1. L'impact général de l'intelligence artificielle et du machine learning sur le trading
L'intelligence artificielle (IA) permet aux machines de prendre la place des humains. Dans les années 1980, les systèmes experts et la logique floue occupaient le devant de la scène en recherche sur l'IA. Avec la baisse du coût de la puissance de calcul, il est devenu économiquement viable de confier aux machines des problèmes d'optimisation à grande échelle. Grâce aux progrès du matériel et des logiciels, l'IA se concentre aujourd'hui sur les réseaux de neurones et d'autres méthodes d'apprentissage pour identifier et analyser des prédicteurs — aussi appelés caractéristiques ou facteurs — qui possèdent une valeur économique et peuvent être combinés à des classifieurs pour construire des modèles rentables. Ce type d'application de l'IA est souvent désigné sous le nom de machine learning (ML).
Les méthodologies de construction de stratégies de trading fondées sur l'IA, tant sur des horizons courts que pour l'investissement à plus long terme, gagnent en popularité, et quelques hedge funds sont particulièrement actifs sur ce terrain. L'adoption massive de cette nouvelle technologie reste toutefois lente, pour diverses raisons, la principale étant que l'IA exige d'investir dans de nouveaux outils et dans l'expertise humaine. La majorité des fonds s'appuie sur l'analyse fondamentale, car c'est ce que les gérants étudient pendant leur MBA. Rares sont les hedge funds qui reposent exclusivement sur l'intelligence artificielle. Et si l'usage de l'IA progresse chez les particuliers, la plupart des traders continuent de s'en remettre à des méthodes nées au milieu du vingtième siècle, comme l'analyse technique classique, parce qu'elles sont simples à comprendre et à utiliser.
Il faut souligner que l'IA et le ML servent aussi en dehors de l'élaboration de stratégies de trading, par exemple pour construire des algorithmes de recherche de liquidité ou recommander des portefeuilles aux clients. À mesure que les applications de l'IA se généralisent, le nombre de personnes impliquées dans les décisions de trading et d'investissement diminue, ce qui influe sur les marchés et les mouvements de prix. Il est trop tôt pour spéculer sur les conséquences globales de cette nouvelle technologie pour le secteur, mais une utilisation généralisée de l'IA pourrait donner des marchés plus efficients, à faible volatilité sur de longues périodes, entrecoupées de pics de volatilité périodiques dus aux changements de régime. C'est plausible, car l'influence de l'interprétation subjective de l'information par les humains diminuerait, tout comme le bruit qui l'accompagne. Reste à le démontrer dans la pratique.
2. L'impact de l'IA et du machine learning sur la génération d'alpha
Ceux qui comprennent la technologie de l'IA et savent en gérer les dangers disposeront d'une opportunité pendant les premières phases de son adoption. L'un des problèmes des méthodes de trading fondées sur l'IA est qu'elles peuvent produire des modèles pires que le hasard. Je vais tenter de préciser ma pensée : l'analyse technique classique est une stratégie perdante, car les techniques fondées sur les figures chartistes et les indicateurs tirent leurs gains d'une distribution de moyenne nulle, avant même les frais de transaction. Certains traders se retrouvent naturellement dans la queue droite de la distribution, ce qui donne l'impression trompeuse que ces stratégies ont une valeur économique. Sur les marchés des futures et du Forex, la rentabilité à long terme est difficile à atteindre quelle que soit l'approche, car ces marchés sont conçus pour récompenser les teneurs de marché. Par chance, certains traders peuvent néanmoins réaliser de gros profits sur les marchés à effet de levier en peu de temps. Ils attribuent alors leur réussite à leur stratégie et à leur talent plutôt qu'à la chance.
L'IA et le ML apportent des effets supplémentaires, comme le compromis biais-variance. Le biais de data mining peut engendrer des méthodes surajustées aux données passées qui échouent sur les données nouvelles, ou des techniques trop simplistes incapables de capter les signaux essentiels à valeur économique présents dans les données. Ce compromis produit des tactiques pires que le hasard et une asymétrie négative dans la distribution des rendements de ces traders, avant même l'inclusion des frais de transaction. Dans la période post-assouplissement quantitatif, cela crée un potentiel de profit pour les grands fonds et les investisseurs. Mais lorsque les traders IA pires que le hasard auront été évincés du marché et qu'il ne restera que ceux dotés de modèles solides, la compétition pour les profits s'intensifiera. Il est trop tôt pour prédire qui, des traders IA ou des grands investisseurs, l'emportera dans cette lutte.
J'aimerais aussi revenir sur un malentendu fréquent dans ce domaine : certains pensent que la valeur réside dans les algorithmes de ML utilisés. C'est faux. La véritable valeur tient aux prédicteurs employés, souvent appelés caractéristiques ou facteurs. Les algorithmes de ML ne peuvent pas détecter d'or là où il n'y en a pas. Le problème est que la plupart des spécialistes du ML utilisent les mêmes prédicteurs et tentent de construire des modèles de manière itérative pour obtenir les meilleurs résultats. Cette démarche est minée par le biais de data mining et finit par échouer. En un mot, le biais de data mining naît de la pratique risquée consistant à réutiliser les mêmes données avec de nombreux modèles jusqu'à ce que les résultats sur les échantillons d'entraînement et de test soient satisfaisants. D'après mes recherches dans ce domaine, si un classifieur simple, comme la régression logistique binaire, ne fonctionne pas correctement avec un ensemble donné de prédicteurs, il y a de fortes chances qu'il n'existe aucune valeur économique. Le succès dépend donc du feature engineering, à la fois science et art, qui exige des connaissances, de l'expérience et de l'inspiration pour concevoir des caractéristiques à valeur économique — et seule une infime fraction des experts en est capable.
3. L'impact de l'intelligence artificielle et du machine learning sur l'analyse technique
Il faut distinguer l'analyse technique classique de l'analyse technique quantitative, puisque toutes les approches reposant sur l'analyse des séries de prix et de volumes relèvent de cette catégorie. L'analyse technique traditionnelle — figures chartistes, indicateurs de base, théories de price action, etc. — était inefficace dès le départ. À l'exception de quelques initiatives imparfaites et de portée limitée, les publications vantant ces approches divulguaient rarement leurs espérances statistiques à long terme, se contentant d'assurer que suivre telle ou telle règle offrirait un potentiel de profit. Les gains et pertes de marché suivant une distribution statistique, il s'est toujours trouvé des gens pour attribuer leur bonne fortune à ces approches. Dans le même temps, toute une industrie s'est bâtie autour de ces procédés, faciles à maîtriser. Hélas, beaucoup ont cru pouvoir gagner en utilisant mieux que les autres des tactiques que tout le monde employait, et le résultat fut un formidable transfert de richesse de ces traders naïfs vers les teneurs de marché et autres professionnels bien informés.
Au début des années 1990, certains spécialistes des marchés ont découvert qu'un grand nombre de traders particuliers négociaient avec ces tactiques rudimentaires. Certains ont construit des algos et des systèmes experts d'IA pour anticiper les figures puis trader contre elles, générant une volatilité que les particuliers, parfois surnommés les « mains faibles », ne pouvaient pas supporter. Plus largement, l'échec de l'analyse technique traditionnelle peut être rattaché à la disparition de la forte corrélation sérielle des marchés à partir des années 1990. C'était principalement cette forte corrélation sérielle qui donnait la fausse impression que ces procédés fonctionnaient. À quelques exceptions près, les marchés sont aujourd'hui en retour à la moyenne, ce qui rend les outils d'analyse technique simples inopérants. En revanche, certains outils d'analyse technique quantitative, comme les modèles de retour à la moyenne et d'arbitrage statistique, ainsi que les algorithmes de ML exploitant des caractéristiques à valeur économique, fonctionnent souvent efficacement.
Compte tenu de la grande diversité des modèles et du fait que la plupart restent confidentiels, ce type d'arbitrage a peu de chances de se reproduire avec l'IA et le ML ; mais le problème fondamental de cette nouvelle technologie n'est pas le biais de confirmation, comme en analyse technique classique, c'est le biais de data mining.
Observer le marché et scruter les graphiques devient, à mon avis, une pratique dépassée. L'avenir du trading passe par le traitement de l'information en temps réel, le développement de modèles et leur validation. Le hedge fund de demain ne s'appuiera pas sur l'analyse graphique. Certains continuent de le faire parce qu'ils se trouvent à la croisée des chemins, là où les anciennes méthodes se heurtent aux nouvelles. Beaucoup de traders peu familiers de l'IA auront du mal à rester compétitifs et finiront par se retirer.
4. Les gagnants et les perdants de la nouvelle technologie de trading
Le recours à l'intelligence artificielle va révolutionner le trading de multiples façons, et c'est déjà en cours. Les investisseurs pourraient bientôt découvrir qu'une fois terminée la tendance actuelle créée par le QE, les rendements à moyen terme seront bien inférieurs aux attentes. Si ce scénario se réalise, les investisseurs devront revenir à la méthode traditionnelle : trouver un conseiller financier compétent capable de recommander une composition de portefeuille et de sélectionner des actions appelées à s'apprécier. Dans certains cas, le conseiller sera un programme d'intelligence artificielle et la procédure se déroulera en ligne.
Les traders doivent se familiariser avec cette nouvelle technologie. La plupart se débattent encore avec des approches dépassées, en espérant que le « buy the dip » continuera de fonctionner et de rapporter pendant quelques années encore.
L'un des problèmes est l'aléa moral entretenu par la banque centrale à travers son soutien direct aux marchés financiers ces huit dernières années. Beaucoup de traders et d'investisseurs pensent désormais qu'un marché baissier est impossible, la banque centrale étant censée être là pour transférer leurs pertes à tous les autres tout en leur laissant leurs gains. Résultat : la majorité des acteurs de marché n'est pas préparée au prochain grand changement de régime et pourrait subir des pertes catastrophiques.
Il existe de nombreuses ressources en ligne pour se former au machine learning, à l'intelligence artificielle et au trading. La meilleure façon d'apprendre est de s'attaquer à quelques cas pratiques. Je crois cependant que la plupart des traders seront incapables de s'adapter. La combinaison de compétences nécessaire pour comprendre et déployer l'IA élimine 95 % des traders habitués à tracer des lignes sur des graphiques et à surveiller des moyennes mobiles.
Les investisseurs devraient mener leurs propres recherches et solliciter l'avis d'un conseiller financier professionnel au fait de ces nouvelles évolutions. Chaque investisseur possède un profil d'aversion au risque qui lui est propre, ce qui interdit toute recommandation générale. Les robo-advisors vont bientôt proliférer, et en choisir un qui réponde à des besoins et objectifs précis pourrait s'avérer difficile.
Quiconque ne connaît pas le ML et l'IA et leurs applications au trading et à l'investissement gagnera sans doute davantage à consulter un professionnel compétent dans ce domaine qu'à se lancer dans la lecture de livres et d'articles — une étape qui pourra venir une fois les fondamentaux acquis.