Étude de 4 990 paires DEX révèle que les traders de détail n'ont pas d'avantage commercial

Pendant des années, les traders de crypto-monnaies ont cru que les plateformes d'échange décentralisées étaient l'un des endroits où les investisseurs particuliers pouvaient encore surprendre la foule. Toutefois, contrairement aux plateformes centralisées surpeuplées d'entreprises professionnelles et d'algorithmes sophistiqués, les marchés DEX sont fragmentés, chaotiques et dominés par de plus petits traders.

Mais une nouvelle étude suggère que cette croyance peut être erronée.

Après avoir testé 15 stratégies de trading sur 4 990 paires DEX réparties sur 27 blockchains, le chercheur Daniel Gatto has found peu de preuves que les données historiques de prix suffisent à offrir un avantage commercial constant. La conclusion de l'article est résumée par une phrase simple répétée tout au long de la recherche : « No edge without information. »

Autrement dit, les graphiques de prix seuls peuvent ne pas suffire à générer des bénéfices, même dans le monde supposément inefficace des memecoins et des tokens micro-cap.

L'attrait des marchés DEX a toujours été facile à comprendre. Des milliers de nouveaux tokens sont lancés chaque semaine sur Ethereum, Solana, Base, BNB Chain, Arbitrum, Polygon, Avalanche et des dizaines d'autres réseaux. Ici, la liquidité est fragmentée car la participation au marché est principalement alimentée par des particuliers, et la concurrence institutionnelle reste limitée par rapport aux principales plateformes d'échange centralisées.

L'idée générale est que si la concurrence élimine les opportunités rentables des marchés matures, alors la longue traîne chaotique des tokens DEX devrait être l'un des rares endroits où les traders peuvent encore découvrir des actifs mal évalués et des schémas exploitables.

L'étude de Gatto visait à tester cette hypothèse en utilisant l'un des plus grands jeux de données rassemblés sur le sujet. La recherche a examiné 4 990 paires de trading exclusivement DEX, en combinant environ six mois de données de trading journalières avec six semaines d'observations horaires. Chaque paire de jetons répondait aux exigences minimales de liquidité, tandis que toutes les stratégies prenaient en compte les coûts réels de trading, y compris les frais de gaz, les frais d'échange et le slippage des AMM.

Les résultats ont remis en question de nombreuses hypothèses largement admises dans le domaine de la cryptomonnaie.

Même avant qu'une seule stratégie ne soit testée, les données dressaient un tableau sombre.

Près des trois quarts de tous les tokens ont affiché des rendements négatifs pendant la période d'échantillonnage, tandis que le token médian a perdu environ 18,5 % de sa valeur. Le token typique a terminé environ 38 % en dessous de son prix maximal, et près d'un tiers ont terminé l'étude à plus de 50 % en dessous de leurs sommets.

Dans le même temps, le rendement moyen sur l'ensemble du jeu de données est resté positif, mais uniquement parce qu'un petit nombre de gagnants exceptionnels ont déformé les résultats. Ainsi, la plupart des jetons ont perdu progressivement de leur valeur.

C’est un phénomène familier à quiconque passe du temps sur Crypto Twitter. Le rare gagnant à 50x est célébré et partagé sans cesse, tandis que le bien plus grand nombre de paris perdants disparaissent discrètement des fils et des canaux Discord.

Intéressant, l’étude a également révélé que les jetons DEX se sont comportés différemment de ce que beaucoup de traders de momentum attendaient. Plutôt que de maintenir les tendances, les prix ont fréquemment retracé après une forte évolution dans l’une ou l’autre direction. En termes pratiques, les traders cherchant à acheter la force se retrouvaient souvent à parier contre la structure sous-jacente du marché.

Pour comprendre pourquoi les signaux rentables échouent, l'étude a testé huit approches de trading intrajournalier populaires, notamment les stratégies de rupture, les signaux RSI, les configurations de momentum et les entrées basées sur le volume.

À première vue, certaines de ces stratégies semblaient prometteuses. La plus performante générait un avantage brut d'environ 6,5 points de base par trade avant application des coûts. Toutefois, le problème était l'échelle.

À travers les pools DEX étudiés, les coûts de trading aller-retour ont atteint en moyenne environ 230 à 240 points de base une fois les frais de gaz, le slippage et les frais d’échange inclus. Les signaux les plus forts n’étaient tout simplement pas suffisamment importants pour compenser le coût de leur exécution.

Le résultat a été un déséquilibre de presque 40 contre 1 entre la puissance du signal et les frais de trading.

Après déduction des coûts, la stratégie de scalping moyenne a perdu environ 2,5 % par trade, et moins de 1 % des configurations testées ont généré des rendements positifs sur toute la période d'échantillonnage.

Plus important, l'étude a révélé que les coûts n'étaient pas le véritable coupable.

Gatto a testé différentes hypothèses concernant la liquidité, la qualité d'exécution et les structures de frais. La conclusion est restée inchangée. Même avant l'application complète des frais, la plupart des signaux étaient déjà trop faibles pour générer des bénéfices significatifs.

La recherche s'est étendue bien au-delà de l'analyse traditionnelle des graphiques.

Gatto a évalué plusieurs approches couramment utilisées par les traders professionnels, notamment le couvert neutre sur le marché, le timing des lancements de jetons, la fourniture de liquidité, l'arbitrage entre pools croisés, les filtres de tendance Bitcoin, la diversification du portefeuille et l'analyse du flux de commandes.

Il est étonnant que personne n'ait produit une surperformance statistiquement significative.

La fourniture de liquidité semblait au départ attrayante, générant des rendements modestes avant prise en compte de la perte impermanente. Une fois celle-ci incluse, les rendements ont largement disparu.

De plus, des opportunités d'arbitrage entre pools existaient, mais la plupart étaient trop faibles pour couvrir les coûts de transaction.

Une stratégie neutre par rapport au marché qui a couvert les expositions à l’aide de perpetuals sur plateforme d’échange centralisée a initialement produit des rendements ajustés au risque encourageants. Toutefois, ces résultats n’ont pas survécu à des tests statistiques plus rigoureux. Dans l’ensemble, les approches plus complexes n’ont pas performé significativement mieux que les stratégies simples basées sur des graphiques.

L'une des découvertes les plus surprenantes de l'étude provient de son utilisation de tests contrôlés randomisés.

Les chercheurs ont mélangé la séquence des mouvements de prix tout en conservant les caractéristiques statistiques globales de chaque token. Ils ont ensuite relancé les mêmes stratégies de trading sur l'ensemble de données randomisé.

Inattenduement, le marché mélangé semblait souvent plus rentable que le véritable.

L'explication n'est pas que la randomisation crée des profits. Plutôt, les marchés DEX réels contiennent des regroupements de baisses importantes qui nuisent répétitivement aux traders en position longue uniquement. La randomisation élimine ces regroupements tout en préservant d'autres caractéristiques statistiques, ce qui rend les stratégies plus efficaces.

La conclusion ici est que certains des schémas que les traders pensent exploiter peuvent en réalité être des désavantages structurels intégrés au marché lui-même.

Au final, après que quatorze stratégies ont échoué, Gatto a enfin trouvé une approche qui présentait une puissance prédictive statistiquement significative.

Des chercheurs ont développé un modèle d'apprentissage automatique en utilisant des facteurs tels que les rendements récents, la volatilité, le turnover, les conditions de liquidité et l'âge du jeton. Contrairement aux autres stratégies, le modèle a réussi à surperformer sa base statistique.

Cependant, le succès n'est pas absolu, car le modèle n'était pas particulièrement bon pour identifier les futurs gagnants. Il s'est plutôt distingué en identifiant les futurs perdants.

Lorsque les chercheurs ont classé les jetons selon leurs performances prévues, chaque groupe a quand même généré des rendements médians négatifs. Les jetons les mieux classés n'étaient pas de bons performeurs ; ils ont simplement perdu moins que les jetons les moins bien classés.

Cette découverte peut être l'insight le plus important de l'étude.

Sur les marchés DEX, les modèles prédictifs peuvent être plus utiles pour éviter des pertes catastrophiques que pour découvrir la prochaine opportunité de rupture. L'avantage réside semble-t-il à identifier ce qu'il ne faut pas posséder plutôt que ce qu'il faut acheter.

L'étude met également en évidence une faiblesse majeure observée dans de nombreux backtests crypto : le biais de survie.

Étant donné que l’ensemble de données a été construit à partir de piscines de liquidité actives, les jetons déjà effondrés et disparus étaient sous-représentés. Les chercheurs ont estimé qu’au moins 9,2 % des piscines encore actives étaient déjà fonctionnellement mortes en fonction de l’activité de trading, et le chiffre réel est probablement plus élevé une fois les projets complètement abandonnés pris en compte.

Cela signifie que les rendements historiques peuvent en réalité sembler meilleurs qu'en réalité.

Il est important de noter que le biais de survie n’a pas créé un avantage commercial fictif dans cette étude. Les stratégies actives ont toujours sous-performé, même parmi les jetons ayant survécu. Toutefois, cela suggère que de nombreux backtests partagés publiquement peuvent présenter une image plus optimiste que celle que les traders auraient réellement expérimentée en temps réel.

La leçon pratique n'est pas que le trading rentable est impossible. La leçon est que les graphiques de prix seuls sont peu susceptibles de fournir un avantage durable.

À travers des milliers de tests, les signaux RSI, les moyennes mobiles, les stratégies de rupture, les indicateurs de momentum et plusieurs autres approches plus sophistiquées n'ont pas permis d'obtenir des profits durables. Le seul modèle qui a montré une capacité prédictive s'appuyait sur des informations au-delà de la simple action des prix, incluant l'âge du jeton et les caractéristiques de liquidité.

Pour les traders, cela signifie que toute stratégie doit être testée non seulement sur la base de sa performance historique, mais aussi face au hasard et à une stratégie de base d'achat et de détention. Dans cette étude, de nombreuses stratégies qui semblaient au départ prometteuses ont échoué ce test.

Plus largement, les résultats remettent en question l’un des récits les plus persistants de la crypto : que les traders de détail peuvent systématiquement identifier de l’alpha sur les marchés DEX en lisant simplement les graphiques.

Néanmoins, l'étude laisse une possibilité ouverte. Étant donné que l'ensemble de données exigeait que les jetons survivent suffisamment longtemps pour générer des historiques de trading significatifs, il n'a pas été possible d'évaluer les stratégies de lancement à très court terme qui opèrent dans les premières minutes de l'existence d'un jeton.

Ce bord reste non testé.

Tout le reste, cependant, pointe dans la même direction. Après avoir examiné près de 5 000 jetons DEX et 15 approches de trading distinctes, l'étude arrive à une conclusion que de nombreux traders trouveront inconfortable : le graphique n'est pas l'avantage. Si des opportunités rentables existent encore sur les marchés DEX, elles proviennent plus probablement d'informations que le marché n'a pas encore absorbées que de motifs déjà visibles sur un graphique de prix.

Associé :Comment les firmes de trading prop rapprochent la volatilité des crypto-monnaies, les compétences et le capital des marchés traditionnels