Pourquoi les Réseaux de Neurones ne Prédisent pas les Marchés de la Bourse de Moscou et Où le ML Aide Vraiment les Traders

Lors d'une réunion sur l'apprentissage automatique dans le trading à Moscou, une thèse sobre a été présentée : les réseaux de neurones sont quasi inutiles comme outil pour la prévision directe des prix. Cependant, ML aide réellement dans des tâches plus étroites — déterminer le mode de marché, filtrer les mauvais échanges et réduire les pertes à l'exécution.

L'Illusion de la Prévision des Prix

Le marché abrite toujours une fantasie populaire : il suffit de montrer un graphique de Sber ou d'un indice à un modèle, et il produira le prix exact pour demain. En pratique, cela s'effondre très rapidement. Le prix est trop bruyant, le marché change constamment, et tout modèle trouvé dans les données historiques disparaît souvent au moment où la stratégie se déploie avec de l'argent réel. Dans le trading haute fréquence, la situation est encore plus sévère : les nanosecondes comptent, et un modèle lourd peut simplement tuer le système avec des latences.

« ML ne fournit pas de contrôle sur le marché et n'est pas un bouton

magique pour « l'argent ». »

C'est pourquoi les participants expérimentés du marché considèrent l'apprentissage automatique non comme un générateur de signaux prêts à l'emploi, mais comme une couche de support au-dessus de la stratégie de base. Même si le modèle devine la direction du mouvement plus souvent que le hasard, ce n'est pas suffisant. Entre une belle prévision et l'argent se trouvent la file d'attente des ordres, le glissement, les commissions des courtiers et des bourses. En conséquence, un modèle formellement solide peut afficher des pertes là où le backtesting semblait presque parfait.

Où le ML Fonctionne

La pensée la plus sensée de la discussion est simple : l'apprentissage automatique apporte de la valeur là où la tâche est étroite et vérifiable. Au lieu de tenter de prédire le marché lui-même, le modèle aide à le décomposer en composants : dans quel mode il se trouve, quels signaux ignorer et où les coûts grignotera les bénéfices potentiels. Cette approche est beaucoup plus proche de la pratique réelle d'un trader algo solo, qui ne peut pas se permettre l'infrastructure des fonds de couverture.

• Détermination de la phase du marché : tendance, lateral, pic de volatilité
• Filtrage des signaux : quels échanges de stratégie de base ignorer
• Optimisation de l'exécution : comment entrer dans une position avec moins de glissement
• Analyse de la microstructure du carnet de commandes : recherche de modèles dans le flux des ordres

Pour un trader de détail, c'est particulièrement important car ils combinent souvent tous les rôles à la fois : trouver les données, les nettoyer, concevoir les caractéristiques, construire le modèle, tester les hypothèses, calculer les risques et ensuite déployer le résultat en production eux-mêmes. Dans cette configuration, ML est utile non comme une vitrine avec des promesses spectaculaires, mais comme un outil pour des améliorations spécifiques et étroites — par exemple, désactiver une stratégie de tendance dans un marché latéral serré ou éviter une transaction avec une exécution attendue mauvaise.

Pourquoi les Stratégies Meurent

La plupart des problèmes commencent non pas dans le modèle, mais plus tôt — à l'étape des données et des tests d'hypothèses. Si un jour manque dans les bougies, les contrats à terme sont fusionnés avec des erreurs, ou les caractéristiques contiennent accidentellement des informations du futur, l'algorithme trouve instantanément un modèle inexistant. Sur les données historiques, cela ressemble au Saint Graal, mais dans le trading réel, cela se termine très rapidement. D'où le principe principal : garbage in, garbage out. La qualité des données et l'honnêteté expérimentale importent plus ici que de choisir entre les bibliothèques et architectures à la mode.

De la discussion émerge un filtre utile de cinq questions qui doit être exécuté avant d'écrire le code : y a-t-il une tâche spécifique, y a-t-il des données honnêtes, l'idée peut-elle être testée en tenant compte des commissions et des délais, la prévision se traduit-elle par une action réelle, et produit-elle une valeur économique ? S'il n'y a pas de réponse confiante à ne serait-ce qu'une question, ML est déployé trop tôt. Sinon, vous obtenez le piège typique : il y a une prévision, mais aucun profit après tous les frais.

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'éliminent pas le risque, mais ils aident à apporter des améliorations ciblées aux processus où les humains atteignent déjà les limites du volume de données ou de la vitesse de réaction. Une autre conclusion importante — le marché manque de partage d'expérience : tant que les individus répètent les mêmes erreurs séparément, le ML reste non pas un accélérateur de profit, mais un accélérateur d'expériences coûteuses.