Crypto : les modèles statistiques simples battent l'apprentissage profond

Trois jeunes diplômés ont mis à l'épreuve une idée reçue tenace dans la finance quantitative : plus un modèle est complexe, meilleur il est. Leur test, mené sur des données de trading de cryptomonnaies, oppose un réseau de neurones profond à des modèles statistiques classiques, du type moyenne mobile ou régression. Résultat : les modèles simples ont produit des signaux plus stables, moins sensibles aux soubresauts du marché. Le deep learning, lui, a brillé sur les données d'entraînement avant de déraper en conditions réelles.

L'expérience rappelle une réalité que connaissent bien les traders : le marché des cryptos reste jeune, volatil, et truffé de bruit. Un modèle trop fin finit par apprendre ce bruit plutôt que la tendance de fond. C'est le sur-apprentissage, ou overfitting. Les auteurs ont testé leurs algorithmes sur des paires comme BTC/USDT, avec des frais de transaction et des glissements de prix. Les modèles simples, moins gourmands en données, ont mieux résisté aux changements de régime.

Pour les acteurs du secteur, ce résultat tombe à pic. Les plateformes d'échange et les fonds crypto investissent des sommes considérables dans l'intelligence artificielle. Mais si un modèle linéaire fait aussi bien, voire mieux, pourquoi payer pour des infrastructures de calcul coûteuses ? La question vaut aussi pour les fintechs qui utilisent le machine learning pour évaluer les risques ou détecter les fraudes. La simplicité a un coût moindre et un avantage : elle s'explique.

Reste que l'étude porte sur un seul type de marché, avec ses spécificités. Les cryptos ne se comportent pas comme les actions ou les devises classiques. Un modèle simple peut gagner sur ce terrain sans être une recette universelle. L'enseignement principal n'est pas que le deep learning est inutile, mais qu'il ne dispense pas de comprendre les données. Avant d'empiler les couches de neurones, encore faut-il savoir ce qu'on cherche à prédire.