Pourquoi le marché se tourne vers la détection de flux toxiques pilotée par l’IA — et pourquoi personne n’est encore tout à fait arrivé

Parlez à suffisamment de courtiers lors d’événements du secteur et un sujet revient sans cesse : quelques comptes drainent discrètement le carnet, et personne n’est vraiment sûr de la façon de l’arrêter sans également agacer les bons clients. L’industrie appelle cela le « flux toxique » — des ordres qui, quelle que soit l’intention du trader, ont tendance à évoluer contre le courtier dans les secondes et minutes qui suivent l’exécution. C’est un problème ancien. Ce qui est plus récent, c’est la fréquence à laquelle « IA » apparaît comme réponse dans ces conversations — même si, en pratique, presque personne ne dispose encore d’un outil mature et éprouvé en production.

Pendant la majeure partie des deux dernières décennies, la réponse privilégiée a été un livret de règles : signaler les transactions au-dessus d’une certaine taille, élargir les spreads avant les nouvelles, limiter l’exposition sur les comptes détenant des positions pendant un temps suspectement court. Ces règles ne sont pas mauvaises, et la plupart des desks s’y appuient fortement. Mais elles partagent une faiblesse — une règle ne capture que le schéma pour lequel elle a été écrite, et les traders qui posent problème sont généralement ceux qui remarquent le plus rapidement la règle et s’ajustent en conséquence.

Pourquoi les seuils statiques perdent du terrain

De nombreux modèles de flux toxiques bien connus — arbitrage de latence, spoofing, exploitation de cotations obsolètes sur plusieurs plateformes — sont largement documentés dans l’industrie, et les traders ont tendance à lire le même matériel que les courtiers. Signalez tout ce qui est détenu moins d’une seconde, et les traders commencent à le détenir pendant 1,2 s. Élargissez les spreads 30 secondes avant une grande nouvelle, et la transaction se produit à 45 s. La règle ne devient pas plus intelligente — le trader le fait. Il convient de noter que même les plus grands fournisseurs de plateformes évoluent encore principalement dans cet espace plutôt que dans celui de l’IA : le nouveau moteur d’appariement MT5 de MetaQuotes est livré avec des tableaux de bord de surveillance intégrés au terminal du gestionnaire, permettant aux courtiers de voir le flux d’ordres toxiques et l’exposition A‑book/B‑book en temps réel — réellement utile, mais il s’agit toujours de visibilité et de tableaux de bord plutôt que de modélisation prédictive.

Il y a aussi une question plus subtile : un seuil fixe traite chaque compte de la même manière, ce qui n’est pas vraiment la façon dont le risque fonctionne en pratique. LiquidityFinder propose une bonne analyse de la façon dont les courtiers perçoivent réellement le flux toxique, et un point mérite d’être souligné — la toxicité est relative à l’activité, pas à une propriété fixe d’une transaction. Ce qui représente une simple erreur d’arrondi dans le carnet d’un courtier peut être un vrai problème pour un autre, selon les coûts de couverture, la composition des clients, la part du A‑book versus le B‑book. Une règle statique unique ne peut pas réellement contenir deux définitions différentes de « acceptable » simultanément. C’est cet écart que l’industrie continue de souligner lorsqu’elle parle d’IA — un modèle entraîné sur les propres données d’exécution d’un courtier pourrait, en théorie, s’en approcher beaucoup davantage.

Ce que « piloté par l’IA » signifierait réellement ici

Il convient d’être précis à ce sujet, car le terme « IA » est aujourd’hui rattaché à à peu près tout ce qui possède un tableau de bord, et la plupart des offres commercialisées sous ce label restent assez proches des règles avec des étapes supplémentaires. La version qui aurait réellement de l’importance est le passage des seuils statiques à des modèles qui apprennent des markouts — le mouvement des prix dans les instants qui suivent immédiatement la clôture d’une transaction — en prenant en compte beaucoup plus de variables qu’il ne serait raisonnable d’encoder manuellement : taille de l’ordre par rapport à l’historique du compte, timing par rapport à la volatilité, corrélation avec le comportement d’autres comptes, ainsi qu’un certain nombre de signaux plus petits qui, pris isolément, ne signifient presque rien mais qui, ensemble, forment un schéma.

Des recherches préliminaires s’orientent dans cette direction, bien qu’il faille préciser à quel point elles sont précoces. Un article de 2023 sur la prédiction de toxicité en temps réel à l’aide de réseaux neuronaux bayésiens, testé sur des données de transactions FX en direct, a montré qu’un modèle entraîné séquentiellement surpassait la régression logistique, les forêts aléatoires et les estimateurs de maximum de vraisemblance standards pour prédire si une transaction deviendrait toxique — suffisamment rapidement, en principe, pour alimenter une décision d’internalisation ou d’externalisation en temps réel. C’est un résultat significatif dans un contexte académique. C’est tout à fait différent d’un courtier qui exécute cela de manière fiable en production sur le flux en direct, avec tout le réglage des faux positifs et la gestion des données que cela implique — et, à ma connaissance, très peu d’entreprises en sont réellement.

Pourquoi cela est plus difficile que ne le suggèrent les présentations commerciales

Rien de tout cela n’élimine la tension fondamentale. Chaque système de détection, qu’il s’agisse de règles ou de modèles, doit se situer quelque part sur la ligne entre la capture du flux réellement toxique et le signalement de clients légitimes qui, par hasard, négocient de manière inhabituelle. Finance Magnates propose un bon article sur la façon dont les courtiers identifient les clients toxiques, et cela soulève un point valable — signaler trop agressivement et les courtiers finissent par élargir les spreads ou réduire le crédit sur des personnes qui n’ont jamais posé problème, et ces clients ne restent généralement pas longtemps après cela.

Un modèle ne supprime pas ce compromis, il en modifie simplement la forme — en théorie, il permet à un courtier de tracer la ligne avec beaucoup plus de précision que « au‑delà de X lots » ou « en dessous de Y millisecondes détenues ». Mais cela ne tient que si le modèle est réellement bien ajusté, ce qui nécessite un volume de données historiques propres et étiquetées que de nombreux courtiers de taille moyenne ne possèdent pas encore, ainsi qu’une recalibration continue que peu d’équipes de risque sont actuellement en mesure d’assurer. Un modèle mal entraîné classera à tort aussi sûrement qu’une règle obsolète — il semblera simplement plus précis tout en le faisant, ce qui, on peut soutenir, le rend plus dangereux à croire aveuglément.

Où cela se dirige probablement

Les causes sous-jacentes du flux toxique — le trading institutionnel informé, le HFT qui exploite les écarts de prix, les grosses ordres agressifs autour des actualités — n’ont pas vraiment changé depuis une décennie. Ce qui a changé, c’est la quantité de données d’exécution historiques dont disposent désormais les desks établis, ce qui explique en grande partie pourquoi la détection basée sur des modèles est aujourd’hui sérieusement envisagée, alors qu’il y a cinq ans, la plupart des courtiers ne disposaient tout simplement pas de suffisamment de données propres pour que cela en vaille la peine.

Je m’attends à ce que l’adoption soit plus lente et plus désordonnée que ne le laisse entendre la vague actuelle de marketing de l’IA. Les systèmes basés sur des règles ne disparaîtront pas — ils sont bon marché, faciles à expliquer à une équipe de conformité, et ils continuent à détecter correctement les cas évidents. La voie la plus réaliste est une configuration en couches sur les prochaines années : des règles rapides et explicables pour les cas clairs, avec un scoring basé sur des modèles qui prendra progressivement en charge la zone grise beaucoup plus vaste entre les deux, une fois que les courtiers et les fournisseurs auront réellement fourni le travail nécessaire pour le rendre fiable plutôt que simplement commercialisable. Chez Brokerpilot, cette zone grise est exactement ce que nous surveillons de près alors que nous réfléchissons à la direction que les outils de gestion du risque doivent prendre.