L'analyse technique : la magie qui n'en est pas une

Une nuée d’étourneaux n’a pas de chef. Aucun oiseau ne connaît le plan, aucun ne voit l’ensemble — chacun ne réagit qu’aux six ou sept voisins qui l’entourent. Et pourtant la nuée se déplace comme un seul organisme : elle tourne, se scinde, esquive, comme si quelqu’un avait donné un ordre que personne n’a jamais donné.

C’est l’entrée en matière la plus honnête que je connaisse pour parler d’analyse technique. Les lignes sur le graphique ne peuvent pas voir l’avenir. Mais des centaines de milliers de personnes regardent les mêmes lignes et réagissent les unes aux autres — et il en émerge quelque chose qui ressemble à de la prédiction. La « magie » de l’AT n’est pas de la magie. C’est de la coordination. Et c’est, comme je veux le montrer, une explication bien plus intéressante que la sorcellerie — parce qu’elle explique aussi quand le sortilège échoue.

Image d’illustration, générée par IA.

Ce que prétend l’analyse technique

En bref, pour ceux qui débutent : l’analyse technique lit des motifs dans les prix et les volumes passés — supports et résistances, tendances, cassures, des indicateurs comme le RSI et le MACD, des niveaux comme les retracements de Fibonacci — et en déduit les prochains mouvements probables. Le vocabulaire lui-même se trouve dans l’index des termes de trading ; ce billet porte sur la seule question qui n’y avait pas sa place : est-ce que ça peut marcher — et si oui, pourquoi ?

Ce que dit vraiment la recherche

La réponse courte : c’est plus compliqué que ce que prétendent les deux camps.

L’étude pro la plus célèbre est celle de Brock, Lakonishok et LeBaron (1992) : des règles simples — moyennes mobiles, cassures de range — ont montré un pouvoir prédictif statistiquement significatif sur quatre-vingt-dix ans de données du Dow Jones. Le résultat a même survécu au test le plus dur : en 1999, Sullivan, Timmermann et White ont vérifié par bootstrap, sur l’univers entier des règles de trading possibles, si le résultat n’était que du data snooping — il ne l’était pas. Mais la même étude a aussi trouvé ceci : sur la période plus récente (1987–1996), l’avantage avait disparu. Retiens ce motif, il va bientôt revenir.

Lo, Mamaysky et Wang (2000) ont automatisé la reconnaissance des figures et constaté que les figures chartistes classiques portent bel et bien de l’information statistique — mais « informatif » ne veut pas dire « rentable », et les coûts de transaction ne faisaient pas partie du test. La grande revue de littérature de Park et Irwin (2007) a compté 56 études positives, 20 négatives et 19 mitigées — tout en attribuant à la plupart d’entre elles des problèmes méthodologiques : règles choisies après coup, coûts enjolivés, data snooping.

La position adverse mérite tout autant d’être prise au sérieux : selon l’hypothèse d’efficience des marchés (Fama, 1970), toute l’information contenue dans les prix passés est déjà dans le prix — non pas parce que les marchés seraient bêtes, mais parce que beaucoup de gens intelligents l’intègrent immédiatement. Et la critique de l’apophénie a une pièce à conviction vénérable : dès 1959, Roberts a montré que des graphiques issus de purs nombres aléatoires sont visuellement presque impossibles à distinguer de vraies séries de cours. Malkiel raconte l’anecdote qui va avec dans « A Random Walk Down Wall Street » : des étudiants ont généré un graphique fictif à pile ou face, un chartiste y a reconnu une figure haussière et a recommandé d’acheter d’urgence. (Anecdote de livre, pas une étude — mais de celles qui marquent.)

Et puis il y a la grande exception sur laquelle la recherche est largement d’accord : le momentum. Ce qui a bien marché sur plusieurs mois continue en moyenne un peu sur sa lancée — documenté depuis Jegadeesh et Titman (1993), largement répliqué, et désormais confirmé aussi pour la crypto dans des revues de premier plan : comme effet de série temporelle, comme facteur transversal et, plus récemment, comme facteur de tendance sur 3 000 coins qui survit aux coûts de transaction. Avant que ça ne tourne à l’euphorie, les notes de bas de page : ces résultats valent au niveau du portefeuille, sur des horizons mensuels — pas une preuve que la lecture de graphiques fonctionne sur une fenêtre de 5 minutes. Et le momentum a un prix documenté : des krachs rares et brutaux précisément dans les phases de panique et de reprise où on en aurait le moins besoin.

Image d’illustration, générée par IA.

Le truc : ça marche parce que tout le monde regarde

Passons à la partie intéressante — le mécanisme qui explique pourquoi des lignes sans pouvoir prédictif peuvent quand même avoir des effets réels. Ce n’est pas une spéculation ; ça a été mesuré, le plus rigoureusement par Carol Osler, alors à la Federal Reserve Bank de New York.

Trois résultats qui, ensemble, expliquent la moitié de l’AT :

Premièrement : quand Osler a analysé les niveaux de support et de résistance de vrais cambistes (2000), l’écrasante majorité tombait sur des chiffres ronds — et ces niveaux aidaient réellement à prédire les interruptions de tendance. Deuxièmement, et c’est le plus beau résultat de toute la littérature : avec les premières données disponibles sur de vrais ordres de clients, Osler (2003, Journal of Finance) a montré que les ordres take-profit s’agglutinent directement sur les chiffres ronds — raison pour laquelle les tendances s’y retournent — tandis que les ordres stop-loss se regroupent juste au-delà — raison pour laquelle les cours filent inhabituellement vite après une cassure. Deux prédictions centrales du chartisme, dérivées non pas des lignes, mais de la distribution des ordres eux-mêmes. Troisièmement : des stops agglutinés peuvent se déclencher mutuellement en cascade (2005) — une couche de stops pousse le cours dans la suivante. Ce que les traders appellent un « stop run » a été disséqué académiquement en tant que mécanisme.

À cela s’ajoutent l’effet d’ancrage des moyennes mobiles très suivies (Avramov et al., 2021) et la question de savoir si assez d’acteurs jouent le jeu pour que la coordination tienne. Réponse : oui — dans l’enquête de Menkhoff auprès de 692 gérants de fonds, 87 % utilisaient l’analyse technique ; sur les horizons hebdomadaires, elle comptait même davantage que l’analyse fondamentale. Ce n’est pas du folklore retail ; ce sont des professionnels.

Fibonacci est le test décisif de cette théorie — et le réussit : les preuves d’un pouvoir prédictif sont minces, voire inexistantes, le niveau de 50 % n’est même pas un ratio de Fibonacci, et pourtant ces niveaux fonctionnent parfois. L’explication documentée la plus plausible : ils fonctionnent parce que des millions de gens les tracent et y placent des ordres. George Soros a forgé, pour cette rétroaction — des attentes qui modifient le marché qu’elles prétendent décrire —, le terme de réflexivité. Un concept, pas une étude ; mais c’est le mot juste.

Et c’est là que se cache l’autodestruction intégrée : la coordination ne tient que tant qu’assez de monde joue le jeu — et dès qu’une figure est trop connue, elle se fait arbitrer. McLean et Pontiff l’ont quantifié : les anomalies de rendement publiées perdent en moyenne 58 % de leur force après leur publication. La nuée tourne — et qui continue de voler dans l’ancienne direction vole seul.

En crypto, la boucle est plus courte

Tout ce qui précède vaut pour les marchés en général. La crypto y ajoute un amplificateur, et il a une raison précise : il n’y a presque pas de fondamentaux auxquels se raccrocher. Une étude remarquable (Detzel et al., 2021) montre exactement cela : pour les actifs aux fondamentaux difficiles à évaluer — Bitcoin est leur exemple principal — l’analyse technique émerge rationnellement, parce que le prix lui-même est la seule source d’information commune. Là où aucun bénéfice par action n’existe, la moyenne des 200 semaines devient le feu de camp autour duquel tout le monde se rassemble.

S’y ajoute la structure du marché : il est dominé par le retail — la BRI a analysé des données d’applis crypto de 95 pays et trouvé qu’environ 40 % des nouveaux venus sont des hommes de moins de 35 ans, le segment le plus enclin au risque (leur calcul de coin de table : environ trois quarts des utilisateurs d’applis auraient perdu de l’argent sur leurs achats de Bitcoin jusqu’en 2022). Cette masse regarde des outils identiques : sur pratiquement chaque appli d’exchange, les mêmes indicateurs sont préconfigurés — ceux que les académies des exchanges elles-mêmes enseignent comme set standard — RSI, moyennes mobiles, MACD, Bollinger. (Et puisqu’il est question d’un exchange, la phrase obligatoire : ceci décrit leurs supports pédagogiques, pas une recommandation ; ce qui dort sur un exchange ne t’appartient que sur le papier.) Le marché cote 24/7, sans suspension de séance, sans fixing de clôture — rien ne freine une cascade une fois qu’elle est lancée.

Et les flux forcés sont ici plus visibles que nulle part ailleurs : des outils comme la heatmap de liquidations de Coinglass cartographient les zones où les positions à effet de levier se concentrent probablement — important à savoir : c’est un modèle construit à partir de l’open interest et des paliers de levier typiques, pas un carnet d’ordres fuité. Que les cours filent si souvent droit dans ces zones, la scène appelle ça le « stop hunting » ; l’intention d’acteurs précis n’est pratiquement jamais démontrable — le mécanisme sous-jacent, lui, l’est, voir Osler. Ce que ça donne à l’extrême, le 10 octobre 2025 l’a montré : selon les données des trackers, plus de 19 milliards de dollars de positions ont été liquidés en 24 heures ; les données à la minute d’Amberdata révèlent l’anatomie de la cascade — 3,21 milliards en une seule minute, dont 93,5 % de ventes forcées. Aucune figure chartiste n’a « prédit » ça. Mais les clusters que la cascade a traversés étaient visibles sur toutes les heatmaps avant. C’est la différence entre voyance et mécanique.

Le revers vaut tout autant : en crypto, les edges se périment plus vite. L’étude d’AT crypto la plus rigoureuse (Hudson et Urquhart, 2021 — près de 15 000 règles, avec contrôles du data snooping) a trouvé une rentabilité étendue dans la phase précoce du marché — et pour Bitcoin, elle avait disparu dans la période out-of-sample. Le même motif que chez Sullivan, Timmermann et White en 1999. La nuée apprend.

Ce qui reste sans la magie

Si l’AT est au fond de la coordination — qu’est-ce que ça signifie en pratique ? Deux choses, toutes deux moins spectaculaires que n’importe quelle miniature YouTube.

Premièrement : les niveaux sont des lieux, pas des oracles. Un support ne « tient » pas parce que la ligne serait sacrée ; il tient si de la demande y attend réellement — et il casse sinon. Lire les niveaux comme une carte de probabilités des ordres des autres plutôt que comme une prophétie, c’est utiliser l’outil dans les limites de ce que les données permettent d’affirmer.

Deuxièmement — et c’est la partie qui tient même si on ne croit à rien : le cadre. Le bénéfice mesurable de règles comme les stops ne repose pas sur une magie du graphique : Kaminski et Lo ont montré que les règles de stop-loss coûtent du rendement dans des marchés aléatoires et peuvent apporter de la valeur dans des régimes de momentum — tout dépend du marché, pas de la ligne. Et dans l’étude de Detzel et al. sur Bitcoin, des règles simples à base de moyennes réduisaient surtout une chose de façon mesurable : la profondeur des drawdowns. Un point d’invalidation, une taille de position, un « je me suis trompé » défini à l’avance — c’est la partie de l’AT qui impose de la discipline là où, sinon, ce sont les émotions qui tradent. Aucune prophétie nécessaire.

Voilà mon résumé honnête de la « magie » : l’analyse technique fonctionne là où elle reflète de la coordination, et elle aide là où elle impose de la discipline. Elle échoue de façon fiable dès qu’on s’en sert comme d’une boule de cristal — et elle coûte le plus cher avec du levier, parce qu’alors les cascades entrent dans la partie. Ce que tu en fais, et si tu en fais quelque chose, reste ta seule décision ; ce billet t’aura, je l’espère, simplement mis de l’ordre dans le pourquoi. Les termes à consulter sont dans l’index — et les règles de base du métier, version sobre, se trouvent dans la Crypto Collection sous forme de Trading Cheat Sheet, un outil plutôt qu’une promesse, comme tout ici.

Sources et limites

L’état de la recherche est documenté via des sources primaires (Journal of Finance, Review of Financial Studies, JFQA, Journal of Financial Markets, BRI ; versions librement accessibles liées quand elles existent). Limites importantes : les études crypto couvrent surtout des phases de marché précoces, notoirement inefficientes — leurs résultats ne disent rien d’aujourd’hui. La mécanique de coordination est le plus solidement documentée pour les marchés des changes et des actions (Osler ; clustering des ordres) ; sa transposition à la crypto est une mise en perspective bien argumentée, signalée comme telle. Le « stop hunting » en tant que pratique délibérée d’acteurs précis n’est pas établi juridiquement et est explicitement traité ici comme une description venue de la scène. Et la limite la plus importante pour finir : rien dans ce billet n’est une stratégie de trading — il explique pourquoi les choses arrivent, pas ce que tu devrais faire.

Des questions, ou une erreur repérée ? Écris-moi.