Le machine learning en finance suscite autant de fantasmes que de malentendus. Cette leçon vise l'inverse : expliquer honnêtement ce qu'un modèle peut faire, et surtout ce qu'il ne pourra jamais faire.
Ce qu'un modèle fait réellement
Un modèle d'apprentissage automatique cherche des régularités statistiques entre des variables d'entrée (les « features » : momentum, volatilité, valorisation, volumes…) et un résultat observé (le rendement à N jours). Il n'a aucune compréhension de l'économie : il détecte des associations dans les données passées.
Pourquoi la finance est le pire terrain de jeu du ML
- Le rapport signal/bruit est catastrophique : la quasi-totalité des variations de prix est du bruit.
- Les données ne sont pas stationnaires : les régimes de marché changent, et ce qui marchait hier cesse de marcher.
- Le système est réflexif : si une stratégie fonctionne et se diffuse, son exploitation la détruit.
- Les données sont rares : quelques dizaines d'années d'historique seulement, là où d'autres domaines en ont des milliards d'exemples.
La promesse à fuir
Tout modèle annonçant une précision élevée de prédiction des cours est soit sur-appris, soit malhonnête. Un modèle honnête affiche un avantage FAIBLE mais statistiquement réel, et c'est déjà énorme, car c'est ce faible avantage, répété, qui construit la performance.
L'explicabilité : le vrai enjeu
Une prédiction sans explication est inutilisable : impossible de savoir si le modèle a saisi un mécanisme réel ou un artefact des données. Les valeurs SHAP permettent de mesurer la contribution de chaque facteur à une prédiction donnée, et donc de garder la main.
Le cas d'Earnnest
Le MSE produit un score ML [0–100] et affiche les 5 facteurs les plus influents (SHAP). Il ne prédit pas un cours : il affine un diagnostic factuel, agrégé avec le technique et le sentiment. Il ne dit jamais « achetez », parce qu'aucun modèle ne devrait le dire, et parce que l'app reste neutre et non personnalisée.
La bonne posture
Un modèle est un assistant, pas un oracle. Il traite plus de données que vous et sans émotion ; mais il ne comprend rien au monde, ignore ce qui n'est pas dans ses données, et se trompera. Utilisez-le pour éclairer une décision, jamais pour vous en dispenser.
À retenir
- ✓Le ML détecte des régularités statistiques, il ne comprend pas l'économie.
- ✓La finance est un terrain hostile : bruit massif, non-stationnarité, réflexivité, peu de données.
- ✓Méfiez-vous des fortes promesses de précision ; exigez de l'explicabilité (SHAP).