Je vais décomposer exactement comment les plus grandes firmes de trading au monde utilisent l'IA dans leurs flux de travail quotidiens et partager tout ce dont tu as besoin pour mettre en place le même système à partir de zéro.
Allons droit au but.
À garder sous le coude – Je m'appelle Roan, développeur backend spécialisé dans la conception de systèmes, l'exécution de type HFT et les systèmes de trading quantitatif. Mon travail porte sur le comportement réel des marchés de prédiction sous charge. Pour toute suggestion, collaboration réfléchie ou partenariat, mes DMs sont ouverts.
La plupart des traders entendent « IA dans le trading » et imaginent un chatbot qui crache des signaux d'achat.
Ce qui se passe réellement dans les plus grands fonds quantitatifs du monde est totalement différent. Et l'écart entre ce qu'ils font et ce que la plupart des traders systématiques comprennent est l'un des plus grands avantages inexploités des marchés modernes.
Jane Street a engagé 6 milliards de dollars dans une infrastructure cloud IA en 2025. Ils ont construit un centre de données dédié au Texas, abritant 4 032 GPU refroidis par liquide, spécifiquement pour entraîner les modèles de trading de nouvelle génération. Jane Street a généré 39,6 milliards de dollars de revenus de trading en 2025 avec environ 3 500 employés. Leur responsable de la recherche quantitative, Craig Falls, a déclaré publiquement qu'ils s'appuient sur l'infrastructure GPU de CoreWeave pour entraîner et déployer leurs modèles propriétaires.
Man Group, le plus grand hedge fund coté au monde gérant environ 150 milliards de dollars, s'est associé publiquement à Anthropic pour utiliser Claude comme base de leur pipeline de génération d'alpha. Leur branche quantitative Man Numeric a développé un outil interne appelé AlphaGPT qui génère, code et backteste des stratégies de trading de manière autonome.
Two Sigma pilote des stratégies basées sur l'IA sur 70 milliards d'actifs depuis des années. Citadel a construit un assistant IA interne qui scanne les transcriptions, résume les recherches des brokers et identifie les risques pour leur équipe actions. L'outil fait désormais partie du flux de travail quotidien de la plupart des investisseurs actions de la firme.
Bridgewater Associates a formé sa division Artificial Investment Associate Labs en 2023. Leur CEO Nir Bar Dea a déclaré lors d'une conférence Bloomberg en mars 2025 que son fonds IA de 2 milliards de dollars génère « un alpha unique, non corrélé à ce que nos humains produisent ». L'IA sert de décideur principal dans le fonds tandis que les professionnels humains supervisent la gestion des risques et l'exécution des transactions.
Ce ne sont pas des expériences. Ce sont des systèmes de production qui gèrent du capital réel.
Mais voici la question que personne ne pose à voix haute.
Les plus grandes firmes utilisent-elles l'IA pour remplacer leurs quants ? Ou l'utilisent-elles pour rendre leurs quants si rapides que tous les autres ne peuvent tout simplement pas suivre ?
La réponse change tout sur la façon dont tu devrais construire ton propre système. Et à la fin de cet article, tu auras la feuille de route complète pour le faire.
J'ai déjà couvert les chaînes de Markov pour la détection de régime et l'analyse de séries temporelles dans les articles précédents de cette série. Les flux de travail IA sont la quatrième et dernière couche qui complète la stack de trading institutionnel.
À la fin de cet article, tu comprendras exactement comment Man Group, Jane Street, Bridgewater et Citadel structurent leurs flux de travail IA, de la recherche au signal en direct, les cinq cas d'usage spécifiques où l'IA génère l'avantage le plus mesurable en trading systématique, comment utiliser les skills de Claude Code pour compresser ton cycle de recherche comme le font les quants institutionnels, l'architecture de pipeline agentique complète que tu peux construire dès aujourd'hui avec des outils publics, et la seule couche dont tout système de trading IA a besoin et qu'aucun modèle ne peut fournir.
Note : Cet article est délibérément long. Chaque partie s'appuie sur la précédente. Si tu es sérieux à propos de l'ajout d'un véritable avantage basé sur l'IA à ton trading systématique, lis chaque mot. Si tu cherches un raccourci, ce n'est pas pour toi.
Partie 1 : L'IA va-t-elle remplacer les quants ? La réponse que personne ne te donne
Man Group a rendu AlphaGPT public en juillet 2025. Bloomberg l'a rapporté en premier. Le système génère des idées de signaux de trading, écrit le code d'implémentation et exécute les backtests de manière autonome. Le gestionnaire de portefeuille senior Ziang Fang a confirmé que plusieurs dizaines de signaux ont déjà été approuvés pour le trading en direct après avoir passé la validation humaine.
Voici ce que l'équipe de Man Group a dit : la technologie aide à relever un défi croissant de l'investissement quantitatif, à savoir le volume considérable de données et de relations de marché possibles, qui a augmenté plus vite que toute équipe humaine ne peut l'évaluer manuellement. Leur CTO Gary Collier a qualifié cela de perturbation du processus quant lui-même.
Ce cadrage explique tout. L'IA ne résout pas un problème de jugement. Elle résout un problème de débit. Une équipe de recherche solide peut sérieusement tester vingt idées de signaux par trimestre. AlphaGPT en teste des centaines par semaine. Les idées qui survivent passent en revue humaine. Pas un seul signal ne touche du capital réel sans qu'un chercheur ait pris une décision délibérée à son sujet.
Bridgewater est allé encore plus loin. Leur division AIA Labs, dirigée par le co-CIO Greg Jensen et le scientifique en chef Jasjeet Sekhon de Yale, a construit ce qu'ils décrivent comme un moteur de raisonnement IA qui combine grands modèles de langage, apprentissage automatique et outils de raisonnement pour comprendre les relations causales sur les marchés. Jensen a dit explicitement : « Le grand saut ici est d'utiliser l'intelligence machine pour générer l'alpha. C'est un bond. » Mais même dans leur implémentation la plus agressive, les professionnels humains supervisent toujours la gestion des risques, l'acquisition de données et l'exécution des transactions. L'IA décide quoi trader. Les humains décident combien de risque prendre.
Jane Street le dit directement sur son site web : l'apprentissage profond fait partie de leur boîte à outils, pas le point de départ. Ils travaillent avec des dizaines de milliers de GPU. Les chercheurs sont toujours là. Les GPU multiplient ce que les chercheurs peuvent faire.
Le CTO de Citadel, Umesh Subramanian, l'a dit clairement lors d'une conférence à New York fin 2025 : « Nous ne voulons pas que les PM déléguent leur jugement d'investissement humain à l'IA. C'est un outil pour accélérer davantage leur processus de recherche. » Ken Griffin lui-même a dit que même si la technologie améliore l'efficacité, il est peu probable qu'elle produise des rendements supérieurs au marché par elle-même.
Le schéma est cohérent dans toutes les firmes qui ont rendu publique leur implémentation d'IA. L'IA gère les parties où la vitesse et le volume comptent : génération d'hypothèses, écriture de code, backtesting initial, traitement des données. Les humains gèrent les parties où le jugement compte : évaluation du régime, allocation du capital, supervision des risques, la décision d'arrêter un système quand les conditions changent.
Les firmes qui gagnent ne remplacent pas leurs quants par l'IA. Elles rendent leurs quants 10 fois plus rapides. C'est le modèle que tu devrais reproduire.
Partie 2 : Les cinq cas d'usage qui génèrent réellement un avantage
La plupart des applications de l'IA dans le trading produisent de petites améliorations que les coûts de transaction effacent en quelques mois. Cinq d'entre elles produisent des avantages structurels que les plus grandes firmes ont publiquement confirmé utiliser en production.
Cas d'usage 1 : Découverte de signaux agentique
C'est ce que Man Group a construit avec AlphaGPT. L'architecture exécute quatre agents distincts en boucle. Le premier génère une hypothèse de signal à partir des données. Le second écrit la logique exacte et le code d'implémentation. Le troisième agit uniquement comme un contradicteur dont le travail est de trouver toutes les raisons pour lesquelles le signal pourrait être faux, surajusté ou économiquement non valide. Le quatrième évalue le backtest et décide si le signal mérite d'être envoyé à un humain.
Man Group l'a décrit dans ses propres mots : le système se comporte beaucoup comme une véritable firme, un groupe d'équipes. Une personne propose. Une autre conteste. Une troisième évalue. Les agents exécutent ce cycle sur des centaines d'idées simultanément. Celles qui survivent à l'examen contradictoire sont envoyées à un chercheur. Les autres sont écartées.
Man Group a également souligné les risques rencontrés lors du développement : hallucination, biais de prospective, problèmes de tests multiples, et bien d'autres. Leur modèle de raisonnement enregistre chaque décision à chaque étape, offrant une transparence totale que les processus humains n'offrent pas toujours.
Cas d'usage 2 : Extraction de signaux à partir de données alternatives
Point72 utilise des modèles de NLP pour analyser les transcriptions des conférences téléphoniques sur les résultats et les convertir en signaux structurés qui alimentent directement des stratégies d'options. Two Sigma utilise l'apprentissage automatique pour extraire des signaux à partir d'images satellitaires et de données macroéconomiques. Hudson Labs, une firme spécialisée dans ce domaine, affine l'IA pour séparer les bénéfices réels déclarés des prévisions de résultats, résolvant le problème de l'IA qui mélange chiffres historiques et projections.
Le schéma est le même partout. Les informations non structurées sont converties en signaux numériques précis. L'avantage vient du fait que l'IA traite simultanément chaque transcription, chaque dépôt, chaque donnée disponible et produit une sortie quantifiée cohérente.
Pour un trader systématique, la version la plus immédiatement accessible est l'analyse des conférences téléphoniques sur les résultats. Les transcriptions sont publiques. Voici la structure d'extraction exacte de qualité production :
Le résultat est un nombre, pas un paragraphe. Ce nombre alimente directement ton modèle de dimensionnement de position.
Cas d'usage 3 : Backtesting accéléré par l'IA
Le plus grand goulot d'étranglement dans la recherche systématique n'est pas le manque d'idées. C'est le temps entre avoir une idée et savoir si elle a une quelconque validité historique réelle. Un chercheur qui réduit ce cycle de moitié teste deux fois plus de stratégies par an. Sur cinq ans, cette différence de débit est décisive.
Le flux de travail qui tire le meilleur parti de cela est précis dès le départ. Tu décris la spécification complète de la stratégie avant qu'une seule ligne de code ne soit écrite. Condition d'entrée, condition de sortie, règle de dimensionnement de position, période de détention, hypothèse de coût de transaction et méthode de validation. La précision dans la description produit de la précision dans le résultat.
Cas d'usage 4 : Tests de significativité par Monte Carlo
Chaque backtest standard utilise un seul chemin à travers l'historique. Un seul chemin ne suffit pas pour savoir si ton résultat reflète un véritable avantage ou la séquence spécifique d'événements dans ta fenêtre de test.
La simulation de Monte Carlo génère des milliers de chemins possibles et montre la distribution complète des résultats. Le résultat au 5e percentile, le drawdown maximum attendu et la probabilité d'une perte dépassant ton seuil de risque. Ces trois nombres déterminent la taille de ta position avant que tout capital ne soit engagé. Les faire passer par une couche IA qui interprète les résultats en langage clair, te disant ce qu'ils signifient pour ta tolérance au risque spécifique, c'est ainsi que les fonds institutionnels traduisent les résultats de simulation en décisions d'allocation.
Cas d'usage 5 : Dimensionnement de position conscient du régime
C'est là que le cadre des chaînes de Markov de l'article précédent se connecte directement à la couche IA. Le modèle de régime te dit où se trouve le marché et la probabilité de transition. L'IA synthétise ce signal avec ton drawdown actuel, ton estimation de volatilité réalisée et la force de ton signal pour produire une recommandation de position cohérente par rapport à tous les intrants.
Une taille de position correcte dans un régime de tendance à faible volatilité est presque certainement trop grande dans un régime de crise à haute volatilité. Aucun intrant seul ne te donne la bonne taille. La synthèse des quatre le fait.
Devoir : Classe ces cinq cas d'usage par celui qui aurait l'impact le plus immédiat sur ta recherche actuelle. Ce classement te dit exactement par où commencer.
Partie 3 : Les skills Claude Code et les outils exacts utilisés en production
Man Group a déclaré publiquement que Claude a considérablement amélioré l'efficacité des tâches de codage de leurs technologues quantitatifs. Cela vient de leur annonce de partenariat avec Anthropic. Mais Claude Code n'est pas juste un chatbot qui écrit du code. C'est un environnement de codage agentique qui fonctionne dans ton terminal, lit tes fichiers et exécute du code sur ta machine.
La véritable puissance vient des skills. Ce sont des fichiers d'instructions SKILL.md qui fonctionnent comme des recettes, disant exactement à Claude comment aborder une tâche spécifique. Installe-en un et Claude se transforme en spécialiste de ce domaine.
Voici les skills vérifiés disponibles dès maintenant qui comptent pour les traders systématiques.
Le skill Backtesting Frameworks construit à la fois des architectures de backtesting événementiel et vectorisé haute vitesse. Il implémente l'analyse walk-forward, les tests hors échantillon et la modélisation réaliste des coûts de transaction, y compris le slippage et les commissions. Il a été conçu spécifiquement pour éliminer le biais de prospective et le biais de survie, les deux erreurs qui gonflent presque tous les backtests de détail. Le skill gère des flux de travail d'optimisation multi-périodes et prend en charge des paramètres de backtest personnalisables sur n'importe quelle période.
Le skill Quant Trading and Backtesting va plus loin. Il inclut la détection automatique de Sharp Edge, qui identifie les erreurs spécifiques de backtesting qui rendent les stratégies rentables en recherche et échouent immédiatement en marchés réels. La recherche de facteurs et le minage d'alpha à travers les dimensions valeur, momentum et qualité. Le dimensionnement de position basé sur le critère de Kelly. Et des modèles complets de développement de stratégies pour le suivi de tendance, le mean reversion et l'arbitrage statistique.
Le skill Quantitative Research permet des normes de validation de qualité institutionnelle. Développement de stratégies, génération d'alpha, modélisation de facteurs et techniques d'arbitrage statistique avec des méthodologies de stress test intégrées. Il résout le problème spécifique de distinguer les véritables signaux alpha des artefacts statistiques.
Le skill Market Data Pipeline gère la couche d'ingestion de données complète. Il standardise la façon dont Claude récupère et structure les données de marché des fournisseurs, normalise les réponses en DataFrames avec des noms de colonnes standard, applique les ajustements d'opérations sur titres pour l'analyse historique et met en cache les résultats pour éviter les appels API redondants. Les mauvaises données sont le tueur silencieux des backtests. Ce skill rend le traitement des données déterministe.
Il existe également un skill de surveillance des signaux en direct qui boucle la boucle de la recherche au déploiement. Il récupère les données en temps réel, maintient une fenêtre glissante de barres, recalcule les indicateurs sur chaque nouvelle barre, évalue les conditions de signal et envoie des alertes. Il n'exécute jamais d'ordres directement. Il ne produit que le signal. Cette conception est délibérée.
Le flux de travail qui tire le plus de valeur suit un ordre spécifique.
D'abord, spécifie la stratégie complètement dans un langage précis avant de demander à Claude Code de construire quoi que ce soit. Ensuite, spécifie les exigences de validation explicitement : validation walk-forward, minimum 252 jours de trading dans l'échantillon, coûts de transaction d'au moins dix points de base par transaction. Troisièmement, traite le résultat comme un brouillon à examiner. Le code s'exécutera. Le backtest produira des chiffres. Ton travail consiste à évaluer si ces chiffres reflètent un avantage réel ou une coïncidence statistique.
L'IA gère l'implémentation pour que tu te concentres entièrement sur l'hypothèse et l'évaluation. Le travail intellectuel ne disparaît pas. Il se concentre sur les parties qui nécessitent réellement un esprit entraîné.
Partie 4 : Construire le pipeline complet à partir de zéro
Man Group n'a pas construit AlphaGPT en un week-end. Mais l'architecture n'est pas propriétaire. C'est un flux de travail multi-agents appliqué à un problème spécifique. La structure de base est reproductible dès aujourd'hui en utilisant Claude Code et l'API Anthropic.
Le pipeline comporte six étapes. Aucune ne peut être sautée.
Étape 1 : Ingestion de données et conception de caractéristiques. La qualité de tes données fixe le plafond de tout ce qui suit. Les mauvaises données ne génèrent pas d'erreurs. Elles produisent des backtests qui ont l'air super et s'effondrent en marchés réels. Le biais de survie, les prix non ajustés, les opérations sur titres manquantes sont des erreurs silencieuses qui gonflent les rendements sans s'annoncer. La couche IA prend tes données propres et génère un résumé statistique structuré de l'environnement actuel : volatilité réalisée sur différentes périodes, signaux de momentum, modèles de volume, indicateurs de régime.
Étape 2 : Génération d'hypothèses de signaux. Le premier agent reçoit le résumé des données et génère une hypothèse spécifique et testable. « Trader le momentum » n'est pas une hypothèse. « Passer long quand le rendement sur 20 jours dépasse un écart-type de la distribution des rendements roulants sur 60 jours et que la volatilité réalisée actuelle est inférieure à sa médiane sur 90 jours » est une hypothèse. L'agent génère également la justification économique et les conditions spécifiques dans lesquelles le signal cesserait de fonctionner.
Étape 3 : Examen contradictoire. C'est l'étape que la plupart des quants de détail sautent complètement et l'étape qui sépare AlphaGPT des conseils de trading de chatbot. Un agent séparé reçoit l'hypothèse et son seul rôle est de la briser. Le signal est-il calculable à partir des données disponibles au moment de la transaction ? La justification économique est-elle cohérente ou s'agit-il d'une histoire a posteriori ? Tient-il dans différents régimes ? Quel événement macro le ferait échouer ?
Étape 4 : Backtesting walk-forward. À chaque instant, chaque paramètre du modèle est estimé en utilisant uniquement les données historiques disponibles jusqu'à ce point. Le modèle ne voit jamais de données futures. Cette seule exigence élimine la source la plus courante de performance de backtest gonflée.
Étape 5 : Tests de significativité statistique. Génère la série de rendements d'une stratégie aléatoire avec des propriétés statistiques correspondantes mille fois. Si ton ratio de Sharpe réel se situe dans les cinq pour cent supérieurs de cette distribution, tu as la preuve d'un réel avantage. Sinon, tu as la preuve d'une correspondance de motifs sur du bruit.
Étape 6 : Barrière de validation humaine. Cette étape ne peut pas être automatisée. Aucun signal ne touche du capital réel sans l'évaluation d'un chercheur. Man Group, Bridgewater, Citadel et Jane Street l'ont tous confirmé publiquement.
Six étapes. Cinq automatisées. Une toujours humaine.
La couche de surveillance de déploiement dont tout système a besoin :
Définis les seuils avant de commencer à trader. Le pire moment pour prendre cette décision est quand le système est déjà en sous-performance. La sortie est un drapeau pour une révision humaine, pas un arrêt automatique. Le signal de régime des chaînes de Markov de l'article précédent alimente directement cette couche de surveillance comme déclencheur supplémentaire.
Partie 5 : Avant l'IA vs Après l'IA et le flux de travail de production complet
Avant l'IA : Une idée venait de la lecture d'un article ou de l'observation d'une anomalie de marché. L'écriture de l'implémentation prenait des heures, parfois des jours. Mettre en place un backtest correct avec validation walk-forward prenait du temps supplémentaire. Le nombre d'idées qu'un seul chercheur pouvait sérieusement tester en un an était sévèrement limité. La sélection des idées se faisait avant le test, plutôt qu'à cause du test. La gestion des risques était une étape manuelle séparée. Le dimensionnement de position était calibré par intuition et ajusté après coup lorsque les drawdowns dépassaient les attentes.
Après l'IA : Le temps entre l'idée et l'évaluation rigoureuse est passé de jours à heures. Quand les tests sont rapides, tu peux te permettre de tester des idées qui semblent moins certaines. Tu peux effectuer un examen contradictoire sur tes propres hypothèses avant d'investir du temps à les développer. Tu peux générer une douzaine de variations d'un signal prometteur et toutes les tester les unes contre les autres plutôt que d'en choisir une par intuition.
Man Group a décrit cela précisément : la technologie les aide à tester plus d'idées. La barre de qualité pour ce qui est envoyé à un chercheur s'est élevée parce que l'IA pré-filtre les modes de défaillance courants. Les chercheurs passent du temps à évaluer des signaux qui ont déjà survécu à un processus de défi automatisé plutôt que de passer ce temps sur le travail d'implémentation.
Les données alternatives qui nécessitaient auparavant des équipes dédiées de data science sont désormais accessibles via des pipelines d'extraction NLP construits en heures. Les transcriptions de résultats, les dépôts réglementaires et les rapports macroéconomiques peuvent être convertis en signaux structurés en continu.
Le dimensionnement de position n'est plus une étape manuelle séparée. Il est intégré à la détection de régime de la couche Markov, à l'estimation de volatilité de la couche GARCH et à la force du signal de la stratégie en cours, produisant une recommandation de position cohérente par rapport à tous les intrants simultanément.
Le flux de travail de production complet : La recherche s'exécute en continu en arrière-plan. Le pipeline agentique génère et teste des hypothèses de signaux, écarte celles qui échouent à l'examen contradictoire et envoie les survivantes à l'évaluation humaine. Les signaux approuvés entrent en paper trading, surveillés quotidiennement par rapport aux attentes hors échantillon. Les signaux qui tiennent passent à une petite allocation en direct. La taille de la position ne monte en charge que si la performance confirme les attentes. Tout écart significatif déclenche une révision humaine immédiate.
Jane Street décrit le défi central sur son site web : les marchés subissent de fréquents changements structurels en réaction aux pandémies, aux élections, aux réglementations et aux changements de comportement collectif. Identifier quand l'un de ces changements s'est produit est la tâche pour laquelle le jugement humain est le plus irremplaçable.
Devoir : Avant de déployer un signal généré par IA en direct, écris trois conditions qui te feront arrêter de trader et réviser le système. Écris-les avant de commencer. Le moment où un système sous-performe est le pire moment pour prendre cette décision pour la première fois.
Le résumé
L'IA ne prédit pas les marchés. Ce qu'elle fait, c'est compresser le temps entre une idée de trading et un test rigoureux de cette idée, de jours à heures. Elle exécute un examen contradictoire que la plupart des traders systématiques n'appliquent jamais à leurs propres hypothèses. Elle met à l'échelle le débit de recherche d'un seul quant à un niveau qui nécessitait auparavant une équipe entière.
Man Group l'a dit après avoir rendu AlphaGPT public : les LLM ont considérablement accéléré le rythme du changement. Mais leurs quants sont toujours là. Chaque signal qui atteint du capital a été approuvé par un chercheur.
Bridgewater est allé encore plus loin, construisant un fonds de 2 milliards de dollars où l'IA est le décideur principal tandis que les humains supervisent le risque et l'exécution.
Jane Street a investi 6 milliards de dollars dans une infrastructure GPU pour multiplier ce que leurs chercheurs peuvent faire, pas pour les remplacer.
L'IA leur a donné l'échelle. Le jugement reste humain.
Tu as maintenant les mêmes briques de base. L'architecture de pipeline agentique. Les skills Claude Code pour le backtesting, la génération de signaux et la surveillance. Le cadre d'extraction NLP pour les données alternatives. Les tests de significativité par Monte Carlo. Le dimensionnement de position conscient du régime. Et la barrière de validation humaine qui maintient le système en vie lorsque les marchés évoluent d'une manière qu'aucun ensemble de données historiques n'a jamais contenue.
Voici la question sur laquelle je veux que tu réfléchisses.
Man Group teste des centaines de signaux avec AlphaGPT et envoie les survivants à l'examen humain. Bridgewater a construit un fonds de 2 milliards de dollars où l'IA est le décideur principal. Jane Street entraîne des modèles sur des pétaoctets de données avec des dizaines de milliers de GPU. Two Sigma extrait un avantage des données alternatives que la plupart des traders n'ont jamais envisagées.
Si tu ne pouvais construire qu'une seule de ces capacités en tant que trader systématique travaillant de manière indépendante, laquelle choisirais-tu et pourquoi ?
Ta réponse révèle exactement où tu penses que la source de l'avantage systématique réside réellement sur les marchés modernes.
Partage-la dans les commentaires. Il n'y a pas de mauvaise réponse. Mais il y en a de très révélatrices.
