Sélection adverse et qualité d'exécution : ce que les données de transactions révèlent aux praticiens expérimentés
La sélection adverse n'est pas un concept abstrait réservé aux théoriciens. Elle se mesure, se décompose et s'observe directement dans les données de transactions. Comprendre sa structure est indispensable pour évaluer honnêtement la qualité d'exécution sur n'importe quel marché organisé contemporain.
La sélection adverse est le coût invisible que tout participant de marché supporte sans toujours savoir le quantifier. Les données de transactions le rendent visible.
Définir la sélection adverse dans un carnet d'ordres
La sélection adverse désigne la situation dans laquelle un teneur de marché négocie avec une contrepartie mieux informée que lui sur la valeur fondamentale de l'actif. Ce désavantage informationnel se traduit par un mouvement de prix défavorable après la transaction : le prix évolue dans le sens de l'ordre agressif, au détriment de celui qui a fourni la liquidité. Dans un carnet d'ordres à cours limité, ce phénomène est observable directement. Un achat agressif suivi d'une hausse de prix persistante suggère que l'initiateur disposait d'une information que le teneur de marché n'avait pas encore intégrée dans ses cotations. La persistance de ce mouvement, mesurée sur plusieurs intervalles de temps après la transaction, constitue l'indicateur empirique central de la sélection adverse réalisée.
Décomposer l'écart bid-ask en composantes analytiques
L'écart bid-ask observé sur un marché n'est pas une grandeur monolithique. La littérature de microstructure distingue classiquement trois composantes : le coût d'inventaire, que le teneur de marché supporte pour gérer son exposition directionnelle ; les coûts de traitement des ordres, liés à l'infrastructure opérationnelle de la tenue de marché ; et la composante informationnelle, qui reflète la compensation exigée face au risque de sélection adverse. Cette dernière composante est la plus directement liée à la toxicité des flux d'ordres. Des modèles empiriques tels que ceux de Glosten-Harris ou de Huang-Stoll permettent d'estimer ces proportions à partir de données de transactions séquentielles. Les résultats varient selon la classe d'actif, la période et la méthode d'estimation retenue, ce qui impose de traiter ces décompositions comme des approximations informées plutôt que comme des mesures exactes.
Mesurer la sélection adverse réalisée après exécution
La mesure ex post de la sélection adverse repose sur l'observation du mouvement de prix consécutif à une transaction. Le concept de prix de référence futur — mid-quote observé à un horizon défini après l'exécution — permet de calculer le coût informationnel réalisé pour le teneur de marché. Plus l'horizon choisi est court, plus la mesure capture des effets de microstructure transitoires liés à l'impact immédiat. Un horizon plus long isole davantage la composante informationnelle persistante. La sélection de cet horizon n'est pas neutre : des études comparatives montrent que les conclusions sur la toxicité d'un flux peuvent s'inverser selon la fenêtre temporelle retenue. Une analyse rigoureuse présente systématiquement les résultats sur plusieurs horizons, en commentant explicitement les divergences observées entre eux.
Implications pour l'évaluation de la qualité d'exécution
La qualité d'exécution est souvent résumée à l'écart entre le prix exécuté et un prix de référence simple, comme le mid-quote au moment de la soumission de l'ordre. Cette approche, dite de slippage brut, ignore la dimension informationnelle. Un ordre institutionnel exécuté dans un flux fortement toxique subira une composante de sélection adverse que le slippage brut ne distingue pas des coûts d'impact ou de délai. Intégrer une estimation de la sélection adverse dans l'évaluation de la qualité d'exécution permet de mieux attribuer les coûts de transaction entre leurs sources. Cela change la lecture des rapports d'analyse de transaction et modifie les conclusions sur la performance comparée des algorithmes d'exécution. Les praticiens qui ignorent cette décomposition prennent des décisions d'optimisation sur une base incomplète.
Limites connues des modèles de sélection adverse
Aucun modèle de décomposition de la sélection adverse n'est exempt de critiques. Les modèles structurels comme le PIN supposent que les ordres informés arrivent selon un processus de Poisson stationnaire, hypothèse rarement vérifiée sur des données haute fréquence contemporaines. Les modèles de régression comme celui de Huang-Stoll dépendent de la stationnarité des coefficients sur la fenêtre d'estimation. La fragmentation des marchés entre plusieurs venues complique encore l'analyse : un flux d'ordres observé sur une seule plateforme peut sembler peu toxique si les ordres les plus informés sont acheminés ailleurs. Ces limites ne rendent pas les modèles inutilisables, mais elles imposent une interprétation contextualisée, appuyée sur une connaissance précise des hypothèses de chaque méthode et des conditions de marché de la période étudiée.
