Le trading basé sur l’IA n’a pas encore atteint le « moment iPhone », où tout le monde transporte dans sa poche un gestionnaire de portefeuille algorithmique et d’apprentissage par renforcement, mais quelque chose comme ça est à venir, disent les experts.

En fait, la puissance de l’IA est à la hauteur face à l’arène dynamique et conflictuelle des marchés commerciaux. Contrairement à un agent IA informé par des circuits sans fin de voitures autonomes apprenant à reconnaître avec précision les feux de circulation, aucune quantité de données ni de modélisation ne pourra jamais prédire l’avenir.

Cela fait du raffinement des modèles de trading d’IA un processus complexe et exigeant. La mesure du succès consiste généralement à évaluer les profits et les pertes (P&L). Mais les progrès dans la personnalisation des algorithmes engendrent des agents qui apprennent continuellement à équilibrer risque et récompense face à une multitude de conditions de marché.

Permettre à des mesures ajustées en fonction du risque, telles que le ratio de Sharpe, d’éclairer le processus d’apprentissage multiplie la sophistication d’un test, a déclaré Michael Sena, directeur du marketing chez Recall Labs, une société qui a géré une vingtaine d’arènes de trading d’IA, où une communauté soumet des agents de trading d’IA, et ces agents s’affrontent sur une période de quatre ou cinq jours.

« Quand il s’agit d’analyser le marché à la recherche d’alpha, la prochaine génération de constructeurs explore la personnalisation et la spécialisation des algorithmes, en tenant compte des préférences des utilisateurs », a déclaré Sena dans une interview. « Être optimisé pour un ratio particulier et pas seulement pour le compte de résultat brut ressemble davantage à la façon dont les principales institutions financières fonctionnent sur les marchés traditionnels. Donc, en regardant des choses comme, quel est votre prélèvement maximum, quel était le risque de votre valeur pour réaliser ce compte de résultat ? »

En prenant du recul, une récente compétition commerciale sur l’échange décentralisé Hyperliquid, impliquant plusieurs grands modèles de langage (LLM), tels que GPT-5, DeepSeek et Gemini Pro, a en quelque sorte établi la référence pour la place de l’IA dans le monde du trading. Ces LLM ont tous reçu la même impulsion et ont été exécutés de manière autonome, prenant des décisions. Mais ils n’étaient pas si bons, selon Sena, surperformant à peine le marché.

« Nous avons pris les modèles d’IA utilisés dans le concours Hyperliquid et avons laissé les gens soumettre leurs agents commerciaux qu’ils avaient construits pour rivaliser avec ces modèles. Nous voulions voir si les agents commerciaux sont meilleurs que les modèles fondamentaux, avec cette spécialisation supplémentaire », a déclaré Sena.

Les trois premières places du concours Recall ont été occupées par des modèles personnalisés. « Certains modèles n’étaient pas rentables et sous-performants, mais il est devenu évident que les agents commerciaux spécialisés qui utilisent ces modèles et appliquent une logique et une inférence supplémentaires ainsi que des sources de données et d’autres choses par-dessus, surpassent l’IA de base », a-t-il déclaré.

La démocratisation du trading basé sur l’IA soulève des questions intéressantes quant à savoir s’il restera un alpha à couvrir si tout le monde utilise le même niveau de technologie sophistiquée d’apprentissage automatique.

« Si tout le monde utilise le même agent et que cet agent exécute la même stratégie pour tout le monde, est-ce que cela s’effondre en lui-même ? » dit Sena. « Est-ce que l’alpha qu’il détecte disparaît parce qu’il essaie de l’exécuter à grande échelle pour tout le monde ? »

C’est pourquoi ceux qui sont les mieux placés pour bénéficier de l’avantage qu’apportera éventuellement le trading de l’IA sont ceux qui disposent des ressources nécessaires pour investir dans le développement d’outils personnalisés, a déclaré Sena. Comme dans la finance traditionnelle, les outils de la plus haute qualité qui génèrent le plus d’alpha ne sont généralement pas publics, a-t-il ajouté.

« Les gens veulent garder ces outils aussi privés que possible, car ils veulent protéger cet alpha », a déclaré Sena. « Ils ont payé cher pour cela. Vous l’avez vu avec les hedge funds achetant des ensembles de données. Vous pouvez le voir avec les algorithmes propriétaires développés par les family offices.

« Je pense que le point idéal magique sera celui où il y aura un produit qui est un gestionnaire de portefeuille, mais où l’utilisateur aura toujours son mot à dire sur sa stratégie. Ils peuvent dire : « C’est comme ça que j’aime trader et voici mes paramètres, implémentons quelque chose de similaire, mais améliorons-le. »

Share this content: