Vous avez vu passer les promesses. Une IA qui lit les marchés mieux que vous, qui trade pendant que vous dormez, qui ne ressent ni peur ni euphorie. Après des mois à tourner en rond, l'idée est tentante : et si vous arrêtiez de vous battre, et si vous laissiez ChatGPT décider à votre place ?
La question mérite mieux qu'un haussement d'épaules. Beaucoup de gens le font déjà, pour de vrai. Et la recherche scientifique, elle, a commencé à mesurer ce que ça donne.
Cet article fait le tri. Pas de hype, pas de mépris non plus. Juste ce que disent les études : là où l'IA a un vrai signal, là où elle se plante, et surtout la différence, énorme, entre demander une prédiction à un chatbot et entraîner une véritable IA de trading.
Ce qu'on vous vend : l'IA qui trade pendant que vous dormez
Concrètement, qu'est-ce que les gens font avec l'IA pour trader ? Trois choses, de plus en plus.
Le plus simple : ils demandent directement à ChatGPT. « Voici le graphique, j'achète ou pas ? » « Donne-moi trois actions à acheter cette semaine. » Le chatbot répond, en prose fluide et assurée.
Plus avancé : ils branchent une interface (une API) qui envoie automatiquement les prix au modèle, et c'est l'IA qui tranche à chaque bougie, sans intervention humaine. C'est ça, le fantasme du robot autonome.
Enfin, les plus méthodiques interrogent plusieurs IA en parallèle, ChatGPT, Gemini, Claude, DeepSeek, et comparent les réponses, en espérant qu'un consensus émerge.
Ce n'est pas marginal. Un sondage Motley Fool mené auprès de 2 000 personnes ayant déjà utilisé l'IA générative pour investir révèle que deux tiers d'entre elles ont consulté ChatGPT pour une décision d'investissement. Les usages les plus fréquents sont l'analyse et la recherche sur une action (57 %) et l'analyse de tendances (51 %). Ce sont surtout des investisseurs jeunes et peu expérimentés. Attention à bien lire ce chiffre : il s'agit de personnes qui utilisent déjà l'IA, pas de l'ensemble des particuliers. Mais la tendance est nette, et elle s'accélère : ChatGPT est passé de 400 à 800 millions d'utilisateurs hebdomadaires entre février et septembre 2025.
La vraie question n'est donc pas de savoir si les gens le font. Ils le font. C'est : est-ce que ça marche ?
Ce que la science a vraiment trouvé : un signal réel, mais sur le texte
Commençons par la bonne nouvelle, parce qu'elle est réelle.
Une étude très citée de l'Université de Floride (Lopez-Lira et Tang) a donné à GPT-4 des milliers de titres de presse, sans aucun entraînement financier spécifique, en lui demandant simplement de juger si la nouvelle était bonne ou mauvaise pour l'action concernée. Résultat : ces jugements sont corrélés, de façon statistiquement significative, au mouvement du lendemain. Le modèle comprend l'impact d'une information mieux qu'un simple dictionnaire de mots positifs et négatifs.
Détail important : cette capacité n'apparaît que chez les gros modèles. GPT-4 y arrive, là où des modèles plus anciens et plus petits (GPT-1, GPT-2, BERT) échouent. Le raisonnement financier semble émerger avec la taille du modèle.
Une seconde étude (Chen et ses co-auteurs) va dans le même sens sur le marché global. En analysant les titres du Wall Street Journal sur plus de vingt ans, le ratio de bonnes nouvelles extrait par ChatGPT prédit l'orientation du S&P 500 jusqu'à plusieurs mois à l'avance. Là encore, un point contre-intuitif : tous les modèles n'y arrivent pas. DeepSeek échoue, les outils classiques (BERT, dictionnaires) échouent, et GPT-4 ne fait pas mieux que GPT-3.5 sur cette tâche précise.
Donc oui : les IA modernes extraient une information exploitable. Mais regardez bien où se situe ce signal. Il porte sur le texte, sur le sentiment d'une nouvelle. Pas sur une boule de cristal qui lirait l'avenir des prix. C'est une nuance qui change tout pour la suite.
Pourquoi « 90 % de réussite » et « +700 % » ne veulent pas dire ce que vous croyez
C'est ici que la plupart des articles enthousiastes vous trompent, souvent sans le faire exprès.
Vous lirez que l'IA atteint « 90 % de bonnes prédictions ». C'est vrai sur le papier, mais ce taux concerne la réaction immédiate du cours, entre la clôture et l'ouverture du lendemain, un mouvement que vous ne pouvez pas capturer, sauf à avoir l'information avant tout le monde. Une fois ce saut passé, le signal réellement exploitable dans les jours qui suivent ne tombe juste que dans 55 à 58 % des cas. On est très loin des 90 %.
Vous lirez aussi des rendements spectaculaires, du genre « +700 % ». Dans l'étude de Floride, ce chiffre est brut, avant le moindre coût, sur une stratégie qui achète et vend chaque jour avec une rotation du portefeuille d'environ 190 % par jour. Une fois les frais d'exécution intégrés, cet avantage fond : il reste quelque chose à 5 points de base de coûts, presque plus rien à 10, et la stratégie devient carrément perdante dès 20 points de base. C'est exactement le sujet des coûts cachés qui faussent un backtest : une performance théorique magnifique peut être entièrement mangée par le spread et les commissions.
Et il y a un piège plus sournois encore : le biais haussier. Les actions et les indices montent en moyenne sur le long terme. Un modèle qui prédit « ça monte » presque tous les jours aura donc souvent raison, sans la moindre compétence prédictive. Un taux de bonnes réponses élevé ne prouve rien tant qu'on ne l'a pas comparé à une simple stratégie « j'achète et je garde », et tant qu'on n'a pas neutralisé le marché.
À leur crédit, les chercheurs sérieux font ce travail. L'étude de Floride mesure une stratégie neutre au marché (autant à l'achat qu'à la vente), et son avantage réel, un alpha statistiquement solide, vient surtout du côté vendeur, pas de la dérive haussière. C'est précisément ce qui distingue une étude rigoureuse d'un titre marketing : elle se demande si le résultat est dû à un avantage ou simplement à la chance.
Un chatbot n'est pas un système de trading
Voici le point que les vendeurs de rêve oublient toujours de mentionner.
Le régulateur des marchés espagnol (la CNMV) a fait un test grandeur réelle sur les actions de l'indice IBEX-35, d'avril 2025 à janvier 2026, avec quatre modèles d'IA et trois façons de les interroger. Le verdict est sans appel pour les requêtes naïves : demander « dis-moi quoi acheter » ne bat pas le marché. L'excédent de performance est de 0,35 %, avec une précision proche du tirage au sort.
Ce qui change la donne, ce n'est pas l'IA seule, c'est l'encadrement. Avec des consignes structurées, la performance monte à 2,24 % par mois. Avec un raisonnement guidé étape par étape et supervisé par un humain, elle atteint 3,04 % par mois. Autrement dit : le travail, c'est l'humain qui le fait, l'IA n'est qu'un outil dans la boucle.
L'étude souligne aussi un danger discret mais réel : le piège de la fluidité. Les modèles produisent des réponses très convaincantes, bien écrites, qui reposent parfois sur des chiffres inventés, des données périmées ou des erreurs de raisonnement basiques. Plus la réponse est éloquente, plus on a tendance à la croire.
Le benchmark FinBen, qui a évalué quinze modèles sur des dizaines de tâches financières, confirme la limite de fond : sur la prévision pure des prix, même GPT-4 et Gemini sont à peine meilleurs que le hasard. Ils sont bons pour lire et résumer du texte, pas pour deviner la prochaine bougie.
Retenez l'idée : un chatbot est un excellent assistant de lecture. Ce n'est pas un système de trading.
Mais c'est quoi, une vraie IA de trading ?
Et c'est là que la confusion se joue. Quand on dit « IA de trading », on mélange deux choses qui n'ont rien à voir.
ChatGPT, Gemini ou Claude sont des modèles de langage. Ils sont nés pour manipuler du texte, prédire le mot suivant, raisonner en phrases. Les détourner pour deviner un cours, c'est leur demander un métier qui n'est pas le leur.
Une vraie IA de trading, c'est autre chose : un modèle qu'on entraîne sur des données numériques (prix, indicateurs, volume, caractéristiques de l'action) pour prédire une cible précise, puis qu'on valide sur des données qu'il n'a jamais vues. C'est la famille des modèles d'arbres (XGBoost, LightGBM, CatBoost) et des réseaux profonds (LSTM, Transformer). C'est une démarche radicalement différente de celle d'un chatbot, comme l'explique notre article sur la façon dont le machine learning analyse les marchés.
Que disent les études sérieuses sur ces modèles-là ? La référence est un travail de Gu, Kelly et Xiu, publié dans une grande revue académique. Sur près de trente mille actions américaines et soixante ans de données, ils mettent en concurrence une dizaine de méthodes. Les gagnants sont les arbres et les réseaux de neurones, parce qu'ils captent des interactions non linéaires que les modèles classiques ratent.
Mais regardez bien l'ampleur honnête du résultat. La part de variation expliquée, mois après mois et action par action, est petite : de l'ordre de 0,40 %. Ce n'est pas une faute de frappe. Cet avantage minuscule ne devient intéressant qu'agrégé dans un portefeuille qui achète les meilleures actions et vend les pires : là, le meilleur modèle dégage un écart d'environ 2,26 % par mois, soit un ratio de Sharpe annualisé autour de 1,35, le double des méthodes traditionnelles. Une seconde étude, Deep Learning in Asset Pricing, aboutit à la même leçon avec un ratio de Sharpe hors échantillon d'environ 0,75 par mois.
La conclusion est sobre : oui, une IA entraînée a un avantage réel. Mais cet avantage est modeste, et il n'existe que sur des données jamais vues.
Cela vous explique aussi pourquoi il faut fuir les articles qui claironnent « 98 % de précision » ou « R² de 0,99 ». Ces modèles prédisent en général le niveau du prix de demain, qui ressemble presque à celui d'aujourd'hui, ce qui est trivial et inutile. Ou bien ils ont vu, à l'entraînement, des données qu'ils n'auraient pas dû voir. C'est du sur-ajustement : le modèle a appris par cœur les réponses d'un ancien examen, et il s'effondrera dès qu'on lui posera de nouvelles questions. Un chiffre trop beau n'est pas un signe de qualité, c'est un signal d'alarme.
Où l'IA aide vraiment (et où elle ne remplace personne)
Faut-il jeter l'IA pour autant ? Non. Il faut juste la mettre à sa place.
Là où elle excelle, c'est dans le traitement du texte : lire des centaines de titres de presse, jauger un ton, résumer un rapport, repérer un changement de sentiment dans une masse d'informations qu'aucun humain ne lirait en entier. C'est un copilote d'analyse, pas un pilote automatique.
Une grande revue de synthèse (Darwish et ses co-auteurs, 2025) qui balaie l'évolution des modèles, de l'ARIMA aux IA de langage, le dit clairement : les modèles de langage ne battent pas le marché et ne remplacent pas les modèles prédictifs. Les approches les plus précises restent les modèles entraînés et les ensembles. Les IA de langage, elles, apportent leur force sur le texte, le sentiment et l'explicabilité. L'avenir, conclut la revue, est à l'hybridation des deux, pas au remplacement de l'un par l'autre.
Un dernier point, valable pour toutes les approches : l'avantage se dégrade à mesure que tout le monde l'utilise. Plus les traders branchent les mêmes IA sur les mêmes nouvelles, plus le marché intègre vite l'information, et plus le signal s'épuise. Ce qui rapportait en 2023 rapporte moins aujourd'hui. C'est vrai sur les actions américaines comme sur les indices ou le Forex.
La vraie question : la performance nette, sur des données jamais vues
Au fond, tout ce qui précède se ramène à une seule règle.
Le bon critère n'est jamais le taux de bonnes réponses, ni un rendement brut affiché dans une publicité. C'est la performance nette de frais, comparée à un simple buy-and-hold, mesurée sur des données que le modèle n'a jamais vues. Tout le reste est du décor.
C'est exactement pour ça qu'un backtest classique ne suffit pas, et qu'il faut des méthodes plus exigeantes comme le walk-forward analysis, qui vérifie qu'une stratégie tient sur plusieurs périodes successives et inconnues, pas seulement sur le passé qu'on a optimisé. Une IA qui n'a pas passé ce test n'a rien prouvé, qu'elle s'appelle ChatGPT ou réseau de neurones.
En conclusion : poser la bonne question à la bonne IA
Revenons à la tentation de départ. Une IA peut-elle trader à votre place ?
Telle qu'on l'imagine, un chatbot à qui on demande « où va le marché », la réponse des études est non. Le signal existe sur le texte, mais il est modeste, fragile aux coûts, et un prompt naïf ne bat pas le marché. Demander à plusieurs IA à la fois ne change pas la nature du problème : on additionne des avis éloquents, pas des systèmes validés.
La bonne approche renverse la question. Au lieu d'utiliser l'IA comme un oracle, on lui donne un métier précis. C'est l'idée derrière un outil comme AlgoBacktest : plutôt que d'appliquer un indicateur à la main avec une règle rigide, vous le fournissez comme une donnée parmi d'autres à des modèles de machine learning (LightGBM, XGBoost, CatBoost, LSTM, Transformer), et le modèle apprend lui-même comment ce signal se relie aux mouvements qui suivent, y compris des comportements subtils qu'une règle figée ne capte jamais. Le tout sans écrire une ligne de code, sur le Forex, les actions, les ETF, les indices et les futures, et avec une validation sur des données que le modèle n'a jamais vues.
C'est la différence entre croire une promesse et regarder une preuve.
Une précision qui n'en est pas une : le trading comporte un risque réel de perte en capital, aucune IA n'y change rien, et les performances passées ne préjugent jamais des performances futures. Un modèle, aussi sophistiqué soit-il, reste un outil d'analyse et de recherche, pas une garantie.
Essayer AlgoBacktest gratuitement
FAQ
ChatGPT peut-il prédire la bourse ? Sur la prévision pure des prix, les études (notamment le benchmark FinBen) montrent qu'il est à peine meilleur que le hasard. Là où il a un vrai signal, c'est dans la lecture du sentiment des nouvelles, un avantage réel mais modeste, qui s'efface en grande partie une fois les frais de transaction pris en compte.
Les robots de trading IA sont-ils fiables ? Un robot qui laisse une IA décider seule à chaque bougie hérite de toutes les limites du modèle : erreurs de raisonnement, données périmées, réponses convaincantes mais fausses. Le test du régulateur espagnol montre qu'une IA non encadrée ne bat pas le marché. La supervision humaine et une validation sérieuse restent indispensables.
Demander à plusieurs IA (ChatGPT, Gemini, Claude), ça marche mieux ? Comparer plusieurs modèles peut réduire certaines erreurs grossières, mais ça ne crée pas un avantage là où il n'y en a pas. Si chaque modèle est faible en prévision pure, additionner leurs avis ne transforme pas le résultat. Ce qui compte, ce n'est pas le nombre d'avis, c'est la validation sur des données jamais vues.
Faut-il savoir coder pour entraîner une vraie IA de trading ? Non. Entraîner un modèle comme XGBoost ou un LSTM demandait historiquement de programmer, mais des outils permettent aujourd'hui de le faire via une interface graphique. L'important n'est pas le code : c'est la rigueur de la validation, sur des données que le modèle n'a jamais rencontrées.