📈 economics

Evaluating AI Investment Strategies

Cet article établit une décomposition exacte du regret cumulé en covariances par période entre les vecteurs de coûts et les décisions de politique, fournissant un cadre d'audit traçable et sans modèle pour évaluer les stratégies algorithmiques de boîte noire dans des environnements dynamiques tels que les mécanismes de plateforme et la gestion de portefeuille.

Auteurs originaux : Irene Aldridge

Publié 2026-06-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Irene Aldridge

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 êtes un critique gastronomique essayant de juger la cuisine d'un chef, mais que vous n'avez pas le droit d'entrer dans la cuisine. Vous ne pouvez pas voir les recettes, les ingrédients en train d'être découpés, ni le processus de pensée interne du chef. Tout ce que vous pouvez voir, c'est la commande que le client a passée (l'entrée) et l'assiette qui est sortie (la sortie).

Pendant des années, les régulateurs et les investisseurs se sont heurtés à ce problème exact concernant les algorithmes d'IA qui gèrent l'argent. Ils peuvent voir ce que l'IA a acheté ou vendu, et ils peuvent voir les prix du marché, mais ils ne peuvent pas « ouvrir la boîte » pour voir comment l'IA a pris ses décisions.

Cet article d'Irene Aldridge propose un « tour de magie » mathématique ingénieux pour résoudre cela. Il prouve que vous pouvez mesurer avec précision si une IA réussit (ou échoue) simplement en observant la relation entre les commandes reçues et les assiettes servies.

Voici la décomposition des idées principales de l'article en utilisant des analogies de la vie quotidienne :

1. L'idée centrale : Le Regret est simplement une « Covariance »

Dans le monde de la finance, le « Regret » est l'écart entre ce qu'un algorithme a réellement gagné et ce qu'il aurait pu gagner s'il avait eu une prévoyance parfaite (ou, du moins, une connaissance parfaite de la moyenne du marché).

La découverte principale de l'article est une équation simple : Regret = Covariance.

Pensez-y comme à un partenaire de danse :

Le Coût (La Musique) : Ce sont les conditions du marché (ex: les prix qui montent ou descendent).
La Décision (Le Pas de Danse) : C'est ce que l'IA décide de faire (acheter ou vendre).

Si l'IA est un bon danseur, elle bouge avec la musique. Si la musique monte, elle monte. Si la musique descend, elle descend. Dans ce cas, la « covariance » (la façon dont ils bougent ensemble) est élevée, mais le Regret est faible car l'IA fait exactement ce que la situation exige.

Cependant, si l'IA est un mauvais danseur, elle pourrait monter quand la musique descend. Elle bouge contre le flux. L'article montre que vous pouvez mesurer exactement à quel point ce « mauvais pas de danse » (le Regret) s'est produit, simplement en calculant la fréquence à laquelle les mouvements de l'IA ont heurté la musique. Vous n'avez pas besoin de connaître la chorégraphie ; il suffit de regarder la danse.

2. Le « Parfait » vs le « Réel »

L'article prouve que cette règle « Regret = Covariance » fonctionne parfaitement sous certaines conditions spécifiques :

La Musique est aléatoire : Les mouvements du marché sont indépendants les uns des autres (comme lancer une pièce de monnaie chaque jour).
Le Danseur est honnête : La décision moyenne de l'IA correspond à la décision mathématiquement parfaite pour ce jour-là.

Si ces conditions sont remplies, les mathématiques sont exactes. Vous pouvez sommer les « heurts » quotidiens entre le marché et les décisions de l'IA, et cette somme totale est exactement ce que l'IA a perdu par rapport à la meilleure stratégie possible.

3. Que se passe-t-il quand l'IA est « biaisée » ?

Dans le monde réel, l'IA n'est pas toujours parfaite. Parfois, elle a une « habitude » ou un « biais ».

Le Piège du Momentum : Imaginez une IA qui essaie toujours de poursuivre la tendance. Si le marché est monté hier, elle achète aujourd'hui. L'article montre que dans un marché qui « s'inverse » naturellement (monte, puis descend), cette habitude crée un type spécifique d'erreur.
La Correction : L'article fournit un « facteur de correction ». C'est comme ajouter une note de bas de page à votre critique : « La danse semblait mauvaise, mais la musique était difficile aujourd'hui, donc nous ajustons le score. »
- Si l'IA est biaisée vers des décisions à coût élevé, les mathématiques brutes pourraient la faire paraître plus mauvaise qu'elle ne l'est.
- Si l'IA est biaisée vers des décisions à faible coût, les mathématiques brutes pourraient la faire paraître meilleure qu'elle ne l'est.
- L'article donne une formule pour corriger cela, permettant aux auditeurs d'obtenir le vrai score même si l'IA a une mauvaise habitude.

4. Pourquoi cela importe pour l'audit

Cet article est essentiellement une boîte à outils pour les régulateurs.

Pas de secrets nécessaires : Vous n'avez pas besoin du code source de l'IA. Vous avez juste besoin d'un journal de ce qui s'est passé (les données du marché) et de ce que l'IA a fait (les transactions).
Rapide et peu coûteux : Les mathématiques sont assez simples pour être exécutées sur un ordinateur standard en temps réel. Ce n'est pas une simulation lourde et complexe ; c'est un calcul direct de la fréquence à laquelle les mouvements de l'IA ont « heurté » le marché.
La « Boîte Noire » est ouverte : Même si l'IA est une « boîte noire » (vous ne pouvez pas voir à l'intérieur), cette méthode vous permet de voir les résultats clairement. Elle transforme le mystère « Est-ce que cette IA triche ou est-elle simplement malchanceuse ? » en un test statistique avec un intervalle de confiance (une plage de certitude).

5. Test en conditions réelles : La stratégie de Momentum

Les auteurs ont testé cela sur de réelles données boursières de 2016 à 2025.

La Découverte : Ils ont examiné les stratégies de « Momentum » (IA qui achètent des actions qui ont monté hier).
Le Résultat : Les mathématiques ont montré que ces stratégies « dansent systématiquement contre la musique ». Le marché a tendance à s'inverser rapidement (ce qui monte descend souvent le lendemain), mais l'IA de momentum continuait de poursuivre la tendance.
L'Audit : En utilisant leur formule, ils ont pu quantifier exactement combien d'argent ces stratégies ont perdu à cause de ce décalage. Ils ont constaté que, bien que les stratégies de momentum semblaient correctes certaines années, une fois le « biais de correction » appliqué, le regret réel était souvent plus élevé.

Résumé

Cet article est un guide sur la façon d'auditer un gestionnaire d'IA mystérieux sans jamais lui demander de s'expliquer. Il dit : « Ne regardez pas le cerveau ; regardez la danse. »

En mesurant simplement comment les décisions de l'IA correspondaient aux mouvements du marché au fil du temps, vous pouvez calculer son « Regret » (perte de performance) exact. Si l'IA a une mauvaise habitude (comme poursuivre les tendances dans un marché qui s'inverse), l'article vous donne les mathématiques pour la corriger. Cela permet aux régulateurs de dire : « Nous savons exactement combien cette algorithme vous a coûté, et nous savons que ce n'est pas seulement de la malchance — c'est un défaut structurel dans sa façon de danser avec le marché. »

Résumé Technique : Évaluation des Stratégies d'Investissement par l'IA

Énoncé du Problème
Le document traite du défi critique de l'audit des décideurs algorithmiques de type « boîte noire » dans des environaux séquentiels, tels que les fonds spéculatifs, les conseillers robotisés et les algorithmes d'exécution. Les régulateurs (par exemple, sous les normes SR 11-7 et SR-26-2) et les concepteurs de plateformes nécessitent des mesures de performance pour évaluer les stratégies algorithmiques sans avoir accès au code source interne ou aux types d'agents privés. Si l'audit sur une période unique est possible, l'extension de ces méthodes aux programmes dynamiques stochastiques multi-périodes — où les gestionnaires réoptimisent leurs décisions en fonction de nouvelles données à chaque période — demeure un problème ouvert. La difficulté fondamentale réside dans la détermination de savoir si le regret cumulé (l'écart entre la performance réalisée et un indice de référence théorique optimal) peut être décomposé en quantités observables (entrées et sorties) uniquement.

Méthodologie et Cadre Théorique
L'auteur formule un programme dynamique stochastique à horizon fini général où une politique $\hat{\pi}_t$ associe les états observés et les vecteurs de coûts $c_t$ à des décisions $z_t$ . L'indice de référence est défini comme la politique optimale de la moyenne conditionnelle $\pi^*_t$ , qui minimise les coûts attendus compte tenu de l'information actuelle.

La contribution méthodologique centrale est la dérivation d'une décomposition exacte du regret cumulé. Le document établit que, sous certaines conditions spécifiques, le regret total sur $T$ périodes est égal à la somme des covariances par période entre le vecteur de coût et la décision de la politique, plus un terme de correction de biais :
$\text{Regret}^{(T)}(\Pi) = \sum_{t=1}^T \text{Cov}(c_t, \hat{\pi}_t(c_t)) + \sum_{t=1}^T \bar{c}_t^\top b_t$
où $b_t = E[\hat{\pi}_t(c_t)] - \pi^*_t$ représente le biais de politique par période.

L'analyse procède à travers plusieurs extensions théoriques :

Coûts i.i.d. : Sous des coûts indépendants et identiquement distribués et des politiques de Markov sans biais de moyenne (où $E[\hat{\pi}_t] = \pi^*_t$ ), le terme de biais s'annule, produisant une identité exacte où le regret est égal à la somme des covariances.
Non-stationnarité : Pour les distributions de coûts variant dans le temps, le document dérive une correction de biais en forme close bornée par la covariance inter-période des incréments de coût.
Horizon Infini : Un analogue pour l'horizon avec actualisation est établi, montrant que le regret actualisé croît linéairement avec l'horizon effectif $1/(1-\gamma)$ .
Processus AR(1) : Pour les coûts d'exécution à retour à la moyenne (modélisés comme un processus AR(1)), le document dérive un terme de correction d'auto-covariance spécifique, prouvant que les sommes de covariances brutes peuvent surestimer ou sous-estimer le vrai regret selon le signe de l'autocorrélation.
Récursion de Bellman : Une récursion de type Bellman pour la fonctionnelle de regret de covariance est dérivée, structurellement analogue à la fonction Q en apprentissage par renforcement. Cela permet d'estimer le regret multi-période en utilisant des algorithmes de programmation dynamique standards sans résoudre le problème d'optimisation original.

Contributions Clés
Le document présente huit contributions spécifiques :

Décomposition Exacte : Prouver que le regret attendu total se décompose exactement en la somme des covariances entrées-sorties par période sous des coûts i.i.d. et des politiques sans biais de moyenne.
Caractérisation du Biais : Dériver des corrections de biais en forme close pour les coûts non stationnaires et les politiques variables dans le temps, quantifiant spécifiquement le biais dans les stratégies de momentum comme étant de l'ordre de $O(|\hat{\rho}|T\sigma_c^2)$ .
Outil d'Audit Algorithmique : Proposer un estimateur de covariance de trajectoire qui est consistant, asymptotiquement normal avec une variance HAC (Hétéroscédasticité et Autocorrélation Consistante), et calculable en $O(T \cdot nd)$ temps. Cela permet un audit sans modèle en utilisant uniquement les séquences observables de coûts et d'allocations.
Applications Financières : Appliquer la théorie au rééquilibrage de portefeuille en fenêtre glissante (montrant que le biais d'erreur d'estimation est de $O(d/w)$ ) et aux coûts d'exécution à retour à la moyenne (fournissant une correction AR(1) en forme close).
Connexion avec l'Apprentissage par Renforcement : Démontrer que l'infrastructure standard de l'apprentissage par renforcement (par exemple, le fitted-Q) peut être détournée pour estimer le regret multi-période via la récursion de Bellman dérivée.

Résultats Empiriques
La théorie est validée à l'aide des données de rendements quotidiens CRSP de janvier 2016 à décembre 2025.

Coefficients AR(1) : Les coefficients AR(1) quotidiens étaient systématiquement négatifs ( $\hat{\rho} \in [-0,144, -0,004]$ ) sur toutes les années et tous les régimes NBER, indiquant que le renversement de court terme dominait le momentum.
Performance des Stratégies : Les stratégies de retour à la moyenne ont surpassé les stratégies de momentum dans sept des dix années.
Correction de Biais : La stratégie de retour à la moyenne corrigée par le biais a offert la meilleure performance ajustée au risque en 2019 et 2022, années où les stratégies de momentum brut ont échoué. La correction de biais agit comme une « assurance », engendrant un léger coût lors des années favorables mais délivrant des gains significatifs lorsque la dynamique de momentum est déformée.
Robustesse : Le document identifie cinq facteurs de confusion (effets de taille, rebond du bid-ask, regroupement de la volatilité, momentum transversal vs temporel, et provision de liquidité) qui biaisent probablement l'estimation de $\hat{\rho}$ vers le haut. Par conséquent, les chiffres de regret calculés sont des bornes supérieures conservatrices sur les pertes attribuables au momentum.

Signification et Revendications
Le document affirme fournir une « solution traitable » pour la surveillance réglementaire en recadrant l'audit algorithmique comme un problème de test statistique.

Pour les Régulateurs : Les responsables de la conformité peuvent construire des intervalles de confiance pour le regret cumulé en utilisant uniquement les entrées et sorties observables, satisfaisant ainsi aux mandats tels que SR 11-7 sans nécessiter l'accès aux moteurs d'optimisation propriétaires.
Pour la Conception de Mécanismes : L'identité permet aux mandants de borner le regret d'un agent sans accès aux types privés, reliant l'audit de boîte noire aux problèmes d'estimation de covariance en théorie des jeux.
Pour l'Amélioration des Politiques : La récursion de Bellman implique que la réduction de la covariance ponctuelle est une condition suffisante pour l'amélioration du regret multi-périodes, offrant une alternative de calcul plus simple à l'énumération complète des stratégies.

L'auteur maintient une position modeste concernant l'ampleur empirique du regret, notant que bien que la décomposition théorique soit exacte sous les hypothèses énoncées, les estimations empiriques servent de bornes supérieures en raison du bruit de microstructure non observé et des expositions aux facteurs. La principale proposition de valeur est l'établissement d'une mesure rigoureuse et sans modèle pour l'attribution de performance dans les systèmes de décision séquentiels.