Les avancées de l’intelligence artificielle dans le trading suscitent des interrogations
Les experts estiment que le trading alimenté par l’intelligence artificielle (IA) n’a pas encore atteint son « moment iPhone », mais une telle évolution semble inévitable. La puissance de l’IA se heurte au défi dynamique et conflictuel des marchés, où, contrairement aux circuits interminables d’apprentissage des voitures autonomes, aucune quantité de données ne peut prédire l’avenir avec certitude, rapporte TopTribune.
La complexité du raffinement des modèles de trading basés sur l’IA rend le processus exigeant. Le succès a traditionnellement été évalué selon les gains et les pertes (P&L). Cependant, les avancées en matière de personnalisation des algorithmes permettent de créer des agents qui apprennent à équilibrer le risque et la récompense face à une multitude de conditions de marché.
Des mesures ajustées au risque, telles que le Sharpe Ratio, enrichissent le processus d’apprentissage, a déclaré Michael Sena, directeur marketing de Recall Labs. Cette entreprise a organisé une vingtaine de compétitions de trading alimentées par l’IA, où une communauté soumet des agents de trading qui s’affrontent pendant quatre à cinq jours.
« En matière de recherche d’alpha sur le marché, la prochaine génération de créateurs explore la personnalisation et la spécialisation des algorithmes, prenant en compte les préférences des utilisateurs », a affirmé Sena lors d’une interview. « Être optimisé pour un ratio particulier, et non juste pour le P&L brut, ressemble davantage à la manière dont les institutions financières leaders opèrent sur les marchés traditionnels. Il faut examiner des éléments comme les pertes maximales et la valeur à risque associées à ce P&L. »
Pour effectuer une analyse approfondie, une récente compétition de trading sur la plateforme décentralisée Hyperliquid, impliquant plusieurs modèles de langage de grande taille (LLMs) tels que GPT-5, DeepSeek et Gemini Pro, a établi un précédent sur l’état actuel de l’IA dans le trading. Malgré des instructions identiques pour tous les LLMs, leurs performances se sont révélées insuffisantes, se contentant de peu dépasser le marché, selon Sena.
« Nous avons utilisé les modèles d’IA du concours Hyperliquid et invité des participants à soumettre leurs agents de trading pour les faire concourir contre ces modèles. L’objectif était de savoir si ces agents de trading spécialisés surperformaient les modèles fondamentaux », a précisé Sena.
Les trois premières places de la compétition organisée par Recall ont été occupées par des modèles personnalisés. « Certains modèles n’étaient pas rentables et ont sous-performé, mais il est vite devenu évident que les agents de trading spécialisés, qui prennent ces modèles et appliquent une logique et des sources de données supplémentaires, surpassent l’IA de base », a-t-il noté.
La démocratisation du trading basé sur l’IA soulève des questions intéressantes sur le risque de dilution de l’alpha si tous les acteurs utilisent des technologies similaires. « Si tout le monde utilise le même agent qui exécute la même stratégie, cette dynamique pourrait-elle s’effondrer ? » s’est interrogé Sena. « L’alpha qu’il détecte pourrait-il disparaître parce qu’il essaie de l’exécuter à grande échelle pour tout le monde ? »
D’après Sena, les mieux placés pour tirer parti des avantages potentiels du trading alimenté par l’IA sont ceux qui disposent des ressources nécessaires pour investir dans le développement d’outils personnalisés. Comme dans la finance traditionnelle, les outils de la plus haute qualité, susceptibles de générer le plus d’alpha, sont généralement non publics.
« Les acteurs du marché préfèrent conserver ces outils aussi privés que possible, car ils souhaitent protéger cet alpha », a-t-il conclu. « Ils y ont investi beaucoup d’argent, comme en témoignent les fonds spéculatifs qui achètent des ensembles de données ou développent des algorithmes propriétaires. »
Selon Sena, « le point idéal serait un produit agissant comme un gestionnaire de portefeuille, mais où l’utilisateur conserve une certaine influence sur sa stratégie. Il pourrait dire : ‘Voilà comment j’aime trader et voici mes paramètres, mettons en œuvre quelque chose de similaire, mais améliorons-le.’ »
