L'IA et l'apprentissage automatique ne résoudront jamais les marchés

Climax · 19-02-2023 15:39:48

Pourquoi l'IA et l'apprentissage automatique ne résoudront jamais les marchés

L'intelligence artificielle (IA) et l'apprentissage machine (ML) ont été présentés comme de puissants outils d'analyse des marchés financiers, susceptibles de révolutionner la manière dont les traders/investisseurs prennent leurs décisions d'investissement.

Si l'IA et l'apprentissage automatique se sont révélés très prometteurs dans certains domaines, ils présentent des limites inhérentes qui rendent peu probable leur capacité à résoudre entièrement un problème aussi complexe et dynamique que celui des marchés financiers.

Principaux enseignements - Pourquoi l'IA et l'apprentissage automatique ne résoudront jamais les marchés

Les marchés financiers sont des systèmes ouverts, ce qui fait qu'il est difficile pour l'IA et les algorithmes de ML de prédire pleinement les mouvements du marché en raison de la complexité des facteurs et de l'influence des participants au marché.
Les algorithmes d'IA et de ML s'appuient souvent sur des données historiques, qui peuvent ne pas refléter avec précision les conditions du marché en temps réel, et les données financières peuvent être bruyantes et sujettes à des erreurs et à des biais.
Les inefficacités du marché et la nature dynamique des marchés financiers posent des problèmes aux algorithmes d'IA et de ML pour prédire avec précision le comportement du marché.
Cependant, les décisions de l'IA qui se concentrent sur les relations de cause à effet peuvent fournir des prédictions plus précises en comprenant les moteurs sous-jacents du comportement du marché.
Nous examinons également comment le développement des LLM peut influencer la compréhension des marchés et comment la combinaison de la créativité des LLM avec l'exactitude et la précision des méthodes statistiques peut créer une voie vers une meilleure compréhension à l'échelle.

Les systèmes ouverts et les défis de l'IA et de l'apprentissage automatique

L'une des principales raisons en est que les marchés financiers sont des "systèmes ouverts".

Cela signifie qu'ils sont complexes et dynamiques, et que de nombreux facteurs différents influencent les mouvements du marché à tout moment.

Ces facteurs peuvent inclure des indicateurs économiques, des événements politiques, des catastrophes naturelles, des informations sur les entreprises, et bien d'autres encore.

En outre, les actions des participants au marché, tels que les traders, les investisseurs et les spéculateurs, peuvent également avoir un impact significatif sur le comportement du marché, qui ne peut être prédit avec précision.

La complexité des marchés financiers signifie qu'il est difficile, voire impossible, pour un modèle ou un algorithme unique de prédire avec précision les mouvements du marché avec un quelconque degré de certitude.

Dépendance à l'égard des données historiques

Si l'IA et le ML peuvent aider à identifier des modèles et des tendances dans les données de marché, ils sont limités par le fait qu'ils s'appuient souvent sur des données historiques pour faire des prédictions.

Cela signifie qu'elles peuvent ne pas être en mesure de saisir pleinement les nuances et les complexités des conditions de marché en temps réel, qui peuvent évoluer rapidement et de manière imprévisible.

Qualité des données

Un autre défi pour l'IA et le ML sur les marchés financiers est la question de la qualité des données.

Les données financières sont souvent bruyantes, incomplètes et sujettes à des erreurs et des biais.

Cela peut rendre difficile pour les algorithmes d'IA et de ML d'identifier avec précision des modèles et des tendances significatifs dans les données.

En outre, les marchés financiers sont soumis à des changements fréquents dans la réglementation, la structure du marché et d'autres facteurs, ce qui peut également avoir un impact sur la qualité et la disponibilité des données.

En outre, lorsque quelque chose est programmé dans les systèmes à grande échelle, cela peut également affecter les données futures.

Inefficience du marché

Il y a aussi la question de l'inefficience du marché, comme le manque de liquidité.

Les marchés financiers ne sont pas toujours efficients, ce qui signifie que les prix du marché ne reflètent pas toujours avec précision la valeur réelle d'un titre ou d'un actif.

Cela peut créer des opportunités pour les traders et les investisseurs d'exploiter les inefficiences du marché, mais cela rend également difficile pour l'IA et les algorithmes ML de prédire avec précision les mouvements du marché.

Comparaisons avec les systèmes fermés

Les systèmes ouverts comme les marchés financiers sont beaucoup plus difficiles à modéliser avec l'IA et l'apprentissage automatique que les systèmes fermés, comme les échecs.

Dans un système fermé comme les échecs, les règles sont bien définies et il existe un nombre fini de coups et de résultats possibles. Même si le nombre total est gargantuesque, il est théoriquement possible de le résoudre avec une puissance de calcul suffisante.

Il est donc plus facile de développer des modèles d'IA capables d'analyser les parties passées, d'en tirer des enseignements et de prédire les mouvements optimaux dans les nouvelles parties.

D'autre part, les marchés financiers sont des systèmes ouverts caractérisés par des interactions dynamiques et complexes entre de multiples participants ayant des objectifs, des tailles, des stratégies et des processus décisionnels différents.

Les données générées par les marchés financiers sont vastes et non structurées, avec de nombreuses variables et facteurs pouvant influencer les prix et les résultats.

Il est donc difficile de développer des modèles d'IA capables de saisir avec précision toutes les variables qui entrent dans la fixation des prix sur les marchés financiers et de faire des prédictions fiables.

En outre, les marchés financiers sont soumis à des changements importants, tels que des changements de politique, des événements géopolitiques et des innovations technologiques, qui peuvent affecter le comportement du marché et rendre les données passées imparfaites ou non pertinentes.

Par conséquent, les modèles d'IA doivent s'adapter et être continuellement mis à jour pour rester pertinents et efficaces dans la modélisation des marchés financiers.

Prise de décision par l'IA axée sur les relations de cause à effet

La prise de décision par l'IA qui se concentre sur les relations de cause à effet sur les marchés financiers peut produire de meilleurs résultats qu'en se concentrant uniquement sur les données passées, car elle cherche à comprendre les moteurs sous-jacents du comportement du marché.

En identifiant les causes profondes des mouvements du marché, les systèmes d'IA peuvent faire des prédictions plus précises sur les tendances et le comportement futurs du marché.

Se concentrer uniquement sur les données passées peut être problématique car cela suppose que les modèles historiques continueront à se répéter à l'avenir.

Or, les marchés sont dynamiques et soumis à un large éventail d'influences qui peuvent faire évoluer les modèles au fil du temps.

En d'autres termes, le fait de s'appuyer uniquement sur des données passées peut conduire à des prédictions inexactes et à de mauvaises décisions de trading/investissement.

En revanche, un système d'IA qui se concentre sur les relations de cause à effet cherche à comprendre les moteurs fondamentaux du comportement du marché.

Cela implique l'analyse d'un large éventail de sources de données, y compris les indicateurs économiques, le sentiment du marché, les développements géopolitiques et d'autres facteurs qui peuvent influencer le comportement du marché.

En identifiant les causes sous-jacentes des mouvements du marché, les systèmes d'IA peuvent faire des prédictions plus précises sur les tendances et les comportements futurs du marché.

Par exemple, un système d'IA entraîné à identifier la relation de cause à effet entre les taux d'intérêt et les cours des actions pourrait utiliser ces informations pour faire des prévisions plus précises sur le comportement futur du marché.

Nous savons que le prix d'un produit est égal à l'argent et au crédit dépensés pour l'acheter, divisé par la quantité.

Donc, si les participants au marché disposent de données sur l'identité des acheteurs et des vendeurs, leur taille et leurs motivations, ils peuvent comprendre comment ils sont susceptibles de réagir lorsque certaines variables changent (par exemple, la croissance, l'inflation, la réglementation, etc.)

En comprenant l'impact des changements de taux d'intérêt sur les bénéfices des entreprises, les dépenses de consommation et d'autres facteurs économiques, le système d'IA peut prendre des décisions d'investissement plus éclairées.

Le processus décisionnel de l'IA qui se concentre sur les relations de cause à effet peut également être plus flexible et adaptable que les stratégies d'investissement traditionnelles.

Comme les systèmes d'IA apprennent et mettent à jour leurs modèles en permanence, ils peuvent s'adapter rapidement à l'évolution des conditions du marché et identifier de nouvelles relations de cause à effet qui n'avaient peut-être pas été reconnues auparavant.

Bien sûr, il est important de noter que la prise de décision de l'IA n'est aussi bonne que les données sur lesquelles elle est basée et les algorithmes utilisés pour analyser ces données.

Pour que les systèmes d'IA produisent des résultats précis, ils doivent être correctement formés et validés sur des données de haute qualité.

En outre, la supervision et la contribution humaines sont essentielles pour garantir que le système d'IA prend des décisions conformes aux objectifs et aux valeurs de l'organisation.

L'avenir des "systèmes de réflexion" dans le trading financier

Avantages

Les systèmes de pensée ont le potentiel de révolutionner la façon dont le trading est mené en permettant une analyse plus rapide et plus précise des données du marché, ainsi que la capacité d'identifier et d'agir sur des modèles qui peuvent être manqués par les traders humains.

L'un des principaux avantages des systèmes de réflexion dans le trading sur les marchés financiers est leur capacité à traiter rapidement et efficacement de grandes quantités de données. Et de le faire de manière moins émotionnelle, car ils ne se soucient pas de savoir si les décisions qu'ils prennent sont populaires ou non.

Les traders peuvent ainsi prendre des décisions basées sur des données en temps réel, ce qui n'aurait pas été possible par le passé.

En outre, les systèmes de réflexion peuvent aider à identifier les tendances et les schémas du marché qui peuvent être difficiles, voire impossibles, à repérer pour les humains.

Limites

Comme nous l'avons mentionné, les systèmes de réflexion dans le cadre du trading sur les marchés financiers présentent également des limites.

L'une des principales limites est le risque d'une dépendance excessive à l'égard de ces systèmes, qui peut entraîner un manque de surveillance humaine et des erreurs potentielles.

En outre, les systèmes de réflexion peuvent être vulnérables aux biais et ne pas tenir compte de tous les facteurs pertinents lors de la prise de décisions de trading.

Dans le cas de l'apprentissage automatique où l'ordinateur est alimenté en données, les algorithmes sont-ils robustes ou s'agit-il simplement d'un charabia de données qui n'est en aucun cas causal ?

Par conséquent, il est essentiel pour les traders d'être conscients de ces limites et d'utiliser des systèmes de réflexion en conjonction avec l'expertise humaine pour prendre des décisions de trading éclairées.

Une autre limite est la possibilité que ces systèmes soient manipulés par des acteurs malveillants, tels que des cybercriminels, qui peuvent chercher à exploiter les vulnérabilités des systèmes ou les utiliser pour diffuser de fausses informations et manipuler les marchés.

Ils auront tendance à éprouver des difficultés lorsqu'il s'agit de tout ce qui exige une pensée créative/originale ou de l'imagination, car ils ne sont bons que s'ils sont formés.

Par exemple, dans le cas du populaire chatbot ChatGPT, il a tendance à bien se comporter lorsqu'il s'agit de rechercher des informations sur des événements historiques ou d'autres formes de contenu statique.

Mais lorsqu'il s'agit de divers types de tâches, il a du mal à s'en sortir ou est incapable de le faire, car l'étendue et la profondeur de ses connaissances sont faibles, il n'est pas capable de raisonner ou de penser de manière critique comme le ferait un humain, sa précision est souvent faible et sa capacité à penser de manière créative est médiocre. Il fournit simplement des réponses basées sur les données qui lui ont été fournies.

Manque de données

Un autre problème des marchés est le manque de données qui rend difficile l'application efficace d'une approche statistique (par exemple, les régressions de base ou les techniques d'apprentissage automatique).

Les cycles économiques durent normalement de 5 à 10 ans. Les cycles de la dette (les taux d'intérêt atteignant zéro et nécessitant de nouvelles politiques, comme en 1929 et 2008) peuvent prendre de 50 à 100 ans. Et la plupart des données financières ne remontent pas aussi loin.

De plus, le jeu évolue au fur et à mesure que les participants apprennent. Les algorithmes peuvent modifier les marchés, de sorte que l'histoire qui les a précédés devient de moins en moins pertinente pour le monde dans lequel nous vivons actuellement.

Les LLM et le trading

Les LLM ont jusqu'à présent montré qu'ils étaient relativement bons dans diverses tâches, par exemple en obtenant des scores dans le 80e ou le 90e centile dans diverses tâches basées sur les connaissances (par exemple, en passant le LSAT, le MCAT et d'autres tests).

Mais ils ne se situent dans ces percentiles que pour une raison : ils commettent encore trop d'erreurs et se contentent souvent d'inventer des choses.

Les LLM ne servent pratiquement à rien pour sélectionner des actions, par exemple. Ou pour prédire n'importe quel phénomène économique ou de marché.

Cependant, les LLM peuvent théoriser et trouver des idées créatives.

Toutefois, ils ne sont pas en mesure de déterminer si ces théories sont bonnes ou non.

Il faut donc superposer à leur raisonnement d'autres techniques statistiques axées sur la précision et l'exactitude.

Cette combinaison de va-et-vient peut itérer pour capturer le bon côté de chacune et aider à annuler ce qu'elles ont de mauvais pour arriver à quelque chose qui élève véritablement la compréhension humaine d'une manière qui soit utile et crée une valeur légitime. Non seulement en termes d'applications pour les marchés financiers, mais aussi dans d'autres domaines.

De plus, cela permet de faire ces choses à grande échelle.

Même si un LLM "out of the box" n'a aucune valeur dans la création d'idées uniques et précises sur divers phénomènes (par exemple, l'évolution du marché boursier au cours des cinq prochaines années), il est toujours utile d'avoir un analyste qui a lu tout ce qu'il y a à lire sur divers sujets jusqu'à un certain seuil.

Et qui peut vous transmettre ces connaissances en fonction de la manière dont elles sont présentées.

Exemple : Compréhension de la cupidité des LLM vs. compréhension de la cupidité par les modèles statistiques

Un exemple de la différence entre les LLM et les techniques statistiques traditionnelles serait le concept de "cupidité".

Les LLM comprennent la cupidité parce qu'ils ont lu presque tout ce qui a été écrit sur la cupidité dans les marchés financiers.

Cependant, les modèles statistiques ne comprennent pas particulièrement bien ce concept parce qu'ils se concentrent sur les données des marchés et non sur l'étiquetage des données.

Avec les LLM, ils peuvent réfléchir aux résultats statistiques dans le contexte de la condition humaine qui génère ces résultats.

Les LLM peuvent aider à interroger les modèles statistiques pour qu'ils s'expliquent eux-mêmes, pour que les humains puissent comprendre si les règles qu'ils intègrent sont exactes et valables ou non.

L'Intelligence Artificielle dans la finance

▼Cliquez ici pour afficher la vidéo

Conclusion

Bien que l'IA et le ML se soient montrés très prometteurs dans certains domaines des marchés financiers, il existe des limites inhérentes qui font qu'il est peu probable qu'ils puissent un jour résoudre entièrement les marchés financiers.

Les marchés financiers sont complexes et dynamiques, et sont soumis à un large éventail de facteurs qui peuvent influencer le comportement du marché.

Les algorithmes d'IA et de ML sont souvent limités par le fait qu'ils reposent sur des données historiques, qu'ils sont soumis à des problèmes de qualité des données et qu'ils peuvent ne pas être en mesure de saisir pleinement les inefficiences du marché.

En revanche, les systèmes fermés comme les échecs, par exemple, offrent un environnement plus contrôlé et structuré, plus facile à modéliser avec l'IA.

La prise de décision par l'IA qui se concentre sur les relations de cause à effet peut produire de meilleurs résultats que de se concentrer uniquement sur les données passées, car elle cherche à comprendre les moteurs sous-jacents du comportement du marché.

En identifiant les causes profondes des mouvements du marché, les systèmes d'IA peuvent faire des prédictions plus précises sur les tendances et les comportements futurs du marché, ce qui conduit à de meilleures décisions d'investissement.

Globalement, il est important de reconnaître les limites de ces systèmes et de les utiliser comme un outil pour compléter l'expertise humaine, plutôt que de la remplacer.

En outre, les traders doivent prendre des mesures pour atténuer les risques associés à ces systèmes, comme la mise en œuvre de mesures de sécurité solides et la réalisation d'audits réguliers des systèmes pour s'assurer qu'ils fonctionnent comme prévu.

#1 19-02-2023 15:39:48