Détaillons, parce que le sujet est bien plus intéressant que le classement.
1. Pourquoi la question est mal posée
Trois raisons.
- Le paysage bouge tous les deux mois. Entre les modèles d'Anthropic, d'OpenAI, de Google et les modèles ouverts, la tête du classement change à chaque trimestre selon le critère retenu, et aucun modèle ne domine l'ensemble des tâches. Ancrer une méthode de travail sur "le meilleur modèle" garantit d'être périmé au prochain cycle.
- Les benchmarks généralistes ne discriminent plus. Les tests historiques de connaissances plafonnent entre 88 et 94 % pour tout le haut du tableau : l'écart est dans la marge d'erreur. Et surtout, aucun de ces benchmarks ne mesure la capacité à prédire un marché. Un modèle champion en raisonnement ou en code n'a aucune raison d'être meilleur sur des rendements futurs.
- L'écart de prix atteint un facteur 1 000 entre les modèles les moins chers et les plus haut de gamme. À l'échelle d'un particulier c'est négligeable, mais cela signifie que la question pertinente n'est pas "lequel est le meilleur" mais "lequel pour quelle tâche".
2. Ce que dit la recherche sur la capacité prédictive
C'est la partie que personne ne lit, et c'est la plus importante. La littérature académique sur les agents de trading fondés sur des LLM a beaucoup progressé, et elle est sévère.
a) La fuite temporelle est massive et systématique. Un LLM entraîné sur d'énormes corpus web a potentiellement "vu" ce qui s'est produit après la date que vous lui présentez. L'exemple le plus parlant : en demandant à un modèle d'identifier les risques évoqués dans des conférences de résultats de septembre à novembre 2019, le modèle mentionne le Covid-19 dans plus de 25 % des cas. Il ne prédit pas, il se souvient.
b) Quand on contrôle la fuite, la performance disparaît. Un banc d'essai construit sur des données strictement postérieures au cutoff des modèles montre que la plupart des agents LLM ne battent pas une simple stratégie d'achat et conservation. Une autre étude, portant sur dix agents de dernière génération évalués sur un indice chinois entre 2024 et 2026 avec masquage des identifiants, conclut que leurs rendements cumulés s'expliquent en très large part par une exposition passive au marché — pas par une compétence de sélection.
c) La mémoire crée un second canal de fuite. Les chercheurs l'appellent le "sophisme de l'oracle" : un agent qui consulte un épisode passé similaire y trouve un récit reconstitué après coup — "cette position a échoué à cause de la nouvelle publiée le lendemain" — qui contient l'information qu'il est censé prédire.
d) Et le point qui doit faire réfléchir tous ceux qui bricolent des agents : demander au modèle dans le prompt d'"éviter le biais de survol du futur" est une protection illusoire. Une instruction textuelle n'empêche pas un code généré de consommer de l'information future. La protection doit être structurelle, dans les données et les outils, jamais dans la consigne.
3. Le piège spécifique aux agents autonomes
Celui-ci est subtil et il mérite d'être compris par quiconque envisage de faire "chercher des stratégies" à une IA.
Un agent qui propose, teste et affine des stratégies en boucle réalise des dizaines, voire des centaines de backtests implicites avant que vous ne voyiez un seul chiffre. Si le résultat final n'est pas corrigé de cette intensité de recherche, la productivité de l'agent devient elle-même un amplificateur de biais. Plus il travaille, plus le meilleur résultat trouvé est le fruit du hasard.
Les outils statistiques pour corriger cela existent — Sharpe déflaté, probabilité de sur-ajustement du backtest, protocoles de données à date stricte — mais ils sont rarement appliqués. Et une expérience récente montre leur limite : un oracle délibérément truqué, affichant un Sharpe de 35, passe sans encombre les tests de Sharpe déflaté et de sur-ajustement. Autrement dit, la correction statistique ne rattrape pas une fuite de données. Il faut l'empêcher en amont.
Conséquence pratique, et elle est catégorique : on ne peut pas backtester une stratégie fondée sur un LLM sur des dates passées. La seule évaluation valable est un test en avant, en conditions réelles, jour après jour. C'était d'ailleurs exactement la démarche de neo-13 dans son fil sur le GEX, et c'est ce qui la rendait sérieuse.
4. Ce pour quoi les LLM sont réellement excellents
Maintenant, la partie utile. Il ne s'agit pas de conclure qu'ils ne servent à rien — ils sont devenus indispensables sur une série de tâches, mais aucune de ces tâches n'est "me dire où va le marché".
- Écrire et déboguer du code. C'est de loin l'usage le plus rentable. Indicateurs, screeners, scripts de collecte de données, calculs de ratios de performance, moulinettes de traitement de relevés. Un travail qui prenait un week-end prend une heure.
- Analyser votre propre journal de trades. Vous fournissez le relevé, vous demandez la distribution des R, l'asymétrie entrée/sortie, la corrélation entre nombre de trades et performance journalière. C'est un usage où l'IA travaille sur vos données, sans aucun risque de fuite temporelle.
- Synthétiser de la documentation. Rapports de banques centrales, prospectus, réglementation, conditions générales de courtiers. Faire lire trois cents pages et en extraire les points qui vous concernent est un gain de temps considérable.
- Le rôle d'avocat du diable. Exposer sa thèse et demander explicitement les trois meilleurs arguments contre. C'est peut-être l'usage le plus sous-estimé : il ne prédit rien, mais il révèle ce qu'on n'a pas regardé.
- Structurer et débroussailler. Trier des dizaines d'instruments selon des critères que vous avez définis, pour vous éviter le travail de scan. La décision reste la vôtre.
- Apprendre. Se faire expliquer le gamma, la mécanique d'une chambre de compensation ou le calcul d'un intervalle de confiance, avec la possibilité de poser des questions bêtes sans jugement. C'est un usage énorme et rarement cité.
- Rédiger. Notes de marché, comptes rendus, journal structuré.
5. Alors, lequel choisir concrètement ?
Puisque la question sera posée quand même, voici comment je la traiterais, par nature de tâche plutôt que par nom de modèle.
- Pour le code — indicateurs, EA, scripts d'analyse : les modèles d'Anthropic mènent constamment les évaluations de code depuis deux ans, et c'est le domaine où l'écart entre familles est le plus net.
- Pour l'ingestion de gros volumes documentaires : les modèles à très longue fenêtre de contexte, capables d'avaler plusieurs centaines de pages en une requête.
- Pour les traitements répétitifs et volumineux par API : un modèle économique ou ouvert. Utiliser un modèle haut de gamme pour reformater des fichiers, c'est du gaspillage pur.
- Pour l'analyse en français : tous les grands modèles sont désormais solides, la différence s'est largement effacée.
6. Comment évaluer par vous-même, sérieusement
Si vous voulez savoir si votre usage apporte quelque chose, le protocole est simple et il ne coûte que du temps.
- Un témoin mécanique. Deux ou trois règles fixes écrites à l'avance, appliquées aux mêmes données. Si le mécanique fait jeu égal avec l'IA, l'IA vous fait gagner du temps mais n'ajoute pas de performance — ce qui est une conclusion parfaitement honorable, à condition de la formuler.
- Un témoin aléatoire. Tirage au sort du sens parmi les candidats retenus, mêmes stop et objectif. C'est la vraie hypothèse nulle, et presque personne ne la teste.
- Mesurez la variance du modèle. Relancez dix fois le même prompt sur les mêmes données et comptez le taux de désaccord sur le sens. Vous saurez quelle part du résultat vient du tirage plutôt que de l'analyse.
- Figez la version. Passez par l'API plutôt que par l'interface de chat : cela permet de fixer un identifiant de modèle daté. Sinon, une mise à jour silencieuse rend vos mois 1 et 3 incomparables — c'est comme changer de trader en cours d'expérience sans le dire.
- Journalisez tout, requêtes et réponses horodatées. Sans cela, l'expérience n'est pas auditable, y compris par vous-même dans six mois.
7. Les règles d'hygiène
- Ne collez jamais d'informations personnelles ou financières sensibles dans une interface publique : numéros de compte, relevés nominatifs, identifiants. Anonymisez avant.
- Vérifiez les chiffres. Les modèles produisent des données financières fausses avec un aplomb parfait. Tout niveau, tout ratio, toute date doit être recoupé avec une source primaire.
- Coupez l'accès web si vous menez une expérience de prédiction — sinon le modèle peut consulter l'actualité du jour, voire ce que le marché a déjà fait, et vos résultats deviennent ininterprétables.
- Méfiez-vous de la fluidité. Une analyse bien écrite n'est pas une analyse juste. C'est peut-être le risque principal : ces outils produisent des récits de marché cohérents et convaincants pour à peu près n'importe quel mouvement, ce qui est exactement le biais de narration industrialisé.
Pour conclure
Si la question est "quel LLM va me dire où va le marché", la réponse est : aucun, et la recherche est claire là-dessus dès qu'on contrôle la fuite temporelle. Ce qui circule en sens contraire relève soit d'un backtest contaminé, soit d'un échantillon trop court, soit d'une vitrine commerciale.
Si la question est "quel LLM pour travailler mieux et plus vite autour du trading", alors la réponse est : plusieurs, selon la tâche, et le gain est réel et immédiat — sur le code, sur l'analyse de vos propres relevés, sur la documentation et sur la remise en cause de vos thèses.
La bonne façon de formuler les choses, à mon sens : l'IA ne vous donnera pas d'avantage sur le marché, mais elle supprime beaucoup de friction sur l'avantage que vous devez déjà avoir. C'est exactement ce qu'on disait de la plateforme de trading dans un autre fil, et ce n'est pas un hasard.
Deux questions pour la discussion : parmi vous qui utilisez ces outils au quotidien, quel est l'usage qui vous a réellement fait gagner du temps — pas celui qui vous a impressionné ? Et pour ceux qui ont tenté une approche prédictive, avez-vous mis en place un témoin mécanique pour comparer ? C'est le seul chiffre qui trancherait le débat, et je n'en ai encore vu passer aucun.