05 · Ce que dit la recherche¶
Le marketing de l'order flow et la littérature académique sur la microstructure parlent du même objet avec deux niveaux de preuve incomparables. Ce chapitre sépare ce qui est mesuré et publié de ce qui est affirmé et invendable.
Ce qui est solidement établi¶
1. L'OFI explique les variations de prix à court terme¶
C'est le résultat central de Cont, Kukanov & Stoikov (2014), publié dans le Journal of Financial Econometrics (vol. 12, n° 1, p. 47-88) et disponible en préprint sur arXiv.
Les auteurs définissent l'order flow imbalance comme le déséquilibre net des événements affectant les meilleures files, et montrent sur 50 actions américaines que la variation de prix sur un intervalle court est approximativement linéaire en OFI, avec une pente inversement proportionnelle à la profondeur du marché :
où \(D\) est une mesure de profondeur et \(c\) une constante. Les auteurs rapportent que ce résultat est robuste aux effets de saisonnalité intrajournalière et stable entre les titres et entre les échelles de temps.
Trois précisions capitales, souvent perdues dans la vulgarisation :
Ce que le résultat ne dit pas
- C'est une relation contemporaine, pas une prédiction. L'OFI mesuré sur \([t, t+\Delta]\) explique la variation de prix sur le même intervalle. Utiliser l'OFI passé pour prédire le prix futur est un exercice différent, au pouvoir prédictif bien plus faible et rapidement décroissant.
- L'étude porte sur des actions, pas sur les futures. La transposition est plausible — le mécanisme est identique — mais elle reste une extrapolation à vérifier sur ses propres données.
- Aucune stratégie n'est proposée ni chiffrée. Le papier explique la formation des prix ; il ne prétend pas exhiber une source de profit après coûts.
Des travaux ultérieurs prolongent le résultat, notamment sur le cross-impact entre titres (Cross-impact of order flow imbalance in equity markets, Quantitative Finance, 2023) et sur les futures d'indice chinois CSI 300 (arXiv 2505.17388). Ce dernier rapporte une hétérogénéité selon l'horizon et des dynamiques dépendantes du régime : la mémoire et le pouvoir prédictif de l'OFI ne sont pas constants dans le temps.
2. Le déséquilibre de file prédit le tick suivant¶
Le queue imbalance — la simple proportion \(Q_b / (Q_b + Q_a)\) — a un pouvoir prédictif documenté sur la direction du tick suivant (Gould & Bonart, Market Microstructure and Liquidity, 2016). C'est également le fondement du microprice d'Avellaneda, Reed et Stoikov, une estimation du prix « juste » pondérée par les tailles :
Intuition
Si 500 contrats attendent au bid et 50 à l'ask, la file du bid tiendra plus longtemps que celle de l'ask. Le prochain déplacement est plus probablement vers le haut. Le microprice déplace le prix de référence vers l'ask dans ce cas.
L'horizon de cette prédiction est très court — de l'ordre du prochain changement de prix. Elle est exploitable pour l'exécution (choisir le moment d'entrer, économiser un demi-tick) beaucoup plus que comme signal directionnel autonome.
3. Le carnet a une dynamique modélisable¶
Le queue-reactive model de Huang, Lehalle & Rosenbaum (2015) modélise les intensités d'arrivée des ordres comme fonctions de l'état du carnet. Il reste la référence pour la simulation réaliste de carnets, et sert de base à des extensions récentes (taille des ordres, arXiv 2405.18594 ; hybridation deep learning, arXiv 2501.08822).
Utilité pratique pour un bot retail : ces modèles fournissent des simulateurs crédibles pour tester la robustesse d'une stratégie hors des données historiques réelles.
4. L'apprentissage profond extrait un signal du carnet¶
DeepLOB (Zhang, Zohren & Roberts, IEEE Transactions on Signal Processing, 2019) applique CNN + LSTM aux dix premiers niveaux du carnet et rapporte une précision hors échantillon stable, y compris sur des instruments absents de l'entraînement.
Le piège d'interprétation
La métrique optimisée est une classification de direction, pas un P&L. Une précision de 70 % sur un mouvement de un tick ne survit pas nécessairement au spread, aux commissions et à la latence. Aucun des papiers de cette famille ne publie de performance nette de coûts sur un compte réel.
Ce qui est contesté¶
Le VPIN¶
Le VPIN d'Easley, López de Prado & O'Hara mesure la « toxicité » du flux par déséquilibre de volume en barres volume-synchronisées. Il a été proposé comme signal d'alerte de crise de liquidité.
La critique est sérieuse et documentée : Andersen et Bondarenko soutiennent que le pouvoir prédictif apparent du VPIN est largement mécanique, l'indicateur étant fortement corrélé au volume et à la volatilité. Sa valeur dépend en outre de choix de construction — taille des seaux, longueur de fenêtre, algorithme de classification — dans des proportions qui peuvent fabriquer ou détruire le signal (Pöppe et al., Journal of Banking & Finance, 2016).
Position raisonnable
Le VPIN est un descripteur informatif de l'état du flux, pas un prédicteur de crash établi. Utilisable comme filtre de régime, jamais comme signal d'entrée.
Ce qui n'est pas établi du tout¶
Voici la liste des affirmations centrales du marketing order flow pour lesquelles aucune étude publiée avec méthodologie hors échantillon n'existe à notre connaissance :
| Affirmation | Statut |
|---|---|
| « La divergence CVD prédit les retournements » | Non mesurée publiquement |
| « Les imbalances empilées de ratio 3 donnent X % de réussite » | Non mesurée publiquement |
| « L'absorption sur un niveau clé est un signal fiable » | Non mesurée publiquement |
| « On voit les institutionnels dans le footprint » | Impossible : le MBO CME est anonyme |
| « L'order flow donne un avantage sur les algorithmes » | Contredit par la structure de latence |
Ces affirmations proviennent essentiellement de blogs d'éditeurs de plateformes et de formateurs — parties commercialement intéressées à la vente d'outils ou de formations (LiteFinance, NinjaTrader, Bookmap). Cela ne les rend pas fausses ; cela signifie qu'il vous appartient de les mesurer.
Conséquence méthodologique directe
Aucun motif d'order flow décrit dans la partie Stratégies ne doit être mis en production sans avoir été mesuré sur vos propres données, avec vos propres coûts, sur une période hors échantillon que vous n'avez pas utilisée pour choisir les paramètres. Ce rapport fournit les outils pour le faire ; il ne fournit pas la preuve que les motifs sont profitables, parce que cette preuve n'existe pas dans la littérature publique.
Où se situe l'avantage plausible d'un bot retail¶
En croisant ce qui est établi et ce qui est structurellement accessible :
| Source d'avantage | Accessible en retail ? | Pourquoi |
|---|---|---|
| Vitesse pure (arbitrage de latence) | Non | Requiert la colocation et du FPGA |
| Fourniture de liquidité en tête de file | Non | Position en file inatteignable sans latence extrême |
| Réaction à un événement en 1-50 ms | Marginal | Un VPS Chicago à 0,5 ms rend certains cas possibles |
| Reconnaissance de motifs sur 1-30 s | Oui | Horizon où la vitesse cesse d'être discriminante |
| Discipline d'exécution et de risque | Oui | Un bot ne dévie pas de ses règles |
| Filtrage de régime et sélection de séances | Oui | Nécessite du calcul, pas de la vitesse |
À retenir
L'avantage plausible d'un bot retail n'est pas la vitesse. C'est la systématicité sur un horizon de quelques secondes à quelques minutes : appliquer sans faille une règle mesurable, sur un régime de marché sélectionné, avec un risque dimensionné. C'est modeste, et c'est tout ce qu'il y a.
Résumé¶
- L'OFI explique les variations de prix contemporaines : résultat solide, mais ce n'est pas une prédiction.
- Le queue imbalance et le microprice prédisent le tick suivant : utile pour l'exécution.
- Le VPIN est contesté ; à utiliser comme filtre, pas comme signal.
- Les motifs footprint classiques n'ont pas de validation publique. Il faut les mesurer soi-même.
- L'avantage retail se situe sur l'horizon des secondes, pas des microsecondes.
Chapitre précédent : Imbalance, absorption, épuisement · Chapitre suivant : Frictions, coûts et latence