Introduction

Du trading en levier à l'algorithme sur le Nasdaq : le chemin inattendu vers une conviction simple.

Il y a une chose que personne ne vous dira jamais dans un article sur l'investissement.

Que celui qui vous explique pourquoi les ETF monde sont la meilleure stratégie long terme a peut-être, avant d'en arriver là, passé des nuits entières à analyser des press releases pharmaceutiques sur le Nasdaq. Qu'il a peut-être fait du levier sur des biotechs, codé un algorithme de trading avec trois amis dans un studio dont ils avaient tapissé les murs entiers du code imprimé en taille 9, des centaines de feuilles A4 scotchées une par une, du sol au plafond.

Que la conviction simple et durable à laquelle il est arrivé n'est pas venue d'un livre, ni d'un cours, ni d'une formation. Elle est venue de l'avoir construit, cassé, reconstruit, puis simplifié.

Cette histoire, c'est la mienne.

Je ne la raconte pas pour impressionner. Je la raconte parce qu'elle dit quelque chose de vrai sur ce que l'investissement est réellement. Sur les erreurs qu'on fait quand on commence. Sur le moment où quelque chose bascule, pas d'un coup mais progressivement, quand on comprend que la sophistication n'est pas une vertu.

‍

On y va ?

Partie I : l'origine

Mon père est décédé avant que je n'entre en deuxième année de médecine. Je me retrouvais seul avec ma mère. Boursier échelon maximum, ce qui sonnait bien sur le papier mais ne résolvait pas grand-chose en pratique. J'avais un boulot alimentaire. Je pensais qu'il devait y avoir mieux comme solution pour financer mes études, sans trop savoir quoi ni comment.

C'est à cette période, en deuxième année, que j'ai commencé à lire. Pas de la médecine en dehors des cours. De la géopolitique, de la macroéconomie, des livres sur la finance. Pas avec un objectif précis. Plutôt avec la sensation confuse qu'il se passait des choses dans ce monde-là, que des gens y gagnaient leur vie différemment, que je ne comprenais pas encore comment.

C'est dans cet état d'esprit, celui de quelqu'un qui cherche une sortie sans vraiment savoir où regarder, que j'ai ouvert un compte sur Boursorama.

Je ne savais pas vraiment ce que je faisais. Personne ne me l'avait appris. Pas de formation, pas de mentor, pas de livre de référence. J'avais lu des choses en ligne, regardé des forums, absorbé le vocabulaire de base. L'analyse technique me semblait logique, presque scientifique. Des graphiques, des résistances, des supports, des moyennes mobiles. Il y avait une apparence de méthode là-dedans qui me rassurait.

J'ai commencé à trader les biotechs françaises à la main, à l'ouverture des marchés. Le secteur était volatil, ce qui pour quelqu'un qui ne comprend pas encore vraiment le risque ressemble à une opportunité. La volatilité, à ce stade, ce n'est pas un danger. C'est du carburant.

J'utilisais le SRD, le Service de Règlement Différé, qui permettait d'emprunter pour investir au-delà de ce que je possédais réellement. Du levier, en clair. Je gagnais. Je perdais. Je regagnais. Le solde global était positif, ce qui est sans doute la pire chose qui puisse arriver à quelqu'un qui débute avec trop peu de méthode et trop de confiance.

Parce que quand on gagne de l'argent qu'on n'aurait statistiquement pas dû gagner, on n'apprend pas que la méthode est bonne. On apprend qu'on est doué. Ce sont deux choses radicalement différentes, confondre les deux coûte cher. Et on en parle aussi ce mois-ci avec les cryptos...

Les gains n'étaient pas abstraits. C'est là que ça devient dangereux. Ils permettaient des choses concrètes que je n'aurais jamais pu me permettre autrement : privatiser une business class pour emmener des amis, des hôtels 5 étoiles, organiser une visite privée de Londres la nuit avec un minibus pour accéder à des monuments autrement fermés, financer un voyage aux États-Unis pour rencontrer des artistes en studio, soutenir financièrement des artistes ou personnes, couvrir les frais d'un stage de deux mois au Canada pour mes études de médecine, puis plus tard en Suisse. Des expériences, des opportunités, des moments offerts à des gens qui comptaient. Rien de calculé. Juste la sensation que c'était possible, que l'argent semblait réel, que les effets l'étaient. Le seul regret, ne pas avoir plus documenté tout ça sur les réseaux, c'était au début de l'influence Instagram en France, si j'avais su ! C'est de l'humour évidemment. Je flambais donc, beaucoup, aucun calcul, aucune idée derrière la tête.

Il y a un moment qui résume tout. Je me retrouvais en stage à l'hôpital, à suivre la visite professorale dans le service. Quelque part dans ma tête, je savais que ce que je gagnais en trading dépassait ce que lui gagnait ce mois-là. C'est là que j'ai compris que j'étais à la frontière. Pas encore de l'autre côté, mais tout près.

Ce qui m'a arrêté, je ne saurais pas l'expliquer complètement. Peut-être mon éducation. Peut-être une forme de lucidité qui a fini par s'imposer : tout ça pouvait s'arrêter demain. Pas progressivement. Du jour au lendemain. Et si ça s'arrêtait, qu'est-ce qu'il resterait ? La médecine, les études, ce qu'on construit sur la durée. Pas les gains d'une semaine sur des biotechs en levier.

Je ne l'ai pas franchi, cette frontière. Mais je l'ai vue de près.

Mais c'est là que le sens des réalités part. Pas brutalement. Progressivement. Quand l'argent virtuel produit des effets aussi concrets sur ceux qu'on aime, on ne voit plus la frontière. C'est pour ça qu'on ne s'en rend pas compte.

En quatrième année, les stages à l'hôpital ont rendu impossible d'être devant un écran à l'ouverture des marchés chaque matin. J'ai donc proposé à un ami de prendre le relais. Pas en lui donnant carte blanche, mais en lui fournissant un plan précis, des règles définies à l'avance, des seuils clairs. Ce qui, rétrospectivement, était la première trace d'une pensée systématique dans mon approche. Il exécutait. Il apprenait. Je supervisais à distance.

Ça fonctionnait. Mais quelque chose avait changé dans ma tête sans que je le sache encore.

‍

Partie II : le moment Yahoo Finance

C'était en quatrième année. Je révisais la cardiologie un soir, en cherchant quelque chose sur le net. Un encart Yahoo Finance est apparu sur le côté (oui ma page de recherche par défaut était Yahoo pas Google...). Une action américaine, dans le secteur pharmaceutique, affichait plus de 120 % de hausse sur la journée.

Je ne comprenais pas. Une action ne monte pas de 120 % en une journée sans raison. J'ai cherché. J'ai trouvé : une entreprise venait d'obtenir une FDA approval pour un médicament. Une autorisation de mise sur le marché américain, délivrée par la Food and Drug Administration (FDA).

J'ai regardé le top 20 des plus fortes hausses du jour sur le Nasdaq, secteur pharma et biotech. C'était systématique. Résultats d'études de phase 1, phase 2, phase 3. FDA clearance, FDA approval. Dispositifs médicaux. À chaque fois, le même schéma : une annonce, une hausse violente, souvent en pre-market ou en after-hour, avant même l'ouverture officielle des marchés. Ou au contraire, une basisse violente en cas d'échec des études ou des évaluations FDA.

Là où d'autres auraient vu une opportunité de trading, j'ai eu le réflexe du médecin en formation. J'ai voulu comprendre le mécanisme avant d'agir.

J'ai commencé à analyser ça tous les soirs, à la main. Pendant des mois. Je relevais chaque annonce, chaque variation de cours, chaque type d'événement réglementaire, bon ou mauvais. Dans un document Word, ce qui vous donne une idée de l'artisanat du début. Puis dans Excel, avec des colonnes, des catégories, des tentatives de structuration.

L'idée était simple : est-ce qu'il existe des termes, des situations, des types d'annonces qui produisent systématiquement une hausse significative ? Si oui, lesquels ? Avec quelle amplitude ? Avec quelle fiabilité ? Car à force d'analyse, je me suis rendu compte qu'il y avait une certaine systématisation dans les annonces, comme s'il y avait des règles que je ne connaissait pas encore.

Ce travail d'analyse manuelle, que je faisais sans le nommer ainsi, était en réalité un travail de labélisation. Je construisais un dictionnaire de sentiment, catégorie par catégorie, en associant des termes réglementaires à des réactions de marché observées. Phase 3 réussie. Breakthrough therapy designation. Complete response letter. Chaque terme avait un poids, une direction, une amplitude probable. Et je vous laisse deviner quelle était ma matière préférée pour les ECN... En 3 lettres... Je suis sûr que vous savez !

J'ai ensuite intégré la volatilité dans l'analyse. Une hausse de 80 % sur une micro-cap de 50 millions de dollars ne se compare pas à une hausse de 80 % sur une entreprise cotée à 2 milliards. La taille de la capitalisation, le flottant, le volume moyen quotidien : tout ça conditionnait la force de la réaction du marché à une même annonce.

Je faisais de la finance quantitative sans le savoir. Sans le vocabulaire, sans l'environnement académique, sans les outils. Juste avec une curiosité médicale appliquée à un problème financier, des mois de rigueur empirique le soir après les cours. Ce que je ne savais pas encore, c'est que les biais cognitifs allaient être mon ennemi principal bien plus tard, une fois les marchés vraiment apprivoisés.

À ce stade, je n'avais pas encore écrit une ligne de code. Mais j'avais quelque chose de plus rare : une hypothèse solide, validée à la main sur des milliers d'observations. L'intuition qu'on pouvait peut-être automatiser tout ça.

C'est là que les choses sérieuses ont vraiment commencé.

‍

Partie III : le studio, le code et les nuits blanches

Nous étions quatre au départ. Deux étudiants en médecine, un étudiant en master d'économie qui se dirigeait vers l'actuariat et un développeur qui était le seul à vraiment savoir coder. Sans lui, rien de ce qui allait suivre n'aurait été possible. Du moins au début.

L'idée était claire : automatiser ce que j'avais construit à la main. Récupérer les press releases pharmaceutiques et biotech en temps réel, les passer dans un moteur d'analyse de sentiment basé sur le dictionnaire que j'avais constitué pendant des mois, générer des signaux de trading exploitables pour jouer avant l'ouverture des marchés ou en after-hour.

Nous avons commencé en C. Pas parce que c'était le meilleur choix, mais parce que c'était ce que le développeur connaissait. Ce que nous avons produit à ce stade était embryonnaire : un algorithme de détection, un dictionnaire de sentiment, une liste de termes réglementaires associés à des directions de marché. La mécanique d'exécution des ordres, l'automatisation des achats et des ventes, du money management, tout ça viendrait plus tard. Nous n'en étions pas encore là.

Nous travaillions dans un studio. Celui d'un des quatre. Parce que l'algorithme était complexe, parce que nous voulions tout avoir sous les yeux simultanément, parce que les écrans ne suffisaient pas, nous avons imprimé le code. Des centaines de feuilles A4, en taille 9, scotchées en mode paysage une par une sur les murs. Tout le tour de la pièce, 18 mètres de long. Un mètre quatre-vingts de haut. Du sol presque au plafond.

Si vous étiez entré dans ce studio à ce moment-là, vous auriez vu des étudiants entourés de code imprimé en train de débattre de sentiment analysis sur des annonces réglementaires pharmaceutiques américaines. Personne n'aurait appelé ça de la finance quantitative. C'en était pourtant.

Il y avait aussi des nuits blanches. Beaucoup. Des bootcamps improvisés dans des Airbnb, pour se retrouver, travailler sans interruption pendant un weekend entier, débugger ce qui ne marchait pas, avancer sur ce qui bloquait. Ce n'était pas glamour. C'était mettre du code sur un mur et ne pas dormir.

Puis le développeur a supprimé le code. Intentionnellement. Du jour au lendemain, des mois de travail avaient disparu. Nous avons envisagé un recours juridique, discuté longuement, avant de comprendre que l'énergie que ça demanderait ne valait pas ce qu'on en retirerait. Nous avons laissé tomber.

Pendant trois mois, plus rien. Plus de code, plus de marchés, plus de réunions. Juste le vide de quelque chose qu'on avait construit et perdu par la volonté d'un autre.

C'est l'étudiant en master d'économie qui nous a sortis de là. Sans grand discours. Pendant ces trois mois, il avait continué à apprendre. Python, cette fois. Pas parce qu'il connaissait déjà, mais parce que le projet lui avait donné le goût du code. Il avait découvert quelque chose en lui que l'actuariat ne lui aurait probablement jamais révélé. Il apprenait vite, très vite, au point de devenir le moteur technique du groupe alors qu'il avait commencé exactement au même niveau que nous. Il a dit qu'on recommençait. C'est cette aventure-là, au fond, qui l'a fait pivoter définitivement vers l'ingénierie informatique.

Ce n'est pas le moindre des effets de bord de ce projet.

‍

Partie IV : Python, Interactive Brokers et l'architecture invisible

Recommencer depuis zéro avait quelque chose de différent cette fois. Nous n'étions plus que trois. Deux étudiants en médecine, un étudiant en économie qui apprenait à coder en même temps qu'il nous mentorait, parce qu'il avait un coup d'avance et l'intelligence de le partager. Pas de ChatGPT, pas d'IA générative pour débloquer les impasses. Stack Overflow, la documentation officielle, les gens qu'on arrivait à contacter directement.

Ce qui a tout changé pour lui s'est passé en dehors du projet. En fin de master, il devait trouver un stage. Il en a décroché un où il devait, entre autres, faire du R et du Python. C'est là que le déclic s'est produit. Ce qu'il faisait en stage, il le faisait déjà avec nous depuis des mois. Il a compris qu'il était plus à l'aise avec le code qu'avec l'actuariat. À partir de là, il a fait uniquement ça. Il a trouvé un poste de consultant dans la data, sans aucune formation d'ingénieur informatique de base, en montrant ses commits GitLab, en prouvant ce qu'il savait faire. Il a construit une carrière entière dans le data engineering à partir d'un projet fait dans un studio avec des feuilles A4 collées aux murs. C'est l'un des effets de bord les plus beaux de cette aventure.

En Python, nous avons pu faire ce que le C ne permettait pas facilement : automatiser les ordres. Pas seulement détecter les signaux, mais les exécuter. Acheter, vendre, gérer les positions automatiquement. Pour ça, il fallait passer par Interactive Brokers, le courtier qui offrait l'API la plus complète pour ce type de trading algorithmique.

Sauf que l'API d'Interactive Brokers était intimidante. Dense, technique, pensée pour des développeurs de salle de marché. Nous ne comprenions pas grand-chose à la documentation. Nous avons cherché des spécialistes, contacté des gens directement. C'est comme ça que nous avons découvert IBridgePy, un service tiers qui servait de passerelle entre Python et l'API Interactive Brokers. Un outil professionnel utilisé par des quants et des hedge funds. Nous avons contacté le fondateur directement. Il a accepté de travailler avec nous, de débugger nos problèmes spécifiques, d'adapter certaines fonctionnalités à nos besoins.

Pour l'anecdote : il ne comprenait pas qu'on puisse faire ça en étant étudiants en médecine. Lui était quantitative trader de formation. Dans son monde, ce genre de projet se faisait dans des salles de marché ou des hedge funds, pas dans un Airbnb loué pour un weekend par trois étudiants dont deux passaient leurs journées en stage à l'hôpital. Nous avons participé au débogage de la librairie elle-même sur certains points. Ce genre de contribution, pour des étudiants hors système financier, ne rentrait dans aucune case connue.

Nous avons eu cette conversation plusieurs fois, avec des gens de la finance rencontrés directement, à Paris, au NYSE, à Euronext. Nous avions essayé de négocier des accès directs à leurs serveurs pour réduire la latence sur les flux de données. Les discussions ont eu lieu. Les tarifs étaient hors de portée pour des étudiants. Nous avons laissé tomber et cherché ailleurs.

La solution pour les données s'est construite en deux couches. Financial Modeling Prep (super boite fondée par un français) au début puis rapidement Polygon.io (avant de s'appeler Massive), à 200 dollars par mois, pour les données de marché en temps réel : cours, volumes, carnets d'ordres. Pour l'anecdote, c'était aussi précis et rapide que Bloomberg terminal pour les connaisseurs... Mais en 10 fois moins cher. Puis Benzinga, à 3 000 dollars pour 18 mois, pour les press releases ciblées sur les entreprises pharma et biotech du Nasdaq. C'était cher pour des étudiants. Mais c'était le prix d'un accès professionnel à une data professionnelle. Nous avons négocié les deux tarifs longuement.

Pour la latence, nous avons fait des tests comparatifs sur plusieurs infrastructures. Le résultat s'est tourné vers OVH, sur leur datacenter de Beauharnois au Canada. Meilleure latence vers les serveurs américains, coût raisonnable. Le site du Nasdaq continuait à nous bloquer pour le scraping. Deux cents adresses IP louées via OVH, utilisées en rotation aléatoire pour simuler des comportements humains distincts, ont réglé le problème.

Il y avait aussi la réglementation. Aux États-Unis, la règle du Pattern Day Trader impose un minimum de 25 000 dollars sur un compte marge pour pouvoir effectuer plus de trois trades par jour sur une période de cinq jours glissants. En dessous de ce seuil, le compte est bloqué. Nous avons mis nos économies communes pour maintenir le compte au-dessus de ce plancher. Ce n'était plus un projet étudiant à ce stade. C'était de l'argent réel, engagé sérieusement.

Je dois dire ici quelque chose d'honnête. Au tout début, bien avant tout ça, j'avais tradé à la main en levier avec l'ensemble de mes économies de l'époque, environ 7 500 euros sur un livret A. J'ai eu beaucoup de chance. C'est la seule explication rationnelle. Quelqu'un qui débute, seul, sans méthode rigoureuse, en levier plein sur des titres volatils, ne devrait statistiquement pas s'en sortir positif. Je m'en suis sorti positif. Ça ne m'a pas rendu prudent. Ça m'a rendu confiant, ce qui est bien plus dangereux.

L'architecture technique était devenue considérable. Multi-threading, multi-processing en Python pour gérer la parallélisation des tâches, la récupération de data en temps réel, l'exécution simultanée de plusieurs stratégies. GitLab pour versionner le code, ne plus jamais perdre quoi que ce soit. Le serveur tournait sous Linux Ubuntu, headless, sans interface graphique, déployé directement sur l'infrastructure OVH. Nous avions appris à administrer un serveur Linux headless en même temps que nous apprenions à coder des stratégies de trading.

L'étudiant en économie avait mis en place un système de visualisation avec PostgreSQL et Metabase. Nous avions codé par-dessus pour l'adapter à nos besoins. Chaque soir à la clôture des marchés, le système récupérait automatiquement toutes les news de la journée, tous les cours de clôture, tous les volumes, toutes les variations et leurs horodatages. Ces données alimentaient une base dédiée à l'analyse des performances de l'algorithme et des trades post-exécution : vérifier que les news avaient bien été catégorisées par le dictionnaire de sentiment, identifier les erreurs de classification, corriger ce qui dérivait.

Nous avions aussi intégré tout ce que la finance de marché enseigne sur l'exécution : la taille des ordres en fonction de la liquidité du titre, le capital management, le risk management avec des stops et ordre trail définis à l'avance, les ratios risque-rendement sur chaque trade. Ce niveau de rigueur sur la gestion du risque, appliqué par des étudiants sans formation financière formelle, c'est ce qui impressionnait le plus les gens de la finance que nous croisions. Ils ne comprenaient pas qu'on puisse faire ça en dehors du système.

Et puis il y avait ce que les marchés nous ont appris que les livres n'expliquent pas.

Les dark pools d'abord. Ces plateformes d'échange privées où les grands fonds exécutent des ordres massifs sans les afficher sur les marchés publics, pour ne pas déplacer les cours. Nous les avons découverts en cherchant à comprendre pourquoi certains mouvements de volume que nous détections ne correspondaient pas à ce qui était visible dans le carnet d'ordres officiel ni aux volumes affichés à la fin de la journée sur des données consolidées.

Les faux ordres ensuite. Des positions affichées dans le carnet qui disparaissent avant d'être exécutées, placées pour créer une illusion de liquidité ou de direction, retirées en quelques millisecondes. Une pratique dans les zones grises de la régulation, suffisamment répandue pour dérégler un algorithme mal calibré.

Les autres robots enfin. Nous n'étions pas seuls. Sur les titres volatils que nous ciblions, en pre-market et en after-hour, d'autres algorithmes jouaient les mêmes signaux. Parfois plus rapides, parfois moins bien calibrés. Les market makers avaient leurs propres stratégies pour piéger les algorithmes de trading de news, en créant de faux signaux de volume dans les premières secondes après une annonce, avant que le cours réel se stabilise.

Comprendre tout ça a pris du temps. Des mois d'observations, d'erreurs, d'ajustements. Une humilité croissante face à la complexité réelle des marchés, très différente de ce qu'on imagine de l'extérieur. L'emballage d'un produit financier ne dit jamais tout sur ce qu'il contient vraiment.

La stratégie de trading de news fonctionnait. Mais elle était exigeante. Chaque annonce devait être surveillée, chaque signal validé, chaque anomalie investigée. Avec le temps et les contraintes croissantes des études de médecine, maintenir ce niveau d'attention devenait de plus en plus difficile. La stratégie ne s'était pas cassée. C'est nous qui ne pouvions plus la tenir correctement.

C'est dans ce contexte qu'une deuxième stratégie a émergé, plus lente, plus patiente, plus compatible avec nos vies réelles.

En observant les marchés avec plus de recul, j'avais commencé à noter un phénomène sur des titres très différents de nos biotechs : des entreprises qui avaient perdu 50 % ou plus de leur valeur sur les cinq dernières années, sans activité particulière, sans news récente, mais avec des pics de volume inhabituels sur certaines journées. Des volumes anormalement élevés par rapport à la moyenne historique du titre, sans aucune explication publique visible.

L'hypothèse que nous avons construite : certains fonds institutionnels ont des contraintes de rotation de portefeuille, réglementaires ou internes, qui les obligent à se repositionner sur des titres qu'ils avaient abandonnés. D'autres pratiquent le distressed investing, c'est-à-dire acheter délibérément des titres en difficulté sur des valorisations très basses en pariant sur un redressement ou participant activement à leur restructuration. Dans les deux cas, quand un fonds commence à acheter massivement un titre très volatil et peu liquide, le cours monte mécaniquement. Si on détecte le signal de volume au bon moment, on peut participer au momentum : l'augmentation de volume elle-même crée une pression acheteuse qui pousse mécaniquement le prix à la hausse. Nous n'anticipions pas un redressement futur. Nous surfions sur un mouvement déjà en train de se former, pour ressortir une fois l'objectif fixé atteint et quoiqu'il arrive avant la fin de la séance boursière du jour.

C'était une stratégie fondamentalement différente. Moins d'adrénaline, plus de réflexion. Moins de trades, mais des trades plus construits. Nous avons adapté l'algorithme pour intégrer cette détection de volumes anormaux, créé une base de données alimentée chaque soir à la clôture avec les cours, les volumes et les données historiques de chaque titre surveillé.

C'est là que j'ai pris la première décision vraiment mature de tout ce parcours.

Les gains générés par la stratégie recovery, je les ai divisés en deux. La moitié réinvestie en trading court terme. L'autre moitié en investissement passif long terme, sur des ETF, régulièrement, sans chercher à timer quoi que ce soit.

Ce n'était pas encore une conviction pleine et entière. C'était une précaution instinctive. Comme si une partie de moi savait déjà que ce système, aussi solide qu'il soit, ne tiendrait pas indéfiniment. Pas parce qu'il ne fonctionnait pas. Parce qu'il exigeait une attention constante qu'on ne pourrait pas maintenir éternellement.

‍

Partie VI : ce que tout ça m'a appris

Je ne regrette rien de ce parcours. Pas les nuits blanches, pas les 7 500 euros mis en levier par naïveté, pas le code supprimé, pas les mois de découragement. Chaque étape a produit une compréhension qu'on n'acquiert pas autrement.

Mais si je devais résumer ce que ces années m'ont vraiment appris sur l'investissement, ce serait ceci.

La sophistication n'est pas une vertu.

Nous avons construit quelque chose de techniquement impressionnant. Un système de trading algorithmique avec de la détection de sentiment sur des press releases réglementaires, de la détection de volumes anormaux, une architecture multi-processus sur un serveur Linux headless, une base de données PostgreSQL avec visualisation Metabase, une gestion rigoureuse du risque et du capital. Des gens de la finance qui voyaient ça n'en revenaient pas que des étudiants hors système l'aient fait.

Ce système exigeait pourtant un temps et une énergie considérables pour fonctionner correctement. Il était fragile aux changements de comportement des marchés. Il nécessitait une surveillance constante. Il a fallu l'arrêter quand la vie a rendu cette surveillance impossible.

Les ETF monde investis régulièrement ne demandent rien de tout ça. Ils fonctionnent pendant qu'on dort. Pendant qu'on est en garde. Pendant qu'on est en vacances. Ils n'ont pas besoin d'être surveillés, ajustés, corrigés. Ils ont besoin de temps. Juste du temps.

Les marchés sont plus complexes que vous ne le pensez.

Avant de construire cet algorithme, je pensais comprendre comment les marchés fonctionnaient. Après, j'avais une image radicalement différente. Les dark pools, les faux ordres, les robots concurrents, les market makers qui piègent les algorithmes, les contraintes réglementaires et des fonds institutionnels qui créent des signaux exploitables mais fugaces. La réalité des marchés financiers est d'une complexité que la majorité des investisseurs particuliers ne soupçonnent pas.

Ce que j'en ai retiré n'est pas qu'il faut fuir les marchés. C'est qu'il faut choisir le bon niveau de complexité pour soi. Pour la grande majorité des gens, y compris des médecins avec une vraie appétence pour les chiffres, ce niveau n'est pas le trading algorithmique. C'est la gestion passive, diversifiée, régulière, patiente. Et les grands investisseurs ne spéculent pas.

Le gain le plus précieux n'était pas financier.

Ce projet nous a appris à coder, à architeter des systèmes, à travailler en équipe sur des problèmes complexes, à négocier avec des professionnels, à lire la structure invisible des marchés. Il a lancé la carrière d'un de nos membres dans le data engineering, sans formation formelle, juste avec des commits GitLab et une expérience réelle.

Ces apprentissages-là n'ont pas de prix. Ils n'apparaissent dans aucun bilan de trading.

On peut avoir eu beaucoup de chance sans le savoir.

Les 7 500 euros en levier au tout début. Les gains à la main sur les biotechs françaises. Une partie de ce qui s'est bien terminé aurait pu se terminer très différemment. La ligne entre la méthode et la chance est beaucoup plus floue qu'on ne le croit quand les résultats sont positifs. Ce n'est qu'avec le recul qu'on voit où l'une s'arrêtait et où l'autre commençait.

La simplicité assumée bat la complexité brillante.

C'est la leçon centrale. Pas parce que la complexité ne fonctionne pas. Parce qu'elle a un coût invisible : le temps, l'énergie mentale, la surveillance permanente, la fragilité aux changements. Une stratégie simple qu'on maintient pendant 30 ans surpasse presque toujours une stratégie brillante qu'on ne peut pas tenir dans la durée.

J'ai mis des années à comprendre ça. Paradoxalement, c'est en construisant quelque chose de très complexe que j'en ai été convaincu. Et même un bull market ne vous rendra pas riche si vous n'avez pas la bonne posture.

‍

Conclusion

Aujourd'hui, quand on me demande comment investir, je parle d'ETF monde, de diversification, d'investissement régulier, d'horizon long terme. Des choses simples. Des choses que n'importe qui peut mettre en place en une heure et maintenir sans effort pendant des décennies. Et si vous voulez savoir comment choisir vos ETF, nous en avons parlé ailleurs.

Ce n'est pas par manque d'ambition. Ce n'est pas par ignorance des alternatives.

C'est parce que j'ai fait le chemin dans l'autre sens. Ce chemin, long, coûteux en temps et en énergie, m'a conduit exactement au même endroit que celui qu'on aurait pu atteindre bien plus tôt, bien plus simplement.

Vous n'avez pas besoin de tapisser les murs d'un studio avec du code imprimé en taille 9 pour comprendre comment investir intelligemment.

Mais si vous l'avez fait, ou si vous êtes tenté de le faire, sachez que ça vous apprendra des choses que vous n'auriez pas apprises autrement.

Au bout du chemin, vous finirez probablement au même endroit.