719 articles de mathématiques écrits par une IA : qu'est-ce que ça change pour le trading ?

[MichaelHoork]

Le 6 octobre, OpenAI a publié d'un coup plus de 700 manuscrits de recherche mathématique produits par l'un de ses modèles. C'est un événement qui dépasse largement les mathématiques, et je voulais partager ce qu'il laisse entrevoir pour notre domaine, avec un peu de recul.


1. Ce qui s'est passé

• OpenAI a mis en ligne 722 manuscrits, regroupés en 372 familles de résultats. Le lendemain, trois ont été retirés après la découverte d'une erreur de signe qui invalidait une démonstration et deux articles qui s'appuyaient dessus : il en reste 719.
• Selon OpenAI, le modèle s'est vu soumettre environ 4 000 problèmes ouverts, avec de l'ordre de trois heures de réflexion par résultat.
• Parmi eux figurent 23 problèmes d'Erdős jugés intéressants et significatifs par Thomas Bloom, le mathématicien qui tient la base de référence de ces problèmes.
• Mais seulement environ 42 % des résultats (300 sur 719) ont été vérifiés par un assistant de preuve informatique (Lean). Le reste n'a pas encore été contrôlé, et OpenAI reconnaît lui-même que des erreurs sont possibles.
• Face à cet afflux, Thomas Bloom a d'ailleurs suspendu le décompte des problèmes résolus sur son site.

Bref : une capacité de production inédite, mais une vérification qui ne suit pas encore.


2. Ce que ça dit de la puissance de l'IA

Le point le plus frappant n'est pas tel ou tel résultat, mais la méthode : poser des milliers de problèmes, laisser le modèle chercher, et récolter ceux qui aboutissent. Même avec un taux de réussite modeste, l'échelle change tout.

Transposé au trading, cela ressemble beaucoup à ce qu'est la recherche de stratégies : formuler des milliers d'hypothèses (horaires, marchés, règles d'entrée et de sortie, gestion du risque), les tester, et garder celles qui fonctionnent. C'est exactement le type de travail que l'IA accélère déjà considérablement : écrire le code d'un backtest, l'exécuter sur des années de données M1, coder l'EA correspondant, tout cela en quelques heures au lieu de semaines.


3. Pourquoi le trading est plus difficile que les mathématiques

C'est là que l'enthousiasme doit être tempéré, et c'est le cœur de mon message.

• En mathématiques, une preuve est vraie ou fausse. Elle peut être vérifiée de façon certaine, et même automatiquement. En trading, il n'existe aucune preuve : seulement des données passées, bruitées, et un avenir qui ne ressemblera jamais exactement au passé.
• Plus on teste d'hypothèses, plus on trouve de faux positifs. Une IA capable de tester 4 000 idées trouvera forcément des dizaines de stratégies qui « marchent » sur l'historique par pur hasard. Sa puissance devient alors un piège : elle multiplie les découvertes, mais aussi les illusions.
• Les marchés changent. Un théorème démontré reste vrai pour toujours. Un avantage de marché peut disparaître, parce que le comportement des acteurs évolue, ou parce que d'autres l'ont découvert et exploité.
• Les coûts décident de tout. Un effet réel peut être entièrement effacé par le spread ou le slippage, ce qu'aucune démonstration mathématique n'a à affronter.

4. Ce que j'en retiens de mon propre travail

Je travaille depuis plusieurs semaines avec une IA sur des backtests de stratégies d'open, et l'expérience illustre bien ces limites :

• Une stratégie sur le Nasdaq était très convaincante sur 2024-2026. Testée ensuite sur 2020-2023, des années qui n'avaient servi à aucun réglage, elle ne montrait plus aucun avantage.
• Sur le DAX, les « meilleurs » réglages trouvés sur une période se sont effondrés sur la précédente : un cas d'école de sur-ajustement.
• Sur le Nikkei et le Hang Seng, l'effet recherché existait bien avant frais, mais le spread le faisait disparaître.
• À l'inverse, une stratégie de cassure du range d'ouverture s'est révélée gagnante sur les deux périodes testées, avec des réglages simples.

Dans chaque cas, ce n'est pas la vitesse de l'IA qui a fait la différence, mais la rigueur de la validation : tests hors échantillon, coûts réels, peu de paramètres optimisés, puis démo avant le réel.


En conclusion

Ce qu'OpenAI vient de montrer en mathématiques laisse entrevoir une IA capable d'explorer un espace d'idées bien plus vaste que n'importe quel trader ou équipe de recherche. Bien appliquée au trading, elle peut devenir un formidable outil de recherche.

Mais l'équivalent de la vérification par Lean, en trading, c'est le test hors échantillon, puis le compte démo, puis le réel à petite taille. Sans cette étape, une IA puissante ne fait que produire plus vite des stratégies qui ont l'air bonnes.

La question n'est donc plus de savoir si l'IA peut trouver des stratégies, mais si nous savons vérifier celles qu'elle trouve.

Et vous, comment validez-vous les stratégies que vous construisez ou que vous testez avec l'IA ?