Récemment, la puissance de calcul a explosé, et les modèles de raisonnement commencent à s’infiltrer dans divers secteurs, mettant de nombreux emplois sous pression. Le monde du trading quantitatif a également perçu cette opportunité, mais fait face à des défis — les marchés boursiers, à terme, et les cryptomonnaies manquent de standards de trading unifiés. Même si les algorithmes sont incroyables et la puissance de calcul impressionnante, il est très difficile de surmonter ce problème fondamental. Cela augmente directement le seuil d’entrée pour l’IA dans le domaine quantitatif.

Cela soulève une question centrale : la véritable nature de l’entrée des grands modèles dans l’apprentissage par renforcement est en réalité une imitation comportementale. Mais l’imitation nécessite une référence — soit une norme claire, soit un échantillon reproductible. Sans ce point d’ancrage, l’apprentissage par renforcement revient à tâtonner à l’aveugle, sans aucune direction. Heureusement, la plupart des domaines disposent de standards et d’échantillons existants. Prenons l’exemple des modèles linguistiques : nous pouvons définir diverses règles et possibilités d’expression en chinois, permettant au modèle d’apprendre à comprendre la logique contextuelle, voire à assimiler des habitudes d’expression personnelles. C’est pourquoi le potentiel des grands modèles dans tous les secteurs est si grand.

Mais le trading quantitatif est différent. Le problème dans ce domaine est précisément l’absence de modèles ou de standards universels. Il faut alors poser une question cruciale : le grand modèle doit-il imiter le marché ou un trader en particulier ? De toute évidence, le mouvement du marché lui-même n’a pas de norme définie. L’histoire ne se répète pas entièrement, et ne se reproduira pas à l’identique à l’avenir. Cela signifie que tenter de reproduire le mouvement du marché par apprentissage par renforcement est en réalité une voie sans issue. Cela explique aussi pourquoi certains pensent naïvement qu’en insérant les graphiques en chandeliers de quelques actions à succès dans un grand modèle, celui-ci pourra apprendre à reconnaître ces figures et à reproduire automatiquement des tendances similaires sur le marché — une idée qui était vouée à l’échec dès le départ.