C'est la panique ! Les traders IA font faillite collectivement, perdant un tiers en deux semaines, les investisseurs particuliers osent-ils encore confier leur argent aux machines ?

L’intelligence artificielle frappe à la porte de Wall Street, mais le premier bilan présenté est aussi désastreux qu’une scène d’accident.

Une série de compétitions de trading public préliminaires montre que les grands modèles de langage grand public performent généralement mal dans le trading autonome — la plupart des systèmes enregistrent des pertes, avec une fréquence de transactions incroyablement élevée, et donnent des décisions radicalement différentes face à la même instruction.

Le cas le plus typique provient de la compétition Alpha Arena organisée par la startup technologique Nof1. Ils ont mis en compétition huit systèmes d’IA de pointe, dont Claude d’Anthropic, Gemini de Google, ChatGPT d’OpenAI, Grok d’Elon Musk, lors de quatre tours, en leur donnant chacun 10 000 dollars avant chaque début de tour, pour qu’ils négocient de manière autonome des actions technologiques américaines sur deux semaines.

Et le résultat ? Le portefeuille global a perdu environ un tiers. Sur 32 transactions, seules 6 ont été profitables. Jay Azhang, le fondateur de Nof1, déclare franchement : « Maintenant, confier directement de l’argent à de grands modèles pour qu’ils négocient eux-mêmes, cette voie est infructueuse. »

Les données révèlent plusieurs défauts de l’IA dans le contexte du trading. Avec les mêmes instructions, Qwen d’Alibaba a effectué 1 418 transactions en une seule ronde, tandis que le meilleur, Grok 4.20, n’en a passé que 158. La meilleure performance de Grok a été observée lors de la ronde où il pouvait analyser les performances de ses concurrents.

Le blog Flat Circle, qui suit 11 arènes de marché, montre que dans chaque arène, au moins un modèle parvient à réaliser un profit, mais seulement deux arènes ont une médiane de modèles en bénéfice — la majorité des modèles ne battent pas le marché.

Les différences de décision entre les modèles sont encore plus problématiques. Azhang explique qu’au cours de la dernière phase de test d’Alpha Arena, Claude avait tendance à prendre des positions longues, Gemini n’était pas opposé à la vente à découvert, et Qwen aimait jouer avec un levier élevé.

Doug Clinton, responsable d’Intelligent Alpha, un fonds géré par LLM, déclare : « Ils ont chacun leur ‘personnalité’, leur gestion est presque comme celle d’un analyste humain. » Mais en informant le modèle de certains biais, il est possible d’améliorer les résultats dans une certaine mesure.

Azhang souligne que les grands modèles ont un avantage dans la recherche et l’utilisation d’outils, mais présentent des faiblesses évidentes dans l’exécution des transactions : ils ne comprennent pas bien la pondération des variables telles que les évaluations des analystes, les transactions d’initiés ou les changements d’émotion, ce qui les amène à acheter au plus haut et vendre au plus bas, tout en mal gérant leur position.

Les tests de référence d’Intelligent Alpha offrent une perspective relativement positive. Ils donnent à 10 modèles d’IA l’accès à des documents financiers, des prévisions d’analystes, des transcriptions de conférences téléphoniques sur les résultats, des données macroéconomiques et des recherches en ligne, en ne se concentrant que sur la direction des prévisions de profit. Au quatrième trimestre 2025, ChatGPT a atteint un taux de précision de 68 %, établissant un record. Clinton indique qu’à chaque nouvelle version, la performance globale des modèles s’améliore.

Il existe une difficulté méthodologique fondamentale pour évaluer la capacité de trading de l’IA : les stratégies quantitatives traditionnelles reposent sur des backtests historiques, mais cela échoue presque avec les grands modèles — un modèle interrogé en 2026 sur la façon de trader le marché de mars 2020 « savait » déjà comment cette période allait évoluer. Ce biais de « regard en avant » oblige les chercheurs à évaluer en conditions réelles, ce qui explique la prolifération de nombreuses arènes.

Jim Moran, auteur du blog Flat Circle et ancien co-fondateur de YipitData, une société de données alternatives, pense que la plupart des expérimentations publiques actuelles sont trop courtes et trop bruyantes pour tirer des conclusions définitives. Ces arènes ont aussi des désavantages naturels, comme l’accès limité aux ressources de recherche propriétaires ou une qualité d’exécution inférieure. Il déclare : « Si l’on transplantait un agent IA de ces arènes dans une grande société de hedge funds, ses performances seraient probablement meilleures. »

Alexander Izydorczyk, ancien chef de la science des données chez Coatue Management et actuellement chez NX1 Capital, a récemment écrit que parmi les robots de trading IA qu’il suit, aucun ne montre encore une capacité durable de rendement excessif. Il pense que ces limites viennent du fait que les données d’entraînement manquent des techniques de trading quantitatif utilisées par les institutions secrètes.

Mais il laisse une remarque intrigante : « Parfois, les débutants voient des choses que les experts ne perçoivent pas. » Sur son blog personnel, il écrit : « Quand une stratégie de trading basée sur un agent IA commence vraiment à fonctionner, vous n’en entendrez pas immédiatement parler. »

Nof1 prépare la deuxième saison d’Alpha Arena, avec l’intention d’offrir à chaque modèle IA une recherche en ligne, un temps de réflexion plus long, davantage de sources de données et une capacité d’exécution multi-étapes. Mais le cœur de leur modèle commercial reste de fournir aux investisseurs particuliers des outils pour construire leurs propres agents de trading IA — et non de déployer directement l’IA sur les marchés.

Ce positionnement pourrait bien être la meilleure indication, à ce jour, de la réalité des capacités actuelles de l’IA dans le trading.