AI Investir sur les marchés actions et crypto : résultats et limites

Résumé

Cette étude passe en revue les applications de AI aux actions, aux ETF, aux marchés centralisés de cryptomonnaies, aux contrats à terme perpétuels et aux activités on-chain. Elle décrit le parcours vers des rendements d’investissement comme une succession d’étapes : des données disponibles à la date considérée doivent permettre de produire un signal fiable, des positions réalisables, des ordres exécutables et une performance ajustée du risque positive après coûts. Les approches étudiées comprennent l’apprentissage automatique, les modèles de séries temporelles et de langage, l’apprentissage par renforcement et les agents automatisés. Les progrès rapportés sont les plus marqués en prévision, analyse de texte, conception de portefeuille et processus de recherche.

L’étude relève moins de preuves publiques de rentabilité nette durable. Les résultats historiques peuvent être fragilisés par les fuites de données, la sélection répétée de stratégies, les biais de survivance, les comparaisons inadéquates, les coûts de trading, les contraintes des plateformes et une capacité limitée. Elle relève aussi le déclin des prédicteurs, la correction d’erreurs d’anticipation, des résultats prospectifs mitigés et le peu de preuves auditées en capital réel. Les cryptomonnaies nécessitent une analyse propre à chaque marché, car le comptant, les contrats perpétuels et les marchés décentralisés présentent des flux de trésorerie et des conditions d’exécution différents. L’étude ne relève aucune approche AI dont l’alpha net persiste selon les régimes et les niveaux de capacité. Une meilleure évaluation nécessite des données disponibles à la date considérée, des objectifs liés aux décisions de trading, des tests conjoints du portefeuille et de l’exécution, une adaptation contrôlée, une évaluation prospective et une gouvernance appropriée ; ces pratiques améliorent la qualité des preuves, sans garantir de rendement.

Idées clés

• Les capacités de AI ont davantage progressé en prévision et en soutien aux processus de recherche qu’en rentabilité durable démontrée.
• Un signal d’investissement exploitable doit résister à chaque étape, des informations horodatées aux rendements exécutables après coûts.
• La contamination des données, les effets de sélection, les références faibles, les frictions de mise en œuvre et la capacité peuvent compromettre les résultats historiques.
• Les résultats concernant les actions et les cryptoactifs doivent être interprétés à la lumière de leurs structures de marché et flux de trésorerie distincts.
• Les tests prospectifs et l’évaluation conjointe du portefeuille, de l’exécution et de la gouvernance renforcent les affirmations sans garantir de profit.

Étiquettes

# 2609.04917


# Artificial Intelligence in Equity and Crypto Markets: Progress, Profitability Evidence, and the Limits of Automated Investing









Artificial intelligence (AI) now supports investment workflows from data and prediction through research, portfolios, execution, and tool use. Technical capability, however, is not evidence of investment profitability. This critical state-of-the-art review examines public research available through 31 August 2026 on listed equities, exchange-traded funds, centralized crypto spot, perpetual futures, and on-chain markets. We organize evidence with an alpha-translation chain: point-in-time information must yield a stable signal, feasible positions, executable orders, and risk-adjusted returns after costs. Across machine learning, time-series foundation models, financial language models, reinforcement learning, and agents, the examined record shows real but mainly upstream progress in prediction, text processing, portfolio design, and workflow integration. Evidence is thinner for durable net performance. Temporal contamination, repeated selection, survivorship, weak benchmarks, implementation costs, venue mechanics, and capacity can break translation to net alpha. Strong historical results coexist with predictor decay, corrected look-ahead failures, mixed prospective evidence, and few audited live-capital records. Crypto adds informative state but requires separate treatment of spot, perpetual, and decentralized cash flows and execution. Within the public evidence examined here, no general AI architecture is shown to deliver persistent, cross-regime, capacity-aware net alpha. More credible claims require point-in-time data and models, decision-aligned objectives, joint portfolio--execution evaluation, controlled adaptation, prospective tests, and authority-matched governance. These conditions can improve evidence and implementation; they do not guarantee profit.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.