Artificial Intelligence and Machine Learning for Stock Market Prediction: A Systematic Literature Review of Methods, Emerging Paradigms, Reproducibility, and Evaluation Gaps (2016-2026)
Cette revue systématique de la littérature portant sur 685 études (2016–2026) analyse l'évolution, la reproductibilité et les lacunes d'évaluation dans la prédiction boursière pilotée par l'IA, révélant un décalage critique entre les précisions de modèles rapportées et l'utilité de trading pratique en raison de problèmes généralisés tels que la fuite de données, le manque de partage de code et l'insuffisance des tests statistiques.
Article original sous licence CC BY 4.0 (https://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
Les cours des actions sont notoirement difficiles à prédire. Ils ne progressent pas en ligne droite, ils sont souvent bruyants et changent de comportement au fil du temps. Pendant des décennies, les économistes ont tenté de prévoir ces mouvements en utilisant des règles mathématiques simples qui supposaient que le futur ressemblerait beaucoup au passé. Mais à mesure que les ordinateurs sont devenus plus rapides et plus puissants, une nouvelle génération de chercheurs a commencé à utiliser l'intelligence artificielle pour déceler des motifs dans le chaos. Ces systèmes, connus sous le nom de modèles d'apprentissage automatique (machine learning), peuvent digérer de vastes quantités de données historiques pour repérer des signaux subtils que les analystes humains pourraient manquer. La promesse est séduisante : si un ordinateur peut apprendre à prédire la direction de mouvement d'une action, il pourrait générer une richesse significative. Pourtant, malgré l'enthousiasme, le domaine est en proie à un problème persistant. De nombreuses études prétendent avoir trouvé une formule gagnante, mais lorsque d'autres tentent de reproduire le travail, les résultats s'évanouissent souvent.
Une équipe de chercheurs s'est donné pour mission de comprendre pourquoi cet écart existe entre ce que les articles rapportent et ce qui fonctionne réellement sur le terrain. Ils ont mené une revue massive de 685 études scientifiques publiées entre 2016 et 2026, examinant comment l'intelligence artificielle est actuellement utilisée pour prévoir les marchés boursiers. Leur travail n'est pas un nouveau modèle de prédiction en soi, mais plutôt un audit profond de l'ensemble du domaine. Ils ont examiné les types d'architectures informatiques construits, la manière dont les méthodes ont évolué au cours de la dernière décennie et, plus crucialement, si les résultats sont dignes de confiance. En passant au crible des milliers de pages de recherche, ils ont mis au jour un paysage où la technologie progresse rapidement, mais où les normes pour prouver que cette technologie fonctionne n'ont pas suivi le même rythme.
Les chercheurs ont constaté que le domaine est allé bien au-delà des simples équations linéaires. Dans les premières années de leur revue, les études s'appuyaient sur des outils statistiques anciens ou des techniques de base d'apprentissage automatique. Dans les années 2020, l'approche dominante a basculé vers l'apprentissage profond (deep learning), spécifiquement un type de réseau de neurones appelé Long Short-Term Memory, ou LSTM. Ces réseaux sont conçus pour mémoriser des séquences d'événements, ce qui les rend bien adaptés aux données temporelles comme les cours des actions. En fait, près de 90 % des études qu'ils ont examinées utilisaient une forme de cette technologie. Plus récemment, le domaine a commencé à adopter des systèmes encore plus complexes, notamment des modèles qui imitent la façon dont les grands modèles de langage traitent le texte, et des systèmes qui analysent les relations entre différentes entreprises comme s'il s'agissait de nœuds dans un vaste réseau mouvant. La variété des outils a explosé, les chercheurs combinant désormais les données de prix avec des articles de presse, le sentiment des réseaux sociaux et même les connexions de la chaîne d'approvisionnement pour réaliser leurs prédictions.
Cependant, les auteurs ont découvert que cette explosion de complexité n'a pas été accompagnée d'une augmentation similaire de la fiabilité. Lorsqu'ils ont audité les études pour la reproductibilité — la capacité pour d'autres scientifiques de prendre les mêmes données et le même code pour obtenir les mêmes résultats — ils ont constaté une pénurie alarmante. Seulement environ 7,6 % des 685 études fournissaient le code informatique réel nécessaire pour exécuter les modèles. La grande majorité des chercheurs ont publié leurs conclusions sans partager les outils utilisés pour les générer. Cela signifie que la plupart des succès rapportés ne peuvent être vérifiés. De plus, les chercheurs ont identifié cinq manières spécifiques dont les études introduisent souvent par inadvertance des erreurs, même sans intention de le faire. Une erreur courante consiste à utiliser des informations du futur pour entraîner le modèle. Par exemple, si un chercheur normalise les données en utilisant les prix les plus hauts et les plus bas de toute la période de dix ans avant de diviser les données en ensembles d'entraînement et de test, le modèle voit effectivement le futur pendant sa phase d'entraînement. Cela crée une illusion de haute précision qui s'effondre dès que le modèle est utilisé sur de nouvelles données non vues.
La revue a également souligné un décalage entre la façon dont les modèles sont testés en laboratoire et leur performance sur le marché réel. De nombreuses études font état de taux de précision impressionnants, affirmant parfois prédire la direction d'une action correctement plus de 90 % du temps. Pourtant, ces études ignorent souvent les coûts de transaction, tels que les frais et la différence entre le prix qu'un trader souhaite payer et le prix qu'il obtient réellement. Lorsque les chercheurs ont cherché des études incluant ces frictions du monde réel, ils en ont trouvé très peu. De plus, la plupart des articles n'utilisaient pas de tests statistiques rigoureux pour prouver que leurs résultats étaient meilleurs que le hasard. Au lieu de cela, ils se reposaient sur des comparaisons simples qui pouvaient facilement induire en erreur. Les auteurs ont noté qu'un modèle peut apparaître comme un génie simplement parce qu'il est bon pour répéter le prix de la veille, un tour qui fonctionne bien sur papier mais qui ne rapporte pas d'argent sur un marché réel.
Malgré ces failles, les chercheurs n'ont pas conclu que l'intelligence artificielle est inutile pour la finance. Ils ont plutôt soutenu que le domaine est à un tournant. Les outils sont puissants, mais la manière dont ils sont utilisés et évalués est trop lâche pour être fiable. L'équipe a proposé un nouvel ensemble de normes pour corriger ces problèmes. Ils ont appelé les chercheurs à partager ouvertement leur code et leurs données, à tester leurs modèles à l'aide de fenêtres temporelles glissantes qui empêchent la fuite de données futures, et à inclure les coûts de transaction dans leurs simulations. Ils ont également insisté sur le fait que les affirmations de succès doivent être appuyées par une preuve statistique formelle, et non seulement par l'affichage d'un chiffre élevé sur un graphique. Sans ces changements, les auteurs préviennent, le domaine continuera de produire des résultats tape-à-l'œil qui ne parviennent pas à se traduire en valeur économique réelle. La voie à suivre exige de passer de la quête de l'algorithme le plus complexe à la construction du plus honnête et du plus vérifiable.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.