Complexité des modèles AI, trading et évolution de l’efficience des marchés

Résumé

Cet article examine comment des systèmes AI peu coûteux, capables d’approximer des relations complexes, pourraient changer la façon dont les stratégies de trading intègrent l’information dans les prix. Il aborde l’efficience des marchés au moyen de processus de prix à l’équilibre et distingue différents niveaux d’efficience en s’appuyant sur les croyances des investisseurs ainsi que sur la complexité de leurs modèles et de leurs stratégies optimisées.

Les auteurs avancent qu’un accès plus large à des approximations plus performantes pourrait rendre les occasions rentables plus difficiles à exploiter pour les traders dont les modèles sont moins efficaces. Ils soutiennent également que les approches fondées sur l’équilibre ne suffisent pas à décrire l’évolution de l’efficience sur un marché adaptatif où les participants interagissent, et identifient les dynamiques hors équilibre comme un défi. Le texte fourni est conceptuel : il expose un cadre et une question de recherche, sans résultats empiriques, règles de trading précises ni preuve que l’adoption de AI rend nécessairement les marchés plus efficients. Ses conclusions dépendent des conditions énoncées et de la représentation des modèles, des croyances et de l’adaptation.

Idées clés

• Les stratégies de trading transmettent l’information dans les prix, ce qui lie la qualité des modèles à l’efficience des marchés.
• Des approximations AI peu coûteuses peuvent permettre des stratégies plus complexes et réduire les occasions des traders moins efficaces.
• L’article s’appuie sur des processus de prix à l’équilibre et les croyances des investisseurs pour distinguer différents niveaux d’efficience des marchés.
• Les marchés adaptatifs multi-agents peuvent sortir de l’équilibre, ce qui complique l’analyse habituelle de l’efficience.
• La description fournie présente une réflexion conceptuelle sans résultats empiriques ni stratégie de trading précise.

Étiquettes

# How low-cost AI universal approximators reshape market efficiency


# How low-cost AI universal approximators reshape market efficiency









The efficient market hypothesis (EMH) famously stated that prices fully reflect the information available to traders. This critically depends on the transfer of information into prices through trading strategies. Traders optimise their strategy with models of increasing complexity that identify the relationship between information and profitable trades more and more accurately. Under specific conditions, the increased availability of low-cost universal approximators, such as AI systems, should be naturally pushing towards more advanced trading strategies, potentially making it harder and harder for inefficient traders to profit. In this paper, we leverage on a generalised notion of market efficiency, based on the definition of an equilibrium price process, that allows us to distinguish different levels of model complexity through investors' beliefs, and trading strategies optimisation, and discuss the relationship between AI-powered trading and the time-evolution of market efficiency. Finally, we outline the need for and the challenge of describing out-of-equilibrium market dynamics in an adaptive multi-agent environment.

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.