Ciblage de la volatilité en trading : taille de position, prévision et limites

Un objectif de volatilité indique l’ampleur des fluctuations souhaitées pour une position ou un portefeuille dont la composition est fixée, sous une hypothèse de prévision donnée. Il faut d’abord définir la série de rendements concernée : celle d’une action, d’un contrat à terme ou d’un portefeuille déjà régi par des règles. L’exposition est ensuite ajustée selon l’estimation de la variabilité de cette série. L’objectif ne dit pas si le rendement sera positif ou négatif.

Pour une stratégie de base inchangée, le multiplicateur s’écrit kₜ = volatilité visée ÷ volatilité prévue. Si l’objectif annualisé est de 10 % et la prévision annualisée de 20 %, alors kₜ = 0,50. Avant toute autre limite, l’exposition prévue représente la moitié de l’exposition de base. Avec la même stratégie et la même prévision du risque, ce ratio modifie la taille de la position ; il ne crée pas à lui seul une nouvelle idée de trading.

Cette règle n’est ni un cours cible, ni un ordre stop, ni un budget de perte fixe. Elle répartit un niveau de risque anticipé sur plusieurs périodes, mais ne plafonne pas la perte d’une séance. Assimiler volatilité, direction du marché et perte garantie conduit à une mauvaise lecture du mécanisme.

Dans la recherche comme dans la pratique, les expressions gestion de la volatilité et gestion du risque recouvrent plusieurs règles de mise à l’échelle. Dans une règle intuitive de ciblage, l’écart-type prévu figure au dénominateur : l’exposition est proportionnelle à la volatilité visée divisée par la volatilité prévue. À hypothèses égales, si cette prévision double, le multiplicateur est divisé par deux, sauf intervention d’une autre règle.

Une construction de recherche connue utilise plutôt une exposition proportionnelle à l’inverse de la variance estimée à partir des rendements passés : poids ∝ 1 ÷ variance estimée. Dans leur construction centrale, Moreira et Muir utilisent la variance réalisée de la période précédente ; ce n’est pas le même calcul qu’un objectif direct de volatilité. La variance étant le carré de l’écart-type, doubler la volatilité ramène alors le poids au quart, et non à la moitié. Les études appliquent souvent un coefficient de normalisation distinct. Celui-ci découle du protocole retenu ; il ne transforme pas automatiquement la règle en objectif de volatilité fixé à l’avance.

La différence n’est donc pas simplement terminologique. Les deux règles réagissent différemment à une même variation de prévision et peuvent produire des rotations, des pics de levier et des trajectoires de rendement distincts. Moreira et Muir étudient une mise à l’échelle inverse de la variance de portefeuilles factoriels (leur étude de 2017). Barroso et Santa-Clara analysent une stratégie de momentum dont l’exposition est ajustée au risque (leur étude de 2015). Les résultats d’une stratégie et d’un échantillon donnés ne se transposent pas directement à un instrument isolé.

La prévision doit porter sur la même série de rendements que celle dont on ajuste l’exposition. Pour un contrat à terme, remplacer cette série par la volatilité d’un indice d’actions sans l’expliquer n’est pas cohérent. Pour une stratégie long-short définie, la mesure doit refléter ses rendements et ses règles de position. Dans un portefeuille de plusieurs actifs, la variance dépend aussi des covariances : faire la moyenne des volatilités individuelles ne suffit pas.

L’écart-type mobile des rendements journaliers est simple à calculer, mais il décrit d’abord des fluctuations passées. Pour agir, il faut une estimation disponible au moment de la décision et pertinente pour la période suivante. Une fenêtre glissante, une EWMA ou un modèle GARCH peut servir de base ; ces méthodes ne réagissent pas de la même façon aux chocs récents et aux données plus anciennes. Le guide sur les grappes de volatilité et GARCH présente une prévision de variance conditionnelle, tandis que le cône de volatilité situe des mesures de volatilité réalisée dans leur distribution historique.

L’unité et l’horizon doivent eux aussi correspondre. Un écart-type journalier ne se compare pas directement à une cible annuelle. La conversion courante par √252 suppose une convention de rendement quotidien adaptée et, en substance, des rendements suffisamment stables et peu autocorrélés. Avec de l’autocorrélation, des sauts ou des changements de régime, cette approximation peut mal représenter les fluctuations à plus long horizon. Comparez des mesures annualisées selon la même convention ou exprimez-les toutes deux sur la même période. L’écart-type et la variance ont également des unités différentes : une volatilité de 20 % correspond à 0,20² = 0,04 de variance, en unités de rendement au carré. Le guide variance et volatilité détaille cette distinction.

Supposons une stratégie de base inchangée, une exposition notionnelle de 100 000 dollars et une volatilité prévue annualisée de 20 %. L’objectif fixé est de 10 %. Le ratio vaut 10 % ÷ 20 % = 0,50, ce qui ramène l’exposition calculée à 50 000 dollars. Ce calcul est une illustration arithmétique sous l’hypothèse d’une mise à l’échelle linéaire, avec le même portefeuille et des horizons et unités assortis. Il est établi avant coûts et ne prétend pas que la volatilité réalisée sera de 10 %.

Dans une autre période, supposons que la prévision baisse à 5 %. Le multiplicateur sans limite serait de 10 % ÷ 5 % = 2, soit une exposition de 200 000 dollars. Si une règle hypothétique plafonne le multiplicateur à 1,25, l’exposition maximale devient 125 000 dollars. À 5 % de volatilité prévue, cette position correspond à 6,25 % de volatilité prévue après mise à l’échelle, sous l’hypothèse linéaire : le plafond empêche donc d’atteindre l’objectif de 10 %. La limite de levier prime sur la solution mathématique, et le résultat ne doit pas être présenté comme si la cible était toujours atteinte.

L’exemple suppose que la stratégie reste identique, que son rendement évolue proportionnellement au montant investi et que la prévision convient à la période suivante. Avec des options, des sauts de prix ou une liquidité limitée, une variation de notionnel ne modifie pas nécessairement la distribution du risque dans la même proportion. Il s’agit d’une comparaison de tailles sous hypothèses, pas d’un résultat de performance.

Une règle de position ne peut utiliser que des informations connues avant la période de rendement mise à l’échelle. Une estimation calculée à la clôture de t peut définir l’exposition destinée à la prochaine période négociable. Elle ne peut pas être appliquée rétroactivement au rendement de la séance qui a servi à son calcul. Dans un backtest, l’horodatage du signal, l’envoi de l’ordre, le prix d’exécution et l’intervalle de rendement doivent être alignés.

Les retards de publication comptent aussi. Le cours de clôture n’est parfois définitif qu’après la séance ; une valeur d’indice ou de fonds peut être publiée plus tard. Si l’exécution réelle ne peut intervenir qu’au prochain point de négociation, la simulation historique doit intégrer ce délai. Une réaction fictivement immédiate donne à la stratégie l’apparence d’avoir évité un choc déjà survenu.

Fixez en outre la fréquence de rééquilibrage. Une mise à jour quotidienne réagit plus vite aux changements de prévision, mais peut multiplier le chiffre d’affaires et les coûts. Un calendrier hebdomadaire ou mensuel lisse les ajustements, mais laisse l’exposition inchangée plus longtemps entre deux dates. La fréquence des données, l’horizon de prévision et le calendrier de rééquilibrage sont trois choix distincts.

Dans un portefeuille composé de plusieurs positions, le risque global ne dépend pas uniquement de la volatilité de chaque actif. Si les pondérations ne sont pas toutes modifiées dans la même proportion, la variance prévue doit intégrer les covariances : σ²ₚ = wᵀΣw, où w désigne les pondérations et Σ la matrice de covariance prévue. Si un multiplicateur k unique s’applique à un portefeuille fixe, sa variance est idéalement multipliée par k² et sa volatilité par |k|.

Cette simplification suppose que la composition et les pondérations relatives restent fixes pendant l’ajustement et que les rendements évoluent de façon à peu près linéaire avec l’exposition. Si chaque action, contrat à terme ou stratégie est mis à l’échelle selon sa propre volatilité, les pondérations du portefeuille et ses corrélations changent aussi. On ne peut alors plus obtenir la volatilité globale à partir d’un seul ratio. Des chocs de marché ou de liquidité communs peuvent modifier les corrélations au moment même où les moyennes historiques deviennent moins représentatives.

Distinguez aussi l’exposition à la valeur de marché, le levier brut et net, la marge et le risque de volatilité. Un contrat à terme peut immobiliser peu de marge initiale tout en créant une forte exposition notionnelle. Le solde disponible sur le compte ne fixe donc pas automatiquement une taille de position adaptée à un niveau de risque. Les caractéristiques du contrat, les garanties, les appels de marge de variation et les règles de liquidation du courtier nécessitent leurs propres contrôles ; un chiffre de volatilité cible ne les remplace pas. Pour passer d’une exposition à un nombre de contrats, le guide sur le dimensionnement d’une position futures distingue le multiplicateur, la valeur du tick et le budget de perte.

Lorsque la prévision devient très faible, volatilité visée ÷ volatilité prévue augmente fortement. Sans plafond, une fenêtre récente calme peut faire baisser l’estimation et produire une position très importante. Les systèmes pratiques prévoient donc souvent un levier maximal, un plancher au dénominateur, une taille maximale ou des limites de concentration et de liquidité. Chacune modifie la règle effective et doit être reproduite dans le backtest.

Un plafond limite la position calculée, pas la perte réelle. Le marché peut ouvrir sur un gap, un ordre peut n’être exécuté qu’en partie, les fourchettes peuvent s’élargir et les exigences de marge augmenter. Les contrats à terme, perpétuels et autres instruments à effet de levier ajoutent des coûts de financement, de funding ou d’emprunt, ainsi que des flux de trésorerie quotidiens. Une estimation de volatilité ne garantit pas non plus le prix de sortie : après un gap, l’exécution peut être très éloignée du niveau prévu.

Des ajustements fréquents et de fortes variations du multiplicateur entraînent davantage de transactions. Commissions, fourchette achat-vente, glissement, impact de marché et financement réduisent la performance nette ; si on les omet, ils peuvent aussi fausser la série de rendements utilisée pour prévoir la volatilité. Une évaluation sérieuse publie les résultats bruts et nets et applique une hypothèse de coûts plausible qui peut varier dans le temps. Lisser la prévision, introduire une hystérésis ou exiger un changement minimal avant d’envoyer un ordre peut réduire la rotation, mais ajoute des paramètres qu’il ne faut pas optimiser a posteriori sur les mêmes résultats.

Comparez l’exposition ajustée à la stratégie de base non ajustée sur les mêmes données et avec la même chronologie. Une validation walk-forward doit utiliser, à chaque date, uniquement les informations du passé. Si la longueur de fenêtre, le modèle de prévision, la cible, le plafond et la fréquence de rééquilibrage sont choisis sur toute la période qui sert à annoncer le résultat, celui-ci reflète en partie la recherche d’une variante favorable.

Au-delà de la volatilité réalisée annualisée, consignez le rendement net, le drawdown maximal, les pertes dans la queue gauche, la distribution du levier, le chiffre d’affaires, le financement et le comportement en période de stress. Réduire la volatilité peut s’accompagner d’un rendement plus faible ; une amélioration du ratio de Sharpe en échantillon peut dépendre du protocole de test. L’annualisation du Sharpe peut aussi induire en erreur quand les rendements sont dépendants ; le guide sur la corrélation sérielle et l’annualisation du Sharpe traite ce problème. Un block bootstrap des rendements d’une stratégie peut quantifier l’incertitude d’une statistique, sans corriger automatiquement la sélection de stratégie.

La recherche ne donne pas de garantie universelle. Moreira et Muir rapportent des avantages pour certaines stratégies de portefeuille mises à l’échelle par l’inverse de la variance (étude de 2017), tandis que Cederburg et ses coauteurs ne trouvent pas d’amélioration systématique du ratio de Sharpe dans une comparaison plus large de 103 stratégies actions (étude de 2020). Cette différence souligne l’importance de la définition, de l’échantillon, de la normalisation ex post et de l’exécution en temps réel. Dans son cadre théorique, Taylor montre aussi qu’une allocation dynamique optimale peut dépendre à la fois du rendement conditionnel, de la variance et de l’aversion au risque (étude de 2023). Une prévision de volatilité seule ne constitue donc pas une optimisation de portefeuille complète.

Une règle de ciblage ajuste l’exposition à partir d’une prévision ex ante ; elle ne promet pas une volatilité réalisée donnée. Le marché peut bouger plus vite ou davantage que le modèle ne l’anticipe. Un gap inattendu touche d’abord la position déjà détenue ; la prochaine estimation peut seulement ensuite réduire l’exposition. Si la hausse de volatilité accompagne une baisse des cours, l’ajustement ne peut ni annuler la perte ni empêcher un drawdown déterminé.

Une période calme n’est pas sans risque. Une faible volatilité récente peut provoquer une hausse de l’exposition juste avant un changement de régime. Un écart-type ne décrit à lui seul ni l’asymétrie, ni la taille des sauts, ni les tensions de liquidité ou les mouvements extrêmes conjoints. Deux stratégies dont la volatilité estimée est identique peuvent connaître des trajectoires de perte très différentes. Le ciblage de la volatilité n’est donc ni un stop-loss, ni une garantie contre les pertes, ni une prévision de rendement futur.

Avant d’utiliser la règle, fixez l’horizon de la cible, le modèle de prévision, l’heure d’exécution, le plancher du dénominateur, le plafond de levier, les hypothèses de coûts et la procédure de revue. Les tests historiques doivent montrer quand la règle a augmenté ou réduit l’exposition, pas seulement une statistique agrégée. La méthode explique comment convertir une estimation de risque définie en exposition ; elle ne prouve pas que la stratégie sous-jacente est viable et ne constitue pas un conseil financier personnalisé.