IA et investissement : où s'arrête la preuve d'un alpha net ?

De l'information au rendement net

Linsen Zhu et Mengqing Cai proposent une revue critique de l'IA appliquée aux marchés actions et crypto. Leur fil directeur est une chaîne souvent raccourcie dans les présentations : une information disponible doit devenir un signal stable, puis des positions faisables, des ordres exécutables et enfin un rendement ajusté du risque après frais, spread, impact, délai et financement.

Le papier passe en revue l'apprentissage automatique, les modèles de fondation, les grands modèles de langage financiers, le reinforcement learning et les agents. Il distingue les progrès techniques en amont de la preuve économique finale, beaucoup plus exigeante.

Les échecs qui se reproduisent

La revue recense la contamination temporelle, la sélection répétée, le survivorship bias, les benchmarks faibles et les tests de regard vers le futur. Elle ajoute des difficultés de portefeuille souvent absentes des démonstrations : capacité, décroissance du prédicteur, mécanique de venue, coûts d'implémentation et conditions de financement.

Pour la crypto, les auteurs demandent de séparer spot, perpétuels et marchés décentralisés. Funding, liquidations, manipulation, garde, gas, MEV et risque de smart contract ne sont pas des détails interchangeables avec ceux d'une action liquide.

Ce que la revue permet de conclure

Les auteurs ne trouvent pas d'architecture générale d'IA démontrant un alpha net persistant, capable de traverser les régimes et de respecter la capacité. Des conditions d'évaluation plus propres améliorent la crédibilité d'un résultat, mais ne garantissent pas sa rentabilité. La revue est critique et itérative, non une méta-analyse enregistrée : elle ne prétend donc pas à une couverture bibliographique complète ni à une mesure formelle du risque de biais pour chaque étude.

Interprétation éditoriale

La contribution la plus utile est une grille de passage entre prédiction et décision. Une amélioration de métrique sur un jeu de test n'est pas encore une stratégie. Il faut comparer au portefeuille de marché, à l'équipondération, au no-trade et à des règles de mise à l'échelle de volatilité, puis publier les coûts, le turnover, la capacité et les règles d'arrêt.

Cette prudence vaut aussi pour les agents : une sortie convaincante peut seulement refléter une sélection avantageuse de périodes ou de résultats. L'évidence doit être prospective, versionnée et auditée avec du capital réel si l'on veut parler de performance durable.

Limites et prudence

Le texte est une revue critique, sans protocole enregistré ni méta-analyse quantitative. Les preuves disponibles sont hétérogènes et souvent rétrospectives. Les conclusions ne constituent ni validation d'une stratégie particulière ni conseil d'investissement ; les spécificités d'une classe d'actifs, d'une venue et d'une capacité peuvent renverser le résultat.

Sources

Linsen Zhu et Mengqing Cai, « Artificial Intelligence in Equity and Crypto Markets: Progress, Profitability Evidence, and the Limits of Automated Investing », ArXiv 2609.04917v1 : résumé et preprint, PDF.