Ce cours est né d’une évolution progressive de l’enseignement d’informatique appliquée, orienté de plus en plus vers l’analyse financière quantitative à la demande des étudiants. La réforme de l’offre de formation a permis de lui donner une identité propre. Les outils mobilisés — R/RStudio, Excel/VBA et LaTeX — sont délibérément transférables à d’autres secteurs, ce qui lui confère une valeur professionnelle au-delà de la finance.
Pourquoi un économiste doit étudier les marchés financiers
Le marché financier n’est pas qu’un objet de spéculation : c’est le cerveau centralisateur de l’économie globale, le lieu où s’agrègent les anticipations, les croyances et les contradictions d’un système. À ce titre, il constitue un terrain d’observation irremplaçable pour l’économiste — bien au-delà du seul prisme de la gestion de portefeuille.
La finance quantitative offre quelque chose de rare : la possibilité de tester empiriquement la théorie économique standard. L’hypothèse d’efficience des marchés sous forme faible — selon laquelle les prix passés ne contiennent aucune information exploitable — résiste globalement à l’épreuve des faits. Il n’est pas facile de battre le marché, et c’est en soi un résultat théoriquement important. Pourtant des anomalies persistent et sont documentées : l’effet momentum, la prime de valeur, l’effet taille, l’effet janvier. Ces anomalies ne sont pas de simples curiosités statistiques ; elles sont au cœur d’un débat fondamental entre la vision néoclassique (Fama : prime de risque non identifiée) et la finance comportementale (Shiller : irrationalité et exubérance). La finance quantitative est ainsi un laboratoire vivant de l’économie standard — un espace où la théorie se confronte aux données et où ses limites deviennent visibles.
Ce que les étudiants ont vu cette année
Le cours s’est organisé en quatre blocs progressifs.
Le premier bloc pose les fondamentaux quantitatifs : indices en base 100, rendements arithmétiques et logarithmiques, volatilité, drawdown, ratio de Sharpe et de Sortino, optimisation de Markowitz, MÉDAF, bêta, alpha de Jensen et droite de marché.
Le deuxième bloc couvre l’analyse technique : bandes de Bollinger, RSI, moyennes mobiles, Golden Cross / Death Cross, retracements de Fibonacci, supports et résistances.
Le troisième bloc aborde le pricing des options avec Black-Scholes : valorisation de calls et puts européens, Grecs (delta, vega, theta, gamma), volatilité implicite par Newton-Raphson, stratégies classiques (straddle, iron condor, butterfly, covered call).
Le quatrième bloc est consacré au backtesting et à la validation statistique : walk-forward, in-sample / out-of-sample, détection de l’overfitting, momentum cross-sectionnel sur le Stoxx 600, Risk Parity, et discussion des limites — incertitude de Knight, instabilité endogène de Minsky.
Une porte vers l’apprentissage automatique
Les aspects algorithmiques du cours — optimisation de paramètres, validation hors-échantillon, détection du sur-apprentissage — ne sont pas sans rappeler les problématiques centrales du machine learning. L’étudiant qui a construit et validé une stratégie de trading systématique a déjà, sans le nommer ainsi, pratiqué les rudiments de l’apprentissage statistique : séparation train/test, régularisation implicite, généralisation. C’est une première réflexion concrète vers ces outils qui structureront de plus en plus l’analyse économique et la recherche empirique.
Outils pratiques
Les travaux pratiques ont été réalisés sous R (quantmod, TTR, PerformanceAnalytics) et sous Excel/VBA. Les rendus ont été produits en LaTeX.
Au-delà du cours : le monde des quants professionnels
Ce cours donne une première lecture cohérente de la finance quantitative, mais il serait malhonnête de ne pas souligner l’écart qui sépare cet apprentissage de la pratique professionnelle réelle.
Les stratégies que nous avons construites opèrent sur des données journalières ou mensuelles. Le monde des quants professionnels descend bien en dessous : le trading intraday, puis le trading haute fréquence (HFT), exploitent des données à la milliseconde, voire à la microseconde. À cette échelle, les signaux changent radicalement de nature — il ne s’agit plus de momentum ou de Bollinger, mais de microstructure de marché, de carnet d’ordres, d’arbitrage statistique entre plateformes d’exécution.
La conséquence directe est technologique. R et Excel, parfaitement adaptés à l’analyse exploratoire et pédagogique, cèdent la place à des environnements de production où la vitesse d’exécution est critique. Python reste le langage dominant pour le prototypage quantitatif avancé, mais les stratégies réellement déployées à haute fréquence descendent vers C++ — voire vers des implémentations proches du matériel — pour minimiser la latence. Quelques microsecondes d’avance sur un concurrent peuvent représenter un avantage décisif sur un marché où des milliers d’ordres s’exécutent par seconde.
Ce cours constitue néanmoins un socle solide : la logique de validation statistique, la distinction signal/bruit, la discipline du test hors-échantillon sont des invariants que l’on retrouve à toutes les échelles de temps et dans tous les environnements technologiques. Ce qui change, c’est la vitesse et la complexité des données — pas la rigueur qu’elles exigent.