Élever des homards et faire du trading, est-ce de la « science » ou de la « superstition » ?

Journaliste de Jiemian News | Liu Litong

Rédacteur de Jiemian News | Song Yejun

Récemment, « élever des homards » (déployer, entraîner, utiliser des agents d’IA open source OpenClaw) est devenu viral sur tout le net, et de nombreux investisseurs se sont précipités pour rejoindre cette vague.

Jiemian News a remarqué que, récemment, les discussions sur les réseaux sociaux concernant « utiliser des homards pour trader » deviennent de plus en plus animées. Certains s’émerveillent de la capacité des « homards » à surveiller le marché 24h/24 de manière efficace et pratique, d’autres se plaignent que « trader avec des homards, le coût en tokens est plus de 10 fois supérieur aux frais de transaction », certains recherchent des informations sur OpenClaw, et d’autres encore remettent en question la sécurité et la fiabilité de « trader avec des homards »…

Depuis le succès de DeepSeek l’année dernière, de plus en plus d’investisseurs en actions A tentent d’adopter l’IA sous différentes formes, mais leur expérience pratique varie considérablement.

L’investisseuse Chen Xue (pseudonyme), qui a cherché la « clé de la richesse » sur plusieurs plateformes de grands modèles d’IA, a subi une perte globale d’environ 20 % dans un contexte de marché haussier. Selon elle, « toute sincérité finira par être mal dirigée ».

Selon Qin Peng (pseudonyme), responsable d’une équipe de quantitatifs dans le sud de la Chine, l’IA « compagnon » est considérée comme une « arme secrète pour la recherche et l’investissement », améliorant la productivité de plusieurs fois.

Comment l’IA performe-t-elle actuellement dans le domaine du trading ?

Efficace, mais pas forcément fiable

Lorsqu’il rencontre un problème, la première réaction de He Feng (pseudonyme), un trader de Guangdong, est de « faire un Doubao » (rechercher rapidement une réponse).

Que ce soit une nouvelle inattendue ou un nouveau concept de secteur, il suffit généralement de 1 à 2 minutes pour obtenir une réponse préliminaire. Si une recherche approfondie est nécessaire, il modifie simplement ses mots-clés ou sa façon de poser la question, et en quelques minutes, il obtient une réponse plus conforme à ses attentes.

Avant l’émergence des grands modèles d’IA, pour répondre à la même question, He Feng devait passer beaucoup de temps à parcourir des sites d’actualités, des forums boursiers, des réseaux sociaux, etc. Après avoir collecté suffisamment d’informations, il devait encore les analyser et les synthétiser lui-même pour obtenir une réponse satisfaisante.

Qin Peng préfère combiner son modèle de sélection d’actions quantitatif avec de grands modèles d’IA.

Son modèle de sélection automatique filtre chaque jour des actions en fonction de flux de capitaux, de popularité du marché, de tendances de prix et de volume, puis effectue une seconde sélection basée sur les fondamentaux et les thèmes chauds pour cibler les actions finales. Avec l’aide de l’IA, le temps consacré à la sélection manuelle est passé de 3-5 heures à 30-50 minutes par jour, multipliant ainsi la productivité.

De plus, lors de la rédaction ou de la modification de ses modèles de sélection, Qin Peng confie parfois des tâches simples à l’IA.

« L’efficacité » est le mot-clé que beaucoup d’investisseurs associent en premier lieu à l’utilisation de l’IA pour trader. Sur le marché boursier chinois, il y a plus de 5000 sociétés cotées, et les informations financières sont constamment mises à jour 24h/24. Extraire la partie pertinente de cette masse d’informations dépasse largement les capacités d’un seul investisseur, et cette tâche complexe est un jeu d’enfant pour l’IA.

Cependant, plusieurs interviewés ont également indiqué à Jiemian News que, souvent, les réponses de l’IA ne sont pas fiables.

Par exemple, demander à l’IA la relation entre une action spécifique et un thème chaud donne souvent une réponse qui semble très logique, mais en réalité, beaucoup de contenus manquent de fondement factuel.

D’autres exemples montrent que demander à l’IA de rechercher les 10 actions avec le plus faible ratio PE sur le marché aboutit à une réponse en analysant seulement quelques dizaines d’actions, dont certaines données datent d’années passées, voire sont erronées.

Les « compagnons » d’IA manifestent aussi souvent une « personnalité accommodante ».

Par exemple, si vous lui demandez « A est-il meilleur que B ? », il vous fournira de nombreux arguments pour soutenir cette opinion. Mais si vous inversez la question en demandant « B est-il meilleur que A ? », il vous donnera aussi beaucoup d’arguments en faveur de B. Si vous lui demandez d’analyser un secteur, puis de vous indiquer les secteurs à surveiller actuellement, il mentionnera souvent ceux déjà évoqués.

Presque tous les interviewés ont rencontré des « hallucinations » de l’IA lors de l’utilisation de grands modèles pour trader, c’est-à-dire que les réponses de l’IA, bien que paraissant raisonnables et complètes, contiennent en réalité de nombreux faits, données ou événements inventés, voire contraires aux connaissances fondamentales, ce qui constitue une « absurdité sérieuse ».

Dans le domaine de l’investissement, toute erreur de décision peut entraîner des pertes financières importantes. Ces phénomènes engendrent des problèmes secondaires : bien que les investisseurs puissent obtenir une réponse en quelques minutes, ils doivent ensuite consacrer plusieurs fois ce temps à « corriger » l’IA ou à ajuster leur façon de poser des questions pour obtenir une réponse plus fiable.

Où se situe le problème ?

Chen Xue a d’abord décidé d’utiliser l’IA après avoir appris que DeepSeek, basé sur la quantification de Fantasia, était très performant.

De nombreux fonds quantitatifs de premier plan déclarent publiquement qu’ils ont intégré l’IA dans leur stratégie, mais peu de gens savent réellement quel rôle l’IA joue dans leurs décisions d’investissement, ni dans quelle mesure elle influence leur rendement, ni combien de cette influence provient du trading à haute fréquence.

Selon un professionnel d’un fonds quantitatif de Shanghai, poser une simple question à l’IA lors du trading est très différent d’une application concrète de l’IA dans la gestion quantitative.

En général, l’investissement quantitatif repose sur des modèles mathématiques, des méthodes statistiques et des programmes informatiques pour remplacer le jugement subjectif dans la prise de décision, avec des caractéristiques telles que la discipline, la donnée-driven, la diversification des positions et une gestion rigoureuse des risques.

Pour la majorité des investisseurs utilisant des grands modèles d’IA, la décision finale reste souvent humaine, relevant du jugement subjectif, avec un nombre de positions généralement limité, ce qui limite la capacité à diversifier pour couvrir les risques liés aux erreurs de l’IA.

Par ailleurs, beaucoup d’investisseurs utilisent couramment des modèles génériques comme Doubao, Qianwen, DeepSeek, qui diffèrent fondamentalement des modèles d’IA développés en interne par des fonds quantitatifs.

Jiemian News a appris que ces fonds investissent principalement dans trois éléments clés de l’IA : données, puissance de calcul et algorithmes.

Un analyste du secteur indique que, dans la finance, la qualité des données est cruciale : des données financières réelles, à jour et complètes sont essentielles. Or, les grands modèles génériques sont principalement entraînés sur des textes, manquant souvent de données financières de haute qualité.

Concernant la puissance de calcul, bien que les investissements matériels globaux pour ces modèles soient souvent supérieurs à ceux des fonds quantitatifs, leur champ d’application plus large implique un volume d’entraînement plus important.

En termes d’algorithmes, la majorité des fonds quantitatifs de premier plan adoptent une approche « auto-développée », avec des algorithmes de base similaires aux grands modèles, mais leur ajustement fin et leur cœur algorithmique restent généralement secrets, voire inaccessibles au public.

Un professionnel du secteur mentionne aussi que certains brokers et institutions travaillent activement à déployer des modèles d’IA spécialisés pour la finance. Bien qu’ils disposent de données financières avancées, leur recherche en IA est limitée par les coûts de puissance de calcul et les contraintes réglementaires, rendant difficile la satisfaction des attentes des investisseurs.

« Même si leurs modèles diffèrent considérablement des modèles d’IA quantitatifs, les grands modèles génériques rassemblent une vaste connaissance en investissement. Pourquoi ne pourraient-ils pas fournir des conseils d’investissement plus raisonnables, comme ceux des grands investisseurs subjectifs ? » s’interroge un investisseur, tout comme Chen Xue.

À ce sujet, Ren Yu, un trader de Chengdu, a déclaré à Jiemian News : « Les investisseurs subjectifs n’ont pas besoin d’une précision aussi extrême que dans la quantification, mais leurs décisions doivent aussi se baser sur des données récentes et relativement précises. Or, les données récupérées par les grands modèles sont souvent peu à jour, voire contaminées, ce qui rend leurs analyses peu fiables. »

« Le problème principal, c’est que les grands modèles d’IA manquent d’un système d’investissement complet. Chaque stratégie a ses caractéristiques et son environnement de marché spécifique. Selon la stratégie, la conclusion sur le point d’achat ou de vente d’une action peut être totalement différente. Par exemple, une action peut sembler une bonne opportunité à moyen ou long terme, mais être à vendre pour un trader à très court terme. Bien qu’ils aient appris de nombreuses stratégies, ces modèles manquent de données concrètes sur leur mise en pratique, ce qui rend difficile la compréhension de leur logique et de leurs différences fondamentales », explique Ren Yu.

Et si l’on « alimentait » l’IA avec les cadres et philosophies d’investissement de grands investisseurs, pour qu’elle réponde selon leur logique, cela donnerait-il de meilleurs résultats ?

Qin Peng, qui a déjà tenté cette approche, a exprimé son scepticisme : « Tout ce que l’on peut donner à l’IA, ce sont des opinions et des logiques publiques de grands investisseurs. Mais ces investisseurs eux-mêmes, lorsqu’ils partagent leurs idées, ne peuvent pas ou ne veulent pas toujours tout révéler, et leur système d’investissement évolue constamment avec le marché. »

De plus, même si l’IA pouvait fournir des conseils plus pertinents, les investisseurs suivraient-ils vraiment ces stratégies à la lettre ? La réponse est probablement non.

La collaboration homme-machine, une tendance incontournable

Face à une IA efficace mais potentiellement peu fiable, comment les investisseurs ordinaires peuvent-ils l’utiliser de manière optimale ?

« Se fier entièrement à l’IA pour la prise de décision n’est pas envisageable. Il faut d’abord construire son propre système d’investissement », conclut Chen Xue après plus d’un an d’expérience.

Elle a récemment suspendu ses opérations en réel, décidant de se concentrer sur l’apprentissage de plus de connaissances en investissement, et de reprendre ses activités une fois qu’elle sera mieux formée. Elle a aussi découvert un point fort de l’IA : « Sa capacité d’analyse textuelle est vraiment impressionnante, elle est excellente pour rechercher et résumer des connaissances en investissement ! »

Qin Peng, satisfait de ses résultats, partage avec Jiemian News que, lors de la phase de collecte d’informations, l’IA dépasse largement l’humain en efficacité, ce qui permet de déléguer cette tâche ; pour l’analyse, l’IA est également plus rapide, mais peut faire des erreurs, donc il faut ajuster la façon de poser les questions et donner plus d’indications pour aider l’IA à analyser plus précisément ; enfin, la décision d’investissement reste la responsabilité de l’humain, qui doit faire preuve de jugement subjectif.

Les experts s’accordent à dire que, dans le futur, les grands modèles d’IA deviendront de plus en plus performants, et de nombreux modèles spécialisés dans la finance et l’investissement verront le jour. Cependant, l’IA ne remplacera pas totalement l’humain dans la prise de décision, mais jouera plutôt un rôle d’assistant. La collaboration homme-machine restera la tendance principale.

D’une part, l’IA est créée par l’homme : la puissance de calcul utilisée, les données « nourries » à l’IA, et les algorithmes employés sont tous décidés par l’humain. Pendant encore un certain temps, l’IA ne pourra pas fonctionner indépendamment de l’humain.

D’autre part, l’IA cherche des patterns dans des données historiques, mais en bourse, l’histoire ne se répète jamais exactement. Les « événements imprévus » peuvent survenir à tout moment, et l’IA, qui manque de capacité à gérer ces scénarios, ne pourra pas devenir un agent omnipotent.

Techniquement, il est possible qu’un jour, l’IA fasse mieux que l’humain dans le trading, mais une série de risques potentiels rend impossible de lui confier toutes les décisions.

Par exemple, la convergence des stratégies est un problème connu : si de plus en plus d’institutions et d’investisseurs utilisent des données similaires et des méthodes proches pour entraîner l’IA, cela peut conduire à des stratégies convergentes, intensifiant la volatilité synchronisée des actions et du marché, et augmentant le risque systémique.

De plus, les modèles d’IA étant souvent des « boîtes noires », leur processus décisionnel est difficile à retracer. En cas d’erreur grave, ils ne peuvent être tenus responsables, et il est difficile de déterminer si une erreur humaine a été impliquée. Si l’on confie entièrement la décision à l’IA, certains pourraient manipuler ou influencer l’IA pour manipuler le marché, ce qui rendrait la surveillance et la régulation encore plus complexes. Pour ces raisons, la réglementation limitera probablement l’usage de l’IA dans la finance à certains cadres précis.