Les marchés ont toujours été le lieu où des règles croisent l’improvisation. Le spread est une règle. Un trader qui garde son sang-froid quand un gros vendeur surgit, c’est de l’improvisation. Pendant l’essentiel de la dernière décennie, la finance algorithmique a renforcé les règles et rogné l’improvisation.
Nous entrons désormais dans un autre régime. Quand des modèles qui apprennent au lieu d’exécuter un script cotent des deux côtés du marché, ils ne font pas que gagner en vitesse. Ils redéfinissent la nature de la liquidité, son comportement en stress, et qui fixe les conditions d’échange.
Des traders au clic au code, puis aux machines apprenantes
D’abord il y eut des humains avec des téléphones et des signes de main. Les carnets d’ordres s’épaississaient au bruit et au nerf. Puis sont venus l’automatisation à base de règles dans les moteurs de confrontation, les routeurs d’ordres intelligents, et les acteurs à haute fréquence co‑localisés auprès des bourses. Ces ensembles de règles ont amélioré les exécutions, réduit les erreurs et déplacé le prix marginal plus vite que n’importe quelle corbeille n’aurait pu l’imaginer.
Cette phase suivait une philosophie de conception limpide. On écrit le manuel à l’avance ; le code l’exécute à la lettre. Si X alors coter Y ; si Y alors couvrir Z. Parfois fragile, comme Knight Capital l’a appris en 2012, mais fondamentalement lisible. L’arbre logique se lisait et s’auditait.
Le market making piloté par l’IA change la nature de l’objet. Le système n’exécute pas seulement une règle ; il réécrit son propre manuel en réponse au flux. Il estime quelles ordres sont informés, quels lieux vont bouger, et quels hedges réduisent au moindre coût le risque d’inventaire. La boucle cœur du market maker devient un ensemble de prévisions et une politique apprise, pas une page de if‑else.
Ce n’est pas du battage jargonneux. Dans un marché à carnet d’ordres, la frontière entre prédire et coter est mince. Un modèle excellent pour prévoir les prochains mouvements de prix peut se placer d’un tick à l’intérieur du spread et capter du flux avec un avantage d’espérance. Une politique qui apprend quand retirer ses cotations avant un mouvement brusque peut survivre à la sélection adverse. Assemblez les deux et vous obtenez un faiseur de marché qui n’a plus le comportement des vieux scripts.
Les fondamentaux de microstructure qui comptent encore
On ne peut pas parler d’IA dans le spread sans revenir aux ingrédients d’un marché à cours limité. Le carnet central appaire ordres à cours limité et ordres au marché. Le spread compense les teneurs de marché pour le risque d’inventaire, les coûts d’exploitation, et le péril de traiter contre des contreparties mieux informées. Les frais maker‑taker ajustent l’incitation à la marge.
Le risque d’inventaire est réel. Un teneur de marché achète aux vendeurs et vend aux acheteurs, donc sa position nette déambule. Si un gros vendeur martèle les bids avant une dégradation, le teneur accumule du stock dans un marché baissier. S’il ne peut pas se couvrir rapidement, le spread capturé hier s’évapore en glissement.
La sélection adverse est l’impôt invisible. Un teneur qui cote lors d’un calme sans information ramasse des centimes ; celui qui se tient devant une vague informée perd des dollars. Les algorithmes classiques atténuent cela avec des règles fixes de décalage de quote et des plafonds de taille. L’IA déplace le centre de gravité vers l’estimation de qui est en face et de l’importance des prochaines microsecondes.
Les lieux et types d’ordres complexifient la carte. Internaliseurs de flux de détail, dark pools, midpoint pegs, sweepers et blocs conditionnels fragmentent le flux. Un teneur de marché à l’IA conscient des multi‑lieux peut répartir le risque à travers ces canaux avec plus de nuance que n’importe quelle règle unique. La microstructure continue de régir le jeu ; notre manière de la lire et d’y répondre change de langue.
Comment fonctionne concrètement un market maker dopé à l’IA
Beaucoup d’équipes convergent vers une architecture propre. D’abord, on construit des prévisionnistes à court horizon. Ils lisent l’état du carnet, les transactions récentes, les files d’attente par lieu et les signaux inter‑actifs. Puis on superpose une politique de cotation apprise qui transforme ces prévisions en prix, tailles et règles d’annulation sous contrainte d’inventaire. Enfin, on intègre une logique de couverture qui envoie les offsets sur futures, options ou noms corrélés pour garder l’exposition dans les limites de risque.
Les prévisionnistes peuvent aller des arbres boostés sur des features conçues jusqu’aux modèles séquentiels profonds entraînés sur des images de carnet complètes. Les meilleurs généralisent à travers instruments et régimes sans fondre en stress. Ils évitent de courir après des mirages quand le carnet est mince.
La couche de politique utilise souvent l’apprentissage par renforcement ou la programmation dynamique approchée. L’objectif n’est pas seulement « maximiser la capture de spread attendue ». C’est « maximiser l’utilité sous pénalités d’inventaire, probabilités de remplissage et coûts par lieu ». Une bonne politique apprend quand ne pas jouer. Si le modèle perçoit un saut probable, il élargit ou retire. S’il détecte un flux de détail peu informé sur un flux de grossiste, il resserre et augmente la taille.
La couverture est l’endroit où la sophistication se compose. Un teneur en actions single‑name peut se couvrir avec des futures sectoriels ou des options. Un teneur en crypto peut neutraliser le delta sur un perpétuel et la gamma avec des options sur un autre lieu. Si la politique incorpore coûts et latences de hedge, elle peut coter plus serré sur des instruments où l’offset est bon marché et rapide, et plus large là où les compensations sont lentes ou encombrées.
Là où l’IA fait déjà le marché
Vous ne verrez pas un panneau « le marché est désormais fait par l’IA ». Vous verrez ses empreintes. Les marchés d’options, obsédés par le contrôle d’inventaire sous asymétrie d’information, ont adopté tôt le décalage de cotation et la couverture cross‑strike pilotés par apprentissage. Les grossistes en actions qui internalisent le flux de détail utilisent des classifieurs prédictifs pour séparer flux bénin et flux risqué, puis ajustent les prix à l’échelle. En crypto, les automated market makers ont transformé la liquidité en code, et certains pools utilisent déjà des signaux externes pour ajuster dynamiquement leurs paramètres.
La finance décentralisée pousse le cas à l’extrême. Les AMM à produit constant comme Uniswap gagnaient des frais par disponibilité permanente ; ils ne savaient rien de la direction. La liquidité concentrée a introduit un choix actif sur l’endroit où se placer dans la fourchette de prix. L’étape suivante apporte des signaux au pool. Si un coffre peut prédire la volatilité, il déplace ses bandes de liquidité ; s’il anticipe des sauts, il réduit l’exposition avant l’impact. C’est du market making par politique, même sur une place sans permission.
Les lieux à carnet centralisé ont bougé eux aussi. Les crypto‑bourses publient des flux de carnet de plus en plus riches ; des firmes les injectent dans des modèles qui apprennent à travers paires. Les teneurs FX ajoutent des features de comportement client pour informer ce qu’ils affichent en prix streamés. Les teneurs en actions scorent chaque ordre entrant avec une probabilité d’être informé, puis décident où montrer de la taille et où router le reste.
Nous ne sommes pas dans un monde monolithique où « l’IA fixe chaque prix ». Nous sommes dans une mosaïque où des modèles apprenants influencent une grande fraction des cotations, annulations et couvertures, surtout sur instruments liquides. La frontière se déplace sans cesse.
Pourquoi cela change la texture de la liquidité
La liquidité n’est pas une piscine statique. C’est un ensemble de promesses conditionnelles qui peuvent être retirées. Quand la politique apprend à se retirer plus vite, les carnets s’amincissent en stress. Quand elle apprend à se resserrer face à un flux bénin, l’exécution devient moins chère en périodes calmes. La moyenne s’améliore tandis que les queues deviennent plus étranges.
L’ancienne idée de « mirage de liquidité » devient algorithmique. Un carnet qui paraît profond peut s’évanouir en une milliseconde si les modèles s’accordent sur un saut imminent. À l’inverse, des carnets peuvent sembler anémiques et pourtant remplir si les modèles jugent la sélection adverse faible et s’avancent agressivement une fois l’impression passée. La profondeur visible ne raconte plus l’histoire ; la conditionnalité de la politique, si.
Il y a aussi un effet cross‑asset. Un teneur avec une vue globale prix l’ETF, le future, le swap et les single names comme un seul problème d’inventaire. Un choc sur une jambe se propage à l’ensemble via mises à jour de politique. Le marché ressemble de plus en plus à un réseau d’apprenants couplés qu’à des carnets indépendants.
Pour être concret, comparons les objectifs de conception.
| Capacité | Market maker HFT à base de règles | Market maker piloté par l’IA |
|---|---|---|
| Placement des cotations | Heuristiques fixes, avantage de latence | Appris à partir des prévisions et des issues de remplissage |
| Contrôle d’inventaire | Seuils durs et décroissance temporelle | Pénalités d’utilité avec couverture adaptative |
| Sélection adverse | Filtres simples, réglage manuel | Classifieurs du flux informé, retrait dynamique des cotations |
| Sélection de lieu | Barèmes de coûts et préférences statiques | Routage contextuel conditionné par remplissage et toxicité |
| Changements de régime | Recalibrage manuel post‑événement | Adaptation en ligne avec garde‑fous |
Un spread plus serré et plus intelligent est une bonne nouvelle pour l’investisseur final en temps normal. La question est ce qu’il advient dans les extrêmes, quand tous les modèles voient la même falaise.
Modes de défaillance et garde-fous
Quand des systèmes apprenants rencontrent des marchés réflexifs, les boucles de rétroaction gagnent des dents. Un prédicteur qui « voit » un saut va retirer ses cotations ; assez de retraits créent le saut. Un modèle de risque qui réduit l’exposition pendant un repli accélère le repli. Rien de tout cela n’est nouveau, mais la compression du temps et l’uniformité des comportements appris aiguisent les problèmes de coordination.
Il subsiste aussi des risques logiciels à l’ancienne, aux conséquences nouvelles. Les pipelines de déploiement poussent des modèles en production ; un bug peut se propager à des centaines de symboles en quelques secondes. Une feature obsolète peut corrompre les prédictions live. Des kill‑switches et des coupe‑circuits empêchent les pires issues, mais la distribution des pertes s’épaissit quand même dans la queue gauche.
Les risques de collusion ne disparaissent pas faute de salle enfumée. Si des modèles largement utilisés apprennent des politiques semblables à partir de données semblables, les prix peuvent converger vers une coordination de facto sans intention. Cela peut ressembler à un élargissement du spread sous certains motifs ou à des retraits de cotations étrangement synchronisés.
Le remède est technique et procédural. Les firmes utilisent la diversité d’ensembles, du hasard explicite dans les politiques et des jeux de features orthogonaux pour réduire le mimétisme. Elles mènent des stress tests adversariaux dans des simulateurs réalistes. Elles gardent des traders humains dans la boucle lors des changements de régime. Les meilleures conçoivent des modes de dégradation gracieux qui retombent sur une cotation simple et conservatrice quand les entrées deviennent bizarres.
Les régulateurs entrent dans la conversation
Les autorités publiques se soucient de deux choses : l’équité et la résilience. Le paiement pour le flux d’ordres, l’internalisation par les grossistes et les règles de meilleure exécution se croisent toutes avec la cotation pilotée par l’IA. Si un classifieur note les ordres de détail comme peu toxiques et paie systématiquement moins, est‑ce équitable si la qualité d’exécution reste élevée ; si l’effet systémique est un spread plus large sur les lieux lit, est‑ce acceptable.
La transparence est le deuxième axe. Des règles traditionnelles s’inspectent ex ante ; des politiques apprises sont opaques ex post. L’auditabilité doit passer de « montrez‑moi le code » à « montrez‑moi la preuve ». Cela signifie de la télémétrie sur les choix de politique, la provenance des features et les distributions d’issues. Cela implique aussi une gouvernance des modèles qui enregistre pourquoi et quand les principales mises à jour de politique ont été promues.
Les pare‑feux de marché doivent suivre. Les coupe‑circuits au niveau des bourses ont réduit les cascades de krach. L’étape d’après, ce sont des régulations plus fines des tempêtes d’annulations et une coordination inter‑lieux en stress. La surveillance a besoin de modèles capables de détecter des motifs de coordination émergents sans générer de faux positifs à chaque déploiement d’une architecture populaire.
Les régulateurs n’ont pas besoin d’interdire l’apprentissage dans le spread. Ils doivent exiger de la discipline dans le déploiement, le monitoring et la divulgation. L’objectif est un marché qui profite d’une liquidité intelligente sans en devenir l’otage.
Ce que cela implique pour émetteurs et investisseurs
Si vous êtes un émetteur, votre coût du capital se moque du mécanisme minute par minute ; il se soucie de spreads et de profondeurs persistants. Les teneurs de marché à l’IA ont tendance à comprimer les spreads sur les noms liquides et à assécher les illiquides. Les mid‑caps à la frontière peuvent voir une variabilité quotidienne plus vive, les modèles se retirant sur mauvaise nouvelle et sur‑réagissant sur bonne.
Les rachats et les programmes d’émission au fil de l’eau ajoutent un rythme au flux d’ordres que des modèles peuvent apprendre. Si votre trésorerie exécute avec des schémas prévisibles, des teneurs malins les pricent. La randomisation et la diversité des contreparties deviennent des éléments de la finance d’entreprise.
Si vous êtes un gérant d’actifs, votre tâche passe de « battre les algos » à collaborer avec un système qui vous anticipe. La qualité d’exécution dépend moins des frais affichés que du façonnage du flux. Tailles des tranches, choix de lieux et fenêtres de timing alimentent le classifieur de quelqu’un d’autre. Savoir ce que vous révélez peut compter autant que savoir ce que vous voulez.
Vérifiez la discipline réelle de votre portefeuille. Le marché lit votre empreinte.
Un cadre pratique pour traders et gérants
Vous n’avez pas besoin d’un labo RL interne pour vous adapter. Il vous faut une cartographie claire de votre exécution, des lieux que vous touchez et des retours que vos ordres génèrent.
Commencez par la télémétrie. Mesurez‑vous l’impact à court horizon, pas seulement le slippage versus VWAP ; pouvez‑vous étiqueter les fills par lieu, contrepartie, type d’ordre et tranche horaire, puis segmenter par régime de volatilité. Si ce n’est pas le cas, vos contreparties ont une image plus nette de vous que vous n’en avez vous‑même.
Ensuite, concevez votre exécution comme un ensemble d’hypothèses. Si vous réduisez de 20 percent la taille des child orders à l’ouverture, le score de toxicité baisse‑t‑il assez pour compenser des frais supplémentaires ; si vous ajoutez un dark‑first sweep en volatilité élevée, votre qualité de remplissage s’améliore‑t‑elle ou donnez‑vous de l’optionalité à autrui.
Vous avez aussi besoin de manuels explicites pour le stress. Quand la liquidité s’amincit, ralentissez‑vous, traversez‑vous le spread de façon préemptive, ou basculez‑vous en passif seulement. La réponse doit être liée à des seuils empiriques plutôt qu’au feeling. Elle doit aussi être revue chaque trimestre, car l’autre côté apprend lui aussi.
Voici une checklist concise pour opérationnaliser ce virage.
- Mesurer: capturer features et issues par ordre à la résolution milliseconde.
- Segmenter: analyser par lieu, type d’ordre, heure de la journée et tranche de volatilité.
- Formuler des hypothèses: rédiger des changements testables de découpage, de routage et de timing.
- Expérimenter: conduire des A/B tests contrôlés avec garde‑fous.
- Plan de stress: définir des recours pour trous de liquidité et tempêtes d’annulations.
- Revoir: mettre à jour trimestriellement manuels et mandats de brokers.
Faites un audit d’exécution de cinq minutes avec vos 100 dernières ordres. L’écart entre ce que vous pensez se produire et ce que le marché fait réellement est souvent l’alpha le moins cher que vous trouverez.
La prochaine phase : des marchés comme systèmes apprenants
Si l’IA poursuit sa progression discrète à l’intérieur du spread, le marché ressemble moins à une horloge mécanique qu’à un modèle vivant. Les prix agrègent toujours l’information, mais l’agrégateur a des préférences et une mémoire. L’écologie compte. La diversité des politiques rend le système robuste ; les monocultures le rendent fragile.
De nouvelles spécialisations peuvent apparaître. Certains teneurs excelleront à récolter le flux bénin avec peu de capital ; d’autres se spécialiseront pour attraper les couteaux en stress avec des bilans profonds et des modèles conservateurs. Les bourses pourraient « productiser » des fonctions qui offrent aux politiques apprenantes une meilleure observabilité sans compromettre l’équité. Les dark pools pourraient se différencier par la transparence de leur politique.
Côté buy side, l’intention de portefeuille pourrait être exprimée directement auprès de fournisseurs de liquidité capables de s’engager sur des résultats sous SLA pilotés par modèles. Le mur entre « stratégie » et « exécution » s’amincit quand la même pile de prédiction alimente les deux. Les gérants qui prospéreront seront ceux qui acceptent que le marché n’est pas une surface passive ; c’est une contrepartie adaptative.
Rien de tout cela ne garantit des marchés plus lisses. Mais cela offre une voie vers une liquidité quotidienne moins chère et moins de petites frictions, au prix de trous de liquidité plus rares mais plus spectaculaires. La tâche des praticiens comme des autorités est de conserver les gains tout en limitant les queues.
À lire également
- The Discipline of Execution: Why Your Slippage Isn’t Random — https://axplusb.media/discipline-of-execution
- Inside the Spread: A Field Guide to Market Microstructure — https://axplusb.media/inside-the-spread
- Crypto Liquidity After the Hype: From AMMs to Intent-Based Trading — https://axplusb.media/crypto-liquidity-intents