Le responsable du quantitatif chez Man Group a dit quelque chose qui m'a marqué :
« Le défi réside dans le volume colossal de données et les relations de marché possibles, qui a augmenté plus vite que toute équipe humaine ne peut l'évaluer manuellement. »
Ils ont donc construit AlphaGPT. Il génère des hypothèses de signaux, écrit le code et exécute les backtests. De façon autonome. Des centaines d'idées par semaine au lieu de 20 par trimestre.
Bridgewater est allé plus loin et a construit un fonds de 2 milliards de dollars où l'IA prend les décisions de trading principales.
Jane Street a dépensé 6 milliards de dollars en infrastructures GPU l'année dernière pour entraîner des modèles propriétaires.
Je ne vais pas prétendre savoir exactement ce qui se passe à l'intérieur de ces systèmes. Mais les déclarations publiques de ceux qui les construisent racontent une histoire assez cohérente, et ce n'est pas celle que la plupart des gens imaginent quand ils entendent « trading par IA ».
Les entreprises qui gagnent ne remplacent pas leurs quants. Elles rendent chaque quant environ 10 fois plus rapide.
Cet article présente le cadre complet pour exécuter la même architecture sur Polymarket aujourd'hui.
PARTIE 1 - L'IA VA-T-ELLE REMPLACER LES QUANTS ?
La question que tout le monde se pose de travers.
Man Group a rendu AlphaGPT public en juillet 2025. Le système génère des hypothèses de signaux, écrit le code d'implémentation et exécute des backtests de façon autonome. Plusieurs dizaines de signaux ont déjà été approuvés pour le trading en direct après avoir passé l'examen humain.
Le défi dans l'investissement quantitatif réside dans le volume colossal de données et les relations de marché possibles, qui a augmenté plus vite que toute équipe humaine ne peut l'évaluer manuellement.
Une équipe de recherche solide pourrait tester sérieusement 20 idées de signaux par trimestre. AlphaGPT en teste des centaines en une semaine.
Mais aucun signal d'AlphaGPT ne touche du capital réel sans qu'un chercheur prenne une décision délibérée à ce sujet.
Bridgewater a construit un moteur de raisonnement IA combinant LLMs, apprentissage automatique et outils de raisonnement. Leur co-CIO l'a qualifié de « grand saut ». Mais les humains supervisent toujours la gestion des risques et l'exécution.
Le CTO de Citadel l'a dit clairement : « Nous ne voulons pas que les PM délèguent leur jugement d'investissement humain à l'IA. »
Ken Griffin lui-même a déclaré que l'IA améliore l'efficacité mais qu'elle est peu susceptible de produire des rendements supérieurs au marché par elle-même.
Les entreprises qui gagnent rendent leurs quants 10 fois plus rapides. Pas de remplacement.
PARTIE 2 - CINQ CAS D'USAGE AVEC UN AVANTAGE RÉEL
CAS D'USAGE 1 : DÉCOUVERTE DE SIGNAUX AGENTIQUE
AlphaGPT de Man Group exécute quatre agents en boucle :
- Agent 1 : génère une hypothèse de signal.
- Agent 2 : écrit le code d'implémentation.
- Agent 3 : agit comme pur challenger - trouve toutes les raisons pour lesquelles le signal pourrait être faux ou surajusté.
- Agent 4 : évalue le backtest et décide de l'envoyer ou non à l'examen humain.
Sur Polymarket, cela se traduit directement :
- Agent 1 : génère une estimation de probabilité à partir des actualités, des marchés connexes et des taux de base.
- Agent 2 : compare au prix actuel du marché.
- Agent 3 : conteste : que faudrait-il pour que ce soit faux ?
- Agent 4 : évalue l'EV et envoie un go/no-go à l'humain.
CAS D'USAGE 2 : EXTRACTION DE DONNÉES ALTERNATIVES
Pour les marchés de prédiction, chaque déclaration d'un responsable de la Fed, chaque développement géopolitique, chaque publication de données économiques contient un signal. L'IA convertit le texte non structuré en un déplacement de probabilité structuré.
CAS D'USAGE 3 : TEST DE SIGNIFICATIVITÉ MONTE CARLO
Le backtesting standard utilise un seul chemin à travers l'histoire. Un chemin ne suffit pas.
CAS D'USAGE 4 : TAILLE DE POSITION ADAPTÉE AU RÉGIME
f_adjusted = f_kelly x regime_factor x (1 - drawdown_factor)
CAS D'USAGE 5 : SURVEILLANCE DU DÉPLOIEMENT
PARTIE 3 - LE PIPELINE COMPLET
Commencez ici si vous n'êtes pas encore sur Polymarket : polymarket.com/?r=atlas
28 milliards de dollars échangés. Plus de 9 000 marchés. Chaque contrat résolu est un point de données de vérité terrain pour votre modèle.
6 étapes. 5 automatisées. 1 toujours humaine.
Étape 1 - Ingestion de données : taux de résolution historiques, séries temporelles de prix, corrélations de marchés connexes, métriques de volume.
Étape 2 - Hypothèse de signal : spécifique, testable, avec une justification économique et les conditions dans lesquelles elle échoue.
Étape 3 - Défi adversarial : un agent séparé dont le seul travail est de briser l'hypothèse avant que du temps ne soit investi à la construire. Man Group appelle cela la partie la plus précieuse d'AlphaGPT.
Étape 4 - Backtesting walk-forward : chaque paramètre estimé en utilisant uniquement les données disponibles au moment du trade. Cette seule exigence élimine la source la plus courante de performances de backtest gonflées.
Étape 5 - Test de significativité Monte Carlo : si votre signal se situe dans les 5 % supérieurs de 10 000 alternatives aléatoires, vous avez la preuve d'un avantage réel.
Étape 6 - Porte d'examen humain : ne peut pas être automatisée. Notez trois conditions qui vous feront arrêter et réviser le système avant de commencer.
PARTIE 4 - AVANT L'IA VS APRÈS L'IA
Avant l'IA :
Une idée venait de la lecture ou de l'observation. L'écriture de l'implémentation prenait des heures ou des jours. La mise en place d'un backtesting approprié prenait plus de temps. Un chercheur pouvait tester sérieusement 20 stratégies par an. La taille de la position était calibrée par intuition.
Après l'IA :
Le temps entre l'idée et l'évaluation rigoureuse est passé de jours à heures. Vous effectuez une revue adverse de vos propres hypothèses avant d'investir du temps à les développer. Vous testez 12 variations d'un signal prometteur et évaluez toutes plutôt que d'en choisir une par intuition.
Man Group l'a décrit précisément : la technologie les aide à tester plus d'idées. Les chercheurs passent du temps à évaluer des signaux qui ont déjà survécu à un défi automatisé plutôt que de passer ce temps sur le travail d'implémentation.
Pour Polymarket spécifiquement, la compression est encore plus précieuse. Les marchés se résolvent à des dates fixes. La fenêtre pour entrer à un bon prix est limitée. Plus vite vous passez de l'hypothèse au signal validé, plus vous capturez d'opportunités.
LE RÉSUMÉ
L'IA ne prédit pas les marchés.
Elle compresse le temps entre une idée de trading et un test rigoureux de cette idée, le faisant passer de jours à heures. Elle effectue une revue adverse que la plupart des traders systématiques n'appliquent jamais à leurs propres hypothèses.
Man Group : les LLM ont accéléré le rythme du changement. Mais leurs quants sont toujours là. Chaque signal qui atteint le capital a reçu l'approbation d'un chercheur.
Jane Street a investi 6 milliards de dollars en infrastructures GPU pour multiplier ce que leurs chercheurs peuvent faire. Pas pour les remplacer.
L'IA leur a donné de l'échelle. Le jugement est resté humain.
L'avantage sur les marchés de prédiction en ce moment n'est pas une meilleure information.
C'est tester plus d'idées plus vite que tout le monde et n'agir que sur celles qui survivent à la revue adverse.
C'est tout le système.
