Comment les quants construisent vraiment leurs stratégies de trading (et ce que l'IA change)
Les quants ne tracent pas de lignes de tendance, ils quantifient le marché et dimensionnent leurs paris par la probabilité. Comment fonctionnent réellement les modèles de régime des hedge funds, la rigueur qui sépare l'edge du mirage, et ce que l'IA change.
Guillaume Rufenacht
Product Manager IA · Lisbonne
Le trading particulier fonctionne le plus souvent au feeling : “j’ai un bon pressentiment sur le Bitcoin.” Les quants font exactement l’inverse. Ils ne tracent pas de lignes de tendance et ne lisent pas d’indicateurs sur un graphique ; ils transforment le marché en chiffres, modélisent la façon dont ces chiffres bougent, et dimensionnent leurs paris par la probabilité. J’ai passé sept ans dans et autour des desks de quant trading, et l’écart entre la façon dont un hedge fund opère et celle d’un trader particulier tient surtout à ce seul changement d’état d’esprit, que l’IA met désormais à la portée de bien plus de monde.
Voici comment les quants construisent réellement leurs stratégies, en prenant un modèle de régime épuré comme exemple, et ce qui change maintenant qu’un agent peut faire le gros du travail.
Key takeaways
- Les quants quantifient tout. 'Ça semble haussier' devient un état mesuré avec un chiffre associé.
- Un modèle de régime classe chaque jour comme haussier, baissier ou latéral, puis utilise la probabilité de passer d'un état à l'autre pour décider des trades.
- Le signal reste simple même quand les maths ne le sont pas : la direction vient des écarts de probabilité, et la taille de l'edge fixe la taille du pari.
- La rigueur est la barrière à l'entrée : tests en walk-forward pour éviter le biais de lookahead, et laisser les données définir les états plutôt que votre opinion.
- L'IA effondre le coût de cette rigueur, mais ne remplace pas le jugement, qui est le vrai edge.
Étape un : quantifier le ressenti
Toute la discipline commence par le refus de trader à l’intuition. Au lieu de “il y a du vent aujourd’hui,” un quant veut un chiffre : quelle force, dans quelle direction. Sur les marchés, une façon courante de faire cela est de définir des états. On additionne les rendements des 20 derniers jours : 5 % ou plus est un état haussier, -5 % ou pire est un état baissier, tout ce qui se trouve entre les deux est latéral. Désormais, chaque jour de l’historique d’un actif reçoit une étiquette. Cela paraît élémentaire, mais c’est cet étiquetage qui rend tout ce qui suit calculable.
Étape deux : modéliser le mouvement des états
L’hypothèse clé est la propriété de Markov : demain dépend surtout de l’endroit où vous êtes aujourd’hui, pas de tout le chemin qui vous y a mené. Rouler jusqu’à New York depuis l’Arkansas ou depuis l’Ohio, et l’itinéraire diffère entièrement ; ce qui compte, c’est votre position actuelle. Les quants comptent donc chaque transition historique, haussier vers haussier, haussier vers baissier, latéral vers haussier, et transforment ces décomptes en une matrice de transition 3x3 où chaque ligne (l’état d’aujourd’hui) somme à 100 % sur les possibilités de demain.
Deux choses découlent de cette matrice. La diagonale, haussier vers haussier, baissier vers baissier, capture la persistance : les états sont “collants,” ce qui est la version rigoureuse de “la tendance est ton amie.” Et pour prévoir plus loin, il suffit d’élever la matrice à une puissance (au carré pour deux jours, au cube pour trois). Poussez cela assez loin et les probabilités convergent vers du bruit, la distribution stationnaire, qui est elle-même un avertissement utile sur le peu de signal présent dans la prédiction à long terme.
Étape trois : en faire un pari
Après tous ces calculs matriciels, le signal de trading est presque insultant de simplicité, et c’est la marque du bon travail de quant : une mécanique complexe, une sortie simple. Prenez la probabilité d’un état haussier demain et soustrayez-en la probabilité d’un état baissier. Un nombre positif dit de se positionner à l’achat, un nombre négatif dit de se positionner à la vente, et la magnitude fixe la taille de la position. Un edge de +45 % est un pari plus gros qu’un edge de +10 %. La gestion du risque n’est pas une étape séparée ; elle découle du signal lui-même.
Pourquoi la rigueur compte plus que le modèle
- Tests en walk-forward. Un backtest naïf laisse la stratégie “apprendre du futur,” en y intégrant des données qu’elle ne pouvait pas connaître. Le test en walk-forward recalcule le modèle jour après jour, de sorte qu’il n’utilise jamais que l’information disponible à l’instant donné. C’est brutal sur le plan calculatoire, et c’est précisément là que le calcul moderne et l’IA aident.
- Laissez les données définir les états. Choisir “5 % = haussier” à la main est un maillon faible et subjectif dans un système par ailleurs mathématique. Des approches plus avancées (les modèles de Markov cachés) laissent les données découvrir les régimes elles-mêmes, puis vous vérifiez où les états découverts concordent avec vos définitions, pour confirmation.
Ce que l’IA change vraiment
Rien de tout cela n’est nouveau, les hedge funds le font depuis des décennies. Ce qui est nouveau, c’est le coût. Le calcul en walk-forward qui exigeait autrefois une équipe de recherche et une infrastructure sérieuse peut maintenant s’exprimer sous forme de prompt ou de skill réutilisable, et tourner via un agent en quelques minutes. Cela démocratise la mécanique. Ce que cela ne démocratise pas, c’est le jugement : quelles features comptent, comment éviter de se tromper soi-même, quand un chiffre est du signal plutôt que du bruit. C’est la même leçon que dans chaque domaine où je travaille, y compris construire avec Claude Code, l’outil effondre l’effort, mais le jugement de l’opérateur reste l’edge.
À retenir
C’est le monde d’où je viens, sept ans entre le quant trading et la crypto avant de construire des produits d’IA. Voir en savoir plus sur moi ou me contacter.
Questions fréquentes
En quoi le quant trading diffère-t-il du trading classique ?
Les quants refusent de trader à l'intuition. Ils transforment le marché en chiffres, le classent en états mesurables, modélisent la probabilité de passer de l'un à l'autre, et dimensionnent leurs paris par leur edge statistique.
Qu'est-ce qu'un modèle de régime ?
Un modèle qui étiquette chaque jour comme haussier, baissier ou latéral et utilise une matrice de transition, les probabilités historiques de passer d'un état à l'autre, pour estimer ce que demain réserve le plus probablement. Les états collants sont la version rigoureuse de « la tendance est ton amie ».
Qu'est-ce qui sépare un véritable edge de quant d'un backtest qui a juste l'air bon ?
La rigueur contre le fait de se tromper soi-même, en particulier les tests en walk-forward (pour que la stratégie n'apprenne jamais du futur) et le fait de laisser les données définir les états plutôt que de les imposer à la main.
L'IA remplace-t-elle les quants ?
Non. L'IA effondre le coût du gros du calcul, comme les tests en walk-forward, si bien que bien plus de gens peuvent le faire tourner. Mais le jugement, quelles features comptent et quand un chiffre est du signal plutôt que du bruit, reste l'edge.
Travailler avec moi
Vous voulez un système comme celui-ci pour votre pipeline ?
J'aide les équipes à faire passer l'IA d'un prototype malin à une production fiable : moteurs d'outbound, intelligence des leads et les pipelines LLM en dessous. Voyez ce que j'ai livré ou écrivez-moi.