Pourquoi les réseaux de neurones ne prédisent pas la Bourse de Moscou, et où le ML aide vraiment les traders

Lors d'une rencontre sur l'apprentissage automatique en trading à Moscou, une thèse sobre s'est imposée : les réseaux de neurones sont presque inutiles pour prédire directement le prix. En revanche, le ML aide réellement sur des tâches plus étroites : déterminer le régime de marché, filtrer les mauvais trades et réduire les pertes à l'exécution.

L'illusion de la prévision de prix

Un fantasme populaire persiste sur le marché : il suffirait de montrer au modèle le graphique de Sberbank ou d'un indice pour qu'il sorte le prix exact de demain. En pratique, cela s'effondre très vite. Le prix est trop bruité, le marché change en permanence et toute régularité trouvée dans l'historique disparaît souvent au moment où la stratégie passe à l'argent réel. En trading haute fréquence, la situation est encore plus rude : les nanosecondes comptent, et un modèle lourd peut tout simplement tuer le système par sa latence.

«

Le ML ne donne aucun contrôle sur le marché et n'est pas un bouton magique à billets ».

C'est pourquoi les acteurs expérimentés voient l'apprentissage automatique non comme un générateur de signaux prêts à l'emploi, mais comme une couche d'appoint au-dessus d'une stratégie de base. Même si un modèle devine la direction du mouvement plus souvent que le hasard, cela ne suffit pas. Entre une belle prévision et l'argent se trouvent la file d'attente dans le carnet d'ordres, le slippage, les commissions du courtier et de la bourse. Résultat : un modèle formellement solide peut afficher une perte là où le backtest paraissait presque parfait.

Où le ML fonctionne

L'idée la plus sensée de la discussion est simple : l'apprentissage automatique est utile quand la tâche est étroite et vérifiable. Plutôt que de tenter de prédire le marché lui-même, le modèle aide à le décomposer : dans quel régime il se trouve, quels signaux ignorer, et où les coûts avaleront le profit potentiel. Cette approche est bien plus proche de la pratique réelle de l'algotrader indépendant, qui ne peut pas s'offrir l'infrastructure d'un hedge fund.

• Détection de la phase de marché : tendance, range, pic de volatilité
• Filtrage des signaux : quels trades de la stratégie de base vaut-il mieux ne pas prendre
• Optimisation de l'exécution : comment entrer en position avec moins de slippage
• Analyse de la microstructure du carnet d'ordres : recherche de motifs dans le flux d'ordres

Pour le trader particulier, c'est d'autant plus important qu'il cumule souvent tous les rôles : il cherche les données, les nettoie, conçoit les variables, construit le modèle, teste les hypothèses, calcule les risques, puis met lui-même le résultat en production. Dans cette configuration, le ML est utile non comme vitrine de promesses fracassantes, mais comme outil d'amélioration précise et ciblée, par exemple couper une stratégie de tendance dans un range marqué ou ne pas prendre un trade dont l'exécution attendue est mauvaise.

Pourquoi les stratégies meurent

La plupart des problèmes ne naissent pas dans le modèle, mais en amont, au stade des données et de la vérification des hypothèses. Si un jour manque dans les bougies, si les contrats à terme sont raccordés avec une erreur ou si les variables contiennent par inadvertance des informations du futur, l'algorithme trouve instantanément une régularité qui n'existe pas. Dans l'historique, cela ressemble au Graal, mais en trading réel, cela s'arrête très vite. D'où le principe central : garbage in, garbage out. La qualité des données et l'honnêteté de l'expérience comptent ici davantage que le choix entre bibliothèques et architectures à la mode.

La discussion débouche sur un filtre utile en cinq questions, à passer avant d'écrire du code : y a-t-il une tâche concrète, y a-t-il des données honnêtes, peut-on tester l'idée en tenant compte des commissions et de la latence, la prévision se traduit-elle en action réelle, et l'ensemble produit-il un effet économique. Si l'une de ces questions n'a pas de réponse assurée, le ML intervient trop tôt. Sinon, on tombe dans le piège classique : il y a bien une prévision, mais plus aucun profit après tous les coûts.

Ce que cela signifie

Pour le marché, c'est un bon signal de sobriété. Les réseaux de neurones ne remplacent pas un système de trading et n'annulent pas le risque, mais ils aident à améliorer des processus de façon ciblée là où l'humain se heurte déjà au volume de données ou à la vitesse de réaction. Autre conclusion importante : le marché manque d'échanges d'expérience. Tant que les traders isolés répètent chacun de leur côté les mêmes erreurs, le ML reste non pas un accélérateur de profit, mais un accélérateur d'expériences coûteuses.