Programme du parcours 0/10
« Un robot dopé à l’IA qui bat le marché » : la promesse revient sans cesse dans les publicités. L’intelligence artificielle sert réellement dans la finance, mais pas toujours comme on l’imagine, et elle rend certains pièges du encore plus dangereux.
1.Deux usages bien différents
| Usage | Ce qu’il fait | Exemple |
|---|---|---|
| Apprentissage automatique sur des chiffres | Chercher des relations entre des données passées et les rendements futurs | Prévoir le rendement du mois suivant à partir de cent indicateurs |
| Modèles de langage sur des textes | Lire, résumer, classer des textes en grand nombre | Repérer en quelques secondes les communiqués qui annoncent un avertissement sur résultats |
Le second usage est souvent le plus utile : un modèle de langage lit en une minute ce qu’un analyste lirait en une journée. Mais lire vite ne veut pas dire prévoir juste.
2.Pourquoi prévoir les marchés est si dur, même pour une IA
- Le signal est faible et le bruit énorme : même les meilleurs signaux expliquent une toute petite partie des variations de prix. Une IA très puissante trouve facilement des relations qui ne sont que du hasard.
- Le marché change : les relations apprises sur 2010-2020 peuvent ne plus valoir après, et les autres acteurs utilisent les mêmes outils.
- Peu de données : vingt ans de cours mensuels, c’est 240 observations par action. C’est très peu pour un modèle à des milliers de paramètres.
3.Le piège propre aux modèles de langage : ils connaissent le futur
Un modèle de langage a été entraîné sur des textes jusqu’à une certaine date. Si vous lui demandez de juger un communiqué de 2020 dans un backtest, il sait peut-être déjà ce que l’action a fait ensuite, parce que des articles l’ont raconté. Le backtest paraît excellent, alors que le modèle triche sans le vouloir : c’est le biais d’anticipation (voir Les pièges du backtest) sous une forme nouvelle et très difficile à repérer.
Un modèle de langage peut aussi inventer une information avec aplomb. Un robot qui agit sur ses réponses doit vérifier les faits importants à la source, et garder des limites qui ne dépendent pas de l’IA.
4.Les bonnes pratiques
- Tester uniquement sur des données postérieures à la date d’entraînement du modèle, ou en conditions réelles avec de l’argent fictif.
- Garder l’IA comme filtre ou comme aide, pas comme seule source de décision, et conserver des règles de risque simples et indépendantes.
- Expliquer chaque décision : si personne ne comprend pourquoi le robot a acheté, personne ne verra qu’il se trompe.
- Comparer à une règle simple : si l’IA ne fait pas mieux qu’une moyenne mobile, frais compris, elle n’apporte que de la complexité.