IA trading algorithmique : usages réels vs marketing

Un modèle qui « prédit » le sens du Nasdaq le lendemain avec 90,6 % de réussite : c'est ce que nous avons obtenu, sur les données d'entraînement. Sur les dix années suivantes, que le modèle n'avait jamais vues, sa réussite tombe à 54,3 %, moins que la règle naïve qui consiste à parier chaque jour sur la hausse (55,9 %). Cette expérience, menée sur 36 ans de cotations, résume la principale limite de l'intelligence artificielle appliquée au trading, et aide à distinguer ses apports réels de ses promesses commerciales.

L'expérience : plus le modèle est flexible, mieux il apprend le passé

Nous avons utilisé les clôtures quotidiennes du Nasdaq Composite, réparties en une période d'entraînement (1990-2015, 6 553 séances) et une période de test (janvier 2016 à septembre 2026, 2 696 séances). Le modèle est volontairement simple : pour chaque suite des k dernières directions du marché (hausse ou baisse), il prédit la direction majoritaire du lendemain observée pendant l'entraînement. En augmentant k de 1 à 14, on augmente sa flexibilité, exactement comme on ajoute des couches ou des paramètres à un réseau de neurones.

Sur les données d'entraînement, le résultat semble spectaculaire. Avec une ou deux séances d'historique, le modèle se contente d'apprendre que le marché monte plus souvent qu'il ne baisse : 54,8 % de réussite. Avec 8 séances, il atteint 59,0 % ; avec 10, 65,9 % ; avec 12, 78,6 % ; avec 14, 90,6 %.

Sur la période de test, en revanche, aucun réglage ne dépasse les 55,9 % obtenus en pariant systématiquement sur la hausse. Le modèle à 3 séances tombe à 52,0 %, celui à 8 séances à 51,8 %, celui à 14 séances à 54,3 %. Traduit en stratégie, investir seulement les jours où le modèle prévoit une hausse multiplie le capital par 2,6 à 4,8 entre 2016 et 2026, contre 5,4 pour la simple détention de l'indice.

Pourquoi les marchés résistent aux modèles flexibles

Trois raisons expliquent cet échec. D'abord, le signal est minuscule face au bruit : les variations quotidiennes sont presque aléatoires. Ensuite, les données sont rares : avec 12 séances d'historique, le modèle doit apprendre 4 096 motifs différents à partir de 6 553 séances, soit 1,6 observation par motif ; il mémorise, il n'apprend pas. Avec 14 séances, 64,5 % des motifs rencontrés pendant le test n'avaient jamais été vus. Enfin, les marchés s'adaptent : un motif rentable attire des capitaux qui le font disparaître, ce qui n'arrive jamais à un chat sur une photo.

Là où l'IA apporte une valeur réelle

L'IA excelle quand les données sont abondantes et le problème stable. L'analyse du langage permet de lire en quelques secondes des milliers de communiqués, de comptes rendus de résultats ou de rapports réglementaires et d'en extraire le ton ou les changements de formulation. La classification des régimes de marché, calme ou agité, aide à ajuster le risque plutôt qu'à prédire les prix. L'optimisation de l'exécution des ordres, la détection d'anomalies et le traitement automatique de documents sont d'autres usages où la répétition fournit assez d'exemples pour apprendre.

Même dans ces domaines, la valeur se mesure de la même manière : sur des données que le modèle n'a jamais vues, frais compris, face à une solution simple.

Là où le marketing dépasse largement la réalité

Notre expérience montre à quel point il est facile d'afficher 90 % de réussite sur un historique. Un « robot de trading IA » qui présente un backtest sans période de test postérieure à sa conception, sans frais et sans comparaison avec la simple détention, ne prouve rien. S'y ajoute le problème des boîtes noires : quand un modèle opaque perd de l'argent, personne ne peut dire s'il s'agit d'une mauvaise passe ou d'un modèle qui ne fonctionne plus.

Interprétabilité contre performance : un arbitrage assumé

Dans notre test, les modèles les plus simples ne font pas pire hors échantillon que les plus complexes : à 4 séances, la réussite atteint 53,9 %, contre 53,0 % à 12 séances. En finance, où le bruit domine, la simplicité est souvent une qualité : un modèle à peu de paramètres se trompe de façon plus prévisible, et l'on comprend pourquoi il échoue. Ajouter de la complexité n'a de sens que si le gain hors échantillon est démontré.

Le coût caché du réentraînement permanent

Les marchés changent, donc les modèles doivent être réentraînés. Chaque réentraînement est une nouvelle occasion de choisir, parmi de nombreuses variantes, celle qui colle le mieux au passé récent : le risque de surapprentissage s'accumule à chaque cycle. S'y ajoutent les coûts d'infrastructure, de données et de surveillance de la dérive des modèles, qui pèsent lourd face à des gains attendus modestes.

Ce qu'un investisseur particulier peut raisonnablement attendre

Devant une stratégie fondée sur l'IA, quatre questions suffisent : les résultats portent-ils sur une période postérieure à la conception du modèle ? Les frais sont-ils inclus ? La stratégie bat-elle la simple détention ? Combien de versions ont été essayées avant celle-ci ? L'outil d'analyse de backtest disponible sur /outils calcule notamment un ratio de Sharpe corrigé du nombre d'essais, pour vérifier qu'un résultat ne relève pas du hasard. Méthode : clôtures quotidiennes du Nasdaq Composite (série NASDAQCOM de la Réserve fédérale de Saint-Louis), entraînement de 1990 à 2015, test de janvier 2016 au 22 septembre 2026, frais non modélisés. Ces résultats ne constituent pas un conseil en investissement.