Le ML en bourse : ce qu'il fait vraiment
Le machine learning appliqué à la bourse consiste à entraîner un algorithme sur l'historique d'un grand nombre d'actions pour qu'il apprenne, à partir de leurs caractéristiques (valorisation, croissance, momentum…), à classer les dossiers les plus susceptibles de surperformer. Il ne devine pas un cours futur : il produit un classement relatif.
La nuance est capitale. Sur des marchés proches de l'efficience, l'essentiel de l'information publique est déjà dans les prix. Un modèle ne peut donc pas espérer un taux de réussite élevé titre par titre. Ce qu'il peut faire, c'est dégager un léger biais statistique — être un peu plus souvent du bon côté — qui, appliqué à des dizaines de positions et répété dans le temps, finit par compter. C'est un avantage de casino, pas de voyance.
Le test du bon sens. Si un modèle ML pouvait réellement prédire les actions, son auteur ne vendrait pas d'abonnement : il gérerait des milliards. Tout modèle honnête en bourse vend un edge faible mais exploitable, jamais une certitude. Méfiez-vous de toute promesse de rendement garanti « grâce à l'IA ».
Pourquoi le gradient boosting (XGBoost)
Tous les algorithmes de ML ne se valent pas pour des données financières tabulaires (un tableau lignes = actions, colonnes = ratios). Le gradient boosting, dont XGBoost est l'implémentation de référence, s'est imposé pour trois raisons :
- Il capte les interactions non linéaires — une valorisation basse n'est un bon signal que si l'entreprise croît et n'est pas surendettée. Là où une régression linéaire raterait ces conditions croisées, une forêt d'arbres les modélise naturellement.
- Il tolère les données manquantes — fréquentes sur les small caps. XGBoost apprend la meilleure direction à prendre quand une valeur manque, sans imputation arbitraire.
- Il résiste mieux au surapprentissage que le deep learning quand l'historique est limité — ce qui est toujours le cas en finance, où l'on ne dispose que de quelques dizaines d'années de données réellement indépendantes.
Le principe : des centaines d'arbres de décision peu profonds sont ajoutés l'un après l'autre, chacun corrigeant les erreurs résiduelles du précédent. Le résultat est une fonction de score riche mais contrôlée.
Les données d'entrée (features)
Le modèle s'appuie sur des dizaines de variables, regroupées en familles. Toutes sont décalées dans le temps : on n'utilise jamais une donnée qui n'aurait pas été disponible au moment de la décision (sinon le backtest ment).
Le nombre exact de features et la version du modèle évoluent à chaque réentraînement ; les caractéristiques en vigueur sont affichées en direct sur le site, alimentées par le modèle réellement en production.
Mesurer la qualité : l'AUC et l'edge réel
La métrique de référence pour un classement est l'AUC (Area Under the Curve) :
| AUC | Signification |
|---|---|
| 0,50 | Aléatoire — le modèle ne vaut pas mieux que pile ou face |
| 0,55 – 0,62 | Réaliste en finance — edge modeste mais exploitable sur un grand nombre de positions |
| 0,70+ | Suspect sur des rendements boursiers — presque toujours fuite de données ou surapprentissage |
| 1,00 | Parfait — impossible sur des marchés réels |
Comprendre cet ordre de grandeur protège contre les arnaques. Un edge de quelques points d'AUC paraît dérisoire, mais c'est exactement ce qui sépare, sur le long terme et beaucoup de paris, le casino du joueur. Annoncer mieux, c'est presque toujours s'être trompé soi-même.
Un avantage de 4 points par décision semble négligeable sur une décision ; répété des centaines de fois, il devient l'écart entre battre le marché et le suivre. Mais il n'élimine jamais les pertes individuelles — d'où la diversification.
Pourquoi le ML ne décide pas seul
Voici le point le plus contre-intuitif, et le plus honnête : testé rigoureusement, le machine learning seul ne dégage pas d'avantage robuste sur ces marchés. En validation walk-forward, un modèle ML pur alterne bonnes et mauvaises périodes sans edge stable.
L'avantage le plus solide vient d'un ensemble : le modèle ML est combiné à des règles de sélection explicites (exiger une valorisation raisonnable, une qualité bilancielle minimale, un momentum positif). Le ML hiérarchise finement ; les règles posent des garde-fous compréhensibles. Cette combinaison résiste mieux aux retournements de marché que l'un ou l'autre isolément.
Ce que cela dit du produit. Un screener honnête n'est pas « une IA qui prédit la bourse ». C'est un outil qui combine un modèle statistique modeste et des règles éprouvées, puis publie ses résultats pour qu'on puisse les vérifier. La transparence sur les limites est l'argument de crédibilité.
Distinguer un edge réel d'une coïncidence
Le piège mortel du ML en finance est le surapprentissage : à force d'essayer des variantes, on finit toujours par en trouver une qui « marche » sur le passé… par pur hasard. Deux garde-fous l'évitent :
- La validation walk-forward — on entraîne sur une fenêtre passée, on teste sur un futur jamais vu, puis on avance la fenêtre. Le modèle est jugé uniquement sur des données qu'il n'a pas pu mémoriser.
- Le deflated Sharpe ratio — il corrige la performance mesurée par le nombre d'essais réalisés. Chaque variante testée consomme un essai comptabilisé : plus on cherche, plus la barre de significativité monte. Un résultat qui ne survit pas à cette correction est rejeté, même s'il semblait beau.
S'y ajoutent des règles de gouvernance : toute nouvelle version doit franchir ces gates avant d'être promue en production, et des kill-switches (alpha négatif prolongé, drawdown excessif) suspendent la stratégie le cas échéant. C'est lent et frustrant — c'est précisément ce qui sépare une méthode d'un récit.
Les limites à garder en tête
- Pas de prédiction individuelle fiable — l'edge est statistique et collectif ; n'importe quelle position peut perdre.
- Dépendance aux données — un modèle ne vaut que ses entrées ; données incomplètes = score peu fiable.
- Risque de régime — un modèle entraîné sur le passé peut sous-performer si la structure du marché change durablement.
- Coûts réels — sur les small caps peu liquides, les frais et le slippage peuvent éroder un edge théorique. Ils doivent être intégrés au backtest, pas ajoutés après coup.
Le modèle ML dans le screener
Le screener Small Caps applique exactement cette philosophie : un modèle XGBoost qui score quotidiennement l'univers (325 small caps françaises Euronext Growth & Access, élargi à l'Europe), encadré par des règles de sélection, et dont l'edge est validé avant toute mise en production.
- Caractéristiques en direct — version du modèle et métriques affichées depuis le modèle réellement en production, jamais des chiffres figés.
- Track record public — chaque prédiction est enregistrée avant clôture ; les résultats, nets de coûts, sont publiés et auditables dans le temps.
- Le ML au service du tri — il alimente le score composite et la classification BUY / WATCH / AVOID, pas une recommandation d'achat.