Le « moment iPhone » de l’apprentissage automatique dans la crypto se rapproche alors que les agents d’IA négocient sur le marché

Le trading propulsé par l’IA n’a pas encore atteint un « moment iPhone », lorsque tout le monde aura dans sa poche un gestionnaire de portefeuille algorithmique utilisant l’apprentissage par renforcement, mais quelque chose de ce genre est en chemin, affirment les experts.

En réalité, la puissance de l’IA rencontre son rival lorsqu’elle est confrontée à l’arène dynamique et adversariale des marchés financiers. Contrairement à un agent d’IA alimenté par d’innombrables cycles d’apprentissage de véhicules autonomes visant à reconnaître avec précision les signaux routiers, aucune quantité de données ni de modélisation ne pourra jamais prédire l’avenir.

Cela rend l'affinement des modèles de trading IA un processus complexe et exigeant. La mesure du succès a généralement été l'évaluation du profit et des pertes (P&L). Mais les avancées dans la personnalisation des algorithmes engendrent des agents qui apprennent continuellement à équilibrer le risque et la récompense face à une multitude de conditions de marché.

Permettant des mesures ajustées au risque telles que le Ratio de Sharpe pour informer le processus d'apprentissage multiplie la sophistication d'un test, a déclaré Michael Sena, directeur marketing chez Recall Labs, une société qui a organisé une vingtaine d'arènes de trading IA, où une communauté soumet des agents de trading IA, et où ces agents s'affrontent sur une période de quatre ou cinq jours.

« Lorsqu'il s'agit d'examiner le marché à la recherche d'alpha, la nouvelle génération de développeurs 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 un P&L brut est plus conforme à la manière dont les principales institutions financières opèrent sur les marchés traditionnels. Ainsi, on regarde des éléments tels que, quel est votre maximum de perte, quelle était votre valeur à risque pour réaliser ce P&L ? »

Prenant du recul, une récente compétition de trading sur la plateforme décentralisée Hyperliquid, impliquant plusieurs grands modèles de langage (LLM), tels que GPT-5, DeepSeek et Gemini Pro, qui ont en quelque sorte établi la référence pour situer l’IA dans le monde du trading. Ces LLM ont tous reçu la même consigne et ont agi de manière autonome, en prenant des décisions. Mais ils n’étaient pas si performants, selon Sena, dépassant à peine le marché.

« Nous avons utilisé les modèles d'IA employés dans le concours Hyperliquid et avons permis aux participants de soumettre leurs agents de trading qu'ils avaient développés pour rivaliser contre ces modèles. Nous voulions déterminer si les agents de trading surpassent les modèles fondamentaux, grâce à cette spécialisation accrue », a déclaré Sena.

Les trois premières places du concours de Recall ont été occupées par des modèles personnalisés. « Certains modèles étaient non rentables et sous-performaient, mais il est devenu évident que les agents de trading spécialisés, qui prennent ces modèles et y appliquent une logique supplémentaire, des inférences, des sources de données et d’autres éléments par-dessus, surpassent l’IA de base », a-t-il déclaré.

La démocratisation du trading basé sur l'IA soulève des questions intéressantes concernant la possibilité qu'il reste encore de l'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 ne se retourne pas contre lui-même ? » a déclaré Sena. « L’alpha qu’il détecte disparaît-elle parce qu’il essaie de l’exécuter à grande échelle pour tous les autres ? »

C’est pourquoi ceux qui sont les mieux placés pour tirer parti de l’avantage que le trading assisté par IA apportera éventuellement sont ceux disposant 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 générant le plus d’alpha ne sont généralement pas accessibles au public, a-t-il ajouté.

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

« Je pense que le point idéal se trouvera là où il y aura un produit qui agit en tant que gestionnaire de portefeuille, mais où l’utilisateur conserve une certaine influence sur sa stratégie. Il pourra dire : ‘Voici comment j’aime trader et voici mes paramètres, mettons en place quelque chose de similaire, mais améliorons-le.’ »