L’évolution du trading par IA
Le domaine du trading à Wall Street a historiquement été dominé par des firmes d’élite utilisant des systèmes d’IA propriétaires, des algorithmes coûteux développés en secret avec de vastes ressources. Ces institutions ont traditionnellement maintenu leur avantage en tirant parti de leurs ressources financières substantielles, de leurs talents spécialisés et de leur infrastructure informatique avancée. Une analyse récente de l’industrie a révélé que le développement de modèles de trading d’IA sophistiqués nécessite des investissements allant de 500 000 $ à plus d’un million de dollars, sans compter les dépenses courantes de rétention des talents et d’entretien de l’infrastructure.
L’intégration de l’IA dans le trading remonte aux années 1980, lorsque les entreprises ont initialement utilisé des systèmes simples basés sur des règles pour le trading automatisé. La véritable métamorphose s’est produite à la fin des années 1990 et au début des années 2000, lorsque les algorithmes d’apprentissage automatique ont propulsé les stratégies de trading quantitatif de l’époque. Des entreprises de premier plan comme Renaissance Technologies et D.E. Shaw ont été les pionnières de l’utilisation de modèles d’IA complexes pour discerner les tendances du marché et exécuter des transactions avec une rapidité inégalée. Dans les années 2010, le trading haute fréquence (HFT) alimenté par l’IA était devenu un élément fondamental des opérations de marché, les plus grandes entreprises allouant des centaines de millions à l’infrastructure informatique et aux talents pour maintenir leur avantage concurrentiel.
On estime que le trading algorithmique à haute fréquence représente environ la moitié du volume des transactions à Wall Street.
DeepSeek et d’autres initiatives d’IA open-source similaires perturbent ce modèle conventionnel grâce à leur approche collaborative du développement. Au lieu de garder les algorithmes sous clé, ces plateformes exploitent les connaissances collectives d’une communauté mondiale de développeurs qui affinent et améliorent constamment la technologie.
Cependant, adopter cette technologie n’est pas aussi simple que de télécharger un code open-source. Bien que ces nouveaux outils réduisent certaines barrières à l’entrée, ils ne créent pas automatiquement des règles du jeu équitables. Les systèmes de trading traditionnels sont profondément ancrés dans les opérations de marché et soutenus par des années de validation dans le monde réel. Le défi pour les alternatives open-source ne consiste pas seulement à égaler les capacités avancées des systèmes établis, mais aussi à démontrer leur capacité à fonctionner de manière fiable dans les paramètres exigeants du trading en direct.
De plus, les entreprises adoptant des systèmes d’IA open-source doivent encore cultiver des cadres opérationnels appropriés, assurer la conformité réglementaire et construire l’infrastructure nécessaire pour déployer ces outils efficacement. Par conséquent, bien que l’IA open-source ait le potentiel de réduire les coûts de la technologie de trading sophistiquée, il est improbable que vous téléchargiez des plateformes de trading d’IA open-source avec la même facilité qu’une application de prise de notes open-source dans un avenir proche.
Coût et accessibilité
L’un des aspects les plus attrayants de l’IA open-source est son potentiel à réduire considérablement les coûts initiaux. Les systèmes propriétaires traditionnels nécessitent des frais de licence substantiels et des investissements dans des logiciels personnalisés. La collaboration continue de Citadel LLC avec Alphabet Inc., par exemple, exploite plus d’un million de processeurs virtuels pour réduire les temps de calcul complexes de quelques heures à quelques secondes, mais cela entraîne des investissements massifs et continus dans l’infrastructure.
L’approche open-source de DeepSeek présente un contraste frappant. Ses modèles V3 et R1 sont accessibles gratuitement, et il fonctionne sous une licence MIT, ce qui signifie qu’il peut être modifié et utilisé pour des projets commerciaux. Bien que le logiciel lui-même puisse être gratuit, sa mise en œuvre efficace exige des investissements considérables dans les domaines suivants, comme l’a souligné Mamaysky :
- Infrastructure informatique et matériel : Une puissance de calcul robuste est essentielle pour gérer les exigences de traitement intensives du trading piloté par l’IA.
- Acquisition de données de marché de haute qualité : L’accès à des données de marché précises et en temps réel est crucial pour l’entraînement et le déploiement de modèles de trading efficaces.
- Mesures de sécurité et systèmes de conformité : Des protocoles de sécurité stricts et des systèmes de conformité sont nécessaires pour protéger les données sensibles et respecter les exigences réglementaires.
- Maintenance et mises à jour continues : Une maintenance et des mises à jour continues sont essentielles pour garantir les performances optimales du système et s’adapter à l’évolution des conditions du marché.
- Expertise spécialisée pour le déploiement et l’optimisation : Des professionnels qualifiés sont nécessaires pour déployer, configurer et optimiser les modèles d’IA pour des stratégies de trading spécifiques.
Bien que vous puissiez facilement accéder au dernier modèle de DeepSeek et télécharger le code gratuitement, son déploiement réussi dans un environnement HFT nécessite bien plus que cela.
Transparence et responsabilité
Un avantage fréquemment cité de l’IA open-source est sa transparence inhérente. Le code source étant ouvert à l’examen public, les parties prenantes peuvent auditer les algorithmes, vérifier leurs processus décisionnels et les modifier pour se conformer aux réglementations ou répondre à des exigences spécifiques. Un exemple notable est l’AI Fairness 360 d’International Business Machines Corporation, une suite d’outils open-source conçus pour auditer et atténuer les biais dans les modèles d’IA. De plus, les détails architecturaux et les données d’entraînement des modèles Llama 3 et 3.1 de Meta sont accessibles au public. Cela permet aux développeurs d’évaluer la conformité aux droits d’auteur, aux réglementations et aux normes éthiques. Ce niveau d’ouverture contraste avec la nature de ‘boîte noire’ des systèmes propriétaires, où les rouages internes sont dissimulés, conduisant parfois à des décisions opaques que même les créateurs du système peuvent avoir du mal à démêler.
Cependant, il serait inexact de présenter tous les systèmes de trading propriétaires comme des boîtes noires impénétrables. Les grandes institutions financières ont fait des progrès significatifs dans l’amélioration de la transparence de leurs modèles d’IA, stimulées à la fois par la pression réglementaire (telle que l’AI Act de l’Union européenne et l’évolution des directives américaines) et par les impératifs internes de gestion des risques. La distinction essentielle est que, tandis que les systèmes propriétaires développent leurs outils de transparence en interne, les modèles open-source bénéficient d’un audit et d’une validation pilotés par la communauté, ce qui accélère souvent le processus de résolution des problèmes.
Le fossé de l’innovation
La percée du modèle R1 de DeepSeek a attiré l’attention des leaders de l’industrie - même Sam Altman d’OpenAI a admis début 2025 qu’il était ‘du mauvais côté de l’histoire’ concernant les modèles open-source, laissant entrevoir un changement de paradigme potentiel dans la façon dont l’industrie perçoit le développement collaboratif.
Néanmoins, Mamaysky a affirmé que le véritable défi pour réaliser le potentiel d’une transition vers l’IA open-source réside dans trois domaines essentiels : la mise à l’échelle de l’infrastructure matérielle, la sécurisation de données financières de haute qualité et l’adaptation de modèles génériques à des applications de trading spécifiques. Par conséquent, il ne prévoit pas que les avantages des entreprises bien dotées en ressources se dissipent de sitôt. ‘L’IA open-source, en soi, ne représente pas un risque [pour les concurrents] à mon avis. Le modèle de revenus, ce sont les centres de données, les données, la formation et la robustesse du processus’, a-t-il déclaré.
La course à l’IA est encore compliquée par des considérations géopolitiques. L’ancien PDG de Google, Eric Schmidt, a averti que les États-Unis et l’Europe devaient intensifier leurs efforts pour développer des modèles d’IA open-source, au risque de céder du terrain à la Chine dans ce domaine. Cela suggère que l’avenir de l’IA financière pourrait dépendre non seulement des capacités techniques, mais aussi de décisions stratégiques plus larges concernant la manière dont la technologie de trading est développée et diffusée.
L’émergence de plateformes d’IA open-source comme DeepSeek marque une transformation potentielle de la technologie financière, mais elles ne constituent pas actuellement une menace imminente pour la hiérarchie établie de Wall Street. Bien que ces outils réduisent considérablement les coûts de licence des logiciels et améliorent la transparence, Mamaysky a averti que ‘rendre les modèles open-source ou non n’est probablement pas un problème de premier ordre’ pour ces entreprises.
Un avenir hybride est plus prévisible, combinant des systèmes open-source et propriétaires. Par conséquent, la question pertinente n’est pas de savoir si l’IA open-source supplantera les systèmes traditionnels de Wall Street, mais plutôt comment elle sera intégrée dans leurs cadres existants.
Le mouvement open-source change la façon dont les logiciels sont construits et partagés dans de nombreux domaines. Dans le domaine de la finance, le potentiel est que de nouveaux outils et des plateformes collaboratives faciliteront l’utilisation de stratégies de trading basées sur l’IA pour les petites entreprises et les investisseurs individuels.
L’avenir de l’IA dans la finance sera probablement un mélange de systèmes open-source et de systèmes fermés et propriétaires. La grande question est de savoir dans quelle mesure ces différentes approches peuvent fonctionner ensemble, permettant aux entreprises établies d’utiliser les forces de l’innovation pilotée par la communauté tout en conservant les avantages spécialisés qui leur ont permis de rester au sommet pendant si longtemps.
La trajectoire de l’IA dans la finance n’est pas seulement une question technique ; c’est une question stratégique, profondément liée aux paysages réglementaires, aux dynamiques géopolitiques et à la structure même des marchés financiers. Les années à venir révéleront comment ces forces interagissent, façonnant l’avenir du trading et de l’investissement.
L’essor de l’IA open-source dans le trading est un développement crucial. Il sera intéressant de voir comment elle change Wall Street et rend les outils de trading avancés plus accessibles à tous. Cette histoire est encore en cours d’écriture, et son dernier chapitre reste à écrire. Le mélange de collaboration et de concurrence, de transparence et d’avantage propriétaire, déterminera l’impact ultime de l’IA open-source sur le monde de la finance.