L'équipe de Qiu Cheng-Tong s'attaque à la quantification ! YAND peut-il déclencher une « révolution paradigmique » dans le monde de l'investissement ?

Écrire un article : Souvenirs de transmission et d’apprentissage

L’arme mathématique du lauréat Fields, peut-elle changer l’algorithme central du marché de gestion d’actifs d’un billion ?

1 Introduction

Au printemps 2026, une nouvelle a fait sensation dans le cercle de l’investissement quantitatif : la figure emblématique de la mathématique, lauréat Fields, Qiu Cheng-Tung, s’est officiellement lancé dans le domaine de la quantification. La nouvelle méthode d’optimisation, YAND (Yau’s Affine-Normal Descent, Descente Normale Affine de Yau), développée conjointement par Qiu Cheng-Tung et ses collaborateurs, est qualifiée par certains experts du secteur de « coup de réduction dimensionnelle », voire considérée comme susceptible de briser un paradigme technique en place depuis près de 70 ans dans le domaine de l’investissement quantitatif.

Pourquoi un mathématicien de classe mondiale, immergé depuis toujours dans la géométrie différentielle, la conjecture de Calabi et autres théories mathématiques pures, se retrouve-t-il soudainement mêlé à l’investissement en actions ? Qu’a fait YAND pour provoquer une telle réaction ? Aujourd’hui, nous approfondissons cette question à travers un long article.

2 Contexte : le cauchemar de la haute dimension dans la construction de portefeuilles d’investissement

Revenons à l’origine de tout. Dans le monde de l’investissement quantitatif, la majorité des stratégies sont basées sur le cadre « moyenne-variance ». Cette théorie moderne de portefeuille, proposée par Harry Markowitz en 1952, occupe une position dominante. En termes simples, elle considère le rendement comme la « moyenne » et le risque (volatilité) comme la « variance », avec pour objectif principal de maximiser le rendement pour un risque fixé, ou de minimiser le risque pour un niveau de rendement donné.

Cette théorie a longtemps été la pierre angulaire du secteur, mais elle présente un défaut critique : elle ne prend en compte que le rendement et la fluctuation des prix (premier et deuxième moments), en ignorant la présence généralisée dans les marchés financiers de phénomènes extrêmes tels que « pics pointus et queues épaisses » (troisième et quatrième moments, skewness et kurtosis). En termes simples, les mouvements de prix réels comportent souvent des risques extrêmes et des événements « cygnes noirs » (skewness et kurtosis), et le modèle moyenne-variance réagit souvent lentement face à des chutes brutales ou des hausses violentes, comme lors de la crise financière de 2008 ou du krach boursier chinois de 2015, où de nombreuses stratégies d’investissement ont échoué collectivement.

C’est aussi une douleur de longue date dans l’industrie quant : pour capturer plus précisément ces risques extrêmes, il faut introduire des « moments d’ordre supérieur » (skewness et kurtosis), mais en pratique, face à des milliers d’actions, le calcul traditionnel devient « cauchemar dimensionnel ». Il faut manipuler d’immenses tenseurs d’ordre supérieur (co-skewness et co-kurtosis), avec une puissance de calcul qui croît géométriquement, rendant impossible pour des institutions ou même des superordinateurs de réaliser ces calculs en un temps raisonnable. L’émergence de YAND vise précisément à résoudre cette problématique vieille de 70 ans.

3 Origine de la publication

Les dernières recherches académiques de haute qualité du groupe de Qiu Cheng-Tung se concentrent sur l’optimisation de portefeuille quantitatif.

Le 28 avril 2026, le groupe de Qiu Cheng-Tung a publié un article intitulé « Yau’s Affine-Normal Descent for Large-Scale Unrestricted Higher-Moment Portfolio Optimization », référencé sous arXiv:2604.25378, classé en finance quantitative (q-fin). Les auteurs sont au nombre de quatre : Ya-Juan Wang, Yi-Shuai Niu, Artan Sheshmani, et le plus éminent, Shing-Tung Yau (Qiu Cheng-Tung). C’est là le fondement central de cette recherche. Par ailleurs, Qiu Cheng-Tung et ses collaborateurs ont également publié un article théorique sur le cadre de YAND, intitulé « Yau’s Affine Normal Descent : Algorithmic Framework and Convergence Analysis », arXiv:2603.28448. Ce dernier ne se limite pas au contexte d’investissement, mais explore les propriétés de YAND sous l’angle de la mathématique pure et de l’optimisation algorithmique. Sur les plateformes d’évaluation par les pairs, des bases de données académiques telles que Semantic Scholar ont aussi intégré une autre publication liée du groupe de Qiu, intitulée « Affine Normal Directions via Log-Determinant Geometry: Scalable Computation under Sparse Polynomial Structure », avec le Corpus ID : 287023415.

Alors, quel est le véritable secret derrière YAND ?

4 L’essence technique de YAND : la puissance de la géométrie

Pour comprendre YAND en profondeur, il faut peut-être d’abord faire abstraction du jargon boursier pour entrer dans un concept purement mathématique — la direction normale affine (affine-normal direction). Je vais tenter d’expliquer ce concept complexe de façon simple. Imaginez une métaphore vivante :

Vous grimpez une montagne dans une forêt, la brume est si épaisse que vous ne voyez pas le sommet, et vous souhaitez tracer la voie la plus rapide. Les méthodes traditionnelles (comme la descente de gradient) ne font que suivre la « pente la plus forte » à chaque étape. Mais cette approche, face à des formes irrégulières ou déformées (ce qu’on appelle en mathématiques « condition numérique maligne »), peut vous faire faire de grands détours, avec une efficacité faible. YAND, lui, consiste à se déplacer en suivant la « normale affine » de la montagne, en conservant le volume, dans un cadre géométrique correct, évitant ainsi les déformations irrégulières du terrain.

C’est là la grande force de YAND : la direction normale affine possède une propriété géométrique clé — elle reste invariante sous les transformations affines qui conservent le volume. En d’autres termes, peu importe comment on étire ou comprime le système de coordonnées, l’algorithme YAND ne perd pas sa direction, et peut toujours s’approcher de la solution optimale de manière stable. Grâce à cette propriété géométrique globale, YAND évite miraculeusement le calcul difficile des moments d’ordre supérieur. La publication indique : « Cet algorithme suit la direction normale affine du niveau actuel, tout en traitant directement la matrice de rendement. Il évite le calcul explicite de tenseurs d’ordre supérieur, et utilise une structure quartique pour une prévision précise des échantillons, l’évaluation des dérivées et la recherche de la meilleure étape. » En simplifiant, cela revient à transformer le calcul de « tensorielles de dimension élevée » en une résolution efficace de matrices de dimension plus faible et gérable.

5 Validation empirique : les chiffres ne mentent pas

Pour tous les investisseurs et professionnels du quantitatif, la théorie doit se traduire par une valeur économique concrète. À cet égard, l’équipe de YAND fournit des données de backtesting très concrètes. L’article s’appuie sur un environnement expérimental robuste :

L’échantillon couvre 5 440 actions A, avec des données de chandeliers haute fréquence de 5 minutes.

Ce champ d’application est impressionnant. Dans le secteur, le nombre total d’actions A est d’environ 5 000, ce qui signifie que YAND a pratiquement effectué une optimisation de portefeuille sur l’ensemble du marché A, une tâche que peu d’algorithmes osaient envisager. Les résultats de backtest indiquent clairement :

Cette méthode peut directement rivaliser avec une optimisation de portefeuille moyenne-variance précise à l’échelle du marché entier, et montre que l’apport des moments d’ordre supérieur est le plus significatif pour des objectifs de rendement modérés.

En termes d’investissement, cela signifie que YAND peut non seulement produire la solution optimale du marché entier, mais aussi, dans un portefeuille conservateur (par exemple, actions de grande capitalisation), exploiter la valeur ajoutée des moments d’ordre supérieur, comme la skewness et la kurtosis, pour générer des rendements excédentaires.

6 Réactions du secteur : révolution paradigmique ou surenchère médiatique ?

Dans les 24 heures suivant la publication sur arXiv, de nombreux professionnels et amateurs du quantitatif ont commencé à discuter de la véritable portée de YAND. Certains ont même proclamé que « l’équipe de Qiu Cheng-Tung a renversé un modèle vieux de 70 ans ». Mais derrière cette euphorie, une analyse plus rationnelle et critique émerge, notamment dans un article très apprécié sur Zhihu : « Dans YAND-MVSK, il n’y a pas de moments d’ordre supérieur, tout comme dans Engram, il n’y a pas de mémoire », qui soulève trois critiques majeures :

Problème de stabilité des moments d’ordre supérieur : « La méthode moyenne-variance est déjà qualifiée par l’industrie de « maximiseur d’erreurs », et cette étude tente de modéliser des moments d’ordre 3 et 4 ?… Les kurtoses calculées sur données historiques sont à 90 % du bruit aléatoire. »

Inadéquation entre signal et durée de détention : « L’étude utilise des données haute fréquence de 5 minutes pour capter la skewness, mais maintient une stratégie de trading sans ajustement pendant un an et demi, ce qui revient à « détecter un trou à 10 mètres avec un radar, puis appuyer sur l’accélérateur et foncer à 100 km/h sans regarder ». »

Problème de référence pour la validation empirique : « Certains soulignent que YAND ne bat que la référence « moyenne-variance exacte », qui n’est pas la meilleure baseline du secteur. Les modèles plus robustes comme Risk Parity (parité de risque) sont plus représentatifs. »

Pour l’instant, tout cela reste éloigné d’une mise en production à grande échelle. YAND n’a été publié sur arXiv qu’en avril 2026, et si ses résultats académiques sont prometteurs, la mise en œuvre à grande échelle dans la gestion quantitative réelle doit encore résoudre des questions telles que les coûts de transaction, l’impact de marché, la robustesse face aux événements extrêmes. Les équipes opérationnelles restent prudentes, sans remplacer immédiatement leurs systèmes centraux.

7 Intersection entre mathématiques et gestion d’actifs

Indépendamment des controverses, cet événement a une portée plus profonde : l’intervention de cerveaux mathématiques de premier plan dans le cœur des algorithmes de gestion d’actifs. La stature académique de Qiu Cheng-Tung confère à cette étape une signification particulière. Né en 1949 à Shantou, en Guangdong, professeur à Harvard, membre de l’Académie nationale des sciences des États-Unis, lauréat du prix Fields en 1982, il a réalisé des contributions pionnières en géométrie différentielle, notamment la résolution de la conjecture de Calabi et la conjecture de positive mass.

Un tel géant scientifique aurait pu rester toute sa vie dans le monde abstrait des mathématiques pures. Mais ces dernières décennies, il a de plus en plus insisté sur l’application concrète des mathématiques. Il a déclaré publiquement : « L’une des applications magiques des mathématiques est d’utiliser la géométrie analytique pure dans la gestion quantitative moderne. » Son engagement dans la finance n’est donc pas une simple « incursion » opportuniste, mais une exploration sérieuse d’un outil mathématique avancé dans le monde réel.

Un autre point clé est que les deux ou trois premiers auteurs de l’article YAND représentent une nouvelle génération de mathématiciens appliqués en Chine. Par exemple, Artan Sheshmani, professeur au CMSA de Harvard et à l’Institut d’application mathématique de Yanqi Lake à Beijing, travaille en géométrie algébrique, théorie des cordes et géométrie énumérative. Yi-Shuai Niu, professeur associé à l’Institut d’application mathématique de Yanqi Lake, se spécialise en optimisation, calcul haute performance et apprentissage machine. Leur participation témoigne d’une intégration fluide entre mathématiques appliquées et besoins de gestion d’actifs.

8 Perspectives futures

Quelles seront les implications de YAND pour l’industrie de l’investissement quantitatif ? Je propose une analyse prudente : à court terme, YAND ne bouleversera pas du jour au lendemain les hedge funds ou les équipes quantitatifs publics. Ce n’est pas seulement une question de « seuils techniques élevés ». La réussite d’une stratégie quantitatif dépend de trois facteurs : accès aux données, précision du calcul, gestion des coûts et risques. YAND n’est qu’un élément parmi d’autres. De plus, si la puissance de calcul de YAND est optimisée pour traiter de grands tenseurs d’ordre supérieur, dans la pratique quotidienne, où il faut exécuter des milliers de stratégies en quelques minutes après la clôture, sa capacité à surpasser les bibliothèques existantes reste à confirmer par des tests indépendants.

Mais à long terme, YAND ouvre la voie à un nouveau paradigme d’optimisation. La direction normale affine, en étant robuste face aux minima locaux et aux transformations malades, constitue une avancée mathématique que peu d’algorithmes ont encore systématiquement transférée dans la gestion d’actifs. Plusieurs institutions y voient un potentiel pour la gestion du risque en haute fréquence, la couverture tail, la stabilité des fonds indiciels, ou la gestion macro multi-actifs sous distribution non gaussienne.

Par ailleurs, je pense que la portée de YAND dépasse la simple quantification. La réflexion sur « l’application de la géométrie différentielle pure à la problématique du contrôle optimal » peut être étendue à l’apprentissage automatique, la conduite autonome, la bio-informatique, et d’autres disciplines, favorisant des innovations croisées.

9 Approche rationnelle face à cette « réduction dimensionnelle » pour résoudre le problème de haute dimension

Peut-être n’est-il pas nécessaire de voir cette avancée comme une « révolution totale » ou une « simple mode ». Une attitude plus rationnelle consiste à considérer YAND comme une arme élégante que la mathématique offre à la finance quantitative, mais la gestion d’actifs reste une guerre multidimensionnelle. La réussite pratique dépend aussi de la gestion des coûts, de la liquidité, des glissements, de la microstructure du marché et des flux dans les dark pools. La validation par backtest ne garantit pas la performance réelle. C’est pourquoi de nombreux experts soulignent que « YAND n’a été publié sur arXiv qu’en avril 2026, et si ses résultats académiques sont prometteurs, sa validation à grande échelle et sa robustesse à long terme nécessitent encore du temps. La clé de la gestion quantitative, c’est la capacité à déployer. »

Un autre exemple éclairant est celui de James Simons, mathématicien devenu gestionnaire de fonds, qui a créé Renaissance Technologies et généré des profits constants pendant 30 ans grâce à ses stratégies quant. La question de savoir si l’entrée de Qiu Cheng-Tung dans la finance est une « révolution » ou une « étape » reste ouverte, à confirmer dans une décennie. Mais une chose est certaine : chaque incursion de grands cerveaux dans la finance pousse un peu plus loin les frontières de la connaissance humaine.

10 Synthèse des références

Voici une liste des principales sources et références pour approfondissement :

Publication 1 (orientation investissement quantitatif) :

Titre : Yau’s Affine-Normal Descent for Large-Scale Unrestricted Higher-Moment Portfolio Optimization

Auteurs : Ya-Juan Wang, Yi-Shuai Niu, Artan Sheshmani, Shing-Tung Yau

Référence : arXiv:2604.25378 (q-fin, publié le 28 avril 2026)

DOI/EPRINT : https://arxiv.org/abs/2604.25378

Publication 2 (orientation cadre géométrique) :

Titre : Yau’s Affine Normal Descent : Algorithmic Framework and Convergence Analysis

Auteurs : Yi-Shuai Niu, Artan Sheshmani, Shing-Tung Yau

Référence : arXiv:2603.28448

Source : arxiv.org/abs/2603.28448

Autres publications connexes :

Semantic Scholar, « Affine Normal Directions via Log-Determinant Geometry : Scalable Computation under Sparse Polynomial Structure », auteurs Niu Yi-Shuai, Sheshmani Artan, Yau S.-T., Corpus ID : 287023415, 2026

Contexte chinois et interprétations :

Colonne Zhihu « Qiu Cheng-Tung entre dans la finance, la quantification traditionnelle va-t-elle subir une réduction dimensionnelle ? », 30 avril 2026

Colonne Zhihu « Dans YAND-MVSK, il n’y a pas de moments d’ordre supérieur, comme dans Engram, il n’y a pas de mémoire », 1er mai 2026

PS : Les marchés financiers comportent des risques, tout investissement doit être effectué avec une extrême prudence. Les méthodes YAND évoquées ici sont encore au stade empirique académique et ne constituent en aucun cas une recommandation d’investissement.