L'intelligence en essaim dans l'analyse des marchés financiers

Comment des colonies décentralisées d'agents stupides résolvent des problèmes qui défient les mathématiques formelles, et pourquoi le marché lui-même est le plus grand essaim jamais construit

Il existe une dualité étrange au cœur de la finance quantitative. D'un côté, le rêve de l'ingénieur : une fonction objectif propre, un ensemble admissible convexe, une solution analytique dont on peut prouver l'optimalité. De l'autre côté, le marché réel : non linéaire, non stationnaire, parsemé de minima locaux, de queues épaisses, de changements de régime et de boucles de rétroaction où vos propres actions modifient ce que vous essayez de prédire.

L'intelligence en essaim vit du second côté. C'est une famille de méthodes qui renonce à l'élégance et à la preuve en échange de ce que le marché récompense réellement : la capacité de chercher dans des paysages laids, de grande dimension et trompeurs sans se faire piéger, et de le faire avec des agents si simples qu'aucun d'entre eux ne comprend individuellement le problème.

Cet article couvre les deux moitiés de l'histoire. La première moitié est l'intelligence en essaim en tant que boîte à outils d'optimisation que vous pointez vers des problèmes financiers : Optimisation par Essaim de Particules pour le réglage de portefeuilles et de stratégies, Optimisation par Colonie de Fourmis pour le routage et la sélection combinatoire. La seconde moitié est l'idée plus profonde et plus inconfortable : le marché est un essaim, et les modèles basés sur les agents vous permettent de simuler les bulles, les krachs et les comportements grégaires émergents qu'aucun modèle d'équilibre ne produit de lui-même.

Mathématiques, code et diagrammes tout au long. Rien n'est passé sous silence.

Mes ressources :

Chaîne TG :

https://t.me/zostaffsmartarc

GitHub :

https://github.com/zostaff

Trading ici :

https://polymarket.com/?r=zostaff

Partie 0 : Ce que signifie réellement "intelligence en essaim"

Un essaim est une population d'agents simples suivant des règles locales, sans contrôleur central, qui produisent collectivement un comportement global intelligent. Les exemples canoniques sont biologiques : les colonies de fourmis trouvant les plus courts chemins via la phéromone, les volées d'oiseaux maintenant leur cohésion via trois règles locales, les colonies d'abeilles allouant les butineuses aux parcelles de fleurs.

Trois propriétés définissent le paradigme et expliquent pourquoi il correspond à la finance :

1. Décentralisation. Aucun agent n'a la vision globale. Chacun agit sur des informations locales plus un petit signal partagé. Cela reflète les marchés réels, où aucun participant ne voit l'intégralité du carnet d'ordres.
2. Exploration stochastique avec attraction sociale. Les agents se déplacent de manière semi-aléatoire mais sont attirés vers l'endroit où l'essaim a trouvé de la valeur. Cet équilibre entre exploration et exploitation est exactement ce dont vous avez besoin sur un paysage rempli d'optima locaux, ce que sont les surfaces de rendement ajusté au risque.
3. Émergence. Le comportement intéressant n'est programmé dans aucun agent. Il apparaît au niveau de la population. En optimisation, cela signifie échapper aux pièges dans lesquels tombent les méthodes de gradient. En modélisation de marché, cela signifie des bulles qu'aucun agent "rationnel" unique n'a intentionnellement créées.

Le contraste avec les méthodes classiques est tout l'intérêt. La descente de gradient a besoin d'une fonction objectif différentiable et trouve le minimum le plus proche, qui est souvent le mauvais. L'optimisation convexe a besoin de convexité, ce que les objectifs financiers ont rarement une fois que vous ajoutez des coûts de transaction, des contraintes de cardinalité ou des limites de drawdown. Les méthodes d'essaim n'ont besoin de rien de tout cela. Elles traitent l'objectif comme une boîte noire : introduisez un candidat, récupérez un nombre, c'est tout.

Partie 1 : Optimisation par Essaim de Particules

1.1 Le mécanisme

L'Optimisation par Essaim de Particules (PSO), introduite par Kennedy et Eberhart en 1995, modélise l'essaim comme un ensemble de particules volant dans l'espace de recherche. Chaque particule i a une position x_i (une solution candidate) et une vitesse v_i. Elle se souvient de la meilleure position qu'elle a personnellement visitée (pbest_i) et connaît la meilleure position que n'importe quelle particule a trouvée (g, le meilleur global).

À chaque étape, chaque particule met à jour sa vitesse comme une somme pondérée de trois impulsions :

1v_i(t+1) = w · v_i(t)                    inertie : continuez ce que vous faisiez
2         + c1 · r1 · (pbest_i − x_i(t))   cognitive : revenez à votre meilleur personnel
3         + c2 · r2 · (g − x_i(t))         sociale : allez vers le meilleur de l'essaim
4
5x_i(t+1) = x_i(t) + v_i(t+1)

où w est le poids d'inertie, c1 et c2 sont les coefficients d'accélération, et r1, r2 sont des nombres aléatoires uniformes frais dans [0,1] tirés indépendamment par dimension. Ce caractère aléatoire est le moteur de l'exploration ; sans lui, l'essaim s'effondre de manière déterministe.

Les trois forces méritent d'être vues géométriquement. Une seule particule est simultanément poussée par sa propre inertie, tirée en arrière vers son meilleur personnel, et attirée vers le meilleur global. Le vecteur résultant est là où elle va réellement ensuite.

1.2 Pourquoi elle échappe aux minima locaux

La magie réside dans la tension entre les termes cognitif et social. Au début, les particules sont dispersées et leurs meilleurs personnels diffèrent énormément, donc l'essaim explore largement. À mesure que de bonnes régions sont découvertes, g attire tout le monde, mais l'inertie de chaque particule et sa mémoire personnelle l'empêchent de s'effondrer instantanément sur g. L'essaim tourne, dépasse et explore le voisinage avant de s'engager. Sur une surface multimodale, cela signifie que l'essaim peut abandonner un minimum local décent si une particule tombe sur un meilleur bassin.

Voici PSO sur la fonction Rastrigin, un test de torture standard avec un minimum global à l'origine entouré d'un réseau de minima locaux trompeurs. Regardez l'essaim se disperser, se regrouper et converger tandis que la fitness du meilleur global chute de six ordres de grandeur.

Une méthode de gradient déposée n'importe où sur cette surface meurt dans le premier creux local qu'elle touche. L'essaim, non.

1.3 Application : optimisation de portefeuille sous contraintes réalistes

L'optimisation moyenne-variance de Markowitz a une solution analytique. Dès que vous ajoutez quelque chose de réaliste, ce n'est plus le cas. Les contraintes de cardinalité ("détenir au maximum 20 noms"), les tailles de position minimales, les pénalités de coûts de transaction et les limites de rotation brisent toutes la convexité et l'intégrité. C'est exactement là que PSO montre sa valeur.

Nous voulons maximiser le ratio de Sharpe d'un portefeuille long-only. Chaque particule est un vecteur de poids ; nous le réparons sur le simplexe (non négatif, somme à un) et l'évaluons.

1import numpy as np
2
3rng = np.random.default_rng(0)
4n = 8                                  # nombre d'actifs
5mu = rng.normal(0.08, 0.04, n)          # rendements annuels attendus
6A = rng.normal(0, 1, (n, n))
7cov = (A @ A.T) / n * 0.04              # une matrice de covariance valide
8rf = 0.02                               # taux sans risque
9
10def neg_sharpe(w):
11    """Objectif : Sharpe négatif (on minimise). Répare les poids sur le simplexe."""
12    w = np.clip(w, 0, None)             # long-only
13    s = w.sum()
14    if s == 0:
15        return 1e9
16    w = w / s                           # somme à un
17    ret = w @ mu
18    vol = np.sqrt(w @ cov @ w)
19    return -(ret - rf) / (vol + 1e-9)
20
21# ---- PSO ----
22P, ITERS = 30, 100
23w_inertia, c1, c2 = 0.72, 1.49, 1.49
24
25X = rng.random((P, n))                  # positions = portefeuilles candidats
26V = rng.normal(0, 0.1, (P, n))          # vitesses
27pbest = X.copy()
28pbest_val = np.array([neg_sharpe(x) for x in X])
29g = pbest[pbest_val.argmin()].copy()
30
31for _ in range(ITERS):
32    r1, r2 = rng.random((P, n)), rng.random((P, n))
33    V = w_inertia * V + c1 * r1 * (pbest - X) + c2 * r2 * (g - X)
34    X = np.clip(X + V, 0, None)
35    val = np.array([neg_sharpe(x) for x in X])
36    improved = val < pbest_val
37    pbest[improved] = X[improved]
38    pbest_val[improved] = val[improved]
39    g = pbest[pbest_val.argmin()].copy()
40
41w_opt = np.clip(g, 0, None); w_opt /= w_opt.sum()
42print("meilleur Sharpe :", round(-pbest_val.min(), 3))
43print("poids :", np.round(w_opt, 3))

L'exécution de ce code donne un Sharpe proche de 3,5 et un vecteur de poids parcimonieux et sensé qui somme à un. Le point crucial n'est pas le nombre. C'est que neg_sharpe pourrait contenir n'importe quoi. Ajoutez un terme de coût de transaction - lambda * np.sum(np.abs(w - w_prev)), ajoutez un plafond de cardinalité dur en mettant les plus petits poids à zéro avant normalisation, ajoutez une pénalité de drawdown calculée à partir d'un backtest. Aucun de ces éléments n'a de gradients que vous voulez calculer, et aucun d'eux n'arrête PSO. L'optimiseur ne regarde jamais à l'intérieur de l'objectif ; il demande seulement "ce portefeuille est-il meilleur que celui-là ?"

1.4 Application : réglage des hyperparamètres et des stratégies

La deuxième utilisation majeure est le réglage des stratégies de trading. Une stratégie a des paramètres : fenêtres de rétrospection, seuils d'entrée et de sortie, distances de stop-loss, coefficients de dimensionnement des positions. L'objectif est une statistique de backtest telle que le rendement ajusté au risque après coûts. Cette surface est brutalement non convexe, discontinue (un changement d'un tick dans un seuil peut inverser une transaction) et coûteuse à évaluer. PSO traite l'ensemble du backtest comme l'objectif de boîte noire et cherche directement l'espace des paramètres.

Comment se compare-t-il aux alternatives ? Les algorithmes génétiques (croisement et mutation évolutionnaires) sont le concurrent le plus proche et souvent comparables. La recherche aléatoire est la référence honnête qui bat étonnamment souvent la recherche par grille. Sur un objectif typique de réglage de stratégie, l'essaim a tendance à converger plus rapidement et vers un meilleur optimum que les deux, car le terme d'attraction sociale concentre les évaluations là où elles comptent plutôt que d'échantillonner aveuglément.

La mise en garde ici est réelle et le praticien doit l'intérioriser : une convergence plus rapide sur un objectif de backtest est une convergence plus rapide vers le surapprentissage. PSO trouvera volontiers l'ensemble de paramètres qui explique parfaitement le bruit dans votre échantillon historique. La validation croisée sur des fenêtres glissantes, les hold-outs hors échantillon et la pénalisation de la complexité des paramètres ne sont pas un ornement facultatif ; ils font la différence entre un artefact de recherche et une stratégie qui survit au contact avec les marchés réels.

Partie 2 : Optimisation par Colonie de Fourmis

2.1 Le mécanisme

L'Optimisation par Colonie de Fourmis (ACO), due à Dorigo au début des années 1990, attaque les problèmes combinatoires où la réponse est un chemin ou une sélection discrète. Les vraies fourmis trouvent des chemins courts en déposant de la phéromone en marchant ; les chemins plus courts sont parcourus plus souvent par unité de temps, accumulent plus de phéromone et attirent plus de fourmis, dans une boucle de rétroaction positive. Crucialement, la phéromone s'évapore, ce qui permet à la colonie d'oublier les chemins obsolètes et de s'adapter lorsque l'environnement change.

Les fourmis artificielles construisent des solutions étape par étape sur un graphe. Au nœud i, une fourmi choisit le prochain nœud j de manière probabiliste, biaisée par la phéromone tau_ij sur cette arête et une désirabilité heuristique eta_ij :

1(tau_ij)^alpha · (eta_ij)^beta
2P(i -> j) = ----------------------------------------
3            somme sur k autorisé de (tau_ik)^alpha · (eta_ik)^beta

alpha contrôle à quel point les fourmis font confiance à la phéromone accumulée (exploitation de la mémoire collective) ; beta contrôle à quel point elles font confiance à l'heuristique immédiate (qualité locale gloutonne). Après que toutes les fourmis ont terminé, mise à jour de la phéromone :

1tau_ij <- (1 - rho) · tau_ij  +  somme sur les fourmis de  delta_tau_ij

rho est le taux d'évaporation. Le dépôt delta_tau_ij est plus grand pour les fourmis qui ont construit de meilleures solutions, donc les bonnes arêtes sont renforcées. L'évaporation empêche un verrouillage prématuré et est ce qui rend ACO adaptatif sur les problèmes non stationnaires, c'est-à-dire sur les marchés.

2.2 Où ACO s'insère en finance

PSO est pour les problèmes continus ; ACO est pour les problèmes discrets et en forme de chemin. En finance, cela inclut :

• La sélection d'actifs comme problème de parcours de graphe. Choisir quel sous-ensemble d'un univers détenir, où les arêtes encodent la corrélation ou les transitions sectorielles, et la phéromone apprend quelles combinaisons ont historiquement offert de bons rendements ajustés au risque.
• Le routage et l'exécution des ordres. Diviser un ordre parent important entre les plateformes et les tranches temporelles pour minimiser l'impact sur le marché et le coût est naturellement un problème de chemin. La phéromone renforce les décisions de routage qui ont historiquement obtenu de bonnes exécutions, et l'évaporation permet au routeur de s'adapter à mesure que la liquidité de la plateforme change pendant la journée.
• La construction de règles de trading. Chaque nœud est une condition ou un indicateur ; le chemin d'une fourmi à travers le graphe est une règle composite. La colonie cherche l'espace combinatoire des structures de règles, renforçant les chaînes de règles qui donnent de bons résultats en backtest.

Le diagramme ci-dessus montre le cas de l'exécution : les liquidités inactives doivent atteindre une exécution remplie, et la colonie renforce la route (liquidités vers AAPL vers NVDA vers remplissage) qui a historiquement minimisé le coût, avec l'épaisseur des arêtes proportionnelle à la phéromone accumulée.

Le même avertissement de surapprentissage de PSO s'applique avec la même force. Une colonie qui a renforcé une chaîne de règles à la perfection sur des données historiques a mémorisé le passé, non découvert l'avenir.

Partie 3 : Le marché en tant qu'essaim

3.1 L'inversion conceptuelle

Les parties 1 et 2 utilisaient l'intelligence en essaim comme un outil que nous pointons vers le marché. La partie 3 avance l'affirmation plus profonde : le marché est un essaim, et sans doute le plus grand et le plus conséquent que les humains aient construit.

Regardez à nouveau les propriétés définissantes. Décentralisation : des millions de participants, aucun contrôleur central, chacun agissant sur des informations locales partielles. Règles locales simples : la plupart des participants ne font pas converger la théorie des jeux ; ils suivent des heuristiques, le momentum, la peur, le comportement de leurs voisins. Émergence : les bulles, les krachs, les flash crashes, le regroupement de la volatilité et les rendements à queues épaisses ne sont conçus par personne. Ils émergent de l'interaction.

Ce recadrage est important parce que la tradition théorique dominante, l'hypothèse des marchés efficients et l'équilibre des anticipations rationnelles, a du mal à produire ces phénomènes de manière endogène. Dans ces modèles, les prix égalent la valeur fondamentale plus le bruit, et les grandes déviations nécessitent de grands chocs exogènes. Mais les marchés krachent sans nouvelles. Le krach de 1987, le flash crash de 2010, d'innombrables épisodes plus petits : le prix a bougé violemment tandis que les fondamentaux restaient immobiles. Les modèles d'équilibre expliquent cela en supposant un choc que personne ne peut identifier. Les modèles d'essaim l'expliquent comme émergent, c'est-à-dire comme le comportement normal d'un système d'agents heuristiques en interaction.

3.2 Modèles basés sur les agents

Les modèles basés sur les agents (ABM) rendent cela concret. Vous peuplez un marché simulé avec des agents hétérogènes, donnez à chacun des règles comportementales simples, laissez-les trader et regardez ce qui émerge dans le prix. La conception la plus influente est le modèle fondamentaliste-chartiste (Brock et Hommes, Lux et Marchesi, et d'autres).

• Les fondamentalistes croient que le prix revient à la valeur fondamentale. Ils achètent quand le prix est en dessous de la valeur et vendent quand il est au-dessus. Agissant seuls, ils stabilisent le marché.
• Les chartistes (suiveurs de tendance) croient que les mouvements récents se poursuivent. Ils achètent parce que le prix monte et vendent parce qu'il baisse. Agissant seuls, ils déstabilisent.

L'ingrédient décisif est le changement : les agents ne sont pas verrouillés dans un type. Ils adoptent la stratégie qui a été récemment la plus rentable, et ils se dirigent en troupeau vers ce que font leurs voisins. C'est le mécanisme de choix discret : la fraction de chartistes augmente lorsque le suivi de tendance a récemment payé. Cette seule boucle de rétroaction suffit à générer tout le zoo de faits stylisés que les marchés réels présentent et que les modèles d'équilibre ne produisent pas.

Voici une simulation minimaliste mais complète fondamentaliste-chartiste dans l'espace des log-prix, avec un changement basé sur le profit :

1import numpy as np
2
3rng = np.random.default_rng(4)
4T = 520
5log_fund = np.log(100.0)               # valeur fondamentale constante
6logp = [log_fund, log_fund]            # log-prix, besoin de deux retards
7frac_chartist = [0.5]                  # fraction de la population qui sont chartistes
8beta = 6.0                             # intensité de choix (vitesse de changement des agents)
9
10for t in range(1, T):
11    lp, lp1 = logp[-1], logp[-2]
12    dev = lp - log_fund                # écart du prix par rapport au fondamental
13    mom = np.clip(lp - lp1, -0.2, 0.2) # momentum récent (dernier log-rendement)
14
15    # Rentabilité réalisée de chaque règle par rapport au dernier mouvement réel
16    actual = mom
17    pi_c = np.tanh(60 * mom * actual)            # le chartiste avait raison si la tendance continuait
18    pi_f = np.tanh(60 * (-0.05 * dev) * actual)  # le fondamentaliste avait raison si elle revenait
19
20    # Choix discret : les agents affluent vers la règle récemment rentable (logit)
21    ec, ef = np.exp(beta * pi_c), np.exp(beta * pi_f)
22    target = ec / (ec + ef)
23    target = np.clip(target + 1.8 * abs(mom), 0, 1)   # les grands mouvements attirent un troupeau de chasseurs de tendance
24
25    # Inertie grégaire : la foule change progressivement, pas instantanément
26    share = np.clip(0.55 * frac_chartist[-1] + 0.45 * target + rng.normal(0, 0.025), 0.02, 0.98)
27
28    # Impact sur les prix : les chartistes extrapolent le momentum, les fondamentalistes tirent vers la valeur
29    dl = share * 0.95 * mom + (1 - share) * (-0.05 * dev) + rng.normal(0, 0.014)
30    dl = np.clip(dl, -0.12, 0.12)
31
32    logp.append(lp + dl)
33    frac_chartist.append(share)
34
35price = np.exp(np.array(logp[1:]))

Rien dans ce code n'ordonne au marché de former une bulle. Il n'y a pas de variable "krach". Pourtant, exécutez-le et les bulles et les krachs apparaissent, et ils coïncident avec les poussées de la fraction chartiste : lorsque le suivi de tendance commence à payer, la foule se jette dedans, le prix se détache du fondamental, le détachement finit par rendre le retour à la moyenne extrêmement rentable, la foule change de camp, et la bulle s'effondre.

Le panneau supérieur montre le prix oscillant autour d'un fondamental plat à 100, avec des bulles vers 120 et des krachs vers 80. Le panneau inférieur est la fraction chartiste. Les pics de la part de la foule qui suit la tendance précèdent et entraînent les extrêmes de prix. C'est le comportement grégaire rendu comme un mécanisme plutôt qu'une métaphore.

3.3 Les faits stylisés qui tombent gratuitement

Les rendements financiers réels ont des signatures statistiques bien documentées que les modèles de marche aléatoire gaussienne ne parviennent pas à reproduire. Les modèles d'essaim basés sur les agents les produisent de manière endogène, sans hypothèses supplémentaires :

• Queues épaisses (kurtosis excessif). Les rendements extrêmes sont beaucoup plus fréquents que ne le prédit une distribution normale, car le comportement grégaire synchronise les agents et amplifie les mouvements.
• Regroupement de la volatilité. Les grands mouvements suivent les grands mouvements. Lorsque le régime chartiste domine, la volatilité est élevée et persistante ; lorsque les fondamentalistes dominent, le marché est calme. Le changement produit le regroupement.
• Absence d'autocorrélation linéaire dans les rendements avec une forte autocorrélation dans les rendements absolus. Le marché est imprévisible en direction mais hautement prévisible en turbulence, exactement comme les ABM le génèrent.

Le fait qu'un modèle d'agents stupides en interaction reproduise l'empreinte statistique précise des marchés réels, alors que les modèles d'équilibre élégants ont besoin de chocs exogènes ajoutés, est la preuve la plus forte que le cadre de l'essaim capture quelque chose de vrai sur la façon dont les prix sont réellement fabriqués.

Partie 4 : Une architecture de référence

Si vous vouliez opérationnaliser tout cela, les outils d'optimisation et la lentille de simulation s'intègrent dans une seule pile. Le noyau d'essaim traite les stratégies comme des particules et cherche l'espace des stratégies ; l'évaluateur de fitness exécute des backtests sur fenêtres glissantes ; une porte de risque applique des contraintes strictes qu'aucun optimiseur n'est autorisé à violer ; ACO gère le routage d'exécution ; et le simulateur basé sur les agents peut être utilisé à la fois pour tester les stratégies face à des marchés synthétiques mais réalistes et pour générer des scénarios que l'enregistrement historique n'a jamais contenus.

La boucle de rétroaction est l'âme de la conception. La fitness et le risque remodèlent continuellement l'essaim, tout comme dans la nature l'environnement remodèle continuellement la colonie. La porte de risque est non négociable et se trouve en dehors de l'optimisation : un essaim optimisant le Sharpe prendra, si on lui en donne la chance, une position qui est optimale sur le backtest et ruineuse dans une queue. La porte est ce qui l'arrête.

Partie 5 : Limitations honnêtes

Les méthodes d'essaim ne sont pas magiques, et les modes d'échec sont spécifiques :

Le surapprentissage est le risque dominant. Chaque optimiseur de boîte noire est une machine pour trouver l'ensemble de paramètres qui explique le mieux votre échantillon, y compris son bruit. Plus l'optimiseur est rapide et puissant, plus c'est dangereux. L'analyse sur fenêtres glissantes et la discipline hors échantillon sont obligatoires.

Aucune garantie d'optimalité. PSO et ACO sont des métaheuristiques. Ils trouvent généralement d'excellentes solutions ; ils ne prouvent rien. Pour les problèmes véritablement convexes, utilisez un solveur convexe et obtenez l'optimum certifié. Recourez aux essaims uniquement lorsque la structure dont les méthodes classiques ont besoin est absente.

Sensibilité aux hyperparamètres. Poids d'inertie, coefficients d'accélération, taille de l'essaim, taux d'évaporation : ces éléments comptent, et régler le régieur risque une autre couche de surapprentissage. Les valeurs par défaut sensées (les valeurs de constriction w=0.72, c1=c2=1.49 pour PSO) existent pour une bonne raison.

Les ABM sont explicatifs, non prédictifs. Les modèles basés sur les agents reproduisent brillamment le comportement qualitatif des marchés, les bulles et les queues épaisses. Ils ne vous disent pas le prix mardi prochain. Leur valeur réside dans la compréhension du mécanisme, les tests de résistance et la génération de scénarios, pas dans la prévision ponctuelle.

Le piège de la réflexivité. Lorsque suffisamment de capitaux font tourner des stratégies similaires découvertes par essaim, ces stratégies deviennent partie intégrante de la dynamique du marché et érodent leur propre avantage. La carte modifie le territoire. Ce n'est pas un défaut de la méthode ; c'est la vérité la plus profonde que le cadre de l'essaim enseigne. Vous n'analysez pas un essaim de l'extérieur. Vous êtes un agent à l'intérieur, et votre trace de phéromone change l'endroit où tout le monde va ensuite.

Final

Les deux moitiés de cet article sont en réalité une seule idée vue sous deux angles. L'optimisation par essaim fonctionne sur les problèmes financiers parce que ces problèmes vivent sur des paysages laids, trompeurs et non convexes, et la recherche stochastique décentralisée avec attraction sociale est précisément construite pour un tel terrain. Et la raison pour laquelle les marchés produisent de tels paysages en premier lieu est que les marchés sont eux-mêmes des essaims : de vastes populations d'agents simples, grégaires et changeants dont l'interaction génère émergemment les bulles, les krachs et les queues épaisses qu'aucun modèle d'équilibre n'a prévus.

Comprendre le second point vous rend meilleur au premier. Lorsque vous vous souvenez que la surface sur laquelle vous optimisez a été générée par un essaim, vous cessez de faire confiance à un optimum unique, vous respectez la non-stationnarité, vous construisez la porte de risque, et vous n'oubliez jamais qu'au moment où votre stratégie déplace une taille réelle, vous avez cessé d'être un observateur de l'essaim pour en faire partie.