L’intégration de l’intelligence artificielle dans les marchés financiers, en particulier dans le trading intrajournalier, évolue rapidement. L’étude de Zhuokai Chen explore une approche novatrice en incorporant des modèles de langage de grande taille (LLM) dans un cadre de trading pour le Nasdaq 100. Cette stratégie innovante combine un système de rupture de volatilité avec une analyse du sentiment alimentée par l’IA, en utilisant l’API DeepSeek Chat pour améliorer les décisions de trading basées sur des événements macroéconomiques tels que les réunions du FOMC et les publications de l’IPC. Sur une période de sept ans de tests rétroactifs, la méthode améliorée par l’IA a obtenu des résultats impressionnants, notamment un rendement cumulé de près de 1 000 % et un ratio de Sharpe de 2,11. Malgré ces résultats prometteurs, la dépendance de l’étude aux tests rétroactifs présente des limites, car des facteurs réels comme le glissement et les retards de commande n’ont pas été pris en compte. De plus, la nature propriétaire du système de filtrage LLM soulève des préoccupations concernant la reproductibilité et le risque de dérive des sorties. Pour une adoption plus large, une validation supplémentaire, des tests en direct et une transparence accrue sont nécessaires. L’étude souligne le potentiel de l’IA pour affiner les stratégies de trading, mais suggère que des améliorations supplémentaires sont nécessaires avant une mise en œuvre à grande échelle.
Comment l’IA peut-elle révolutionner le trading intrajournalier avec des indicateurs économiques ?
