Un investisseur particulier peut-il voir venir une manipulation à la vitesse des machines ?

Entre janvier 2023 et mars 2025, lors de 15 des 18 jours d'expiration examinés, une société de trading aurait fait monter l'indice indien Bank Nifty le matin puis baisser l'après-midi. Selon le régulateur de marché indien, la SEBI, Jane Street a acheté de grandes quantités d'actions et de contrats à terme Bank Nifty avant midi, souvent au-dessus du dernier prix échangé, tout en constituant des positions sur options qui rapporteraient si l'indice baissait. Le jour pris en exemple par la SEBI, le 17 janvier 2024, la société a vendu après 11 h 49 (Kansal; SEBI, Interim Order). En juillet 2025, la SEBI a interdit à la société l'accès aux marchés indiens et lui a ordonné de déposer 4 843,57 crores de roupies (₹), soit environ 567 millions de dollars à l'époque, pendant que l'affaire se poursuivait (Kansal). Jane Street a versé la somme sur un compte séquestre, et l'interdiction a été levée le 21 juillet 2025 (SEBI, "Update"). Le même régulateur avait déjà constaté que 93 % des traders particuliers sur les dérivés d'actions indiens avaient perdu de l'argent lors des exercices 2022 à 2024, avec des pertes cumulées supérieures à 1,8 lakh crore (SEBI, "Updated SEBI Study"). La SEBI n'attribue pas ces pertes à de la manipulation. Sa dernière étude a révélé que 87,7 % perdaient encore de l'argent lors de l'exercice 2026 (SEBI, Profitability). Jane Street conteste les allégations, et l'ordonnance est provisoire : en octobre 2026, la société la contestait devant le Securities Appellate Tribunal indien, et la SEBI n'avait rendu aucune décision finale ("Jane Street Accuses"). Cette affaire illustre le problème étudié dans cet article : une stratégie qui s'exécute à la vitesse des machines, sur des marchés publics, contre des traders qui n'ont aucun moyen de la voir.

Le trading à haute fréquence (HFT) utilise des programmes informatiques pour exécuter des ordres en microsecondes ou en millisecondes et représente environ la moitié du volume des échanges d'actions américaines, selon la définition retenue, et pourtant les données publiques ne montrent pas quand il se produit (SEC Staff; Ibikunle et al.). Il est pratiqué par des sociétés de trading pour compte propre telles que Citadel Securities, Virtu Financial, Jane Street et Hudson River Trading, qui paient des frais élevés pour installer des serveurs dans les bâtiments des places boursières et reçoivent les données de prix avant les investisseurs ordinaires (Citadel Securities; Global Trading; IFLR; Duke Law & Technology Review). Les stratégies de HFT se répartissent en trois grands groupes : la tenue de marché, qui profite de l'écart entre prix d'achat et prix de vente ; l'arbitrage de latence, qui négocie sur les variations de prix avant que des places plus lentes ne se mettent à jour ; et l'allumage de momentum (momentum ignition), une stratégie manipulatrice qui déclenche un mouvement de prix brutal, laisse d'autres traders le suivre, puis l'inverse (SignalPilot; Tse, Lin, and Vincent). Les petits traders semblent subir les pertes les plus lourdes : sur le marché des contrats à terme sur le S&P 500 en 2010, les HFT agressifs ont gagné 3,49 $ par contrat auprès des petits traders, contre 1,92 $ auprès des grands traders fondamentaux (Baron, Brogaard, and Kirilenko). Le HFT réduit aussi les écarts acheteur-vendeur, ce qui diminue les coûts de transaction pour les investisseurs particuliers (Hendershott, Jones, and Menkveld; SEC Staff), mais Ibikunle et ses coauteurs constatent que les HFT qui demandent de la liquidité vont de pair avec une découverte des prix plus lente autour des annonces de résultats (Ibikunle et al.).

Les régulateurs et les chercheurs travaillent sur ce problème depuis plus de dix ans. La SEC a créé le Consolidated Audit Trail (CAT) afin que les régulateurs puissent suivre chaque ordre sur les actions américaines (SEC, "Rule 613"), et des actions d'application ont suivi, de la première affaire de manipulation par HFT de la SEC, contre Athena Capital en 2014, à la première condamnation pénale pour spoofing en 2015 (SEC, "SEC Charges"; U.S. Attorney's Office). Des chercheurs universitaires ont décrit les schémas que la manipulation laisse dans les données et ont entraîné des modèles d'apprentissage automatique pour les repérer (Tse, Lin, and Vincent; Golmohammadi, Zaiane, and Díaz; Cao et al.).

Tout ce travail est conçu pour quelqu'un d'autre que l'investisseur particulier. Le Consolidated Audit Trail n'est ouvert qu'aux régulateurs. La plupart des modèles universitaires sont entraînés sur des données de carnet d'ordres au niveau du tick ou sur des registres de transactions confidentiels qui coûtent des milliers de dollars ou ne peuvent pas du tout être achetés. L'application de la loi intervient des années après les transactions : la manipulation d'Athena a eu lieu en 2009 et a été poursuivie en 2014 (SEC, "SEC Charges"). Un investisseur particulier qui se demande s'il doit acheter une action cet après-midi ne dispose de rien qui lui dise si son prix est poussé artificiellement.

Cet article pose deux questions. Premièrement, que montre la recherche existante sur le fonctionnement de la manipulation par le HFT et sur son coût pour les investisseurs particuliers ? Deuxièmement, les méthodes de détection décrites par cette recherche peuvent-elles être adaptées aux données de prix et de volume à la minute qu'un investisseur particulier peut obtenir gratuitement ? La section 2 explique comment les stratégies de HFT légitimes gagnent de l'argent et où commence la manipulation. La section 3 passe en revue cinq stratégies manipulatrices. La section 4 pèse les preuves du préjudice pour les particuliers face aux preuves des bénéfices. La section 5 passe en revue les méthodes de détection, de la surveillance réglementaire à l'apprentissage automatique. La section 6 présente les méthodes et les résultats. La section 7 conclut. Au-delà des revues existantes, l'article ajoute un compte rendu, stratégie par stratégie, de ce que des données gratuites à la minute peuvent et ne peuvent pas montrer, ainsi qu'un test du comportement d'un détecteur simple sur des données réelles, avec des contrôles.

La plupart des activités de HFT sont légales, et certaines aident les autres investisseurs. Dans la tenue de marché, une société place en même temps un ordre d'achat et un ordre de vente, par exemple une offre d'achat à 100,00 $ et une offre de vente à 100,05 $, et gagne l'écart de cinq cents plus une petite remise de la place boursière lorsque les deux côtés sont exécutés (SignalPilot). Le risque est l'antisélection : un trader mieux informé peut toucher la cotation de la société juste avant que le prix ne évolue contre elle. Brogaard, Hendershott et Riordan ont étudié les données du NASDAQ sur les transactions des HFT et ont constaté que, dans l'ensemble, les HFT négocient dans le sens des variations permanentes des prix et à l'encontre des variations temporaires, ce qui signifie qu'ils aident les prix à atteindre plus vite leur niveau correct.

L'arbitrage de latence est plus difficile à défendre. Lorsqu'un prix change sur une place boursière, une société disposant de connexions plus rapides peut négocier sur une autre place avant que la cotation de cette dernière ne se mette à jour (SignalPilot). Le profit vient d'une information que les autres traders n'ont pas encore reçue. Budish, Cramton et Shim soutiennent qu'il s'agit d'un défaut de conception du marché. Puisque les places boursières américaines traitent les ordres un à un dans un flux continu, une société qui est plus rapide ne serait-ce que d'une microseconde peut toujours capter des cotations périmées, de sorte que les sociétés continuent de dépenser de l'argent pour une vitesse qui ne sert à personne d'autre. Leur solution proposée consiste à organiser des enchères par lots courts, afin que les écarts de vitesse inférieurs à l'intervalle du lot cessent de compter. Aquilina, Budish et O'Neill ont ensuite mesuré directement ces courses dans les données du London Stock Exchange : pour les actions du FTSE 100, ils ont trouvé environ une course par minute et par action, ces courses représentant environ 20 % du volume des échanges et coûtant aux traders environ 0,5 point de base en moyenne.

Ibikunle et ses coauteurs montrent que la population des HFT se divise selon cette ligne. À l'aide de mesures d'apprentissage automatique de l'activité des HFT pour les actions américaines de 2010 à 2023, ils constatent que les HFT qui fournissent de la liquidité sont associés à une meilleure découverte des prix après les annonces de résultats, tandis que les HFT qui demandent de la liquidité sont associés à une moins bonne découverte des prix.

La manipulation est une catégorie plus étroite. Putniņš définit la manipulation de marché comme des transactions ou des placements d'ordres destinés à éloigner un prix de l'endroit où l'offre et la demande le situeraient, afin que le manipulateur puisse tirer profit de la distorsion. Ses catégories comprennent la manipulation fondée sur les transactions, qui utilise de vraies transactions, et la manipulation fondée sur les ordres, qui utilise des ordres que le trader n'a jamais l'intention de faire exécuter. Les deux types apparaissent dans le HFT. Ce qui distingue la manipulation par HFT des formes plus anciennes, comme les schémas de pump-and-dump, c'est son ampleur et sa vitesse : un seul algorithme peut répéter le même schéma des centaines de fois par jour sur de nombreuses actions, et chaque épisode peut être terminé en quelques secondes. Les cinq stratégies de la section 3 reposent sur des types de preuves différents : la condamnation de Coscia a été jugée, Athena a transigé sans admettre ni nier les constatations, l'ordonnance visant Jane Street est une allégation en cours, et l'allumage de momentum et le bourrage de cotations sont des schémas mesurés dans les données, et non des comportements prouvés.

La mesure la plus directe de ceux qui perdent face au HFT vient de Baron, Brogaard et Kirilenko, qui ont utilisé des données réglementaires confidentielles identifiant le compte de négociation des deux côtés de chaque transaction sur le contrat à terme E-mini S&P 500. Les HFT ont gagné plus de 23 millions de dollars de profits bruts de trading sur ce contrat rien qu'en août 2010. Les HFT agressifs, ceux qui prennent de la liquidité au lieu d'en fournir, ont gagné 3,49 $ par contrat en négociant contre de petits traders et 1,92 $ par contrat contre de grands traders fondamentaux. Les petits traders ont donc payé environ 82 % de plus par contrat que les traders plus importants. Ce sont des profits à court terme, que les auteurs interprètent comme un coût de transaction pour l'autre côté, et ils proviennent d'un document de travail de 2012 ; la version publiée de l'étude utilise à la place des données d'actions suédoises et ne les rapporte pas (Baron et al.).

Le préjudice n'est pas réparti uniformément entre les investisseurs particuliers. Un rapport du Congressional Research Service, citant une étude canadienne, a noté que les investisseurs particuliers qui pratiquent le day trading peuvent être plus touchés par le HFT, tandis que les investisseurs qui achètent et conservent et négocient rarement sont moins susceptibles de l'être (Shorter and Miller). Cette étude canadienne, de Malinova, Park et Riordan, est nuancée pour les traders particuliers : après qu'une taxe de 2012 sur les messages a réduit le trafic de messages d'environ 30 %, les coûts des institutions sur les ordres au marché ont augmenté, les coûts des ordres au marché des particuliers n'ont pas changé, et les rendements des particuliers sur les ordres à cours limité ont baissé. Les stratégies de la section 3 expliquent pourquoi. Un événement d'allumage de momentum ne coûte qu'au trader qui achète pendant la hausse artificielle, et une personne qui achète un fonds indiciel une fois par mois est rarement ce trader. Un trader actif qui suit les mouvements de prix à court terme est exactement le trader que l'allumage de momentum est conçu pour attirer.

Les écarts de vitesse ajoutent au coût. Jian, Yin et Li ont construit une simulation multi-agents du marché chinois, en utilisant des données de carnet d'ordres pour paramétrer le marché simulé, et ont constaté que lorsque l'écart de délai de communication entre les traders particuliers et les HFT dépassait 50 millisecondes, la probabilité qu'un ordre de particulier soit intercepté par arbitrage de latence passait à plus de 82 %. Il s'agit d'une simulation, et non d'une mesure de pertes réelles, et le seuil de 50 millisecondes est intégré au modèle, mais elle montre à quelle vitesse le désavantage croît une fois que l'écart de vitesse dépasse un seuil. La seule grande mesure issue de données de trading réelles situe le coût à environ 0,5 point de base par transaction, soit 5 cents sur une transaction de 1 000 $ (Aquilina, Budish, and O'Neill). C'est à peu près la même taille que le chiffre des contrats à terme ci-dessus : 3,49 $ sur un contrat d'une valeur d'environ 50 000 $ représentent à peu près 0,7 point de base.

Le HFT peut aussi aggraver les tensions à l'échelle du marché. Kirilenko et ses coauteurs ont étudié le Flash Crash du 6 mai 2010, lorsque les cours des actions américaines se sont effondrés puis ont rebondi en quelques minutes. Ils ont constaté que les HFT n'avaient pas déclenché le krach, mais que leurs transactions, en réaction à un ordre de vente exceptionnellement important, avaient aggravé la volatilité.

D'autres éléments de la structure de marché influencent aussi ce que paient les investisseurs particuliers. Schwarz et ses coauteurs ont placé 85 000 ordres au marché simultanés par l'intermédiaire de six comptes auprès de cinq courtiers américains et ont constaté que les coûts moyens d'un aller-retour allaient de 0,07 à 0,46 %, parce que les grossistes qui exécutent les ordres des particuliers donnaient à différents courtiers des prix différents pour les mêmes transactions. Sur les options américaines, les traders particuliers représentent désormais plus de 60 % du volume, privilégient les contrats hebdomadaires bon marché dont l'écart acheteur-vendeur moyen est de 12,6 %, et perdent de l'argent en moyenne (Bryzgalova, Pavlova, and Sikorskaya).

Face à ces éléments, la concurrence des HFT a réduit le coût direct des transactions. Le trading algorithmique, y compris la tenue de marché par les HFT, a réduit les écarts acheteur-vendeur (Hendershott, Jones, and Menkveld; SEC Staff), et les HFT qui fournissent de la liquidité rendent les prix plus exacts (Brogaard, Hendershott, and Riordan; Ibikunle et al.). Les deux ensembles de preuves peuvent être compatibles, mais les preuves sur les traders particuliers sont nuancées, comme le montre l'étude canadienne évoquée plus haut. Chaque transaction de particulier est peut-être légèrement moins chère grâce à la tenue de marché des HFT, tandis que les traders particuliers qui négocient le plus souvent, et aux pires moments, perdent davantage au profit de stratégies agressives et manipulatrices. Les moyennes sur l'ensemble des investisseurs masquent le second effet. Le problème traité dans cet article concerne le second groupe.

Les régulateurs disposent des meilleures données. La SEC a adopté la Rule 613 en 2012 et approuvé le plan du Consolidated Audit Trail en 2016, créant une base de données centrale qui permet aux régulateurs de suivre toute l'activité sur les actions et options cotées américaines, y compris la société qui a placé chaque ordre (SEC, "Rule 613"). Le système est aujourd'hui réduit : une cour d'appel fédérale a annulé son ordonnance de financement en juillet 2025 (American Securities Association v. SEC), la SEC a cessé la déclaration au CAT des informations personnelles des clients individuels, et en août 2026 le président de la SEC, Paul Atkins, a demandé aux services de rédiger une règle qui abrogerait la Rule 613, un changement qu'il pensait voir aboutir vers la fin de 2027 (Atkins). Avec ces données, un régulateur peut voir directement un schéma de spoofing : la même société plaçant et annulant de gros ordres juste avant de négocier de l'autre côté. Les limites sont l'accès et le délai. Les données ne sont disponibles que pour les régulateurs, et l'application de la loi prend des années. Les transactions d'Athena de 2009 ont été poursuivies en 2014, les transactions de Coscia de 2011 ont abouti à une condamnation en 2015, et l'ordonnance de la SEBI contre Jane Street est arrivée presque un an après le dernier des 18 jours d'expiration qu'elle a examinés, sans décision finale en octobre 2026 (SEC, "SEC Charges"; U.S. Attorney's Office; SEBI, Interim Order; "Jane Street Accuses"). L'application de la loi punit la manipulation après coup et n'avertit en rien l'investisseur qui négocie contre elle.

Les méthodes de détection les plus simples écrivent le schéma connu sous la forme d'un ensemble de règles. Tse, Lin et Vincent décrivent l'allumage de momentum comme une séquence : un pic de volume avec peu de variation de prix, un mouvement de prix brutal avec davantage de volume, puis un retournement. Un détecteur à règles signale toute fenêtre où les trois conditions sont réunies. Les règles sont faciles à expliquer, ce qui compte pour un utilisateur non expert, mais elles ne trouvent que les schémas que quelqu'un a déjà décrits, et un manipulateur qui modifie une étape de la séquence peut les éviter.

Les modèles supervisés apprennent à partir d'exemples étiquetés comme manipulés ou non manipulés. Golmohammadi, Zaiane et Díaz ont utilisé comme exemples positifs des actions citées dans des affaires de manipulation de la SEC à partir de 2003 et ont testé huit algorithmes, dont des forêts aléatoires, des réseaux de neurones et des machines à vecteurs de support, sur des données de trading horaires de 64 sociétés. Le Naive Bayes a obtenu les meilleurs résultats, repérant 89 % des observations manipulées avec une spécificité de 83 %. Le point faible, ce sont les étiquettes. Les cas de manipulation confirmés sont rares, ils proviennent d'actions d'application menées des années après les transactions, et ils n'incluent que les cas que les régulateurs ont attrapés. Un modèle entraîné sur eux apprend à quoi ressemble une manipulation qui a été attrapée.

Les modèles non supervisés n'ont pas besoin d'étiquettes. Ils apprennent à quoi ressemble un trading normal et signalent ce qui ne cadre pas. Cao et ses coauteurs ont construit un modèle de Markov caché adaptatif avec des « états d'anomalie » supplémentaires pour la manipulation des prix et l'ont testé sur des données au niveau du tick avec des cas de manipulation simulés, où il a surpassé les méthodes de référence auxquelles il était comparé. L'Isolation Forest, introduit par Liu, Ting et Zhou, adopte une approche différente. Il construit de nombreux arbres de décision aléatoires qui séparent les données selon des variables aléatoires à des valeurs aléatoires. Les points inhabituels sont isolés du reste en moins de séparations que les points normaux, de sorte que le nombre moyen de séparations nécessaires pour isoler un point devient son score d'anomalie. La méthode est rapide, n'a pas besoin d'étiquettes et fonctionne avec un petit nombre de variables, ce qui la rend adaptée à des données comportant peu de colonnes.

Des études récentes ont testé des modèles non supervisés sur des données plus proches de celles dont dispose un investisseur particulier. Núñez Delafuente, Astudillo et Díaz ont appliqué des Isolation Forests à des variables horaires de prix, de rendement, de volume et de nombre de transactions pour huit actions citées dans des affaires de la SEC. Une seule forêt a trouvé environ les deux tiers des heures manipulées, et un ensemble de forêts jusqu'à 89 %, mais seulement 2 à 6 % des heures qu'elles ont signalées étaient réellement manipulées. Dans une prépublication de 2026, Chen et Hybinette ont fait tourner des détecteurs à la minute sur des données publiques d'options Bank Nifty couvrant 209 jours de bourse en 2024, dont 10 avaient été identifiés par la SEBI dans l'affaire Jane Street. Un autoencodeur les a tous signalés et un Isolation Forest en a signalé 8, mais environ trois jours signalés sur quatre ne comportaient aucune manipulation connue. Un trading légitime peut aussi produire des formes semblables : les teneurs de marché qui couvrent des options du jour même peuvent à eux seuls renforcer les retournements et le momentum intrajournaliers (Dim, Eraker, and Vilkov).

L'étude la plus proche du problème des particuliers est celle d'Ibikunle et de ses coauteurs. Ils ont entraîné des modèles d'apprentissage automatique sur un jeu de données propriétaire dans lequel l'activité des HFT était identifiée, puis ont appliqué ces modèles à des données intrajournalières publiques pour estimer l'activité des HFT sur les actions américaines de 2010 à 2023. Leurs mesures ont mieux fonctionné que les approximations plus anciennes et ont réagi correctement à des événements connus tels que les changements de vitesse des places boursières. Leur objectif était la mesure, et non la détection de la manipulation, mais ils montrent que les données publiques contiennent assez d'information pour estimer l'activité des HFT lorsqu'un modèle est correctement entraîné.