Vous empilez le RSI, le MACD, le stochastique. Vous perdez quand même.
Vous entendez parler d'intelligence artificielle partout, sans jamais savoir ce qu'elle ferait de différent avec les mêmes graphiques que vous.
La vraie différence ne tient pas à un indicateur secret. Elle tient à ce que le modèle regarde, et à ce qu'on lui demande de prédire.
Dans cet article, vous allez voir concrètement ce qu'une IA de trading observe avant de décider, pourquoi ce choix compte plus que l'indicateur lui-même, et comment on vérifie que ça tient vraiment.
La bonne question n'est pas « quel indicateur », mais « ce que le modèle regarde »
Quand vous tradez à la main, vous suivez une règle fixe. Le RSI passe sous 30, vous achetez. Le MACD croise, vous sortez. Un signal, une action.
Un modèle de machine learning ne fonctionne pas comme ça. Il ne suit pas votre règle. Il reçoit un ensemble de mesures sur le marché, et il apprend tout seul comment ces mesures se relient à ce qui se passe ensuite.
Autrement dit, la question utile n'est plus « quel est le bon indicateur ». C'est « quelles informations je mets sous les yeux du modèle, et qu'est-ce que je lui demande de prédire ».
Ces deux décisions, les entrées et la cible, décident de presque tout. Le reste, le choix précis de l'algorithme, compte souvent moins que ces deux-là.
Ce qu'on donne vraiment à un modèle : des données, pas des règles
Dans le vocabulaire du machine learning, chaque information fournie au modèle s'appelle une caractéristique, ou « feature » en anglais. C'est simplement une colonne de chiffres, calculée à chaque instant.
Le RSI peut devenir une feature. Mais il ne déclenche plus rien tout seul. Il devient une donnée parmi d'autres, que le modèle regarde en même temps que dix ou vingt autres.
La différence est profonde. Vous, vous décidez à l'avance que « RSI sous 30 égale achat ». Le modèle, lui, ne reçoit aucune consigne de ce genre. Il observe la valeur du RSI, la volatilité du moment, la distance au dernier plus-haut, l'heure, et il cherche par lui-même quelles combinaisons ont précédé une hausse.
C'est exactement ce qui distingue une approche par apprentissage d'une règle codée en dur. Pour une vue d'ensemble de ce que ce type de modèle fait et ne fait pas, cet article détaille comment le machine learning analyse les marchés.
Retenez une chose : un indicateur classique produit un signal, une feature produit une observation que le modèle est libre d'interpréter.
Les familles de données qu'un modèle peut regarder
Concrètement, qu'est-ce qu'on lui donne ? Les praticiens qui construisent ces modèles piochent dans quelques grandes familles de mesures. En voici les principales, en langage clair.
La tendance et sa forme. Pas seulement « ça monte ou ça descend », mais à quelle vitesse, et si cette vitesse accélère ou ralentit. Une pente de prix, la force d'une tendance mesurée par l'ADX, le momentum sur plusieurs horizons.
La volatilité, mesurée en relatif. C'est un point clé. On ne donne presque jamais la volatilité brute au modèle. On lui donne la volatilité du moment comparée à sa norme récente. La raison est simple : un même mouvement de 20 points est énorme sur un marché calme et banal sur un marché agité. En mesurant le relatif, la même feature garde le même sens sur l'EUR/USD, sur le DAX ou sur un contrat future.
La position du prix par rapport à une référence. La distance entre le prix et sa moyenne mobile, l'écart à une droite de tendance, ou la corrélation d'une action avec son indice. Ces mesures disent « où on en est » plutôt que « dans quel sens on va ».
Le volume et la forme des rendements. Le volume qui accompagne un mouvement, mais aussi l'asymétrie des variations récentes (le marché fait-il de petites hausses régulières et de grosses chutes brutales, ou l'inverse) et le poids des valeurs extrêmes.
Le degré d'organisation du marché. Des mesures venues de la théorie de l'information, comme l'entropie, qui estiment si le marché est en ce moment structuré et un peu prévisible, ou au contraire proche du pur bruit. C'est une information qu'aucun indicateur classique ne vous donne directement.
Vous remarquez le fil conducteur. Presque toutes ces mesures sont pensées pour garder le même sens d'un marché à l'autre. C'est ce qui permet d'entraîner un seul modèle sur le Forex, les actions, les indices et les futures, au lieu de repartir de zéro à chaque instrument.
Plus de données ne veut pas dire un meilleur modèle
Arrivé ici, la tentation est claire : si le modèle peut tout regarder, donnons-lui tout.
C'est une erreur, et c'est la même que celle du trader qui empile cinq oscillateurs. Beaucoup d'indicateurs se ressemblent mathématiquement, donc ils répètent la même information. En ajouter dix ne vous donne pas dix regards différents, juste le même regard en plus fort. Cette redondance est exactement ce que nous détaillons dans l'article sur le nombre d'indicateurs à combiner.
Pire, chaque feature inutile ajoute du bruit. Et plus vous donnez de colonnes à un modèle, plus il trouve facilement des coïncidences qui ne se reproduiront jamais. Il apprend le passé par cœur, comme un élève qui mémorise les réponses d'un ancien examen au lieu de comprendre la matière, puis se plante le jour du vrai test. Ce piège porte un nom, le sur-ajustement, et c'est la première cause d'échec en trading algorithmique.
C'est pour ça que les praticiens sérieux passent autant de temps à trier les entrées qu'à en trouver. Ils vérifient qu'une feature apporte vraiment de l'information, et qu'elle ne fait pas doublon avec une autre déjà présente.
La règle est contre-intuitive : un bon jeu d'entrées est court, varié et trié, pas long et exhaustif.
Le paramètre caché que personne ne règle : ce que le modèle doit prédire
Jusqu'ici, on a parlé de ce que le modèle regarde. Reste la question que presque personne ne se pose, et qui change pourtant tout : qu'est-ce qu'il doit prédire ?
On appelle ça le « labeling », la façon de définir la bonne réponse que le modèle doit apprendre. Autrement dit, qu'est-ce qu'un « gagnant » ?
La réponse naïve, celle qu'on trouve dans presque tous les tutoriels, est : « le prix monte-t-il dans les 5 prochaines bougies ». On regarde la variation sur un horizon fixe, et on étiquette hausse ou baisse.
Ça paraît raisonnable. C'est pourtant fragile, pour deux raisons.
D'abord, cette méthode ignore la volatilité. Une hausse de 0,2 % est un vrai signal sur un marché calme et du simple bruit sur un marché agité. En appliquant le même seuil partout, vous étiquetez mal une grande partie de vos exemples.
Ensuite, et c'est le défaut le plus grave, elle ignore le chemin parcouru. Le prix peut finir plus haut après 5 bougies, mais être passé par une chute qui aurait déclenché votre stop-loss bien avant. Sur le papier, c'est un gagnant. En réel, vous étiez déjà sorti en perte.
Une définition plus honnête regarde ce qui arrive en premier. On fixe un objectif de gain, un niveau de stop, et une limite de temps. Puis on demande : lequel des trois est touché en premier ? Cette approche, popularisée par le chercheur Marcos López de Prado sous le nom de méthode des trois barrières, colle à la réalité d'un trade, parce qu'un vrai trade a toujours ces trois issues possibles.
Le point à retenir dépasse la technique. Deux modèles nourris exactement des mêmes données, mais entraînés à prédire deux définitions différentes du gagnant, apprendront deux choses différentes. La cible que vous choisissez est un réglage invisible, aussi important que les données elles-mêmes.
Pourquoi ça sépare une vraie IA d'un chatbot
C'est ici que la différence avec « demander à une IA où va le marché » devient évidente.
Un agent conversationnel généraliste n'a ni features triées, ni cible définie, ni validation. Il produit une phrase plausible. Un modèle de trading, lui, est entraîné sur des observations précises, avec une définition explicite du gagnant, et il est jugé sur des données qu'il n'a jamais vues.
Cette dernière partie est décisive. Un modèle qui brille sur ses données d'entraînement ne prouve rien. La seule chose qui compte, c'est sa performance sur une période qu'il n'a pas servi à construire. Si vous débutez sur ces notions, le guide du trading algorithmique pose les bases.
C'est aussi pour ça qu'aucun de ces outils ne garantit de gagner. Un modèle bien construit augmente vos chances de travailler sur un vrai signal plutôt que sur du hasard. Il ne supprime pas le risque. Les performances passées, même validées proprement, ne préjugent jamais des performances futures.
FAQ
Qu'est-ce qu'une feature en trading algorithmique ?
Une feature est une information chiffrée fournie à un modèle, calculée à chaque instant : la valeur d'un indicateur, une mesure de volatilité, la distance à une moyenne, l'heure de la journée. Le modèle regarde plusieurs features en même temps et apprend comment elles se relient aux mouvements qui suivent, au lieu de suivre une règle fixe.
Une IA de trading utilise-t-elle les mêmes indicateurs qu'un trader manuel ?
Souvent oui, mais pas de la même façon. Un trader manuel transforme un indicateur en règle (RSI sous 30, on achète). Un modèle reçoit ce même indicateur comme une donnée parmi d'autres, sans consigne, et cherche lui-même s'il porte de l'information, seul ou combiné à d'autres mesures.
C'est quoi le labeling dans un modèle de trading ?
Le labeling est la façon de définir la bonne réponse que le modèle doit apprendre, c'est-à-dire ce qu'est un « gagnant ». Le définir par un horizon fixe (le prix dans 5 bougies) est fragile, car cela ignore la volatilité et le chemin parcouru. Définir la cible par le premier niveau touché entre un objectif, un stop et une limite de temps est plus proche d'un vrai trade.
Faut-il beaucoup de données pour entraîner un modèle de trading ?
Il en faut assez pour couvrir plusieurs conditions de marché, pas seulement une longue période calme. La qualité et la variété comptent davantage que le volume brut. Un historique large mais entraîné sur une seule phase de marché produit un modèle qui déraille dès que le contexte change.
En bref
Une IA de trading ne devine pas mieux que vous. Elle regarde autrement.
Là où vous transformez un indicateur en règle rigide, un modèle reçoit ce même indicateur comme une donnée parmi d'autres, aux côtés de la volatilité, du contexte et de l'organisation du marché. Et surtout, il apprend à prédire une cible que vous avez définie explicitement, ce fameux « gagnant » que presque personne ne prend le temps de régler.
C'est précisément l'approche qu'un outil comme AlgoBacktest rend accessible. Au lieu d'utiliser un indicateur à la main comme tout le monde, vous le fournissez à des modèles de machine learning (LightGBM, XGBoost, CatBoost, LSTM), qui apprennent eux-mêmes comment ce signal se relie aux mouvements qui suivent. Le tout sans écrire une ligne de code, sur le Forex, les actions, les ETF, les indices et les futures, avec une validation sur des données que le modèle n'a jamais vues.
Le trading comporte un risque réel de perte en capital, et un logiciel de ce type reste un outil d'analyse et de recherche, pas une promesse de gains.