Quelques modèles de trading sur bitcoin (BTC)

Un document publié en novembre 2022 par deux chercheurs de la Moscow School of Economics mérite l’attention des traders de cryptomonnaies. Parmi les 7 stratégies de trading envisagées, une d’entre elles semble montrer des bons résultats. Pour les chercheurs, « ces preuves empiriques font de cette stratégie de trading l’une des plus intéressantes envisagées jusqu’à présent ». En effet, il faut dire que le trading de cryptomonnaies reste souvent une affaire complexe et couteuse à certains. L’optimisation par des modèles sera-t-elle une issue ?

Théorie Quantitative de la Monnaie et bitcoin (BTC)

Parmi les 7 modèles envisagés, le modèle qui semble le mieux décrire le cours du bitcoin est basé sur la Théorie Quantitative Moderne. Des publications avaient déjà montré le lien intéressant entre le cours du bitcoin et son comportement considéré au sens « monétaire » (Les enjeux de l’offre minière de bitcoin – Cointribune).

Richesses produites et valeur fondamentale

Un modèle développé par Chris Burniske en 2017 a retenu l’attention des chercheurs. La recherche d’un modèle théorique capable de décrire le cours du bitcoin est stratégique pour l’avenir des cryptomonnaies. En effet, ces dernières sont parfois perçues comme une bulle, dénuée de valeur quantifiable et rationnelle.

Chez les économistes, l’étude de la monnaie se base souvent sur la théorie quantitative de la monnaie. C’est-à-dire que la quantité de monnaie en circulation multipliée par sa vitesse de circulation équivaut à l’ensemble des richesses produites. De même, cela revient à affirmer que le prix de chaque bien / service multiplié par sa quantité donne l’ensemble des richesses produites.

« Le modèle INET a été développé par [55] pour évaluer le programme fictif de jetons INET. Son point de départ est la théorie quantitative de la monnaie, qui soutient que le niveau des prix des biens et services est proportionnel à la quantité d’argent en circulation, et il se base sur l’équation suivante :

M0 x V = P x Q = Y

où M0 représente la base monétaire, V est la vélocité monétaire, P est le prix de la ressource numérique qui est fournie, Q est la quantité de cette ressource numérique, tandis que Y est le produit intérieur brut (PIB) de l’économie cryptographique basée sur cet actif numérique. »

information-13-00560-v2.pdf

Dans le cas des cryptomonnaies, ce modèle nécessite quelques ajustements. Ainsi, l’auteur Burniske précise que « M est la taille de la base monétaire nécessaire pour soutenir une cryptoéconomie de taille PQ, à la vitesse V ». Par ce biais, on cherche à mesurer la richesse produite par l’écosystème des cryptomonnaies. Par conséquent, cette richesse produite serait comparable à la valeur des transactions réalisées. En outre, cela pourrait expliquer l’existence d’une masse monétaire « à part », qui justifierait des taux plus élevés dans l’écosystème crypto (staking, etc…).

Le modèle « INET »

Le créateur du modèle rappelle que « je n’utilise pas ces modèles comme objectifs de cours de la même manière que les analystes d’actions créent des objectifs de cours pour les actions qu’ils couvrent ». Dès lors, l’objectif initial de ce modèle demeure de quantifier une valeur du marché. Mais pour adapter le modèle, les chercheurs calculent la richesse Y comme le produit entre le nombre de cryptomonnaies échangées pour la consommation (ou la spéculation ici) et leur prix.

De même, la vélocité est envisagée comme le rapport entre le volume de transactions (PQ) et la quantité de tokens en circulation (M). Nous avons donc la masse monétaire du token multipliée par sa vélocité égale au prix du token multiplié par les tokens transférés pour consommation. Dès lors, nous en déduisons la valeur du ratio qui nous intéresse.

En effet, en ramenant cela à des valeurs de proportion (en divisant par l’offre totale), nous avons le ratio du modèle INET exprimé comme le rapport entre le nombre de tokens transférés pour la consommation (ou la spéculation le cas échéant) et le volume de transactions. Ce qui équivaut pour les chercheurs, en termes économiques, à la masse monétaire divisée par la richesse échangée (voir plus).

Interpréter le ratio

Une fois le ratio défini, il convient de l’adapter et de l’interpréter. Un ratio élevé traduira le fait que les transactions spéculatives sont élevées, mais que le volume des transactions globales reste faible. L’intérêt n’est peut être pas soutenu… Par analogie, c’est comme si la masse monétaire augmentait sensiblement mais que la richesse échangée diminuait. Ce qui implique une baisse de la vitesse de circulation de la monnaie. La faiblesse des échanges est plus grande, et l’instabilité de la richesse produite augmente.

« Si cet indicateur est élevé, la proportion de transactions spéculatives a augmenté, tandis que si elle est faible, la proportion de transactions spéculatives a diminué. Le nom du ratio, InetSpe, a été choisi pour montrer que ce ratio est une variante du modèle INET utilisé ici à des fins de trading à court terme à des fins spéculatives. Ce ratio est souvent utilisé à des fins de trading. Nous remarquons que dans le modèle original de Chris Burniske pour les données annuelles, il y a une partie supplémentaire utilisée pour calculer la valeur actuelle d’une monnaie. »

information-13-00560-v2.pdf

En ce qui concerne la stratégie, les chercheurs ont « utilisé le quantile à 5 % comme signal pour entrer dans une position longue et le quantile 95% comme signal pour vendre et fermer notre position ».

Résultats

Les résultats obtenus sont variés, mais positifs pour ce modèle. Le rapport entre le risque et le rendement est ainsi le plus intéressant pour le modèle INET. La perte maximale y est aussi la plus faible. En outre, le gain maximal est assez conséquent.

Bien sûr, réaliser des tests passés n’annonce pas l’avenir. Néanmoins, ce modèle semble parfois même plus efficace en élargissant les quantiles dans la stratégie. Entre 2011 et 2017, ce modèle surperforme nettement la plupart des autres.

« Une variante du modèle INET de Chris Burniske modifié pour le trading à court terme avait le prélèvement maximum le plus bas et le ratio de Sharpe annualisé le plus élevé pour l’ensemble de l’échantillon. Cependant, ses performances se sont considérablement détériorées après 2017. »

information-13-00560-v2.pdf

Malgré tout, ce modèle présente un inconvénient de par le nombre important de transactions qu’il génère. En effet, « sa principale limite est probablement le grand nombre de transactions impliquées, ce qui peut entraîner un grand nombre de frais de transaction à payer et des profits de trading beaucoup plus faibles ».

La loi de Metcalfe

Dans notre précédente publication, nous avons eu l’occasion de discuter du rôle du volume de transactions, de l’activité du réseau, du taux de hachage, etc… Il apparaît ainsi que « la valeur d’un réseau est proportionnelle au carré du nombre de ses nœuds ou utilisateurs finaux ». Le modèle des chercheurs propose donc aussi une approche de long terme, qui donnerait une orientation aux investisseurs.

« Notre analyse empirique offre deux conclusions. Tout d’abord, elle a confirmé une fois de plus l’importance de la loi de Metcalfe pour évaluer les actifs cryptographiques, selon laquelle la valeur d’un réseau est proportionnelle au carré du nombre d’utilisateurs. La loi de Metcalfe est généralement utilisée pour l’évaluation à long terme et pour identifier les éventuelles bulles de prix lorsque le prix du marché s’écarte trop du niveau fondamental sous-jacent. Cependant, nos résultats de back-testing ont montré qu’une telle approche peut également être utile pour le trading à court terme dans différentes conditions de marché. »

information-13-00560-v2.pdf

A partir des données fournies par Glassnode, le nombre d’adresses actives lissées par une moyenne mobile représente assez bien la trajectoire du cours du bitcoin. Cependant, il en est de même des indicateurs d’activité (nombre de transactions, taux de hachage, etc…).

Le modèle INET apparaît être comme une réciproque de la loi de Metcalfe. Lorsque le nombre de nouveaux utilisateurs flanche, la demande baisse, le cours du bitcoin se réduit et la vitesse de circulation augmente progressivement, car les acteurs actifs seraient proportionnellement plus nombreux.

En conclusion

En définitive, nous avons vu que le cours du bitcoin pouvait montrer un certain intérêt académique. La nouveauté du débat et de l’écosystème attirent l’attention des chercheurs. Il apparaît une fois de plus que le cours du bitcoin est fortement lié à de nombreux indicateurs d’activité. Par conséquent, la démocratisation du Bitcoin est la principale justification à sa progression à long terme. Néanmoins, le bitcoin peut aussi répondre à une logique monétaire.

C’est en tous cas le pari de certains. En considérant la part de transactions spéculatives face au volume total, une certaine pertinence semble se détacher. Nous avons déjà eu l’occasion de rappeler qu’une hausse de la vélocité expliquait souvent les phases de baisse du cours du bitcoin. A long terme, nous constatons la chute de la vélocité du cours du bitcoin (la hausse du cours). Une hausse trop forte du cours du bitcoin réduira la vitesse de circulation du bitcoin, et finalement, une baisse d’intérêt (de démocratisation) entrainera une chute du cours, et ainsi de suite… Ce modèle semble présenter des résultats pertinents, sur la base d’un modèle oscillateur, mais le comportement moins volatil du cours du bitcoin incite à la prudence.