opinions et débats n°2

Institut Louis BachelierPalais Brongniart 28, place de la Bourse 75002 Paris Tél. : +33 (0)1 73 01 93 40Fax : +33 (0)1 73 01 93 [email protected]

CO

NC

EP

TIO

N G

RA

PH

IQU

E :

VE

GA

CO

NS

EIL

01

48 8

5 92

01

LABEX LOUIS BACHELIER1

D É B AT SN° 2Novembre 2013

&

Trading haute fréquence, liquidité etstabilité du marchéHigh frequency trading, liquidity and stability

Bruno Biais & Thierry FoucaultFrédéric Abergel & Charles-Albert Lehalle & Mathieu Rosenbaum

COUV OPINIONS & DEBATS N 2_Mise en page 1 24/10/13 09:27 Page1

Par Jean-Michel BeaccoDirecteur général de l'Institut Louis Bachelier

OPINIONS ET DEBATS N2_Mise en page 1 24/10/13 11:27 Page2

3

La quantité d’informations disponibles sur lesTraders Haute Fréquence (THF) sembleinversement proportionnelle à leur présence surles places de marché. Ces traders, pour qui la

vitesse est un élément clé, représentent de 40 à 70 %des transactions. Cependant, il est difficile d’accéder àleurs données, principalement leurs carnets d’ordres,et l’hétérogénéité de leurs profils rend complexe touteétude sur cette catégorie d’investisseurs.

Les sphères politique et publique se sont emparées dela question du risque que font peser les THF sur lemarché, notamment sur de possibles défaillances, liéesà leur dépendance technologique. Le travail deschercheurs académiques, mis en lumière dans les deuxarticles suivants, démontre que le véritable enjeu résidedans leur impact sur la qualité du marché, et donc surle bien-être final des investisseurs long-terme et desentreprises.

L’étude des effets des ordres passés par les TradersHaute Fréquence sur la liquidité, la volatilité et les prixdémontre une série de risques, mais aussi, soulignons-le, de répercussions positives sur le marché. Il apparaîtque certaines craintes communément relayées relèventde l’idée reçue, tandis que des problèmes encore peutraités émergent.

Une réflexion, que l’Institut Louis Bachelier entendaccompagner, s’ouvre donc à partir de ces recherches.Cette réflexion porte sur les dangers identifiés et lessolutions à apporter. Congestion, sélection adverse,éviction des apporteurs de liquidité fondamentaux,risque systémique en cas de faillites en cascade desTHF sont autant d’écueils qui réclament des mesuresconcrètes. Cependant, la multiplicité des profils desTraders Haute Fréquence, se divisant notamment entreles teneurs de marché et les traders alpha, impose unegradation et une flexibilité des réponses. Ainsi, taxationou hausse des frais ne devraient pas s’appliquer demanière uniforme à tous les THF, mais s’ajuster enfonction des conclusions des chercheurs, qui mesurentl’impact de ces acteurs sur le marché. A cela doits’ajouter une règlementation prudentielle générale. Lesarticles suivants apportent des recommandations quantau contenu d’une telle règlementation : seuils de fondspropres imposés, stress tests, latence obligatoire surtous les ordres… Des actions qui ne sauraient êtreélaborées sans la poursuite d’études académiques etle recours à des procédures statistiques modernes.

The amount of information available on high frequencytraders (HTFs) seems to be inversely proportional totheir presence in the marketplace. These traders, forwhom speed is essential, account for 40% to 70% oftransactions. However, it is difficult to access their data,particularly their order books, and the heterogeneity oftheir profiles complicates any study of this category ofinvestors.

The political and public spheres have seized on theissue of risk to the market posed by THFs, particularlypossible failures linked to their technologicaldependence. The work of academic researchers,highlighted in the following two articles, shows that thereal challenge lies in their impact on the quality of themarket, and thus the final welfare of long-term investorsand of businesses.

Exploration of the impact of orders implemented byhigh frequency traders on liquidity, volatility and pricesreveals a series of risks, as well as, it should beemphasized, positive repercussions in the market. Itseems that some commonly expressed worries arebased on received ideas, whereas problems that havebeen little addressed are emerging.

New ideas around this topic, that the Louis BachelierInstitute intends supporting, thus stem from thisresearch. Such thinking focuses on the hazards identi-fied and on the solutions required. Among the dangersthat call for concrete action are congestion, adverseselection, crowding out of basic liquidity providers, andsystemic risk in the event of cascading HFT bankrupt-cies. However, the varying profiles of high frequencytraders, especially between market makers and alphatraders, calls for a gradation and flexible responses.Thus taxation or higher charges should not be appliedequally to all HTFs, but should be adjusted in accor-dance with the findings of the researchers, whichmeasure the impact of these actors on the market. Tothis must be added general prudential regulation. Thearticles that follow provide recommendations as to thecontent of such regulation: the capital thresholdsimposed, stress tests, required latency on all orders,etc. – actions which cannot be implemented withoutacademic studies being undertaken and the use ofmodern statistical procedures.

Editorial


9 1 Introduction

10 2 Trading Haute Fréquence: définition, données, et rentabilité

10 2.1 Les stratégies de Trading Haute Fréquencesont hétérogènes

13 2.2.Les données sur les Traders Haute Fréquence restent limitées

15 2.3 L’importance du Trading Haute Fréquence15 2.4 La rentabilité des Traders Haute Fréquence

16 3 Les effets du Trading Haute Fréquence sur la qualité de marché

16 3.1 La théorie17 3.2 Problèmes d’endogénéité18 3.3 Trading Haute Fréquence et contenu

informationnel18 3.4 Trading Haute Fréquence et liquidité19 3.5 Trading Haute Fréquence et volatilité20 3.6 Effet d’éviction et résistance

aux chocs de demande20 3.7 Corrélation entre les stratégies de Trading

Haute Fréquence21 3.8 Effets domino

21 4 Politique réglementaire

21 4.1 Défaillances de marché21 4.2 Réponses réglementaires

24 Annexe Table 125 Notes 80 Bibliographie


Sommaire / Content

47 1 Introduction

48 2 High-frequency trading: Definition, data, and profitability

48 2.1 High-frequency trading strategiesare heterogeneous.

51 2.2 Data on high-frequency traders are yet limited 52 2.3 Importance of high-frequency trading52 2.4 Profitability of high-frequency traders

53 3 Effects of high-frequency trading on market quality

53 3.1 Theory54 3.2 Endogeneity issues 55 3.3 High-frequency trading and the informativeness

of prices55 3.4 High-frequency trading and liquidity56 3.5 High-frequency trading and volatility57 3.6 Crowding out and resilience to demand shocks57 3.7 Correlation among high-frequency trading

strategies57 3.8 Domino effects

58 4 Policy

58 4.1 Market failures58 4.2 Policy responses

60 Appendix Table161 Notes80 Bibliography

46 High-Frequency Trading and Market Quality8 Le Trading Haute Fréquence et la qualité de marché


5

26 Introduction

27 1 Changements récents dans la microstructure de marché et leurs liens avec le Trading Haute Fréquence

27 1.1 Objectifs macroscopiques des évolutionsréglementaires

Premier effet attendu : une diminution des coûts de tradingDeuxième effet attendu : une amélioration dela qualité de serviceTroisième effet attendu : l’émergence de standards de trading pan-européens

29 1.2 Un bouleversement des rôles30 1.3 L’interprétation de la directive MIF dans les

pays membres

31 2 Processus de formation des prix et Trading Haute Fréquence

31 2.1 L’impact du Trading Haute Fréquence sur les mécanismes d’enchères

33 2.2 Les aspects négatifs du Trading Haute FréquenceDommages collatérauxUn marché avec deux niveaux d’information ?

34 2.3 Trading électronique : une technologie nécessaire qui doit être régulée

Les aspects positifs du trading automatiséOffrir plus de choix est à double tranchant

34 2.4 Les dark pools et Brokers Crossing Networks : une réponse au Trading Haute Fréquence ou unemenace sur le processus de formation des prix ?

Que sont les dark pools ? Peuvent-ils nuire au processus de formation des prix ?Impact du dark trading sur le processus de formation des prixLes dark pools comme vecteurs de compétitionVers des “Crossing Networks de Fonds”?

36 3 Stratégies de Trading Haute Fréquence

36 3.1 Rentabilité des stratégies de Trading Haute Fréquence

Stratégies agressivesStratégies apporteuses de liquidité

38 3.2 Compétition et équité des règles du jeu

38 4 Vers une évaluation et une réglementation modernes de l’activité de Trading Haute Fréquence

38 4.1 Les effets du Trading Haute Fréquence aujourd’hui:une vision globale grâce à des mesures simples

39 4.2 Les conséquences futures du Trading Haute Fréquence

Saturation du Trading Haute FréquenceDe la compétition pour la vitesse à la concurrence sur les prix

39 4.3 Un outil efficace : le pas de cotation41 4.4 La recherche avancée doit faire partie du

processus

42 5 Glossaire44 6 Liste des recommandations 45 Notes82 Bibliographie

62 Introduction

63 1. Recent changes in market microstructure and their links with high frequency trading

63 1.1 Macroscopic goals of regulation changesFirst expected effect: lower trading costsSecond expected effect: improvement of the quality of serviceThird expected effect: emergence of pan-European trading standards

65 1.2 A change in roles66 1.3 MiFID appreciation in European member states

67 2. Price formation process and high frequency trading

67 2.1 The impact of high frequency trading on auction mechanisms

68 2.2 Negative aspects of high frequency tradingNegative externalitiesA market with two levels of information?

69 2.3 Electronic trading: a necessary technology requiring regulation

Positive aspects of automated tradingOffering more choices is a two-sided coin

70 2.4 Dark pools and brokers ? crossing networks: an answer to high frequency trading or a threat onthe price formation process?

What are dark pools? Can they harm the price formation process?Impact of dark trading on the price formationprocessDark pools as a source of competitionTowards funds crossing networks?

71 3. High frequency trading strategies

72 3.1 Profitability of strategiesAggressive strategiesLiquidity providing strategies

73 3.2 Competition and level playing field

73 4. Towards a modern assessment and regulation of the high frequency trading activity

73 4.1 The effects of high frequency trading today: global view through basic metrics

74 4.2 Future consequences of high frequency tradingSaturation of high frequency tradingFrom speed concurrence to price concurrence

75 4.3 A very powerful tool: the tick value76 4.4 Letting advanced research be part of the process

77 5 Glossary 79 6. List of recommandations79 Notes82 Bibliography

26 Comprendre les enjeux du Trading Haute Fréquence

62 Understanding the Stakes of High Frequency Trading



Thierry Foucaultest Professeur de Finance à HEC Paris et research fellow du Center for Economic Policy (CEPR). Ses travaux derecherche portent sur les déterminants de la liquidité dans les marchés financiers, l’organisation industrielle de cesmarchés et leurs effets sur l’économie. Ils sont publiés dans les revues scientifiques de premier rang telles queJournal of Finance, Review of Financial Studies, et Journal of Financial Economics. Ses travaux de recherche ontété primés par l’Institut Europlace de Finance, la Fondation HEC et l’Analysis Group lors des rencontres de laWestern Finance Association en 2009. Il participe aux comités scientifiques de l’Autorité des Marchés Financiers(AMF), de la Fondation banque de France, de la European Securities and Markets Authority (ESMA) et a été

membre du comité exécutif de l’Association Européenne de Finance (EFA). Il est co-éditeur de la Review of Finance depuis 2009 et éditeurassocié du Journal of Finance et de la Review of Asset Pricing Studies. Il est par ailleurs co-auteur de “Market Liquidity: Theory, Evidence, andPolicy”, un ouvrage sur les déterminants de la liquidité des marchés financiers publiés en 2013 par Oxford University Press.

Thierry Foucault is the HEC Foundation chair professor of finance at HEC, Paris and a research fellow of the Centre for Economic Policy (CEPR).His research focuses on the determinants of financial markets liquidity and is published in top-tier academic journals such as Journal of Finance,Review of Financial Studies, or Journal of Financial Economics. He has received several research awards including prizes from the EuroplaceInstitute of Finance, the HEC Foundation, and the Analysis Group award for the best paper on Financial Markets and Institutions presented at the2009 Western Finance Association meetings. He currently serves on the scientific committees of the Autorité des Marchés Financiers (AMF), theResearch Foundation of the Banque de France, the Group of Economic Advisors of the Committee of Economic and Markets Analysis of theEuropean Securities and Markets Authority (ESMA) and has been a member the executive committee of the European Finance Association (EFA).He acts as co-editor of the Review of Finance since 2009 and he is an Associate Editor of the Journal of Finance and the Review of Asset PricingStudies. He is co-author of “Market Liquidity: Theory, Evidence, and Policy”, a textbook on the determinants of market liquidity published byOxford University Press in 2013.

Ils ont participéà Opinions et Débats N°2

Bruno Biaisdétient un doctorat en finance de l’école des Hautes EtudesCommerciales (HEC). Il a enseigné à HEC, Oxford, Carnegie MellonUniversity, la London Business School et la London School ofEconomics. Il est actuellement Directeur de Recherche à la ToulouseSchool of Economics (CNRSCRM, l’IDEI). Il a publié de nombreuxarticles dans le domaine de la finance d’entreprise et des marchésfinanciers, ainsi que sur l’économie politique et la théorie des

contrats, dans des revues telles que Journal of Finance, Review of FinancialStudies, Review of Economic Studies, American Economic Review etEconometrica. Il a été rédacteur de Review of Economic Studies de 2007 à 2010et est aujourd'hui co-rédacteur du Journal of Finance. Il est Fellow de la Sociétéd’Econométrie. Bruno Biais a été conseiller scientifique de la Bourse de Paris, dela London Investment Banking Association, de la Fédération des BanquesFrançaises, et il a passé un an au New York Stock Exchange en tant qu’économiste.

Bruno Biais holds a PHD in finance from HEC. He has taught at HEC, Oxford,Carnegie Mellon University, and London Business School. He is now researchprofessor of economics and finance at the Toulouse School of Economics (CNRS-CRM, IDEI). He has extensively published on corporate finance and financialmarkets, as well as on political economy and contract theory, in the Journal ofFinance, the Review of Financial Studies, the Review of Economic Studies, theAmerican Economic Review, and Econometrica. He has been Editor of the Reviewof Economic Studies from 2007 to 2010 and now co-editor of the Journal ofFinance. He is a Fellow of the Econometric Society and an Economic TheoryFellow. Bruno Biais has been scientific advisor of the Paris Bourse, the LondonInvestment Banking Association, the Federation des Banques Francaises, and hehas spent one year at the New York Stock Exchange as visiting economist.


Frédéric Abergel est professeur contractuel à l’Ecole Centrale Paris, directeur du laboratoire de Mathématiques Appliquées auxSystèmes, titulaire de la chaire de finance quantitative BNP Paribas. Il a débuté sa carrière en tant que chargé derecherche au CNRS, et a travaillé pendant dix ans dans le département de mathématiques de l’Université d’OrsayParis XI, pour lequel il a apporté d’importantes contributions dans les domaines de la dynamique des fluides, ducontrôle optimal et des systèmes dynamiques. Il s’est ensuite orienté vers le secteur financier pour occuperplusieurs postes d’analyste quantitatif auprès de grandes institutions financières. Il travaillait sur des plateformesde trading, principalement dans le secteur des dérivés. Depuis son retour au monde académique en 2007, F.Abergel a mis sur pied un groupe de recherche axé sur l’étude des propriétés empiriques et des modèlesmathématiques de la microstructure des marchés, les données haute fréquence, le trading algorithmique, le pricinget la couverture des instruments dérivés. Il est l’initiateur ou le coorganisateur de plusieurs conférencesinternationales sur la microstructure des marchés et la finance quantitative, l’éditeur de plusieurs actes de

conférences (Econophysics of orderdriven markets, Springer ; Market microstructure : confronting many viewpoints, Wiley,...) et membre duBureau Executif Scientifique de l’Institut Louis Bachelier et de la fondation CFM pour la recherche.

Frédéric Abergel is a professor at Ecole Centrale Paris, head of the laboratory of Mathematics Applied to Systems, holder of the BNP Paribas Chairof Quantitative Finance. He started his career as a researcher with the CNRS, spending 10 years in the department of Mathematics at the Universityof Orsay Paris XI, where he made significant contributions in the fields of Fluid dynamics, Optimal Control and Dynamical Systems. He thenswitched to the Capital Markets industry and became a “quant” in several major financial institutions, working on trading floors, mainly in thederivatives sector. Since he returned to Academia in 2007, he has set up a research group focused on the study of empirical properties andmathematical models of market microstructure, high frequency data, algorithmic trading, derivative pricing and hedging. He is the organizer orco-organizer of several international conferences on market microstructure and quantitative finance, the editor of several volumes of proceedings(Econophysics of order-driven markets, Springer; Market microstructure: confronting many viewpoints, Wiley…) and belongs to the scientificcouncil of the Institut Louis Bachelier and the CFM foundation for research.

7

MathieuRosenbaum a obtenu sa thèse àl'Université Paris-Esten 2007. Après avoirété Professeur chargéde cours résident àl'Ecole Polytechnique,il est devenu Professeurà l'Université Pierre etMarie Curie (Paris 6)en 2011. Il est en particulier l'un des responsables(avec N. El Karoui, E. Gobet et G. Pagès) du Master2 de Probabilités et Finance commun à ces deuxinstitutions. Ses travaux de recherche portentprincipalement sur des questions de financestatistique comme la modélisation de la micro-structure des marchés ou la construction deméthodes statistiques pour l'analyse des donnéeshaute fréquence. Il s'intéresse aussi à desproblématiques de régulation, notamment dans lecontexte du trading algorithmique. Par ailleurs, il estl'un des organisateurs (avec F. Abergel, J.P.Bouchaud, C.A. Lehalle et T. Foucault) de laconférence "Market Microstructure Confronting ManyViewpoints" qui a lieu tous les deux ans à Paris. Il estaussi éditeur associé pour les revues "ElectronicJournal of Statistics" et "Statistical Inference forStochastic Processes".

Mathieu Rosenbaum obtained is Ph.D from UniversityParis-Est in 2007. After being Assistant Professor atEcole Polytechnique, he became Professor atUniversity Pierre et Marie Curie (Paris 6) in 2011. Inparticular, he is now in charge with N. El Karoui, E.Gobet and G. Pagès of the Master 2 program inProbability and Finance jointly run by these twoinstitutions. His research mainly focuses on statisticalfinance problems, such as market microstructuremodeling or designing statistical procedures for highfrequency data. He is also interested in regulatoryissues, especially in the context of high frequencytrading. He has research collaborations with severalfinancial institutions and is one of the organizers (withF. Abergel, J.P. Bouchaud, C.A. Lehalle and T.Foucault) of the conferences "Market MicrostructureConfronting Many Viewpoints", which take placeevery two years in Paris.He is also associate editorfor the Electronic Journal of Statistics and StatisticalInference for Stochastic Processes.

Charles-Albert Le Halle Actuellement "Senior Research Manager" à CapitalFund Management (CFM), Charles-Albert Lehalle estun expert de la microstructure de marché et dutrading optimal. Ayant été responsable monde de larecherche quantitative à Crédit Agricole Cheuvreux etresponsable de la recherche sur la microstructure audépartement "Equity, Brokerage and Derivatives" de

la banque d'investissement de Crédit Agricole, il a étudié avec attention l'évolution dela microstructure des marchés depuis les évolutions réglementaires européennes etaméricaines de 2007 et 2004. Il a à cette occasion fourni des analyses auxinvestisseurs et aux intermédaires, et est souvent interrogé par les régulateurs et lespolitiques (comme la Commission Européenne, ou le Sénat français). Charles-Alberta publié des articles universitaires sur l'optimisation du trading, montrant comment lecontrôle stochastique et l'apprentissage statistique peuvent être utilisés pouroptimiser les prises de décisions sur les marchés financiers sous des contraintesflexibles. Il a aussi travaillé sur l'analyse post-trade, l'estimation du market impact etla modélisation de la dynamique des carnets d'ordres, et a co-édité le livre "Marketmicrostructure: confronting many viewpoints" poursuivant la série de conférences dumême nom. Il est l'auteur du livre "Market Microstructure in Practice", qui expose lesprincipales caractéristiques de la microstructure des marchés modernes.

Currently Senior Research Manager at Capital Fund Management (CFM), Charles-Albert Lehalle is a leading expert in market microstructure and optimal trading.Formerly Global Head of Quantitative Research at Crédit Agricole Cheuvreux, andHead of Quantitative Research on Market Microstructure in the Equity Brokerage andDerivative Department of Crédit Agricole Corporate Investment Bank, he studiedintensively the market microstructure evolution since regulatory changes in Europeand in the US. He provided research and expertise on this topic to investors andintermediaries, and is often heard by regulators and policy-makers like the EuropeanCommission, the French Senate, the UK Foresight Committee,etc. Charles-AlbertLehalle is an international expert in optimal trading. He published papers in academicjournals about the use of stochastic control and stochastic algorithms to optimize atrading flow with respect to flexible constraints. He also authored papers on posttrade analysis, market impact estimates and modelling the dynamics of limit orderbooks, he co-edited the book "Market microstructure: confronting many viewpoints"following an eponymous serie of interdisciplinary international conferences he co-organizes. He authored the book "Market Microstructure in Practice" (World ScientificPublisher, 2013), explaining the main features of the modern market microstructure.


LABEX LOUIS BACHELIER

Le Trading Haute Fréquence et la qualité de marché

Résumé

Nous discutons ici du Trading Haute Fréquence (THF) sur le plan économique, présentons des résultats empiriques et émettonsdes recommandations réglementaires. Le THF implique des connexions à grande vitesse aux marchés, du trading automatisé,et des positions de très court terme. Au-delà de ces caractéristiques communes, les stratégies de THF sont hétérogènes. Ellespeuvent être de la tenue de marché, du trading directionnel, de l’arbitrage et potentiellement de la manipulation. Les étudesempiriques publiées montrent que la tenue de marché Haute Fréquence n’est rentable que grâce aux grilles tarifaires favorablesdes marchés. Les ordres au marché des THFs prédisent les futurs mouvements de marché à court-terme et, ce faisant, génèrentdes profits, aux dépens des autres participants. Cependant, il n’y a pas de preuve empirique des effets négatifs du THF sur laliquidité. Le THF pourrait créer des dommages collatéraux, en entraînant une sélection adverse pour les traders plus lents, ouen accroissant le risque de vagues de défaillance des sociétés de trading. Pour faire face à ces problèmes, des mécanismes demarché destinés aux traders lents devraient être instaurés, un seuil de fonds propre minimal devrait être exigé, et des stress testsdevraient être implémentés.

Clause de non-responsabilitéLes avis exprimés dans ce papier sont ceux des auteurs et ne reflètent pas nécessairement ceux de l’Institut Louis Bachelier ou ceux du LABEXFinance et Développement Durable.

AvertissementIl s’agit de la traduction d’un document écrit en anglais. En cas de doutes sur certains termes, merci de se reporter à la version originale.

8

Bruno BiaisEcole d’économie de Toulouse(CRM-CNRS, Chaire FBF-IDEI

La chaîne de valeur de la banque d’investissement et des marchés financiers)

Thierry FoucaultHEC, Paris

Avril 20131


1. Introduction

La montée des Traders HauteFréquence, à savoir les investisseursutilisant des ordinateurs pour traiter desactifs sur des intervalles de temps trèscourts, est un changement majeur deces dix dernières années sur lesmarchés financiers. Certains analystesqualifient cette évolution de bénéfiquedans la mesure où l’automatisationréduit les coûts d’apport de liquidité.D’autres insistent sur le fait que lesTraders Haute Fréquence tirent surtoutprofit de leur accès rapide aux marchés,au détriment des autres traders.D’aucuns font part de leur inquiétudequant à l’instabilité des marchés quipourrait être provoquée par le THF.

Comprendre les effets des TradersHaute Fréquence sur la qualité demarché est important, car le bien-êtrefinal des investisseurs de long-terme etle coût du capital pour les entreprisesen découleront. Cet article a pourobjectif de donner un aperçu desrésultats académiques sur le THF, etd’étudier les options réglementairesenvisageables selon ces résultats.

Avant d’exposer nos conclusions, il fautprendre en compte les remarquespréliminaires suivantes :

• Les stratégies des Traders Haute Fré-quence sont hétérogènes, et parconséquent, l’on s’attend à ce que leseffets des Traders Haute Fréquence surla qualité de marché dépendent de leurtype de stratégie.

• Afin d’analyser les stratégies de tra-ding, il est utile de différencier les ordresqui consomment de la liquidité et génè-rent immédiatement une transaction(ordres au marché ou ordres à courslimité au marché), des ordres qui four-nissent de la liquidité et ne sont pasexécutés tout de suite (ordres à courslimité). Par souci de concision, nousappellerons désormais les premiers“ordres au marché” et les seconds“ordres à cours limité”. Afin d’inciter àl’apport de liquidité, les plateformesoffrent souvent des réductions ou dessubventions aux ordres à cours limité.

• Il existe très peu d’études empiriquesévoquant les effets du Trading HauteFréquence sur la qualité de marché, enraison de l’accès difficile aux donnéessur les ordres de ces traders.

Après ces mises en garde, nos princi-pales conclusions sont présentéesci-dessous.

Cet article est organisé de la façonsuivante. Dans la Partie 2, nousdéfinissons d’abord le Trading HauteFréquence et décrivons les donnéesutilisées par les chercheurs dans leursanalyses des effets de ces traders.C’est un point important puisque leschercheurs manquent toujours dedonnées compte à compte sur lesTHFs. De ce fait, les résultats actuelssont principalement basés sur desapproximations de l’activité des TradersHaute Fréquence ou sur des donnéesagrégées sur un échantillon de sociétésde Trading Haute Fréquence.L’interprétation de ces résultats doittenir compte de ces limites. Nousdiscuterons également des conclusionsquant à la rentabilité des Traders HauteFréquence. Dans la Partie 3, notre étude portera surl’influence du Trading Haute Fréquence,sur (i) la détermination du prix d’un actif,à savoir la vitesse à laquelle unenouvelle information est répercutée surson prix ; (ii) sa liquidité, souventmesurée grâce à des approximationsdu coût porté par les investisseurs quisouhaitent acheter ou vendre un actif(par exemple, la fourchette entre lecours acheteur et le cours vendeuraffichée ou réalisée) ; et (iii) la volatilité àcourt-terme (ou variabilité) du titre, quipeut être évaluée par l’estimation del’écart-type des rendements sur desdonnées Haute Fréquence. Noussoulignons le fait que les empiristes fontface à un défi majeur : concevoir destests ou trouver des outils permettantde différencier de simples corrélationsdes vraies relations de cause à effet duTrading Haute Fréquence sur la qualitéde marché. Nous analysons égalementl’effet du Trading Haute Fréquence surla stabilité de marché et les risquessystémiques. Enfin, dans la Partie 4, nous passons enrevue certaines options réglementairesconcernant le Trading Haute Fréquenceet formulons des recommandations.

9

Un accès rapide aux marchés peut êtreutilisé pour (i) réduire les coûts d’inter-médiation, et (ii) obtenir de l’informationavant les autres participants. Une ré-duction des coûts d’intermédiationpeut profiter à tous les participants si laconcurrence entre les intermédiairesest suffisamment forte pour que labaisse des coûts atteigne les investis-seurs finaux. En revanche, le tradinggrâce à une information privilégiée estsource de sélection adverse, ce qui en-trave l’efficacité du partage des risquessur les marchés financiers. Les études empiriques ont montré queles ordres au marché envoyés par lesTraders Haute Fréquence contiennentde l’information, dans le sens où ils an-ticipent des changements de prix à trèscourt-terme. Cela accrédite la thèsequ’un accès rapide aux marchés four-nit un avantage informationnel. En ré-sultent des profits par transaction,petits mais positifs, pour les TradersHaute Fréquence utilisant des ordresau marché. A l’inverse, les profits desTHF sur les ordres à cours limité peu-vent être négatifs, sans prendre encompte les remises offertes par les pla-teformes. Jusqu’ici, il n’y a pas eu de preuve d’ef-fets néfastes importants du trading au-tomatisé sur la qualité de marché.Toutefois, la capacité à traiter avec uneinformation privilégiée sur les donnéesde marché peut causer des dommagescollatéraux, comme par exemple unediminution de l’activité des traders pluslents, un surinvestissement dans lestechnologies de trading, et une aug-mentation du risque systémique. Afind’obvier à ces difficultés, nous recom-mandons le développement de méca-nismes de trading destinés aux tradersplus lents. Cela impliquerait une inter-vention des organes de réglementa-tion, afin de surmonter les conflitsd’intérêt des plateformes. Nous re-commandons également que desseuils de fonds propres minimumsoient exigés aux sociétés de TradingHaute Fréquence. Enfin, nous insistonssur la nécessité de stress tests afind’évaluer la résistance des marchésaux problèmes d’ordre technologiqueou aux défaillances de sociétés de Tra-ding Haute Fréquence ; ainsi que surl’importance de conduire des expé-riences pilotes afin d’évaluer et d’ajus-ter les règles conçues pour ralentir leprocessus de trading.

Focus 1 : Principales conclusionsde l’étude


2. Trading HauteFréquence :définition, données,et rentabilité

Dans cette partie, nous établissons unedéfinition plus précise du Trading HauteFréquence (THF), et explicitons ce quefont les Traders Haute Fréquence (THFs,Partie 2.1). Nous discutons ensuite de lafaçon dont les chercheurs ont identifiéempiriquement les THFs et mesuré leurpart dans l’activité de marché (Parties2.2 et 2.3). Nous évoquons enfin lesconclusions établies quant à la rentabilitédes Traders Haute Fréquence (Partie 2.4).

2.1 Les stratégies de TradingHaute Fréquence sonthétérogènes.

Le Trading Haute Fréquence se rap-porte aux stratégies de trading ayantdeux caractéristiques : (i) elles s’ap-puient sur un accès très rapide auxplateformes de trading et à l’informationde marché ; (ii) elles sont très automatisées.

La vitesse est cruciale pour les TradersHaute Fréquence, qui exploitent desopportunités de profit de très courtedurée où "le vainqueur remporte tout".En effet, le gain issu de ces opportuni-tés est bien plus élevé pour le premierinvestisseur à en profiter (voir les exem-ples ci-dessous). Pour être rapides, les THFs tentent deréduire ce que l’on appelle les “latences”:il s’agit essentiellement du temps dontils ont besoin pour recevoir les "mes-sages" de la part des plateformes detrading (un changement de prix ou lestatut de leurs ordres, par exemple),pour traiter cette information et réagiren conséquence en envoyant de nou-veaux ordres (ordres au marché, ordresà cours limité, ou annulations). 2Has-brouck et Saar (2012) ont montré quecertains traders réagissent extrême-ment rapidement (parfois en moins de 2ou 3 millisecondes) aux évènements demarché, tels que l’apparition d’un meil-leur prix.

Seul l’usage d’un ordinateur permet desréactions aussi vives, grâce au traite-ment d’une grande quantité d’informationet à une réaction appropriée bien plusrapides que pour un être humain3. Lavitesse passe également par l’optimisa-tion du processus d’accès à l’information.Par exemple, les THFs achètent desservices de "co-location" qui leur per-mettent de positionner leurs serveurstrès près de ceux des marchés. Cetteproximité réduit les délais de transmis-sion et fournit aux THFs un accès plusrapide à l’information sur les données demarché que pour les autres participants.

Les sociétés de Trading Haute Fré-quence peuvent ajuster leur position surun titre au rythme des conditions demarché, qui changent fréquemment.Par exemple, elles peuvent entrer etsortir d’une position ou soumettre leursordres puis les annuler sur des périodesde temps extrêmement courtes (quelquesmillisecondes). Kirilenko et al. (2010) ontdécouvert que les Traders Haute Fré-quence réduisent leurs positions demoitié toutes les deux minutes enmoyenne. Le grand nombre d’annula-tions effectuées par les Traders HauteFréquence augmente significativementle ratio du nombre d’ordres envoyés parrapport au nombre de transactions

effectives (nombre d’ordres "par trans-action") sur les marchés. En effet, Gai,Yao, et Ye (2012) ont établi qu’une trèsgrande part des ordres sur les titres duNasdaq sont annulés (cette part excède90% pour les 118 titres de leur échan-tillon), et qu’une grande part des ordresont une durée de vie très courte (30%des ordres ayant une durée de vie infé-rieure à une seconde sont annulés enmoins de 5 millisecondes).

La tenue de marché Haute FréquenceLes teneurs de marché Haute Fréquenceenvoient essentiellement des ordres àcours limité qui fournissent de la liquid-ité aux autres traders. Par exemple,Jovanovic et Menkveld (2010) ontétudié les transactions d’un teneur de


Les Traders Haute Fréquence font par-tie d’un groupe plus large de tradersappelé Traders Algorithmiques. Cesderniers utilisent des programmesinformatiques pour implémenter desdécisions d’investissement et des stra-tégies de trading. Cependant, toutesces stratégies ne s’appuient pas sur lavitesse. Les courtiers, par exemple,découpent leurs gros ordres dans letemps et au sein des plateformes detrading afin de réduire leurs coûtsd’exécution. Pour ce faire, ils utilisentde plus en plus les ordinateurs afin dedéterminer la stratégie optimale dedécoupage de chaque ordre et del’implémenter, même si ce type destratégie ne nécessite pas d’accès trèsrapide aux marchés. Ainsi, bien queles Traders Haute Fréquence soientdes Traders Algorithmiques, tous lesTraders Algorithmiques ne sont pasdes Traders Haute Fréquence.

Focus 2 : Trading Haute Fréquenceet Trading Algorithmique

Différents types d’institutions sontengagés dans le Trading HauteFréquence : des sociétés de tradingpour compte propre (commeGETCO, Optiver, Tradebot), deséquipes de trading pour comptepropre au sein de sociétés decourtage (comme Goldman Sachsou Morgan Stanley), ou des fondsd’investissement (comme Citadel).On peut globalement diviser lesstratégies de Trading HauteFréquence en cinq groupes : (i) latenue de marché ; (ii) l’arbitrage ; (iii)le trading directionnel ; (iv) lesstratégies structurelles ; et (v) lamanipulation. Aucune de cesstratégies n’est vraiment nouvelle :l’arbitrage, la tenue de marché, letrading initié et la manipulation fontpartie de l’histoire des marchésfinanciers. Ce qui est nouveau, c’estl’utilisation de l’informatique et de lavitesse pour implémenter cesstratégies. Certaines sociétés deTrading Haute Fréquence ne seconcentrent que sur quelques-unesde ces stratégies, de même que lesfonds d’investissement ont eutendance à se spécialiser. Parexemple, Baron et al. (2012) ontanalysé l’activité de 31 sociétés deTrading Haute Fréquence et montréque pour 10 d’entre elles, plus dedeux tiers des ordres étaient desordres au marché, alors que pour 10autres, presque 90% des ordresétaient des ordres à cours limité.

Focus 3 : L’hétérogénéité dessociétés de Trading HauteFréquence et de leurs stratégies


marché Haute Fréquence sur les com-posants de l’indice néerlandais. Ils ontdécouvert que ce teneur de marchéfournissait de la liquidité dans environ78% (74%) des transactions danslesquelles il était impliqué sur Chi-X(Euronext). Brogaard (2011b) fournitégalement des éléments indiquant quecertains THFs agissent effectivementcomme apporteurs de liquidité. En par-ticulier, il montre que les THFs de sonéchantillon suivent une stratégie decontre-tendance : ils achètent (ouvendent) des titres dont les prix ontbaissé (ou monté) durant les 10 à 100dernières secondes. Kirilenko et al.(2010) aboutit à une conclusion simi-laire. Les THFs de leur échantillonsemblent monter leurs positions sur lescontrats futures sur l’indice S&P500lorsque les prix baissent, et les reven-dent lorsque les prix augmentent.

La vitesse joue un rôle important dansla tenue de marché pour plusieursraisons. La première est que cela per-met aux teneurs de marché de réagirrapidement aux manques de liquiditéponctuels. Par exemple, la fourchetteentre le cours acheteur et le coursvendeur d’un titre peut s’élargir immé-diatement après l’arrivée d’un grosordre au marché qui consommeraittoute la liquidité disponible auxmeilleurs prix (voir Biais, Hillion, et Spatt(1995)). Cette augmentation de lafourchette acheteur-vendeur à unniveau supérieur à la normale crée uneopportunité de profit pour les tradersqui peuvent intervenir en envoyant denouveaux ordres à cours limité à l’in-térieur de la fourchette, à conditionqu’ils soient suffisamment rapides pouravoir la priorité de temps aux meilleursprix. 4Investir dans la vitesse est doncun moyen de capturer une plus grandepart de ces opportunités (voir Foucault,Kadan, et Kandel (2013) pour un mod-èle théorique, et Hendershott et Riordan(2012) pour des résultats empiriques).

Le second intérêt de la vitesse dans latenue de marché vient du fait qu’uneréaction rapide à une nouvelle informa-tion (communiqués de presse ouchangements de prix de titres con-nexes) réduit le risque de traiter à unprix inadéquat (voir Copeland etGalai(1983)). En effet, un évènement peutrendre les prix proposés par le teneur

de marché obsolètes, il doit doncannuler et renvoyer des ordres à courslimité pour intégrer cette nouvelle infor-mation. S’il ne le fait pas, des tradersplus rapides pourront profiter de sesprix non actualisés, grâce à des ordresau marché à l’achat (à la vente) s’ilssont faibles (élevés), ce qui engendreraune perte pour le teneur de marché.Aussi une réaction rapide aux nouvellesest-elle un moyen pour ces traders deréduire la probabilité d’une telle perte etde subir des coûts de tenue de marchéplus faibles.5

Enfin, la vitesse est un outil qui permetaux teneurs de marché de gérer plusefficacement leur inventaire. Par exem-ple, dans la structure actuelle desmarchés financiers, un titre est souventnégocié sur plusieurs plateformes.Cette possibilité peut créer un décalage"dans l’espace" entre les acheteurs etles vendeurs d’un même titre. Parexemple, un investisseur institutionnelfrançais peut placer un gros ordre àl’achat sur Euronext alors qu’une insti-tution anglaise place un ordre de ventesur Chi-X. Les teneurs de marchéopérant sur les deux plateformes peu-vent intervenir dans ce cas, en achetantle titre sur Chi-X, à un prix de 100 eurospar exemple, pour le revendre rapide-ment sur Euronext à 100.1 euros, ouvice versa. En traitant rapidement surles différentes plateformes de trading, leteneur de marché est à même deréduire le temps durant lequel soninventaire est soumis à un risque, etdonc de réduire les coûts de détentionde ses positions.

L’arbitrage Haute FréquenceLe Trading Haute Fréquence est égale-ment utilisé pour exploiter les opportu-nités d’arbitrage, à savoir les écarts à laparité avec les titres connexes, enprenant simultanément des positions àl’achat et à la vente (dites "couvertes")sur ces actifs. La vitesse y estprépondérante car certains de ces arbi-trages sont de très courte durée etsoumis à très peu de risques : le pre-mier trader ayant détecté l’opportunitéd’arbitrage pourra l’exploiter pleine-ment, les arbitragistes plus lents nepouvant alors plus en tirer profit. Il y a plusieurs exemples d’opportunitésd’arbitrage dont la durée de vie est trèscourte. Par exemple, lorsqu’un titre est

traité sur plusieurs plateformes, le coursvendeur sur une plateforme peut êtretemporairement plus faible que le coursacheteur sur une autre plateforme, soitparce que les apporteurs de liquidité surune des plateformes mettent du tempsà ajuster leurs prix après une nouvelleinformation, soit parce qu’un trader offrevolontairement des prix plus attractifsque la valeur fondamentale du titre pourse libérer rapidement de son inventaire.Cette situation de prix de marchés"croisés" génère une opportunité d’ar-bitrage immédiate, dans la mesure où lepeut acheter le titre à un prix donné et lerevendre aussitôt à un prix plus élevé.Cependant, profiter de cette opportu-nité nécessite une réaction très rapidepuisque (i) les ordinateurs peuvent dé-tecter ces prix croisés presque instan-tanément et (ii) les apporteurs deliquidité peuvent ajuster leurs prix dèsqu’ils réalisent qu’ils sont inadéquats.6

Les opportunités d’arbitrage triangu-laires sur les marchés de devises ensont un autre exemple. A tout moment,l’on peut changer des dollars contredes euros directement, sur le marchéeuro/dollar, ou indirectement, on con-vertissant des euros en livres sterling(ou toute autre devise) puis les livressterling en dollars (ou vice versa). S’ilarrive que le prix d’achat direct d’undollar en euros soit plus faible que lenombre d’euros obtenus en convertis-sant un euro indirectement, alors il yexiste une opportunité d’arbitrage trian-gulaire. En utilisant des données HauteFréquence sur trois couples de devises(euro/dollar, livres sterling/dollar et livressterling/euro), Foucault, Kozhan etTham (2012) ont décelé de fréquentesopportunités d’arbitrage triangulaires(35 à 40 par jour en moyenne dans leuréchantillon), de très courte durée (moinsd’une seconde).

Dans la mesure où leur durée de vie esttrès courte, ces opportunités d’arbi-trage Haute Fréquence nécessitent unaccès très rapide au marché et sontmieux exploitées par des ordres aumarché. Ainsi, à la différence desteneurs de marché Haute Fréquence,les arbitragistes Haute Fréquenceutilisent principalement des ordres aumarché. Cette caractéristique suggèrel’utilisation du type d’ordres (au marché

11


ou à cours limité) envoyés par lesTraders Haute Fréquence pour identifierles effets de différentes stratégies qu’ilspourraient utiliser (à savoir tenue demarché ou arbitrage). Corriger ces opportunités d’arbitragedont la durée de vie est très courte parle Trading Haute Fréquence n’est pasnécessairement utile : sans l’interven-tion de ces traders, elles auraientégalement été corrigées rapidement,bien que cela se serait fait plus lente-ment. Il n’est pas certain qu’unecorrection en cinq millisecondes au lieude 30 secondes soit un gain précieuxpour la société.

Stratégies directionnellesCes stratégies consistent à prendre unpari directionnel sur un actif en antici-pant un changement de prix imminent.A l’inverse des stratégies d’arbitrage,les stratégies directionnelles n’im-pliquent pas des positions à l’achat et àla vente sur plusieurs actifs, mais exi-gent de disposer de signaux aidant à laprédiction des mouvements de prixfuturs. Dans ce cas, les ordinateurs sontparticulièrement utiles en ce sens où ilspeuvent réagir et traiter une myriade designaux avant les êtres humains, et cemême si ces signaux sont publiques. Les signaux utilisés par les TradersHaute Fréquence pour déterminer leursparis directionnels sont variés. Parexemple, Jovanovic et Menkveld (2011)ou Zhang (2012) montrent que lesTraders Haute Fréquence utilisent lesprix de futures sur indices pour con-stituer leurs positions sur les actifssous-jacents. Les Traders HauteFréquence peuvent également traiter ense basant sur les nouvelles (prévues ounon) sur un titre (voir "Computers thattrade on the news", The New-YorkTimes, Mai 2012) ; et les fournisseursde données comme Bloomberg, Dow-Jones ou Thomson Reuters proposentdésormais en temps réel des flux denouvelles prétraitées aux Traders HauteFréquence.

Brogaard, Hendershott et Riordan(2012) constatent que les Traders HauteFréquence réagissent à l’informationcontenue dans les mises à jour du car-net d’ordres, aux performances dumarché, et aux annonces macro-économiques. La valeur de ces signauxdécroît rapidement dans le temps

puisqu’ils sont communiqués à tous lesinvestisseurs. Aussi ne peuvent-ilsgénérer de profits que s’ils sont très viteexploités. Par exemple, Scholtus et al.(2012) montrent que la vitesse est cri-tique pour les investisseurs dont letrading dépend des annonces macro-économiques. Sur un échantillon de707 annonces, ils estiment qu’undécalage de 300 millisecondes dans laréaction à l’annonce réduit le profitd’une stratégie vouée à en exploiter l’in-formation de 0.44 bps.

Les ordres au marché génèrent deschangements de prix (les ordres aumarché acheteurs créent une pressionà la hausse ; les ordres au marchévendeurs, à la baisse). L’anticipationdes mouvements de prix futurs peutdonc se faire par l’anticipation des fluxd’ordres futurs (le déséquilibre entre levolume des ordres au marché acheteurset vendeurs sur un intervalle de tempsdonné). Les stratégies directionnellesqui s’appuient sur de telles prévisionssont appelées "stratégies d’anticipation".Un moyen simple d’estimer le flux d’or-dres futur est de disposer de l’informationsur les transactions imminentes dechaque investisseur. Les sociétés decourtage sont souvent bien placéespour avoir cette information sur les flux,grâce à leur rôle d’intermédiaire pourles investisseurs finaux, mais ils ne sontpas autorisés à l’utiliser en trading pourcompte propre, cela serait considérécomme du front running. Il y a cepen-dant d’autres façons pour les traders deprédire les flux d’ordres futurs ou lesmouvements de prix associés aux flux.Par exemple, les ordres sont de plus enplus découpés dans le temps, ce quicrée une autocorrélation positive du fluxd’ordres. Cette caractéristique impliqueque les flux d’ordres futurs peuvent êtreprédits grâce aux flux d’ordres passés.Un accès plus rapide aux données detransactions permet de mieux prédireles transactions futures, et donc lesmouvements de prix futurs.

En utilisant les données du Nasdaq,Hirschey (2011) trouve des élémentsaccréditant l’utilisation de stratégiesd’anticipation des ordres par certainsTHFs. En particulier, le déséquilibre netdes ordres des THFs (défini comme lenombre de titres achetés via des ordresau marché auquel on soustrait le nombrede titres vendus via des ordres au

marché par les THFs) est positivementcorrélé avec le déséquilibre net passé,présent et futur, des ordres venant destraders non THFs. D’autre part, ledéséquilibre des ordres des THFs estpositivement corrélé aux rendementsfuturs (sur des intervalles de tempsinférieurs à 300 secondes). Cephénomène peut s’expliquer par laréaction des THFs à l’informationpublique, plus rapide que les autres.Cependant, Hirschey (2011) montre queses résultats restent inchangés s’ilexclut les périodes de cinq minutesautour des nouvelles publiées dans lajournée. De façon générale, les conclu-sions de Hirschey (2011) sont cohérentesavec l’hypothèse que les THFs prédis-ent la pression qui sera exercée sur lesprix par les autres investisseurs, et l’utilisent pour traiter sur les marchés.

Les stratégies structurellesSelon la SEC, les "stratégies struc-turelles" exploitent des caractéristiquesspécifiques de la structure des marchés.La rentabilité de ces stratégies dépenddonc de l’organisation des marchés etpeut être affectée par des modificationsdes règles de trading. Par exemple, lesarbitragistes Haute Fréquence quiexploitent les prix croisés profitent del’actuelle forte fragmentation desmarchés. Ces prix croisés n’existeraientpas si l’ensemble du trading était cen-tralisé sur une seule place de marché etcette source de profits pour les arbi-tragistes disparaîtrait.

Un autre exemple cité par la SEC est lecas où un Trader Haute Fréquenceutilise son accès rapide aux données demarché (par exemple via la co-location)pour profiter des traders plus lents àchanger leur prix. Par exemple, le TraderHaute Fréquence peut observer uneaugmentation des prix acheteurs etvendeurs sur les plateformes A, B et C,alors que les prix sur la plateforme Dsont restés inchangés. Les TradersHaute Fréquence peuvent doncexploiter ces ordres à cours limité pluslents. Cette stratégie est dite "struc-turelle" en ce sens où elle aurait étémoins rentable si tous les tradersavaient un accès aussi rapide aux don-nées de marché.7

Un autre exemple est également donnépar McInish and Upson (2011).



Aux Etats-Unis, la règle de protectiondes ordres (ou trade-through rule) exigeque les ordres au marché soient envoyéssur la plateforme qui affiche lesmeilleurs prix nationaux (ou "NBBO") aumoment où l’ordre est reçu. Pour desraisons pratiques, selon la règle d’ex-ception des prix de référence (oubenchmark quotes exception rule), laSEC considère qu’il y a eu violation decette règle lorsqu’une transaction a lieusur une plateforme à un prix inférieuraux meilleurs prix ayant cours dans laseconde avant la transaction (ces prixsont alors appelés "prix de référence").Il peut donc arriver qu’une transactionne respecte pas la règle de protectiondes ordres et ait lieu à un prix situéentre le NBBO au moment de la trans-action et les prix de référence. McInishet Upson (2011) estiment qu’environ8% des transactions sont dans ce cas.Ils considèrent que cela se produit carles traders plus lents voient les prix enretard et envoient donc leurs ordres à la"mauvaise" plateforme. Ils estiment queces "erreurs" de routage peuvent êtreexploitées par des apporteurs de liquid-ité stratégiques qui observent les prixen temps réel plus vite que les consom-mateurs de liquidité. Lorsqu’un meilleurNBBO apparaît sur une plateforme, lesapporteurs de liquidité rapides mainti-ennent délibérément de moins bonsprix (hors du NBBO mais à l’intérieurdes prix de référence) sur d’autresplateformes, au lieu de s’y conformerou de l’améliorer. Ils peuvent ensuiteexécuter à des non compétitifs desordres de traders plus lents qui ontmanqué par erreur l’opportunité detraiter aux meilleurs prix.

ManipulationL’une des préoccupations quant auTHFs est qu’ils puissent utiliser leuraccès rapide aux marchés pour lesmanipuler. La SEC a en outre évoquéles stratégies de "déclenchement detendance", qui consistent à envoyerdes ordres au marché à l’achat (à lavente) pour déclencher un mouvementde prix à la hausse (à la baisse) dansl’espoir que d’autres traders suivront àtort cette tendance et l’amplifieront. LeTrader Haute Fréquence ayant initié lemouvement de prix subséquent peutalors se défaire rapidement de sa posi-tion en générant un profit, via une vente

à un prix artificiellement haut, ou unachat à un prix réduit. Les TradersHaute Fréquence ont également étéaccusés d’être responsables de smok-ing. Cette stratégie implique d’envoyerdes ordres à cours limité attrayantspour les traders plus lents, puis de lesmodifier rapidement à des conditionsmoins avantageuses, en espérant tirerprofit du flux entrant d’ordres aumarché de la part de traders plus lents.

Il existe une autre stratégie surnomméespoofing. Supposons que le TraderHaute Fréquence ait réellement l’inten-tion d’acheter un titre. Paradoxalement,il commencera par envoyer des ordresà la vente sur le marché. Ces ordresn’ont pas vocation à être exécutés. Ilssont donc placés au-dessus du meilleurcours vendeur. Puisqu’il est plus rapideque tous les autres participants, leTrader Haute Fréquence est certain depouvoir annuler ses ordres de venteavant qu’ils ne soient exécutés, si unebonne nouvelle est publiée. Il placeainsi une séquence d’ordres à courslimité à la vente, parfois avec de trèsgrandes quantités. Son objectif estd’effrayer le marché et d’inciter les par-ticipants naïfs à vendre, et ce contrel’ordre à cours limité à l’achat qu’il auradiscrètement placé entretemps.

Le quote stuffing est également unestratégie qui inquiète les investisseurs.Pour certaines stratégies, la vitesse rel-ative est plus importante que la vitesseabsolue. Par exemple, pour un tradertirant profit de prix obsolètes ou de prixcroisés, il est primordial d’être rapide,relativement aux autres traders. Unefaçon d’y arriver est de ralentir lesautres par un très grand nombre demessages (des ordres qui serontannulés par la suite) afin de réduire lavitesse à laquelle les marchés pourrontinformer les autres traders ou traiterleurs messages. Gai, Yao, et Ye (2012)ont détecté des éléments intéressantsqui concordent avec une stratégie dequote stuffing. Ils s’appuient sur le faitque le Nasdaq dispose de six canauxde communication différents, et que lestitres y sont affectés de manière aléa-toire. Par exemple, les titres dont lesymbole commence par une lettre entreA et B seront affectés au premier canal,ceux entre B et C au deuxième canal,etc. Gai, Yao, et Ye (2012) montrent que

les messages sur un titre donné (dansun canal donné) ont une covarianceplus élevée avec les messages destitres du même canal qu’avec ceux desautres canaux. De plus, cette covari-ance diminue significativement lorsqu’untitre est attribué à un autre canal en rai-son d’un changement de symbole. Cesrésultats sont surprenants dans lamesure où les titres sont distribués defaçon aléatoire au sein des canaux. Gai,Yao, et Ye (2012) avancent qu’ils attes-tent du fait que les Traders HauteFréquence créent délibérément unexcès de messages sur les titres d’uncanal, lorsqu’ils tentent de saisir uneopportunité de profit sur l’un des titresde ce canal.

2.2 Les données sur les TradersHaute Fréquence restent limitées

Afin d’analyser les effets du THF, il fautpouvoir les mesurer. Il est important degarder en tête les limitations des don-nées lors de l’interprétation des résultatsempiriques. Dans cette section, nousdiscutons des méthodes de mesure del’activité de THF dans les diversesétudes mentionnées dans ce rapport(une vue synoptique en est donnéedans la Table 1).

La première approche consiste àconstruire une approximation de l’acti-vité des Traders Haute Fréquence enutilisant les données concernant lesordres envoyés et la vitesse à laquelleils sont envoyés. Par exemple, Hender-shott et al. (2011) et Boehmer et al.(2012) notent que le ratio des ordresexécutés par rapport aux ordresenvoyés est plus faible pour les TradersAlgorithmiques. Aussi Hendershott etal. (2011) et Boehmer et al. (2012) pro-posent-ils une mesure de l’activité deTrading Algorithmique qui inclut le nom-bre de messages (ordres) normalisé parle volume traité sur une période detemps donnée (par exemple chaquemois). Hasbrouck et Saar (2012) utili-sent le fait que l’annulation d’un ordre àcours limité par un trader, suivie de l’en-voi d’un nouvel ordre par le mêmetrader (un message "lié") en moinsd’une seconde vient probablement d’unTrader Haute Fréquence. En se basantsur cette intuition, Hasbrouck et Saar

13


(2012) construisent une mesure du Tra-ding Algorithmique grâce au nombre demessages liés (ou "séquences straté-giques") par intervalles de dix minutes.L’un des inconvénients de ces approchesindirectes est que ces approximationsdu Trading Haute Fréquence peuventégalement capturer l’activité de TradersAlgorithmiques opérant à des fré-quences plus faibles (comme lessociétés de courtage, par exemple,dont les algorithmes exécutent lesordres de leurs clients à faible coût). Enréalité, les études se référant à cetteapproche interprètent leurs résultatscomme une description des effets duTrading Algorithmique, plutôt que ceuxdu Trading Haute Fréquence à propre-ment parler.

La seconde approche consiste à utiliserles données de transactions d’unéchantillon de sociétés de TradingHaute Fréquence. Plusieurs études(Brogaard (2011a), Brogaard (2011b),Broogard, Hendershott et Riordan (2012),et Zhang (2012)) utilisent les donnéesfournies aux universitaires par le Nas-daq. Ces données concernent lestransactions agrégées de 26 sociétésidentifiées comme THFs par le Nasdaq,sur 120 titres listés sur le Nasdaq ou leNYSE choisis aléatoirement (entre 2008et 2009). Nous appellerons désormaiscet ensemble de données "l’échantillonNasdaq". Nasdaq a classé une sociétécomme étant THF si elle ne fait que dutrading pour compte propre, si sa posi-tion nette est souvent nulle, et si ladurée de vie de ses ordres à courslimité est relativement courte. L’échan-tillon Nasdaq exclut par constructionles départements de Trading Haute Fré-quence des sociétés de courtagecomme Goldman Sachs, Morgan Stanleyou Merrill Lynch.

L’exclusion de certains départementsimportants de Trading Haute Fréquencelimite les inférences que l’on peut faireà partir de cet échantillon. En outre, lesordres et transactions des 26 sociétéscontenues dans l’échantillon Nasdaqsont agrégées.8 Les chercheurs travail-lant sur ces données ne peuvent doncpas catégoriser les THFs selon leurscaractéristiques, comme le type d’or-dres qu’ils utilisent principalement (aumarché ou à cours limité), la taille deleur inventaire, la fréquence à laquelle

ils postent des prix compétitifs, etc. Lesconclusions qui pourront être faitesquant aux effets des ordres ou transac-tions des THFs sur la qualité de marchéseront conditionnées par la stratégie quisera prédominante au sein des THFsprésents dans l’échantillon Nasdaq,même si ces derniers sont hétérogènes.

La dernière approche possible est d’uti-liser des données de transactions faitespar les sociétés de Trading Haute Fré-quence avec une granularité comptepar compte, (ex. Menkveld (2010), Kiri-lenko, Kyle, Samadi et Tuzun (2010) etBaron, Broogard et Kirilenko (2012),Malinova, Parks et Riordan (2012),Hagströmer et Norden (2012), Hirschey(2012)). Par exemple, Kirilenko, Kyle,Samadi et Tuzun (2010) ainsi que Baron,Broogard et Kirilenko (2012) utilisent lesdonnées de transactions des partici-pants de marché sur les contratsfutures CME E-mini S&P500 (sur deuxpériodes différentes, voir Table 1). Laparticularité de ces données vient del’identification du compte auquel se rat-tache chaque transaction. Les auteursont donc pu distinguer un sous-groupede comptes comme étant tenus par desTraders Haute Fréquence. Plus précisé-ment, dans Kirilenko, Kyle, Samadi etTuzun (2010) ou Baron, Broogard etKirilenko (2012), un compte est catégo-risé comme Trader Haute Fréquence (i)si le trader est impliqué dans une partsuffisamment importante du nombretotal de transactions, (ii) s’il a un inven-taire réduit à la fin de la journée (ex.moins de 2% du nombre de contratsfutures traités durant la journée), et (iii)si les variations de son inventaire sontfaibles (relativement au nombre decontrats traités). Par construction, les Traders Haute Fré-quence étudiés dans Kirilenko et al.(2010) ou Baron et al. (2012) ont desinventaires relativement faibles, avec unretour rapide à la moyenne. L’un desproblèmes de cette approche estqu’elle est susceptible de ne sélection-ner que les THFs ayant un style detrading spécifique (en particulier lesTHFs qui se préoccupent beaucoup durisque d’inventaire), et d’exclure lesautres (ceux par exemple prenant despositions importantes sur les différentsmarché à des fins d’arbitrage). Hagströmer et Nordén (2012) utilisentdes données provenant du marché de

Stockholm (Stockholm Stock Exchange,SSE), membre par membre, sur 30 titresqui y sont listés, en août 2011 et février2012. Avec l’aide de Nasdaq OMX,auquel appartient le SSE, ils établissenttrois groupes de membres : (i) les Tra-ders Haute Fréquence (298 membres) ;(ii) les traders non Haute Fréquence (49membres) ; (iii) les sociétés hybrides,qui exercent à la fois des activités decourtage et des activités de comptepropre. Le bien-fondé de cette classifi-cation est corroboré par le fait que98.2% des messages envoyés par lesmembres du premier groupe sontsignalés comme provenant d’algo-rithmes. Hagströmer et Nordén (2012)décomposent à nouveau leur groupe deTHFs en deux sous-groupes : (a) les"teneurs de marché" (entre 4 et 5 mem-bres) et (b) les "traders opportunistes".Les sociétés du premier sous-groupesemblent apporter de la liquidité auxautres participants beaucoup plus sou-vent que les THFs opportunistes, quiutilisent plus vraisemblablement desstratégies directionnelles ou d’arbitrage.Hagströmer and Nordén (2012) montrentque ces deux sous-groupes de THFs secomportent de façons très différentes.Par exemple, les THFs opportunistes ontun nombre de messages par transac-tion beaucoup plus faible que lesteneurs de marché, et la taille de leurinventaire est bien plus élevée. Cesconstations suggèrent donc qu’il n’estpas anodin d’utiliser ces variables pourdéfinir les THFs. Par exemple, classerun trader comme Trader Haute Fré-quence s’ils montrent un nombre demessages par transaction élevé et uninventaire faible augmente les chancesde sélectionner les THFs ayant une acti-vité de tenue de marché. Hagströmer etNordén (2012) découvrent égalementque les teneurs de marché sont pré-pondérants au sein des THFs de leuréchantillon(62% à 80% du volumetraité).

Enfin, il est utile de mentionner une autrelimitation des données disponibles utili-sées dans les études empiriques sur leTrading Haute Fréquence. Il s’agit dedonnées de transactions de TradersHaute Fréquence sur un seul actif ou unmarché alors que ces derniers aurontprobablement pris des positions surplusieurs marchés au même moment.Le manque de données combinées surplusieurs marchés pour les Traders Haute



Fréquence peut avoir une incidence surles résultats obtenus, comme le montreMenkveld (2010). Cette étude analyseles données d’un Trader Haute Fré-quence actif à la fois sur Euronext etChi-X (l’échantillon concerne 14 titresnéerlandais). Menkveld (2010) montreque ce trader se comporte de façonsimilaire à un teneur de marché. En par-ticulier, la plupart de ses transactions(78.1% sur Euronext et 78% sur Chi-X)ont lieu lorsqu’un autre trader accepteses prix vendeurs ou acheteurs sur Chi-X ou Euronext. Menkveld (2010) soulignele fait intéressant que l’inventaireagrégé sur les deux marchés (Chi-X etEuronext) de ce Trader Haute Fré-quence suit un processus de retour à lamoyenne, ce que l’on pourrait attendred’un teneur de marché, mais que cen’est pas le cas de ses positions surchaque marché. Cette observationconfirme l’importance de disposer dedonnées de transactions sur plusieursmarchés afin d’établir des conclusionssur le comportement des Traders HauteFréquence.

2.3 L’importance du TradingHaute Fréquence

Les Traders Haute Fréquence ne peu-vent avoir un effet sur la qualité demarché que s’ils sont impliqués dansune grande partie de l’activité de tra-ding. Les résultats préliminaires desétudes empiriques utilisant des don-nées sur les THFs indiquent que c’esteffectivement le cas.

Par exemple, Brogaard (2011a) montreque les 26 THFs de l’échantillon Nasdaqparticipent à hauteur de 68.5% desmontants traités en moyenne, et qu’ilsreprésentent une plus grande part duvolume sur les titres à forte capitalisationque sur les titres à faible capitalisation.Hirschey (2011) trouve également queselon son échantillon, les THFs sont plusactifs sur les gros titres que sur les petits(41% vs. 15%). Selon les données utili-sées par Kirilenko et al. (2010), concernantquatre jours de mai 2010, les THFsreprésentent 34.22% du volume traitésur l’indice S&P500.

Le Trader Haute Fréquence analysé parMenkveld (2010) est quant à lui présentdans 16% des transactions sur les grostitres, 7% des transactions sur les petits.

Enfin, Hagströmer and Nordén (2012)obtiennent un pourcentage entre 26%et 52% des transactions attribué auxTHFs, pour les 30 titres qu’ils ont étudiés.

2.4 La rentabilité des TradersHaute Fréquence

L’étude de la rentabilité des TradersHaute Fréquence est intéressante pourplusieurs raisons. D’abord, pour déter-miner si cette activité est compétitive, àsavoir si les profits des départements deTrading Haute Fréquence ont diminué àmesure que leur nombre augmentait.Ensuite, pour comprendre la répartitiondes gains entre THFs et non THFs, afinde mieux prédire et interpréter les effetsdes THFs sur la qualité de marché. Parexemple, si les THFs envoyant desordres au marché génèrent des profits,alors ils infligent une perte aux appor-teurs de liquidité. Si c’est le cas, cesderniers pourraient rendre les condi-tions auxquelles ils fournissent de laliquidité moins avantageuses. Evaluerles profits des THFs peut égalementpermettre de déterminer dans quellemesure une taxe qui les viserait pourraitaffecter leur activité. Enfin, la distribu-tion historique des profits des THFsfournit de l’information quant à leurexposition aux risques de pertesextrêmes (risques de lourdes pertesbien que peu fréquentes).

Hendershott et al. (2012) déterminentun profit journalier moyen pour les THFsde leur échantillon de $1.45 pour$10,000 traités, hors frais de trading ; et$1.14 après prise en compte de cesfrais.9 Fait intéressant, les profits sont bienplus élevés pour les ordres au marché quepour les ordres à cours limité. Plus pré-cisément, hors frais de trading, le profitjournalier moyen des THFs est de $2.27 par $10,000 traités pour les ordresau marché, de -$ 0.29 pour les ordres à

cours limité. Sur le Nasdaq (et beau-coup d’autres marchés), les ordres àcours limité font l’objet d’une réduction(les frais afférents sont négatifs), alorsque les ordres au marché sont payants.10

Une fois ces frais pris en compte, leprofit journalier moyen pour les THFsest de $ 0.5 par $ 10,000 traités sur lesordres au marché, $ 1.4 sur les ordres àcours limité.

Baron et al. (2012) fournissent une ana-lyse plus détaillée des profits des THFsgrâce à leurs données sur les contratsfutures E. Mini S&P500 du CME en août2010. Ils trouvent également de faiblesprofits par transaction pour les THFs,de l’ordre de $ 0.77 en moyenne parcontrat. De plus, les THFs utilisant prin-cipalement des ordres au marchéobtiennent des profits significativementplus élevés en moyenne que ceux quiutilisent en majorité des ordres à courslimité ($ 0.93 vs. $ 0.33 par contrat).Cependant, le risque encouru par lesdeux types de THFs est différent :l’écart-type du profit par contrat du pre-mier type de THFs est plus grand quepour le second (5.29 vs. 1.62), avec unratio de Sharpe qui est donc légère-ment plus petit pour les premiers (8.33vs 9.94). Puisqu’ils disposent de don-nées exhaustives par trader sur tous lesparticipants du CME pour les contratsfutures E. Mini S&P500, Baron et al.(2012) peuvent analyser la distributiondes gains au sein des différents typesde traders. Ils calculent donc le profitmoyen de chaque type de participants,en se restreignant aux transactionsfaites face à un autre type de trader. Ilsen concluent que les THFs qui utilisentprincipalement des ordres au marchégénèrent des profits aux dépens desautres types de participants, en particu-lier des traders institutionnels. A l’inverse, les THFs qui utilisent surtoutdes ordres à cours limité ne montrentpas de gains systématiques. Ils perdentpar exemple de l’argent lorsqu’ils trai-tent face aux THFs utilisant des ordresau marché, aux teneurs de marché nonHaute Fréquence ou face aux petits tra-ders (investisseurs particuliers). Aussiles teneurs de marché Haute Fréquencene semblent-ils pas bénéficier d’uneinformation supplémentaire quant auxchangements de prix futurs, contraire-ment aux THFs utilisant des ordres aumarché.

15

Les études empiriques montrentqu’une grande partie du volumetraité (entre un et deux tiers) estattribuable aux THFs, et que leuractivité dépend systématiquementdes caractéristiques des titres,comme leur capitalisation.

Focus 4 : L’importance du TradingHaute Fréquence



Menkveld (2010) calcule, pour le teneurde marché Haute Fréquence de sonéchantillon, un profit moyen par trans-action de € 0.88. Il montre que cedernier subit des pertes sur ses posi-tions (-€ 0.68). Cela indique qu’enmoyenne, il est soumis à de la sélectionadverse : il a tendance à acheter avantque les prix ne baissent, et à vendreavant qu’ils ne montent. Conformémentaux résultats théoriques (ex. Glosten etMilgrom (1985)), il compense ces pertespar une fourchette entre cours acheteuret vendeur suffisamment large. Lesgains du teneur de marché sur la four-chette grâce aux ordres à cours limitésont bien plus élevés sur Chi-X que surEuronext (€ 2.52 vs € 1.11 par transac-tion), en raison de la tarification deChi-X, qui comme le Nasdaq, offre uneréduction aux traders en cas d’exécu-tion de leurs ordres à cours limité. Leteneur de marché Haute Fréquenceanalysé dans cette étude présente unratio de Sharpe de 9.32.

3. Les effets duTrading HauteFréquence sur laqualité de marché

3.1 La théorie

Biais, Foucault, et Moinas (2012) analy-sent les conséquences de la sélectionadverse issue d’un accès plus ou moinsrapide à l’information sur le bien-êtredes participants. Leur modèle conclutque le Trading Haute Fréquence a uneffet à la fois positif et négatif sur lebien-être. D’un côté, il accroît la proba-bilité que les investisseurs puissenttrouver une opportunité de trading quisoit profitable aux deux parties. Parexemple, les Traders Haute Fréquencepeuvent aisément traiter sur les diffé-rentes plateformes de trading, facilitantle transfert des actifs entre les investis-seurs ayant une vue négative et ceuxayant une vue positive s’ils sont sur

deux marchés différents. Ces transac-tions améliorent le bien-être desinvestisseurs. D’un autre côté, le Tra-ding Haute Fréquence crée uneexternalité négative en amplifiant lerisque de sélection adverse, ce qui aug-mente le coût de trading (l’impact sur leprix, i.e. le manque de liquidité du mar-ché) pour l’ensemble des traders. C’estpour cette raison que certains traders,en particulier les plus lents, décident detraiter moins souvent lorsqu’il y a plusde Traders Haute Fréquence ; l’effetultime d’une augmentation du TradingHaute Fréquence sur les volumes trai-tés est donc ambigu : elle accroît lafréquence à laquelle les traders ont lapossibilité de traiter, mais ces dernierss’en abstiennent puisque les coûts sontplus élevés.

Biais et al. (2011) montrent que l’inves-tissement dans les technologies deTrading Haute Fréquence est en géné-ral excessif vis-à-vis du niveau optimalpour la société.11 En effet, dans leurprocessus de décision d’investissementdans les technologies de trading rapide,les investisseurs ne tiennent pascompte de l’impact négatif qu’ils exer-cent sur les autres investisseurs ; ilscomparent seulement le bénéfice attenduau coût d’une augmentation de lavitesse de trading, sans intégrer lescoûts sociétaux. De plus, les investis-seurs peuvent décider d’investir dansdes technologies de Trading Haute Fré-quence simplement pour éviter d’êtrepénalisés par leur lenteur, et ce même sile bien-être collectif serait meilleur sitous les investisseurs restaient lents. Laréflexion engagée est similaire à celled’une course à l’armement. Ces deuxeffets conjoints aboutissent générale-ment à un surinvestissement dans lestechnologies de Trading Haute Fré-quence, vis-à-vis de ce qui seraitoptimal pour la société.

Aussi l’effet ultime du Trading HauteFréquence sur la liquidité et l’efficienceallocative des marchés financiers est-ilà double tranchant. Examinons mainte-nant son effet sur la détermination desprix. En exploitant très rapidement lesprix erronés, les arbitragistes Haute Fré-quence améliorent sûrement le processusde formation des prix. Plus généralement,si les Traders Haute Fréquence traitent

16

Les analyses montrent que lesteneurs de marché Haute Fréquencegénèrent de faibles profits, et qu’ilssubissent parfois des pertes faceaux participants plus lents. Les THFsutilisant principalement des ordresau marché, qui suiventvraisemblablement des stratégiesdirectionnelles ou d’arbitrage, ontdes profits plus élevés, et ce auxdépens des autres participants.Dans les deux cas cependant, lesprofits par transaction sontrelativement faibles. Pourtant, lesratios de Sharpe des THFs sont trèsélevés. Les montants gagnés partransaction étant réduits, des ratiosde Sharpe si élevés indiquent unefaible dispersion de leurs revenus,ce qui peut provenir de méthodesde gestion du risque efficaces. On ne peut pas pour autant exclurel’hypothèse que les THFs sontexposés au risque de lourdes pertesdans des cas de figure très peufréquents.

Focus 5 : La rentabilité des THFs

Dans la mesure où les stratégies desTraders Haute Fréquence ne sontpas nouvelles, les outilséconomiques standards peuventêtre utilisés pour prédire leurs effetspossibles sur la qualité de marché.D’un côté, l’automatisation et laréaction rapide à l’information et auxévènements de marché devraientpermettre aux teneurs de marchéd’apporter de la liquidité à moindrecoût. Dans ce cas, la tenue demarché Haute Fréquence devraitaméliorer la qualité de marché et, infine, le bien-être des traders, enréduisant les coûts d’intermédiation.D’un autre côté, si les Traders HauteFréquence obtiennent l’informationplus vite que les autres participants,alors les traders lents serontdésavantagés. Dans ce cas, leTrading Haute Fréquence apportede la sélection adverse : les traderslents perdront sans doutesystématiquement de l’argent, auprofit des Traders Haute Fréquence.

Focus 6 : Les hypothèsesthéoriques sur l’impact du THF


en fonction des évènements de marchéplus rapidement que les autres traders,alors ils devraient participer à ladétermination des prix en accélérantl’intégration d’une nouvelle informationdans les prix. Ce raisonnement eststandard dans les modèles de tradinginformationnel. Cependant, elle poseplusieurs problèmes dans le cas du Tra-ding Haute Fréquence.

D’abord, le Trading Haute Fréquencebasé sur les nouvelles informations decourte durée (comme les nouvellesimminentes) peuvent inciter les tradersà être moins attentifs à leurs informa-tions de long-terme (voir Foucault,Hombert, et Rosu (2012)). Cette substi-tution peut éventuellement nuire à ladétermination des prix.

Ensuite, les Traders Haute Fréquencene découvrent ni ne produisent unenouvelle information à proprement par-ler. En réalité, ils se basent souvent surles données de marché : flux d’ordres,prix, volume etc. Les données de mar-ché contiennent de l’information en cequ’elles reflètent les signaux acquis enamont par les autres investisseurs (lesgérants de portefeuille, les fonds spé-culatifs etc…) ; ces signaux auraientsans doute aussi été intégrés aux prixen l’absence de Trader Haute Fré-quence, bien que plus lentement. En unsens les THFs utilisent les informationsacquises en premier lieu par les inves-tisseurs plus lents, ce qui peutdissuader ces derniers de chercher cesinformations (voir Grossmanet Stiglitz(1980)). Si c’est le cas, la valeur infor-mative des marchés financiers peutavoir diminué avec la multiplication dunombre de Traders Haute Fréquence.

Enfin, il faut arbitrer entre précision etrapidité. Les nouvelles sont parfoisinexactes ou fausses. De ce fait, lesinvestisseurs qui réagissent trop viteaux nouvelles peuvent ajouter du bruitau système de prix plutôt que le rendreplus efficient, du moins à une échelle detemps Haute Fréquence (voir Dugast etFoucault (2012)).

Le Trading Haute Fréquence peut doncéloigner les prix des valeurs fondamen-tales de plusieurs façons. Cette conclu-sion est cohérente avec l’augmentationconstatée par les participants du nom-bre de "mini flash crashes", à savoir lesforts mouvements de prix dans une di-rection qui reviennent ensuite rapide-ment au niveau initial. Un article d’USAToday du mois de mai écrit par exemple :

"Les “mini flash crashes” se produisenttoujours couramment sur certains titres[…] Malgré les efforts réalisés pourempêcher un nouveau Flash Crash (ce6 mai 2010 désormais célèbre qui a vule Dow Jones Industrials perdre 900points avant de les regagner rapide-ment), les régulateurs et les places demarché ont avancé dans l’instaurationde mesures de protection. Cependant,les traders ou observateurs du marchéconstatent que certains titres ou ETFssubissent toujours de tels flash crashes,lorsque les cours baissent soudaine-ment et sans raison avant de très viteremonter, ce qui suggère que beaucoupde problèmes sous-jacents n’ont pasété résolus. […] Les données les plusrécentes disponibles sont celles du pre-mier mois ainsi que trois jours de 2011.Au cours de cette période, Nanexindique que 139 mouvements inexpli-qués ont eu lieu, des hausses oubaisses de l’ordre de 1%, ou plus, enmoins d’une seconde, suivies d’unmouvement en sens inverse. Seloncette même source, de tels phéno-mènes se sont produits 1,818 fois en2010, et 2,715 fois en 2009." Source : "Les mini flash crashes inquiètent les tra-ders ", USA Today, 17 mai 201112.

Pour plusieurs raisons, il est possibleque les Traders Haute Fréquence jouentun rôle dans ces "mini flash crashes".D’abord, ils peuvent réagir au mêmeinstant à un signal erroné, en envoyantdes ordres au marché d’achat ou devente, consommant la liquidité du mar-ché et déclenchant de forts mouvementsde prix en étant face aux ordres à courslimité. Parallèlement, les THFs ayantdes ordres à cours limité à l’achat (à lavente) sur un titre peuvent tous lesannuler après l’arrivée d’un gros ordreau marché à la vente (à l’achat), pourdes raisons de sécurité, avant de ren-voyer des ordres à cours limité si le grosordre en question n’était pas motivé par

une information particulière. Dans tousles cas, les vagues d’annulations oud’envois d’ordres au marché par lesTraders Haute Fréquence suite à unmême évènement peuvent accroitre lavolatilité de l’actif concerné.

3.2 Problèmes d’endogénéité

Etablir des liens de causalité entre leTHF et la qualité de marché est ambi-tieux. Il est probable que le THF et laqualité de marché soient déterminéspar des facteurs communs (ex. la préci-sion de l’information publiée), dontcertains sont difficiles à maîtriser ou nepeuvent être observés de façon empi-rique. De plus, les variables de qualitéde marché et les stratégies de TradingHaute Fréquence sont conjointementendogènes. Elles reflètent toutes deuxles procédés d’optimisation des partici-pants, leur réaction aux conditions demarché et leur sensibilité aux stratégiesdes autres participants. Par exemple, leTrading Haute Fréquence peut influen-cer la volatilité d’un actif, mais il peutaussi être lui-même affecté par cettevolatilité. Biais, Foucault et Moinas(2013) montrent qu’en théorie, une aug-mentation de l’incertitude quant à lavaleur d’un actif accroît l’attrait d’uninvestissement dans la technologie deTrading Haute Fréquence. Brogaard(2011a) montre de façon empirique quela publication de nouvelles a un impactsur les mesures de l’activité des TradersHaute Fréquence sur le Nasdaq.Puisque les nouvelles sont sources devolatilité, cela suggère que la volatilité aun effet sur l’activité des Traders HauteFréquence.

17


3.3 Trading Haute Fréquence et contenu informationnel

Brogaard, Hendershott et Riordan(2011) établissent que les THFs ont ten-dance à placer des ordres au marchéd’achat (de vente) juste avant uneappréciation (dépréciation) de la valori-sation des actifs sur le marché. Cetteconstatation est cohérente avec l’hypo-thèse que les THFs qui utilisent desordres au marché bénéficient d’uneinformation. A l’inverse, Brogaard, Hen-dershott et Riordan (2011) observent unmécanisme opposé pour les ordres àcours limité : ces ordres à cours limité àl’achat (à la vente) des THFs sont géné-ralement exécutés lorsque la valeurbaisse (monte), alors que ceux qui utili-sent ce type d’ordres sont souventdésavantagés lorsqu’une nouvelle infor-mation arrive. De façon analogue,Brogaard et al. (2011) trouvent des pro-fits négatifs pour les ordres à cours

limité exécutés par les THFs, mais desprofits positifs pour leurs ordres au mar-ché. Ces résultats sont en ligne avecceux obtenus par Hendershott et Rior-dan (2009) pour Deutsche Boerse. Ilscalculent un impact permanent plusélevé pour les ordres au marché de Tra-ders Algorithmiques que pour les ordresau marché envoyés par des êtreshumains.

Boehmer, Fong et Wu (2012) considè-rent les données de 39 pays différents.Leur échantillon concerne environ12,800 titres par an. Ils obtiennent unerelation négative entre un proxy du Tra-ding Algorithmique (le nombre demessages divisé par le volume surchaque titre) et l’autocorrélation desrendements (en valeur absolue), à unhorizon de temps de 30 minutes ; cequ’ils interprètent comme une mesurede l’inefficacité du processus de forma-tion des prix. Bien sûr, comme expliquéprécédemment, une telle corrélation nepeut pas s’interpréter en termes decausalité. Afin d’identifier des relationscausales, Boehmer, Fong et Wu (2012)utilisent l’introduction des services deco-location dans les différents pays deleur échantillon comme instrument pourle Trading Haute Fréquence. Selon eux,la co-location ne devrait pas, en soi,avoir d’impact direct sur l’autocorréla-tion à court terme des rendements.Pourtant, ils découvrent qu’une aug-mentation de leur proxy du THF, obtenupar la co-location, conduit à une diminu-tion de l’autocorrélation des rendements.Il est cependant difficile, malgré cela,d’aboutir à une conclusion sur lesconséquences du THF, puisque ceproxy pourrait refléter le Trading Algo-rithmique dans sa globalité, quicomprend comme évoqué plus avant,d’autres formes de trading que le THF.

Chaboud et al. (2009) se concentrentsur le Trading Algorithmique sur le mar-ché des taux de change. En utilisantune approche autorégressive vecto-rielle, ils estiment la part des transactionsprovenant d’algorithmes ou d’êtreshumains dans la variance des rende-ments, à un horizon de temps de 30minutes. Ces estimations sont interpré-tées en termes de contribution à laformation des prix. Les transactionsd’origine humaine semblent plus contri-buer à la détermination des prix que lestransactions algorithmiques.

3.4 Trading Haute Fréquence et liquidité

Comme expliqué précédemment, il estpossible que l’automatisation des pro-cessus de trading par les sociétés deTrading Haute Fréquence réduise lescoûts d’apport de liquidité. Si c’est lecas, et si le marché est concurrentiel,les coûts de trading pour les investis-seurs devraient décroître.

Hendershott, Jones, et Menkveld (2011)étudient l’effet du Trading Algorithmiquesur la liquidité, en utilisant le nombre demessages électroniques divisé par levolume traité comme proxy de l’activitéde ces traders. Afin de pallier aux pro-blèmes d’endogénéité, ils considèrentun changement technologique dansl’organisation du NYSE en 2003, àsavoir la mise en place de la fonction-nalité " Autoquote ". Avant l’apparitionde cette fonctionnalité, des employésspécialisés devaient mettre à jourmanuellement les meilleurs prix d’achatet de vente pour les titres cotés sur leNYSE. Cette procédure manuelle ralen-tissait le processus de réception del’information sur les conditions de mar-ché pour les titres du NYSE par lesTraders Algorithmiques. La mise enœuvre d’Autoquote a considérablementaccéléré ce transfert d’information etfacilité ce type de trading. Cela expliquedonc le lien évoqué par Hendershott etal. (2011) entre ce changement techno-logique et l’accroissement significatif deleur proxy de l’activité de Trading Algo-rithmique. Dans la mesure où Autoquoten’a pas d’effet direct sur la liquidité demarché, il s’agit d’un instrument permet-tant l’étude de l’impact du TradingAlgorithmique sur cette variable.

Hendershott et al. (2011) montrent queles mesures standards de la liquidité demarché (la fourchette acheteur-vendeuraffichée ou réalisée) s’améliorent aprèsle lancement d’Autoquote sur les titresà forte capitalisation.13 En revanche, ilsne distinguent aucun effet marquant duTrading Algorithmique sur la liquiditédes titres à faible capitalisation. Deplus, ils montrent que la réduction descoûts établie dans leur étude s’expliquepar la diminution de la composante desélection adverse, qui compense large-ment une augmentation simultanée de


En raison de l’endogénéité conjointede la liquidité, la volatilité et leTrading Haute Fréquence, lescorrélations entre ces variables nedevraient pas être interprétées entermes d’effet causal du THF sur laqualité de marché. Par exemple, sila volatilité incite les Traders HauteFréquence à traiter plus, il existeraune corrélation positive entrevolatilité et Trading HauteFréquence, même si ce dernier n’aaucun effet sur la volatilité. Unefaçon de surmonter ces problèmesd’endogénéité est d’utiliser des"instruments", i.e. des variables quiimpactent le Trading HauteFréquence sans impacterdirectement les autres variablesd’intérêt. Les empiristes avancentque certains changementstechnologiques dans la structuredes marchés, tels que la réductionde la latence par exemple, ou lamise en place de la co-location,devraient influer sur le THF sanschanger directement la qualité demarché. Ces évènements ont doncété utilisés comme instruments pourévaluer les effets des THFs sur laqualité de marché.

Focus 7 : Endogénéité et instruments


la fourchette réalisée ; qui représentequant à elle le profit moyen par transac-tion des apporteurs de liquidité. Aussi laréduction du coût d’apport de liquiditén’est-elle pas entièrement transféréeaux consommateurs de liquidité. Celaindique que la concurrence au sein desapporteurs de liquidité rapides n’étaitpas suffisante en 2003.14

En utilisant le même proxy que Hender-shott et al. (2011) pour le TradingAlgorithmique, Boehmer, Fong et Wu(2012) aboutissent à des conclusionssimilaires sur un échantillon plus largede titres et de pays. Pour chaque paysde leur échantillon, ils constatent unerelation négative entre l’activité de Tra-ding Algorithmique et la fourchetteacheteur-vendeur. Selon eux la co-loca-tion, utilisée comme instrument pour leTrading Algorithmique, concorde avecune amélioration de la liquidité.

Boehmert, Fonget Wu (2012) observentdes variations transverses intéressantesdans l’impact du Trading Haute Fré-quence sur la liquidité. Les effetspositifs concernent principalement lestitres à forte capitalisation, dont la valo-risation est élevée et la volatilité faible.A l’inverse, le Trading Algorithmiquesemble avoir des effets négatifs sur laliquidité des titres à faible capitalisation,et aucun sur les titres à faible valorisa-tion ou forte volatilité.

Ces études apportent des conclusionstrès intéressantes quant aux effets dutrading automatisé sur la liquidité.Cependant, deux raisons invitent à res-ter prudent lors de leur interprétation.D’abord, les proxies du Trading HauteFréquence fondés sur le nombre demessages par transaction reflètent sansdoute à la fois les Traders Haute Fré-quence et les Traders Algorithmiquestraitant à une vitesse moindre, commeles courtiers se servant d’ordinateurspour scinder les ordres de leurs clients.Il se peut donc que les résultats abordéspar Hendershott et al. (2011) ou Boeh-mer et al. (2012) traduisent l’effet deTraders Algorithmiques relativementlents, plutôt que l’effet de Traders HauteFréquence. En réalité, la latence effec-tive sur les transactions du NYSE avantles années 2006 et 2007 était de l’ordrede 4 à 10 secondes. C’est une latencebien trop grande pour le Trading Haute

Fréquence. L’échantillon considéré parHendershott et al. (2011) est sans douteantérieur au développement du TradingHaute Fréquence sur les titres du NYSE

Ensuite, Hendershott et al. (2011) ouBoehmer et al. (2011) utilisent desmesures de liquidité, comme la four-chette acheteur-vendeur, qui ont unsens pour les investisseurs envoyantdes ordres au marché. Pourtant, sur lesmarchés à carnets d’ordres aveclimites, les investisseurs peuvent choi-sir d’envoyer des ordres à cours limitéou des ordres au marché. Une concur-rence plus rude de la part des TradersHaute Fréquence diminue peut être laprobabilité pour les investisseurs pluslents d’être exécutés à un prix raison-nable avec des ordres à cours limité, cequi les conduirait à utiliser des ordresau marché, plus coûteux, et donc àarrêter de fournir de la liquidité, créantun assèchement du marché. Cet effetnégatif du Trading Haute Fréquence nepeut pas être capturé par les mesuresstandards de liquidité.

Le premier point est abordé par cer-taines études empiriques très récentes,qui se concentrent sur les transactionsfaites par les Traders Haute Fréquence.Le 1er avril 2012, l’organisme de régle-mentation du commerce des valeursmobilières canadien a instauré destaxes sur le nombre de messages élec-troniques envoyés par les traders. Celapeut être considéré comme un coûtsupplémentaire exogène pour les THFs.La part des THFs dans le flux de mes-sages est alors passée de 81% à 5.65%.De même que Hendershott, Jones, etMenkveld (2011), Malinova, Parks, etRiordan (2012) détectent une augmenta-tion des fourchettes acheteur-vendeurassociée à cette diminution du flux demessages (i.e. de l’activité de TradingHaute Fréquence).15 Ils montrent égale-ment que cette baisse du Trading HauteFréquence détériore la qualité de marchépour les investisseurs particuliers.

Brogaard, Hendershott, Hunt, Latta,Pedace et Ysusu (2012) analysent lestransactions faites par les investisseursinstitutionnels et les THFs sur les titresde l’indice FTSE250.16 Ils utilisent lesbaisses de latence sur le marché londo-nien (London Stock Exchange) afin demesurer le lien causal entre Trading

Haute Fréquence et l’impact des trans-actions sur les prix pour lesinvestisseurs institutionnels de leuréchantillon. Ils n’établissent aucunerelation, positive ou négative, entre lesdeux. En outre, ils soulignent la baisseconstante des impacts subis par lesinstitutionnels entre 2003 et 2011 (hor-mis durant la crise des subprimes),constatation qui va à l’encontre du res-senti de ces investisseurs.

3.5 Trading Haute Fréquence etvolatilité

Chaboud et al. (2009) étudient l’effet duTrading Algorithmique sur la volatilité detrois taux de changes (dollar/yen, dol-lar/euro et euro/yen), en utilisant lesdonnées de transactions sur EBS, l’undes deux principaux marchés électro-niques de devises, en 2006 et 2007. Ilsconnaissent la provenance de chaqueordre envoyé sur EBS : être humain oualgorithme. Ainsi, ils mesurent chaquejour l’activité de Trading Algorithmiquesur cette plateforme, relativement auvolume total traité. Grâce à des régres-sions OLS simples, ils établissent unerelation positive à une échelle quoti-dienne entre la volatilité des taux dechange de leur échantillon et leurmesure du Trading Algorithmique. Cettecorrélation positive peut cependant netraduire que le fait que les Traders Algo-rithmiques décident d’être plus actifsles jours de forte volatilité.

Afin d’identifier le lien causal entre Tra-ding Algorithmique et volatilité, ilsutilisent comme instrument le nombremensuel de départements de tradingéquipés d’algorithmes pour EBS. LesTraders Algorithmiques ont recours àune interface spécifique pour interagiravec EBS, qui connaît donc le nombred’utilisateurs de ce système à chaqueinstant. Le nombre d’utilisateurs nedevrait pas être impacté par les chan-gements de volatilité d’un jour à l’autre,puisque la création d’un départementde Trading Algorithmique prend dutemps (assurément plus d’une journée).Les variations mensuelles du nombrede départements de Trading Algorith-miques connectés à EBS peuvent doncêtre utilisées comme instrument afind’identifier l’effet causal de ces traderssur la volatilité journalière.

19


En effet, elles sont liées à l’activité deTrading Algorithmique sans être affec-tées par la volatilité. Cette approchepermet à Chaboud et al. (2009) de met-tre en avant un effet négatif, quoiquefaible, du Trading Algorithmique sur lavolatilité, contrairement au résultat indi-qué par l’analyse OLS simple. Ceséléments soulignent l’importance decontrôler les problèmes d’endogénéitélors de l’analyse des effets du TradingHaute Fréquence.

D’autres études empiriques aboutissentà une conclusion similaire avec d’autresméthodes et pour d’autres marchés.Hasbrouck et Saar (2012) s’abrogent duproblème d’endogénéité en considérantun système d’équations dans lequel lavolatilité peut influer sur le Trading Algo-rithmique et inversement. Ils utilisent lenombre de "messages liés" (voir Partie2.2) sur chaque intervalle comme proxydu Trading Algorithmique et concluent àun effet négatif de ce dernier sur lavolatilité.

Brogaard (2011a) utilise l’interdiction devente à découvert sur les titres desociétés financières aux Etats-Unisdurant trois semaines environ entreseptembre et octobre 2008. Cette inter-diction concernait treize titres del’échantillon Nasdaq étudié par Bro-gaard et s’appliquait aux THFs quin’étaient pas déclarés teneurs de mar-ché. Brogaard (2011a) montre que lapart des THFs dans le volume quotidiena diminué de façon significative pour lestitres concernés par la mesure, relative-ment aux titres exemptés. L’interdictionde vendre à découvert est en effet unhandicap important pour les TradersHaute Fréquence. Brogaard (2011a)montre également que les titres sur les-quelles la vente à découvert par lesTHFs est la plus affectée, relativementaux autres titres, subissent une plusforte augmentation de volatilité, et cesur différents intervalles de temps. Cetélément appuie la thèse d’un effetnégatif du Trading Haute Fréquence surla volatilité.

En revanche, Boehmer, Fong et Wu(2012) obtiennent des résultats diffé-rents pour les titres de leur échantilloninternational. En considérant plusieursproxies de la volatilité (comme la volati-lité journalière réalisée ou les écarts de

prix normalisés au cours de la journée),ils trouvent un lien positif entre leurmesure du Trading Algorithmique et lavolatilité. L’utilisation de la co-locationcomme instrument pour le TradingAlgorithmique conforte leur analyse.

3.6 Effet d’éviction et résistanceaux chocs de demande

Les teneurs de marché Haute Fré-quence représentent une concurrencebon marché pour les teneurs de marchéplus traditionnels. Ils sont capables depositionner leurs ordres à cours limitéen haut de la file d’attente des ordres :Brogaard (2011b) estime que les Tra-ders Haute Fréquence présents sur leNasdaq envoient des prix inférieurs ouégaux aux meilleurs prix 50% du temps,et qu’ils sont seuls à fournir ces prix19% du temps. Grâce à leur avantageen termes de vitesse, les Traders HauteFréquence peuvent fournir de la liqui-dité à des meilleures conditions que lestraders plus lents, annuler leurs prixrapidement lorsque le marché ne va pasdans leur sens, et profiter des ordresobsolètes restés dans les carnets. Celacrée un problème de sélection adversepour les apporteurs de liquidité pluslents, qui peuvent être évincés du mar-ché par les Traders Haute Fréquence.17

En temps normal, lorsque le déséquili-bre entre ordres à l’achat et à la venteoscille autour de zéro, les Traders HauteFréquence sont une bonne alternativeaux teneurs de marché plus lents. Maislorsque le déséquilibre augmente et seprolonge, les Traders Haute Fréquencepeuvent ne plus être capables d’appor-ter une liquidité suffisante, si leurcapacité à supporter les risques esttrop faible. Dans ce cas, l’absence deteneurs de marché plus lents pourraitdiminuer la résilience du marché.

3.7 Corrélation entre les stratégiesde Trading Haute Fréquence

Les Traders Haute Fréquence extraientdes données de marché des signaux in-formationnels, qui génèrent automati-quement des transactions. Lorsqu’il n’ya qu’un seul, ou quelques petits TradersHaute Fréquence, ce comportement nedevrait pas influer sur le marché.

A l’inverse, lorsque les Traders HauteFréquence sont responsables d’unegrande partie du volume, il est probableque ce comportement ait un impact surle marché. Il est fort possible que beau-coup de Traders Haute Fréquence utili-sent les mêmes signaux de marché, ettraitent ainsi dans le même sens. Si cesalgorithmes de trading ne prenaient pascette corrélation en compte, le TradingHaute Fréquence pourrait déclencherdes transactions en cascade, amplifiantles chocs sur le marché. Cette hypo-thèse concorde avec les évènementsdu mini-crash qui eut lieu en août 2007.A cette date, beaucoup de quants utili-saient des stratégies communes. Ilsétaient donc simultanément affectés parun choc, réagissaient de façon ana-logue, créant une spirale baissière sur lemarché. Alors qu’en 2007, la part du TradingHaute Fréquence était sans doute bienplus faible qu’aujourd’hui, des étudesempiriques plus récentes apportent deséléments cohérents avec le phénomènedécrit ci-dessus. Chaboud et al (2009)établissent une corrélation entre lesstratégies de Trading Haute Fréquence,et montrent qu’elles ne sont pas aussidiversifiées que celles utilisées par lestraders non-algorithmiques. Brogaard(2011b) montre que les Traders HauteFréquence présents sur le Nasdaq onttendance à envoyer des ordres dans lemême sens sur différents intervalles detemps (10 seconds, trente secondes, 2minutes et 15 minutes). Egginton et al.(2012) étudient les périodes de forte ac-tivité des Traders Haute Fréquence surles titres du Nasdaq en 2010. Ils identi-fient ces périodes comme étant les in-tervalles d’une minute durant laquelle lenombre de messages envoyés (des an-nulations ou des nouveaux prix) est su-périeur de plus de vingt écart-types à lamoyenne du nombre de messages surles vingt jours précédents. Environ 125évènements de ce type par jour sontdécouverts dans leur échantillon, et74% des titres sont concernés par aumoins une période de forte activité deTrading Haute Fréquence. Ces picsdans le flux de messages sontconformes à un regroupement des dé-cisions des Traders Haute Fréquence.Selon Egginton et al. (2012), ces pé-riodes montrent également une plusforte volatilité et de plus larges four-chettes acheteur-vendeur.



3.8 Effets domino

Bien que le Trading Haute Fréquencesoit à l’origine d’une grande partie duvolume traité, souvent, les THFs neconservent souvent des positions ris-quées que très peu de temps. Cessociétés de trading ont généralementune capacité de prise de risque réduite.Elles ne sont pas soumises à la régle-mentation prudentielle et ont un capitalrelativement faible. En temps normal,cela se justifie, mais si les sociétés deTrading Haute Fréquence venaient àsubir des chocs importants sur les mar-chés, le manque de capital pourraitcauser leur perte. Dans la mesure où les sociétés de Tra-ding Haute Fréquence prennentsouvent des positions similaires, il pour-rait y avoir une vague de défaillancessimultanées. Il serait sans doute alorstrès difficile de les gérer. Il faudraitdéterminer la position nette de chaqueparticipant envers chaque société deTrading Haute Fréquence en défaut depaiement. C’est le décalage entre la fré-quence de traitement des systèmes derèglement et de compensation (àl’échelle journalière), et le rythme duTrading Haute Fréquence, qui rendrait leproblème complexe. Ces défaillancespourraient alors se propager aux autresparticipants ayant des positionsouvertes auprès des sociétés de Tra-ding Haute Fréquence.

4. Politique réglementaire

Dans cette partie, nous exposeronsdans un premier temps les défaillancesde marché que pourrait engendrer leTrading Haute Fréquence via des effetsexternes. Nous discuterons dans unsecond temps des réponses réglemen-taires envisageables face à de tellesdéfaillances.

4.1 Défaillances de marché

Une intervention réglementaire est jus-tifiée lorsque l’activité d’un grouped’agents a des effets externes négatifssur d’autres agents. Les éléments citésplus haut suggèrent que les TradersHaute Fréquence peuvent être la sourcede plusieurs types d’effets externesnégatifs : congestion, sélection adverse,éviction des apporteurs de liquidité fon-damentaux, risque systémique enraison de faillites éventuelles et decontagion.

Premièrement, les Traders Haute Fré-quence peuvent congestionner lemarché, que ce soit en termes d’accèsaux plateformes de trading ou d’infor-mation de marché. Pour une allocationoptimale du trading et des réseaux dediffusion de l’information, il est néces-saire de fixer le coût d’une tellecongestion.

Deuxièmement, les Traders Haute Fré-quence peuvent être nuisibles auxautres traders via la sélection adverse.D’après le modèle théorique de Biais,Foucault, et Moinas (2012), la capacitédes Traders Haute Fréquence à réagirplus vite à l’information génère des coûtsde sélection adverse pour les tradersplus lents. Ce coût est en lui-même uneperte de bien-être chez les participants,certains peuvent ainsi décider deréduire leur taux de participation, ce quiaffectera la répartition des gains issusdes transactions. Les investisseurs peu-vent également être entraînés dans unecourse technologique afin de réduire lerisque de traiter face à des investisseursplus rapides, et donc mieux informés.Biais et al. (2012) montrent que cette

course conduit à un surinvestissementdans les technologies de Trading HauteFréquence, par rapport au niveau opti-mal. Dans ce cadre, une taxe sur lesinvestissements dans ces technologiespeut être un facteur d’amélioration del’efficience des marchés.

Troisièmement, les Traders Haute Fré-quence peuvent évincer les apporteursde liquidité plus lents, qui utilisent uneinformation fondamentale à long-termepour traiter, mais qui sont exploitables àcourt-terme. Ces apporteurs de liquiditéplus lents ont tout de même une résis-tance au risque à long-terme plusélevée que les THFs. Ceux-ci peuventdonc avoir un effet externe négatif surles autres participants en les privantd’un apport de liquidité dans le casd’un choc que seuls les traders pluslents pourraient supporter.

Quatrièmement, dans la mesure où, i)les sociétés de Trading Haute Fré-quence à faible capitalisation sontexposées au risque de vagues de fail-lites en cas de choc important sur lemarché, et ii) de tels défaillances encascade peuvent déstabiliser d’autresinstitutions, les Traders Haute Fréquenceaccroissent le risque systémique, ce quiconstitue un effet externe négatif pour lesautres participants.

4.2 Réponses réglementaires

Taxes et évaluationUne des approches pour restreindre lesinvestissements dans les technologiesde Trading Haute Fréquence consiste àles taxer. En août 2012, la France aadopté une taxe sur les Traders HauteFréquence, définis comme étant les tra-ders utilisant des algorithmes pourplacer et modifier des ordres en moinsd’une demi-seconde. Plus précisément,les traders peuvent modifier ou annulerjusqu’à 80% de leurs ordres sans payerde taxe. Au-delà de ce seuil, les tradersdevront s’acquitter d’un point de basedu montant des ordres annulés oumodifiés. Ce schéma est analogue ausystème de facturation appliqué parNYSE Euronext, qui impose un coût de€ 0.1 pour chaque ordre lorsque le ratiodu nombre d’ordres envoyés par rap-port au nombre de transactions effectivesest supérieur à 100.

21

Il est clairement établi que les ordresau marché des Traders HauteFréquence ont un avantageinformationnel à court-terme, il estmoins évident que le TradingAlgorithmique améliore l’efficiencedes prix en termes d’information.Jusqu’ici les études empiriquesn’ont pas décelé d’effet négatifnotable du Trading Haute Fréquencesur la liquidité, et leurs conclusionsquant à la volatilité ne sont pasunanimes. Elles suggèrentégalement que les transactions desTHFs sont regroupées et corréléesentre elles.

Focus 8 : Observations empiriquesdes conséquences du THF sur laqualité de marché



Hagströmer et Nordén (2012) estimentdes ratios d’ordres par transaction éle-vés pour les teneurs de marché HauteFréquence, relativement aux autres Tra-ders Haute Fréquence. Cela s’expliquepar le fait que les apporteurs de liquiditédoivent fréquemment annuler et revoirleurs ordres, afin d’éviter une exécutionadverse. Aussi les taxes basées sur leratio d’ordres par transaction peuvent-elles limiter la tenue de marché HauteFréquence plutôt que les stratégies deTrading Haute Fréquence responsablesde la sélection adverse envers les par-ticipants plus lents, comme cellesspécialisées dans l’exploitation desordres obsolètes en cas de nouvelleinformation. Pour entraver ces stratégiesen particulier, plutôt que la tenue de mar-ché, il est possible d’instaurer des fraisplus élevés pour les ordres au marché(ordres générant immédiatement unetransaction), puisque les études empi-riques montrent que ce type d’ordres estutilisé par les THFs afin de profiter deleur avantage informationnel.

Mécanismes de marché Une autre approche serait la mise enplace de mécanismes de marché quiendigueraient le problème de sélectionadverse provoqué par les tradersrapides et diminueraient l’attrait d’unsurinvestissement dans les technolo-gies de Trading Haute Fréquence. D’aucuns pourraient s’interroger sur lanécessité d’une intervention réglemen-taire pour mettre en place cesmécanismes bénéfiques. Ne devraient-ils pas apparaître spontanément?Malheureusement, plusieurs raisonspeuvent empêcher le marché d’opterpour les mécanismes les plus adaptés. D’abord, les motivations des places demarché et celles des investisseurs lentspeuvent ne pas être communes. Eneffet, les places de marché récupèrentune partie des gains des sociétés deTrading Haute Fréquence, grâce auxfrais de trading, de co-location ou devente de données. Leurs décisionsquant à la structure du marché ou quantau prix de leurs produits peuvent doncêtre prises dans l’intérêt des sociétésde Trading Haute Fréquence.18 Cespaet Foucault (2012) fournissent une ana-lyse théorique de ce déséquilibre. Ilsmontrent qu’un marché peut être enclinà défavoriser les investisseurs dans leuraccès aux données temps-réel, par

exemple en imposant des frais de co-location et de flux de données élevés,afin d’augmenter les profits des traderssell-side, dont ils récupèreront une partiegrâce aux frais de trading. Ensuite, il peut y avoir des freins audéveloppement des places de marchéfavorables aux traders plus lents. Eneffet, il est bénéfique pour les investis-seurs de traiter là où les autresparticipants traitent. Attendre d’un nou-veau marché qu’il accueille peu detransactions peut être satisfaisant indi-viduellement, même si un accèscollectif à cette nouvelle plateformeserait profitable à l’ensemble des parti-cipants. Ce problème de coordinationpourrait expliquer le fait que les plate-formes lentes ne se développent pas,malgré le bénéfice qu’elles apporte-raient à un grand nombre departicipants. Enfin, la structure de marché actuelle nefacilite pas nécessairement la mise enplace de nouveaux mécanismes de tra-ding par les plateformes. Etudions lesdeux exemples suivants. Aux Etats-Unis, les ordres au marché doivent êtreenvoyés au marché offrant les meilleursprix à tout instant, selon la règle de pro-tection des ordres. Cette règle établitdonc un lien entre les marchés, rendantla tâche plus difficile aux traders pluslents qui souhaiteraient s’abroger desmarchés rapides. Aux Etats-Unis commeen Europe, le trading Actions est trèsfragmenté dans la mesure où le tradingpour un titre donné peut avoir lieu surplusieurs plateformes. L’implémentationd’enchères périodiques groupées impo-serait aux places de marchéconcurrentes de se coordonner. Eneffet, dans un environnement où lesenchères groupées sont très fréquentes,chaque seconde par exemple, desdécalages de temps entre les enchèressur les différentes plateformes (commeChi-X et NYSE-Euronext) avantageraientles traders ayant la possibilité deconnaître le résultatd’une enchère avantles autres. Il faudrait également coor-donner les marchés Actions et lesmarchés de dérivés, puisque certainstraders prennent des positions simulta-nées sur ces produits financiers à desfins de couverture.

Réglementation prudentielleLa Commission Européenne a intégrél’analyse des THFs dans la révision dela directive concernant les marchésd’instruments financiers (directive MIF).Elle envisage la possibilité de régle-menter les sociétés de THF et de leurimposer des seuils de fonds propres.Cela empêcherait la création d’unrisque systémique par ces sociétés.

Expériences pilotesIl peut être très difficile d’établir desliens de causalité entre la présence deTraders Haute Fréquence et les carac-téristiques du marché dans la mesureoù les deux sont endogènes (voir Partie3.2). Dans ce cadre, il est délicat deprédire les conséquences de proposi-tions réglementaires concernant lesTraders Haute Fréquence. Afin de pallierà cette incertitude, nous recommandonsde conduire des expériences pilotes quipermettraient d’évaluer les effets de cespropositions sur un échantillon limitémais représentatif de titres avant unemise en place à plus large échelle.

Par exemple, une grande partie desordres des Traders Haute Fréquencesont annulés, parfois très vite après leurenvoi initial. Ce ratio d’annulations partransactions élevé est inquiétant pourplusieurs raisons : cela peut être unfacteur de congestion ralentissant l’en-semble du processus de trading ; celabrouille la vision des participants pluslents quant aux termes exacts de leurstransactions ; et les annulations peuventêtre utilisées à des fins de manipulation. Ilexiste plusieurs manières de faire face àce problème. L’on pourrait par exempleimposer des frais pour chaque annula-tion, ou ordonner une durée de vieminimum pour les ordres à cours limité,qui ne pourraient donc plus être annu-lés avant un temps défini (voir SEC(2010)). Les effets de ces mesures sontpourtant incertains a priori. Par exem-ple, plutôt que d’améliorer la qualité demarché, elles pourraient accroître l’ex-position des traders envoyant desordres à cours limité au risque d’êtreexploités, et donc élargir les fourchettesacheteur-vendeur. L’effet d’une duréede vie minimum, ou de frais liés auxratios d’annulations par transaction, surla qualité de marché est difficile à pré-dire. Il en est de même pour un certainnombre de mesures envisagées pourrestreindre le Trading Haute Fréquence.


Taxer les institutions dont le nombre de messages envoyés ou le nombre d’annulations par transaction est trop élevé n’estsans doute pas une mesure optimale. Son défaut vient surtout du fait qu’elle risque d’affecter en premier lieu la tenue demarché, et non d’autres stratégies de Trading Haute Fréquence, potentiellement moins utiles.

Des modifications de la structure de marché pourraient être plus efficaces. L’une des possibilités serait de passer du modede trading continu à des enchères périodiques, par exemple toutes les 100 millisecondes. Il est difficile d’imaginer unesituation rationnelle dans laquelle une fréquence de trading de 100 millisecondes diminuerait l’utilité publique du marché.Une autre possibilité serait d’offrir aux traders lents le choix de n’être exécutés que face à d’autres traders lents, ou decréer des plateformes réservées à ce type de traders. S’ils adoptaient ces mécanismes, ils seraient au moins en partieprotégés du comportement prédateur des Traders Haute Fréquence. Cela réduirait les profits issus de ces stratégies pourles Traders Haute Fréquence et freinerait alors les investissements excessifs dans ces technologies. Plutôt que deréglementer directement les Traders Haute Fréquence, il serait possible d’imposer des contraintes aux places de marché defaçon à ce que leurs mécanismes de trading et leurs tarifications soient à même de rendre le marché efficient.

Il serait également prudent de s’assurer que le THF n’est pas source de risque systémique. Par exemple, des capitauxtampons réduiraient la probabilité que les sociétés de THF soient déstabilisées en cas de choc de liquidité, et nedéstabilisent à leur tour leurs contreparties. Contraindre les fonds propres des sociétés de THF augmenterait égalementl’implication de leurs propriétaires, et réduirait le risque moral lié à une responsabilité limitée. Des stress tests devraient êtreconduits par chaque société de trading et chaque plateforme, de façon à évaluer les conséquences d’un choc sur lemarché, et la capacité de ce dernier à le gérer sans entraîner de crise systémique.

Enfin, pour pallier à l’incertitude sur les effets des propositions réglementaires, il serait utile de mener des expériencespilotes avant de les mettre en œuvre. Cela a été le cas aux Etats-Unis, afin d’étudier les avantages et désavantages d’uneplus grande transparence post-transactions sur le marché obligataire (voir Goldstein, Hotchkis et Sirri (2007)). Uneapproche similaire pourrait être utile dans la recherche d’une réglementation optimale du Trading Haute Fréquence.

23

Focus 9 : Conséquences réglementaires



Auteur(s) Classe d’actifs Echantillon Période de temps

Chaboud, Chiquoine, Hjal-marsson et Vega (2009)

Taux de change Euro-Dollar, Dollar-Yen, Euro-Yen

01/01/2006 - 31/12/2007

Brogaard (2011a) Actions américaines120 titres listés sur le Nasdaqet le NYSE

2008-2010

Brogaard (2011a) Actions américaines120 titres listés sur le Nasdaqet le NYSE

2008-2010

Hasbrouck et Saar (2012) Actions américaines345 et 394 titres listés sur leNasdaq

10/2007 et 06/2008

Hendershott, Jones etMenkveld (2011)

Actions américaines Titres du NYSE 2001-2005

Hendershott et Riordan (2009) Actions allemandes (Dax)30 titres listés sur DeutscheBoerse

01/1/2008 - 18/01/2008

Brogaard, Hendershott, etRiordan (2012)

Actions américaines120 titres listés sur le Nasdaqet le NYSE

2008-2009

Brogaard, Hendershott, Hunt,Latza, Pedace et Ysusi (2012)

Actions anglaises (FTSE 250) 250 titres 2007-2011

Boehmer, Fong, et Wu (2012) Actions 39 marchés différents 2001-2009

Jovanovic et Menkveld (2011 Actions néerlandaises14 titres, composants de l’indice AEX

01/1/2008 - 04/23/2008

Hirschey (2012) Actions américaines96 titres du Nasdaq et duNYSE

01/01/2009 - 12/31/2009

Kirilenko, Mehrdad, Kyle, etTugkan (2010)

FuturesContrats futures E-mini sur leS&P500

05/03/2010 - 05/08/2010

Baron, Brogaard, et Kirilenko(2012)

FuturesContrats futures E-mini sur leS&P500

Août 2010

Menkveld (2011) Actions néerlandaises14 titres, composants de l’indice AEX

01/01/2007 - 17/06/2008

Riordan et Stockenmaier Actions allemandes 110 titres de l’indice HDAX 02/22/2007 - 06/19/2007

Gai, Yao et Ye (2012) Actions américaines120 titres du Nasdaq et duNYSE

2010-2011

Malinova, Parks et Riordan(2012)

Actions canadiennes248 titres listés sur le TorontoStock Exchange

Mars-Avril 2012

Hagströmer et Nordén (2012) Actions suédoises30 titres, composants de l’indice OMXS

Août 2011 et février 2012

Annexe

Table 1Cette table fournit un récapitulatif des échantillons de données utilisés par les analyses empiriques évoquéesdans notre rapport. Les périodes de temps ne sont pas toujours indiquées précisément, certaines études ayantconsidéré plusieurs intervalles lors de leurs différents tests.


25

Notes1 Bruno Biais, TSE, Université Toulouse 1, Manufacture desTabacs, Aile Jean Jacques Laffont, 21 Allée de Brienne,3100 Toulouse. Tel: (33).5 61 12 85 98. Thierry Foucault,HEC, Paris, Département de Finance, 1 rue de la Libération,78351 Jouy en Josas, France. Tel: (33) 1 39 67 95 65; Fax:(33) 1 39 67 70 85; email: [email protected]. Nous remercionsl’Institut Louis Bachelier pour son soutien financier.

2 Les plateformes de trading définissent la latence commeétant le temps de communication entre le serveur d’untrader et la plateforme elle-même (c’est-à-dire le temps pourla plateforme d’accuser réception d’un ordre soumis par letrader). Ce délai n’est qu’une partie de la latenceeffectivement imputée aux traders, qui gèrent également lavitesse à laquelle ils peuvent traiter l’information reçue desplateformes et y réagir.

3 Le temps de réaction d’un être humain à un évènement estde l’ordre de 200 millisecondes. Voir Kosinski (2010). La quantité de données financières qui peut être utilisée àtout moment pour prendre une décision d’investissement estimmense.Hendershott (2011) fait un calcul intéressant. Il souligne que 2,5 milliards d’ordres sont envoyés par jour,soit en 23.400 secondes de trading, ce qui équivaut à plusde 100.000 messages par secondes, seulement sur lesmarchés Actions américains. Seuls des ordinateurs peuventtraiter un flux de signaux aussi conséquent, presquecontinu.

4 Par exemple, dans Sandas (2001), les ordres à cours limitésitués en haut de la file d’attente des ordres à cours limité(ceux ayant la priorité de temps) ont un gain attendu plusélevé que ceux situés en bas de la file. Aussi est-il précieuxd’avoir la priorité de temps.

5 Foucault, Röell et Sandas (2003) considèrent un modèledans lequel les teneurs de marché incluent les coûts demonitoring. Ils montrent que des coûts de monitoring plusfaibles incitent les teneurs de marché à réagir plusrapidement aux évènements et à réduire leur risque detraiter à un prix inadéquat. L’utilisation de l’informatique pourmettre à jour leurs prix permet de réduire les coûts demonitoring.

6 Storkenmaier et Wagener (2011) étudient la durée de viedes prix croisés pour les composants de l’indice FTSE 100,traités sur le LSE, Chi-X, BATS et Turquoise. Ils estiment quecette durée est de 16 minutes en avril et mai 2009, etseulement de 19.8 secondes en avril et mai 2010. Cetteforte baisse est sans doute due à des arbitragesautomatisés plus intenses entre ces marchés.

7 Cette stratégie n’est pas nouvelle. Par exemple, dans lesannées 90, des traders dont la position était nulle en fin dejournée (aussi appelés bandits SOES) ont utilisél’automatisation de l’exécution sur le Nasdaq pour profiterdes traders qui actualisaient plus lentement leurs prix (voirFoucault, Röell, et Sandas (2003)).

8 Hirschey (2012) utilise également les données du Nasdaq.Ces données lui permettent d’identifier le trading de THFsindividuels pour 96 titres du Nasdaq et du NYSE en 2009.Ses données sont plus précises que l’échantillon Nasdaq.Cependant, à l’inverse de ce dernier, elles ne sont pasouvertes aux autres chercheurs.

9 Hendershott et al. (2011) considèrent l’ensemble des THFsde leur échantillon comme un seul THF. Ils calculent le profitjournalier de ce trader comme étant le montant cumulé reçuvia les ordres de vente, moins le montant cumulé payé pourles ordres d’achat, plus la valorisation de l’inventaire dutrader à la fin de la journée, au niveau de prix de clôture.

10 Voir Foucault, Kadan, et Kandel (2013) et Colliard etFoucault (2012) pour des analyses théoriques desréductions de frais pour l’apport de liquidité, leurs effets surla fourchette acheteur-vendeur, et sur l’incitation à fournir dela liquidité qui en découle.

11 Jovanovic etMenkveld (2011) étudient également l’effetdu Trading Haute Fréquence sur le bien-être, maisconsidèrent le niveau de Trading Haute Fréquence commeexogène. Ils soulignent le fait que les Traders HauteFréquence peuvent rapidement intégrer une nouvelleinformation dans leurs prix. En ce sens, ils réduisent lesasymétries d’information entre acheteurs et vendeurs finaux,pour les actifs sur lesquels elles sont importantes. D’unautre côté, comme l’indique également Biais et al. (2011),les Traders Haute Fréquence, en réagissant rapidement auxévènements, peuvent être la cause d’une nouvelle asymétrieinformationnelle. Ces deux phénomènes ont des effetsopposés sur les volumes traités et le bien-être, d’oùl’ambiguïté sur l’impact ultime du Trading Haute Fréquencesur le bien-être dans Jovanovic and Menkveld (2011).

12 Pour des illustrations graphiques de "mini flash crashes",voir http://www.nanex.net/FlashCrash/OngoingResearch.html(la colonne " journées étranges ").

13 L’une des exceptions est la profondeur de cotation (i.e., lenombre de titres disponibles aux meilleurs prix), qui adiminué pour ces titres. Cependant, la baisse semble tropfaible pour compenser la réduction des fourchettesacheteur-vendeur, et Hendershott et al. (2011) concluentque le Trading Algorithmique tend à diminuer les coûts detrading pour les titres à forte capitalisation.

14 Riordan et Storkenmaier (2012) étudient l’effet d’uneréduction de la latence sur Xetra, le système de trading deDeutsche Boerse, en 2007. Leurs conclusions sontsimilaires à celles de Hendershott, Jones et Menkveld(2011). En particulier, la réduction de la latence est liée àune diminution significative des fourchettes acheteur-vendeur affichées (de 7.72bps à 7.04bps), une diminutiondes impacts des transactions sur les prix (de 6.87bps à 2.65bps) et une augmentation des fourchettes acheteur-vendeurréalisées (de 0.97bps à 4.45bps).

15 De même que Kirilenko et al. (2010), Malinova, Parks, etRiordan (2012) utilisent des données par trader pouridentifier les THFs sur le Toronto Stock Exchanges. Ilsassimilent un trader à un Trader Haute Fréquence lorsqu’ilprésente un très grand nombre de messages partransaction, et lorsque le nombre absolu de messagesenvoyés (ordres au marché, ordres à cours limité,annulations, ordres à exécuter ou annuler) est très élevé.Grâce à ces critères, ils identifient 107 THFs en mars 2012,88 en avril 2012.

16 Les données de transactions des investisseursinstitutionnels sont apportées par Ancerno, un fournisseurde données pour l’analyse des coûts de trading. Lesdonnées de THFs sont apportées par l’autorité des servicesfinanciers au Royaume-Uni (FSA). Elles contiennent lesdonnées de transactions par les THFs qui les ont rapportéesauprès de la FSA, ou qui ont traité via un courtier.

17 Foucault, Kandel, etKadan (2013) montrent qu’un teneurde marché qui réagit plus vite que ses concurrents obtientune meilleure part de marché. Voir égalementCarteaetPenalva (2012) pour un modèle dans lequel lesteneurs de marchés lents sont évincés par les teneurs demarché plus rapides.

18 Sur ce point, voir l’article du Wall Street Journal du 19septembre 2012, “For Superfast Stock Traders, a Way toJump Ahead in Line”. Cet article explique les soupçonsporté sur certaines places de marché américaines dedonner la possibilité aux THFs d’utiliser des ordres spéciauxafin d’être prioritaires face aux traders plus lents.



Comprendre les enjeux du Trading Haute Fréquence

Introduction

Certaines évolutions récentes de la régulation, connues sous le nom de Regulation of National Market System (Reg NMS) auxEtats-Unis ou "Directive concernant les marchés d’instruments financiers" (MIFID) en Europe, associées aux effets de la crisefinancière (en particulier son impact sur la liquidité des marchés), ont profondément changé la microstructure de marché sur deuxaspects :

• la fragmentation de la liquidité au sein de plusieurs places de marché, avec l’apparition de nouveaux venus en Europe comme Chi-X, BATS Europe, ou Turquoise ; dont certains ne sont pas réglementés ou dark ;

• la progression d’un nouveau type d’acteurs, les Traders Haute Fréquence, impliqués dans 40% à 70% des transactions.

Ces deux effets sont liés, dans la mesure où les Traders Haute Fréquence, devenus les principaux clients des places de marché,ont un impact implicite sur les produits proposés par ces dernières.

En rassemblant les conclusions de recherches académiques récentes, ainsi que des constatations empiriques, ce papierprésente ce que nous pensons être les éléments clés pour comprendre les enjeux de ces évolutions. Nous y proposonségalement des pistes pour atténuer certains de leurs effets. Une première section décrit les modifications récentes intervenuesdans la microstructure des marchés électroniques. La deuxième détaille le rôle joué par le processus de formation des prix, etla façon dont les Traders Haute Fréquence peuvent le modifier en interagissant avec les acheteurs et les vendeurs. La troisièmerévèle les différentes stratégies utilisées par ces nouveaux acteurs et leur rentabilité. Une dernière section est consacrée à denouveaux outils scientifiques élaborés pour jauger et contrôler l’activité du Trading Haute Fréquence.

Clause de non-responsabilitéLes avis exprimés dans ce papier sont ceux des auteurs et ne reflètent pas nécessairement ceux de l’Institut Louis Bachelier ou ceux du LABEXFinance et Développement Durable.

AvertissementIl s’agit de la traduction d’un document écrit en anglais. En cas de doutes sur certains termes, merci de se reporter à la version originale.

Frédéric AbergelChaire de Finance Quantitative, Ecole Centrale Paris, Laboratoire MAS

Charles-Albert LehalleCapital Fund Management, membre du groupe de travail consultatif

de l’ESMA Financial Innovation Standing Committee

Mathieu RosenbaumLaboratoire de Probabilités et Modèles Aléatoires,

Université Pierre et Marie Curie (Paris 6)


1. Changementsrécents dans lamicrostructure demarché et leursliens avec le TradingHaute Fréquence

1.1 Objectifs macroscopiques desévolutions réglementaires

Le cadre réglementaire de la directiveMIF (MiFID) a été adopté par l’UnionEuropéenne en 2004 et appliqué par lespays membres en 2007, cf. [mifid,2002]. Il est proche de son homologueaux Etats-Unis, la régulation NMS (RegNMS), adoptée en 2005, bien que cha-cun reste adapté aux spécificités deces deux grands marchés.

Du point de vue de la microstructure,les trois buts principaux de ces régle-mentations sont les suivants:

- soumettre à la concurrence les placesde marché historiques et monopolis-tiques, afin d’améliorer la qualité deservice et de réduire les coûts de trans-action,

- unifier les interfaces proposées par lesplaces de marché,

- construire explicitement, via des fusions,ou implicitement, via des interfaces com-munes, des places de marché pan-européennes.

La microstructure classique, à savoirl’organisation interne des marchésfinanciers en tant qu’échanges entreinvestisseurs, est représentée de façonschématique grâce aux trois étages dela Figure 1: les investisseurs, les inter-médiaires, et les opérateurs de marché.

L’objectif de la directive MIF et de larégulation NMS était d’agir sur lacouche inférieure : le marché des opé-rateurs de marché. En Europe, avant lafragmentation qui a suivi l’implémenta-tion de la directive MIF, les opérateursde marché étaient des places histo-riques, issues de l’histoire de chaquepays membre : le London Stock Exchange(LSE) au Royaume-Uni, NYSE- EuronextParis (anciennement "La Bourse de Paris")en France, NYSE-Euronext Brussels enBelgique, la bourse de Milan en Italie,…

Le Tableau 1 montre la répartition desrevenus d’Euronext en 2012. Il apparaîtque les commissions provenant destransactions sur produits dérivés ou suractions ne représentent que 57% desgains de ce marché réglementé. Deplus, les droits d’émission , ainsi que lesventes de technologie et de données demarché représentent à eux trois unepart plus importante que les commis-sions issues des transactions suractions, pour la première fois dans l’his-toire d’Euronext.

La chute des revenus issus des trans-actions des opérateurs de marché peutavoir deux causes : d’abord, la baissedes commissions d’environ 2 points debase à moins de 1 point de base ;ensuite, la diminution des montantséchangés à mesure que la compétitionentre les places de marché augmentait,couplée à la baisse du prix des actionsavec la crise financière : un gâteau pluspetit à partager entre des opérateursplus nombreux.

Premier effet attendu : une diminution descoûts de trading

Un avantage de la compétition entreplaces de marché est la réduction de lacommission par transaction à moins 1point de base, au prix d’une grille tari-faire plus complexe, cf. [Committee,2012]. Cette réduction doit être com-parée aux coûts post-transaction derèglement-livraison, ainsi qu’au coûtimplicite de chaque transaction, àsavoir la fourchette offre-demande, enmoyenne à 6 points de base en Europe,cf. [Cheuvreux, 2012] et la Partie 4 pourplus de détails.

Deuxième effet attendu : une amélioration dela qualité de service

Un des objectifs des deux cadres régle-mentaires évoqués est l’amélioration duservice offert par les marchés finan-ciers. En ce qui concerne la qualité dece service, deux caractéristiques impor-tantes bien que contradictoires, sontobservées :

- la rapidité des moteurs d‘appariement,le matériel et les logiciels chargés defaire correspondre les ordres d’achat etde vente, a augmenté. Le temps moyenest passé de quelques secondes en2007 à quelques microsecondes cinqans plus tard.

- cependant, le nombre d’interruptionsde cotation, qui est un autre aspect dela qualité de service fournie par lesopérateurs de marché, n’a pas diminué.Ces interruptions sont principalementcausées, soit par des dysfonction-nements du moteur d‘appariement,comme les 25 février 20111, 20 et 21juin 20112, 6 décembre 20113, 2 janvier20124, et 8 mai 20125, soit par des inter-ruptions de volatilité. Ces dernières ontlieu lorsque la volatilité intraday estincompatible avec le niveau de volatilité

27

RevenuMillions

de dollars%

Emissions 50 8.93

Ventes de technologie 90 16.07

Données de marché 100 17.85

Commissions sur transactions

320 57.15

Détail des commissions surtransactions

320 57.15

Actions 220 39.29

Produits dérivés 100 17.86

Table 1Répartition typique des revenus d’unmarché réglementé exemple d’Euronext en 2012.

Schéma de la microstructure pré-fragmentation :investisseurs, intermédiaires et opérateurs demarché appartiennent à trois couches distinctes.

Investors

Intermediaries

Visible book

Primary

OTC


usuel sur un titre donné. Elles ont pourbut de fluidifier le processus de forma-tion des prix, en permettant auxintervenants de modifier les paramètresde leurs systèmes de trading et d’a-juster leurs prix d’achat et de vente encas de changement significatif de lavalorisation du titre. La Figure 2 illustrele fait que le nombre moyen de suspen-sions de cotation augmente avec lavolatilité du marché, ce qui indique queles seuils ne sont pas adaptés : lafréquence d’une volatilité intradayinhabituelle ne devrait pas dépendre dela volatilité moyenne sur le marché. Aux Etats-Unis, deux défaillances mar-quantes des acteurs impliqués dans leprocessus de formation des prix sesont produites : le Flash Crash, une per-turbation de la dynamique des prix le 6mai 2010, cf. [Kirilenko et al. 2010], et leKnightmare, lorsque les automates del’un des plus importants teneurs demarché se sont comportés de manièreaberrante pendant 45 minutes le 1eraoût 2012.

Troisième effet attendu : l’émergence destandards de trading pan-européensAfin d’accéder à une place de marché, unintervenant doit acheter ou développer unlogiciel dont le protocole est capable dedialoguer avec le langage informatique util-isé par la place en question. Mal-heureusement, les opérateurs de marchén’ont pas tous choisi le même langage, cequi nécessite de multiples protocoles. Lacomplexité de l’accès aux places demarché a donc augmenté, cf. [Cohen andWolcough, 2012]. Il faut signaler que l’undes obstacles majeurs à la convergencedes protocoles est la présence de brevetsprotégeant la plupart d’entre eux. Malgréquelques efforts de centralisation : le LSEa racheté Turquoise, BATS Europe a ra-cheté Chi-X, NYSE-Euronext offre une in-terface commune pour les marchés Ac-tions de l’Union Européenne et les Etats-Unis… on n’observe pas à ce stade dediminution générale du nombre de proto-coles protégés par des brevets. De ce fait,les coûts fixes de connexion à la plupartdes places de marché européennes sesont accrus démesurément, cf. [Houstoun,2012]. Cette courte analyse amène à laconclusion que la compétition entreplaces de marché au niveau européen aeu des conséquences indésirables. Troisrecommandations peuvent être faitesafin de les contourner.


Une solution devrait être envisagée, au niveau européen, pour amener l’industriefinancière vers un nombre restreint de protocoles offrant un même accès à tousles participants. Pour le trading, deux types de protocoles devraient être consi-dérés : l’un fournissant l’accès aux données, l’autre permettant la communicationbilatérale entre un participant et un moteur d’appariement, par l‘envoi d‘ordres etla réception de réponses. Les deux protocoles devraient être disponibles dansune version facile à implémenter, sans optimisation, et dans une version plus com-plexe, par exemple un protocole binaire, autorisant les communications à faible la-tence. Chaque place de marché devrait proposer une implémentation de cesprotocoles.

Figure 2 : En haut, la volatilité du marché ; en bas, le nombre d’interruptions de cotation sur NYSE-EuronextParis. Le nombre d’interruptions de cotation devrait être indépendant du niveau de volatilité, dans la mesureoù leur rôle est d’arrêter le processus de formation des prix lorsque les variations de prix sont plus grandesqu’un niveau jugé "raisonnables" (plus élevé lorsque la volatilité est élevée). Notons que ce principe d’unification n’est pas une première. L’industrie automobile, par exemple, a étéépaulée par la Commission Européenne dans la création de l’Offene Systeme und deren Schnittstellen fürdie Elektronik im Kraftfahrzeug (OSEK), qui normalise les architectures d’unités de contrôle des véhicules,cf. [Dirk, 1998]. Cela permet à quiconque de connecter un dispositif électronique aux voitures européennes.

1Recommandation Unification des protocoles


1.2 Un bouleversement des rôles

L’organisation d’une microstructure nonfragmentée, i.e. centralisée, s’expliquefacilement, cf. Figure 1 :

• Les investisseurs accèdent à un mar-ché via des intermédiaires; ils dissimulentleur objectifs de trading en découpantleurs ordres d’achat ou de vente degrande taille afin d’éviter une éventuellesélection adverse, cf. [Almgren andChriss, 2000] et [Bouchard et al. 2011]pour des études académiques sur l’ef-ficience d’un découpage d’ordres degrande taille.

• Les intermédiaires sont membres desplaces de marché. Ils effectuent cer-taines vérifications avant d’envoyer lesordres sur les marchés, tels que lesinterdictions de vente à découvert, leslimites de risque, etc. C’est un premierniveau de centralisation, via l’exécutiond’ordres par chaque broker.

• L’opérateur de marché, le marché lui-même, apparie les ordres avec un ouplusieurs systèmes d’enchères, tels queles enchères de fixing ou les doublesenchères continues avec carnet d’or-dres, cf.[Mendelson and Amihud, 1991]et [Burgot et al. 2013].

Dans une telle architecture des mar-chés, les obligations et motivations dechaque type d’acteur sont simples àdéfinir. La fragmentation de la micros-tructure des marchés a rendu flou lerôle des participants, cf. Figure 3 et, parexemple, [Lehalle, 2013] pour une étudedétaillée :

• Les Traders Haute Fréquence fontpartie de la catégorie des investisseurs.Ils jouent un rôle particulier, dans lesens où ils sont souvent membres eux-mêmes des places de marché, ouutilisent un accès direct (direct spons-pored access ou direct market access).Leurs pratiques ont été étudiées dans[Menkveld, 2010] et [Baron et al. 2012],montrant qu’ils utilisent une largepalette de stratégies de trading quifournissent ou prennent de la liquiditéaux marchés, cf. Partie 3.

• Les intermédiaires ont dû construiredes routeurs d’ordres (Smart OrderRouter), afin de remplir leurs obligations

réglementaires, à savoir permettre l’ac-cès à toutes les places de marchésusceptibles de fournir la liquiditédemandée par les investisseurs. Parconséquent, ils ont automatisé leurssystèmes d’appariement des ordres etont construit des Crossing Networks(Crossing Network de Broker, BCN). Parla suite, certains les ont convertis ensystème multilatéral de négociation(MTF), souvent appelés dark pools carles carnets d’ordres ne sont pas visi-bles, cf. Partie 2.4.

• Les nouveaux opérateurs de marché,tels que Chi-X, BATS Europe, Turquoiseet NASDAQ-OMX MTF6 en Europe,appliquent différentes grilles tarifaires,en offrant une remise aux fournisseursde liquidité alors qu’ils demandent unecommission aux consommateurs deliquidité. Une telle distinction est légi-time, puisqu’un carnet d’ordres vide ad’abord besoin d’apporteurs de liqui-dité. Il a cependant été démontré dans[Foucault et al. 2013] qu’elle n’apportepas nécessairement un meilleur proces-sus de formation des prix.

• Les opérateurs ont également com-mencé à utiliser le pas de cotation7 demanière concurrentielle pour accroîtreleur part de marché : en juin 2009,chaque fois que l’un des opérateurs demarché réduisait son pas de cotation,sa part de marché augmentait jusqu’àce que les autres places adoptent à leurtour le même pas de cotation, cf.[Lehalle et al. 2012] et la Partie 4. Unetelle utilisation commerciale de l’un deséléments les plus importants de l’archi-tecture des marchés (cf.[Harris, 1997])conduit à des pratiques abusives qui nepeuvent aujourd’hui être contrôlées parle régulateur.

• Plus généralement, le Tableau 1 mon-tre bien que les revenus des opérateursde marché proviennent des ventes detechnologie ou de données. Eux-mêmescotés en bourse, les opérateurs sontdevenus innovants afin de protéger leuractivité. Un exemple pertinent de cetteévolution est l’offre de canaux de com-munications à faible latence, ainsi quela co-localisation. La co-localisation estun service proposé par les places demarché : leurs clients peuvent louer desserveurs très proches du moteur d’ap-pariement du marché. Cela pourrait êtreconsidéré comme de la concurrence

29

Une norme européenne devrait êtreétablie pour guider les opérateursdans le processus de développementdes moteurs d‘appariement, de l‘éla-boration à la maintenance, en passantpar le déploiement. Ils devraient obte-nir une certification de leurs systèmesselon cette norme. Evidemment,cette recommandation va de pairavec celle qui concerne le trading parautomates, cf. la recommandation n°6. Le processus de développementva bien sûr bien au-delà de la phasede programmation : il comprend lesspécifications, le codage, les tests, ledéploiement, la maintenance, etc.L’utilisation de méthodes formellespour tester les programmes devraitêtre préconisée, puisqu’il s’agit de laseule approche rigoureuse pour véri-fier les modèles et valider leurimplémentation. L’un des standardsles plus utilisés au monde, le Capabi-lity Maturing Model Integration,cf.[Team, 2006], a été conçu par ledépartement de la Défense des Etats-Unis afin d’évaluer et contrôler sesfournisseurs de logiciels. Etant donnéles enjeux économiques et sociauxd’une interruption des marchés finan-ciers, le parallèle établi ici n’est pasaussi absurde qu’on pourrait le penser.

2

Recommandation Une norme européenne pour leprocessus de développement desmoteurs d‘appariement

Des coupe-circuits homogènes de-vraient être mis en place par chaqueplace de marché offrant un serviced’appariement automatique des ordres, qu’il s’agisse d’un marchéréglementé, d’un système multilaté-ral de négociation, ou d’un internali-sateur systématique. De tels coupe-circuits devraient être conçus dansun seul but : empêcher le processusde formation des prix d’être mis endanger par des flux d’ordres désor-ganisés. Ils devraient également êtreadaptés au contexte de marché.Suite à la recommandation n° 2, ledéveloppement et les tests descoupe-circuits devraient être cohé-rents avec la norme européenne surle processus de développement desmoteurs d‘appariement.

3 Recommandation Amélioration des coupe-circuits


déloyale, puisque les participants béné-ficiant de ce service ont un avantagesérieux en termes de rapidité ; d’aucunsdiraient qu’acheter un meilleur emplace-ment dans la "corbeille" est une pratiquetrès ancienne.

Ainsi, les strates de la microstructuretraditionnelle se sont disloquées avec lafragmentation : les Traders Haute Fré-quence sont entre les investisseurs etles opérateurs de marché, les brokersgèrent des systèmes multilatéraux denégociation, les opérateurs de marchétraditionnels soutiennent leur activité envendant leur technologie. Il est impor-tant de noter que les meilleurs clientsdes opérateurs de marché sont les Tra-ders Haute Fréquence, impliqués dans70% des transactions aux Etats-Unis,40% en Europe et 35% au Japon, cf.[Lehalle and Burgot, 2010]. Une telleconfiguration, dans laquelle une classespécifique d’investisseurs axés sur latechnologie est le meilleur client desplaces de marché, devenant eux-mêmes vendeurs de technologie,soulève des questions quant à l’aligne-ment d’intérêts. Ces évolutions compliquent la tâchedes investisseurs traditionnels, puisqu’ilsdoivent gérer plus de contreparties etcomprendre les mécanismes de la liqui-dité sur les nouvelles places de marché.Par exemple, il est maintenant néces-saire pour eux de pouvoir accéder à undark pool non réglementé, de trouver leprix référence sur un MTF, ou de passerun accord bilatéral avec un internalisateur

systématique, cf. [Burgot et al. 2013]pour plus de détails.

Dernier point, mais non des moindres,la situation des régulateurs est pluscomplexe en Europe en 2012 qu’elle nel’était avant l’implémentation de ladirective MIF. Les régulateurs des paysmembres doivent se plier aux orienta-tions définies par l’Autorité desmarchés et titres européens, l’ESMA,ainsi qu’aux directives et régulationseuropéennes. Pour autant, il n’y a pasde convergence entre les exigencesdes différents régulateurs européens,cf. Partie 1.3.

De plus, la liste des titres négociablesde l’ESMA8 a détruit le concept de seg-ments de liquidité qui existait sur lesmarchés historiques. La complexité duprocessus de trading pourrait êtreréduite si chaque règle ne s’appliquaitpas à l’ensemble des titres, mais seule-ment à des segments de liquiditéspécifiques.

1.3 L’interprétation de la directiveMIF dans les pays membres

L’interprétation de la directive MIF n’a pasété la même dans tous les pays mem-bres, comme on peut le lire dans les rap-ports Fleuriot ou Foresight, cf. [Fleuriotet al. 2010] et [Committee, 2012]. Afin decomprendre ces différences, on peut s’in-téresser à la microstructure des marchésavant la directive MIF :

• la France avait une microstructure trèscentralisée et organisée, cf. [Muniesa,2003] ;

• au Royaume-Uni, une grande part desnégociations se faisaient de gré-à-gréou par accord bilatéraux ;

• l’Allemagne était un système mixteavec un niveau de centralisation élevémalgré des marchés régionaux toujoursprésents.

L’évolution technologique n’a pas étéuniforme au sein de l’Europe. Le pre-mier automate de trading, le ComputerAssisted Trading System (CATS), est néen Amérique du nord, sur la place demarché de Toronto en 1977. En Europe,le Market Price Display Service (MPDS),créé à Londres en 1970, a été le pre-mier système standardisé de diffusionde prix par ordinateur, mais le pro-gramme anglais Integrated DataNetwork(IDN, 1981-1984) n’a jamais abouti à unsystème de trading, cf. [Pardo-Guerra,2011]. Les pays où sont nés les troisplus importantes places de marché his-toriques (le London Stock Exchange,Euronext et Deutsche Boerse, cf. Figure6), ont promu le trading électronique surle continent avec :

• le Small Order Automated ExecutionFacility (SAEF), un système d’exécutionautomatique de petits ordres auRoyaume-Uni en 1988 ;

• le Computer Assisted Trading System(CATS), ou Cotation Assistée en Continu(CAC), introduit en France en 1989 ;

• suivis en 1991 par le Inter BankenInformationen System (IBIS) en Alle-magne, cf. [Bindeman, 1999].

Toutefois, lorsque Chi-X, NASDAQ-OMX, Turquoise et BATS Europe sesont lancés dans leur course à lalatence, les places historiques euro-péennes n’y étaient pas toutes préparées.


L’ESMA devrait définir différentssegments de liquidité européensafin de simplifier la compréhensionet l’application de la régulation.Selon le segment de liquidité, untitre pourrait être négocié sur le mar-ché primaire uniquement, ou sur lesMTFs, BCNs, etc…

4Recommandation Création de segments de liquiditéeuropéens

Figure 3 : Schéma de la microstructure post-fragmentation. Les investisseurs, intermédiaires et opérateurs demarché ont beaucoup d’interconnexions, créant de possibles conflits d’intérêt.


Le London Stock Exchange n’a pas pules concurrencer, et donc, les MTFs ontdéménagé leurs systèmes afin qu’ilssoient les plus proches possibles deceux du LSE.

La course à la latence implique unecentralisation géographique.

Lors d’une course à la latence, suppo-sons qu’une place de marché A(respectivement, B) possède une latenceinterne ℓA(respectivement, ℓB), et quele temps pour que l’information circuleentre A et B soit T. Un trader choisitd’être quelque part ente A et B, à unedistance �T de A et (1- �)T de B, avec0≤�≤1, il subit une latence de

LA(�) = ℓA+ �T vers A et LB(�) = ℓB + (1 -�)T vers B.

Pour traiter le même instrument sur lesdeux places, on considère qu’il est opti-mal sous différents angles (par exemplepour éviter le gaming, cf. [Lehalle,2013]), de choisir �* tel que :

LA(�*) = LB(�*).

Lorsque ℓB+T < ℓA, l’égalité précé-dente ne peut être vérifiée. Le traderpréfèrera donc la place B à la place Apour minimiser le risque de gaming, cf.[Lehalle, 2013]. Les places de marchéqui ont amélioré leurs systèmes afin deréduire leur latence interne doiventdonc déménager près des plateformesles plus lentes. Ainsi, elles augmententleur attractivité.

Ce mécanisme a amené la plupart desplaces de marché à Londres, puisque leLSE n’était pas le plus avancé des mar-chés technologiquement. Même NYSE-Euronext a déménagé ses systèmes àBasildon, dans l’Essex, proche de Lon-dres, en novembre 2010.

La course à la latence n’a pas été laseule raison qui a poussé les places às’installer au Royaume-Uni. La Figure 4montre le nombre de marchés régle-mentés (en vert), MTFs (en bleu) etinternalisateurs systématiques (enrouge) géré par chaque régulateur. A enjuger par cette figure, les exigences dela Financial Services Authority (FSA)semblent être considérées comme trèsfavorables par les entreprises euro-péennes. On peut noter qu’en janvier2012, tous les dark pools européensétaient régulés par la FSA.

Cela pose la question de l’interprétationde la directive MIF et des normes del’ESMA au sein de l’Europe, avec unimpact significatif sur le Trading HauteFréquence qui peut en grande partieêtre considéré comme de la tenue demarché Haute Fréquence, cf. [Menk-veld, 2010] et la Partie 3. Il serait doncutile de définir un statut européen deteneur de marché, afin de distinguer lesdifférentes pratiques du Trading HauteFréquence.

Une évaluation exhaustive du TradingHaute Fréquence est difficile puisqu’ilrevêt de nombreuses formes, cf. Partie 3.Les études sur les données disponibles,cf. [Menkveld, 2010] et [Baron et al.2012] montrent que certains TradersHaute Fréquence sont principalementdes fournisseurs de liquidité, agissantcomme des teneurs de marché. De telsacteurs sont utiles aux marchés, dans lamesure où ils procurent et arbitrent laliquidité des différentes places de mar-ché. D’autres sont principalementconsommateurs de liquidité et leur im-pact bénéfique sur les marchés devientdiscutable. Le premier type de TraderHaute Fréquence serait éligible au statuteuropéen de teneur de marché, alorsque le second ne le serait pas.

2. Processus deformation des prixet Trading HauteFréquence

2.1 L’impact du Trading HauteFréquence sur les mécanismesd’enchères

Le processus de formation des prixjoue deux rôles simultanés :

• confronter les acheteurs et les ven-deurs et créer dynamiquement un prixd’équilibre,

• diffuser aux participants du marché lerésultat de cette confrontation, cf.[Madhavan, 2000].

Le processus de formation des prixpeut donc être représenté comme uneboucle de rétroaction : les participantsse servent du prix affiché pour prendreleurs décisions, ces décisions modifientl’équilibre entre l’offre et la demande, cequi change à son tour les prix futurs. Ceprocessus a deux dynamiques simulta-nées : l’une rétrograde (backward),lorsque les participants combinent leursanticipations du prix à long terme avecle prix actuel pour prendre leurs déci-sions, alors que l’autre est progressive(forward) lorsque le prix évolue dans letemps sous la pression des participants

31

Un statut européen de teneur demarché est nécessaire dansl’identification des différents typesde Trading Haute Fréquence et dansl’application d’une régulationappropriée à chacun d’entre eux. En particulier, les exemptionsd’impôts, l’interdiction de vente àdécouvert, etc. liées à ce statut nedevraient pas changer d’un paysmembre à l’autre.

5Recommandation Un statut européen de teneur demarché

Figure 4 : Nombre de places de marché par régulateur et par type (RM : marché réglementé, MTF: système denégociation multilatérale, SI : internalisateur systématique). Source: site internet de l’ESMA.

Number of trading venues


qui créent un champ moyen,cf. [Lehalleet al. 2010].En pratique, le mécanisme des enchèresde fixing est particulièrement adapté àla confrontation efficiente des acheteurset les vendeurs, alors que le mécanismedes doubles enchères continues et ducarnet d’ordres est parfaitement appro-prié pour la diffusion d’information. Lefait de concentrer la liquidité durant uneenchère de fixing fait que le prix résultede la publication par un grand nombrede participants de leurs intérêts. EnEurope, les enchères de fixing, quidurent 5 minutes, sont sept fois plusliquides que, en moyenne, 5 minutes detrading en continu, cf. [Cheuvreux, 2012]et la Figure 5. Le prix est donc relative-ment stable puisqu’il est issu de laconfrontation d’un grand nombre departicipants. De plus, lors d’une enchèrede fixing, aucun participant ne paie plusou moins que les autres pour acheterou vendre un titre.

Figure 5: Distribution typique des volumes traités (enhaut) et de la volatilité des prix (en bas) au cours de lajournée. Le rythme des marchés européens est impactépar trois phases : (1) la transition d’une enchère defixing à une enchère continue, (2) la "cours" à l’enchèrede clôture, (3) les nouvelles macro-économiquespubliées aux Etats-Unis.

Lors d’une enchère de fixing, il estcependant impossible aux participantsd’ajuster leurs intérêts en prenant encompte d’autres sources d’informationcomme les prix de marché de titressimilaires ou de produits dérivés. Pourun seul titre, le mécanisme d’enchèresest efficient, mais pour un univers entierde titres, il peut être incohérent. Durantles enchères continues, c’est l'inversequi se produit : le mécanisme d’enchères

est moins efficient puisqu’une pénuriede liquidité peut survenir, mais les prixpubliés sont plus précis grâce à l’infor-mation qu’ils prennent en compte. Ces différentes caractéristiques d’en-chères de fixing ou continues expliquentpourquoi, immédiatement après l’en-chère de fixing d’ouverture, la volatilitéet l’activité sont plus intenses qu’àn’importe quel autre moment de la jour-née, cf. Figure 5, flèche "1". La Figure 5montre également l’impact des nou-velles macro-économiques (flèche "3")sur la volatilité des prix et l’activité detrading. La forme caractéristique de lafin de journée (flèche "2") est double :d’un côté la volatilité n’augmente plus,de l’autre l’activité s’accroît avant l’en-chère de fixing, puisque le marché estsur le point de fermer pour plusieursheures.

L’activité de Trading Haute Fréquenceet les changements réglementairespeuvent avoir une influence sur lastructure des enchères. Avec la frag-mentation des marchés, de nouveauxtypes d’enchères, tels que les enchères“à l’aveugle” dans les dark pools, sontapparus. La Figure 6 montre la distribu-tion des montants échangés en Europeen septembre 2012. Le diagramme encamembert indique la répartition selonles grandes catégories (visible, dark,OTC, enchères de fixing, cf. la Partie 2.4 pour les détails), et les histo-grammes montrent la part des placesde marché. Cela démontre la diversité

de mécanismes de trading souventsimultanés.

En effet, différents types d’enchères ontdésormais lieu simultanément suite à lacompétition entre places de marché :

• Plusieurs sessions d’enchères contin-ues en parallèle (Chi-X, BATS Europe,Turquoise et un marché réglementé sontouverts en même temps).

• Les fixing de milieu de journée (surDeutsche Boerse à 13h ou sur le LSE à12h05 chaque mois) ont lieu alors queles MTFs restent ouverts et traitent defaçon continue.

• Les dark pools sont ouverts, indépen-damment des autres places de marché.

Les Traders Haute Fréquence ont unrôle important à jouer, suivant qu’ils par-ticipent ou non à ces combinaisonsd’enchères. Durant les auditions sur lafusion entre BATS Europe et Chi-X parla commission britannique de la con-currence, le représentant de Getco adéclaré que : GETCO […] pourrait inve-stir dans de nouveaux MTFs pour desraisons stratégiques s’il sentait que laconsolidation du marché allait trop loinet mettait en danger la structure tarifaireou la concurrence. Cela a déjà été faitaux Etats-Unis, avec son soutien pourBATS. […] GETCO pourrait égalementapporter son soutien aux plateformesdans lesquelles ils ne détiendraient pasde parts en leur apportant de la liquidité,tant que cela lui serait profitable.


Figure 6 : Montants échangés sur les différentes places de marché. Source : “Reuters Market Shares Report”,septembre 2012.


Plus les types d’enchères simultanéessont différents, plus il y a d’opportunitésd’arbitrage de liquidité. Une place demarché qui offre plusieurs carnets d’or-dres génère plus de flux, et donc plusde revenus (cf. [Lehalle, 2013] pour desexplications sur les arbitrages de liquidité).Cela explique pourquoi, après la fusion,Chi-X et BATS Europe ont continué degérer deux carnets d’ordres visiblestraitant les mêmes titres simultanément.Cela explique également la créationd’un nouveau type d’enchères sur l’unde leurs deux dark pools9.

2.2 Les aspects négatifs du Trading Haute Fréquence

Dommages collatérauxAvant d’étudier en détail les stratégiesde trading et tactiques des TradersHaute Fréquence dans la Partie 3, il estpossible d’avoir une vue macrosco-pique de leur activité. Les régulateursexigent que les participants qui fournis-sent un service à des clients documententleur processus d’exécution optimale.Cette exigence n’est pas simple à satis-faire, puisqu’elle comprend l’ensembledes combinaisons possibles entreplaces de marché disponibles. Parexemple, un broker doit expliquer lafaçon dont chaque ordre provenantd’un client a été réparti par son routeurd’ordres afin d’obtenir le meilleur prixpossible sur les différentes places.Cette tâche requiert régulièrement denouveaux investissements, alors queles combinatoires augmentent à chaquenouvelle place de marché.

Comme une illustration du TradingHaute Fréquence, la Figure 7 montre le

temps d’attente moyen d’un ordre àcours limité selon le pas de cotationdes titres traités. Pour les titres dont lepas de cotation est petit :

• 45% de l’ensemble des ordres restentdans le carnet d’ordres moins d’uneseconde

• 26% d’entre eux ont une durée de viede moins de 100 millisecondes

• 11% restent moins de 5 millisecondes

• 4% restent moins d’une milliseconde.

A la lumière de ces chiffres, l’informa-tion contenue dans la plupart desordres envoyés aux places de marchépeut être remise en question (cf. [Has-brouck, 2012] pour des détails sur laCotation Haute Fréquence). Cependant,chaque participant devant fournir unepreuve de meilleure exécution doitenregistrer, conserver et analyser tousces ordres pour élaborer ses rapportsd’exécution. De plus, les places demarché doivent mettre en place dessystèmes permettant de gérer un fluxde messages qui croît rapidement.C’est typiquement l’un des dommagescollatéraux de l’activité de TradingHaute Fréquence. Il est intéressant decomparer cette situation à celle desfournisseurs d’accès à internet : depuisque de gros acteurs tels que Youtubeou Facebook génèrent un trafic sanscesse croissant pour leur propre béné-fice, la tâche est plus ardue pour lesfournisseurs d’accès à internet, qui ontmoins de bande passante à partager ausein de leurs clients. Une taxe, appeléepeertax a été mise en place dans cer-tains pays pour pallier à ce dommagecollatéral10. Cela peut être considéré

comme l’équivalent du principe du "pol-lueur payeur", largement documenté enéconomie, cf.[Pezzey, 1988]. On peutconsidérer que la taxe sur les transac-tions financières répond partiellement àce point : les projets de taxe françaiseet italienne comportent une plus fortetaxation pour les acteurs ayant un ratioordres-exécution, c’est-à-dire la moyennedu ratio du nombre d’ordres envoyéspar le nombre de transactions effec-tives. Notons que les teneurs demarché seront exemptés de cette taxe,l’absence d’un statut européen deteneur de marché remet donc en ques-tion l’efficacité d’une telle taxe dans lalimitation du Trading Haute Fréquence,cf. la Recommandation n° 5.

Un marché avec deux niveaux d’information ?Le processus de formation des prixrésulte de l’adéquation entre les intérêtsdes acheteurs et ceux des vendeurs. LeTrading Haute Fréquence pourrait n’êtreque l’un des maillons de ce processus,ajoutant de la diversité dans le systèmed’investissement et améliorant poten-tiellement la liquidité. Cependant, lesparticipants ont différents horizons detemps et différentes philosophies d’in-vestissement. La principale critique quel’on peut faire au Trading Haute Fré-quence est qu’il anticipe la diffusion del’information sur le prix, en utilisant parexemple les ordres flash11, créant ainsiun marché avec deux niveaux d’infor-mation : les Traders Haute Fréquence,disposant d’une information complète ;et les autres, ne voyant que la part duflux d’ordres que les premiers ontdécidé de ne pas utiliser. On peut biensûr faire la même critique, quoiqu’à unhorizon de temps différent, aux Cros-sing Networks de Broker ou aux darkpools, qui génèrent des transactionshors des carnets d’ordres visibles (cf.Partie 2.4).

Durant la présentation du rapport Fore-sight, cf. [Committee, 2012], il a étésouligné que la différence entre le Tra-ding Haute Fréquence moderne etancien (puisque payer plus cher pour unmeilleur accès à la plateforme est unepratique ancienne), est que dans lepassé, chacun pouvait voir l’activité deces traders privilégiés. Aujourd’hui, ilest impossible pour un participantlambda d’observer leur activité dans lescarnets d’ordres. Plusieurs propositions

33

Figure 7 : temps d’attente desordres envoyés à Euronext-Paris,selon le pas de cotation des titres(grand pas de cotation ; losangesbleus, petit pas de cotation ; tri-angles rouges). On peut y lire quepour les titres ayant un petit pasde cotation, 46% des ordres ontune durée de vie de moins d’uneseconde. Source : AMF, décembre2012.


intéressantes ont été formulées afin derésoudre ce problème, cf. Partie 4.

Cependant, il est important de noterque la simultanéité des évènementsn’existe pas dans les carnets d’ordres :Deux ordres ne peuvent pas accéder aumême carnet d’ordres simultanément :les réseaux informatiques sont construitssur le modèle de "premier arrivé, pre-mier servi", de façon à ce que deuxévènements ne puissent pas occuper lemême espace mémoire dans un ordina-teur ou un routeur.De plus, supposons que deux évène-ments ϵA et ϵB aient lieu simultanémentdans deux carnets d’ordres A et B.Avec une technologie similaire, si l’ob-servateur O1 est plus proche de A quede B et si l’observateur O2 est plusproche de B que de A :- l’observateur O1 verra l’évènement ϵAarriver avant l’évènement ϵB.- l’observateur O2 verra l’évènement ϵAarriver après l’évènement ϵB.

Il est donc impossible de conserver lemême ordre entre les évènements pourtous les participants.

2.3 Trading électronique : une technologie nécessaire quidoit être régulée

Les aspects positifs du trading automatiséL’industrie financière est jeune, parcomparaison avec d’autres industriestelles que l’aéronautique, l’automobile,ou la chimie. La partie 1.3 a montré qu’il ya 30 ans, aucune tâche de trading n’étaitautomatisée. L’utilisation de mécanismesdéterministes est un progrès dans lesens où il réduit le risque opérationnel. Lorsqu’un marché est fragmenté, l’au-tomatisation est la seule façon des’assurer qu’un participant ayant accèsà peu de places de marché obtienne unprix raisonnable. Le trading manuel nepeut identifier les différences de liquiditéau sein de combinaisons exponentielle-ment nombreuses de carnets d’ordres.De plus, une évaluation relative rapidedes actifs permet à certains teneurs demarché Haute Fréquence de fournir dela liquidité sur un instrument peuliquide, en couvrant leur position simul-tanément grâce à d’autres instrumentsplus liquides. Le trading électroniquegarantit l’enregistrement des transac-tions et des ordres et doit être utilisé

dans la lutte anti-fraude ou pour lesestimations du risque systémique.

Offrir plus de choix est à double tranchantDans un problème d’optimisation, aug-menter le nombre de degrés de libertégarantit l’existence d’une meilleuresolution, mais qui devient plus difficile àtrouver. Un exemple typique d’une aug-mentation de la qualité qui n’a pu êtreatteint en raison d’une trop grandecomplexité de la tâche, a été fourni parl’industrie automobile avec le premiermoteur à injection directe. L’injectiondirecte offre la possibilité de produireplus d’énergie et de polluer moins quela technologie de combustion clas-sique. Pourtant, le premier moteur desérie de ce type, le Mitsubishi 44G93,imitait le mode de combustion clas-sique, car le département de rechercheet développement de Mitsubishi n’avaitpas réussi à trouver le calibrage adé-quat à temps pour le lancement dumoteur en 1996.

Le Flash Crash et le Knightmare sontdes exemples typiques montrant quel’industrie financière n’a pas réussi àtrouver les bons calibrages pour tousles outils proposés par le trading auto-matisé. Une façon d’aider l’industriedes services financiers à s’améliorer estde mettre en place des processus dedéveloppement similaires à ceux adop-tés par les industries automobiles etaérospatiales lorsqu’ils ont rencontréles mêmes difficultés.

Les normes International Organizationfor Standardization-Software ProcessImprovement and Capability Determina-tion (ISO-SPICE) et les standardsCapability Maturity Model Integration(CMMI, cf.[Team, 2006]), sont des stan-dards éprouvés permettant d’aborderles cycles de développement de logi-ciels ; les régulateurs et certainsinstituts pourraient en développer etpromouvoir une version adaptée au tra-ding automatisé.

En suivant l’exemple du CMMI, différentsniveaux de sophistication pourraient êtredéfinis. L’on pourrait en exiger plus dela part des teneurs de marché que de lapart des algorithmes de trading desbrokers, ces derniers devant eux-mêmes se conformer à des standardsplus élevés que les fonds d’investisse-ment. Cette norme pourrait être promuepar la Commission Européenne oul’ESMA, et concorderait avec l’espritdes recommandations déjà faites parcette dernière, cf. [Esma, 2011].

2.4 Les dark pools et BrokersCrossing Networks : une réponseau Trading Haute Fréquence, ouune menace sur le processus deformation des prix ?

Que sont les dark pools ? Peuvent-ils nuireau processus de formation des prix ?Il n’y a pas de définition officielle d’undark pool. Ce terme est courammentutilisé pour désigner un moteur d’appa-riement qui ne publie pas l’état ducarnet d’ordres aux participants dumarché. La seule façon d’interagir avecun dark pool est d’envoyer un ordre etd’attendre une exécution partielle oucomplète de celui-ci.

Cette définition couvre un certain nom-bre de cas, cf. [Burgot et al. 2013] et[Lehalle and Joseph, 2012] pour plus dedétails :

(a) Un dark pool régulé, c’est-à-dire unsystème de négociation multilatéralopérant dans le cadre de l'exemptionde transparence pré-transaction prévuepar la directive MIF en cas d'utilisation


Un ensemble de normes et de stan-dards afin de guider le cycle de viedes systèmes de trading automatisé :l’élaboration, le développement, lestests, le déploiement et la mainte-nance, devrait être défini au niveaueuropéen. Seuls des systèmes certifiés conformes devraient êtreautorisés à traiter. De tels normesou standards pourraient être conçuspar un consortium de participants du marché, sous lesauspices d’un institut européen.

6Recommandation Des normes européennes pour lessystèmes de trading automatisé


d un prix de référence, et acceptant lesmêmes participants que les MTFs lit12.Chi-X, NYSE-Euronext Smartpool, Tur-quoise Dark, etc. font partie de cettecatégorie.

(b) Un dark pool régulé géré par unesociété d’investissement, effectuant dutrading multilatéral entre clients externesseulement.

(c) Un Crossing Network de Broker, trèssimilaire au cas précédent, si ce n’estqu’il n’y a aucune garantie qu’il n’y aitque du trading multilatéral : il peutaccueillir du trading bilatéral issu desflux de la société d’investissement.

(d) Un système de trading bilatéral qui nepublie pas l’état de son carnet d’ordres.

Il est important de noter que l’activitéde trading est différente au sein de cestypes de dark pools. Il est difficile d’ap-pliquer une même règle à chacund’entre eux.

Les dark pools aux Etats-Unis ne fontpas partie de cette liste, car ils obéis-sent à un autre ensemble de règles,dans le cas notammentdu sub-pennytrading, cf. [Chakrabarty and Chung,2008] et [Bartlett and McCrary, 2012].Par exemple, la Figure 8 montre lesmontants échangés sur différentesplaces de marché pour le titre CréditAgricole, selon les données enregis-trées par Fidessa :

• 65% des transactions ont eu lieu surdes places de marché visibles,

• 33% ont eu lieu de gré-à-gré (over thecounter, OTC),

• 1% dans des internalisateurs systé-matiques, incluant quelques dark poolsde type (c),

• 1% dans les dark pools régulés detype (a) ou (b).

De plus, la Figure 6 montre qu’enmoyenne, 3% des montants échangésle sont dans les dark pools de type (a)ou (b). L’industrie du trading doitapprendre à fonctionner avec ces poolsde liquidité. En 2008, Greenwich Asso-ciates a établi une liste de neufquestions à poser à un gérant de darkpool :1. Etes-vous un vrai dark pool, i.e.entièrement anonyme, sans fuite d’in-formation, ou bien l’information concernantmes ordres sera-t-elle transmise à desteneurs de marché potentiels ?

2. Votre plateforme achemine-t-elle lesordres à l’extérieur de votre dark poolou, via un système connecté à votredark pool, y compris votre routeur d’or-dres, vers un réseau de communicationélectronique, un système alternatif detrading13, ou une autre source externe ?Si vous autorisez des manifestationsd’intérêts (IOI), s’agit-il d’une option queje pourrai accepter ou refuser, ou ladécision sera-t-elle prise pour moi ?

3. Quelle sera l’information concernantmon ordre publiée dans un IOI – sym-bole, sens, quantité et/ou prix ?

4. Quel type de flux d’ordres se trouvedans votre dark pool : ordres pourcompte propre ? Ordres au détail ?

5. Quelle est votre méthode de comp-tage du volume échangé dans votredark pool – comptage simple ou double– pour son enregistrement dans la basede données post-transactions ; et lesordres acheminés hors de votre darkpool et exécutés par un tiers sont-ilscomptabilisés dans votre propre volume ?

6. Faites-vous s’apparier les ordres àl’intérieur de la fourchette, ou au bordde la fourchette ?

7. Quels contrôles anti-gaming avez-vous mis en place ?

8. Imposez-vous une taille d’ordre mini-male ?

9. Comment mes ordres vont-ils inter-agir avec vos ordres internes en termesde priorité ?

Cette liste donne des indications sur ceque les investisseurs voudraient éviterdans les dark pools : le trading bilatéralà leur insu, la fuite d’information, lasélection adverse.

Impact du dark trading sur le processus deformation des prixL’activité des dark pools en Europe,négligeable, ne peut endommager leprocessus de formation des prix.Cependant, le terme dark trading tient-ilcompte des négociations de gré-à-gré,qui représentent 20% du volume traité ?Il semble légitime que l’informationconcernant toutes les transactionsayant lieu dans les dark pools ou degré-à-gré soit diffusée à tous les parti-cipants de marché. C’est plus ou moinsle cas aujourd’hui, avec des soucis decomptabilisation en double qui serontprobablement résolus grâce à la révi-sion en cours de la directive MIF.

Les dark pools comme vecteurs de compétitionLa fusion récente d’opérateurs de marchémajeurs a conduit à une concentrationdes plateformes de trading dans lesmains de quelques acteurs : LSE Group,BATS-Chi-X, NYSE-Euronext, DeutscheBoerse, cf. Figure 6. Face au risque decomportement monopolistique, l’exis-tence de dark pools réglementéspourraient être considérés comme unecompétition durable organisée par lessociétés d’investissement afin d’exercerune pression sur les opérateurs de mar-ché plus classiques. A cet égard, onpeut les voir comme un ajout positif à lamicrostructure de marché européenne.

Vers des “Crossing Networks de Fonds” ?Après les Crossing Networks de Bro-kers, l’industrie financière pourrait voirla naissance deCrossing Networks deFonds. Blackrock14 a annoncé en 2012son intention de construire un systèmede trading d’obligations afin de traiterses propres intérêts et d’offrir de laliquidité à l’extérieur, cf.[Crowley andLeondis, 2012]. Si cette tendance seconfirme, cela enchevêtrerait un peuplus les couches de la microstructure

35

Figure 8 : Parts de marché des différentes places, du 11 février 2013 au 15 février 2013. Source : Fidessa Fragulator.


de marché (Figure 3) dans la mesure oùcertains investisseurs deviendraientopérateurs de marché.

La formation pourrait s’avérer être lemeilleur moyen d’apprendre aux inves-tisseurs à utiliser au mieux la nouvellemicrostructure de marché (augmenta-tion du nombre de places de marché,des pools de liquidité et des règles detrading, nouveaux types d’investis-seurs, etc.). En effet, ces changementspeuvent être un vecteur d’améliorationde l’efficacité des processus du trading,mais au prix d’une complexité crois-sante. Cette complexité peut êtrerésolue grâce à des lignes directrices,des normes et standards, permettantde souligner les meilleures pratiques, etpar la formation.

3. Stratégies deTrading HauteFréquence

Les stratégies de Trading Haute Fré-quence sont généralement regroupéesselon le fait qu’elles utilisent un signaldirectionnel ou non, et qu’elles ont re-cours à des ordres passifs ou agressifs.Dans cette façon de voir quelque peudémodée, les stratégies basées sur desordres à cours limité, assimilée à de latenue de marché, sont considéréescomme bienveillantes voire bénéfiquesaux marchés financiers dans leur en-semble : les ordres à cours limité sont unvecteur naturel de fourniture de liquiditéau marché. A l’inverse, les stratégies deTraders Haute Fréquence basées sur lesordres marché sont souvent jugéesabusives, la raison pour une exécution

rapide avec traversée de la fourchetteétant l’utilisation d’une information quiest soit inconnue, soit connue maisinexploitable par les autres participantsde marché. Ainsi, il est devenu courant de distin-guer deux classes de Traders HauteFréquence, les teneurs de marché et lestraders alpha. Les teneurs de marchéplacent essentiellement des ordres àcours limité et fournissent de la liquiditéau carnet d’ordres. Les traders alphaconsomment de la liquidité lorsqu’ilsidentifient un signal à l’achat ou à lavente. Le point commun entre différentsTraders Haute Fréquence est l’utilisationd’algorithmes qui, en observant le mar-ché en temps réel, calculent des si-gnaux de trading, et placent des ordres.Qu’ils soient traders alpha ou fournis-seurs de liquidité, les Traders HauteFréquence se fient exclusivement auxautomates pour prendre leurs positions.

Traitement de l’information et biaistechnologiqueLe principe du Trading Haute Fréquenceest de détecter des signaux et de réagirà ces derniers, à une fréquence supé-rieure à la fréquence de trading "nor-male" sur un marché. Un Trader HauteFréquence sur un titre très peu liquiden’achètera ou ne vendra pas nécessai-rement tous les millièmes de seconde,mais il saisira l’occasion de réagir à unevitesse encore plus grande si une op-portunité de trading se présentait. Cetteréactivité est la caractéristique qui dis-tingue les Traders Haute Fréquence desautres participants de marché. Elle joueégalement un rôle important dans laclassification des Traders Haute Fré-quence entre ceux qui sont, rentables etles autres. D’où la "course aux arme-ments"opposant les sociétés de TradingHaute Fréquence, dont l’un des exem-ples les plus récents est l’utilisation demicro-ondes (ondes radio) pour com-muniquer entre deux places de marchédistantes, particulièrement entre NewYork et Chicago. Une conséquence,parfois dramatique, de cette compéti-tion est la dépendance mondiale desmarchés au fonctionnement de ces al-gorithmes et de la technologie qu’ils uti-lisent pour envoyer des ordres. Cesderniers devraient donc être testés defaçon approfondie, dans l’esprit de cequi est fait en aéronautique ou pour lescentrales nucléaires.

3.1 Rentabilité des stratégies de Trading Haute Fréquence

Une question importante et intriganteest la rentabilité des stratégies de Tra-ding Haute Fréquence. Parmi lesinterrogations fondamentales qui sontsoulevées par l’émergence d’une nou-velle activité économique (bien que l’onpuisse débattre du fait que le TradingHaute Fréquence soit réellement unenouvelle activité économique, sonimportance croissante est indéniable),figurent les trois suivantes : cette nou-velle activité est-elle rentable ? Sert-elleun intérêt social ? Comment interagit-elle avec les autres segments desactivités financières ?

Ces questions trouvent souvent uneréponse purement qualitative, mêlantdes considérations pratiques et parfoiséthiques. Il semble y avoir un accordsur le fait que les stratégies qui fournis-sent de la liquidité sont plutôt bénéfiquesau système, alors que les stratégiesagressives, basées sur le "α" et quiconsomment de la liquidité, sont essen-tiellement néfastes. Bien que cettedistinction soit sujette à caution, nousl’adopterons et étudierons séparémentles deux types de stratégies.

Stratégies agressivesLes stratégies agressives sont intime-ment liées au concept d’arbitragestatistique : un signal donnant une infor-mation sur l’évolution du prix d’un actif

Afin d’apprivoiser la complexité sanscesse croissante des processus detrading, des mesures concrètesdevraient être prises afin de formerles investisseurs finaux sur lamicrostructure de marché.

7Recommandation Améliorer les connaissances desinvestisseurs sur la microstructurede marché


Les algorithmes de trading devraientêtre testés et certifiés par uneorganisation indépendante.

8Recommandation Certification des algorithmes detrading

La chaîne technologique entre lesparticipants et les places de marchédevrait être conforme aux standardsdéfinis plus haut en termes derobustesse, de confidentialité et defiabilité.

9Recommandation Des standards end to endpour les marchés électroniques


négociable peut être utilisé pour géné-rer un profit (il s’agit de la notionstandard d’arbitrage), à condition quecela soit répété suffisamment souventpour que le gain attendu devienne"déterministe" via la loi des grandsnombres (et donc, statistique).

Il n’y a aucune justification économique,aucun service d’aucune sorte rendu auxautres participants de marché, endehors peut-être d’un ajustementquasi-instantané du prix, qui peut êtreconsidéré comme une amélioration del’efficience du marché. Bien sûr, le pro-fit réalisé suite à ce signal peut êtregénéré par des ordres marché ou desordres à cours limité, un point qui faitsouvent la distinction entre les stratégiesfournissant ou consommant de la liqui-dité, et qu’il est plus difficile de vérifier.

Cependant, un consensus s’est créésur le fait qu’une stratégie agressive deTrading Haute Fréquence est basée surun signal et la détection d’une tendance.

Ce signal vient très souvent du fraction-nement d’ordres de grande taille unepratique créant une autocorrélationdans le flux d’ordres qui peut êtredétectée. Cela explique pourquoi il peuty avoir une opposition naturelle entreinvestisseurs institutionnels et TradersHaute Fréquence. De fait, les investis-seurs particuliers semblent, eux, pouvoirtrouver un intérêt à l’existence du Tra-ding Haute Fréquence via des fourchettesoffre-demande et des frais de transac-tions plus faibles, cf. Partie 1. Ainsi, l’onpourrait penser que ce sont les inves-tisseurs institutionnels qui ont besoin deprotection face au comportement pré-dateur des Traders Haute Fréquence.

En tous les cas, une recommandationnaturelle est la suivante :

Rentabilité des stratégies agressivesLa rentabilité des stratégies Haute Fré-quence agressives, basées sur le "α"soulève une question importante : quelbénéfice peut être extrait du marché parles participants les mieux équipés,technologiquement, algorithmiquementet informatiquement ? Parallèlement àl’analyse du bien-fondé de telles straté-gies, il est en effet important de mesurerleur impact, et leur attractivité poten-tielle pour de nouveaux acteurs qui nesouhaiteraient pas acheter ou vendredes titres dans le seul but d’investir,mais qui tentent de gagner de l’argenten profitant des imperfections du mar-ché. Il y a quelques études instructivessur le sujet, comme les travaux empi-riques de [Baron et al. 2012], quimesure la rentabilité des stratégies deTraders Haute Fréquence sur lescontrats futures S&P E-mini est mesurée.En un mois sur cet actif extrêmementliquide, le gain global des Traders HauteFréquence est estimé à approximative-ment 29 millions de dollars, avec unratio de Sharpe plutôt impressionnant,9,2 en moyenne. D’autres études, tellesque [Kearns et al. 2010] ou [Anane andZaatour, 2013] abordent le sujet intéres-sant bien que théorique, de l’estimationdu revenu maximal des Traders HauteFréquence agressifs. Sur les quarantecomposants de l’indice français CAC40, le profit maximal d’un Trader HauteFréquence omniscientn’ayant pas d’im-pact sur le carnet d’ordres (une hypothèseparfaitement irréaliste engendrant unesurestimation) est de l’ordre de 10 mil-liards de dollars par an. Cette estimationest bien plus faible, de l’ordre de 1,5milliards de dollars par an, sous l’hypo-thèse que le signal n’est plus parfaitmais que la tendance prédite est cor-recte avec une probabilité de 0,6. Desrésultats similaires ont été obtenuesdans la première étude sur le sujet par[Kearns et al., 2010], où le trader omnis-cient accumulait un profit maximal de3,5 milliards de dollars par an sur les 19titres les plus liquides du NASDAQ, etun profit maximal extrapolé à 25 mil-liards de dollars par an sur l’ensembledes titres cotés aux Etats-Unis. Cepen-dant, aussi impressionnants qu’ilsparaissent, ces chiffres doivent être cor-rigés, comme expliqué précédemment,en prenant en compte les imperfectionsdu signal et l’évolution du carnet d’or-dres sous l’influence de ces stratégies.

L’intégration de ces effets diminue lar-gement les niveaux de profit estimés,les rendant comparables aux mesuresempiriques fournies par [Baron et al.2012], qui semble ainsi fournir un ordrede grandeur réaliste de la rentabilité duTrading Haute Fréquence.

Stratégies apporteuses de liquiditéSi l’utilité et la légitimité des stratégiesagressives fait débat, un consensusgénéral s’est formé concernant les stra-tégies de tenue de marché. De laliquidité est fournie à un marché élec-tronique via certains de ses membrespar l’utilisation d’ordres à cours limité.Ces membres, qui offrent de la liquiditéet espèrent être rémunérés par ungrand nombre de transaction avec ungain par transaction lié à l’existence dela fourchette entre offre et demande,sont considérés comme des TradersHaute Fréquence passifs, inoffensifs,voire bienveillants. Il paraît clair que lesteneurs de marché attendent d’êtrerémunérés pour le service rendu auxinvestisseurs. La compétition entre euxest donc vue comme une compétitionnaturelle entre prestataires de servicescherchant à devenir leader de leur mar-ché. Bien sûr, il est possible pour unteneur de marché d’agir agressivementen abusant d’ordres à cours limité,comme cela peut être vu dans les stra-tégies parfois illégales, en tout cascontraires à l’éthique, de spoofing,quote stuffing etc. Cependant, d’unemanière générale, la liquidité fournie parles Traders Haute Fréquence passifs estnécessaire au bon fonctionnement desmarchés électroniques. Fait particulièrement intéressant, laprincipale différence entre les stratégiesde Trading Haute Fréquence agressiveset passives réside essentiellement dansla détection d’un signal directionnel ; eneffet, les stratégies agressives utilisentelles aussi des ordres à cours limité

37

Les sociétés buy-side, telles que lesgestionnaires d’actifs ou lesinvestisseurs institutionnels,devraient investir dans la technologiemoderne et dans des algorithmesd’exécution optimisés,afin de limiterle comportement prédateur desTraders Haute Fréquence.

10Recommandation Investissement technologiquedes acteurs du buy-side

Une analyse statistique approfondiepost-transactions des stratégies deTrading Haute Fréquence et de leurrentabilité devrait être menée par deschercheurs indépendants.

11

Recommandation Promotion d’études académiquessur les stratégies de TradingHaute Fréquence



pour générer leur profit. Dans ce cas, ladétection d’une tendance engendre unapport de liquidité d’un seul côté, etnon des deux. La raison pour laquelleles stratégies agressives sont générale-ment associées à la consommation dela liquidité est que, lorsqu’un signal estdétecté, le profit que l’on peut en fairese matérialise plus rapidement avecdes ordres marché. En effet, les ordresà cours limité peuvent ne pas être exé-cutés et donc, ne pas générer le profitespéré.

RentabilitéLa rentabilité de la tenue de marchéHaute Fréquence a été peu étudiée. Lesprincipales contributions sont [Menk-veld, 2010] et [Baron et al. 2012].[Menkveld, 2010] montre que le profitdes teneurs de marché se décomposeen un gain mécanique proveneant de lafourchette entre offre et emande, et uneperte due au mécanisme de sélectionadverse. Cependant, il ressort tout demême de cette étude que le ratio deSharpe des stratégies de tenue de mar-ché Haute Fréquence peut être trèsélevé, parfois de l’ordre de 10. Cela pro-vient du fait qu’à l’époque de l’étude[Menkveld, 2010], ce segment d’activitédes marchés financiers n’était pasencore très exploité, et qu’il restait doncde l’espace pour l’arrivée d’autresconcurrents qui réduiraient les marges.Plus la concurrence est rude, plus lesfrais d’entrée sont importants, et plus ilest difficile pour de nouvelles sociétésde réaliser des profits grâce aux straté-gies de tenue de marché HauteFréquence. Ce fait est effectivementobservé dans [Baron et al. 2012], où leprofit semble concentré entre les mainsd’un petit nombre d’acteurs expérimentés.

Encore une fois, seule une analyse sta-tistique approfondie de la rentabilité dessociétés de Trading Haute Fréquencepeut conduire à une évaluation réalistede leurs performances.

3.2 Compétition et équité desrègles du jeu

A partir des études et constatationsempiriques décrites plus haut la questionimportante qui se pose naturellement estla suivante : les participants de marchésont-ils spoliés par certains acteurs

plus malins et mieux équipés qu’eux, et,dans ce cas, devrait-on empêcher celaen légiférant ? En effet, les comporte-ments délinquants actuels tels que lequotestuffing et le spoofing sont sou-vent utilisés comme argument pourbannir l’ensemble du Trading HauteFréquence, alors que la vraie questionest celle de la concurrence déloyaledans une activité commerciale. Dans lamesure où les outils, les algorithmes,les systèmes et les ordinateurs utiliséspar les sociétés de Trading Haute Fré-quence sont disponibles sur le marchépour tout autre participant, il semblequ’on assiste à des accusations induesde concurrence déloyale causées par lemanque d’investissement des autresparticipants dans des technologiessimilaires. La concurrence fait partieintégrante de toute activité commer-ciale, et les principes fondateurs duconcept de concurrence déloyale surles marchés financiers devraient êtrecorrectement définis. En particulier,nous en référons à la recommandationn° 5 pour la création d’un statut euro-péen de teneur de marché.

4. Vers une évaluation et uneréglementationmodernes de l’activité de TradingHaute Fréquence

4.1 Les effets du Trading HauteFréquence aujourd’hui : une vue globale grâce à desmesures simples

Le débat intense autour du TradingHaute Fréquence suggère que ce typede trading puisse occasionner unedéfaillance du marché. Si une telle défaillance peut être identi-fiée clairement, alors on peut penser àélaborer une solution réglementaire.Cependant, jusqu’à aujourd’hui, mettreen évidence une défaillance de marché

due au Trading Haute Fréquence defaçon claire et scientifique n’a pas étéchose facile. En effet, lorsqu’on regardeles éléments traditionnels permettantd’évaluer les effets du Trading HauteFréquence sur la qualité du marché :liquidité, volatilité et détermination desprix, les études empiriques tendent àconclure que cette pratique de tradingest plutôt bénéfique aux marchés, voirpar exemple le chapitre de Thierry Fou-cault dans [Abergel et al. 2012] et lesréférences qui y sont citées ou le rap-port Foresight [Committee, 2012].Cependant, nous devons être prudentsavec cette conclusion. La première rai-son à cela est que les trois élémentsmentionnés ne sont pas des conceptsbien définis :

• la liquidité est la possibilité pour uninvestisseur de traiter une quantité donnéede titres rapidement et à un coût rai-sonnable. Il est difficile de construire unemétrique universelle pour mesurer laliquidité. Les approximations les pluscourantes sont basées sur la fourchetteoffre-demande et les différentes mesuresd’impact, en utilisant des procédureséconométriques qui peuvent être par-fois remises en question.

• la volatilité n’est une notion bien défi-nie que pour les données stationnairesou dans des modèles spécifiques. Orelle est souvent mesurée sans vérifier lavalidité des méthodes statistiques utili-sées. De telles pratiques peuvent donnerdes résultats faussés.

• Il est difficile de mesurer les consé-quences du Trading Haute Fréquencesur la détermination du prix. En effet, ladétermination du prix est un conceptabstrait qui ne prend tout son sens quedans des modèles spécifiques. Onconsidère généralement des mesuresd’impact permanent pour évaluer leseffets du Trading Haute Fréquence surla détermination du prix. Cependant, detelles mesures comportent par naturebeaucoup de bruit.

A ce stade, il est important de soulignerque l’on ne devrait pas se contenterd’analyses basiques sur des donnéeshistoriques pour aborder les questionsrelatives au Trading Haute Fréquence.Des modèles statistiques approfondisdoivent être mis en place pour obtenirdes conclusions pertinentes et pré-cises. Par exemple, dans la littératureéconométrique, plusieurs estimateurs


sophistiqués ont été construits pourexaminer de façon appropriée les don-nées haute fréquence, en particulierpour mesurer les volatilités et corréla-tions haute fréquence, cf. par exemple[Aït-Sahalia and Jacod, 2012] ou [Robertand Rosenbaum, 2012]. De telles pro-cédures devraient absolument êtreutilisées dans ces analyses. De plus,nous devons garder à l’esprit que dupoint de vue de l’investisseur, l’outilindispensable est une mesure adéquatedes coûts de trading. En particulier, ilest évident que les gros investisseursd’un côté, et les acheteurs ou vendeursmarginaux de l’autre, ont une idée trèsdifférente du concept de liquidité. Uneconception adéquate des coûts de tra-ding est bien sûr liée aux approximationsusuelles de la liquidité, mais nécessiteégalement l’intégration d’autres variablestelles que la volatilité.

4.2 Les conséquences futures duTrading Haute Fréquence

Saturation du Trading Haute FréquenceMalgré quelques réserves, jusqu’àaujourd’hui, l’influence du Trading HauteFréquence sur les marchés semble enmoyenne plutôt positive. Cette consta-tation est essentiellement due aumécanisme de compétition entre Tra-ders Haute Fréquence, qui entraîne unediminution des coûts, cf. Partie 1.Cependant, nous devrions penser aufutur des Traders Haute Fréquence sur lesmarchés. Le Trading Haute Fréquence

opportuniste est une "course aux arme-ments", dans laquelle il ne suffit pasd’être rapide : il faut être plus rapideque ses concurrents. La co-localisationou l’utilisation de micro-ondes sont desexemples de pratiques qui montrentque les sociétés de Trading Haute Fré-quence sont prêtes à investir beaucoupd’argent pour un petit gain de temps. Ilest désormais clair que nous avonsatteint un point où la concurrenceactuelle sur la vitesse n’apporte aucunavantage aux investisseurs tradition-nels, ce qui signifie que le mécanismede concurrence n’apporte plus d’amé-lioration à la qualité de marché. En effet,au lieu d’éliminer les derniers petitsarbitrages, la concurrence sur la vitesseest telle que les sociétés de TradingHaute Fréquence essaient de tirer profitde ces arbitrages. Par conséquent, il encoûtera toujours plus cher d’être un TraderHaute Fréquence suffisamment rapide.En conséquence, on peut prédire unediminution du nombre de sociétés deTrading Haute Fréquence, ce qui mèneraéventuellement à une situation où seulscertains d’entre eux survivront. L’étudede [Baron et al. 2012], qui montre qu’au-jourd’hui les nouvelles sociétés deTrading Haute Fréquence ont une duréede vie très courte, va dans ce sens. Sicette tendance se confirmait, les sociétésde Trading Haute Fréquence n’auraientplus d’incitation à fournir de la bonneliquidité et les coûts de trading seraientsusceptibles d’augmenter de nouveau.

De la compétition pour la vitesse à laconcurrence sur les prixIl est donc nécessaire de penser auxfaçons de transformer cette concur-rence sur la vitesse en une concurrencesaine sur les prix. Une idée intéressantedans cette direction, suggérée par LarryHarris15, est que les plateformes de tra-ding devraient rendre légèrementaléatoires les temps d’arrivée desordres. De cette façon, une société deTrading Haute Fréquence ayant unavantage technologique d’une millise-conde par rapport à son concurrent, leperdrait totalement si l’ordre de gran-deur de la randomisation était d’unedizaine de millisecondes. D’un autrecôté, en réduisant les coûts d’entrée, leTrading Haute Fréquence resterait undomaine compétitif, avec une concur-rence sur les prix et non sur la vitesse.C’est une direction intéressante quidevrait être étudiée plus avant.

4.3 Un outil efficace : le pas decotation

Si l’on pense que la présence du Tra-ding Haute Fréquence est un problème,on peut se demander pourquoi le mar-ché n’a-t-il pas été capable de lerésoudre par lui-même. Une partie de laréponse se trouve probablement dansle fait que les participants de marchésont face à un paramètre extérieur surlequel ils n’ont pas d’influence : le pasde cotation. En effet, ce paramètre a unlourd impact sur la microstructure demarché. Un petit pas de cotation attiregénéralement les Traders Haute Fré-quence, cf.[Bartlett and McCrary, 2012].De fait, ils n’hésitent pas à changermarginalement le prix de leurs ordres àcours limité afin d’être prioritaire dans lecarnet d’ordres, le trafic induit rendantces derniers instables. Un tel environ-nement est décourageant pour lesteneurs de marché traditionnels qui ontainsi beaucoup de difficulté à fixer lesprix. Cela peut avoir des conséquenceséconomiques graves, en particulier pourles sociétés à faible ou moyenne capi-talisation qui pourraient ne plus êtrecotées par les teneurs de marché dansun marché aussi défavorable. En résulteune qualité de liquidité qui peut être trèsfaible sur ces titres. A l’opposé, un pasde cotation trop large empêche le prixde bouger librement au gré des opi-nions des participants de marché. Deplus, les teneurs de marché paient uncoût supplémentaire élevé afin d’obte-nir de la liquidité.

De nombreuses questions sur la liqui-dité sont ainsi liées à la valeur du pasde cotation. Aux Etats-Unis, la Securi-ties and Exchange Commission (SEC) a

Des procédures d’estimationrationnelles devraient être utiliséesdans l’analyse de données pourl’évaluation des conséquences duTrading Haute Fréquence. De plus, ilfaut développer des modèles où lesapproximations de la liquidité et lavolatilité sont considéréesconjointement afin d’évaluer descoûts de trading pour les différentsinvestisseurs. En particulier, lesétudes futures devraient établirl’influence du Trading HauteFréquence sur les gros investisseurstraditionnels.

12

Recommandation Utilisation de procéduresstatistiques modernes et demodèles de coûts

Ajouter un délai aléatoire (de quelques millisecondes) à toutordre entrant dans le moteurd’appariement d’une place demarché, afin d’empêcher la créationde deux catégories de participantsinformés : les ultra-rapides, ayant unevision complète et précise de l’offreet de la demande de liquidité, et lesplus lents, accédant seulement auxflux non utilisés par les premiers.

13Recommandation Une latence supplémentairealéatoire pour tous les ordres

39


demandé un rapport complet sur lavaleur du pas de cotation, cf. [SEC,2012], et une table ronde spécialementdédiée à ce sujet a eu lieu le 5 février2013. En Europe, l’une des conclusionsdu rapport Foresight exprime la néces-sité de fixer un pas de cotation approprié,cf. [Committee, 2012]. Nous pensonseffectivement qu’un pas de cotationadéquat pour un marché donné peutrésoudre une grande partie des pro-blèmes dus au Trading Haute Fréquence.Afin d’élaborer une règle raisonnable, ilnous faut répondre aux trois questionssuivantes :

• Qui devrait fixer la valeur du pas decotation ?

• Quelle situation voulons-nous attein-dre grâce à ce changement de pas decotation ?

• Comment concevoir le pas de cotation ?

Sur les marchés Actions, une réponsenaturelle à la première question pourraitêtre les gérants des sociétés émettantles titres. Ils pourraient en effet changerla valeur du pas de cotation lorsqu’ilsestiment que la liquidité présente surleur titre n’est pas satisfaisante. D’au-cuns pourraient répondre qu’ils ont déjàla possibilité de choisir la valeur relativede leur pas de cotation en fractionnantleurs actions. Cependant, un aspectpsychologique fait que les émetteursn’aiment pas que leur titre ait une valeurnominale faible. Nous croyons quecette question devrait être examinée.

Les régulateurs ou les places de mar-ché sont d’autres candidats naturels. Iln’est probablement pas sain que lesplaces de marché fixent à leur guise lavaleur du pas de cotation, cf. Partie 1.En effet, l’analyse du Trading Haute Fré-quence doit toujours se faire conjointementà celle de la fragmentation (comme l’in-dique [Bartlett and McCrary, 2012] dansun contexte un peu différent). En parti-culier, il est probablement absurded’avoir des pas de cotation différentspour le même actif dans un marché

fragmenté. Aussi les pas de cotationdevraient être le résultat de consulta-tions entre les places de marché et lesrégulateurs.

La deuxième question est une questiondifficile. En effet, les pas de cotationfavorisent certains participants de mar-ché, aux dépens des autres. Noussuggérons d’essayer d’arriver à la situa-tion suivante, qui assure un traitementéquitable de tous les participants et descarnets d’ordres remplis de façon rai-sonnable.

La Figure 9 montre qu’une telle règlen’est pas du tout opérationnelle sur lesmarchés. En effet, on voit qu’il n’y a pasune relation appropriée entre la valeurdu pas de cotation et la fourchette.

Bien sûr, la recommandation précé-dente implique de disposer d’un outilpermettant de mesure les coûts desordres marché et des ordres à courslimité. Cela peut par exemple être faitgrâce à la méthodologie développéedans [Dayri and Rosenbaum, 2012], quis’inspire de [Madhavan et al. 1997] et[Wyart et al. 2008]. Dans cetteapproche, les coûts des ordres à courslimité et des ordres marché sont tousdeux fonction d’un unique paramètre ηrésumant les caractéristiques de lamicrostructure de l’actif. Ce paramètresynthétise l’ensemble des propriétésmicrostructurelles d’un actif et peut êtreestimé très facilement sur les donnéesde marché, cf. [Robert and Rosenbaum,2011]. Afin de tester la pertinence d’unetelle analyse, on peut vérifier la validité


Les conséquences du choix du pasde cotation par les émetteurs devraient être étudiées.

14Recommandation Des pas de cotation choisis parles émetteurs

Le pas de cotation d’un actif devraitêtre le même sur toutes lesplateformes de trading.

15Recommandation Des pas de cotation égaux surtoutes les places de marché

Les pas de cotation devraient êtrefixés de façon à ce que : - la fourchette moyenne soit entre unet deux pas de cotation,

- les petits ordres marché et les petitsordres à cours limité aient environ lemême coût.

16Recommandation Une microstructure optimale

Figure 9 : chaque point correspond à un jour (dumême mois en 2012) pour chacun des vingttitres les plus liquides de chaque marché.L’abscisse indique le prix moyen pondéré par lesvolumes (VWAP) et l’ordonnée, la taille de lafourchette relativement au prix, en points debase. La ligne noire est la valeur du pas decotation relativement au prix, en points de base(de sorte que la fourchette est nécessairementau-dessus de cette ligne).

US STOCK MARKET SPREADS AND TICK SIZE

daily vwap

basi

s po

ints

INDIA'S STOCK MARKET SPREADS AND TICK SIZE

daily vwap

basi

s po

ints

JAPANESE STOCK MARKET SPREADS AND TICK SIZE

daily vwap

basi

s po

ints

GERMAN STOCK MARKET SPREADS AND TICK SIZE

daily vwap

basi

s po

ints


de la relation affine suivante, qui résultedu modèle et relie le coût de tradingavec la volatilité par transaction : ηα ~σ/√M + c, où α est le pas de cota-tion, σ est la volatilité cumulée sur lapériode et M le nombre de transactionssur la période. Sur la Figure 10, lenuage de points (ηα√M ; σ) est donnépour dix contrats futures (une couleurpar actif) sur différentes classes d’actifs

et traités sur différents marchés du 15mai 2009 au 31 décembre 200916

(chaque points représente un actif, unjour), cf. [Dayri and Rosenbaum, 2012]pour les détails. Cette relation se vérifiede façon frappante sur les données etjustifie l’approche proposée. La difficulté de la troisième étape : définirune valeur optimale du pas de cotation,

réside dans la croyance générale qu’ilest impossible de prédire ex-ante lesconséquences d’un changement de lavaleur du pas de cotation sur la mi-crostructure d’un actif. Ainsi, l’on consi-dère souvent que les pas de cotationdoivent être choisis par tâtonnement, etque l’efficacité du pas de cotation ne peutêtre déterminée qu’ex-post, selon les ef-fets obtenus. Cela explique pourquoinous avons récemment vu de nom-breux changements dans un sens puis

dans l’autre sur lesdifférentes placesde marché. Deplus, les proposi-tions actuelles surle choix des pas decotation, commepar exemple [AMF,2012] ou [FESE,2013], sont essen-tiellement fondéessur des analysesstatiques des don-nées historiquesqui ne prennent encompte que l’inter-valle de prix et lenombre de trans-

actions, ce qui n’est sans doute pas suf-fisant.Nous pensons que des modèles dyna-miques et stochastiques récents sont ca-pables de donner des indications pré-cises sur les conséquences d’un chan-gement de la valeur de pas de cotation.Ils peuvent donc contribuer à l’élabora-tion d’un pas de cotation optimal. Par

exemple, en utili-sant l’approche dé-crite dans [Dayri andRosenbaum, 2012],on peut prédire ex-ante la valeur de ηaprès un change-ment de pas de co-tation. Cela signifie quenous sommes ca-pables de prédireles caractéristiquesmicrostructurellesd’un actif après unchangement de pasde cotation, et donc,les nouveaux coûtsde trading. Il est enparticulier possiblede choisir ainsi un

pas de cotation qui génèrerait les effetssouhaités établis dans la recommanda-tion n° 16. Afin de vérifier les formulesprédictives sur des données réelles, lecontrat Bobl17 a été utilisé. Le pas de co-tation sur ce contrat future a été multipliépar deux le 15 juin 2009. Dans la figure11, nous considérons deux périodes : 12jours précédant la date de changementde tick (15 juin 2009) et 12 jours consé-cutifs à cette date. Sur la première pé-riode, chaque jour, êta, ainsi que deuxprédictions du futur êta (après change-ment de tick) sont calculés (deux va-riantes de la formule de prédiction sontutilisées). Sur la seconde période, les va-leurs réalisées par êta sont présentées.

Les résultats sont très satisfaisants, lesdeux hypothèses conduisent à de bonsestimateurs de la future valeur de η, etdonc des coûts de trading. Cela nous amène à faire la recomman-dation suivante :

4.4 La recherche avancée doitfaire partie du processus

Le paragraphe précédent illustre le faitque la recherche peut être très utiledans la résolution des problèmes régle-mentaires. Il est parfois tentant d’essayerde trouver des solutions simples etrapides afin de répondre aux problèmesémergeant sur les marchés. Cependant,il s’agit alors d’un "bricolage" tempo-raire, non d’une solutions durable ; lefait, d’écarter une approche parce qu’ellen’est pas assez simple n’est pas rai-sonnable. En effet, il n’existe pas toujoursde réponse simple, et les problèmescomplexes ne se résolvent pas par dessimplifications excessives. Nous pen-sons qu’un sujet tel que le TradingHaute Fréquence devrait être traité avecdes outils avancés. Le but n’est pas icide vanter la complexité ou la beauté

41

Les conséquences d’un changementdans le pas de cotation devraientêtre analysées grâce aux approchesrécentes dynamiques et stochastiquedu sujet. De telles approchesdevraient également être utiliséesafin de déterminer la valeur optimaledu pas de cotation.

17 Recommandation Un pas de cotation optimal

Figure 10 : Nuage de points (ηα√M ; σ). La droite noire est la bissectrice (y = x).

Figure 11 : tests de la prédiction de η sur le contrat future Bobl. Les lignesbleues représentent les valeurs quotidiennes de η. Les lignes rouge et vertesont les prédictions journalières associées au futur pas de cotation.


des mathématiques sous-jacentes, maisde rechercher l’efficacité opérationnelleque l’on peut en obtenir. En particulier,les modèles doivent rester suffisam-ment simples pour être interprétablesfacilement. Cependant, il ne faut pasoublier que nous essayons de régle-menter des participants de marchéextrêmement avancés et techniques. Ilsemble évident que nous avons besoind’outils modernes pour ce faire : nousutilisons de la chimie ou physique trèsavancée pour concevoir médicamentsou avions, pourquoi cela devrait-il êtredifférent sur les marchés ?

Le régulateur ne devrait pas non plus secontenter d’inviter des chercheursexternes et des spécialistes de marchélors de comités d’experts, mais il devraitleur donner un pouvoir de décision. Eneffet, si on ne place aucune confiancedans ces experts, et si le régulateursouhaite retrouver par lui-même lapreuve des résultats obtenus par lesacadémiciens ou spécialistes, il est évi-dent que le temps nécessaire à la prisede décision finale sera inadapté auxévolutions du marché.

"La conception du marché doit se faireavec le souci du détail, le besoin de legérer dans toute sa complexité, et nonseulement dans ses grandes lignes.Les concepteurs ne peuvent donc passe contenter de simples modèlesconceptuels proposant un aperçuthéorique du fonctionnement généraldes marchés. La conception dumarché nécessite plutôt une approched’ingénierie. "

Alvin Roth, Prix Nobel de SciencesEconomiques en 2012 [Roth, 2002].

5. Glossaire

Réglementation

Directive MIF – la Directive concernantles marchés d’instruments financiers(MIF) est une directive européennevotée en 2004 par la Commission Euro-péenne; son implémentation eut lieu ennovembre 2007.

Reg NMS – la Regulation National Mar-ket System est une réglementationcréée en 2005 aux Etats-Unis et miseen place en 2007. Elle définit et régle-mente le trading d’un même titre surdifférentes plateformes au sein du pays.

ESMA (European Securities and Mar-kets Authority) – c’est l’autoritéeuropéenne des Marchés Financiers (ouAEMF), constituée en janvier 2011. Elleest basée à Paris, en France, et a rem-placé le CESR (Comité des régulateurseuropéens), tout en acquérant plus depouvoir. http://www.esma.europa.eu

MTF, ATS, ECN, BCN – MTF signifieSystème Multilatéral de Négociation,ATS Système de Trading Alternatif, ECNréseau de communication électronique,et BCN Crossing Network de Broker.Ces trois acronymes sont utilisés dansla directive MIF et la régulation NMSafin de définir les plateformes électro-niques hébergeant du trading multilatéral.

RM – signifie Marché Réglementé. Dansla directive MIF, un marché réglementépropose la négociation des titres etgère l’admission à la cotation de nou-veaux titres. Il a plus de contraintes desurveillance et de résilience que les MTFs.

SI – signifie Internalisateur Systéma-tique dans la directive MIF. Une sociétéenvoyant systématiquement des ordreset acceptant des transactions sur sonpropre compte est un internalisateursystématique. Ce statut a été créé pourle trading bilatéral.

Segments de liquidité – ce sont lesgroupes de titres ayant la même profon-deur de marché. Le CAC40 a étéconstitué des quarante titres français lesplus liquides, il peut être considérécomme un segment de liquidité. Lesplaces de marché historiques ont mis enplace ces segments de liquidité afind’organiser les négociations. Cela leur apermis d’allouer des fréquences etdurées d’enchères différentes par seg-ment de liquidité.

Contrôle de gestion du risque – doitêtre effectué en aval : lorsque les ordressont envoyés au marché. Les intermé-diaires (i.e. les membres des marchés)se chargent d’une grande partie de cescontrôles. Certaines informations doi-vent être attachées à chaque ordre pourdes vérifications fiscales et autres aposteriori, comme la vente à découvert(i.e. respect de l’interdiction de vente àdécouvert le cas échéant).

Plateformes de négociation

BATS Europe – la filiale européenne deBATS Global Markets (acronyme pourBetter Alternative Trading System)dédié à la négociation en Europe sousla directive MIF. http://www.batstra-ding.co.uk

Chi-X – créé initialement par Instinet(une filiale de Nomura), avec dans soncapital des banques d’investissementet de grosses societés de TradingHaute Fréquence comme Getco. Cela aété le premier MTF à offrir la possibilitéde traiter sous la directive MIF enEurope. Il a été racheté par BATSEurope, afin de former le groupe BATS-Chi-X Europe en avril 2012.http://www.batstrading.co.uk

NASDAQ-OMX MTF – est le MTF opérépar NASDAQ-OMX pour permettre lanégociation de titres en Europe sous ladirective MIF. NASDAQ-OMX est ungroupe basé aux Etats-Unis, gérant leNASDAQ (acronyme de National Asso-ciation of Securities Dealers AutomatedQuotations) aux Etats-Unis, et l’OMX enEurope (régions nordiques et baltiques).http://www.nasdaqomx.com

Turquoise – mis en place par unconsortium de banques d’investisse-ment (BNP Paribas, Citi, Credit Suisse,Deutsche Bank, Goldman Sachs, Mer-rill Lynch, Morgan Stanley, SociétéGénérale et UBS), Turquoise a rencon-tré quelques difficultés avant d’êtreracheté par le London Stock Exchange(LSE) en décembre 2009. Il fait mainte-nant partie du groupe LSE, il s’agit desa plateforme pan-européenne.http://www.tradeturquoise.com

Frais de négociation – doivent êtrepayés par les membres de chaque pla-teforme de trading ayant un moteurd’appariement. Ces frais ne sont géné-ralement payés que lorsqu’unetransaction a lieu. Dans un schéma detarification faiseur-preneur, l’apporteur


Il est de la responsabilité durégulateur d’ouvrir la porte auxmodèles sophistiqués de façon àrésoudre les problèmes importants. Il est également de sa responsabilitéde donner un pouvoir de décision auxchercheurs externes et auxspécialistes des marchés lors descomités d’experts.

18Recommandation Utilisation de méthodes avancéespour résoudre les problèmesréglementaires


de liquidité (i.e. faiseur) paie moins quele consommateur de liquidité (i.e. pre-neur). Des schémas faiseur-preneurextrêmes offrent un remboursementaux apporteurs de liquidité.

Latence – le temps pour un messaged’arriver à destination est la latenceentre l’envoyeur et son destinataire.L’envoyeur est généralement un trader(humain ou électronique) et le destina-taire le moteur d’appariement d’unopérateur de marché. La latence glo-bale est composée de différentséléments : la latence du moteur d’appa-riement (i.e. le temps pour un messagereçu par le moteur d’appariement d’at-teindre sa mémoire) ; la latence duréseau (i.e. plus le câble est long, plusla latence est grande), différents trajetset différents modes de communicationsont disponibles (câble, fibre optique,micro-ondes, etc…) ; et la latence dessystèmes du trader lui-même.

A roundtrip - est le temps pour l’en-voyeur de constater l’effet de sonmessage : le temps de recevoir l’informa-tion de la part du moteur d’appariementdoit être ajouté. Un aller-retour estgénéralement égal à deux fois lalatence.

Protocole – Afin de pouvoir échangerdes messages avec un moteur d’appa-riement, un langage informatisé doitêtre utilisé. Un protocole comprend lelangage utilisé pour lire et écrire le mes-sage, ainsi que les langages permettantaux différents appareils d’échanger cesmessages. Une couche réseau (coucheIP) peut être utilisée pour supporter lesystème de messagerie, et la norme FIXpour encoder un ordre. Dans ce cas, leprotocole est la somme "IP plus FIX".http://www.fixprotocol.org

Types d’ordres – Lorsqu’un traderenvoie un ordre vers un moteur d’appa-riement, il doit en choisir lescaractéristiques. L’une d’elles est le Timein Force : elle détermine la durée de vali-dité d’un ordre (quelques minutes, lajournée entière, etc…). Une autre est laquantité publiée : l’ordre peut être par-tiellement caché (i.e. un ordre iceberg)ouentièrement caché. Les ordres envoyésaux dark pools sont tous entièrementcachés. Les marchés visibles peuventaccepter des ordres entièrement cachéssous certaines conditions. Dans ce cas,la part cachée d’un ordre devient visibledès qu’il est directement négociable(après avoir généré une transaction).

Processus de formation des prix

Participants de marché – ce sont lesinvestisseurs et les intermédiaires. Lesintermédiaires sont membres des plate-formes de trading, ils ne traitent paspour leur propre compte ; les brokersen font partie. Les investisseurs achè-tent et vendent, envoient des ordresaux intermédiaires qui essaieront detrouver la liquidité pour une meilleureexécution de ces ordres.

Moteur d’appariement – – c’est le logi-ciel recevant les messages de la partdes participants de marché, déclen-chant des actions sur leurs ordres. Lemoteur d’appariement enregistre lesordres en cours, les fait correspondreavec le flux entrant, générant des trans-actions.

Phases de trading – deux types dephase existent : la phase d’enchères defixing (généralement en début et en finde journée de trading), et la phase d’en-chères continues. Durant les enchèresde fixing, il y a un laps de temps pré-fixing qui permet à tous les participantsde marché d’envoyer des ordresd’achat ou de vente. A la fin de cettepériode, un prix d’équilibre est défini,certains ordres sont exécutés, et laphase d’enchères continues débute.Durant les enchères continues, lestransactions sont générées en tempsréel par le moteur d’appariement del’opérateur de marché, dès qu’il reçoitun ordre d’achat dont le prix est supé-rieur ou égal au meilleur prix de vente,ou un ordre de vente dont le prix estinférieur ou égal au meilleur prixd’achat.

Carnet d’ordres à cours limité – c’estl’état interne du moteur d’appariement :une liste d’ordres en attente (i.e. appor-teurs de liquidité) présents à chaqueniveau de prix. Durant la phase de tra-ding continu, un niveau de prix n’a quedes ordres d’achat ou de vente, l’ordred’achat au prix le plus élevé est la meil-leure offre, et l’ordre de vente au prix leplus bas la meilleure demande. Parconstruction, les ordres à cours limité àdes prix inférieurs ou égaux à la meil-leure offre sont des ordres d’achat,ceux dont les prix sont supérieurs ouégaux à la meilleure demande sont desordres de vente.

Interruption de trading – une interrup-tion de trading est une procéduresuspendant la phase de trading continulorsque le prix change trop rapidement.Après une interruption de trading, uneenchère de fixing a généralement lieuavant que le trading ne reprenne enphase continue.

Meilleure exécution – il s’agit d’unecontrainte réglementaire pour les parti-cipants de marché achetant ou vendantdes instruments financiers. Ils doiventfournir la preuve qu’ils ont obtenu lesmeilleurs prix possible étant donné laréglementation actuelle.

Sélection adverse – elle a lieu pour untrader lorsqu’il a réussi à traiter rapide-ment une grande quantité de titres,mais que le prix lui devient plus favora-ble presque immédiatement après satransaction : il aurait pu obtenir un meil-leur prix s’il avait attendu un peu plus.D’un autre côté, un trader subit descoûts d’opportunité s’il décide d’atten-dre et que le prix se dégrade dans lessecondes qui suivent. Le trading opti-mal est l’équilibre entre la sélectionadverse et les coûts d’opportunité, sanscompter que l’activité de trading enelle-même impacte le processus de for-mation des prix dans un sensdéfavorable.

Liquidité négociable – il s’agit de laliquidité qui peut effectivement être trai-tée sur le marché. Lorsque deuxéquipes d’une même banque d’inves-tissement s’échangent des actifs pourdes raisons réglementaires, il est sou-vent impossible en réalité pour toutautre participant de marché d’être unecontrepartie dans cette transaction.Dans ce cas, la transaction a lieu parceque ces deux contreparties uniquementsont disposées à passer un accord. Detelles transactions sont rapportées,mais ne peuvent pas être prises encompte pour évaluer la liquidité ou laprofondeur de marché sur un titre. De lamême façon, certaines transactionssont rapportées deux fois, pour lesnégociations de gré-à-gré par exemple,l’acheteur et le vendeur peuvent avoirleurs propres moyens de déclaration dela transaction, parfois incompatibles. Ilconvient d’être prudent avec les décla-rations de transactions, en raison deces double-comptages.

43



1 Unification des protocoles p.28

2 Une norme européenne pour le processus de développement des moteurs d’appariement p.29

3 Amélioration des coupe-circuits p.29

4 Création de segments de liquidité européens p.30

5 Un statut européen de teneur de marché p.31

6 Des normes européennes pour les systèmes de trading automatisé p.34

7 Améliorer les connaissances des investisseurs sur la microstructure de marché p.36

8 Certification des algorithmes de trading p.36

9 Des standards "end-to-end" pour les marchés électroniques p.36

10 Investissement technologique des acteurs buy-side p.37

11 Promotion d’études académiques sur les stratégies de Trading Haute Fréquence p.37

12 Utilisation de procédures statistiques modernes et de modèles de coûts p.39

13 Une latence supplémentaire aléatoire pour tous les ordres p.39

14 Des pas de cotation choisis par les émetteurs p.40

15 Des pas de cotation égaux sur toutes les places de marché p.40

16 Une microstructure optimale p.40

17 Un pas de cotation optimal p.41

18 Utilisation de méthodes avancées pour résoudre les problèmes réglementaires p.42

6. Liste des recommandations


45

Notes1 On the London Stock Exchange, Source: The BBC.

2 On Nyse-Euronext, see [LiquidMetrix, 2011].

3 On BATS Europe, see [Cheuvreux, 2012].

4 On Chi-X Europe, see [Cheuvreux, 2012].

5 On Deutsche Boerse, Source: Securities TechnologyMonitor.

6 NASDAQ-OMX MTF a fermé en avril 2010.

7 Le pas de cotation est la plus petite augmentation du prixautorisée par une place de marché.

8 Cf MiFID Database Europa pour détails.

9 L’un apparie les ordres avec une priorité de temps, l’autreavec une priorité de taille.

10 Source : Fleur Pellerin, Ministre déléguée aux PME, àl’Innovation et à l’Economie numérique, in Les Matins deFrance Culture, 4 février 2012.

11 Les ordres qui restent dans un carnet d’ordres durant 500millisecondes et qui génèrent une transaction avecn‘importe quel ordre entrant de façon à ce qu‘il ne soit pasrouté ailleurs, cf. [Nasdaq, 2009].

12 Les marchés lit ont des carnets d’ordres visibles,contrairement aux dark pools.

13 Aux Etats-Unis, les ECNs et ATSs peuvent être comparésaux MTFs européens.

14 L’une des plus grosses sociétés d’investissementmondiales..

15 Financial Times, 27 décembre 2012

16 Données fournies par QuantHouse.http://www.quanthouse.com/

17 Un contrat future émis par la République Fédéraled’Allemagne, ayant de la dette moyen terme comme actifsous-jacent.



High-Frequency Trading and Market Quality

Abstract

We discuss the economics of high-frequency trading (HFT), survey empirical findings and offer policy recommendations. HFTinvolves high speed connections to exchanges, computerized trading, and very short-term positions. Beyond these commonfeatures, HFT strategies are heterogeneous. They can involve market-making, directional trade, arbitrage, and possiblymanipulation. The empirical literature finds that HFT market-making is profitable only because of favorable exchange fees. HFTmarket orders predict future short-term market movements and correspondingly earn profits, at the expense of other marketparticipants. Yet, there is no empirical evidence of adverse effects of HFT on liquidity. HFT could generate negative externalities,by inducing adverse selection for slower traders, or enhancing the risk of trading firms’ failure waves. To cope with theseproblems, slow-traders’ friendly market mechanisms should be available, and minimum capital requirements and stress testsshould be implemented.

Disclaimer

The views expressed in the paper are those of the authors and do not necessarily reflect those of the Institut Louis Bachelier and of the LABEX

Finance and Sustainable Growth.

46

Bruno BiaisToulouse School of Economics

(CRM-CNRS, FBF-IDEI Chair on Investment Banking and Financial Markets)

Thierry FoucaultHEC, Paris

April, 20131


1.Introduction

The rise of high-frequency traders, thatis, investors using computers to tradesecurities over extremely short timeintervals, is a major change in securitiesmarkets over the last decade. Someanalysts view this evolution as benefi-cial as automation reduces the cost ofliquidity provision. Others argue thathigh-frequency traders essentially exploittheir fast access to markets to makeprofits at the expense of other traders.Fears have also been expressed thathigh-frequency trading could be asource of market instability.

Understanding the effects of high fre-quency traders on market quality isimportant, as the latter will ultimatelydetermine long-term investors’ welfareand the cost of capital for firms. Thegoal of this report is to provide an over-view of academic findings on high-frequency trading and to examinepolicy options in light of these findings.

Before stating our main conclusions,the following preliminary remarks mustbe made:

• High frequency traders’ strategies areheterogeneous and thereby one expectsthe effects of high frequency traders onmarket quality to depend on the type oftheir strategy.

• To analyze trading strategies, it is use-ful to differentiate orders that takeliquidity and trigger immediate trades(market orders or marketable limitorders) from orders that offer liquiditywithout immediate trade (non-immedia-tely marketable limit orders). For brevitywe hereafter simply refer to the formeras market orders and to the latter aslimit orders. To encourage the supply ofliquidity, exchanges often offer rebatesor subsidies to limit orders.

• There exist very few empirical studieson the effects of high frequency tradingon market quality, due to the difficulty ofobtaining data on high frequency tra-ders’ orders.

With this caveat in mind, our mainconclusions are presented below.

This report is organized as follows. InSection 1, we first define high-fre-quency trading and describe the datathat researchers have used to analyzethe effects of high-frequency traders.This is important because researchersstill lack account-level data on HFTs.Hence, current results are mainly basedon indirect proxies for the activity ofhigh-frequency traders or aggregatedata for a subset of high-frequencytrading firms in the market. These limi-tations are important to keep in mindwhen interpreting the empirical findings.We also discuss findings regarding theprofitabilility of high-frequency traders.

In Section 2, we consider how, for agiven asset, high frequency trading af-fects (i) “price discovery,” that is, thespeed at which new information is im-pounded into asset prices (ii) liquidity,which is often measured by proxies forthe costs borne by investors when theywant to buy or sell an asset (e.g., thequoted or effective bid-ask spread) and(iii) short-term volatility (or variability) ofthe stock, which can be proxied by es-timating the standard deviation of re-turns using high-frequency data. Westress that a major challenge for empiri-cists is to devise experiments or findinstruments to distinguish simple corre-lations from a true causal effect of high-frequency trading on market quality. Wealso analyze the effect of high-fre-quency trading on market stability andsystemic risks.

Finally in Section 3, we review some ofthe policy options regarding high-fre-quency trading and formulate policyrecommendations.

Fast access to markets can be usedboth to (i) reduce intermediationcosts and (ii) obtain information in ad-vance of other market participants. Areduction in intermediation costs canbenefit all market participants if com-petition among intermediaries isstrong so that the cost reduction ispassed to final investors. In contrast,trading on advance information is asource of adverse selection, whichhinders the efficiency of risk-sharingin financial markets.

Empirical studies have found thatmarket orders submitted by high fre-quency traders contain information,in the sense that they anticipate veryshort-run price changes. This sup-ports the view that fast access tomarket data provides high frequencytraders with an informational advan-tage. As a result, high frequency tra-ders obtain small, but positive, profitsper trade when using market orders.In contrast, HFT’s profits on limit or-ders can be negative before onetakes into account the rebates fromexchanges.

So far, no significant negative effectof computerized trading on marketquality has been evidenced. Yet, thepossibility of trading on advance in-formation on market data can gene-rate negative externalities, e.g.,induce less market participation byslow traders, overinvestment in tra-ding technologies, and an increase insystematic risk. To mitigate these ex-ternalities, we recommend develo-ping trading mechanisms that caterspecifically to slow traders. Thiscould require regulatory interventionto overcome exchanges’ conflict ofinterests. We also recommend impo-sing minimum capital requirementsfor high frequency trading firms. Mo-reover we emphasize the need forstress tests to evaluate the robust-ness of the market to technologicalproblems or high-frequency firms'failure, and for pilot experiments, toassess and fine tune trading rulesdesigned to slow the trading process.

Box 1: Main conclusions of thestudy

47


2. High-frequencytrading: Definition,data, andprofitability

In this section, we first define more pre-cisely what is high-frequency trading(HFT) and what high-frequency traders(HFTs) do (Section 2.1). We then dis-cuss how researchers have identifiedHFTs empirically and measured theirimportance in trading activity (Sections2.2 and 2.3). We finally discuss evi-dence regarding the profitability ofhigh-frequency traders (Section 2.4).

2.1 High-frequency trading strategies are heterogeneous

High-frequency trading refers to tradingstrategies that have two characteristics:(i) they rely on very fast access to tra-ding platforms and market informationand (ii) they are highly computerized.

Speed is critical for high-frequency tra-ders because they specialize inexploiting very short-lived profit oppor-tunities with a “winner takes all” flavor,that is, opportunities whose value ismuch higher for the first investor whograbs them (see examples below).

To be fast, HFTs strive to minimize socalled “latencies:” essentially the time ittakes for them to receive “messages”(for instance, a quote update or the sta-tus of their orders) from tradingplatforms, process this information, andreact to it by sending back new orders(market orders, limit orders, cancella-tions) based on this information2.Hasbrouck and Saar (2012) show thatsome traders react extremely rapidly(sometimes within less than 2 to 3 milli-seconds) to market events, such as,e.g., quote improvements.

Such fast reactions are possible onlywith the help of computers, which canprocess vast amount of information andact on it much faster than humans3.Speed is also achieved by optimizingthe access to market information. Forinstance, HFTs buy “co-location ser-vices” that allow them to position theirservers in very close proximity toexchanges’ servers. This proximitysaves on transmission delays and pro-vides HFTs with quicker access toinformation on market data than otherparticipants.

As market conditions change fre-quently, high-frequency trading firmscan adjust their holdings of a stock veryfrequently. For instance, they can enterand exit positions or submit orders andthen cancel them over extremely shortperiods of time (e.g., a few millise-conds). For instance, Kirilenko etal.(2010) find that high-frequency tra-ders reduce half of their holdings inabout two minutes on average.

Because many of their orders are can-celled or modified, high frequencytraders have increased the order-to-trades ratio in securities markets. Forinstance, Gai, Yao, and Ye (2012) findthat a very high fraction of orders arecancelled on Nasdaq stocks (this frac-tion exceeds 90% for the 118 stocks intheir sample) and a large fraction oforders are short-lived (30% of all orderswith a life less than one second are can-celled after 5 milliseconds or less).

High frequency market-makingHigh frequency market-makers prima-rily submit limit orders that provideliquidity to other traders. For instance,Jovanovic and Menkveld (2010) studyone high frequency market-maker inDutch stocks constituents of the Dutchstock index. They find that this market-maker provides liquidity in about 78%(resp. 74%) of the transactions in whichhe is involved on Chi-X (resp. Euronext).Brogaard (2011b) also provide evidencethat some HFTs do indeed act as liquid-ity providers. In particular he finds thatHFTs in his sample follow a price rever-sals (or “contrarian”) strategy: that isthey buy (sell) stocks whose prices havebeen declining (increasing) in the last 10to 100 seconds. Kirilenko et al. (2010)reach a similar conclusion. HFTs in theirsample tend to build up their positions(in futures contracts on the S&P500index) when prices are dropping andexit their positions when prices areincreasing.


High-frequency traders are part of abroader group of traders calledalgorithmic traders. Algorithmictraders use computer programs toimplement investment decisions andtrading strategies. However, not allthese strategies rely on speed. For instance, brokers often splitlarge orders over time and betweentrading platforms to achieve smallexecution costs. They increasinglyrely on computers to both determinethe optimal splitting strategy for agiven order and implement ordersplitting strategies, yet these ordersplitting strategies do notnecessarily require super fast accessto markets. Hence, although highfrequency traders are algorithmictraders, not all algorithmic tradersare high frequency traders.

Box 2: High-frequency trading andalgorithmic trading

Different types of institutions engagein high-frequency trading:proprietary trading firms (e.g.,GETCO, Optiver, Tradebot),proprietary trading desks of abroker-dealer firm (e.g., GoldmanSachs or Morgan Stanley) or hedgefunds (e.g., Citadel). One canbroadly classify HFT tradingstrategies in five groups: (i) market-making; (ii) arbitrage; (iii) directionaltrading; (iv) structural and (v)manipulation. None of thesestrategies are completely new:arbitrage, market-making, informedtrading and manipulation have along history in securities markets.What is new is the use of computingcapacity and speed to implementthese strategies. Some HFTs firmsspecialize in some of these tradingstrategies, very much like hedgefunds tend to be specialized. Forexample, Baron et al. (2012) study31 HFT firms and show that 10 ofthem complete more than two thirdsof their trades with market orders,while 10 other firms completealmost 90% of their trades with limitorders.

Box 3: Heterogeneity in HFT firmsand HFT strategies


Speed is important for market-makingfor several reasons. First, it enablesmarket-makers to quickly react to tran-sient increases in market illiquidity. Forinstance, the bid-ask spread for a stockmay widen after the arrival of a largemarket order consuming the liquidityavailable at the best quotes (see Biais,Hillion, and Spatt (1995)). This increasein the bid-ask spread above the com-petitive level generates a profit opportunityfor traders who can intervene by sub-mitting new limit orders within thebid-ask spread, provided they are quickenough to obtain time priority at thebest quotes4. Investing in speed istherefore a way to capture a larger frac-tion of these profit opportunities (seeFoucault, Kadan, and Kandel (2013) fora theoretical model and Hendershottand Riordan (2012) for empirical evidence).

Second, fast reaction to new informa-tion (news releases or quote updates inother related securities) mitigates mar-ket-makers’ exposure to the risk ofbeing picked off (Copeland and Galai(1983)). Indeed, a dealer’s quotes maybecome stale when news arrive if thedealer does not quickly cancel andresubmit his limit orders to account forthe new information. Else, fast traderswill hit the dealer’s quotes with buy (sell)market orders when his quotes under-value (overvalue) the security, inflicting aloss to the dealer. Thus, a fast reaction tonews for dealers is a way to reduce thelikelihood of such a loss and thereforebear lower market-making costs5.

Last, speed is a way for market-makersto manage their inventory risk more effi-ciently. For instance, in today’s markets,a stock is often traded in several trad-ing platforms. This possibility impliesthat there can be a mismatch in “space”between buyers and sellers of the samestock. For instance, a French institutionalinvestor might place a large buy order onEuronext while a U.K institution places asell order on Chi-X. High frequency mar-ket-makers operating on both platformscan step in in this case by, say, buyingthe stock on Chi-X at, say, a price of€100 and then reselling it quickly onEuronext at €100.1 or vice versa. Bytrading fast across trading platforms, themarket-maker is able to reduce the timeduring which his inventory is at risk andthereby his inventory holding costs.

High-frequency arbitrageHigh-frequency trading is also used toexploit arbitrage opportunities, i.e.,deviations from parity for the prices ofrelated assets, by taking simultaneouslong and short (“hedged”) positions inthese assets. Speed in this case isimportant because some arbitrageopportunities are very short-lived andalmost riskless to exploit: thus, the firsttrader detecting the opportunity willexploit it fully, leaving no profit for slowarbitrageurs.

There are several examples of veryshort-lived arbitrage opportunities. Forinstance, when a stock is traded onmultiple platforms, its ask price on oneplatform may become temporarilysmaller than its bid price on anotherplatform, either because liquidityproviders on one platform are slow toadjust their quotes when new informa-tion arrives or because one dealerwillingly shades his quotes relative tothe fundamental value of an asset toquickly unwind his inventory. This“crossed market” situation gives rise toa straightforward arbitrage opportunitywhereby one can buy the security at aone price and then resells it immedi-ately a larger price. Exploiting theopportunity however requires a veryfast reaction because (i) computers candetect crossed quotes almost instanta-neously and (ii) liquidity providers mayadjust their quotes as soon as they real-ize that quotes are crossed6.

Another, related example, are triangulararbitrage opportunities in currency mar-kets. At any point in time, one can tradedollars against euros directly in theeuro/dollar market or indirectly by con-verting euro in pound (or any othercurrency) and then pounds in dollar (orvice versa). If, for instance, the cost ofbuying 1 dollar directly with euros isless than the number of euros obtainedby converting one dollar in euros indi-rectly then there is a triangular arbitrageopportunity. Using high frequency datain three currency pairs (euro/dollar,pound/dollar and pound/euro), Fou-cault, Kozhan and Tham (2012) find thattriangular arbitrage opportunities arisefrequently (there are 35 to 40 arbitrageoppportunitie per day on average intheir sample) and are very short-lived(they last less than one second).

As high frequency arbitrage opportuni-ties are very short-lived, they requirevery fast access to the market and arebest exploited with market orders.Hence, in contrast to high frequencymarket-makers, high frequency arbi-trageurs mainly use market orders. Thisfeature suggests to use the type oforders (limit vs market) used by high fre-quency traders in order to identify theeffects of various strategies (e.g., mar-ket-making vs arbitrage) that they mightuse.

That high-frequency arbitrage opportu-nities are short lived suggests thatcorrecting them via high-frequencytrading might not be very useful: With-out the intervention of high-frequencytraders, the arbitrage opportunity wouldalso have been corrected fast, althoughslightly less rapidly. It is not clear that adecline from, say, 30 seconds to 5 mil-liseconds is extremely valuable for society.

Directional strategiesThese strategies consist in taking adirectional bet in one asset in anticipa-tion of an impending price change. Incontrast to arbitrage strategies, direc-tional strategies do not necessarilyinvolve long/short positions in multipleassets, but they require the acquisitionof some signals that help to forecastfuture price movements. Computers inthis case are useful because they canreact and process a myriad of signalsbefore humans, even if these signals arealready public.The signals used by high-frequencytraders to establish directional bets arevery diverse. For instance, Jovanovicand Menkveld (2011) or Zhang (2012)show that high-frequency traders useindex futures price to establish positionsin underlying stocks. High-frequencytraders can also trade on news(unscheduled or scheduled) regarding astock (see “Computers that trade on thenews,” The New-York Times, May 2012)and data vendors such as Bloomberg,Dow-Jones or Thomson Reuters nowprovide pre-processed real-time newsfeed to high-frequency traders.

Brogaard, Hendershott, and Riordan(2012) find that high-frequency tradersreact to information contained in limitorder book updates, market-wide returns,and macro-economic announcements.

49


The value of these signals decaysquickly with time because they aremade public to all investors. Thus, theycan generate profits only if they areexploited very quickly. For instance,Scholtus et al. (2012) show that speedis critical for investors trading onmacro-economic announcements. Fora sample of 707 announcements, theyfind that a delay of 300 milliseconds inreacting to the announcement reducesthe returns on a strategy exploiting theinformational content of the announce-ment by about 0.44 bps.

Market orders move prices (buy marketorders push prices up and sell marketorders push prices down). Hence, oneway to anticipate future price move-ments is to anticipate future order flow(the imbalance between the volume buyand sell market orders over a given timeinterval). Directional strategies that arebased on such anticipation are referedto as “anticipation strategies.” A straight-forward way to anticipate future orderflow is to have direct information onimpending trades by one specificinvestor. Broker-dealers are often wellplaced to have such direct order flowinformation because they act as inter-mediaries between final investors, butthey are not allowed to use it for proprietarytrading as this would be front running.There are however other ways fortraders to forecast future order flow orprice movements associated with flows.For instance, orders are increasinglysplit over time which implies that orderflow is positively autocorrelated. Thispositive autocorrelation in turn impliesthat future order flow can be forecastfrom past order flow. Faster access todata on trades enables one to betterforecast future trades and thereforefuture price movements.

Using Nasdaq data, Hirschey (2011)finds evidence consistent with the useof order anticipation strategies by someHFTs. Specifically, net order imbalancesfrom HFTs (computed as the differencebetween the number of shares pur-chased with marketable orders minusthe number of shares sold with mar-ketable orders by HFTs) are positivelycorrelated with lagged, contemporaneous,and future net order imbalances from nonHFTs. Moreover, HFTs’ order imbalances

are positively correlated with futurereturns (over time interval of up to300sds). One possible explanation isthat HFTs react to public informationfaster than non HFTs. However,Hirschey (2011) shows that his resultsare unchanged when he excludes peri-ods within five minutes of intra-daynews. Overall, Hirschey (2011)’s find-ings are consistent with HFTsforecasting price pressures from otherinvestors and trading on these forecasts.

Structural strategiesAccording to the SEC, “structuralstrategies” exploit specific features ofmarket structure. The profitability ofthese strategies is therefore dependenton market organization and could bealtered when trading rules change. Forinstance, high frequency arbitrageursexploiting crossed quotes exploit thefact that markets are now heavily frag-mented. Obviously crossed quoteswould not exist if all trading in a stockwas centralized in a single market andthis source of profits for arbitrageurswould disappear.

Another example pointed to by the SECis the case in which a high-frequencytrader uses his fast access to marketdata (through, e.g., co-location) to pickoff dealers that update their quotesslowly. For instance, the high-frequencytrader might observe an increase in bidand ask quotes on platforms A, B and Cwith quotes on platform D left unchanged.High-frequency traders will then belikely to pick off those slow limit orders.This strategy is “structural” insofar as itwould be less profitable if all tradershad an equal speed of access to marketdata7.

Yet another example is described inMcInish and Upson (2011). In the U.S,the order protection rule (or “no tradethrough” rule) requires market orders tobe routed to the trading platform post-ing the best consolidated quotes (the“NBBO”) at the time the order isreceived. For practical reasons, accord-ing to the “benchmark quotes exceptionrule”, the SEC considers that there is aviolation of this rule if a trade happenson a platform at a quote inferior to thenational best bid and offer prices pre-vailing over the 1 second time before

the trade (the so called “benchmarkquotes”). As a result, some trades maynot comply with the order protectionrule and happen at quotes anywherebetween the NBBO at the time of thetrade and the benchmark quotes. McIn-ish and Upson (2011) find that about8% of trades fall in this category. Theyargue that these trades happenbecause slow traders see quotes with adelay and therefore route their orders tothe “wrong” platform. McInish andUpson (2011) argue that these routing“errors” can be exploited by strategicliquidity suppliers who observe quotesupdates in real time faster than liquiditydemanders. When an improvement inthe NBBO happens on one platform,fast liquidity suppliers deliberatelychoose to maintain non competitivequotes (outside the NBBO but withinbenchmark quotes) on other platformsinstead of matching or improving uponthe NBBO. They may then execute mar-ketable orders at non competitiveprices from slow traders who mistak-enly miss the opportunity of trading atthe best consolidated quotes.

ManipulationOne concern is that some HFTs usetheir fast market access to engage inmarket manipulation. For instance, theSEC has pointed to “momentum igni-tion strategies” that consist insubmitting market buy (sell) orders tospark an upward (downward) pricemovement in the hope that othertraders will wrongly jump in the band-wagon and amplify the movement. Thehigh-frequency trader igniting the pricemovement can then quickly unwind hisposition at a profit by either selling atartificially inflated prices or buying atdiscounted prices.

High-frequency traders have also beenaccused of engaging in "smoking." Thisstrategy involves posting alluring limitorders to attract slow traders, then rap-idly revising these orders onto lessgenerous terms, hoping to executeprofitably against the incoming flow ofslow traders' market orders.

Yet another strategy has been nick-named “spoofing.” Suppose thehigh-frequency trader’s true intention isto buy. Paradoxically, he or she will ini-tially place limit orders to sell in the



order book. These orders are notintended to be executed. Therefore theyare placed above the best ask. And,since the high frequency trader is fasterthan the other market participants, heor she can rest assured he or she willhave time to cancel the sell ordersbefore they are executed if good newsreach the market. With this assurance inmind, the high frequency trader placesa sequence of limit sell orders abovethe best ask, potentially for very largeamounts. The hope is to scare the mar-ket and induce some naïve participantto sell against the limit order to buy thehigh frequency trader will have dis-cretely placed meanwhile.

“Quote stuffing” is another strategy thathas raised concerns. For some strate-gies, relative speed rather than absolutespeed is important. For instance, for atrader taking advantage of stale quotesor crossed quotes, it is important to befast relatively to the other traders. Oneway to do so is to slow down othertraders by sending a very high numberof messages (orders that are subse-quently cancelled) just to reduce thespeed at which exchanges can informother traders or process their messages.

Gai, Yao, and Ye (2012) provide inter-esting empirical evidence consistentwith strategic “quote stuffing.” Theyexploit the fact that there are 6 differentchannels of communication for stockstraded on Nasdaq and stocks are ran-domly affected among each channel.For instance, stocks with ticker symbolsfrom A to B are affected to channel 1, Cto D channel 2 etc. Gai, Yao, and Ye(2012) show that messages in a stock ina given channel covary more stronglywith messages for other stocks in thesame channel than with stocks in otherchannels. Moreover, this covariationfalls down significantly when a stock isreallocated to another channel becauseits ticker symbol changes. These find-ings are surprising since stocks arerandomly assigned across channels.Gai, Yao, and Ye (2012) argue that theyreflect the fact that high-frequencytraders deliberately overflow stocks inone channel with messages when theyattempt to exploit a profit opportunity inone stock in this channel.

2.2 Data on high-frequency tradersare yet limited

To analyze the effects of HFT, oneneeds to measure it. It is important tobear in mind the limitations of the data,when interpreting empirical results onHFT. In this section, we discuss howHFT activity was measured by thevarious studies surveyed in this report(a synoptic view is given in Table 1).

The first approach is to build a proxy forthe activity of high-frequency tradersusing data on submitted orders and thespeed at which these orders are sub-mitted. For instance, Hendershott et al.(2011) and Boehmer et al. (2012) notethat the ratio of executions to ordersubmissions is lower for algorithmic tra-ders. Thus, Hendershott et al. (2011)and Boehmer et al. (2012) propose tomeasure algorithmic trading activityusing the number of messages (orders)normalized by trading volume oversome time period (e.g., each month).Hasbrouck and Saar (2012) use the factthat the cancellation of a limit order bya trader followed by the resubmission ofanother order by the same trader (a “lin-ked message”) in less than one secondis likely to come from high-frequencytraders. Using this intuition, Hasbrouckand Saar (2012) use the number of lin-ked messages (“strategic runs”) per 10minutes interval to build a measure ofalgorithmic trading.

One drawback of this indirect approachis that the proxies used for high-fre-quency trading may also capture theactivity of algorithmic traders operatingat lower frequencies (like for instancebrokers using algorithms to executeorders at low costs for their clients). Infact, studies using this approach inter-pret their findings as describing theeffects of algorithmic trading, ratherthan high-frequency trading strictlyspeaking.

In the second approach, researchersuse data on the trades of a subset ofhigh-frequency trading firms. Severalstudies (Brogaard (2011a), Brogaard(2011b), Broogard, Hendershott andRiordan (2012), and Zhang (2012) usedata provided by the Nasdaq to acade-mics. These data report aggregated

trades for 26 firms identified as HFTs byNasdaq in 120 randomly selectedstocks listed on Nasdaq and the NYSE(over the period 2008 and 2009). Hen-ceforth, we refer to this dataset as the“Nasdaq sample.” Nasdaq categorizeda firm as an HFT if it engages in pro-prietary trading only, its net position isoften zero, and its limit orders tend tobe short-lived. By construction, theNasdaq sample excludes high-fre-quency trading desks from broker-dealers such as Goldman Sachs, MorganStanley, or Merrill Lynch. The exclusionof some important high frequency tra-ding desks from the Nasdaq samplelimits the inferences that can be madefrom this sample. Moreover, the tradesand orders of the 26 trading firms repre-sented in the Nasdaq sample areaggregated8. Thus, researchers usingthese data cannot categorize HFTs in dif-ferent groups according to, for instance,the type of orders they mainly use (limitor market), the size of their inventories,the frequency with which they postcompetitive quotes etc. As a result,inferences about the effects of HFTs’trades or orders on market quality arelikely to be driven by the strategy thatpredominates among the HFTs presentin the Nasdaq sample, even thoughHFTs in these data are heterogenous.

The last approach is to use account-level data for trades made by highfrequency trading firms (e.g., Menkveld(2010), Kirilenko, Kyle, Samadi andTuzun (2010) and Baron, Broogard andKirilenko (2012), Malinova, Parks andRiordan (2012), Hagströmer and Norden(2012), Hirschey (2012)). For instance,Kirilenko, Kyle, Samadi and Tuzun(2010) and Baron, Broogard and Kiri-lenko (2012) use data on trades bymarket participants in the CME e-miniS&P500 futures contracts (over two dif-ferent sample periods, see Table 1). Aunique feature of these data is that theyprovide account-level identification ofthe traders in each transaction. Theauthors use these data to identify asubgroup of accounts as being held byhigh-frequency traders. Specifically, inKirilenko, Kyle, Samadi and Tuzun(2010) and Baron, Broogard and Kirilenko(2012), a trader-account is categorizedas that of a high-frequency trader if thetrader (i) accounts for a sufficiently large

51


fraction of total number of trades, (ii)has a low inventory at the end of theday (e.g., less than 2% of the total num-ber of futures contracts traded duringthe day) and (iii) experiences relativelylow variations in his inventory position(relative to the number of contracts traded).

By construction, high-frequency tradersin Kirilenko et al. (2010) or Baron et al.(2012) have relatively small inventoriesand have fast mean reverting invento-ries. One problem with this approach isthat it may select HFTs with a specifictrading style (in particular, HFTs payingmuch attention to inventory risk) whileexcluding others (e.g., those takinglarge inventory positions across mar-kets for arbitrage purposes).

Hagströmer and Nordén (2012) usemember-level data from the StockholmStock Exchange (SSE) for 30 stocks lis-ted on this market (in August 2011 andFebruary 2012). With the help of Nas-daq OMX (the owner of the SSE), theyclassify members of the SSE in threegroups: (i) high-frequency traders (29members), (ii) non high-frequency tra-ders (49 members), and (iii) hybrid firms(firms that have both agency and pro-prietary trading activities). The validity ofthis classification is supported by thefact that 98.2% of all messages initiatedby members in the first group are flag-ged as coming from algorithms.Interestingly, Hagströmer and Nordén(2012) further decompose their group ofHFTs in two subgroups: (a) “market-makers” (about 4 to 5 members) and (b)“opportunistic traders.” Firms in the firstgroup appear to provide liquidity toother participants much more frequentlythan opportunistic HFTs, who presuma-bly use more directional or arbitragestrategies.

Hagströmer and Nordén (2012) showthat these two groups of HFTs exhibitvery different behaviors. For instance,opportunistic HFTs have a significantlylower message-to-trade ratios thanmarket-makers and the average size oftheir inventory is significantly higher.Hence, these findings suggest thatusing these variables to define HFTs isnot innocuous. For instance, classifyingtraders as high frequency traders if theyhave a high message-to-trade ratio andsmall inventories increases the chanceof selecting HFTs engaged in market-making. Hagströmer and Nordén (2012)

also find that market-makers accountfor the lion’s share (62% to 80%) of thetrading volume by HFTs in their sample.

Finally, it is worth stressing another limi-tation of existing datasets used inempirical studies on high frequency tra-ding. They typically use data on tradesby high frequency traders in only oneasset or one market while in reality highfrequency traders are likely to take posi-tions in multiple markets at the sametime. The lack of cross-market data forhigh frequency traders can affect infe-rences, as illustrated by Menkveld(2010). This study uses data on onehigh-frequency trader active both onEuronext and Chi-X (his samplecontains 14 Dutch stocks). Menkveld(2010) shows that this high-frequencytrader behaves very much like a mar-ket-maker. In particular, the vastmajority of his trades (78.1% on Euro-next and 78% on Chi-X) occur when hisbid or ask quotes are hit on Chi-X orEuronext. Interestingly, Menkveld (2010)shows that the high frequency market-maker’s aggregate inventory positionacross markets (Chi-X and Euronext)mean reverts (as one would expect fora market-maker) while its position ineach individual market does not. Thisobservation underscores the impor-tance of having data on HFTs’ tradesacross markets to make inferencesabout their behavior.

2.3 Importance of high-frequencytrading

High-frequency traders can affect mar-ket quality if they account for a largefraction of trading activity. Preliminaryevidence from empirical analyses usingdata on HFTs indicates that this is thecase.

For instance, Brogaard (2011a) findsthat the 26 HFTs in the Nasdaq sampleparticipate in 68.5% of the dollarvolume traded on average and accountfor a larger fraction of the tradingvolume in large capitalization stocksthan in small capitalization stocks. Hir-schey (2011) also find that HFTs in hissample are more active in large than insmall stocks (41% vs. 15%). HFTs inKirilenko et al. (2010)’s sample accountfor 34.22% of the daily trading volumein the S&P500 index (for 4 days in May

2010). The high frequency market-maker studied by Menkveld (2010)participates in about 16% of all tradesin large stocks and 7% in small stocks.Finally, Hagströmer and Nordén (2012)find that HFTs in their sample accountfor about 26% to 52% of all trades forthe 30 stocks in their sample.

2.4 Profitability of high-frequencytraders

It is interesting to study the profitabilityof high-frequency traders for severalreasons. First, one would like to knowwhether this activity is competitive, thatis, whether profits of high-frequencytrading desks have been declining asthe number of high-frequency tradersincreased. Second, understanding thedistribution of trading gains amongHFTs and non HFTs is helpful to predictand interpret the effects of HFTs onmarket quality. For instance, if HFTs pla-cing market orders obtain positiveexpected profits then they inflict a tra-ding loss on liquidity providers. If this isthe case, liquidity providers may thenworsen the terms at which they provideliquidity. Third, the size of HFTs’ profitscan determine the extent to which a taxon high-frequency traders can affecttheir activity. Finally, the historical distri-bution of HFTs’ trading profits isinformative about their exposure to tail-risks (risks of large but unfrequentlosses).

Hendershott et al. (2012) find that thedaily average profit per $10,000 tradedfor the HFTs in their sample is $1.45before fees and $1.14 after fees9. Inte-restingly, HFTs make significantly largerprofit with market orders than with limitorders. Specifically, before fees, theirdaily average profit per $10,000 tradedis $ 2.27 on market orders and -$ 0.29

Overall, empirical studies suggestthat HFTs account for a significantfraction of trading volume (rangingfrom 1/3 to 2/3) and that HFTs’ activity might systematically varyaccording to securities’characteristics (e.g., small vs. largestocks).

Box 4: Importance of high-frequency-trading



on limit orders. On Nasdaq (as in manyother exchanges), limit orders receive arebate (pay negative fees) funded by acharge on market orders. 10After accoun-ting for these fees, HFTs’ daily averageprofit per $10,000 traded is $ 0.5 onmarket orders and $ 1.4 on limit orders.

Baron et al. (2012) provide a moredetailed analysis of HFTs’ profits usingtheir data on trades in the CME e.miniS&P500 futures in August 2010. Theyalso find that HFTs’ profits per trade aresmall, of the order of $0.77 per contracton average. Furthermore HFTs who pre-dominantly use market orders obtainsignificantly higher profits on averagethan HFTs who predominantly use limitorders ($0.93 vs. $0.33 per contract).The risk borne by the two types of HFTsis different however: the standarddeviation of the per-contract profit ofthe former HFTs is higher than that ofthe latter (5.29 vs. 1.62) and as a resultthe Sharpe ratio of the former is a bitsmaller (8.33 vs. 9.94).

Interestingly, Baron et al. (2012) cananalyze the distribution of trading gainsbetween various types of traders sincethey have exhaustive trader-level infor-mation for all participants in the CMEe.mini S&P500 futures. Thus, they com-pute the average profits of each type ofparticipants conditional on trading withanother type. They find that HFTs whopredominantly use market orders earnprofits at the expense of all other types ofparticipants, especially institutional tra-ders. In contrast HFTs who predominantlyuse limit orders do not systematically earnprofits. For instance, they are losingmoney when trading against HFTsrelying on market orders, non-HFT mar-ket-makers or small traders (retailinvestors). Hence, HFTs using market-making strategies do not appear to usesuperior information on future pricechanges in contrast to those using marketorders.

Menkveld (2010) finds an average profitper trade of €0.88 for the high-fre-quency market-maker in his sample. Heshows that this market-maker earnsnegative positioning profit (-€0.68).That is, on average, the high frequencymarket-maker considered by Menkveld(2010) is exposed to adverse selection:he tends to buy the asset before pricedeclines and to sell it before priceincreases. As predicted by theory (e.g.,

Glosten and Milgrom (1985)), he makesup for these losses by charging a suffi-ciently large spread. The spreadrevenue of the market-maker on limitorders is much higher on Chi-X than onEuronext (€2.52 vs €1.11 per trade)because Chi-X (like Nasdaq) offerrebates to traders submitting limitorders in case of execution. Overall, thehigh frequency market-maker achievesa Sharpe ratio of 9.32.

3. Effects of high-frequency tradingon market quality

3.1 Theory

Biais, Foucault, and Moinas (2012) analyzethe welfare consequences of adverseselection due to unequal speed ofaccess to information. In their model,high-frequency trading brings bothbenefits and costs in terms of welfare.On the one hand, it increases the likeli-hood that investors can find a mutuallyprofitable trading opportunity. For ins-tance, high-frequency traders can easilytrade across multiple trading platforms,easing the transfer of assets from inves-tors with low valuations for the asset toinvestors with higher valuations whenthese investors are located in differentmarkets. These trades are welfareenhancing. On the other hand, it gene-rates a negative externality byincreasing the risk of adverse selection,which raises the cost of trading (priceimpacts, i.e., market illiquidity) for alltraders. For this reason, some traders(especially the slow ones) decide totrade less frequently when more inves-tors are high-frequency traders and thenet effect of an increase in the level ofhigh-frequency trading on tradingvolume is ambiguous: more high-fre-quency trading raises the frequencywith which traders find a trading oppor-tunity but traders abstain fromexploiting trading opportunities morefrequently because trading costs arehigher.

53

HFT market-makers are found toearn razor-blade profits, and some-times lose money to slowerparticipants. HFT using mainly mar-ket orders, which are likely to followto directional or arbitrage strategies,earn larger profits, and so so at theexpense of other marketparticipants. In all cases, however,profits per trade are rather small.Yet, HFTs’ Sharpe ratios are verylarge. As their dollar profits per tradeare small, such high ratios reflect therelatively small dispersion of theirreturns, which could be due to effi-cient risk-management techniques.On the other hand, one can’t ruleout the hypothesis that HFT is expo-sed to the risk of extreme losses invery unfrequent states of nature.

Box 5: Profitability of HFT

Since high-frequency traders’ strategies are not new, one can use standardeconomic tools to predict their potential effects on market quality. On the onehand, automation and fast reaction to information and market events shouldallow market-makers to provide liquidity at lower costs. In this case, highfrequency market-making should improve market liquidity and ultimately traders’welfare by lowering intermediation costs. On the other hand, if high-frequencytraders obtain information faster than other market participants, then slowtraders are at an information disadvantage relative to fast traders. In this case,high-frequency trading induces adverse selection: slow traders are likely tosystematically lose money to high-frequency traders.

Box 6: Theoretical hypothesesabout the impact of HFT



Biais et al. (2011) show that investmentin high-frequency trading technologiesis in general excessive relative to thesocially optimal level11. Indeed, inmaking their investment decision in fasttrading technologies, investors do notinternalize the negative externality theyexert on other investors (they just com-pare the private benefit of becomingfast with their private cost, rather thanaccounting for the social cost). Moreo-ver, very much like in an arm’s race,investors can decide to invest in high-frequency trading technologies simplyto avoid being sidelined if they remainslow, even though collectively all inves-tors would be better off being slow.These two effects lead in general to anoverinvestment in high trading techno-logies, relative to what would be sociallyoptimal.

Thus, the net effect of high frequencytrading on the liquidity and allocationalefficiency of financial markets is ambi-guous. Now, turn to its effect on pricediscovery. By exploiting mispricingsvery quickly, high frequency arbitra-geurs are likely to enhance pricediscovery. More generally, if high-fre-quency traders trade on informationfaster than other traders then theyshould contribute to price discovery byaccelerating the speed at which newinformation is impounded into prices.This logic is standard in models of infor-med trading. However, in the case ofhigh-frequency trading, it raises severalproblems.

First, high-frequency trading on newshort-lived information (e.g., impendingnews) may induce traders to trade lessaggressively on their long-lived infor-mation (see Foucault, Hombert, andRosu (2012)). Eventually, this substitu-tion effect might impair price discovery.

Second, high-frequency traders do notstrictly speaking produce or discovernew information. In fact, they oftentrade on market data: order flow, prices,volume etc. Ultimately, market data areinformative because they reflect moreprimitive signals acquired by other inves-tors (portfolio managers, hedge funds etc.)and these signals would probably find

their way into prices even in theabsence of high-frequency traders,albeit at a lower rate. In a sense HFTsfree ride on the acquisition of informa-tion by slower investors, which mayreduce incentives for information acqui-sition in the first place (see Grossmanand Stiglitz (1980)). If this is the case theoverall informativeness of securitiesmarkets may have decreased with theproliferation of high-frequency traders.

Third, there is a trade-off betweenaccuracy and speed. News is some-times inaccurate or wrong. Hence,investors who react too fast to newscould inject noise in the price systemrather than making it more efficient, atleast at the very high frequency (Dugastand Foucault (2012)).

Hence, there exist several ways inwhich high frequency trading couldpush prices away from fundamentals. Inline with this possibility, market partici-pants have noticed an increase inso-called “mini flash crashes,” that is,sharp movement in prices in one direc-tion, which are then quickly reverted.For instance, a May article of USAtoday writes: “Mini flash crashes still occur routinelywith individual stocks […] Despiteefforts to prevent another flash crash,the infamous day on May 6, 2010, whenthe Dow Jones industrials fell roughly900 points, only to quickly recover,regulators and markets have moved toimplement safeguards. Yet, traders andmarket observers are still seeing indivi-dual stocks and ETFs sufferflash-crash-like events, when stocks fallsuddenly for no reason and quicklyrebound, suggesting many of theunderlying problems haven't been sol-ved. […] The most recent data availableare for the first month and three days of2011. In that period, stocks showedperplexing moves in 139 cases, rising orfalling about 1% or more in less than asecond, only to recover, says Nanex.There were 1,818 such occurrences in2010 and 2,715 in 2009, Nanex says. »(source: “Mini flash crashes worry tra-ders”, USA today, May 17, 2011)12.

High frequency traders could play a rolein these mini flash crashes for severalreasons. First, they may all react at thesame time to erroneous signals by sen-ding buy or sell market ordersconsuming market liquidity, triggeringsharp price movements as limit ordersget hit by market orders from HFTs.Alternatively, HFTs with limit orders in astock may all cancel their buy (sell) limitorders after the arrival of a large sell(buy) market order in a stock, for safetyreasons and resubmit new limit ordersquickly if the large market order doesnot appear to be informationally moti-vated. In any case, waves of cancellationsor market orders submissions by highfrequency traders reacting to the sameevent may exacerbate the volatility ofthe asset they trade.

3.2 Endogeneity issues

Establishing causal links between HFTand market quality is challenging. It isvery likely that HFT and market qualityare determined by common factors(e.g., the precision of public news),some of which are difficult to control foror cannot be observed empirically.Moreover, market quality variables andhigh-frequency trading strategies arejointly endogenous. Both directly reflectthe optimizing behavior or market parti-cipants, their reaction to marketconditions, and their response to thestrategies of others. For instance, whilehigh-frequency trading might affect thevolatility of the asset they trade, it isalso affected by this volatility. Theoreti-cally, Biais, Foucault and Moinas (2013)show that an increase in the uncertaintyabout the value of an asset increasesthe incentives to invest in high-fre-quency trading technology. Empirically,Brogaard (2011a) finds that newsrelease affect measures of activity ofhigh-frequency traders on Nasdaq. Asnews is a source of volatility, this sug-gests volatility has an effect on theactivity of high-frequency traders.


3.3 High-frequency trading andthe informativeness of prices

Brogaard, Hendershott and Riordan(2011) find that HFTs tend to place buy(sell) market orders just before anincrease (a decrease) in the marketvaluation of assets. This is consistentwith the hypothesis that HFTs usingmarket orders possess information. Incontrast, for limit orders, Brogaard,Hendershott and Riordan (2011) observethe opposite pattern: HFTs’ buy (sell)limit orders tend to execute when thisvalue is falling (increasing), while thoseusing limit orders are picked off whennew information arrives. Correspondin-gly, Brogaard et al. (2011) find negativetrading profits on HFTs’ executed limitorders but positive profits on HFTs’market orders. These results are consis-tent with those obtained by Hendershottand Riordan (2009) for the DeutscheBörse. They find that algorithmic traders’market orders have greater permanentimpact than human traders’ market orders.

Boehmer, Fong and Wu (2012) considerdata from 39 different countries. Theirsample contains about 12,800 stocksper year. They find a negative relations-hip between a proxy for algorithmictrading (the number of messages nor-malized by volume in each stock) andthe autocorrelation of stock returns (inabsolute value) at the 30 minutes hori-zon, which they interpret as a measureof price inefficiency. Of course, asexplained above, due to endogeneityissues, such correlation cannot be inter-preted in causal terms. In order toidentify causal relations, Boehmer, Fongand Wu (2012) use the introduction ofco-location in the countries in theirsample as an instrument for high-fre-quency trading. They argue that co-location, in itself, should not have anydirect impact on the short-term auto-correlation of stock returns. Yet, theyfind that an increase their proxy for HFT,instrumented on co-location, leads to adecline in the autocorrelation of stockreturns. Even then, however, it is diffi-cult to reach a conclusion about theconsequences of HFT, because theproxy could reflect, more generally,algorithmic trading, which includes, asdiscussed above, other forms of tradingthan HFT.

Chaboud et al. (2009) focus on algorith-mic trading in the foreign exchangemarket. Using a Vector AutoregressiveApproach, they estimate the contribu-tions of algorithmic and human tradesto the variance of returns over a 30minutes horizon. These contributionsare interpreted in terms of contributionto price discovery. Overall they find thathuman trades contribute more to pricediscovery than algorithmic trades.

3.4 High-frequency trading andliquidity

As explained above, it is possible thatautomation of the trading process byhigh-frequency trading firms reducesthe cost of liquidity provision. If this isthe case, and if the market is competi-tive, the costs of trading for investorsshould decrease.

Hendershott, Jones, and Menkveld(2011) study the effect of algorithmic

trading on liquidity, using the number ofelectronic messages normalized by tra-ding volume as a proxy for algorithmictraders’ activity. In order to addressendogeneity issues, they use a techno-logical change in the organization of theNYSE in 2003, namely the implementa-tion of the “autoquote” functionality.Until Autoquote, specialist clerks had toupdate manually best bid and offerprices for stocks listed on the NYSE.This manual procedure was slowingdown the speed at which algorithmictraders could receive information aboutmarket conditions on NYSE stocks. Theimplementation of Autoquote conside-rably increased this speed and thereforemade algorithmic trading easier. For thisreason, as shown by Hendershott et al.(2011), Autoquote is associated with asignificant increase in their proxy foralgorithmic trading activity. To theextent Autoquote does not directlyaffect market liquidity, it can be used asan instrument to study the effect ofalgorithmic trading on liquidity.

Hendershott et al. (2011) find that stan-dard measures of market liquidity (thequoted bid-ask spread and the effectivebid-ask spread) improve after the intro-duction of Autoquote for largecapitalization stocks. 13 In contrast, theydo not find any significant effect ofalgorithmic trading on market liquidityfor stocks with small capitalizations.Moreover, they show that the reductionin trading costs documented by theirstudy is driven by a reduction in theadverse selection component of thebid-ask spread, which more than off-sets a simultaneous increase in realizedspreads (a measure of the average pro-fit per trade for liquidity suppliers).Hence, the reduction in the cost of liqui-dity provision is not entirely passed toliquidity demanders. This suggestscompetition among fast liquidity provi-ders was imperfect in 200314.

Using the same proxy for algorithmictrading as in Hendershott et al. (2011),Boehmer, Fong and Wu (2012) providesimilar findings for a larger sample ofstocks and countries. For all countriesin their sample, they find a negativeassociation between algorithmic tradingactivity and bid-ask spreads. Moreover,using co-location as an instrument for

Due to the joint endogeneity ofliquidity, volatility and high-frequencytrading, correlations between thesevariables should not be interpretedin terms of causal impact of HFT onmarket quality. For instance, ifvolatility induces high-frequencytraders to trade more, one wouldfind a positive correlation betweenvolatility and high-frequency trading,even if high-frequency trading hasno effect on volatility. One way toovercome these endogeneityproblems is to use instruments, i.e.,variables affecting high-frequencytrading without directly affecting theother variables of interest. Empiricistshave argued that some technologicalchanges in market design, such as,e.g., reductions in latency, or theimplementation of co-location,should affect HFT without directlyaffecting market quality. Theseevents have thus been used asinstruments to evaluate the effectsof HFTs on market quality.

Box 7: Endogeneity and instruments

55


algorithmic trading, they find that liqui-dity improves when co-location isintroduced.

Interestingly, Boehmert, Fong and Wu(2012) find cross-sectional variations inthe effect of high-frequency trading onliquidity. The beneficial effect of algo-rithmic trading on liquidity accruesmainly to large, high-priced, and lowvolatility stocks. In contrast, algorithmictrading appears to have a negativeeffect on liquidity for small capitalizationstocks and no effects for stocks withlow prices or high volatility.

These studies provide very interestingfindings regarding the effects of auto-mated trading on liquidity. However,one must be careful in interpreting themfor two reasons. First, proxies for highfrequency trading based on the norma-lized number of messages are likely toreflect the activity of both high-fre-quency traders and other algorithmictraders operating at lower frequencies(such as brokers using computers tosplit the orders of their clients). Thus,Hendershott et al. (2011) or Boehmer etal. (2012)’s findings may reflect theeffect of algorithmic traders operating atrelatively slow speed rather than theeffect of high frequency traders. In fact,prior to 2006-2007, the latency fortrades on the NYSE was about 4 to 10seconds. This is too high for high-fre-quency trading. Hence, the sampleperiod used by Hendershott et al.(2011) most likely predates the years inwhich high-frequency trading started inNYSE stocks.

Second, Hendershott et al. (2011) orBoehmer et al. (2011) use measures ofliquidity that are relevant for investorssubmitting market orders (e.g., bid-askspreads). In limit order markets, howe-ver, investors can choose to submitboth market and limit orders. It could bethat more intense competition fromhigh-frequency traders reduces the like-lihood of profitable execution for slowinvestors submitting limit orders, forcingthem to switch to, costlier, marketorders or to stop providing liquidity (acrowding out effect). This negativeeffect of high-frequency trading oninvestors’ welfare cannot be captured

by standard liquidity measures.Very recent empirical studies addressthe first issue by focusing more specifi-cally on trades by high frequencytraders. On April 1st, 2012, the Invest-ment Regulatory Organization ofCanada began charging fees based onthe number of electronic messagesused by traders. This can be viewed asan exogenous increase in cost for HFTs.Correspondingly, the share of HFTs intotal message traffic fell from 81% to5.65%. In line with the findings in Hen-dershott, Jones, and Menkveld (2011),Malinova, Parks, and Riordan (2012)find that this reduction in message traf-fic (high frequency trading activity) isassociated with an increase in bid-askspreads.15 Moreover, they find that thedrop in high-frequency trading worsensexecution quality for retail investors.

Brogaard, Hendershott, Hunt, Latza,Pedace and Ysusu (2012) study tradesby institutional investors and HFTs forstocks in the FTSE250 index.16 Theyuse reductions in latency on the LondonStock Exchange to measure the causaleffect of high-frequency trading on theprice impacts of trades for institutionalinvestors in their sample. They do notfind any effect, positive or negative.Furthermore, they show that institutio-nal investors’ impacts have beensteadily declining from 2003 to 2011(except during the subprime crisis), incontrast to investors’ perception.

3.5 High-frequency trading andvolatility

Chaboud et al. (2009) study the effect ofalgorithmic trading on volatility in threecurrency pairs (dollar/yen, dollar/euroand euro/yen) using data on tradestaking place on EBS (one of the twomain electronic trading platforms in cur-rency markets), over the period2006-2007. For each order placed onEBS, they know whether the order issubmitted by a human trader or gene-rated by an algorithm. Thus, on eachday, they measure the algorithmic tra-ding activity on EBS by the fraction oftotal trading volume accounted by algo-rithmic traders. In simple OLSregressions, they find a positive rela-

tionship, at the daily frequency, bet-ween the volatility of the currency pairsin their sample and their measure ofalgorithmic trading. This positive corre-lation however may only reflect the factthat algorithmic trading desks chooseto be more active on days with highvolatility.

In order to identify the causal effect ofalgorithmic trading on volatility, they usethe monthly number of trading desksequipped for algorithmic trading onEBS as an instrument. Algorithmic tra-ders use a special interface to interactwith EBS and therefore EBS knows thenumber of users of this interface ateach point in time. The number of usersis unlikely to be affected by daily varia-tions in volatility since setting up atrading desk for algorithmic tradingtakes time (more than one day). Hence,monthly variations in the number ofalgorithmic trading desks on EBS canbe used to identify the causal effect ofalgorithmic trading on daily volatilitybecause it affects the volume of algo-rithmic trading on EBS without beingdirectly affected by volatility.

Using this approach, Chaboud et al.(2009) find a (weak) negative effect ofalgorithmic trading on volatility, incontrast to the result they obtain withthe simple OLS analysis. This findingunderscores the importance of control-ling for endogeneity issues in analysesof the effects of high-frequency trading.

Other empirical studies reach a similarconclusion with different methods andfor different markets. Hasbrouck andSaar (2012) address the endogeneityproblem by estimating a system ofequations in which volatility caninfluence algorithmic trading and viceversa. They use the number of “linkedmessages” (see Section 2.2) over theseintervals as a proxy for algorithmic tra-ding and find a negative effect ofalgorithmic trading on volatility.

Brogaard (2011a) uses the ban onshort-sales that affected financialstocks in the U.S. for about three weeksin September and October 2008. Thisban applied to thirteen stocks in theNasdaq sample used by Brogaard and



affected HFTs who are not registeredmarket-makers. Brogaard (2011a) findsthat HFTs’ fraction of daily tradingvolume fell sharply for the stocks affec-ted by the ban relative to unaffectedstocks. Hence, the short sale ban isindeed a negative shock to the activityof high-frequency traders. Moreover,Brogaard (2011a) shows that stocks inwhich short-sales by HFTs are the mostaffected (relative to other stocks) expe-rience a relatively bigger increase involatility (measured over different timeintervals). This finding again is consistentwith a negative effect of high-frequencytrading on volatility.

In contrast, Boehmer, Fong and Wu(2012) obtain different conclusions fortheir international sample of stocks.Using various proxies for volatility (e.g.,the daily realized volatility or the stan-dardized intraday price range), they finda positive association between theirmeasure of algorithmic trading andvolatility. The same finding holds whenthey use co-location as an instrumentfor algorithmic trading.

3.6 Crowding out and resilienceto demand shocks

High frequency market-makers are lowcost competitors for more traditionalmarket-makers. Accordingly, they areoften able to position their limit ordersahead of the queue of limit orders: Bro-gaard (2011b) find that Nadaqhigh-frequency traders post quotes atleast equal to the best quotes 50% ofthe time and stand alone at the bestquotes 19% of the time. Because oftheir speed advantage, high-frequencytraders can supply liquidity on betterterms than slower traders, cancel theirquotes rapidly when the market movesagainst them, and hit stale limit ordersresting in limit order books. This createsan adverse selection problem for slowliquidity suppliers, who can be crowdedout of the market by high-frequency tra-ders.17 In normal times, when orderimbalances between buy and sellorders oscillate around zero, high-fre-quency traders can offer a goodsubstitute for slow market makers.When there are larger and sustained

imbalances, however, high-frequency tra-ders may be unable to provide sufficientliquidity, if their risk-bearing capacity istoo small. In such circumstances, theabsence of slow market makers couldimpair the resilience of the market.

3.7 Correlation among high-frequency trading strategies

High-frequency traders extract informa-tional signals from market data, andthen automatically feed these signalsinto trades. When there is only onehigh-frequency trader, or a few smallones, such behavior is not likely toaffect the market. In contrast, whenhigh-frequency traders amount for alarge fraction of the volume, their beha-vior is likely to impact the market. Now,it is quite possible that many high-fre-quency traders would focus on thesame market signals, and thereforetrade in the same direction. To theextent that these trading algorithmswould not be programmed to take suchcorrelation into account, high-frequencytrading could trigger cascades and spi-rals, amplifying market shocks. This isin line with what happened during theAugust 2007 mini-crash. At that time,many quants were using similar strate-gies. Thus, they were simultaneously hitby a shock, and reacted similarly, whichgenerated a downward spiral in themarket.

While, in 2007, high-frequency tradingwas likely to be much lower than it isnowadays, more recent empirical stu-dies offer evidence consistent with thecase discussed above. Chaboud et al(2009) find that algorithmic trading stra-tegies are correlated and not as diverseas those used by non-algorithmic tra-ders. Brogaard (2011b) finds thatNasdaq high-frequency traders tend toplace orders (market or limit) in thesame direction over various time inter-vals (10 seconds, thirty seconds, 2minutes and 15 minutes). Egginton et al.(2012) focus on periods of very highactivity by high-frequency traders forNasdaq stocks in 2010. They identifythese periods as one minute periods inwhich quoting activity (cancellationsand new quotes arrival) exceeds by 20

standard deviations the mean numberof quotes per minute over the pasttwenty days. They find about 125events of this type per day in their sam-ple and 74% of the stocks in thissample experience at least one event ofvery high quoting activity. These burstsin traffic are consistent with clusteringof high-frequency traders’ decisions.Egginton et al. (2012) show that they areassociated with greater volatility andlarger effective bid-ask spreads.

3.8 Domino effects

While high-frequency trading amountsto a very large fraction of tradingvolume, high-frequency traders mostoften hold risky positions for only briefperiods of time. Correspondingly, highfrequency trading firms usually haverelatively limited risk-bearing capacity.They are not subject to prudential regu-lation and in practice often operate withvery little capital. Again, in normal times,this is quite all right, but if high-fre-quency trading firms were to be hit bylarge market shocks, the lack of capitalfor high frequency traders could gene-rate failures. As high frequency tradingfirms often take similar positions, therecould be a wave of such failures. Thesedefaults could prove very difficult tohandle. One would need to determinethe net position of each market partici-pant towards each defaulting high-frequency trading firm. That would be

57

There is strong evidence that marketorders from high frequency tradershave superior short-terminformation, and weaker evidencethat algorithmic trading may improvethe informational efficiency ofprices. Empirical studies so far havenot found significant negativeeffects of high-frequency trading onliquidity, while the findings regardingthe effects of high frequency tradingon volatility are rather mixed.Empirical findings also suggest thatHFT’s trades are clustered andcorrelated with one another.

Box 8: Empirical findings on theconsequences of HFT for marketquality


made difficult by the discrepancy bet-ween the low frequency at whichclearing and settlement systems ope-rate (e.g., daily) and the vibrant pace ofhigh-frequency trading. These failurescould then propagate to other marketparticipants with open positions withhigh frequency trading firms.

4. Policy

In this section we first outline the marketfailures high frequency trading couldgenerate because of negative externa-lities. Then we discuss several possiblepolicy responses to these market failures.

4.1 Market failures

Regulatory intervention is justified whenthe activity of one group of agentsexerts negative externalities on otheragents. The discussion above suggeststhat high-frequency traders can gene-rate several types of negative externalities:congestion externalities, adverse selec-tion, crowding out fundamental liquiditysuppliers, systemic risk due to defaultand contagion.

First, high-frequency traders can gene-rate congestion externalities, relative tothe access to exchanges’ trading plat-forms or to market information. Optimalallocation of trading and informationdissemination networks requires thatsuch congestion externalities be priced.

Second, high-frequency traders cangenerate negative externalities for othertraders, under the form of adverseselection. In the theoretical model ofBiais, Foucault, and Moinas (2012) theability of high-frequency traders to reactfaster to information generates adverseselection costs for slow traders. This,per se, is a source of welfare loss as itcan lead to a lower participation rate ofsome traders (and in turn to lower sha-ring of gains from trade). Moreover,investors can be trapped in a technolo-gical race just to reduce the risk oftrading with faster and therefore betterinformed investors. Biais et al. (2012)show that this race results in excessive

investment in high-frequency tradingtechnologies relative to the social opti-mum. In this context, taxing investmentin high-frequency trading technologycan improve efficiency.

Third, high-frequency traders mightcrowd out slow liquidity providers, whotrade on long term fundamental infor-mation but are exposed to the risk ofbeing picked off in the short term. Now,these slow liquidity providers havegreater long-term risk-bearing capacitythan high-frequency traders. Hence thelatter exert negative externality on othermarket participants by depriving themfrom liquidity supply at the time of signi-ficant shock that only slow traderscould accommodate.

Fourth, to the extent that i) lightly capi-talized high-frequency trading firms areexposed to the risk of default waves incase of large market shocks, and ii)such default waves can destabilizeother institutions, high-frequency tra-ding exerts a negative externality onother market participants by raisingsystemic risk.

4.2 Policy responses

Taxes and pricingOne approach to curb excessive invest-ments in high-frequency tradingtechnologies is to tax them. In August2012, France adopted a tax on high-fre-quency traders (defined as traders whouse algorithms to place orders andmodify their orders in less than half asecond). Specifically, traders can can-cel and modify up to 80% of theirorders free of charge. Above this thres-hold, traders pay a tax of 1bps of thevalue of cancelled or modified orders.This tax scheme is similar in spirit to thepricing scheme introduced on NYSEEuronext, which charges a fee of €0.1on each order when the order-to-exe-cution ratio of a trader exceeds 100.Hagströmer and Nordén (2012) find thathigh frequency market-makers tend tohave relatively high order-to-executionratios relative to other high-frequencytraders. This is because liquidity sup-pliers need to frequently cancel andrevise their orders, to avoid adverseexecution. Thus, taxes based on order-to-execution ratios may curtail high-

frequency market-making rather thanhigh-frequency trading strategies thatare a source of adverse selection forslower market participants, e.g., thosethat specialize in picking off stalequotes in case of information arrival. Todiscourage the latter rather than the for-mer, one way is to charge higher fees ortaxes on marketable orders (orders thatare for immediate execution) sinceempirical evidence suggest that theseorders are used by HFTs to exploit theiradvance information.

Market mechanismsAnother approach would be to offermarket mechanisms mitigating theadverse selection problem induced byfast traders and reduce their incentivesto overinvest in fast trading technologies.

One could wonder why policy interven-tion would be needed to implementsuch beneficial trading mechanisms.Shouldn’t they emerge spontaneously?Unfortunately, there are several reasonswhy market forces could fail to bringabout optimal mechanisms.

First, exchanges’ incentives may not befully aligned with those of slow traders.Indeed, exchanges recover a fraction ofthe trading profits earned by high-fre-quency trading firms, by chargingtrading fees, co-location fees, or feesfor the sale of information. This possibi-lity may distort their decisions regardingmarket structure or the pricing of theirproduct in a way that protects the inte-rest of high-frequency trading firms.18

Cespa and Foucault (2012) provide atheoretical analysis of such a distorsion.They show that an exchange has anincentive to curb investors’ access toreal-time price information (e.g., bycharging high fees for co-location andtheir real time datafeed) to enhance thetrading profits of sell-side tradersbecause it recovers a fraction of theseprofits through trading fees.

Second there might be barriers to entryfor slow-traders friendly exchanges.Investors benefit from trading whereother participants trade. Hence, expec-tations that a new market will attractfew trades can be self-fulfilling, even ifmany market participants would bene-fit from collectively joining the newplatform. This coordination problem



could explain why slow platforms donot arise even though many market par-ticipants would collectively benefit fromusing them.

Third, the current market structure doesnot necessarily facilitate the adoption ofnew trading mechanisms by exchanges.Consider the two following examples. Inthe U.S., market orders must be routedto the market posting the best quotes atany point in time according to the socalled order protection rule. This ruletherefore links markets together makingit more difficult for slow markets to insu-late themselves from fast markets. Inthe U.S. and in Europe, equity trading isheavily fragmented as trading for astock can occur on multiple platforms.The implementation of periodic batchauctions would therefore require coor-dination on the times at which competingplatforms will run these auctions.Indeed, in an environment in whichbatch auctions are very frequent (say,every second) mismatches in auctiontimes across competing platforms (say,Chi-X and NYSE-Euronext) would againgive an advantage to traders who canobserve the outcome of one auctionbefore other traders know this outcome.

Coordination would also be requiredbetween cash markets and derivativesmarkets as some traders often wish toestablish simultaneously offsetting posi-tions in these instruments for hedging.

Prudential regulation

The European Commission has inclu-ded the analysis of HFTs in its review ofthe Market In Financial InstrumentsDirective. It considers the possibility tosubject HFT firms to regulatory over-sight and capital requirements. Thiswould help prevent systemic risk crea-tion by HFT firms.

Pilot experimentsIt can be very difficult to identify causallinks between the presence of high-fre-quency traders and market outcomesbecause both are endogenous (seeSection 3.2). In this context, it is difficultto predict the effects of specific regula-tory proposals regarding high frequencytraders. In light of this uncertainty, werecommend conducting pilot experi-ments to evaluate effects of theseproposals on a limited but representa-tive sample of stocks beforeimplementing them at a larger scale.

For instance, a high fraction of high fre-quency traders’ orders are cancelled,sometimes very quickly after submis-sion. This high cancellation-to-traderatio is a source of concerns for variousreasons: it might be a source ofcongestion slowing down the entire tra-ding process; it makes it more difficultfor slow market participants to figureout exact terms of trade; cancellationsmight be used for manipulative pur-poses. There are many ways to copewith this problem. One can for instanceimpose cancellation fees or minimumresting times on limit orders, whereby alimit order cannot be cancelled before acertain amount of time (see SEC (2010)).The effects of these measures howeverare a priori unclear. For instance, ratherthan improving market quality, theymight raise the exposure of traders sub-mitting limit orders to the risk of beingpicked off and thereby result in largerbid-ask spreads. Thus, the net effect ofminimum resting times (or fees on can-cellations-to-trade ratios) on marketquality is difficult to predict. The same istrue for many of the measures conside-red to curb high frequency trading.

59

Levying taxes on institutions with high message traffic or high cancellation rate is not likely to be an optimal policy. Theproblem with such a policy is that it might primarily affect market-making, as opposed to other, potentially less useful, high-frequency strategies.

Changes in market structure might offer a more effective response. One possibility would be to move from continuoustrading to periodic call auctions, organized, say, every 100 milliseconds. It is hard to think of any reasonable situation wheretrading only every 100 milliseconds would make the market less useful for society. Another possibility would be to offer slowtraders the possibility to place orders that could be executed only against slow orders or to create platforms that could beaccessed only by slow traders. If slow traders adopted these mechanisms, they would be (at least partly) protected frompredatory behavior by high-frequency traders. This would reduce predatory profits for high-frequency traders and, in turn,curb excessive investment in high-frequency trading technology. An alternative to directly regulating high-frequency traderscould then be to regulate exchanges, to ensure that the trading mechanisms and pricing schemes they offer are likely tolead to efficient outcomes.

It would also be prudent to ensure that HFT does not create systemic risk. For example, capital buffers would reduce thelikelihood that HFT firms would be destabilized by liquidity shocks and would in turn destabilize their counterparties. Also,capital requirements could increase the “skin in the game” of the manager owners of HFT firms, and reduce the moralhazard problem associated with limited liability. Stress tests should be conducted, at the level of each trading firm, and alsoat the market level, to evaluate the likely effects of market shocks, and the ability of the market to cope with them withoutand avoid systemic crises.

Finally, in light of the uncertainty about the effects of regulations, it would be useful to conduct pilot experiments beforeimplementing policy measures. Such pilot experiments have been conducted in the U.S to evaluate the costs and benefitsof imposing greater post trade transparency in bond markets (see Goldstein, Hotchkis and Sirri (2007)). The same type ofapproach would be very useful to design the optimal regulation of high-frequency trading.

Box 9: Policy implications



Author(s) Asset Class Sample Sample Period

Chaboud, Chiquoine, Hjalmarsson and Vega (2009)

Currencies Euro-Dollar, Dollar-Yen, Euro-Yen

01/01/2006-31/12/2007

Brogaard (2011a) U.S Stocks120 stocks listed on Nasdaqand NYSE

2008-2010

Brogaard (2011b) U.S Stocks120 stocks listed on Nasdaqand the NYSE

2008-2010

Hasbrouck and Saar (2012) U.S Stocks345 and 394 stocks listed onNasdaq

10/2007 and 06/2008

Hendershott, Jones andMenkveld (2011)

U.S Stocks NYSE stocks 2001-2005

Hendershott and Riordan(2009)

Dax stocks30 stocks listed on DeustcheBörse

01/1/2008-18/01/2008.

Brogaard, Hendershott, andRiordan (2012)

U.S. Stocks120 stocks listed on Nasdaqand NYSE

2008-2009

Brogaard, Hendershott, Hunt,Latza, Pedace and Ysusi(2012)

FTSE 250 stocks 250 stocks 2007-2011

Boehmer, Fong, and Wu(2012)

Stocks 39 different exchanges 2001-2009

Jovanovic and Menkveld(2011

Dutch stocks14 stocks constituents of ofthe AEX index

01/1/2008-04/23/2008

Hirschey (2012) U.S stocks 96 Nasdaq and NYSE stocks 01/01/2009-12/31/2009

Kirilenko, Mehrdad, Kyle, andTugkan (2010)

FuturesE-mini futures contracts onthe S&P500

05/03/2010-05/08/2010

Baron, Brogaard, and Kirilenko (2012)

FuturesE-mini futures contracts onthe S&P500

August 2010

Menkveld (2011) Dutch stocks14 stocks constituents of ofthe AEX index

01/01/2007-17/06/2008

Riordan and Stockenmaier German stocks110 stocks from the HDAXindex

02/22/2007-06/19/2007

Gai, Yao and Ye (2012) U.S. Stocks 120 Nasdaq and NYSE stocks 2010-2011

Malinova, Parks and Riordan(2012)

Canadian Stocks248 stocks listed on the Toronto Stock Exchange

March-April 2012.

Hagströmer and Nordén(2012)

Swedish stocks30 stocks part of the OMXSindex

August 2011 and February2012

Appendix

Table 1This table provides a synoptic view of the samples used in the empirical studies discussed in our paper. The sample periods are not always precise because some papers use different sample periods when conductingdifferent tests.


Notes1 Bruno Biais, TSE, Université Toulouse 1, Manufacture desTabacs, Aile Jean Jacques Laffont, 21 Allée de Brienne,3100 Toulouse. Tel: (33).5 61 12 85 98. Thierry Foucault,HEC, Paris, Finance Department, 1 rue de la Libération,78351 Jouy en Josas, France. Tel: (33) 1 39 67 95 65; Fax :(33) 1 39 67 70 85; e.mail : [email protected]. We thank theInstitut Louis Bachelier for its financial support.

2 Trading platforms define latency as the communicationtime between a trader’s server and the platform (e.g., thetime for the platform to acknolwedge reception of an ordersubmitted by the trader). This delay is just one component ofthe relevant latency for traders, who are also concerned bythe speed at which they can process and react toinformation received from trading platforms.

3 Human reaction times to events are of the order of 200milliseconds. See Kosinski (2010). The amount of financialdata that can be used to make trading decisions at anypoint in time is extremely large. Hendershott (2011) providesan interesting calculation. He notes that there are about 2.5billion orders per day over 23,400 seconds of trading, whichimplies more than 100,000 messages per second for U.S.equity markets alone. Only computers can process such arich, near continuous, flow of signals.

4 For instance, in Sandas (2001), limit orders at the top of thequeue of limit orders at a given price (that is with timepriority) earn a higher expected profit than traders at theback of the queue. Hence, acquiring time priority has value.

5 Foucault, Röell and Sandas (2003) consider a model inwhich dealers incur monitoring costs. Their speed ofreaction to events is determined by the size of these costs.They show that lower monitoring costs induce dealers toreact faster to events and reduce their exposure to the riskof being picked off. The use of computers to automaticallyupdate quotes is a way to reduce monitoring costs.

6 Storkenmaier and Wagener (2011) report the duration ofcrossed quotes for stocks constituents of the FTSE 100 andtraded on the LSE, Chi-X, BATS and Turquoise. The find thatthis duration is 16 minutes in April/May 2009 and only 19.8seconds in April/May 2010. This dramatic decline is mostlikely due to an intensification of automated arbitragebetween these markets.

7 This strategy is not new. For instance, in the 90s, daytraders (so called SOES bandits) took advantage of theautomation of quote execution on Nasdaq to pick off dealerswho were slow to update their quotes relative to otherdealers (see Foucault, Röell, and Sandas (2003)).

8 Hirschey (2012) also uses data from Nasdaq. These dataenable him to identify trading by individual HFTs in 96Nasdaq and NYSE stocks for 2009. Thus, his data are moreprecise than those in the Nasdaq sample. However, incontrast to the Nasdaq sample, they are unavailable to otherresearchers.

9 Hendershott et al.(2011) treat all the HFTs in their sampleas a single HFT. They calculate the daily profit of this traderas the cumulative cash received on sell orders minus thecumulative cash paid on buy orders plus the value of thetrader’s inventory at the end of the day, marked-to-market atthe closing price.

10 See Foucault, Kadan, and Kandel (2013) and Colliard andFoucault (2012) for theoretical analyses of liquidity rebates,their effects on bid-ask spreads, and on incentives forliquidity provision.

11 Jovanovic and Menkveld (2011) also study the effect ofhigh-frequency trading on welfare but take as exogenousthe level of high-frequency trading. They point out that high-frequency traders can quickly integrate new information intotheir quotes. In this way, they help to mitigate informationalasymmetries among final buyers and sellers in assets wherethese asymmetries are high. On the other hand, as in Biaiset al. (2011), by reacting fast on information, high-frequencytraders can be a new source of asymmetric information.These two effects have opposite effects on trading volumeand welfare, so that the net effect of high-frequency tradingon welfare is ambiguous in Jovanovic and Menkveld (2011).

12 For graphical illustrations of mini flash crashes, seehttp://www.nanex.net/FlashCrash/OngoingResearch.html(the “strange days” column).

13 One exception is quoted depth (i.e., the number of sharesoffered at the best quotes) which has decreased for thesestocks. However, this decline seems too small to offset thedecline in bid-ask spreads and Hendershott et al. (2011)argue that the net effect of algorithmic trading on tradingcosts is negative for large capitalization stocks.

14 Riordan and Storkenmaier (2012) study the effect of areduction in latency on Xetra (the Deutsche Boerse tradingsystem) in 2007. Their findings are very similar to those inHendershott, Jones and Menkveld (2011). In particular, thereduction in latency is associated with a drop in effectivespreads (from 7.72bps to 7.04bps), a reduction in priceimpacts (from 6.87bps to 2.65 bps) and an increase inrealized spreads (from 0.97bps to 4.45bps).

15 As Kirilenko et al. (2010), Malinova, Parks, and Riordan(2012) use trader-level data to identify HFTs on the TorontoStock Exchange. They classify a trader as a high-frequencytrader if it has a very high message-to-trade ratio and if itsabsolute number of messages (market orders, limit orders,cancellations, fill-or-kill order) is very high. Using thesecriteria, they identify 107 and 88 HFTs in March and April,2012, respectively.

16 Data on institutional investors’ trades are provided byAncerno, a provider of data for trading costs analysis. TheHFT data are provided by the Financial Services Authority. Itcontains data on trades by HFTs who have to report theirtrades to the FSA or who trade through a broker.

17 Foucault, Kandel, and Kadan (2013) show that a market-maker who reacts faster than his competitors gets a largermarket share. See also Cartea and Penalva (2012) for amodel in which slow market-makers are crowded out byfaster market-makers.

18 On this point, see “For Superfast Stock Traders, a Way toJump Ahead in Line,” Wall Street journal, September 19,2012. This article explains how some U.S. exchanges aresuspected of giving the possibility to HFTs to use specialorders giving them priority of execution over slower traders.

61



Understanding the Stakes of High Frequency Trading

Introduction

Recent regulatory changes, known as Reg NMS in the United States or MiFID in Europe, together with the effects of the financialcrisis (mainly its impact on liquidity), induced major changes on market microstructure in two main aspects:

• the fragmentation of the liquidity around several trading venues, with the appearance of newcomers inEurope like Chi-X, BATS Europe, or Turquoise, some of them being not regulated or “dark";

• the rise of a new type of agents, the high frequency traders, liable for 40% to 70% of the transactions.

These two effects are linked since the high frequency traders, being the main clients of the trading venues, have an implicitimpact on the products offered by these venues.

Combining a survey of recent academic findings and empirical evidences, this paper presents what we consider to be the key elements to understand the stakes of these changes, and also provides potential clues to mitigate some of them. A first section is dedicated to exposes the recent modifications in market microstructure. The second one explains the role of the price formation process and how, interacting with liquidity supply and demand, high frequency traders can reshape it. The next section discloses the various strategies used by these new market participants and their profitability.A final section discusses recent tools designed in order to assess and control the high frequency trading activity.

Disclaimer

The views expressed in the paper are those of the authors and do not necessarily reflect those of the Institut Louis Bachelier and of the LABEX

Finance and Sustainable Growth.

Frédéric AbergelChair of Quantitative Finance, Ecole Centrale Paris, MAS Laboratory

Charles-Albert LehalleCapital Fund Management, member of the consultative working group of ESMA

Financial Innovation Standing Committee

Mathieu RosenbaumLaboratory of Probability and Random Models,

University Pierre and Marie Curie (Paris 6)


1. Recent changesin marketmicrostructureand their links withhigh frequencytrading

1.1 Macroscopic goals of regulation changes

The Markets in Financial InstrumentsDirective (MiFID) regulatory frameworkwas adopted by the European Union in2004 and put in place in 2007 by itsmember states, see [mifid, 2002]. It isvery similar to its counterpart in the Uni-ted States, the Regulation NationalMarket System (Reg NMS), adopted in2005, even if each one is adapted to thespecificities of these two large markets.

From a market microstructure view-point, the main goals of these regulationsare:

- to implement competition between thehistorical, monopolistic, large exchanges,in order to improve the quality of serviceand decrease the trading costs;

- to unify the interfaces offered by thetrading facilities, building explicitly, viamergers, or implicitly, via common inter-faces, pan-European trading platforms.

The classical market microstructure, i.e.the internal organization of financialmarkets seen as an exchange betweeninvestors, is represented in an idealizedform using three layers in Figure 1:investors, intermediaries and marketoperators.

The ambition of MiFID and Reg NMSwas to act on its deepest layer: themarket of market operators. In Europe,before the fragmentation that followedthe implementation of MiFID, marketoperators were historical exchanges,resulting from a long concentration storyin each member state: the London StockExchange (LSE), NYSE-Euronext Paris,formerly “La Bourse de Paris”, NYSE-Euronext Brussels in Belgium , theMilano exchange in Italy,...

Table 1 shows the repartition of Euro-next revenues in 2012. It appears thatthe trading fees from derivatives andcash equity represent only 57% of theearnings of this regulated market.Moreover, the listing rights, togetherwith technology and market data sales,account for a larger share than the cashequity fees for the first time in the his-tory of Euronext.

Lower trading revenues for marketoperators may result from two effects:firstly, a decrease in earnings from thetrading activities, as a consequence ofa reduction of fees from around 2 basispoints to less than 1 basis point; sec-ondly, a decrease in turnover resultingfrom the competition between moretrading venues together with a reduc-tion in the average value of any sharebecause of the financial crisis: a smallercake to split among more operators.

First expected effect: lower trading costsOne observed benefit of the competi-tion is a decrease of the trading fees toless than 1 basis point, at the cost ofmore complex fee schedules, see[Committee, 2012]. This reduction hasto be compared with the post tradingcosts for clearing and settlement, andthe implicit trading costs, i.e. the bid-ask spread, an average of 6 basispoints in Europe, see [Cheuvreux, 2012]and Section 4 for more details.

Second expected effect: improvement of thequality of serviceOne of the aims of the regulatory frame-works is the improvement of the servicelevel of financial markets. Con- cerningthe quality of service, one can point outtwo important, somewhat contradictory,features:

- Clearly, the speed of the matchingengines, the hardware and softwareinvolved in the matching of buy and sellorders, has increased. Most of themwent down from seconds in 2007 tomicroseconds five years later.

- However, the number of trading halts,which is one aspect of the quality ofservice provided by market operators,did not decrease. Such halts are mainlygenerated by bugs on the matchingengine as on 25 February 20111 , 20and 21 June 20112 , 6 December 20113,2 January 20124 , or 8 May 20125 , or byvolatility interruptions. The latter eventoccurs when the intraday volatilityappears to be incompatible with thenatural level of volatility expected on agiven stock. It eases the price formationprocess to let time to market partici-pants to modify the parameters of theirtrading systems and readjust their bidand ask prices in case of a significantchange in the fair value of the stock.

RevenueM

dollars%

Listing 50 8.93

Technology sales 90 16.07

Market data 100 17.85

Trading fees 320 57.15

Trading fees decomposition 320 57.15

Cash equity 220 39.29

Derivatives 100 17.86

Table 1Typical structure of the revenues of aregulated market; here the split of 2012Euronext revenues

Figure 1: Stylized view of pre-fragmentationmicrostructure: investors, intermediaries and marketoperators are located in three different layers.

Investors

Intermediaries

Visible book

Primary

OTC

63


Figure 2 shows that the average num-ber of trading halts increases with themarket volatility, showing that thethresholds are not adequate: the fre-quency of “abnormal" intraday volatilitylevels should not change with the aver-age volatility level of the market.In the United States, two major failuresof the operators involved in the priceformation process occurred: the “FlashCrash", a brutal disruption of the priceformation process on 6 May 2009, see[Kirilenko et al., 2010], and the “Knight-mare", when the automated systems ofone of the largest market maker wentcrazy during 45 minutes on 1 August2012.

Third expected effect: emergence of pan-European trading standardsTo have access to a trading venue, amarket participant needs to buy or builda software system implementing a pro-tocol conversant in the computerlanguage chosen by the venue. Unfor-tunately, market operators did notadopt the same language, whichimplies the need for multiple protocols.Therefore, the complexity to access thetrading venues increased, see [Cohenand Wolcough, 2012]. It is noteworthythat one of the main obstacles prevent-ing a convergence of protocols is theexistence of patents protecting most ofthem.Despite some concentration efforts:LSE buying Turquoise, BATS Europebuying Chi-X, NYSE-Euronext of- feringa common interface for the equity mar-kets in the European Union and theUnited States, there is not at present aglobal decrease in the number ofpatent-protected protocols. Hence, thefixed costs incurred to be connected tomost European trading venues grew outof proportion, see [Houstoun, 2012].

This short analysis leads to the conclu-sion that the competition betweentrading venues at the European levelinduced unwelcome consequences.Three recommendations can be madein order to curb them.


A solution should be studied, at the European level, to gear the industry towardsa small set of protocols providing equal access to all market participants. Fortrading purpose, two types of dialogs should be targeted: one giving access tomarket data, the other designed for bilateral dialog between a market participantand a matching engine allowing to send orders and receive answers. Both pro-tocols should be available in an easy-to-implement version, possibly slow, and ina more complex one, typically a binary protocol, allowing low-latency communi-cations. Any trading venue should offer an implementation of these protocols.Figure 2 :

Top: market volatility, bottom: average number of trading halts on Nyse-Euronext Paris. The number

of halts should be independent of the current level of volatility, since the halts role is to stop the price formation

process when the instantaneous price move is too large compared to a “reasonable one” (larger when the

volatility is high). Note that such a unification principle is not very original. For example, in the automotive

industry, the European Commission helped the emergence of the Offene Systeme und deren Schnittstellen für

die Elektronik im Kraftfahrzeug (OSEK) industry standard of an open-ended architecture for distributed control

units in vehicles, see [Dirk, 1998]. It allows any third party to connect electronic devices to a European car.

1Recommandation Protocol unification


1.2 A change in roles

The organization of a non-fragmented,i.e. concentrated microstructure is easyto explain, see Figure 1:

• The investors access an exchange viaintermediaries; they hide their tradingtargets by slicing their large buy or sellorders to avoid potential adverse selec-tion, see e.g. [Almgren and Chriss,2000] and [Bouchard et al., 2011] foracademic studies on the efficiency oflarge orders splitting.

• Intermediaries are members of theexchanges. They perform “sanity checks”before sending orders to the markets,such as short-selling-ban checks, risk-limit checks,... A first level ofconcentration takes place here, viaorder crossing at the individual brokerlevel.

• The market operator, the exchange,matches orders using one or more auc-tion processes, typically a fixing auctionprocess and a continuous double auc-tion, see [Mendelson and Amihud,1991] and [Burgot et al., 2013].

In such an organization, the obligationsand incentives of each of these types ofagents are simple to define. Fragmenta-tion in market microstructure blurred theroles of the typical agents, see Figure 3and e.g. [Lehalle, 2013] for a detailedstudy:

• High frequency traders fall into thecategory of investors. They are specificsince they often are members of the tra-ding venues themselves, or are usingdirect sponsored accesses or directmarket accesses. Their practices havebeen studied in [Menkveld, 2010] and[Baron et al., 2012], showing that theyuse a wide variety of trading strategiesinvolving liquidity providing and liquiditytaking, see Section 3.

• Intermediaries had to build smartorder routers to fulfill their regulatoryrequirements, namely, to give equalaccess to all trading venues providedthat they host the liquidity demandedby investors. Then, they made theircrossing systems automatic, buildingbroker crossing networks (BCN). Lastly,they converted some of them into mul-tilateral trading platforms (MTF) that are

often named dark pools as their orderbooks are not disclosed, see Section2.4

• The new market operators, mainlyChi-X, BATS Europe, Turquoise and theNASDAQ-OMX MTF6 in Europe, applydifferent fees to market makers andtakers, namely they offer a rebate toliquidity providers and charge liquiditytakers. Such a fees structure makessense, since an empty order bookrequires liquidity providing in the firstplace. It has however been shown in[Foucault et al., 2013] that it does notnecessarily lead to an improvement ofthe price formation process.

• The operators also started using thetick size7 to gain market shares: in June2009, each time one operator decrea-sed its tick size, its market shareincreased until the other venues adop-ted the same tick, see [Lehalle et al.,2012] and Section 4. Such a commer-cial use of one of the most importantelements of market design (see [Harris,1997]) leads to abusive behaviors thatcannot be countered by the regulatortoday.

• More generally speaking, it is clearfrom Table 1 that the revenues of thetrading operators come from techno-logy and data sales. As they are listedcompanies themselves,the operatorshave become very innovative in order toprotect their business. An interestingexample is the offer of low latency com-munication channels and co-location.Co-location is a service provided by thetrading venues: their clients can loanservers very close to the matchingengine of the exchange. Although itmay be considered unfair competitionsince participants using this servicehave a tremendous speed advantage,one can argue that paying to have abetter location on the pit is a very oldpractice.

A European norm guiding thedevelopment process of matchingengine systems should beestablished, from design tomaintenance, and includingdeployment. Market operatorsshould have their processes certifiedaccording to this norm.Obviously, this recommendation hasa counterpart on the automatedtrading side, see Recommendation 6.Of course, the development processextends much beyond the codingphase: it encompassesspecifications, code writing, testing,deployment, maintenance,... The use of formal methods forprogram testing should beadvocated, since it is the onlyrigorous approach to modelchecking and program validation.Note that one of the most usedstandards in the world, theCapability Maturing ModelIntegration, see [Team, 2006], hasbeen initiated by the United StatesDepartment of Defense to evaluateand control its software providers.Given the economic and socialimplications of a severe disruption ofthe financial markets, thecomparison is not as far-fetched asone could first imagine.

2

Recommandation A European norm for the development process ofmatching engines

Homogeneous circuit breakersshould be put in place byany trading venue providingautomated matching, whether it is aregulated market, multilateral tradingfacility or a systematic internalizer.Such circuit breakers should beconceived with the same goal: toprevent the price formation processfrom being harmed by disorganizedflows of orders, and adapted to themarket context.Following Recommendation 2, thedevelopment and testing of circuitbreakers should be consistent withthe European norm for thedevelopment process of matchingengines.

3Recommandation Improvement of circuit breakers

65


Hence, traditional microstructure layersin a fragmented landscape havebecome intertwined: high frequency tra-ders stand between investors andmarket operators, brokers operate mul-tilateral trading facilities, traditionalmarket operators sustain their businessby becoming technology vendors. It isimportant to note that the market ope-rators best clients are the highfrequency traders, which are accounta-ble for 70% of the trades in the UnitedStates, 40% in Europe and 35% inJapan, see [Lehalle and Burgot, 2010].Such a configuration, in which a speci-fic class of technology-driven investorsare the best clients of the exchanges,who have themselves become techno-logy vendors, raises some concerns interms of alignment of interests.

These evolutions complicate the task oftraditional investors, since they have todeal with more counterparts and tounderstand the mechanisms of liquidityon new trading venues. For example, itis now necessary for them to be able togo to a non-regulated dark pool, to findthe mid-point of a MTF, or to reach abilateral agreement with a systematicinternalizer, see [Burgot et al., 2013] formore details.

Last but not least, the positioning ofregulators is more complex in Europe in2012 than it was before the implemen-tation of MiFID. Regulators of themember states have to comply with theguidelines of the European Securitiesand Market Authorities (ESMA) and withthe European directives and regulations.

Nevertheless, there is no convergencein the demands of the different regula-tors in Europe, see Section 1.3.

Furthermore, the ESMA list of TradableShares8 destroyed the concept of Liqui-dity Segments which existed on historicalexchanges. The complexity of the tra-ding process could be reduced if eachrule would not apply to all Europeanstocks, but to specific segments only.

1.3 MiFID appreciationin European member states

The appreciation of MiFID is not thesame across all member states, as canbe read in the Fleuriot or the Foresightreports, see [Fleuriot et al., 2010] and[Committee, 2012]. To understand thesedifferences, one needs to examine thestate of the market microstructurebefore MiFID:

• France had a highly concentrated andorganized microstructure, see [Muniesa,2003],

• in the United Kingdom, a lot of tradingoccurred over the counter or throughbilateral agreements,

• Germany was a mixed combination,as the level of concentration was higheven though significant regionalexchanges still existed.

The maturity with respect to technologywas not uniform all over Europe. Thefirst automated trading system, theComputer Assisted Trading System(CATS), was born in North America atthe Toronto Stock Exchange in 1977. InEurope, the Market Price Display Ser-vice (MPDS), introduced in London in1970, has been the first standardizedcomputer-based price disseminationsystem, but the United Kingdom had nosuccess with the Integrated Data Net-work (IDN) program (1981-1984) thatnever gave birth to a trading system,see [Pardo-Guerra, 2011]. The countrieswhere the three largest European histo-rical exchanges (the London StockExchange, Euronext and DeutscheBoerse, see Figure 6) were born, pio-neered the electronic trading on thecontinent with:

• The Small order Automated ExecutionFacility (SAEF), a small order automatedexecution system for the United King-dom in 1988;

• The Computer Assisted Trading Sys-tem (CATS), renamed Cotation Assistéeen Continu (CAC), introduced in Francein 1989;

• Followed in 1991 by the Inter BankenInformationen System (IBIS) in Ger-many, see [Bindeman, 1999].

Nevertheless, when Chi-X, NASDAQ-OMX, Turquoise and BATS Europestarted their latency race, the Eu-ropean historical exchanges were notequally prepared. The London StockExchange system had difficulties tocompete, hence the MTFs moved theirsystems to be as close as possible tothose of the LSE.

Latency competition implies geogra-phical concentration

During a latency competition, assume atrading venue A (respectively a venue B)has an internal latency ℓA (resp. ℓB ),


The ESMA should define differentEuropean liquidity segments tosimplify the understanding andapplication of regulation. Depending on its liquidity segment,a stock could be traded onregulated markets only, or on MTFs,BCNs,...

4Recommandation Organization of European liquiditysegments

Figure 3: Stylized view of post-fragmentation microstructure. The investors, intermediaries and market operatorshave a lot of connections, giving birth to potential conflicts of interests.


and the time for information to travelbetween A and B is T. A trader thenchooses to be somewhere between Aand B, at a distance ρT from A and (1 −ρ)T from B, with 0 ≤ ρ ≤ 1, suffering of atotal latency of

LA (ρ) = ℓA + ρT to A and LB (ρ) = ℓB +(1 − ρ)T to B.

To trade the same instrument on thetwo venues, it is considered optimal inseveral ways (for instance in order toavoid being “gamed", see [Lehalle,2013]) to choose ρ? such that

LA (ρ*) = LB (ρ*):

When ℓB + T < ℓA , the precedingequality cannot hold. The trader shouldthen prefer exchange B to exchange Ato minimize the risk to be “gamed", see[Lehalle, 2013]. Trading venues thathave improved their systems so as tosuffer from small internal latencies mustthen move close to slower platforms.Doing so, they strengthen the incentiveto trade with them.

This mechanism brought most tradingvenues to London, since the LSE wasnot the most technologically advancedexchange. Even NYSE-Euronext movedits systems to Basildon, Essex, close toLondon, in November 2010.

The race for latency has not been theonly reason for trading venues to moveto the United Kingdom. Figure 4 showsthe number of regulated markets(green), MTFs (blue) and systematicinternalizers (red) regulated by eachEuropean regulator.According to thisfigure, the requirements of the FinancialServices Authority (FSA) seem to beconsidered more attractive by Europeanfinancial firms. Moreover it can be noticedthat in January 2012, all the Europeandark pools were FSA-regulated.

This raises the point of the interpreta-tion of he MiFID and ESMA guidelinesacross Europe. It has a deep impact onhigh frequency trading activity since alarge part of it can be redefined as highfrequency market making, see [Menk-veld, 2010] and Section 3. It wouldtherefore be very useful to have a Euro-pean market maker status, to be able todiscriminate between different practicesof high frequency trading.

A full-fledged assessment of high fre-quency trading is difficult since it hasmany forms, see Section 3. Studies onavailable data, see [Menkveld, 2010] and[Baron et al., 2012] show that some highfrequency traders are mainly liquidity pro-viders, acting as market makers. Suchagents are useful, since they provide andarbitrage liquidity on the various tradingpools. Others are mainly liquidity takersand their positive influence becomesdebatable. The former type would qualifyfor the European market maker statuswhereas the latter would not.

2. Price formationprocess and highfrequency trading

2.1 The impact of high frequencytrading on auction mechanisms

The price formation process plays twosimultaneous roles:

• to confront buyers and sellers anddynamically create a fair price,

• to disseminate to market participantsthe result of this confrontation, see[Madhavan, 2000].

The price formation process can thusbe represented in feedback form: mar-ket participants use the publiclyavailable prices to make decisions,these decisions then modify thebalance between supply and demand,which in turn changes the future prices.This process has two simultaneousdynamics: one goes backward, themarket participants combining theiranticipations on long term prices withthe current prices to make decisions,while the other goes forward, the priceevolving over time under the resultingpressure of market participants whogenerate a mean field, see [Lehalle etal., 2010].

In practice, the fixing auction mecha-nism is particularly suitable to confrontefficiently buyers and sellers, whereasthe continuous double auction mecha-nism is perfectly adapted to informationdissemination. Concentrating liquidityduring a fixing auction is quite appro-priate, since the price then results frommany market participants disclosingtheir interests. In Europe, the 5 minutesfixing auctions are on average seventimes more liquid than 5 minutes ofcontinuous auction, see [Cheuvreux,2012] and Figure 5. Thus, the price isquite stable since it emerges from theconfrontation of many participants. Fur-thermore, during a fixing auction, noparticipant pays more or less thanothers to buy or sell a share.

A European market-maker status isneeded to identify different types ofhigh frequency traders and apply theadequate regulation to each ofthem. In particular, the regulatoryexemptions regarding tax, shortselling,...attached to this statusshould not change from onemember state to the other.

5Recommandation A European market-maker status

Figure 4: Number of trading venues per regulation and per type (RM: Regulated Market, MTF: MultilateralFacility, SI: Systematic Internalizer). Source: ESMA web site.

67


Figure 5: Typical intraday distribution of traded volume(top) and prices volatility (bottom). European marketsrhythm is typically impacted by three phases: (1) tran-sition from a fixing auction to a closing auction, (2) “run”to the closing auction, (3) macro economic news issuedin the US.

During a fixing auction, it is neverthe-less impossible for market participantsto adjust their interests taking intoaccount other sources of informationsuch as market prices of similar stocksor of derivatives instruments. For anindividual stock, the auction mecha-nism is efficient, but on a wholeuniverse of stocks it can be inconsis-tent. During continuous auctions, thereverse situation happens: the auctionmechanism is less efficient since tem-porary liquidity shortage can occur, butthe posted prices are more accurate asthey take into account more informa-tion. These different features of fixingand continuous auctions explain why,immediately after the opening fixing, thevolatility and trading activity are bothhigher than at any other time during theday, see Figure 5, Arrow “1”. Figure 5also shows the impact of macroecono-mic news (Arrow “3”) on the pricevolatility and trading activity. The cha-racteristic shape at the end of the day(Arrow “2”) is twofold: on one hand, thevolatility does not increase anymore, onthe other hand the trading activityincreases before the fixing auction,since the market is about to close forseveral hours.

High frequency trading activity andregulatory changes can affect thestructure of auctions.With the fragmentation of markets, newtypes of auctions, such as “blind” auc-tions in dark pools, appeared. Figure 6shows the split of the traded turnover inEurope for September 2012. The piechart gives the repartition in large sets(Lit, Dark, OTC, Fixing, see Section 2.4for details) and the bar charts show howthey split across market operators. Itdemonstrates the diversity of the tra-ding mechanisms often taking place atthe same time.

Indeed, different types of auctionsoccur now simultaneously as a conse-quence of competition:

• Several continuous auctions in paral-lel (Chi-X, BATS Europe, Turquoise andone regulated market are open simulta-neously).

• Several continuous auctions in paral-lel (Chi-X, BATS Europe, Turquoise andone regulated market are open simulta-neously).

• Dark pools are open independently.

High frequency traders are playing alarge role in sustaining or not thesecombinations of trading auctions. Dur-ing its hearing about the merger ofBATS Europe and Chi-X by the UnitedKingdom Competition Commission, therepresentative from Getco declaredthat:

GETCO [...] would invest in new MTFsfor strategic reasons if it felt that con-solidation in the marketplace went toofar and harmed pricing or competition.It had already done this in the USA withits support of BATS. [...] GETCO wouldalso support platforms in which it didnot hold shareholdings by supplying liq-uidity, as long as it could tradeprofitably.

The more different types of simultane-ous auctions, the more liquidityarbitrage opportunities. For a marketoperator, providing more than one orderbook generates more flows, thus morerevenues (see [Lehalle, 2013] for expla-nations about liquidity arbitrage). Itexplains why after their merger, Chi-Xand BATS Europe continued to operatetwo visible order books listing the samestocks simultaneously. It also explainswhy they created a new auction type forone of their two Dark Pools9.

2.2 Negative aspects of high frequency trading

Negative externalitiesBefore looking in detail at the tradingstrategies and tactics of high frequencytraders in Section 3, it is possible toform a macroscopic view of their acti-vity. The regulator demands that marketparticipants delivering a service toclients document their best executionprocess. This is not an easy task, sinceit involves all possible combinations of


Figure 6: Turnover of different trading venues. Source: Reuters Market Shares Report, Sept 2012


available liquidity pools. For instance, abroker has to explain the way eachclient order has been split by its SmartOrder Router to obtain the best possi-ble price on the different tradingvenues. This task regularly requires newinvestments, as the combinatoricsincrease with each new venue.

As an illustration of high frequency tra-ding, Figure 7 shows the averageresting time of a limit order dependingon the tick size of the traded stocks. Forsmall tick stocks:

• 45% of all orders stay in the order-book less than one second,

• 26% of them have a lifetime shorterthan 100 milliseconds,

• 11% shorter than 5 milliseconds,

• 4% shorter than one millisecond.

In light of these numbers, the informa-tive content of most of the orders sentto venues is questionable (see [Has-brouck, 2012] for details about HighFrequency Quoting). Nevertheless,every market participant which is requi-red to provide evidence of bestexecution must record, store and pro-cess all these orders to build its reports.Moreover, exchanges have to put inplace systems that can handle a rapidlygrowing flows of messages. This is typi-cally a negative externality of the highfrequency trading activity.It is interesting to compare this situationwith that of internet access providers:since large internet players such asYoutube or Facebook generate analways increasing traffic for their ownbenefit, they make the task of internet

access providers more difficult, in thatthe latter have less bandwidth to sharebetween their clients. A “Peer tax” havebeen put in place in some countries tocurb this negative externality10. It can beseen as an equivalent to the “polluter-pays principle” which is extensivelydocumented in economics, see [Pez-zey, 1988]. The financial transaction taxcan be seen as partially answering thispoint: the French tax and the Italian taxprojects imply a stronger taxation ofagents having a large order-to-traderatio, that is the average ratio of thenumber of orders sent per actual trade.Note that market makers being tax-exempted, the non existence of aEuropean market maker status ques-tions the efficiency of such a tax to curbthe high frequency trading activity, seeRecommendation 5.

A market with two levels of information?The price formation process takesplace when buyers and sellers interestsmatch. High frequency trading could bejust one different component of thisprocess, adding diversity in the invest-ment scheme and possibly improvingliquidity. However, market participantshave very different time horizon and dif-ferent investment philosophies. Themain criticism one can address to highfrequency trading is that it pre-emptsthe information on price, for instanceusing flash orders11, thereby creating amarket with two levels of information:

• the high frequency participants, fullyinformed;

• others, seeing only the part of theorder flow that the former decided notto trade.

Obviously, the same criticism, albeit atdifferent time scales, applies to brokercrossing networks or dark pools, sincethey match orders outside of visibleorder books (see Section 2.4).During the public presentation of theForesight Report, see [Committee,2012], it has been underlined that thedifference between modern high fre-quency traders and older ones (sincepaying more to have a better access tothe pit is an old practice), is that in thepast, everyone could see the activity ofthese first resort traders. Today, it isimpossible for a classic participant toobserve their activity in the order books.Several interesting proposals have beenmade in order to solve this issue, seeSection 4.Nevertheless, it is important to note thatsimultaneity of events does not exists inorder books:

• Two orders cannot reach the sameorder book simultaneously: computernetworks are built with “First In FirstOut” queues so that two events cannotfill the same memory space in a com-puter or a router.

• Moreover, assume that two events ϵAand ϵB occur simultaneously in twoorder books A and B. Under equal tech-nology, if observer O1 is closer to Athan to B and observer O2 is closer toB than to A:

– Observer O1 will see event ϵA occur-ring before event ϵB.

– Observer O2 will see event ϵA occur-ring after event ϵB.

It is thus impossible to preserve thesame ordering of events for all marketparticipants.

2.3 Electronic trading: a necessarytechnology requiring regulation

Positive aspects of automated tradingThe financial industry is young compa-red to other main industries: aerospace,automotive, chemistry,... Section 1.3has shown that no trading task wasautomated 30 years ago. The use ofdeterministic mechanisms is a progressin that it decreases the operational risk.Once a market is fragmented, automati-zation is the only way to ensure that amarket participant accessing few liquidity

Figure 7: Resting time of orderssent to Euronext-Paris, accordingto the tick size of the listed stocks(large tick; blue diamond, smalltick: red triangle). It can be readthat on small tick stocks: 46% ofthe orders have a lifetime smallerthan 1 second. Source: AMF, Dec.2012.

69


pools will obtain a decent price. Manualtrading cannot identify liquidity discrepan-cies involving exponential combinations oforder books. Moreover, a fast relativevaluation of assets allows some highfrequency market makers to provideliquidity on one illiquid instrument whilehedging at the same time their positionusing other, more liquid instruments.Electronic trading guarantees thattransactions and orders are recordedand can be used for fraud investigationor systemic risk estimations.

Offering more choices is a two-sided coinGiven an optimization problem, increa-sing the number of degrees of freedomis a guarantee that a better solutionexists, but it can be harder to find.A typical example of a simultaneousincrease of complexity and potentialwelfare, that cannot be achievedbecause of the complexity of the task,is provided by the automotive industrywith the first direct injection engine.Direct injection gives the capability toproduce more energy and pollute lessthat classical lean burn technology.Nevertheless, the first mass-marketengine of this kind, the Mitsubishi 4G93,emulated a classical combustion mode,since the research and developmentdepartment at Mitsubishi did not suc-ceed in finding the adequate calibrationon time for the launch of the engine in1996. The Flash Crash and the Knight-mare are typical events showing thatthe financial industry has not found theadequate calibrations of all the toolsoffered by automated trading. One wayto help the financial services industry tomake progress is to put in place deve-lopment processes similar to thoseadopted by the automotive and aero-space industries when they had to facesimilar challenges. International Organi-zation for Standardization-SoftwareProcess Improvement and CapabilityDetermination (ISO-SPICE) norms andCapability Maturity Model Integrationstandards (CMMI, see [Team, 2006]) arewell- known ways to address the deve-lopment cycles of softwares; theregulators and some institutes coulddevelop and promote a version adaptedto the automated trading.

Following the example of CMMI, diffe-rent levels of sophistication could bedefined. One should require morefrom market makers than from brokerstrading algorithms, and they in turnshould meet higher standards thaninvestment funds. This norm could bepromoted by the European Commissionor the ESMA, and would be perfectly inthe spirit of the existing ESMA guide-lines, see [Esma, 2011].

2.4 Dark pools and broker crossing networks: an answer tohigh frequency trading or a threaton the price formation process?

What are dark pools? Can they harm theprice formation process?There is no official definition of a darkpool. This term is commonly used todesignate matching engines which donot disclose the states of their orderbooks to market participants. The onlyway to interact with a dark pool is tosend an order and wait for partial orcomplete execution. This definitioncovers a lot of different cases, see [Bur-got et al., 2013] and [Lehalle andJoseph, 2012] for more details:

(a) A regulated dark pool, that is a mul-tilateral trading facility operating underthe price referencing waiver of MiFIDand accepting the same market partici-pants than a lit MTF12. Chi-X,NYSE-Euronext Smartpool, TurquoiseDark,...belong to this category.

(b) A regulated dark pool operated byan investment firm hosting multilateraltrading between external clients only.

(c) A broker crossing network, very simi-lar to the previous one, except thatthere is no guarantee that only multila-teral trading will occur: it can hostbilateral trading with the proprietaryflows of the investment firm.

(d) A bilateral trading system not disclo-sing the state of its order book.

It is important to note that the tradingactivity is different across these varioustypes of dark pools. It is thus difficult toapply the same rule to all of them.

Dark pools in the United States fall outof the scope of this list since they followdifferent sets of rules, with for instancethe case of sub-penny trading, see[Chakrabarty and Chung, 2008] and[Bartlett and McCrary, 2012].

As a typical example, Figure 8 showsthe turnover traded on different venuesfor Crédit Agricole shares as recordedby Fidessa:

• 65% of the transactions occurred invisible pools,

• 33% have occurred over the counter(OTC),

• 1% in front of systematic internalizers,including some dark pools of type (c),

• 1% in regulated dark pools of types(a) and (b).

Moreover, Figure 6 shows that on ave-rage 3% of the traded volume occurs indark pools of type (a) or (b). The tradingindustry had to learn how to deal withsuch liquidity pools. In 2008, GreenwichAssociates listed nine questions to askto a dark pool provider:

1. Are you a true dark pool, i.e., com-pletely anonymous, without anyinformation leakage, or will informationregarding my orders be conveyed topotential liquidity providers?

2. Does your platform route orders outof your dark pool or from any other sys-tem connected to your dark pool,including your smart order router, to anelectronic communication network,alternative trading system13, or anyother external source? If you allow indi-cations of interest (IOI), is it an opt-in oran opt-out process or will this decisionbe made for me?

3. What information regarding my orderwill be included in an IOI - symbol, side,size and/or price?


A set of norms and standards toguide the life cycle of automatedtrading systems: design,development, testing, deploymentand maintenance, should bedefined at a European level. Onlycertified systems should be allowedto trade. Such norms or standardscould be designed by a consortiumof market participants under theauspices of a European Institute.

6Recommandation European norms for automatedtrading systems


4. What type of order flow populatesyour dark pool: proprietary orders, retailorders...?

5. How do you count matched volume -single or double count - in your darkpool for purposes of reporting to thetape, and do orders routed out of yourdark pool and executed by anotherparty count towards your own volume?

6. Do you match within the spread or atthe spread?

7. What anti-gaming controls are inplace?

8. Do you have a minimum size limit?

9. How will my orders interact with yourproprietary orders in terms of priority?

This list gives clues to what investorswould like to avoid in dark pools: bilateraltrading without knowing it, informationleakage, adverse selection,...

Impact of dark trading on the price formationprocessEuropean dark pool activity, beingnegligible, cannot harm the price for-mation process.However, the term darktrading also encompasses OTC trading,representing 20% of the trading volume.It seems legitimate that information onall trades occurring in dark pools orOTC should be disseminated to all mar-ket participants. It is more or less thecase today, with some double-countingissues that will be probably solvedunder the on-going MiFID review.

Dark pools as a source of competitionThe recent merger of large market ope-rators led to the concentration oftrading platforms in the hands of feweractors: LSE Group, BATS Chi-X, NYSE-Euronext, Deutsche Boerse, see Figure 6.Considering the risk of monopolistic

behaviors, regulated dark pools couldbe considered as a sustainable compe-tition organized by investment firms toapply pressure on more classical mar-ket operators. In this respect, they canbe seen as a positive addition to theEuropean market microstructure.

Towards funds crossing networks?After broker crossing networks, thefinancial industry could see the birth of“fund crossing networks”. Blackrock14

announced in 2012 its intention to starta bond trading system to match inter-nally its interests and to offer someliquidity externally, see [Crowley andLeondis, 2012]. If this trend is confir-med, it would entangle further the layersof the market microstructure (Figure 3)since some investors would becomemarket operators.

Education may be the best way to letinvestors use to their own advantagethe recent modifications of marketmicrostructure (more trading venuesand liquidity pools, more trading rules,new types of investors,... ). Indeed,these changes can be the source of animprovement of the efficiency of the tra-ding process, but at the cost of agrowing complexity. This complexity canbe addressed through guidelines, normsand standards, enabling to underlinebest practices, and by education.

3. High frequencytrading strategies

High frequency trading strategies aregenerally grouped according to whetherthey rely on the use of a directional si-gnal or not, and resort to aggressive orpassive orders. In this rather old-fashioned view, limit-order-based stra-tegies, assimilated to market making,are generally considered lenient if notbeneficial to the financial markets as awhole: limit-orders are a natural vectorfor providing liquidity to the market. Onthe contrary, high frequency tradersstrategies based on the use of marketorders are often deemed predatory, thereason for speedy execution and bid-ask spread crossing being the existenceof information that is either unknown to,or known but useless for the other mar-ket participants.Therefore, it has become customary togroup high frequency traders in twoclasses, market makers and alpha tra-ders. Market makers essentially placelimit orders and provide liquidity to thelimit order book. Alpha traders take li-quidity whenever desirable becausethey have detected a buy or sell signal.Common to all high frequency traders isthe use of algorithms that observe themarket in real time, run trading signals,and place orders. Whether they arealpha-traders or liquidity providers, highfrequency traders rely exclusively on thecomputer to place their bets.

Information processing and technological biasThe principle of high frequency tradingis the possibility of detecting signalsand reacting to them, at a frequencythat is not considered the normal tra-ding frequency on a given market. Ahigh frequency trader on a very illiquidstock will not necessarily buy or sell

Figure 8: Market shares of different trading venues, from the 11th to the 15th of February 2013. Source: Fidessa Fragulator.

71

To tame the continuously increas-ing complexity of the tradingprocess, concrete steps should betaken in order to educate the finalinvestors on market microstructure.

7Recommandation Improving investors knowledge onmarket microstructure


every 1/1000 of a second, but will seizethe possibility to react at even higherspeed, should a trading opportunityarise. This reactivity is the specific fea-ture of high frequency traders compareto other market participants.It alsoplays an important role in making thedifference between profitable and non-profitable high frequency traders.Hence, the “armament race" betweenhigh frequency trading firms, one of themost recent example between the useof micro (radio) waves to communicatebetween distant financial places, parti-cularly New York and Chicago. Asometimes dramatic consequence ofthis competition is that marketsbecome globally dependent on thefunctioning of these algorithms andtheir technological vectors that are usedto send orders. Both should thereforebe tested thoroughly, in the spirit ofwhat is done for aeronautics or nuclearplants.

3.1 Profitability of strategies

An important and intriguing question isthat of the profitability of high frequencytrading strategies. Among some funda-mental issues that arise from theemergence of a new economic activity(although one could argue whether highfrequency trading is indeed a new eco-nomic activity, its growing importance isundeniable) are the following: is thisnew business profitable ? Does it servea social purpose ? How does it interactwith other segments of the financialactivities?

These questions are often answered ina purely qualitative way, mixing practi-cal and sometimes ethical considerations.There seems to be an agreement on thefact that liquidity providing strategiesare rather beneficial to the system, whe-reas α-based, aggressive, market takingstrategies are essentially predatory.Although this distinction is questiona-ble, we shall adopt it and studyseparately the two types of strategies.

Aggressive strategiesAggressive strategies are intimatelyconnected with the concept of statisti-cal arbitrage: a signal leading to aninformation on the evolution of the priceof a tradable asset can be used in orderto make a profit (this is the standardnotion of arbitrage), with the provisothat it has to be repeated often enoughin order that that the expected gainbecomes deterministic via the law oflarge numbers (hence, statistical).There is no real economic justification,or service of any kind, rendered to theother market participants, exceptmaybe for an almost instantaneousadjustment of the price that can beconsidered proof of market efficiency.Of course, the profit made out of thissignal can be based on market ordersor limit orders, a fact which sometimesmakes the difference between so calledliquidity providing and liquidity takingstrategies, and which is more difficult toascertain. However, there is a consen-sus on the fact that aggressive highfrequency trading is based on a signal,and trend detection. This signal comesvery often from large trades being split,a phenomenon creating an autocorrela-tion in the order flow that can bedetected. This explains why there couldbe a natural opposition between institu-tional investors and high frequencytraders. On the other hand, retail inves-tors do seem to take advantage of highfrequency trading via lower bid-askspreads and transaction costs, seeSection 1. Thus, one may think that ins-titutional investors are the ones whoneed to be protected from the predatorybehavior of high frequency traders. Inany case, a natural recommendation isthe following:

Profitability of aggressive strategies An important question is that of the pro-fitability of α-based, aggressive highfrequency trading strategies: how muchmoney can actually be taken from themarket by those of its participants thatare the best equipped, technologically,algorithmically and computationally ?Parallel to assessing the soundness ofsuch strategies, it is in fact important tomeasure their impact, and their poten-tial to attract new players that would notbe interested in buying or selling stocksfor the sole reason of investing, butwould rather try to make money out ofthe imperfections of the market. Thereare few enlightening studies on the sub-ject, such as the empirical work of[Baron et al., 2012], where the profitabi-lity of the high frequency tradersstrategies on the S&P E-mini futures ismeasured. Over one month on thisextremely liquid asset, the global gain ofhigh frequency traders is estimated atapproximately $29 million, with a ratherimpressive Sharpe ratio of 9:2 on ave-rage. Other studies such as [Kearns etal., 2010] or [Anane and Zaatour, 2013]tackle the interesting, albeit somewhattheoretical, task of estimating the maxi-mal return of aggressive high frequencytrading. On the forty constituents of theFrench index CAC 40, the maximal pro-fit of an omniscient high frequencytrader that does not impact the orderbook (a totally unrealistic assumptionleading to gross overshooting) is of theorder of $10 billion per year. This profitfalls to a much lower estimate of $1:5billion per year under the assumptionthat the signal is not perfect any longerbut rather, that the predicted trend iscorrect with probability 0:6. Similarresults were obtained in the pioneeringstudy by [Kearns et al., 2010], where theomniscient trader was totaling a maxi-mum profit of $3:5 billion per year on the19 most liquid stocks of the NASDAQ,and an extrapolated maximum profit of

The buy-side firms, such as assetmanagers or institutional investors,should invest in modern technologyand state-of-the-art best-executionalgorithms in order to curb predatorybehavior of high frequency traders.

10Recommandation Technolgical investment on thebuy side


Trading algorithms should be be tes-ted and certified by anindependent organization.

8Recommandation Certification of trading algorithms

The technological chain betweenmarket participants and the tradingvenues should be compliant with pre-defined standards in terms of robust-ness, secrecy and reliability.

9Recommandation End to end standards for electronic markets


$25 billion per year on the whole uni-verse of the US stock market.Impressive as they are, these numbersmust again be corrected, as was pre-viously explained, by taking intoaccount the imperfections of the signaland the evolution of the order bookunder the action of the strategies.

Incorporating these effects makesthese profit levels compare rather wellwith the empirical measurements provi-ded by [Baron et al., 2012], whichtherefore appear to provide a soundorder of magnitude of the profitability ofhigh frequency trading.

Liquidity providing strategiesIf the usefulness and legitimacy ofaggressive strategies are debatable, ageneral consensus seems to haveemerged regarding market making stra-tegies. Liquidity is provided to anelectronic market via some of its mem-bers through the use of limit orders.Those of the members who decide thattheir trading strategy rests on providinga two- sided liquidity, and the hope ofmaking the spread by selling andbuying as often as possible, are consi-dered high frequency traders of apassive, and somewhat lenient if notbenevolent, type. It seems clear thatmarket makers are here to make a legi-timate buck by offering their services tothe investors. The competition betweenthem is then viewed as a natural com-petition between service providers whowant to lead their segment of the mar-ket. Of course, it is quite possible for amarket maker to act in an aggressivefashion through an abuse of limitorders, as can be seen from the some-times illegal, in any case unethicalstrategies known as spoofing, quotestuffing,... However, overall, liquidity pro-viding by passive high frequency traders

is considered necessary on electronicmarkets.Interestingly enough, the main diffe-rence between an aggressive highfrequency trading strategy and a pas-sive one seems to rest essentially onthe detection of a signal, since aggres-sive strategies also use limit orders tomake their profit. In that case, thedetection of a trend leads to one-sided,rather than two-sided liquidity provi-ding. The reason why aggressivestrategies are generally associated toliquidity taking is that, should a signalbe detected, the profit one can make ofit is more efficiently locked with the useof market orders. Indeed, limit ordersmay not be executed and therefore failto realize the expected profit.

ProfitabilityThe profitability of high frequency mar-ket making has been little studied. Themain contributions are [Menkveld, 2010]and [Baron et al., 2012]. [Menkveld,2010] shows that the profit of marketmakers is, as expected, a positive ear-ning from making the spread, and a lossfrom a potential adverse selection,taking a position which is generallyopposite to the trend. However, it stillappears from this study that the Sharperatio of high frequency market makingstrategies can be quite high, sometimesof the order of 10. This hints at the factthat at the time of the study in [Menk-veld, 2010], this segment of thefinancial markets activity was not fullyexploited, leaving some space for othercompetitors to enter and therebyreduce the margins. The more severethe competition, the higher the entrancefees, and the more difficult it is for newfirms to make profit from high frequencymarket making strategies. This fact isactually already observed in [Baron etal., 2012], where the profit appears toremain concentrated within a smallnumber of the most capable hands.Again, only an extensive statistical ana-lysis of the profitability of high frequencytrading firms can lead to a realisticassessment of their performances.

3.2 Competition and level playingfield

From the studies and empirical evidencesdescribed above, it seems that theimportant question is the following: areother market participants being rippedoff by smarter, better equipped ones,and, if so, should this be curbed bylegal action? As a matter of fact, actualrogue behaviors such as quote stuffingand spoofing are sometimes used as anargument to propose a ban on all kindof high frequency trading, whereas thereal question is that of unfair competi-tion in a commercial activity. Inasmuchas the tools, algorithms, systems andcomputers used by high frequency tra-ding firms are available on the market toany other participants, it seems thatthere are some undue suspicions of foulplay because of a lack of investment insimilar technology by other actors.Concurrence is a normal part of anycommercial activity and the principlesestablishing the concept of unfair com-petition on financial markets should beproperly defined. In particular, we referto Recommendation 5 for the creationof a European market maker status.

4. Towards a modern assessmentand regulation ofthe high frequencytrading activity

4.1 The effects of high frequencytrading today: global viewthrough basic metrics

The intense debate about high fre-quency trading suggests that this typeof trading may result in a market failure.If such failure can be clearly identified,then one can think about designing aregulatory solution. However, up totoday, highlighting a deficiency of themarket due to high frequency trading ina clear and scientific manner is not suchan easy task. Indeed, when looking atthe traditional components used to

An extensive, statistical post-tradeanalysis of high frequency tradingstrategies and their profitabilityshould be conducted by indepen-dent researchers.

11

Recommandation Promotion of academic studieson high frequency tradingstrategies

73


assess the effects of high frequency tra-ding on market quality: liquidity,volatility and price discovery, empiricalstudies tend to conclude that this tra-ding practice is rather beneficial for themarkets, see for example the reviewchapter of Thierry Foucault in [Abergelet al., 2012] and the references thereinor the Foresight report [Committee,2012]. Nevertheless, we need to becareful with this conclusion. A first rea-son is that the three mentionedcomponents are not really well definedconcepts:

• Liquidity is the ability of an investor totrade a given size of a security quicklyand at a reasonable cost.Therefore it ishard to build a proper universal metricin order to measure liquidity. The mostcommon liquidity proxies are based onbid-ask spreads and various priceimpact measures, using econometricprocedures which can be sometimesquestionable.

• Volatility is a well defined notion onlyfor stationary data or in specific models.However, it is often measured withoutchecking the validity of the used statis-tical methods. Such practices can leadto spurious results.

• Measuring the consequences on pricediscovery of high frequency trading is ofcourse a very difficult task. Indeed,price discovery is an abstract conceptwhich makes clear sense only in parti-cular models. One usually considerspermanent impact measures in order toassess the effects of high frequency tra-ding on price discovery. However, suchmeasures are by nature extremely noisy. At this point, it is important to underlinethat one should not only rely on basicanalyses of historical data whenaddressing issues related to high fre-quency trading. Deep statistical modelsare needed in order to obtain relevantand accurate conclusions.For example,in the financial econometrics literature,several so- phisticated estimators havebeen built in order to investigate pro-perly the features of high frequencydata, in particular to measure high fre-quency volatilities and correlations, seefor example [Aït-Sahalia and Jacod,2012] or [Robert and Rosenbaum,2012]. Such procedures should definitelybe used in the analyses. Furthermore, wemust have in mind that from an investorperspective, what is really needed is a

proper measure of the trading costs. Inparticular, it is clear that large investorson the one hand, and marginal buyersor sellers on the other hand, have verydifferent ideas about the concept ofliquidity. A right notion for the tradingcosts is of course related to traditionalliquidity proxies, but involves alsonecessarily other variables such as thevolatility.

4.2 Future consequences of highfrequency trading

Saturation of high frequency tradingDespite some reservations, up to today,the influence of high frequency tradingon the markets seems on averagerather positive. This is essentially due toa competition mechanism between highfrequency traders, which leads to adecrease in the costs, see Section 1.However, we should think about thefuture of high frequency trading on themarkets. Opportunistic high frequencytrading is an arms race, in which beingfast is not enough: the goal is to be fas-ter than the competitors. Co-location orthe use of radio waves are examples ofpractices which show that high fre-quency trading firms are ready to investa lot of money in order to obtain a tinygain in speed. It is then quite clear thatwe have reached a point where the cur-rent speed competition does notprovide any benefit to traditional inves-tors. This means that the concurrencemechanism does not lead anymore toan improvement of the quality of theenvironment as it should do. Indeed,

instead of making the remaining smallarbitrages vanish, the speed concur-rence mechanism is so that highfrequency trading firms compete inorder to take advantage of these arbi-trages. Therefore, it is likely that it isgoing to be always more expensive tobe a fast enough high frequency trader.Consequently, we may forecast adecrease in the number of high fre-quency trading firms, which willeventually lead to a situation where onlya few of them will survive. The study in[Baron et al., 2012] which shows thattoday new high frequency trading firmshave a very short life term gives evidencein this direction. As a consequence ofthat, high frequency trading firms willhave no more incentive to provide goodliquidity and the trading costs will even-tually increase.

From speed concurrence to price concurrenceTherefore, one should think about waysto turn this concurrence for speed intoa wholesome concurrence for prices.An interesting idea in this direction, sug-gested by Larry Harris15, is that themarket platforms should slightly rando-mize the arrival times of the orders. Inthis way, a high frequency trading firmhaving a technological advantage ofsay 1 ms towards its competitors wouldcompletely lose it if the order of magni-tude of the randomization is of order 10ms. On the other hand, by lowering theentry costs, high frequency tradingwould still remain a competitive busi-ness, with a concurrence on prices andnot on speed. This is an interestingdirection that should be studied.


Sound estimating proceduresshould be used in data analysiswhen assessing the consequencesof high frequency trading. Further-more, one needs to develop modelswhere liquidity proxies and volatilityare considered jointly in order toevaluate the trading costs for variousinvestors. In particular, further studies should address theinfluence of high frequency tradingon large traditional investors.

12

Recommandation Use of modern statisticalprocedures and trading costsmodels

Adding a random delay (of a fewmilliseconds) to any order at theentry of the matching engine of thetrading venue could prevent thecreation of two layers of informedparticipants: the ultra fast ones,having access to a full accurate viewof the liquidity supply and demand,and the slower ones, only accessingthe flows which are not matched bythe former. This idea should beinvestigated.

13Recommandation Random latency addition to allorders


4.3 A very powerful tool: the tick value

If one thinks that the presence of highfrequency trading on the market is anissue, one may wonder why the markethas not been able to solve this problemby itself. Part of the answer lies proba-bly in the fact that market participantsface an external parameter on whichthey cannot have any influence: the tickvalue. Indeed, this parameter has ahuge influence on the market micros-tructure. A small tick value usuallyattracts high frequency traders, see[Bartlett and McCrary, 2012]. Indeed,they do not hesitate changing margi-nally the price of their limit orders inorder to gain in priority, which leads tounstable order books where traffic isvery high. Such environment is very dis-couraging for traditional market makersfor which it is very hard to set quotes.This can induce severe economicconsequences, in particular for small ormid cap companies. Indeed, quotingthem may not be worthwhile for classi-cal market makers in such anunfavorable market. As a result, thequality of the liquidity on such stockscan be very low. On the other hand, atick value which is too large preventsthe price from moving freely accordingto the views of market participants.Moreover, market takers pay a largeextra cost in order to obtain liquidity.

Thus we see that many liquidity ques-tions are linked to the tick value. In theUnited States, The Securities andExchange Commission (SEC) has requi-red a whole report about the tick valueissue, see [SEC, 2012], and a specialroundtable was devoted to this topic on5 February 2013. In Europe, one of themain conclusion of the Foresight reportis the crucial need for proper tickvalues, see [Committee, 2012]. Weindeed think that an appropriate tickvalue on a given market can solve alarge part of the issues due to high fre-quency trading. To design a suitablerule, we need to answer the followingthree questions:

• Who should fix the tick value?

• What is the situation we want to reachby changing the tick value?

• How to set an optimal tick value lea-ding to the desired situation?

In equity markets, a natural answer tothe first question could be the mana-gers of the companies issuing stocks.Indeed, they could decide to changethe value of the tick when they think theliquidity on their stock is not satisfying.One may argue that they already havethe possibility to choose their relativetick value by splitting their stock. Howe-ver, there is a psychological effect in theprocess so that issuers do not like tohave their stock trading around smallvalues. We believe this question shouldbe investigated.

Other natural candidates are exchangesand regulators. It is probably not suita-ble that the exchanges can fix the tickvalue at their own convenience, seeSection 1. Indeed, the analysis of highfrequency trading should always beconsidered jointly with those of marketfragmentation (as stressed in [Bartlettand McCrary, 2012] in a slightly differentcontext). In particular, different tickvalues for the same asset in a fragmen-ted market do probably not make muchsense. Therefore, tick values should resultfrom consultations between exchangesand regulators.

The second question is a difficult one.Indeed, tick values benefit some marketparticipants at the expense of others.We suggest to try to reach the followingsituation, which ensures a fair treatmentof all participants and reasonably fullorder books.

75

The tick value of an asset should bethe same on every trading platform.

15Recommandation Equal tick values on all tradingvenues

Tick values should be set so that:

- the average spread is between oneand two ticks,

- small market orders and limit ordershave approximately the same cost.

16Recommandation Optimal microstructure

The consequences of a choice of thetick values by the issuers should beinvestigated.

14Recommandation Tick values chosen by issuers

Figure 9: Each cross corresponds to one day (allin the same month in 2012) for each of the 20most liquid stocks in each market. The x axis isthe daily volume weighted average price (VWAP)and the y axis is the spread in VWAP basis points.The black line is the tick value in VWAP basispoints (so the spread is constraint to be abovethis line).

US STOCK MARKET SPREADS AND TICK SIZE

daily vwap

basi

s po

ints

INDIA'S STOCK MARKET SPREADS AND TICK SIZE

daily vwap

basi

s po

ints

JAPANESE STOCK MARKET SPREADS AND TICK SIZE

daily vwap

basi

s po

ints

GERMAN STOCK MARKET SPREADS AND TICK SIZE

daily vwap

basi

s po

ints


Figure 9 shows that such an approachis clearly not in place on the markets.Indeed, we see that there is no appro-priate relationship between the tickvalue and the spread.

Of course the preceding recommenda-tion requires to have a suitable tool inorder to measure market and limitorders costs. For example, this can bedone thanks to the methodology deve-loped in [Dayri and Rosenbaum, 2012],which is inspired from [Madhavan et al.,1997] and [Wyart et al., 2008]. In thisapproach, the trading cost of both limitand market orders can be expressedthrough a single parameter η summari-zing the microstructural features of theasset. This parameter summarizes allmicrostructure features of an asset andis very easy to estimate on market data,see [Robert and Rosenbaum, 2011]. Atest for the relevance of this analysis isto check the validity of the followingaffine relation, which is an outcome ofthe model and relates the trading costand the volatility per trade:

ηα ? σ /√M + c where α denotes the tick value, σ thecumulative volatility over the period andM the number of transactions duringthe period. In figure 10, the cloud(ηα√M, σ ) is given for 10 futurescontracts (one color per asset) onassets of different classes and tradedon different exchanges from 2009, May15 to 2009, December 3116 (each pointrepresents one asset, one day), see[Dayri and Rosenbaum, 2012] fordetails. The striking validity of the rela-tion on data clearly advocates for suchan approach.

The difficulty of the third step, setting anoptimal tick value, is that it is usuallythought that it is not possible to fore-cast ex ante the consequences of achange in the tick value on the micros-tructure of an asset. Thus, it is oftenconsidered that tick values have to bedetermined by trial and error, and thatthe success of a change in the tickvalue can only be assessed ex post, onthe basis of the obtained effects. Thisexplains why we have recently seenmany changes and come back in thetick values on various exchanges. Also,the current suggestions in order tochoose tick values, see for example

[AMF, 2012] or [FESE, 2013], are essen-tially based on static analyses ofhistorical data, taking only into accountthe range of prices and the number oftrades, which is probably not enough.

We believe that recent dynamic sto-chastic models are able to give clearinsights on the consequences of achange in the tick value. They can the-refore help in order to set the optimaltick value. For example, using theapproach in [Dayri and Rosenbaum,2012], we can forecast ex ante thevalue of η after a change in the tickvalue. This means we are able to pre-dict the microstructural features of anasset after a change in the tick value,and therefore the new trading costs.Thus, it is in particular possible tochoose a tick value leading to the des-ired effects stated in Recommendation16. In order to check the prediction for-mulas on real data, the Bobl contract17

has been used. The tick value of thisfutures contract has been multiplied bytwo on 15 June 2009. For 12 tradingdays before 15 June 2009, we give inFigure 11 the estimations of the value ofη after the change of the tick value,under two different assumptions in themodel. We also give the realized η com-puted on the 12 trading days after thechange.

The results are very satisfactory, bothassumptions leading to good estimatesof the future value of η and thus of thetrading costs. This leads to the follo-wing recommendation:

4.4 Letting advanced research bepart of the process

The preceding paragraph illustrates thatadvanced research can be very helpfulin order to address regulatory ques-tions. It is sometimes tempting to try tofind quick and simple solutions to fixnew issues raised on the markets.However, this only results in patches,not in long term solutions, and discar-ding an approach because it is notsimple enough is not always reasona-ble. Indeed, there is sometimes nosimple answer and very intricate issuescannot be tackled with oversimplifyingassumptions. We think that a topic suchas high frequency trading should betreated with much more advancedtools. The goal here is not to promotecomplexity for the beauty of the mathe-matics behind it, but for the operationalefficiency we can obtain thanks to it. Inparticular, the models still have toremain sufficiently simple so that theycan be easily interpreted. Nevertheless,we should not forget that we are tryingto regulate extremely advanced andtechnical market participants. Thisseems clear that we need modern toolsto do it: we use very advanced chemis-

try or physics toregulate drugs orplanes, why shouldit be different onthe markets?Also, the regulatorshould not onlyinvite externalresearchers andmarket specialiststo expert commit-tees but also givethem a decisionpower. Indeed, ifthere is no trust inthese experts andif the regulator

Consequences of a change in thetick value should be analyzedthrough the lenses of the recentdynamic stochastic approaches ofthe problem. Such approachesshould also be used in order tochoose an optimal tick value.

17Recommandation Optimal tick value

Figure 10 : Cloud (ηα√M ; σ). The black line is the line y = x



want to get by himself the evidence ofthe results obtained by academics ormarket specialists, it is clear that theprocessing time before coming to a finaldecision will be completely inadequatecompare to the evolutions of the markets.

“Market design involves aresponsibility for detail, a need to dealwith all of a market’s complications,not just its principle features. Designerstherefore cannot work only with thesimple conceptual models used fortheoretical insights into the generalworking of markets. Instead, marketdesign calls for an engineeringapproach.”

Alvin Roth, Nobel Price in EconomicScience 2012 [Roth, 2002].

5. Glossaire

Regulation

MiFID – the Markets in Financial Instru-ments Directive is a European directivevoted in 2005 at the commission level;its entry in force has been November2007.

Reg NMS – lthe Regulation NationalMarket System is a US regulation for-med in 2005 and established in 2007. Itdefines and regulate the trading of thesame share on different trading plat-forms across the United States.

ESMA (European Securities and Mar-kets Authority) – is the EuropeanSecurities and Markets Authority put inplace in January 2011. It is based inParis, France and replaced the CESR(Committee of European SecuritiesRegulators). The ESMA has more powerthan the CESR had.

http://www.esma.europa.eu

MTF, ATS, ECN, BCN – MTF stands forMultilateral Trading Facilities, ATS forAlternative Trading System, ECN forElectronic Communication Network andBCN for Broker Crossing Network.These three acronyms are used in MiFIDand Reg NMS to define electronic plat-forms hosting multilateral trading.

RM – stand for Regulated Market.Under MiFID, a regulated market offerstrading and lists stocks. It has more sur-veillance and resiliency constraints thanMTFs.

SI – stand for Systematic Internalizer inMiFID. A firm systematically postingquotes and accepting trades on its ownaccount is a systematic internalizer.This status has been designed for bila-teral trading.

Liquidity segments – are groups ofstocks of the same market depth. TheCAC 40 has been made of the 40 mostliquid French listed stock, and can beconsidered as a liquidity segment. His-torical markets have set up liquiditysegments to organize the trading. Itallowed them to consider different auc-tion frequencies and durations perliquidity segment.

Risk management controls – have tobe made at a last resort level: whenorders are sent to the market. The inter-mediaries (i.e. the members) have incharge a large part of these checks.Informations have to be sent attachedto an order for tax or ex-post check, likefor short selling (i.e. short-selling-ban-checks).

Trading platforms

BATS Europe – the European subsi-diary of BATS Global Markets (acronymfor Better Alternative Trading Sys- tem)dedicated to offer trading in Europeunder MiFID.

http://www.batstrading.co.uk

Chi-X – initially created by Instinet (asubsidiary of Nomura), with investmentbanks and large high frequency tradingfirms like Getco in its capital. It hasbeen the first MTF offering tradingunder MiFID regulation in Europe. It wasbought by BATS Europe to form BATS-Chi-X Europe by April 2012.http://www.batstrading.co.uk

NASDAQ-OMX MTF – is the MTF runby NASDAQ-OMX to offer trading onMiFID stocks in Europe. NASDAQ-OMXis a US based group operating theNASDAQ market (acronym of NationalAssociation of Se- curities DealersAutomated Quotations) in the UnitedStates and the OMX one in Europe(Nordic and Baltic regions).http://www.nasdaqomx.com

It is the responsibility of theregulator to open the door tosophisticated models in order toaddress important issues. It is alsoits responsibility to give a decisionpower to external researchers andmarket specialists in expertcommittees.

18

Recommandation Use of advanced methods inorder to address regulatory issues

Figure 11: Testing the prediction of η on the Bobl futures. The blue lines show thedaily measures of η. The red and green lines are the daily predictions associatedto the future tick value.

77


Turquoise – set up by a consortium ofinvestment banks (BNP Paribas, Citi,Credit Suisse, Deutsche Bank, Gold-man Sachs, Merrill Lynch, MorganStanley, Société Générale and UBS),Turquoise faced some issues beforebeing bought by the London StockExchange (LSE) in December 2009.Now part of the LSE Group, it is its pan-European platform.http://www.tradeturquoise.com

Trading fees – have to be paid by mem-bers of the trading platforms hosting amatching engine. Usually fees are paidonly when a transaction occurs. In amaker/taker fee schedule, the liquidityprovider (i.e. the quote maker ) paysless than the liquidity consumer (i.e. thequote taker ). Extreme maker/taker feeschedules offer rebates to the maker.

Latency – The time for a message toreach its destination is the latency bet-ween the sender and its target. Typicallythe sender is a trader (human or elec-tronic) and the target the matchingengine of a market operator. The overalllatency is made of different compo-nents: the matching engine latency (i.e.the time for the message once it arrivedto the matching engine to reach itsmemory), the network latency (i.e. thelonger the cable the largest the latency);different routes and medias are availa-ble (cable, dark fiber, microwaves, etc)and the latency of the systems of thetrader himself.

A roundtrip – is the time for the senderto see the effect of his message: thetime to receive the information from thematching engine has to be added. Aroundtrip is typically two times thelatency.

Protocol – To be able to exchange mes-sages with a matching engine, acomputerized language has to be used.A protocol encompasses the languageused to write and read the message,plus the ones to enable differentdevices to exchange messages.An IPlayer can be used to support a messa-ging system, and the FIX specificationto encode an order. In such a case, theprotocol is the addition of IP+FIX.http://www.fixprotocol.org

Types of orders – When a trader sendsan order to a matching engine, he hasto choose its characteristics. One ofthem is the Time in Force: it fixes the

time validity of the order (can be for fewminutes, the whole day, etc). Another isits displayed quantity: it can be a par-tially hidden order (i.e. an iceberg order) or a fully hidden order. All orders sentto dark pools are fully hidden. Visiblepools can accept fully hidden ordersgiven certain conditions. In such cases,the hidden part of an order becomesvisible once it is marketable (after it hasbeen part of a trade).

Price formation Process

Market participants – are made ofinvestors and intermediaries.Interme-diaries are members of the tradingplatforms who do not trade for theirown account; brokers are of this kind.Investors are buying and selling, sendorders to intermediaries who will try tofind liquidity to obtain a best executionof these orders.

Matching Engine – is the softwarereceiving messages from market parti-cipants triggering actions on their or-ders. The matching engine stores theremaining orders, matching them withthe incoming flow, giving birth to trans-actions.

Trading phases – are of two kinds: thefixing auction phase (typically at thestart and stop of the trading day), andthe continuous auction one. During afixing auction, there is a pre fixing timeperiod during which all market partici-pants can send buy and sell orders. Atthe end of the pre-fixing, a market clea-ring price is set, some orders areexecuted, and the continuous auctionstarts. During a continuous auction,transactions are generated by the mat-ching engine of the market operator inreal time, as soon as it receives a buyorder at a price larger or equal to thebest ask price or a sell order at a pricelower or equal to the best bid one.

Limit order book – is the internal stateof a matching engine: it is a list of res-ting (i.e. liquidity providing) orderspresent at each level of price. During acontinuous trading phase, one level ofprice has buying or selling orders only,the highest buying order is the best bid,and the lowest selling one the best ask.By construction, limit orders at priceslower or equal to the best bid are buyingorders, and the ones at prices larger orequal to the best ask are selling ones.

Trading halt – a trading halt is a proce-dure halting a continuous trading phasewhen the price is said to vary too fast.After a trading halt, a fixing auctionusually takes place before coming backto a continuous trading phase.

Best Execution – is a regulatoryconstraint on market participantsbuying and selling financial instruments.They have to prove that they obtain thebest possible prices given the currentregulations.

Adverse selection – occurs for a traderwhen he succeeded in trading fast alarge amount of shares, but the pricebecomes more favorable almost justafter his transaction: he could haveobtained a better price if he had waiteda little more. On the other hand, a tradersuffers opportunity costs if he decidesto wait but the future price will be worstin few seconds. Trading optimally ismaking the balance between adverseselection and opportunity costs, addingthat the trading activity itself impactsthe price formation process in a disad-vantageous way.

Tradable liquidity – is the liquidity thatcan be effectively traded on the market.When two desks of an invest- mentbank are marking a transaction for regu-latory reasons, it is often in factimpossible for any other market partici-pant to be part of the transaction. Insuch a case, the transaction occursbecause the two counterparts are readyto trade, and just them. Such transac-tions are reported, but cannot be takeninto account to qualify the liquidity ormarket depth of the stock. Similarly,some transactions are doubly reported,for instance for a trade over the counter,the buyer and seller can have ways toreport the trade on their own that can-not be reconciled. The reports of alltrades have to be taken carefullybecause of such double counts.



79

Notes1 On the London Stock Exchange, Source: The BBC.

2 On Nyse-Euronext, see [LiquidMetrix, 2011].

3 On BATS Europe, see [Cheuvreux, 2012].

4 On Chi-X Europe, see [Cheuvreux, 2012].

5 On Deutsche Boerse, Source: Securities TechnologyMonitor.

6 NASDAQ-OMX MTF closed in April 2010.

7 The tick size is the smallest price increment allowed on atrading venue.

8 See MiFID Database Europa for details.

9 One matches according to time priority, the other to size-priority.

10 Source: Fleur Pellerin, Ministre déléguée aux PME, àl’Innovation et à l’Economie numérique, in Les Matins deFrance Culture, 4 février 2012.

11 Orders that stay in an orderbook during 500 millisecondsand match any incoming orders, preventing them to berouted elsewhere, see [Nasdaq, 2009].

12 Lit pools have visible order books, contrary to Dark pools.

13 In the United States, ECNs and ATSs can be compared toEuropean MTFs.

14 One of the largest global investment firm.

15 Financial Times, 27 December 2012.

16 Data provided by QuantHouse.http://www.quanthouse.com/

17 A futures contract with medium term debt that is issuedby the Federal Republic of Germany as its underlying asset.

1 Protocol unification p.64

2 A European norm for the development process of matching engines p.65

3 Improvement of circuit breakers p.65

4 Organization of European liquidity segments p.66

5 A European market-maker status p.67

6 European norms for automated trading systems p.70

7 Improving investors knowledge on market microstructure p.71

8 Certification of trading algorithms p.72

9 End to end standards for electronic markets p.72

10 Technological investment on the buy side p.72

11 Promotion of academic studies on high frequency trading strategies p.73

12 Use of modern statistical procedures and trading costs models p.74

13 Random latency addition to all orders p.74

14 Tick values chosen by issuers p.75

15 Equal tick values on all trading venues p.75

16 Optimal microstructure p.75

17 Optimal tick value p.76

18 Use of advanced methods in order to address regulatory issue p.77

6. List of recommandations



[Le Trading Haute Fréquence et la qualité de marchéHigh-Frequency Trading and Market Quality

Baron, M., J. Brogaard, and A. Kirilenko, 2012, “The tradingprofits of high-frequency traders”, Workingpaper, Universityof Washington.

Biais, B. and P. Woolley, 2012, “High-frequency trading”,Working paper, IDEI Toulouse.

Biais, B., T. Foucault, and S. Moinas, 2011, “Equilibriumalgorithmic trading”, Working paper, Université de Toulouse.

Biais, B., J. Hombert, and P. O. Weill, 2008, “Trading andliquidity with limited cognition”, Working paper, ToulouseUniversity, IDEI.

Biais, B., P. Hillion, and C. Spatt, 1995, “An empiricalanalysis of the limit order book and the order flow in theParis Bourse”, Journal of Finance 50, 1655-1689.

Boehmer, E., K. Fong, and J. Wu, 2012, “Internationalevidence on algorithmic trading”, Working paper, EDHEC.

Brogaard, J., 2011a, “High-frequency tradingandvolatility”,Working paper, Washington University.

Brogaard, J., 2011b, “The activity of high-frequencytraders”, Working paper, Washington University.

Brogaard, J., T. Hendershott, and R. Riordan, 2011, “High-frequency trading and pricediscovery”, Working paper, UCBerkeley.

Brogaard, J., T. Hendershott, S. Hunt, T. Latza, L. Pedace,and C. Ysusi, 2012, “High-frequency trading and theexecution costs of institutional investors”, Foresight DriverReview.

Cartea, A., and J. Penalva, 2012, “Where is the value inhigh-frequency trading?” Quarterly Journal of Finance 2, 1-46.

Chaboud, A., B. Chiquoine, E. Hjalmarsson, and C. Vega,2009, “Rise of the machines: Algorithmic trading in theforeign exchange market”, Working paper, Federal ReserveBoard.

Cespa, G., and T. Foucault, 2012, “Sale of price informationby exchanges: Does it promote price discovery?”,forthcoming, Management Science.Colliard, J-E., and T. Foucault, 2012, “Trading fees andefficiency in limit order markets”, Review of FinancialStudies, 25, 3389-3421.

Copeland, T., and D. Galai, 1983, “Information effects on thebid-ask spread”, Journal of Finance38, 1457-1469.

Dugast, J., and T. Foucault, 2012, “High-frequency trading,market efficiency, and mini flash crashes”, Work in progress,HEC Paris.

Egginton, J., F. Bonnie, F. VanNess, and R. VanNess, 2012,“Quote stuffing”, Workingpaper, University of Mississippi.

Foucault, T., A. Röell, and P. Sandas, 2003, “Market Makingwith Costly Monitoring: an Analysis of SOES Trading”,Review of Financial Studies 16, 345-384.

Foucault, T., O. Kadan, and E. Kandel, 2013, “Liquiditycycles, and make/take fees in electronic markets”, Journalof Finance 68, 299-339.

Foucault, T., J. Hombert, and I. Rosu, 2012, “News tradingand speed”, Working paper, HEC Paris.

Foucault, T., R. Kozhan, and W. Tham, 2012, “Toxicarbitrage”, Work in progress, HEC Paris.

Gai, J., C. Yao, and M. Ye, 2012, “The externalities of high-frequency trading”, Working paper, University of Illinois.

Glosten, L., and P. Milgrom, 1985, “Bid, ask, and transactionprices in a specialist market with heterogeneously informedtraders”, Journal of Financial Economics 13, 71-100.

Goldstein, M., E. Hotchkiss, and E. Sirri, 2007,“Transparency and liquidity: A controlled experiment oncorporate bonds”, Review of Financial Studies 20, 235-273.

Bibliographie / Bibliography


81

Grossman, S., and J. Stiglitz, 1980, “On the impossibility ofinformationaly efficient markets”, American EconomicReview 70, 393-408.

Hagströmer B. and L. Norden, 2012, “The diversity of high-frequency traders”, Working paper, Stockholm universityschool of business.

Hasbrouck, J., and G. Saar, 2012, “Low-latency trading”,Working paper, New-York University.

Hendershott, T., and R. Riordan, 2009, “Algorithmic tradingand information”, Working paper, University of Berkeley.

Hendershott, T. and R. Riordan, 2012, “Algorithmic tradingand the market for liquidity”, forthcoming, Journal ofFinancial and Quantitative Analysis.

Hendershott, T., C. Jones, and A. Menkveld, 2011, “Doesalgorithmic trading improve liquidity?” The Journal ofFinance 66, 1-33.

Hendershott, T., 2011, “High-frequency trading and priceefficiency”, Foresight Driver Review (DR12).

Hirschey, N., 2012, “Do High-frequency traders anticipatebuying and selling pressures?” Working paper, LondonBusiness School.

Jovanovic, B., and A. Menkveld, 2010, “Middlemen in limitorder markets”, Working Paper, VU University Amsterdam.

Kirilenko, A., A.S. Kyle, M. Samadi, and T. Tuzun, 2010, “TheFlash Crash: the impact of high-frequency trading on anelectronic market”, Working paper, University of Maryland.

Kosinski, R. J., 2010, “A literature review on reaction time”,Working paper, Clemson University.

Malinova, K., A. Parks and R. Riordan, 2012, “Do retailtraders suffer from high-frequency traders?” Working paper,University of Toronto.

Mclnish, T. and J. Upson, 2011, “Strategic liquidity supply ina market with fast and slow traders”, Working paper,University of Memphis.

Menkveld, A., 2011, “High-frequency trading and the New-Market makers”, Working paper, VU University ofAmsterdam.

Riordan, R. and A. Storkenmaier, 2012, “Latency, liquidityand price discovery”, Journal of Financial Markets, 416-437.

Sandas, P., 2001, “Adverse selection and competitivemarket making: Empirical evidence from a limit ordermarket”, Review of Financial Studies 14, 705-734.

SEC, 2010, “Concept Release on Equity Market Structure”,Release No. 34-61358; File No. S7-02-10.

Scholtus, M., D. Van Dijk, and B.Frijns, 2012, “Speed,algorithmic trading and market quality aroundmacroeconomic news announcements”, Working paper,Erasmus University, Rotterdam.

Storkenmaier, A., and M. Wagener, 2011, “Do we need aEuropean “National Market System? Competition, arbitrage,and suboptimal executions”, Working Paper, KarlsruheInstitute of Technology.

Zhang, S., 2012, “Need for speed: an empirical analysis ofhard and soft information in a high frequency world”,Working paper, Karlsruhe Institute of Technology.


Comprendre les enjeux du Trading Haute Fréquence /Understanding the Stakes of High Frequency Trading

Abergel et al., 2012] Abergel, F., Bouchaud, J.-P., Foucault,T., Lehalle, C.-A., and Rosenbaum, M. (2012). MarketMicrostructure Confronting Many Viewpoints. Wiley.

[Aït-Sahalia and Jacod, 2012] Aït-Sahalia, Y. and Jacod, J.(2012). Analyzing the spectrum of asset returns: jump andvolatility components in high frequency data. Journal ofEconomic Literature, 50:1007–1050.

[Almgren and Chriss, 2000] Almgren, R. F. and Chriss, N.(2000). Optimal execution of portfolio transactions.Journal of Risk, 3(2):5–39.

[AMF, 2012] AMF (2012). Tick sizes: the “nouveau régime".Technical report, Autorité des Marchés Financiers,Comments to the SEC Decimalization Roundtable.

[Anane and Zaatour, 2013] Anane, M. and Zaatour, R.(2013). A study of high frequency trading profitability.Technical report, Working paper, Ecole Centrale Paris.

[Baron et al., 2012] Baron, M., Brogaard, J., and Kirilenko, A.(2012). The trading profits of high frequency traders.Technical report, Working paper, University of Washington.

[Bartlett and McCrary, 2012] Bartlett, R. P. and McCrary, J.(2012). Shall we haggle in pennies at the speed of light or innickels in the dark? how minimum price variation regulateshigh frequency trading and dark liquidity.

[Bindeman, 1999] Bindeman, K. (1999). The Future ofEuropean Financial Centres. Routledge.

[Bouchard et al., 2011] Bouchard, B., Dang, N.-M., andLehalle, C.-A. (2011). Optimal control of trading algorithms:a general impulse control approach. SIAM J. FinancialMathematics, 2:404–438.

[Burgot et al., 2013] Burgot, R., Laruelle, S., Lasnier, M.,Lehalle, C.-A., and Pelin, S. (2013). Microstructure inPractice. Scientific publishing.

[Chakrabarty and Chung, 2008] Chakrabarty, B. and Chung,K. H. (2008). Can sub-penny pricing reduce tradingcosts? Asia-Pacific Journal of Financial Studies, 37:41–75.

[Cheuvreux, 2012] Cheuvreux, C. A. (2012). MonthlyLiquidity Indicators. Technical report, CA Cheuvreux.

[Cohen and Wolcough, 2012] Cohen, Y. and Wolcough, A.(2012). New standards for market data. Technical report,Etrading software.

[Committee, 2012] Committee, F. (2012). The future ofcomputer trading in financial markets. The GovernmentOffice for Science, London.

[Crowley and Leondis, 2012] Crowley, K. and Leondis, A.(2012). BlackRock plans to start bond-trading systemto bypass banks.

[Dayri and Rosenbaum, 2012] Dayri, K. and Rosenbaum, M.(2012). Large tick assets: implicit spread and optimaltick size. arXiv preprint arXiv:1207.6325.

[Dirk, 1998] Dirk, J. (1998). OSEK/VDX history and structure.In OSEK/VDX open systems in automotive networks (Ref.No. 1998/523), IEE Seminar, pages 2/1–214. IET.

[Esma, 2011] Esma (2011). Guidelines on systems andcontrols in an automated trading environment for tradingplatforms, investment firms and competent authorities.Technical report.

[FESE, 2013] FESE (2013). Updated fese tick size tables.Technical report, The Federation of European SecuritiesExchanges.

[Fleuriot et al., 2010] Fleuriot, P., Hellebuyck, J.-P., andPoupart-Lafarge, O. (2010). La révision de la directivesur les Marchés d’Instruments Financiers (MIF). Ministère del’économie, de l’industrie et de l’emploi.

[Foucault et al., 2013] Foucault, T., Kadan, O., and Kandel,E. (2013). Liquidity cycles and make/take fees in electronicmarkets. Journal of Finance, 68:299–341.

[Harris, 1997] Harris, L. (1997). Decimalization: A review ofthe arguments and evidence. Unpublished workingpaper. University of Southern California.

[Hasbrouck, 2012] Hasbrouck, J. (2012). High frequencyquoting. In Market Microstructure: Confronting ManyViewpoints.

[Houstoun, 2012] Houstoun, K. (2012). Standards incomputer-based trading: a review. Technical report,Foresight Project, The Future of Computer Trading inFinancial Markets.

Kearns et al., 2010] Kearns, M., Kulesza, A., andNevmyvaka, Y. (2010). Empirical limitations on highfrequency trading profitability. Available at SSRN 1678758.

[Kirilenko et al., 2010] Kirilenko, A. A., Kyle, A. P., Samadi,M., and Tuzun, T. (2010). The flash crash: the impactof high frequency trading on an electronic market. SocialScience Research Network Working Paper Series.

[Lehalle, 2012] Lehalle, C.-A. (2012). Market Microstructureknowledge needed to control an intra-day trading process.Cambridge University Press.



[Lehalle and Burgot, 2010] Lehalle, C.-A. and Burgot, R.(2010). Market microstructure: a paradigm shift. Technicalreport, CA Cheuvreux.

[Lehalle et al., 2012] Lehalle, C.-A., Burgot, R., Lasnier, M.,and Pelin, S. (2012). A global menu for optimal trading.Technical report, CA Cheuvreux.

[Lehalle et al., 2010] Lehalle, C.-A., Guéant, O., andRazafinimanana, J. (2010). High frequency simulations of anorder book: a two-scales approach. In Abergel, F.,Chakrabarti, B. K., Chakraborti, A., and Mitra, M., editors,Econophysics of Order-Driven Markets, New EconomicWindows. Springer.

[Lehalle and Joseph, 2012] Lehalle, C.-A. and Joseph, N.(2012). Dark Investigader: a client perspective on dark poolsussage and regulation in Europe. Technical report, CA Cheuvreux.[LiquidMetrix, 2011] LiquidMetrix (2011). NYSE EuronextJune 2011 Outages. Technical report, LiquidMetrix.

[Madhavan, 2000] Madhavan, A. (2000). MarketMicrostructure and Price Formation. Technical report,Marshall School of Business, University of SouthernCalifornia.

[Madhavan et al., 1997] Madhavan, A., Richardson, M., andRoomans, M. (1997). Why do security prices change?a transaction-level analysis of nyse stocks. Review ofFinancial Studies, 10(4):1035–1064.

[Mendelson and Amihud, 1991] Mendelson, H. and Amihud,Y. (1991). How (Not) to Integrate the European CapitalMarkets. Cambridge University Press.

[Menkveld, 2010] Menkveld, A. J. (2010). High frequencytrading and the new-market makers. Social ScienceResearch Network Working Paper Series.

[mifid, 2002] mifid (2002). Concernant les servicesd’investissement et les marchés réglementés, et modifiantles directives 85/611/CEE ET 93/6/CEE du conseil, ainsi quela directive 2000/12/CE du parlement européen etdu conseil. Directive du parlement européen et du conseil.

[Muniesa, 2003] Muniesa, F. (2003). Des marchés commealgorithmes: sociologie de la cotation électronique à laBourse de Paris. PhD thesis, Ecole Nationale Supérieuredes Mines de Paris.

[Nasdaq, 2009] Nasdaq (2009). Flash Functionality.Technical report, NASDAQ.

[Pardo-Guerra, 2011] Pardo-Guerra, J. P. (2011).Computerising gentlemen: the automation of the LondonStock Exchange, c. 1945-1995. PhD thesis, The Universityof Edinburgh.

[Pezzey, 1988] Pezzey, J. (1988). Market mechanisms ofpollution control:’polluter pays’, economic and practicalaspects, pages 190–242. Belhaven Press.

[Robert and Rosenbaum, 2011] Robert, C. Y. andRosenbaum, M. (2011). A new approach for the dynamics ofultra-high-frequency data: The model with uncertaintyzones. Journal of Financial Econometrics, 9(2):344–366.

[Robert and Rosenbaum, 2012] Robert, C. Y. andRosenbaum, M. (2012). Volatility and covariation estimationwhen microstructure noise and trading times areendogenous. Mathematical Finance, 22(1):133–164.

[Roth, 2002] Roth, A. E. (2002). The economist as engineer:game theory, experimentation, and computation astools for design economics. Econometrica, 70(4):1341–1378.

[SEC, 2012] SEC (2012). Report to congress ondecimalization. Technical report, U.S. Securities andExchange Commission.

[Team, 2006] Team, C. P. (2006). CMMI for Development,version 1.2.

[Wyart et al., 2008] Wyart, M., Bouchaud, J.-P., Kockelkoren,J., Potters, M., and Vettorazzo, M. (2008). Relationbetween bid–ask spread, impact and volatility in order-driven markets. Quantitative Finance, 8(1):41–57.

83


Institut Louis BachelierPalais Brongniart 28, place de la Bourse 75002 Paris Tél. : +33 (0)1 73 01 93 40Fax : +33 (0)1 73 01 93 [email protected]

CO

NC

EP

TIO

N G

RA

PH

IQU

E :

VE

GA

CO

NS

EIL

01

48 8

5 92

01


D É B AT SN° 2Novembre 2013

&

Trading haute fréquence, liquidité etstabilité du marchéHigh frequency trading, liquidity and stability

Bruno Biais & Thierry FoucaultFrédéric Abergel & Charles-Albert Lehalle & Mathieu Rosenbaum

COUV OPINIONS & DEBATS N 2_Mise en page 1 24/10/13 09:27 Page1

opinions et débats n°2

Documents