Trading automatisé
Chronologie : de Bachelier aux agents IA
Plus d’un siècle de trading quantitatif et par IA en 14 jalons. Filtrez par thème ou ouvrez un jalon pour l’explication et les sources.
1900La naissance des mathématiques financières
Le mathématicien français Louis Bachelier défend sa thèse Théorie de la spéculation. Il est le premier à utiliser le mouvement brownien pour décrire mathématiquement les mouvements de cours et les prix des options à la Bourse de Paris, des décennies avant l’existence des ordinateurs.
Sources
1952La théorie moderne du portefeuille
L’économiste Harry Markowitz publie Portfolio Selection. Pour la première fois, le risque et le rendement sont définis mathématiquement, par la corrélation entre les actifs, plutôt qu’à l’instinct. En 1990, il reçoit le prix Nobel d’économie pour ces travaux.
Sources
1969Le premier hedge fund quantitatif
Le mathématicien Edward O. Thorp, connu pour sa méthode de comptage des cartes au blackjack, lance Princeton Newport Partners. Grâce aux ordinateurs et à l’arbitrage statistique sur les obligations convertibles et les warrants, il démontre qu’une approche systématique et mathématique peut fonctionner sur le marché.
Sources
1971–1973Le NASDAQ et la formule de Black-Scholes
En 1971, le NASDAQ démarre comme premier marché d’actions électronique. En 1973, Fischer Black, Myron Scholes et Robert Merton publient leur modèle d’évaluation des options. Les banques se mettent à recruter massivement des physiciens et des mathématiciens : les premiers « quants ».
Sources
1976Les ordres électroniques au NYSE
Le New York Stock Exchange introduit le système DOT (Designated Order Turnaround), remplacé par SuperDOT en 1984. Les courtiers peuvent désormais transmettre leurs ordres par voie électronique plutôt que par des coursiers sur le parquet. Cela rend possible le « program trading » : des règles automatiques qui achètent ou vendent des paniers entiers d’actions en une fois.
Sources
1982–1987Modèles de volatilité, pairs trading et Lundi noir
Robert Engle introduit en 1982 le modèle ARCH pour prévoir une volatilité changeante, et l’équipe de Nunzio Tartaglia chez Morgan Stanley développe le « pairs trading » automatisé. Le 19 octobre 1987, le Lundi noir, des stratégies automatiques d’« assurance de portefeuille » amplifient la vague de ventes : le Dow Jones perd 22,6 % en une seule journée. C’est le premier grand choc dans lequel les algorithmes jouent un rôle majeur.
Sources
- R. Engle, “Autoregressive Conditional Heteroscedasticity…”, Econometrica (1982) (s’ouvre dans un nouvel onglet) JSTOR
- Pairs trade (s’ouvre dans un nouvel onglet) Wikipedia
- Stock Market Crash of 1987 (s’ouvre dans un nouvel onglet) Federal Reserve History
- Black Monday (1987) (s’ouvre dans un nouvel onglet) Wikipedia
1988Renaissance Technologies et le Medallion Fund
Le mathématicien et ancien cryptanalyste Jim Simons lance le Medallion Fund chez Renaissance Technologies. Au lieu d’analystes classiques, il recrute des astrophysiciens, des cryptographes et des spécialistes de la reconnaissance vocale, qui appliquent la reconnaissance statistique de schémas au marché. Le fonds devient l’un des fonds d’investissement les plus performants de tous les temps.
Sources
1998–2005Plateformes de négociation électroniques et essor du HFT
En 1998, le régulateur américain, la SEC, adopte la Regulation ATS, qui autorise des réseaux de négociation électroniques à concurrencer les bourses traditionnelles. En 2001, les marchés américains passent des fractions aux cours décimaux par pas de 0,01 $, ce qui comprime les écarts de cours. Avec la Regulation NMS (2005), l’exécution électronique au meilleur prix devient la norme. C’est le coup d’envoi du trading à haute fréquence, où les sociétés se font concurrence à la microseconde.
Sources
2001Des agents logiciels battent les traders humains
Des chercheurs d’IBM montrent, dans des expériences contrôlées, que des agents logiciels adaptatifs surpassent les traders humains sur un marché aux enchères. L’idée de la « machine qui trade » acquiert un fondement scientifique.
Sources
6 mai 2010Le Flash Crash
Un gros ordre de vente automatisé sur des contrats à terme S&P 500 déclenche une réaction en chaîne entre algorithmes à haute fréquence. En 36 minutes environ, près de mille milliards de dollars de valeur boursière s’évaporent, avant d’être en grande partie récupérés. Les régulateurs introduisent ensuite des coupe-circuits plus stricts et des contrôles sur les algorithmes.
Sources
2011–2015Backtesting dans le cloud et open source
Des plateformes comme Quantopian et QuantConnect donnent aux programmeurs un accès, via le navigateur, aux données de marché historiques et à des environnements de test. Avec les bibliothèques open source d’apprentissage automatique, comme scikit-learn et TensorFlow de Google (2015), les particuliers peuvent désormais eux aussi construire leurs propres modèles.
Sources
- Quantopian (s’ouvre dans un nouvel onglet) Wikipedia
- scikit-learn (s’ouvre dans un nouvel onglet) scikit-learn.org
- TensorFlow (s’ouvre dans un nouvel onglet) tensorflow.org
2017–2020Transformers et données alternatives
En 2017, des chercheurs de Google introduisent l’architecture Transformer, qui bouleverse le traitement du langage. Les fonds utilisent de tels modèles pour analyser des « données alternatives », des images satellites de parkings et des mouvements de navires aux conférences de résultats et aux réseaux sociaux. JPMorgan déploie LOXM en 2017, un système auto-apprenant pour exécuter de gros ordres avec un impact de marché minimal, et en 2019 apparaît FinBERT, un modèle de langage conçu spécifiquement pour les textes financiers.
Sources
2023–2024IA générative et modèles de langage financiers
Après le lancement de ChatGPT, Bloomberg présente BloombergGPT, un modèle de langage à 50 milliards de paramètres entraîné sur des données financières. Les plateformes de trading intègrent des assistants IA, de sorte que même ceux qui ne savent pas programmer peuvent décrire une stratégie en langage courant et la faire tester.
Sources
2025–2026IA agentique
Le trading par IA évolue des modèles prédictifs vers des agents IA qui collaborent : un agent analyse les publications et l’actualité macroéconomique, un autre recherche des schémas techniques, un troisième surveille le risque du portefeuille. Des techniques autrefois réservées aux grandes institutions se rapprochent ainsi toujours plus des investisseurs particuliers. Les régulateurs suivent de près les conséquences pour la stabilité financière.
Sources
- The Financial Stability Implications of Artificial Intelligence (2024) (s’ouvre dans un nouvel onglet) Financial Stability Board
Les sources renvoient à des sites web externes. Vermeeren & Van Haute n’est pas responsable de leur contenu. Cette chronologie contient des informations générales et ne constitue pas un conseil en investissement.