L’intelligence en essaim offre une vision plus claire des marchés des cryptomonnaies

L’IA explicable peut-elle améliorer les prévisions des marchés des cryptomonnaies ?

Un système de prévision des cours des cryptomonnaies peut réduire ses erreurs sans pour autant prédire de manière fiable si les prix vont monter ou baisser. Cette distinction passe facilement inaperçue, mais elle sépare un outil de recherche prometteur d’une stratégie de trading dont l’efficacité est démontrée.

Une nouvelle étude dont la publication dans Applied Soft Computing a été acceptée examine cet écart au moyen d’un système qui associe l’intelligence en essaim à des règles statistiques interprétables.¹ Au lieu de considérer les marchés des cryptomonnaies comme un flux continu de cours, les chercheurs apprennent à leur modèle à reconnaître différents états du marché et à estimer les transitions entre ces états.

Les résultats indiquent une piste prometteuse pour l’IA appliquée à la finance : produire des prévisions que l’on peut examiner et remettre en question. Ils montrent aussi pourquoi la transparence, la précision statistique et la rentabilité des investissements doivent être évaluées séparément.

Comment l’intelligence en essaim apprend à reconnaître les états des marchés des cryptomonnaies

Le système associe l’optimisation par essaim particulaire, ou PSO, à la prévision markovienne. Malgré la terminologie, son principe de fonctionnement est accessible.

Tout d’abord, le modèle répartit les rendements quotidiens en états correspondant à différents résultats du marché. Il peut ainsi distinguer de faibles pertes, des variations relativement neutres et des gains. La position de ces frontières est importante : une classification inadaptée peut masquer des tendances utiles ou en faire apparaître de trompeuses.

La PSO recherche de meilleures frontières. Plusieurs solutions candidates évoluent dans un espace de recherche mathématique et ajustent leur position à partir des informations tirées de leurs résultats précédents et de ceux des autres candidates. Le processus ressemble à un groupe qui partage des indices à la recherche d’un emplacement prometteur.

Un modèle de Markov estime ensuite les probabilités de transition entre les états. Il cherche à déterminer ce qui s’est généralement produit après des conditions récentes similaires, plutôt qu’à expliquer chaque mouvement de cours.

Les chercheurs tiennent également compte des régimes de marché pour modéliser ces relations, notamment des différents contextes de volatilité et de tendance. Une transition observée sur un marché calme n’a pas nécessairement la même signification en période de turbulences.

L’innovation centrale réside donc dans la manière dont le système apprend le vocabulaire du marché. La définition des états fait partie du problème de prévision, au lieu de reposer sur des catégories fixes établies avant le début des prévisions.

Ce que l’étude sur la prévision des marchés des cryptomonnaies a réellement révélé

Bitcoin (BTC ), Ethereum (ETH ), Litecoin (LTC ), et XRP, du 1er janvier 2018 au 22 avril 2026. Une comparaison glissante distincte évalue Bitcoin, Ethereum et BNB par rapport à une marche aléatoire, au modèle statistique classique ARIMA et au modèle d’apprentissage automatique XGBoost.

Il s’agit d’analyses complémentaires portant sur des actifs différents. La comparaison glissante fait état, au total, de 270 prévisions hors échantillon ; il ne faut donc pas confondre la longue période couverte par les données historiques avec des milliers de prévisions évaluées indépendamment.

La RMSE, ou racine de l’erreur quadratique moyenne, pénalise davantage les erreurs de prévision les plus importantes. La MAE, ou erreur absolue moyenne, mesure l’ampleur moyenne des erreurs sans cette pondération supplémentaire. Toutes deux portent sur les prévisions de rendement, et non sur les profits de trading.

Le système proposé affiche la RMSE la plus faible, mais son avantage sur ARIMA est mince. ARIMA obtient une MAE légèrement meilleure, et les tests statistiques formels ne permettent pas d’établir de différence entre les pertes prédictives des deux modèles.

Les prévisions directionnelles sont moins convaincantes. Le système proposé identifie correctement la direction dans 48,89 % des cas, un résultat statistiquement indiscernable du seuil de référence de 50 %. Aucun des modèles testés ne présente une précision directionnelle statistiquement supérieure à ce seuil.

Le calibrage des probabilités constitue une autre limite. Un modèle bien calibré qui attribue une probabilité de 70 % à un résultat devrait observer ce résultat dans environ 70 % des cas, parmi des prévisions comparables. ARIMA et XGBoost obtiennent de meilleurs résultats selon les mesures globales de calibrage présentées.

Pourquoi réduire les erreurs de prévision ne garantit pas des profits en trading

Un modèle peut rester assez proche des rendements réels tout en se trompant régulièrement sur leur direction. Lorsque de nombreux mouvements quotidiens sont faibles, des prévisions regroupées autour de zéro peuvent limiter les erreurs sans pour autant repérer des opérations intéressantes.

La rentabilité dépend d’autres facteurs. Les gains varient selon la taille des positions gagnantes et perdantes, les prix d’exécution, les frais, les écarts de cours et la fréquence des transactions de la stratégie. Un taux élevé de prévisions directionnelles correctes peut tout de même entraîner des pertes, tandis qu’un taux plus faible peut parfois être rentable si les gains dépassent les pertes.

L’article ne présente pas de simulation de trading ajustée en fonction des coûts de transaction. Ses résultats justifient de poursuivre les recherches sur la prévision et la surveillance, mais ne démontrent pas l’existence d’un avantage d’investissement exploitable.

Cette distinction complète la récente analyse de Securities.io sur les risques cachés liés au trading de contrats à terme sur cryptoactifs. Estimer un rendement et déterminer si une position peut être négociée sans risque sont deux tâches liées, mais distinctes.

L’explicabilité crée une autre forme de valeur

Le modèle proposé rend visibles les règles de transition et les observations historiques qui les étayent. Cela pourrait aider un analyste à déterminer si un schéma apparent repose sur des données solides ou sur un petit nombre d’épisodes atypiques.

Par exemple, un tableau de bord de recherche pourrait signaler, pour examen manuel, une règle de transition étayée par peu de données. Il s’agit d’une application possible, et non d’un résultat démontré par l’étude.

La transparence facilite aussi l’analyse des échecs. Les analystes peuvent vérifier si les frontières entre les états sont devenues inadaptées, si un régime a changé ou si une transition autrefois fréquente a cessé de se produire. Cette valeur diagnostique mérite d’être évaluée au même titre que les performances prédictives.

La mémoire des marchés des cryptoactifs évolue selon les conditions

Dans l’analyse principale portant sur quatre actifs, tous les actifs retiennent une dépendance de premier ordre. Concrètement, l’état le plus récent fournit le contexte de transition retenu. Des séquences plus longues n’améliorent pas automatiquement les prévisions.

Cela ne signifie pas que les informations plus anciennes ne sont jamais utiles. Les observations historiques restent nécessaires pour estimer les relations. Cela signifie qu’ajouter davantage d’états consécutifs à une règle de prévision peut fragmenter les données disponibles.

Plus le nombre de séquences possibles augmente, moins chacune d’elles peut compter d’exemples. Les changements de régime compliquent encore la situation, car les relations apprises dans un ensemble de conditions peuvent s’affaiblir dans un autre.

Cette conclusion dépasse le cadre des cryptomonnaies : la complexité doit faire ses preuves par des tests. Une mémoire plus longue ou une architecture plus élaborée n’est utile que si les informations supplémentaires qu’elle apporte compensent l’incertitude accrue.

La qualité des données compte également. L’analyse de Securities.io sur le wash trading et la volatilité des marchés montre pourquoi l’activité apparente doit être examinée avec attention. Ajouter des indicateurs de volume ou de liquidité à de futurs modèles apporterait de nouvelles informations, mais imposerait aussi de nouvelles exigences en matière de validation des données.

Ce que les investisseurs devraient exiger de l’IA financière

La prochaine étape consiste à renforcer la validation sur un plus grand nombre d’actifs, de conditions de marché et de méthodes concurrentes. Les auteurs citent l’élargissement des référentiels de comparaison, l’amélioration du calibrage, la répétition des optimisations et l’évaluation économique parmi les axes de recherche à approfondir.

Les investisseurs qui évaluent des outils comparables peuvent se poser trois questions :

• Les performances se maintiennent-elles sur des données inédites, face à des solutions de rechange plus simples et crédibles ?
• Les probabilités annoncées correspondent-elles aux résultats observés ?
• Un éventuel avantage de trading subsiste-t-il après prise en compte de coûts d’exécution réalistes ?

Distinguer ces questions évite qu’un résultat solide selon un critère ne donne lieu à une affirmation non étayée selon un autre. Cela permet aussi aux développeurs de viser des améliorations plus précises.

Coinbase associe l’analyse des cryptoactifs à l’infrastructure de marché

Pour les investisseurs qui s’intéressent à l’infrastructure nécessaire à des marchés des cryptoactifs plus sophistiqués, Coinbase est une société cotée pertinente à examiner. Sa plateforme institutionnelle regroupe des services d’exécution, de conservation, de financement et d’autres services au sein de Coinbase Prime.

Le lien dépasse le cadre de cette méthode de prévision particulière. Les institutions ont besoin de données fiables, de contrôles opérationnels et d’une infrastructure d’exécution pour transformer la recherche en processus opérationnels exploitables. Des modèles explicables pourraient compléter ces systèmes si des tests ultérieurs en démontrent l’utilité pratique.

Coinbase publie également des analyses de marché. Son rapport du 7 octobre, les perspectives de Charting Crypto, examine les conditions sur la chaîne, la valorisation et la liquidité, illustrant l’étendue des informations disponibles au-delà des transitions historiques de rendement.

L’étude ne démontre pas que Coinbase utilise cette architecture ni qu’elle tirerait un avantage financier de son adoption. Les actions Coinbase comportent également des risques liés à l’activité de l’entreprise, à la concurrence, à la réglementation et aux marchés des cryptoactifs. La question pertinente pour les investisseurs est de savoir si son infrastructure peut répondre à une demande soutenue de la clientèle, et non si un modèle de prévision donné réussit.

Dernières actualités et nouveautés de Coinbase (COIN)

Vers un avenir où les prévisions sur les cryptoactifs seront plus faciles à évaluer

L’apport de l’étude réside dans un processus de prévision vérifiable, dont les performances en matière d’erreur de prévision des rendements sont compétitives. Ses limites sont tout aussi instructives : les prédictions directionnelles restent proches du hasard, le calibrage doit être amélioré et la rentabilité n’a pas été testée.

Les progrès peuvent passer par une IA financière plus facile à remettre en question. Lorsque les utilisateurs peuvent examiner les règles, comprendre les éléments probants à l’appui et distinguer les performances statistiques de la valeur économique, ils disposent de meilleures bases pour décider de la place d’un modèle dans un processus d’investissement.

Références :

¹ do Nascimento, K. K. F., et dos Santos, F. S. (2026). Un système intelligent de prévision par chaînes de Markov, optimisé par PSO, pour la dynamique des cryptomonnaies dépendante des régimes. Applied Soft Computing. Publication en ligne anticipée. https://doi.org/10.1016/j.asoc.2026.116666