💰 quantitative finance

ARTEMIS: A Neuro Symbolic Framework for Economically Constrained Market Dynamics

L'article présente ARTEMIS, un cadre neuro-symbolique innovant qui combine des réseaux de neurones et des principes économiques pour générer des prévisions de marché interprétables et sans arbitrage, démontrant des performances supérieures à l'état de l'art sur plusieurs jeux de données financiers.

Auteurs originaux : Rahul D Ray

Publié 2026-03-20

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Rahul D Ray

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de prédire le temps qu'il fera demain. Les modèles d'intelligence artificielle classiques (les "boîtes noires") regardent des millions de données passées et disent : "Il y a 80 % de chances de pluie". C'est souvent précis, mais personne ne sait pourquoi ils pensent cela, et parfois, ils oublient les lois de la physique (comme le fait que l'eau ne tombe pas vers le ciel).

Dans le monde de la finance, c'est encore plus dangereux. Si une IA dit "Achetez cette action", les régulateurs et les investisseurs veulent savoir pourquoi. De plus, une IA qui ne respecte pas les règles économiques de base (comme l'impossibilité de faire du profit sans risque) peut donner des conseils catastrophiques.

Voici l'histoire de ARTEMIS, un nouveau modèle conçu pour résoudre ces problèmes.

1. Le Problème : L'IA aveugle et désordonnée

Les modèles actuels sont comme des chefs cuisiniers géniaux mais aveugles. Ils peuvent préparer un plat délicieux (prédire une tendance) en goûtant des millions d'ingrédients (données), mais :

Ils ne peuvent pas vous dire la recette exacte (manque d'explication).
Parfois, ils ajoutent des ingrédients qui n'existent pas dans la réalité (prédictions économiquement impossibles).
Ils sont mal à l'aise avec les données qui arrivent de façon irrégulière (comme des actualités qui tombent à des heures imprévisibles).

2. La Solution : ARTEMIS, le "Chef-Philosophe"

ARTEMIS n'est pas juste un cuisinier, c'est un chef qui respecte aussi les lois de la nature et qui écrit sa recette. Il est composé de quatre ingrédients magiques :

A. Le Traducteur de Temps (L'Opérateur de Laplace)

Imaginez que les données financières arrivent comme des gouttes de pluie : parfois très serrées, parfois espacées. Les modèles classiques doivent forcer ces gouttes à tomber à intervalles réguliers, ce qui fausse la réalité.
ARTEMIS, lui, utilise un traducteur spécial qui comprend le temps comme un fleuve continu. Il n'a pas besoin de forcer les gouttes à tomber régulièrement ; il comprend le flux tel qu'il est, même si les données arrivent de façon chaotique.

B. Le Moteur Physique (L'Équation Différentielle Stochastique)

C'est le cœur du système. Au lieu de juste deviner, ARTEMIS imagine que le marché est une voiture qui roule sur une route avec des nids-de-poule.

Il a un moteur qui prédit la direction (le "dérive").
Il a un système qui gère les secousses et l'imprévu (la "diffusion").
Le plus important : Il est équipé de capteurs de sécurité (les "pertes physiques"). Ces capteurs vérifient en permanence : "Est-ce que cette prédiction respecte les lois de l'économie ?".
- Si le modèle suggère un profit sans risque (ce qui est impossible), le capteur le bloque.
- Si le modèle suggère un risque de gain trop fou, le capteur le calme.
- C'est comme si la voiture avait un GPS qui vous empêchait de rouler à l'envers sur l'autoroute.

C. Le Traducteur de Recette (Le Goulot Symbolique)

C'est la partie la plus brillante pour la transparence. Au lieu de laisser le modèle donner un résultat incompréhensible, ARTEMIS possède un traducteur automatique.
Il prend les calculs complexes de la voiture et les transforme en une recette simple et lisible que n'importe qui peut comprendre.

Au lieu de dire : "La valeur cachée est 0,432 avec une dérive de 0,02..."
Il dit : "Achetez si le prix a baissé de 2% et si le volume a augmenté."
C'est comme si le chef vous donnait non seulement le plat, mais aussi la liste exacte des ingrédients et des étapes, écrits en français simple.

D. Le Parachute de Sécurité (La Prédiction Conformelle)

Enfin, ARTEMIS ne vous donne jamais une seule réponse. Il vous dit : "Je pense que le prix va monter, et je suis sûr à 95 % qu'il sera entre 100€ et 110€".
C'est comme un parachute de sécurité. Il vous donne une fourchette de confiance. Si le marché est très instable, la fourchette s'élargit pour vous protéger. Cela aide les investisseurs à gérer leurs risques sans être pris au dépourvu.

3. Les Résultats : Comment ça marche en vrai ?

Les chercheurs ont testé ARTEMIS contre six autres modèles (des géants comme les Transformers ou les LSTM) sur quatre terrains de jeu différents :

Des données réelles de marché (Jane Street).
Des données de volatilité (Optiver).
Des données météo (pour voir si ça marche hors finance).
Un scénario de crash simulé (DSLOB) : un environnement extrême où tout s'effondre.

Le verdict :

Sur les crashes et les changements de régime : ARTEMIS est un champion. Sur le scénario de crash, il a deviné la bonne direction (hausse ou baisse) 65 % du temps, battant tous les autres modèles. Les autres modèles, eux, étaient souvent perdus, comme des voitures sans GPS dans une tempête.
La magie des lois physiques : Quand les chercheurs ont retiré les "capteurs de sécurité" (les lois économiques) du modèle, sa capacité à prédire la direction s'est effondrée à 41 % (pire que le hasard). Cela prouve que respecter les règles de l'économie est essentiel pour prédire l'avenir.
Le compromis : Parfois, ARTEMIS est moins précis sur le chiffre exact (le prix précis), mais il est bien meilleur pour prédire le sens (monter ou descendre). En finance, savoir si on doit acheter ou vendre est souvent plus important que de connaître le centime exact.

En résumé

ARTEMIS est comme un pilote de course futuriste :

Il voit la route clairement, même si elle est cahoteuse (données irrégulières).
Il respecte strictement les lois de la physique et de la sécurité (pas de profit sans risque).
Il peut expliquer sa stratégie à n'importe qui avec une phrase simple (recette lisible).
Il vous prévient toujours de la zone de danger (parachute de confiance).

Ce modèle comble le fossé entre la puissance brute de l'intelligence artificielle et la nécessité de comprendre et de faire confiance à ce que l'on utilise, surtout quand il s'agit de l'argent des gens.

1. Problématique

L'application de l'apprentissage profond (Deep Learning) à la prédiction de séries temporelles financières se heurte à trois défis majeurs non résolus :

Manque d'interprétabilité : Les modèles actuels fonctionnent comme des "boîtes noires", ce qui pose des risques juridiques, éthiques et opérationnels dans un secteur régulé. Les techniques d'IA explicable (XAI) existantes (SHAP, LIME) ne sont que des approximations a posteriori et ne résolvent pas l'opacité structurelle du modèle.
Absence de contraintes économiques fondamentales : La plupart des modèles sont entraînés uniquement sur des données historiques, apprenant des corrélations spurious (fallacieuses) sans respecter des principes économiques essentiels comme l'absence d'arbitrage. Cela conduit à des prédictions irréalistes, surtout lors de changements de régime de marché.
Nature continue et non-stationnaire des marchés : Les modèles discrets traditionnels peinent à traiter les données irrégulières (fréquence microseconde des ordres) et les régimes de marché changeants, souvent en nécessitant une interpolation qui déforme la dynamique sous-jacente.

2. Méthodologie : Le Framework ARTEMIS

ARTEMIS (Arbitrage-free Representation Through Economic Models & Interpretable Symbolics) est un cadre neuro-symbolique unifié conçu pour surmonter ces limites. Il intègre quatre modules couplés :

A. Encodeur en Temps Continu (Laplace Neural Operator)

Contrairement aux modèles RNN ou Transformer qui nécessitent un échantillonnage régulier, ARTEMIS utilise un Opérateur Neural de Laplace. Cet encodeur apprend une application directe des observations irrégulières vers un espace latent continu via un noyau intégrable dans le domaine de Laplace. Cela élimine le besoin d'interpolation et préserve la structure temporelle réelle des données (ex: carnet d'ordres).

B. Dynamique Latente Économiquement Informée (Neural SDE)

L'évolution de l'état latent est modélisée par une Équation Différentielle Stochastique Neuronale (Neural SDE) :
$dz(t) = \mu_\theta(z, t)dt + \sigma_\phi(z, t)dW(t)$
où la dérive ( $\mu$ ) et la diffusion ( $\sigma$ ) sont des réseaux de neurones. Pour garantir la plausibilité économique, deux termes de régularisation basés sur le Théorème Fondamental de l'Évaluation des Actifs sont ajoutés à la fonction de perte :

Résidu PDE Feynman-Kac ( $L_{PDE}$ ) : Un réseau auxiliaire de tarification ( $V_\psi$ ) est utilisé pour calculer le résidu de l'équation aux dérivées partielles (PDE). Minimiser ce résidu force le modèle à respecter localement la condition d'absence d'arbitrage.
Pénalité du Prix du Marché du Risque ( $L_{MPR}$ ) : Une contrainte de type "hinge" limite le ratio de Sharpe instantané ( $\|\sigma^{-1}\mu\|^2$ ) à une valeur réaliste ( $\kappa$ ), empêchant le modèle d'apprendre des stratégies de profit trop optimistes et non réalistes.

C. Goulot d'Étranglement Symbolique Différentiable

Au lieu d'expliquer le modèle a posteriori, ARTEMIS intègre une couche de régression symbolique différentiable. Cette couche distille les dynamiques latentes complexes en expressions mathématiques fermées et interprétables (facteurs alpha) sous la forme :
$\hat{y} = \sum w_k f_k(x)$
où $f_k$ sont des fonctions de base (moyennes mobiles, ratios, etc.) et $w_k$ sont des poids appris via un mécanisme de sélection (Gumbel-Softmax). Cela offre une transparence inhérente tout en restant entraînable de bout en bout.

D. Couche de Conformité (Conformal Prediction)

Pour la gestion des risques, une couche d'inférence conforme adaptative génère des intervalles de prédiction calibrés sans hypothèse de distribution, permettant une quantification rigoureuse de l'incertitude.

3. Contributions Clés

Intégration Neuro-Symbolique : Premier cadre unifié combinant encodeur continu, SDE neuronale, régularisation physique (PDE) et régression symbolique pour la prévision financière.
Contraintes Économiques Directes : Introduction de termes de perte basés sur Feynman-Kac et le prix du marché du risque directement dans l'apprentissage des dynamiques latentes, et non seulement pour la tarification d'options.
Interprétabilité Native : Remplacement des explications post-hoc par des règles de trading explicites extraites directement du modèle.
Robustesse aux Régimes Irréguliers : Capacité à traiter des données non stationnaires et irrégulièrement échantillonnées sans interpolation.

4. Résultats Expérimentaux

Le modèle a été évalué sur quatre jeux de données (Jane Street, Optiver, Time-IMM, et un jeu de données synthétique DSLOB simulant un krach) contre six baselines (LSTM, Transformer, NS-Transformer, Informer, Chronos-2, XGBoost).

Précision Directionnelle (Directional Accuracy) : ARTEMIS obtient des performances de pointe (SOTA).
- Sur DSLOB (régime de krach) : 64,96 % (vs 60,64 % pour le LSTM).
- Sur Time-IMM (température) : 96,0 %.
- Sur Jane Street : 51,50 % (égal au LSTM, mais avec une meilleure interprétabilité).
Étude d'Ablation (DSLOB) :
- Suppression de la perte PDE : La précision directionnelle chute de 64,89 % à 50,32 % (presque aléatoire).
- Suppression de toutes les pertes physiques : Chute à 41,77 % (pire que le hasard).
- Suppression de la SDE : La précision ponctuelle (RMSE) s'améliore drastiquement, mais la précision directionnelle baisse légèrement, confirmant que la SDE introduit une variance contrôlée bénéfique pour la prédiction de signe.
Limites : Sur le jeu de données Optiver, ARTEMIS sous-performe (RankIC négatif). Cela est attribué à la longueur de séquence (600 pas), à la cible focalisée sur la volatilité (magnitude) plutôt que sur la direction, et à un ensemble de caractéristiques limité, ce qui souligne les conditions limites du cadre.

5. Signification et Impact

ARTEMIS comble le fossé entre la puissance prédictive de l'apprentissage profond et la nécessité de transparence et de conformité économique dans la finance quantitative.

Fiabilité : En imposant l'absence d'arbitrage via des lois physiques, le modèle évite les prédictions économiquement impossibles, crucial pour les applications à haut risque.
Confiance : La capacité à extraire des règles de trading lisibles par l'homme (symboliques) facilite l'adoption par les régulateurs et les gestionnaires de risques.
Généralisation : La réussite sur des données non financières (Time-IMM) suggère que le cadre est applicable à d'autres domaines régis par des lois physiques ou économiques et des données irrégulières (climat, épidémiologie).

En conclusion, ARTEMIS démontre qu'il est possible d'obtenir une précision directionnelle supérieure tout en respectant les principes fondamentaux de l'économie et en fournissant une interprétabilité native, ouvrant la voie à une IA de confiance dans les applications financières critiques.