DiffQuant optimise directement le ratio de Sharpe grâce à un simulateur de trading différentiable

DiffQuant est un prototype open source qui s'attaque à une contradiction de fond du trading par ML : les modèles apprennent à minimiser l'erreur quadratique moyenne, mais sont évalués sur le ratio de Sharpe. Les auteurs ont comblé cet écart en faisant de tout le pipeline de trading, des variables au PnL et aux commissions, un unique graphe différentiable.

Le problème des objectifs de substitution

Dans la plupart des systèmes de ML pour le trading quantitatif, le schéma est le suivant : on entraîne un réseau de neurones à prédire les rendements ou la direction du prix en minimisant la MSE ou la BCE. On construit ensuite une stratégie de trading sur ces prédictions et on l'évalue sur le ratio de Sharpe, le rapport entre le rendement moyen et la volatilité.

Le problème : ces deux objectifs ne sont pas liés mathématiquement. Une meilleure MSE ne garantit pas un meilleur Sharpe. En pratique, le réseau dépense ses ressources à réduire l'erreur de prédiction dans des régimes de marché où cela n'a aucun effet sur le résultat final de trading. Une amélioration de 15% de la précision des prévisions peut ne produire aucun gain de Sharpe, un problème documenté aussi bien dans les travaux académiques que chez les praticiens de l'industrie quant.

Les solutions partielles, comme les fonctions de perte de classement, les métriques proxy sur mesure ou la pondération a posteriori, ne règlent pas le fond : pendant l'entraînement, le gradient ne voit pas la mécanique réelle du trading.

Comment fonctionne le simulateur différentiable

DiffQuant prend le problème de front : tout le pipeline de trading est implémenté sous la forme d'un unique graphe de calcul d'opérations continues :

• Variables de marché → un bloc neuronal qui prédit le signal
• Signal → une position cible, soumise à des contraintes de taille et de direction
• Position → PnL pas à pas avec un modèle explicite de glissement et de commissions
• PnL cumulé → le ratio de Sharpe comme fonction de perte scalaire différentiable

La question technique clé est de rendre différentiables le positionnement et les coûts, puisque les opérations réelles sont discrètes. Les auteurs recourent à des approximations lisses : au lieu de transitions brutales entre positions, des fonctions continues assez précises pour laisser passer le gradient.

«

Ce n'est pas un système de trading abouti, c'est une autre façon de poser le problème », soulignent les auteurs.

Résultat : le gradient du ratio de Sharpe se propage en sens inverse à travers tout le pipeline jusqu'aux poids du réseau de neurones. Le modèle s'entraîne directement sur le critère qui servira à l'évaluer en production.

Un Sharpe de +1.73 et +1.15 après commissions

Le prototype a été testé sur deux trimestres consécutifs held-out, des périodes que le modèle n'a vues ni pendant l'entraînement ni pendant le réglage des hyperparamètres. Le Sharpe atteint +1.73 au premier trimestre et +1.15 au second, après prise en compte des commissions réelles. Les deux valeurs dépassent un, la référence admise pour les stratégies algorithmiques.

Le code, les données et le protocole complet de l'expérience sont publiés en accès libre. Quiconque dispose de données de marché comparables peut reproduire les résultats. Les auteurs ont volontairement évité les complications : pas d'architectures exotiques ni de variables atypiques, seulement un changement de fonction de perte.

Ce que cela signifie

DiffQuant montre que bien poser le problème compte plus que choisir l'architecture. Si, en production, la stratégie est jugée sur le Sharpe, c'est lui qu'il faut optimiser à l'entraînement, et non des substituts. Pour les fonds quantitatifs et les chercheurs indépendants, c'est un signal pratique : l'écart entre l'objectif d'entraînement et la métrique réelle peut être comblé techniquement, ce qui change non seulement le résultat, mais aussi ce que le modèle apprend exactement.