Le trading piloté par l'IA n'a pas encore atteint son "moment iPhone", où chacun porterait dans sa poche un gestionnaire de portefeuille algorithmique à apprentissage par renforcement, mais quelque chose de similaire est en préparation, selon les experts.

En fait, la puissance de l'IA trouve son égal lorsqu'elle est confrontée à l'arène dynamique et adverse des marchés de trading. Contrairement à un agent d'IA informé par d'innombrables circuits de voitures autonomes apprenant à reconnaître avec précision les signaux de circulation, aucune quantité de données et de modélisation ne pourra jamais prédire l'avenir.

Cela rend le perfectionnement des modèles de trading IA complexe et exigeant. La mesure du succès a généralement consisté à évaluer les profits et pertes (P&L). Mais les avancées dans la personnalisation des algorithmes engendrent des agents qui apprennent continuellement à équilibrer risque et récompense face à une multitude de conditions de marché.

Permettre à des métriques ajustées au risque comme le ratio de Sharpe d'informer le processus d'apprentissage multiplie la sophistication d'un test, a déclaré Michael Sena, directeur marketing chez Recall Labs, une entreprise qui a organisé une vingtaine d'arènes de trading IA, où une communauté soumet des agents de trading IA qui s'affrontent sur une période de quatre ou cinq jours.

"Quand il s'agit de scanner le marché à la recherche d'alpha, la prochaine génération de constructeurs explore la personnalisation et la spécialisation des algorithmes, en tenant compte des préférences des utilisateurs," a déclaré Sena dans une interview. "Être optimisé pour un ratio particulier et pas seulement pour le P&L brut ressemble davantage à la façon dont les principales institutions financières fonctionnent sur les marchés traditionnels. Donc, examiner des choses comme, quel est votre drawdown maximal, quelle était votre valeur à risque pour réaliser ce P&L ?"

En prenant du recul, une récente compétition de trading sur l'échange décentralisé Hyperliquid, impliquant plusieurs grands modèles de langage (LLM), tels que GPT-5, DeepSeek et Gemini Pro, a en quelque sorte établi la référence pour situer l'IA dans le monde du trading. Ces LLM ont tous reçu la même consigne et ont exécuté de manière autonome, prenant des décisions. Mais ils n'étaient pas si bons, selon Sena, surpassant à peine le marché.

"Nous avons pris les modèles d'IA utilisés dans le concours Hyperliquid et nous avons laissé les gens soumettre leurs agents de trading qu'ils avaient construits pour concurrencer ces modèles. Nous voulions voir si les agents de trading sont meilleurs que les modèles fondamentaux, avec cette spécialisation supplémentaire," a déclaré Sena.

Les trois premières places de la compétition de Recall ont été remportées par des modèles personnalisés. "Certains modèles n'étaient pas rentables et sous-performaient, mais il est devenu évident que les agents de trading spécialisés qui prennent ces modèles et appliquent une logique supplémentaire, des inférences et des sources de données par-dessus, surpassent l'IA de base," a-t-il déclaré.

La démocratisation du trading basé sur l'IA soulève des questions intéressantes sur la possibilité qu'il reste de l'alpha à couvrir si tout le monde utilise le même niveau de technologie d'apprentissage automatique sophistiquée.

"Si tout le monde utilise le même agent et que cet agent exécute la même stratégie pour tout le monde, est-ce que cela s'effondre sur lui-même ?" a demandé Sena. "Est-ce que l'alpha qu'il détecte disparaît parce qu'il essaie de l'exécuter à grande échelle pour tout le monde ?"

C'est pourquoi ceux qui sont les mieux placés pour bénéficier de l'avantage que le trading IA finira par apporter sont ceux qui disposent des ressources nécessaires pour investir dans le développement d'outils personnalisés, a déclaré Sena. Comme dans la finance traditionnelle, les outils de la plus haute qualité qui génèrent le plus d'alpha ne sont généralement pas publics, a-t-il ajouté.

"Les gens veulent garder ces outils aussi privés que possible, car ils veulent protéger cet alpha," a déclaré Sena. "Ils ont payé cher pour cela. Vous l'avez vu avec les fonds spéculatifs achetant des ensembles de données. Vous pouvez le voir avec les algorithmes propriétaires développés par les family offices.

"Je pense que le point idéal magique sera là où il y a un produit qui est un gestionnaire de portefeuille mais où l'utilisateur a encore son mot à dire sur sa stratégie. Ils peuvent dire : 'Voici comment j'aime trader et voici mes paramètres, mettons en œuvre quelque chose de similaire, mais rendons-le meilleur.'"