ML dans le trading : pourquoi il ne prédit pas les prix

Apprentissage automatique en trading algorithmique : applications réelles et erreurs courantes

L'apprentissage automatique (ML) dans le trading ne prédit pas directement les cours des actions, mais excelle à résoudre des tâches spécifiques et ciblées : détecter les régimes de marché, filtrer les signaux de trading, optimiser l'exécution des ordres et analyser la microstructure du livre d'ordres. En Russie, les traders algorithmiques indépendants gèrent l'intégralité du processus — de la préparation des données à la mise en production — contrairement aux hedge funds où les rôles sont délégués. La majorité des stratégies basées sur le ML échouent en raison de mauvaises qualités de données et de tests mal conçus.

Le rôle du trader algo isolé

Aujourd'hui, le trader algo seul agit comme une équipe complète de spécialistes. Il est responsable de :

• L’acquisition et le nettoyage des données ;
• L’ingénierie de caractéristiques ;
• La construction de modèles ;
• Le test d’hypothèses ;
• L’assemblage de stratégies ;
• Le calcul du risque ;
• Le déploiement en production.

Cela exige un matériel équipé d’une GPU maison et des outils d’IA. Contrairement aux fonds avec des rôles spécialisés, une seule personne porte tout le fardeau. Une enquête menée lors d’un meetup a révélé que 70 % ont expérimenté le ML, mais seulement 30 % exploitent des stratégies rentables avec de l’argent réel. Le problème central ? Un manque de contenu pertinent — les discussions regorgent d’indices vagues, et chacun réinvente la roue, reproduisant les mêmes erreurs.

Pourquoi la prédiction directe des prix ne fonctionne pas

Le mythe des réseaux de neurones qui prédisent le prix de demain de Sberbank s’effondre sous l’épreuve du terrain. La régression sur les prix historiques produit du bruit. Dans le trading haute fréquence (HFT), le ML est limité — les modèles introduisent des délais critiques à l’échelle du nanoseconde.

La génération de signaux via le ML échoue souvent. En revanche, le ML brille dans :

• La détection des régimes de marché : désactiver les stratégies de suivi de tendance pendant les phases latérales ;
• Le filtrage des signaux : éliminer les trades perdants des stratégies de base ;
• L’optimisation de l’exécution : minimiser le glissement et les frais ;
• L’analyse de la microstructure du livre d’ordres : repérer des motifs dans l’écoulement des ordres invisibles à l’œil nu.

Ces applications génèrent un alpha sans l’illusion de prédiction.

Pièges classiques dans les tests

La plupart des stratégies échouent lors du backtesting. Les pièges principaux :

• Gare à la poubelle entrante = poubelle sortante : 80 % du temps passés à trouver et nettoyer les données. Une journée manquante ou des futures mal assemblées créent des motifs faux ;
• Regarder vers l’avenir : des séparations entraînement-test mal conçues permettent aux modèles de voir des données futures (voir Marcus de Prado). Le backtest semble parfait ; les résultats en live déclenchent des appels de marge ;
• Prédiction ≠ PnL : le modèle devine correctement la direction 60 % du temps, mais le glissement, les frais et la latence engloutissent tous les profits.

L’écart par rapport aux fonds occidentaux ne réside pas dans les idées — il réside dans l’infrastructure. La non-stationnarité et le surajustement sont des défis universels.

Valider ses idées avant de coder

Avant d’écrire du code Python, posez-vous cinq questions :

• La tâche est-elle bien définie ? (Pas « ajouter un réseau de neurones », mais « réduire les coûts d’exécution ») ;
• Disposez-vous de données honnêtes ? (Propres, sans fuite vers l’avenir, accessibles en temps réel) ;
• Pouvez-vous tester en incluant les frais et la latence ?
• La prédiction se traduit-elle en action ? (Chemin clair du modèle au trade) ;
• Y a-t-il un impact économique ? (Bénéfice après tous les coûts).

Une réponse négative à l’une de ces questions signifie qu’il est trop tôt pour déployer le ML.

Ce qui compte vraiment

• Le ML dans le trading résout des problèmes précis — pas la prédiction des prix ;
• 80 % du succès réside dans les données — le nettoyage et la validation sont cruciaux ;
• Évitez les fuites vers l’avenir dans les backtests ;
• Intégrez le PnL avec glissement et frais ;
• Validez vos idées avec la check-list des cinq questions avant de coder.

Le ML n’est pas un bouton magique — c’est un outil pour des besoins précis. Les communautés fermées entraînent des erreurs répétées ; partager les insights accélère l’avancement.

— Editorial Team