On imagine volontiers un système de trading automatisé par IA comme un devin : on lui montre des cours, il répond « acheter » ou « vendre ». Les architectures réelles ne ressemblent pas à cela. Elles ressemblent à une tour de contrôle — une dizaine d’organes séparés dont la fonction collective n’est pas de prédire le marché, mais d’organiser plusieurs sources d’information, de mesurer leur incertitude et d’empêcher qu’une erreur locale devienne une perte globale. Nous publions aujourd’hui une étude de 57 pages sur cette question, sources vérifiées à l’émetteur, libre au téléchargement. Voici ce qu’elle établit, et pourquoi elle nous concerne directement.
L’image de l’oracle, et pourquoi elle ne tient pas
L’idée qu’un grand modèle de langage puisse recevoir l’historique d’une action et déterminer seul quand acheter n’est pas une exagération de la réalité technique : c’en est une description erronée. Un marché financier possède huit propriétés qui interdisent l’analogie avec la prévision météorologique.
- Il est non stationnaire : les relations qu’on y mesure ne sont pas des constantes de la nature.
- Il est adversarial : l’atmosphère ne réagit pas au fait qu’on la prévoie, un marché si. Une inefficience exploitée est une inefficience en voie de disparition.
- Il est bruité et partiellement observable : on voit les prix, jamais les intentions qui les produisent.
- Il connaît des ruptures de régime, il coûte des frais et du glissement d’exécution, il dépend de la liquidité, et il subit des événements exogènes absents de tout historique.
Aucune de ces propriétés n’est un obstacle technique appelé à être franchi par un modèle plus grand. Ce sont des propriétés du terrain. La question qui organise le débat public — « quelle IA prédit le mieux le marché ? » — n’admet pas de réponse honnête. Celle qui organise l’ingénierie réelle en admet une : « quelle architecture permet d’exploiter l’IA tout en contrôlant ses erreurs ? » Le déplacement paraît modeste. Il change l’objet de l’évaluation : dans le premier cadre, on juge un système sur ce qu’il a gagné ; dans le second, sur ce qui se passerait s’il avait tort.
Ce que le régulateur européen a mesuré en 2026
Le 20 février 2026, l’Autorité européenne des marchés financiers (ESMA) a publié une analyse de l’adoption de l’intelligence artificielle sur les marchés de titres, fondée sur une enquête conduite avec quinze autorités nationales entre juin et septembre 2025. 728 entités domiciliées dans 19 pays y ont répondu : sociétés de gestion, entreprises d’investissement, établissements de crédit, infrastructures de marché.
| Ce que l’enquête établit | Mesure déclarée |
|---|---|
| Répondants sans aucun cas d’usage, ni en production ni en expérimentation | 45 % |
| Cas d’usage fonctionnant avec une autonomie faible ou nulle | 77 % |
| Cas d’usage à destination strictement interne | 87 % |
| Usages les plus fréquents | Rédaction et synthèse, assistants internes, génération de code |
| Risques cités en tête | Qualité des données 55 %, hallucinations 51 %, cybersécurité 46 % |
Deux lectures s’imposent, et l’étude prend soin de les distinguer. D’abord, l’autonomie décisionnelle n’est pas l’usage dominant mesuré : plus des trois quarts des cas d’usage exigent une validation humaine ou se bornent à suggérer. Ensuite, une réserve de périmètre qu’il serait malhonnête de taire : l’enquête porte sur les marchés de titres dans leur ensemble, non sur le trading algorithmique. Les trois premiers postes — rédaction, assistance interne, génération de code — sont bureautiques. Lire ces chiffres comme une mesure de l’automatisation de la décision financière serait une erreur.
Douze organes plutôt qu’un robot
Le changement de fond de la dernière décennie n’est pas la puissance des modèles : c’est le passage du robot monolithique — un indicateur, un signal, un ordre — à une architecture distribuée dont chaque fonction peut être testée, remplacée et mise en défaut indépendamment des autres.
Entre une donnée de marché et un ordre transmis, l’étude décrit douze organes : la collecte, la validation, l’analyse quantitative, l’analyse fondamentale, l’analyse de l’information, le moteur de régime, la fusion des signaux, l’agent critique, la construction du portefeuille, le moteur de risque, l’exécution, la surveillance et l’audit. Trois principes commandent ce découpage.
- Fonction unique. « Cette donnée est-elle valide ? » n’est pas la même question que « ce signal est-il fort ? », qui n’est pas « cette exposition est-elle acceptable ? ». Un organe qui répond à deux questions en arbitre une au profit de l’autre, sans que personne ne l’ait décidé.
- Intérêt opposé. Le moteur qui cherche le rendement réussit quand il trouve ; le moteur de risque réussit quand il empêche une perte. S’ils cohabitent dans le même composant, le contrôle devient une formalité.
- Source distincte. Un contrôle qui interroge exactement la donnée sur laquelle s’est appuyé le composant contrôlé constatera toujours un accord parfait. Il ne vérifie pas : il confirme.
Dans cette architecture, le grand modèle de langage occupe une place précise et modeste : celle d’une couche de transformation de l’information. Il lit des communiqués, des transcriptions, des publications réglementaires, et les transforme en variables typées — un type d’événement, une tonalité, une incertitude, avec l’extrait textuel qui fonde chaque valeur. L’architecture cesse d’être défendable au moment exact où on lui demande une grandeur de décision plutôt qu’une grandeur descriptive : une tonalité se vérifie contre le document, un montant ne se vérifie contre rien.
Les trois façons dont ces systèmes échouent
Le sur-ajustement
Testez mille configurations de paramètres sur un historique et retenez la meilleure : même si les données sont entièrement aléatoires, cette meilleure-là affichera une performance historique remarquable. Elle ne mesure pas une découverte, mais l’extrémité d’une distribution de mille essais. La question cesse alors d’être « quel résultat cette stratégie a-t-elle obtenu ? » pour devenir « combien de stratégies ont été essayées avant que celle-ci ne soit retenue ? » — information qui n’est presque jamais publiée.
L’intelligence artificielle aggrave ce risque au lieu de le réduire : elle n’en abaisse pas la probabilité, elle en abaisse le coût d’entrée. Explorer dix mille configurations demandait des semaines ; cela demande aujourd’hui quelques heures et aucune décision consciente.
Le biais d’anticipation
Il apparaît lorsqu’une simulation utilise une information indisponible au moment de la décision qu’elle simule. Sa forme évidente est facile à repérer. Ses formes discrètes le sont beaucoup moins : une statistique officielle révisée après sa publication et utilisée dans sa version actuelle ; un univers d’instruments reconstitué à partir des survivants d’aujourd’hui ; un seuil fixé par un concepteur qui connaît la suite de l’historique.
La leçon est structurelle. On ne prévient pas ce biais par la vigilance : on le prévient en rendant l’information future inaccessible. Les moteurs de simulation sérieux fonctionnent comme un flux d’événements présentés dans l’ordre de leur arrivée, avec une frontière temporelle que l’algorithme ne peut franchir — parce que, de son point de vue, ce qui se trouve au-delà n’existe pas encore. Une précaution qui dépend de l’attention d’un développeur sera violée ; une contrainte inscrite dans l’architecture ne le sera pas.
La corrélation cachée
Quatre positions issues de quatre analyses indépendantes, sur quatre instruments différents : chaque décision est défendable isolément. Mais ces quatre instruments peuvent dépendre du même taux, du même secteur, de la même devise. Le portefeuille détient alors une seule position, quatre fois. Un système qui optimise chaque transaction construit méthodiquement une concentration qu’aucun de ses composants ne voit — et les corrélations mesurées en période calme sous-estiment toujours celles des périodes de tension.
Le droit européen décrit déjà une architecture
C’est la découverte la moins attendue de l’étude. Lorsque le droit européen énonce ce qu’il attend d’un système de trading automatisé, il ne pose pas des formalités administratives par-dessus une technique : il décrit, terme pour terme, les mêmes organes.
| Organe d’architecture | Exigence européenne correspondante |
|---|---|
| Contrôles avant transmission d’un ordre | Fourchettes de prix, valeurs et volumes maximaux, plafonds de messages, sur tous les instruments — règlement délégué (UE) 2017/589, art. 15 |
| Interrupteur | Annulation immédiate de tout ou partie des ordres non exécutés — même règlement, art. 12 |
| Environnement de validation | Tests conduits dans un environnement séparé de la production — art. 7 |
| Surveillance des modèles | Auto-évaluation et validation annuelles, donnant lieu à un rapport — art. 9 |
| Séparation analyse / risque | Deux lignes de défense — briefing de supervision de l’ESMA, 26 février 2026 |
| Traçabilité | Identification des ordres algorithmiques, des algorithmes et des personnes qui les ont initiés — directive 2014/65/UE, art. 17 et 48 |
Deux énoncés de ce briefing méritent d’être retenus par quiconque assemble des composants achetés. D’une part, une entreprise qui pratique le trading algorithmique au moyen d’algorithmes fournis par un tiers en demeure pleinement et seule responsable : l’externalisation ne transfère pas la responsabilité réglementaire. D’autre part, elle doit conserver une capacité inconditionnelle d’interrompre son activité, sans dépendre du consentement d’un tiers. L’interrupteur ne peut donc pas résider chez le fournisseur du modèle.
Dix questions pour éprouver un système — et une publication
L’étude se clôt sur une grille applicable à un système que l’on construit, à un système que l’on évalue, et à toute publication chiffrée dont on se demande ce qu’elle vaut. En voici l’ossature.
- D’où vient chaque nombre, et à quelle heure a-t-il été obtenu ?
- Que se passe-t-il quand une donnée manque — l’absence est-elle déclarée, ou comblée en silence ?
- Le moteur qui décide est-il le même que celui qui autorise ?
- Les contrôles lisent-ils une autre source que ce qu’ils contrôlent ?
- Combien de configurations ont été essayées avant de retenir celle-ci ?
- La simulation modélise-t-elle les frais, l’écart de cotation et le glissement ?
- L’algorithme peut-il, structurellement, accéder à une donnée postérieure à sa décision ?
- Que fait le système quand il ne sait pas ? Un système qui a toujours une réponse n’en a aucune.
- Qui peut l’arrêter, en combien de temps, et sans l’accord de qui ?
- Peut-on reconstituer, six mois plus tard, pourquoi une décision a été prise ?
Pourquoi un média financier publie une étude sur le trading algorithmique
La question est légitime : SPECULA ne vend aucun robot, n’édite aucun logiciel de trading et ne conseille aucune stratégie. Nous publions cette étude pour une raison plus simple, et plus intéressée qu’il n’y paraît : les dix questions ci-dessus sont exactement celles que nous nous appliquons chaque matin.
Une chaîne qui transforme des données de marché en décisions et une chaîne qui transforme des données de marché en phrases publiées posent le même problème. Un nombre imprimé dans un rapport quotidien a suivi la même route qu’un nombre entré dans un moteur de signal : il a été collecté quelque part, à une certaine heure, validé ou non, transformé, agrégé, puis publié. Et il peut être faux de la même manière, pour les mêmes raisons, sans que rien ne le signale.
C’est pourquoi La Note Sentinelle, notre rapport macro-financier quotidien, est construite sur les mêmes principes que ceux décrits dans l’étude : les données dures viennent d’interfaces de données et jamais d’un modèle de langage ; chaque chiffre porte son émetteur et sa période ; ce qu’aucune source ne couvre se déclare au lieu de se meubler ; les contrôles sont bloquants, et toute correction intervient avant l’envoi. Vous recevez toujours une édition contrôlée.
Une édition complète est lisible en intégralité, sans inscription : voir un exemple. L’abonnement est à 29 € par mois, sans engagement. Ici, le produit c’est la note — pas votre attention.
Télécharger l’étude
« L’architecture plutôt que l’oracle » — étude, 57 pages (PDF)
Six parties et cinq annexes : les cinq générations de systèmes, l’anatomie des douze organes, le risque comme organe séparé, les méthodes de validation, le cadre européen, la grille de dix questions, une grille d’auto-évaluation en quarante points, un glossaire, et l’inventaire des sources avec ce qu’elles disent exactement.
Chaque chiffre y est relu auprès de son émetteur et porte sa date. Les résultats de recherche cités le sont avec leur périmètre — marché, période, nombre d’actifs — et jamais comme des performances de gestion : deux mois et quatre actifs ne font pas une preuve, et l’étude le dit chaque fois que c’est le cas. L’annexe finale énonce ce qui n’a pas été vérifié, et pourquoi.
Questions fréquentes
Non, et ce n’est pas la bonne question. Un marché est non stationnaire, adversarial, bruité et partiellement observable : une relation observée sur cinq ans peut disparaître sans cause identifiable, et une inefficience exploitée se referme. Ce que l’intelligence artificielle améliore, c’est le traitement de l’information — lire plus de documents, plus vite, de façon plus systématique. Elle ne réduit pas l’incertitude du futur, et elle introduit de nouvelles sources d’erreur, au premier rang desquelles la production d’informations plausibles et fausses.
Le sur-ajustement désigne un modèle devenu excellent sur ses données historiques et médiocre sur des données nouvelles : il a appris l’échantillon, bruit compris. Le mécanisme n’exige aucune faute. Si l’on teste mille configurations et que l’on retient la meilleure, cette meilleure-là affichera une performance remarquable même sur des données entièrement aléatoires — elle mesure l’extrémité d’une distribution d’essais, pas une découverte. C’est pourquoi le nombre de configurations essayées est l’information la plus importante d’une validation quantitative, et la seule qui ne figure presque jamais dans les résultats publiés.
Deux documents de février 2026 font référence. Le 20 février, une analyse de l’adoption de l’IA sur les marchés de titres, fondée sur une enquête auprès de 728 entités de 19 pays : 77 % des cas d’usage déclarés fonctionnent avec une autonomie faible ou nulle, et les usages dominants sont la rédaction, l’assistance interne et la génération de code. Le 26 février, un briefing de supervision sur le trading algorithmique, outil de convergence non contraignant adressé aux autorités nationales, qui traite des contrôles avant transmission d’ordre, de la gouvernance, des tests, de l’externalisation et du recours à l’IA.
Un backtest rejoue une stratégie sur des données passées : il mesure une performance hypothétique, et il est vulnérable au sur-ajustement comme au biais d’anticipation. Une simulation en conditions réelles fait tourner la même stratégie sur des données en temps réel, avec des décisions simulées et sans capital engagé. Elle ne mesure pas la performance — la période est trop courte — mais l’écart entre la simulation et la réalité : prix réellement disponibles, latence de la chaîne, absences de données que l’historique nettoyé avait effacées, coûts sous-estimés. Un écart important ne signifie pas que la stratégie est mauvaise : il signifie que le backtest décrivait un autre système.
C’est une vérification appliquée à un ordre avant sa transmission, bloquante par nature. Le règlement délégué (UE) 2017/589 en impose à l’entrée des ordres, pour tous les instruments financiers : fourchettes de prix, valeur maximale d’ordre, volume maximal d’ordre et plafond de messages. Le briefing de supervision de l’ESMA de février 2026 y ajoute un limiteur d’exécutions automatiques répétées, précise que la méthode de calibration doit être documentée et appuyée sur des données quantitatives, et rappelle qu’un mécanisme permettant à un opérateur de passer outre ne constitue pas un blocage dur. Autrement dit : une borne contournable n’est pas une borne.
Pour aller plus loin
- Pourquoi la séance close n’est pas figée — la note de méthode qui précède celle-ci : comment un cours, une statistique et un indice changent de valeur après leur publication. L’étude d’aujourd’hui décrit ce qu’une architecture automatisée doit faire de cette instabilité.
- Guides macro — les indicateurs, les taux directeurs, le calendrier économique : les données d’entrée de tout système de ce type, expliquées une par une.
- Comment SPECULA fabrique La Note Sentinelle — la chaîne, les sources, les contrôles, et ce que la Note refuse de faire.
AVERTISSEMENT LÉGAL : Ce document est produit par le moteur d’intelligence SPECULA. Il est strictement destiné à des fins d’information stratégique. Les informations et analyses contenues dans ce rapport ne constituent en aucun cas des conseils en investissement, des recommandations d’achat ou de vente, ou une sollicitation financière. SPECULA ne peut être tenu responsable de pertes financières résultant de l’utilisation de ces données. Les performances passées ne préjugent pas des résultats futurs. Les analyses AI peuvent contenir des erreurs ; vérifiez toujours les sources indépendamment.
Rédaction SPECULA — responsable de la publication : Didier Dambreville, fondateur (ARSCRIPTA SAS). Cet article est produit par la chaîne éditoriale de SPECULA : faits collectés, datés et sourcés ; cotations relevées à la source et recalculées ; rédaction assistée par intelligence artificielle ; vérification déterministe de chaque chiffre avant publication. De l’information, jamais un conseil en investissement.
Essayez La Note Sentinelle 7 jours, gratuitement
Chaque matin à 7h, le fait dominant de la séance et les actifs qu’il touche, chaque chiffre vérifié avant l’envoi. Sept jours gratuits, puis 29 € par mois, résiliable à tout moment.
De l'information, jamais un conseil en investissement.
Cité dans 4 articles