Institut argentin des marchés financiers.
Plus il apprenait, plus il faisait progressivement de petits métiers en complément au cours de ses premières années en tant que conseil en marques.
« Au tout début, je pensais savoir comment trader, mais ce n'était pas le cas. C'était un marché haussier. Je négociais sur le marché argentin », a déclaré Scherman. « Donc, peu importe ce que j'ai négocié, j'ai réalisé des bénéfices. Lorsque les choses ont commencé à se compliquer sur le marché argentin, j'ai fait faillite. »
C’est une expérience qui l’a poussé à vouloir adapter une approche qui omettrait l’erreur humaine, souvent issue de réactions émotionnelles.
Fabriquer sa compétence
Il lui a fallu environ quatre ans pour devenir un bon trader, mais cela ne voulait pas dire qu'il était un bon gestionnaire de fonds. Lorsqu'il a quitté le droit pour devenir trader professionnel, ses déficits ont été compensés par le service des risques de son entreprise, ce qui l'a empêché d'accepter de grosses pertes dans ses transactions. Mais il a quand même essuyé des pertes sur son compte personnel parce qu'il n'avait pas appris à gérer les risques de manière indépendante.
Histoires connexes
Un livre qu'il a lu, « Evidence-Based Technical Analysis », de David Aronson, lui a appris comment appliquer une méthode scientifique pour concevoir ou tester une hypothèse commerciale. L'une de ces leçons est que la stratégie d'un trader doit être testée dans toutes les conditions de marché, y compris sur des marchés haussiers, baissiers et plats avec une volatilité élevée à faible. En effet, un trader ne peut pas prédire le prochain régime de marché et doit prouver que sa thèse peut survivre aux changements. Plus l’échantillon historique est grand, meilleure sera la situation du trader.
Grâce à de nouveaux essais et erreurs, il a appris des leçons supplémentaires sur la gestion des risques. Les deux principaux étaient qu'il ne devait pas concentrer tous ses efforts sur une seule transaction et qu'il devait traiter chaque tentative comme si cela pouvait être une grosse perte. Au lieu de cela, il devrait viser de petits gains sur différentes positions et inclure un stop loss basé sur des données historiques pour chaque thèse.
Dans ses backtests, il recherche les comportements répétitifs pour identifier les points stop-loss et mesure leur étendue pour déterminer comment ils ont échoué et l'ampleur des pertes qu'ils ont historiquement produites. Le stop loss sera fixé différemment pour chaque thèse. Par exemple, si un certain modèle chute souvent de 2 % avant de devenir gagnant, il définira dès le début une fourchette plus large afin que la transaction ne soit pas interrompue. Le résultat est que le stop loss variera pour chaque modèle en fonction de son comportement historique.
Enfin, il limite le risque global en gardant chaque position petite, entre 2 % et 3 % de l'ensemble de son portefeuille.
« J'ai besoin de capitaux pour me remettre de cette perte », a déclaré Scherman. « Il y a certains chiffres que j'ai en tête et qui sont très importants pour moi. Par exemple, si vous perdez 10 %, vous aurez besoin de 11 % pour récupérer cette perte. Si vous perdez 20 %, vous allez Il vous faudra environ 33 % pour récupérer de cette perte. Si vous perdez 50 %, vous devrez gagner 100 % pour récupérer cette perte. »
Bien qu'il utilise des modèles pour tester ses théories, un trader pourrait reproduire ce processus en examinant les graphiques de trading pour chaque actif et modèle qu'il négocie afin de déterminer les fourchettes avec lesquelles un modèle peut reculer. Néanmoins, chaque stop loss doit être adapté à la tolérance au risque et à la capacité personnelles du trader.
Un échange simple tiré du livre d'outils d'un gestionnaire quantitatif
Bien qu'une grande partie de ce que fait Scherman ne puisse pas être reproduite par un humain, certains conseils et modèles peuvent être tirés de ses modèles.
Principalement, un trader doit apprendre à adopter une approche technique fondée sur des preuves et fondée sur des modèles historiques plutôt que sur des opinions subjectives. Dans le trading algorithmique, il n’y a pas d’interprétation du comportement des modèles. Au lieu de cela, chaque règle, comme par exemple ce qu'est une tendance haussière, sera quantifiée et comprise par l'ordinateur. Ainsi, ce qui peut être compris par un ordinateur peut être compris par un humain, a-t-il noté.
Quant à une stratégie issue du manuel de jeu de ses modèles, même si ce n'est pas un modèle qu'il utilise, une stratégie simple qu'un humain peut reproduire consiste à négocier le S&P 500 en utilisant des moyennes journalières mobiles.
Ici, deux conditions doivent être remplies :
Premièrement, la moyenne mobile sur 200 jours de la journée est supérieure à celle de la veille.
Deuxièmement, le S&P 500 connaît trois jours consécutifs de clôtures inférieures à celles de chaque jour précédent. Cette baisse, qui fait suite à la première tendance ci-dessus, indique qu'il y a un recul temporaire sur une forte tendance haussière.
Scherman a noté que compte tenu des fluctuations du marché, il clôturera à un moment donné au-dessus de la moyenne mobile sur cinq jours.
« Lorsqu'il clôture au-dessus de la moyenne mobile sur cinq jours, il génère des bénéfices dans 72 % des échantillons testés sur 100 ans. »
Le graphique ci-dessous montre les gains qui pourraient hypothétiquement être accumulés sur le nombre de transactions où cette tendance s'est produite depuis 1960 sur la base de l'achat d'une unité du SPX, selon des modèles de négociation propriétaires testés par Emerge Funds Investments jusqu'en septembre 2024.
Scherman a noté que le moyen le plus proche de reproduire la production de l'indice est d'utiliser un ETF majeur qui le suit, comme l'ETF SPDR S&P 500 (SPY). Bien qu'il puisse y avoir de légères variations dues à des frictions, notamment des différences de prix d'exécution dans une transaction réelle, le taux de gain restera le même.
Plateforme d'investissement dans les fonds émergents.
Le graphique ci-dessous montre comment le modèle peut apparaître sur un graphique et les points d'entrée et de sortie hypothétiques. Dans la première option, la transaction est automatiquement effectuée avant la clôture du marché le troisième jour de clôture consécutive inférieure et vendue à la clôture du jour où elle se situe au-dessus de la moyenne mobile sur cinq jours. La deuxième option du graphique est une deuxième façon d'entrer dans une transaction en achetant à la prochaine ouverture après la troisième clôture inférieure consécutive et en sortant à la prochaine ouverture le lendemain de la clôture au-dessus de la moyenne mobile sur cinq.
Cependant, le modèle montre que la première option donne de meilleurs résultats en termes de performances.
Plateforme d'investissement dans les fonds émergents
- Ivan Scherman a réalisé un rendement de 491 % lors de la Coupe du monde de trading à terme 2023.
- C'est un gestionnaire de fonds quantitatif qui utilise des centaines de modèles pour exécuter des transactions sur plusieurs actifs.
- Il met l'accent sur l'analyse technique fondée sur des preuves et la gestion des risques pour minimiser les erreurs humaines.
- Ivan Scherman est un technicien de marché agréé certifié et un gestionnaire de fonds spéculatifs basé à Buenos Aires, en Argentine.
