Introduction au machine learning pour les marchés financiers

En 2018, une équipe de quants a montré à son fonds un modèle qui transformait 100 000 $ en 4,2 millions de $ dans un backtest. La courbe de performance était une ligne à 45 degrés presque parfaite. Le ratio de Sharpe était de 4,0 — meilleur que presque tout hedge fund de l'histoire. Ils l'ont déployé avec de l'argent réel.

Il a perdu de l'argent dès la première semaine, puis a continué à saigner pendant trois mois avant qu'ils ne l'arrêtent. Le modèle qui « rapportait » 4,2 millions de $ sur papier n'a rien rapporté dans la réalité. Rien n'avait été falsifié — pas de fraude, pas de bug. Le modèle avait simplement mémorisé le passé au lieu d'apprendre quoi que ce soit sur l'avenir.

Cette histoire se répète si souvent qu'elle a un nom : le surapprentissage du backtest, et c'est la raison numéro un pour laquelle les fonds d'apprentissage automatique échouent. Marcos López de Prado — qui a géré des milliards dans des stratégies pilotées par le ML — l'a dit sans détour : avec assez d'essais, n'importe qui peut produire un beau backtest sur du pur bruit. Le marché ne se soucie pas de l'élégance de votre réseau de neurones.

L'apprentissage automatique transforme réellement la façon dont les marchés se tradent. Mais l'écart entre un modèle qui a l'air brillant et un modèle qui survit au contact des marchés réels est immense — et apprendre à les distinguer, c'est tout le jeu. Cette leçon vous enseigne les deux : comment construire des systèmes de ML qui trouvent de véritables avantages, et comment éviter les pièges qui détruisent ceux qui esquivent la seconde moitié.

L'apprentissage automatique (machine learning) est la science qui consiste à faire apprendre à des ordinateurs des schémas à partir de données, sans les programmer explicitement pour chaque scénario. Au lieu d'écrire une règle du type « acheter quand le RSI descend sous 30 », vous fournissez à l'algorithme des milliers d'exemples historiques et vous le laissez découvrir quels schémas précèdent des trades profitables. La machine généralise à partir de l'expérience — exactement comme un trader expérimenté développe son intuition, mais sur plus de données qu'un humain ne pourrait jamais en garder en tête.

Les marchés financiers en génèrent des volumes stupéfiants : ticks de prix, instantanés du carnet d'ordres, taux de financement, flux on-chain, scores de sentiment, publications macro. Les stratégies traditionnelles basées sur des règles ne capturent que les relations que leur créateur avait déjà imaginées. Les modèles de ML peuvent détecter des interactions non linéaires, de haute dimension, sur des centaines de variables à la fois — des relations qu'un analyste humain ne songerait jamais à tester.

Mais les marchés sont l'environnement le plus hostile de tout le ML appliqué, et il vaut la peine d'être honnête sur pourquoi. La plupart des avancées du ML — reconnaissance d'images, modèles de langage — fonctionnent parce que les règles sous-jacentes ne bougent pas. Un chat ressemble à un chat que la photo ait été prise en 2010 ou en 2026. Les marchés sont l'opposé :

• Les données ne sont pas stationnaires. Les « règles » statistiques du marché changent constamment à mesure que les régimes changent. Un modèle entraîné sur un marché haussier calme peut devenir activement dangereux dans un crash.
• Le rapport signal/bruit est brutal. En reconnaissance d'images, presque chaque pixel porte de l'information. Dans les rendements, l'immense majorité du mouvement de prix est du bruit. Vous minez pour un signal faible dans une mer de hasard rugissante.
• Vous êtes en concurrence avec des adversaires adaptatifs. Un chat ne change pas d'apparence pour tromper votre classificateur. Dès qu'un avantage de marché réel devient populaire, d'autres traders l'arbitrent jusqu'à le faire disparaître. Le succès de votre modèle érode discrètement son propre avantage.

La bonne nouvelle : la barrière n'est plus l'accès aux données ou à la puissance de calcul. Des plateformes comme GaiaEx fournissent un accès API aux données de marché en temps réel et historiques sur Hyperliquid L1, si bien que tout développeur peut collecter les jeux de données requis par le ML. La barrière restante est la connaissance — ce qui est exactement ce que fournit cette leçon.

L'apprentissage automatique n'est pas une seule technique — c'est une famille d'approches, chacune adaptée à des problèmes différents. En finance, les trois grands paradigmes ont des applications réelles.

L'apprentissage supervisé est le cheval de bataille. Vous donnez au modèle des exemples étiquetés : des vecteurs de variables historiques (entrées) associés à des résultats connus (cibles), et il apprend une correspondance entre les deux. Deux sous-types dominent l'usage financier :

• La classification — prédire une catégorie. L'actif va-t-il monter ou descendre au cours de la prochaine heure ? Cette transaction est-elle frauduleuse ? La sortie est une étiquette discrète, généralement accompagnée d'une probabilité.
• La régression — prédire une valeur continue. Quel sera le rendement sur 1 heure ? Quel est le taux de financement équitable ? La sortie est un nombre, et le modèle minimise l'erreur de prédiction.

L'apprentissage non supervisé trouve de la structure dans les données sans étiquettes. Des algorithmes de clustering comme K-Means peuvent regrouper des journées de trading en régimes de marché — tendanciel, à retour à la moyenne, à forte volatilité — sans que vous définissiez ces régimes à l'avance. La réduction de dimensionnalité comme l'ACP (PCA) compresse des centaines de variables corrélées en une poignée de facteurs indépendants, ce qui compte quand votre ensemble de variables est plus large que la profondeur de votre échantillon.

L'apprentissage par renforcement (RL) entraîne un agent à prendre une séquence de décisions en maximisant la récompense cumulée. L'agent interagit avec un environnement (le marché), effectue des actions (acheter, vendre, tenir), et reçoit un retour (profit ou perte). Le RL est séduisant pour l'allocation de portefeuille et l'exécution d'ordres, où la meilleure action dépend de votre position actuelle, des coûts de transaction et de l'impact sur le marché. Les agents de jeu de DeepMind ont inspiré une vague de recherche en RL financier — mais les résultats pratiques restent mitigés, précisément parce que les marchés sont non stationnaires et que le « jeu » change ses règles en cours de partie.

En apprentissage automatique, les variables (features) sont les variables d'entrée que le modèle utilise pour faire des prédictions. Les données OHLCV brutes sont un point de départ, mais introduire des prix bruts dans un modèle, c'est comme tendre à un chef du blé brut au lieu de la farine — il faut d'abord le transformer. L'ingénierie des variables est là où l'expertise du domaine rencontre la science des données, et c'est bien plus souvent la différence entre un modèle qui fonctionne et un modèle inutile que ne l'est le choix de l'algorithme.

Les catégories courantes de variables pour le ML financier incluent :

• Les indicateurs techniques — RSI, MACD, largeur des bandes de Bollinger, ATR, ADX. Ils encodent le momentum, la volatilité et la force de tendance sous forme de variables standardisées et invariantes à l'échelle.
• Les variables décalées (lag) — les rendements passés sur plusieurs horizons (1 bougie, 5 bougies, 20 bougies, 60 bougies), capturant le momentum et le retour à la moyenne à différentes échelles de temps.
• Les mesures de volatilité — écart-type mobile, volatilité de Parkinson (à partir du plus haut/plus bas), l'estimateur de Garman-Klass. Le regroupement de volatilité est l'un des faits stylisés les plus fiables de toute la finance.
• Les variables de volume — ratio de volume (actuel vs. moyenne), volume équilibré cumulé (on-balance volume), corrélation volume-prix. Un volume inhabituel précède fréquemment les mouvements de prix.
• Les variables inter-actifs — le rendement du BTC comme variable d'entrée pour prédire l'ETH. Les corrélations changeantes entre actifs signalent souvent des changements de régime avant que le prix ne le fasse.

Voici un exemple pratique d'ingénierie de variables en Python :

import pandas as pd
import numpy as np

def engineer_features(df: pd.DataFrame) -> pd.DataFrame:
    df["return_1h"] = df["close"].pct_change(1)
    df["return_4h"] = df["close"].pct_change(4)
    df["return_24h"] = df["close"].pct_change(24)
    df["volatility_24h"] = df["return_1h"].rolling(24).std()
    df["rsi_14"] = compute_rsi(df["close"], 14)
    df["volume_ratio"] = df["volume"] / df["volume"].rolling(24).mean()
    df["atr_14"] = compute_atr(df, 14)
    return df.dropna()

Deux règles sont non négociables. D'abord, n'utilisez jamais de données futures — chaque variable doit être calculable à partir des informations disponibles au moment de la prédiction. La façon la plus courante de « découvrir » une stratégie profitable est de laisser accidentellement le chiffre de demain fuiter dans les variables d'aujourd'hui. Ensuite, normalisez vos entrées ; la plupart des modèles de ML s'étouffent quand les variables couvrent des échelles radicalement différentes (un prix de 60 000 à côté d'un RSI de 30).

Si vous ne retenez qu'une seule chose de toute cette leçon, que ce soit ceci : la validation ML standard est catastrophiquement erronée pour les marchés financiers.

En apprentissage automatique normal, vous mélangez vos données aléatoirement et les divisez en ensembles d'entraînement et de test. Faites cela avec des données de prix en série temporelle, et vous venez de laisser le modèle s'entraîner sur le futur pour prédire le passé. Votre précision aura l'air spectaculaire. Votre trading en direct sera un massacre. Cette seule erreur — connue comme le biais de préconnaissance (look-ahead bias) — est responsable de plus de stratégies quant explosées que n'importe quel crash de marché. La bonne approche respecte toujours la flèche du temps :

Division chronologique entraînement/validation/test. Divisez les données par date : entraînement sur 2020-2022, validation sur 2023, test sur 2024. L'ensemble de test n'est touché qu'une seule fois — c'est votre simulation du trading en direct. Au moment où vous ajustez les hyperparamètres en fonction de lui, il cesse d'être un ensemble de test et vous avez perdu toute estimation honnête de la performance hors échantillon.

La validation par avancement (walk-forward) (fenêtre extensible ou glissante) est plus robuste. Entraînez sur les mois 1 à 12, prédisez le mois 13. Puis entraînez sur les mois 1 à 13 (ou 2 à 13), prédisez le mois 14. Répétez. Cela génère de nombreuses prédictions hors échantillon, chacune sur des données que le modèle n'a jamais vues, tout en s'adaptant aux conditions évolutives — cela reflète comment la stratégie serait réellement déployée et réentraînée.

La validation croisée purgée (introduite par Marcos López de Prado) ajoute un écart entre les plis d'entraînement et de test pour empêcher les fuites d'information via des étiquettes qui se chevauchent. Si votre cible est le rendement futur sur 24 heures, les observations proches d'une frontière de pli partagent de l'information ; l'écart de purge supprime cette contamination. Une période d'« embargo » supplémentaire après le pli de test protège contre la corrélation sérielle qui rejaillirait sur l'entraînement.

Enfin, jugez le modèle sur des métriques qui comptent pour l'argent, pas pour les manuels. La précision seule est trompeuse. Un modèle exact à 51 % mais qui vise juste sur les grands mouvements peut être extrêmement profitable ; un modèle exact à 70 % mais qui ne vise juste que sur les petits mouvements peut perdre de l'argent après frais. Suivez la précision sur vos appels directionnels, le ratio de Sharpe de la stratégie résultante, et le drawdown maximal — et toujours net des coûts de transaction et du glissement réalistes.

Pour les données financières tabulaires — celles issues des bougies OHLCV, des indicateurs techniques et des variables construites — les modèles d'ensemble à base d'arbres surpassent systématiquement les réseaux de neurones profonds. Ce n'est pas une opinion ; c'est un résultat empirique bien établi (voir Grinsztajn et al., 2022, « Why do tree-based models still outperform deep learning on tabular data? »). Pour les images et le langage, l'apprentissage profond règne. Pour un tableau de variables, les arbres gagnent.

Les forêts aléatoires (Random Forests) construisent des centaines d'arbres de décision, chacun entraîné sur un sous-ensemble aléatoire de lignes et de variables, puis moyennent leurs prédictions. Cette moyenne réduit la variance et le surapprentissage. Elles sont robustes, nécessitent un réglage minimal, et fournissent un classement intégré de l'importance des variables — précieux pour comprendre ce qui pilote réellement votre modèle.

Le gradient boosting (XGBoost, LightGBM, CatBoost) construit des arbres séquentiellement, chacun corrigeant les erreurs de l'ensemble jusque-là. Cela surpasse généralement les forêts aléatoires en précision, mais exige un réglage plus soigné. LightGBM est le choix par défaut pour la plupart des praticiens du ML financier : entraînement rapide, gestion native des valeurs manquantes, et il s'échelonne confortablement jusqu'à des millions de lignes.

import lightgbm as lgb
from sklearn.model_selection import TimeSeriesSplit

model = lgb.LGBMClassifier(
    n_estimators=500,
    max_depth=6,
    learning_rate=0.05,
    subsample=0.8,
    colsample_bytree=0.8,
    min_child_samples=50,
)

tscv = TimeSeriesSplit(n_splits=5)
for train_idx, val_idx in tscv.split(X):
    model.fit(X.iloc[train_idx], y.iloc[train_idx],
              eval_set=[(X.iloc[val_idx], y.iloc[val_idx])])

L'apprentissage profond a toujours sa place — mais une place étroite. Les LSTM et les Transformers peuvent réellement ajouter de la valeur sur des données séquentielles brutes : le flux d'ordres tick par tick, ou la fusion du prix avec le texte des actualités et du sentiment sur les réseaux sociaux, où l'ordre et le contexte portent une information que les tableaux à plat rejettent. Ne les utilisez simplement pas par défaut. Pour des données structurées avec des variables construites, un LightGBM bien réglé entraîné sur des données extraites de l'API de GaiaEx battra presque toujours un réseau de neurones — et il s'entraîne en secondes plutôt qu'en heures.

La prédiction de prix attire toute l'attention, mais c'est l'usage le plus difficile et le moins fiable du ML sur les marchés. Certaines des applications les plus précieuses n'ont rien à voir avec la prévision de la prochaine bougie :

• La détection de régime de marché. Le clustering non supervisé trie les conditions de marché en régimes — tendanciel calme, à retour à la moyenne agité, panique à forte volatilité. Savoir dans quel régime vous êtes vous permet de changer de stratégie ou de réduire la taille, ce qui vaut souvent plus que n'importe quelle prédiction directionnelle unique.
• L'analyse de sentiment. Les grands modèles de langage lisent les actualités, X/Twitter et Discord à une échelle qu'aucun humain ne peut atteindre, notant les changements d'humeur du marché. La recherche montre systématiquement que fusionner un signal de sentiment avec les données de prix améliore la précision de prédiction crypto par rapport au prix seul — le sentiment fait bouger la crypto de façon inhabituellement forte.
• La détection de fraude et de manipulation. C'est là où le ML brille discrètement. Les modèles signalent le trading fictif (wash trading), le spoofing et les schémas classiques de pump-and-dump en repérant des schémas de volume et de carnet d'ordres anormaux qui précèdent un largage coordonné. Les modèles de détection d'anomalie (LSTM, Anomaly Transformers) battent de manière fiable à la fois le ML classique et les seuils statistiques simples dans ce domaine.
• La modélisation d'exécution et de glissement. Le ML prédit l'impact de marché d'un gros ordre, aidant les algorithmes d'exécution à le découper pour minimiser le coût. Sur une plateforme 24/7 comme la crypto, où un ordre maladroit peut faire bouger le carnet contre vous, cela protège directement votre résultat net.
• La gestion du risque et des liquidations. Les modèles estiment la probabilité qu'une position franchisse un seuil de risque étant donné la volatilité actuelle, aidant à dimensionner les positions et à fixer des stops avant une cascade plutôt qu'après.

Une éducation honnête consiste à nommer comment cela tourne mal, car c'est généralement le cas. Ces pièges ont détruit plus de stratégies quant que tous les marchés baissiers combinés :

• Le surapprentissage. Le modèle mémorise les données d'entraînement au lieu d'apprendre quelque chose de généralisable. Le remède est la discipline, pas l'ingéniosité : des modèles plus simples, moins de variables, la régularisation, et des tests hors échantillon sans concession. Si votre backtest a l'air trop beau pour être vrai, il l'est.
• Le biais de préconnaissance. Utiliser des informations qui n'étaient pas disponibles au moment de la décision — calculer des variables sur l'ensemble complet des données avant de le diviser, utiliser des prix révisés après coup, ou (plus courant que quiconque ne l'admet) laisser la variable cible dans l'ensemble de variables.
• Le biais de survivance. S'entraîner uniquement sur des actifs qui existent encore aujourd'hui. Les jetons retirés de la cote, les projets « ruggés » et les pièces mortes manquent silencieusement de votre jeu de données, ce qui biaise chaque résultat vers le haut. En crypto, c'est sévère — des milliers de jetons sont tombés à zéro.
• La non-stationnarité. Les distributions du marché changent. Un modèle entraîné sur un marché haussier de 2021 échoue dans un marché baissier de 2022 parce que les règles qu'il a apprises ne tiennent plus. Vous devez réentraîner régulièrement et surveiller la dérive de distribution, sans jamais « configurer et oublier ».
• Le piège des tests multiples. Testez 1 000 variantes de stratégie et quelques-unes auront l'air brillantes par pure chance. C'est ainsi qu'arrive ce backtest de « 4,2 millions de $ ». Des outils comme le ratio de Sharpe déflaté existent spécifiquement pour décompter la performance que vous n'avez trouvée qu'en cherchant assez fort.
• L'écart entre la recherche et la production. Les backtests supposent des exécutions sans friction et instantanées. Les marchés en direct imposent glissement, frais, latence et impact de marché qui rognent régulièrement 30 à 70 % des rendements théoriques — et peuvent faire basculer une stratégie « profitable » en négatif.

Il y a un point plus profond caché dans cette liste. Les marchés sont un système adversarial et adaptatif — chaque avantage réel attire des concurrents qui l'arbitrent jusqu'à le faire disparaître. Un modèle qui gagne pendant un an peut s'arrêter de fonctionner le mois où il devient surpeuplé, sans aucune faute de son code. C'est pourquoi les opérations quant qui réussissent ne recherchent pas un modèle parfait unique ; elles construisent un pipeline pour continuer à trouver, valider et retirer des avantages à mesure que le marché évolue.

Chaque compétence quant que vous avez lue dépend d'une chose d'abord : des données propres et fiables. C'est là que GaiaEx s'insère dans votre flux de travail ML. Parce que les trades s'exécutent sur Hyperliquid L1, chaque exécution, taux de financement et changement de carnet d'ordres est enregistré on-chain et exposé via l'API de GaiaEx — vous donnant des données transparentes, granulaires, en temps réel et historiques, sans les lacunes et les révisions silencieuses qui affligent de nombreux flux de données centralisés.

Pourquoi les données on-chain comptent pour le ML : un modèle n'est honnête qu'à hauteur de ses entrées. Quand vos données d'entraînement proviennent d'un L1 transparent plutôt que d'une base de données interne opaque, vous pouvez faire confiance au fait que les prix et volumes dont vous apprenez sont ceux qui se sont réellement échangés. Cela élimine toute une catégorie de bugs subtils d'intégrité des données avant même qu'ils n'atteignent vos variables.

Votre premier projet devrait être délibérément simple. L'objectif n'est pas de battre le marché du premier coup — c'est de construire un pipeline complet et sans fuite sur lequel vous pouvez itérer. Voici une feuille de route concrète :

• Collectez des données de bougies d'1 heure pour BTC/USDC depuis l'API de GaiaEx — au moins 6 mois.
• Construisez 10 à 15 variables : rendements décalés, RSI, ATR, ratio de volume, largeur des bandes de Bollinger.
• Étiquetez chaque bougie : 1 si le rendement des 4 prochaines heures est positif, 0 sinon.
• Entraînez un classificateur LightGBM en utilisant une validation par avancement (walk-forward) — jamais une division aléatoire.
• Évaluez la précision, le rappel, et le ratio de Sharpe d'une stratégie simple qui prend une position longue quand le modèle prédit 1, après soustraction de frais réalistes.

Ensuite — et c'est la partie que les débutants sautent — essayez de le casser. Ajoutez un écart de purge et voyez si votre avantage survit. Vérifiez si une variable ne fuite pas secrètement le futur. Testez-le sur une fenêtre temporelle différente. Si l'avantage s'évapore sous l'examen, vous avez appris quelque chose de réellement précieux : qu'il n'a jamais été réel, et vous l'avez découvert gratuitement au lieu de le découvrir avec votre capital.