Trading boursier basé sur l'IA: quel outil d'IA générative est le meilleur

Les outils LLM sont utilisés dans le trading boursier basé sur l’IA depuis leur apparition.¹

J’ai testé 20 modèles d’IA générative sur une seule tâche de prévision difficile : prédire le rendement anormal cumulé sur 3 jours (CAR) de 132 actions après un événement inattendu, en utilisant uniquement les informations au niveau de l’entreprise fournies dans le prompt.

• Le modèle ChatGPT 5 Thinking (74 %) et le modèle Gemini 2.5 Pro (71 %) ont obtenu les meilleures performances.
• Des informations supplémentaires n’aident pas à améliorer les performances.

Performance des outils basés sur l’IA

Pour plus de détails sur le benchmark, consultez la section méthodologie du benchmark de trading boursier.

Comment les modèles ont raisonné

Tous les modèles ont convergé vers la même explication à deux forces de ce qui se passe lorsqu’un dirigeant familial décède :

• Perte de capital humain : Si le défunt générait les rendements, le décès détruit quelque chose que l’entreprise ne peut pas remplacer rapidement. CAR négatif.
• Allègement de l’enracinement : Si l’entreprise sous-performait sous un manager que le contrôle familial rendait inamovible, le décès fait ce que le marché du contrôle d’entreprise n’a pas pu faire. CAR positif.

Ce n’est pas le cadre qui différencie les modèles. Ce qui les différencie, c’est où ils fixent les seuils, quelle variable départage les égalités, et avec quelle facilité ils laissent un cas dans la catégorie neutre. Les sections ci-dessous ne consignent que ces différences.

Versions actuelles

GPT 5.5 Instant

Classe le rôle du défunt en premier (CEO avant chairman avant les titres honorifiques), puis analyse la concentration de la propriété, le ROE/ROA, le levier et les implications générales de transition de gouvernance.

C’est le seul modèle de l’ensemble à n’avoir publié ni seuils, ni pondérations, ni ordre d’arbitrage.

DeepSeek V3.2 (Instant & Deep Think)

Des scores identiques avec et sans raisonnement étendu.

DeepSeek interprète la propriété familiale dans le sens opposé à la plupart des autres modèles : une propriété élevée signale un engagement en faveur d’une transition en douceur et pousse vers un résultat positif ou neutre, là où d’autres modèles interprètent la même concentration comme un risque de succession.

Il traite la taille de l’entreprise et un décès non soudain comme la preuve qu’une mécanique de transition existe déjà, ce qui oriente ces cas vers 0.

Claude Fable 5.1

Le modèle a pesé deux effets opposés issus de la littérature sur le décès des dirigeants :

• la perte d’un décideur clé (négatif)
• l’éviction d’un dirigeant enraciné (positif).

Il a attribué −1 aux CEO et chairmen actifs d’entreprises rentables avec un contrôle familial concentré, +1 aux dirigeants d’entreprises déficitaires ou stagnantes où la participation familiale était élevée, et 0 aux cadres retraités, aux rôles périphériques, aux très grandes entreprises et aux cas avec des données financières manquantes.

Claude Opus 5 High

Prend la rentabilité comme axe principal puis applique des modulateurs multiplicatifs : rôle (CEO en poste ×1.20 jusqu’à émérite ×0.30), levier supérieur à 55 % (−0.80), effectif supérieur à 100 000 (×0.75), et secteur (à forte intensité relationnelle ×1.15, matières premières ×0.80).

Deux caractéristiques lui sont propres :

• Conditionne la propriété au marché local du contrôle : au-dessus de 75 % correspond à +0.40 dans les juridictions où les OPA sont réalisables et à −0.50 lorsque la succession est dynastique, et applique un ajustement distinct de protection des investisseurs selon le pays.
• Impose deux contraintes strictes : les chiffres bruts d’actifs, de revenus et de dette sont écartés comme non comparables entre 24 devises, ne laissant que les ratios et les effectifs ; et un +1 exige une rentabilité inférieure à la médiane, car sans sous-performance, le décès n’a rien à soulager.

Claude Fable 5

Rôle d’abord, et explicite quant à son ancrage dans la littérature d’études d’événements sur le décès des dirigeants. Il met à zéro les 18 cas cérémoniels avant de noter quoi que ce soit, puis traite les rôles périphériques comme 0 à une exception près : un siège familial au conseil d’administration avec une participation ≥ 75 %, où le décès desserre le bloc de contrôle.

Un CEO ou président actif est par défaut à −1 et passe à +1 en cas de résultat net ou de ROE négatif, ou en cas de participation très élevée associée à des rendements médiocres. La branche du président actif est le seul endroit du benchmark où un modèle qualifie explicitement deux forces comme s’annulant plutôt que de choisir la plus grande : une performance moyenne dans un rôle de surveillance est notée 0 parce que la perte de gestion et l’amélioration de la gouvernance se compensent.

Gemini 3.1 Pro

L’ensemble de seuils le plus lâche parmi les modèles actuels.

Un rôle critique plus un ROE > 10 % ou un ROA > 5 % donne −1 ; toute sous-performance antérieure, un résultat net, un ROA ou un ROE négatif donne +1 ; tout le reste vaut 0.

Les deux conditions directionnelles se déclenchent facilement, de sorte que peu de cas subsistent dans la catégorie neutre.

Modèles plus anciens

Modèle GPT 5 Thinking

Le modèle plus précis, et le seul qui étiquette par rang relatif avec une exigence de marge plutôt que par des seuils absolus. Il construit deux indices continus de z-score :

• Indice de concentration du leadership (LCI), plus élevé = plus susceptible d’être nettement négatif : LCI = 0.40·z(role_importance) + 0.30·z(family_control) + 0.20·z(financial_strength) − 0.10·z(size)
• Indice de potentiel de renouvellement (RPI), plus élevé = plus susceptible d’être nettement positif : RPI = 0.40·(−z(financial_strength)) + 0.25·z(leverage) − 0.20·z(family_control) − 0.10·z(size) + 0.05·z(liquidity_stress)

Un label directionnel n’est émis que lorsqu’un indice se situe dans les 30 % supérieurs de l’échantillon et dépasse l’autre d’au moins 0.5 unités de z. Cette exigence de marge est ce qui maintient la valeur par défaut à 0, et c’est la différence structurelle la plus nette entre ce modèle et ceux qui suivent.

Gemini 2.5 Pro

La même architecture à deux indices avec une porte bien plus stricte : les 5 % supérieurs de l’échantillon au lieu des 30 % supérieurs.

• Indice de vulnérabilité (VI) : 0.40·z(family_control) + 0.35·(−z(financial_strength)) + 0.20·z(leverage) − 0.05·z(size)
• Indice de catalyseur de redressement (TCI) : 0.50·(−z(financial_strength)) + 0.25·z(family_control) − 0.15·z(leverage) − 0.10·z(size)

Le contrôle familial entre dans les deux indices avec un signe positif, de sorte que la concentration de l’actionnariat ne peut à elle seule choisir une direction ; la rentabilité départage. Le label positif exige en outre que le TCI dépasse le VI de 0.5 unités de z.

GPT 5.4 Instant

Utilise la rentabilité comme signal principal et ne publie aucun seuil. Négatif lorsque le défunt occupait un rôle opérationnel central dans une entreprise saine et étroitement détenue ; positif lorsque la rentabilité était plus faible ou le levier plus élevé et que la profondeur de la succession familiale semblait disponible ; neutre lorsque le rôle était cérémoniel ou que les signaux se compensaient.

GPT 5.4 Thinking

Mêmes entrées que 5.4 Instant, avec une différence structurelle : la centralité du rôle est requise dans les deux directions, de sorte qu’un rôle périphérique ne peut produire aucun label directionnel. La taille de l’entreprise vaut également un neutre à elle seule ; une entreprise assez grande pour absorber le changement est notée 0 indépendamment de ses performances.

Claude Opus 4.8 Medium

Logique de base : deux forces opposées déterminent la réaction :

(+) Allègement de l’enracinement : le décès d’un initié enraciné/sous-performant peut activer le marché du contrôle et susciter des espoirs de redressement.

(-) Perte de capital humain : le décès d’un propriétaire-dirigeant créateur de valeur détruit des compétences difficiles à remplacer et crée un risque de succession.

(0) Aucune surprise : les titres cérémoniels/de retraités, les rôles purs au conseil d’administration ou les cas atténués/compensatoires ne produisent aucune réaction significative.

Règles de décision :

• Émérite/honoraire -> 0 (retiré).
• Membre du conseil/administrateur, rentable -> 0 ; déficitaire -> +1 (remaniement).
• Dirigeant actif + pertes/ROA<1 -> +1 (allègement/optionalité).
• Dirigeant actif + solide (ROA>=médiane & ROE>=10 & NI>0) & participation>=60 % -> -1 (intendant perdu).
• Dirigeant actif + solide mais participation<60 % -> 0 (coussin de surveillance).
• Signal moyen / manquant / rôle inconnu -> 0.

GPT 5 Pro

Deux indices à nouveau, mais construits à partir de l’actionnariat et du levier plutôt que du rôle, qui n’apparaît dans aucune des deux formules.

• Indice de risque lié à la personne clé (KPRI) : 0.40·z(ownership) + 0.30·z(leverage) − 0.20·z(size) + 0.10·z(profitability)
• Indice de potentiel de redressement (TPI) : 0.40·(−z(profitability)) + 0.20·z(leverage) − 0.20·z(ownership) − 0.10·z(size) + 0.10·z(AP/assets)

Les portes sont les mêmes que celles de GPT 5 Thinking : les 30 % supérieurs plus une marge de 0.5 unité de z. L’omission du rôle dans l’indice est la source la plus probable de l’écart de 18 points entre les deux.

Gemini 3 Flash

Énonce les deux forces comme des théories concurrentes et attache des seuils de ROA explicites : au-dessus de 10 %, le dirigeant est valorisé comme une star et le décès vaut −1 ; en dessous de 3 %, le décès est interprété comme une ouverture pour une gestion professionnelle et noté +1 ; la bande de 3–10 % et tous les rôles non actifs valent 0.

Gemini 3 Thinking

Le même système de seuils poussé plus loin, −1 au-dessus d’un ROA de 12 %, +1 en dessous de 2.5 %, ce qui élargit la bande neutre de sept points chez Flash à près de dix.

Claude Sonnet 4.2

Le seul système de points additif avec des pondérations publiées et des seuils absolus (≥ +0.90 → +1, ≤ −0.70 → −1).

Il note six dimensions :

• importance du rôle
• ROA
• résultat net et EBITDA
• ROE
• actionnariat familial
• levier

La pondération est délibérément asymétrique. Un ROA négatif vaut à lui seul +1.2, et une perte nette ainsi qu’un EBITDA négatif ajoutent encore +0.6 et +0.5, tandis que la plus grande pénalité de rôle disponible, un CEO ou un président actif, n’est que de −0.6.

La détresse financière peut donc l’emporter sur l’identité du défunt, ce qu’aucun autre modèle de l’ensemble ne permet.

GPT 4o

Les conditions sont listées sans ordre d’arbitrage, de sorte que les cas qui satisfont deux règles n’ont pas de résolution définie. Il se distingue aussi des autres modèles sur les rôles périphériques : un membre du conseil ou un VP est noté +1, là où presque chaque

Claude Sonnet 4.6

Deux indices de z-score dans le moule de GPT 5 Thinking : un score de perturbation de la succession, pondérant le rôle, l’actionnariat, la performance, la dette et l’effectif, et un indice de renouvellement de la gouvernance, pondérant la faiblesse des performances, la dispersion de l’actionnariat et la qualité institutionnelle.

C’est le seul modèle à le faire à partir du champ du siège social. Le label positif exige que l’indice de renouvellement dépasse le score de perturbation d’une marge de points fixe.

DeepSeek V3

La structure à trois facteurs que V3.2 a ensuite affinée, à savoir le rôle, la santé financière et l’actionnariat, mais sans l’interprétation de l’actionnariat comme stabilisateur. Un actionnariat élevé associé à un rôle clé amplifie la prédiction négative. À noter séparément : le modèle a estimé sa propre précision à environ 65 %, soit plus du double de son score réel.

Gemini 2.5 Flash

Le résultat le plus bas, et le seul avec un plafond auto-infligé. Le modèle a conclu que le prompt ne contenait pas suffisamment d’informations pour identifier les cas positifs et n’a émis aucun label +1, réduisant un problème à trois classes à deux et abandonnant tous les cas positifs de l’échantillon.

Précision des modèles avec des données d’entrée étendues

La deuxième passe ajoute dix champs au niveau de la personne aux mêmes 132 cas : si le défunt travaillait encore, la génération après le fondateur, le statut de fondateur, l’ancienneté, l’âge au décès, un décès soudain par opposition à une maladie, et quatre dénombrements d’enfants et de partenaires.

L’effet agrégé est presque nul. La précision moyenne de ces 13 modèles passe de 54.8 % à 55.2 %. Ce que cache la moyenne, c’est une large dispersion des réponses individuelles :

• Claude Fable 5 gagne le plus, 16 points, et c’est le seul modèle dont les informations supplémentaires le font passer du bas du groupe au quatuor de tête. Sa logique de la première passe reposait presque entièrement sur l’intitulé de poste et la rentabilité ; les champs de la deuxième passe apportent exactement ce qui manquait à cet arbre, à savoir si la personne travaillait encore et si le décès a été soudain.
• Gemini 3.1 Pro (+10) et Gemini 3 Thinking (+9) s’améliorent également nettement, tout comme DeepSeek V3.2 Deep Think (+6).
• GPT 5.4 Instant perd 17 points, le plus grand mouvement dans un sens comme dans l’autre. Claude Sonnet 4.2 (−7) et GPT 5.4 Thinking (−6) reculent également.
• Le meilleur score de la deuxième passe (64 %) est inférieur au meilleur score de la première passe dans le même groupe (69 %). Plus d’informations n’a pas relevé le plafond ; cela a comprimé l’éventail.

Méthodologie du benchmark de trading boursier basé sur l’IA

Création des prompts

Le benchmark évalue si les outils d’IA générative peuvent prédire les réactions du marché boursier à un événement inattendu, sur la base de fondamentaux d’entreprise donnés. La configuration s’appuie sur les données de Tanyeri & Alp (2023)² et d’Arslan & Tanyeri-Günsur (2026) :³

Chaque outil d’IA reçoit un instantané des informations au niveau de l’entreprise pour la première passe :

Informations financières

• Taille des actifs
• Taille des capitaux propres
• Bénéfice avant intérêts, impôts, dépréciation et amortissement (EBITDA)
• Résultat net
• Chiffre d’affaires annuel
• Dette à long et à court terme
• Dettes fournisseurs
• Rendement des capitaux propres (ROE)
• Rendement des actifs (ROA)

Autres informations

• Participation de la famille au capital
• Pays du siège social et de la cotation en bourse
• Nombre d’employés
• Industrie/secteur

Aucun nom d’entreprise ni autre identifiant n’est fourni.

Lors de la deuxième passe, les informations suivantes sont ajoutées :

• si le défunt travaillait au moment du décès
• la génération du défunt après le fondateur de l’entreprise
• si le défunt était le fondateur
• l’ancienneté du défunt dans l’entreprise
• l’âge du défunt au moment du décès
• si le défunt est décédé soudainement ou après une maladie
• le nombre d’enfants du défunt
• le nombre de filles du défunt
• le nombre de garçons du défunt
• le nombre de partenaires du défunt

Question principale

Compte tenu des informations ci-dessus, il est demandé à chaque solution d’IA de prédire si les rendements anormaux cumulés sur 3 jours (CAR) de 132 entreprises seront :

• Significativement positifs
• Significativement négatifs
• Non significatifs

Le CAR mesure la façon dont les marchés financiers réagissent à l’événement. Un CAR positif indique que les opérateurs boursiers perçoivent l’événement comme créateur de valeur, un CAR négatif comme destructeur de valeur, et un CAR non significatif comme neutre.

Échantillonnage

Le dataset comprend 132 décès dans 109 entreprises familiales cotées en bourse réparties dans 24 pays. Toutes les entreprises figurent parmi les 500 plus grandes entreprises familiales.

Mesure des performances

Le benchmark s’appuie sur une analyse technique antérieure des prix des actions. Pour chaque entreprise, le CAR sur 3 jours a été calculé et classé comme :

• Significativement positif
• Significativement négatif
• Non significatif

Les prédictions de l’IA sont comparées aux valeurs historiques du CAR. La précision est mesurée comme le pourcentage de prédictions correctes effectuées par chaque solution d’IA générative.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Lectures complémentaires

• Benchmark de la finance par IA agentique : FinRobot vs FinRL vs FinGPT
• Meilleures plateformes de recherche financière par IA pour les investisseurs
• Benchmark IA VC : des agents IA sur des tâches réelles de capital-risque

FAQ

Citez ce benchmark

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{phd2026,
  author = {PhD., Ezgi Arslan,},
  title  = {{Trading boursier basé sur l'IA: quel outil d'IA générative est le meilleur}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/ai-based-stock-trading}},
  note   = {AIMultiple. Consulté le 3 Septembre 2026}
}

Journal des modifications

2 mises à jour

1. 202610 Juin

   Ajout d'une section Versions actuelles couvrant GPT 5.5 Instant, Claude Opus 4.8, DeepSeek V3.2 et Gemini 3.1 Pro.

2. 25 Mar

   Ajout des modèles GPT 5.4 Instant et GPT 5.4 Thinking à la section Versions actuelles.

Liens de référence

1.

Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages by Qiang Cheng, Pengkai Lin, Yue Zhao :: SSRN

2.

The value of shareholder rights in family firms: Global evidence from a death in the family - Tanyeri Günsür - 2023 - Corporate Governance: An International Review - Wiley Online Library

3.

ResearchGate - Temporarily Unavailable

4.

Artificial Intelligence Can Make Markets More Efficient—and More Volatile

Ezgi Arslan, PhD.

Analyste du secteur

Suivre

Ezgi est titulaire d'un doctorat en administration des affaires avec une spécialisation en finance et travaille comme analyste du secteur chez AIMultiple. Elle pilote la recherche et les analyses à l'intersection de la technologie et des affaires, avec une expertise couvrant la durabilité, les enquêtes et l'analyse des sentiments, les applications d'agents IA dans la finance, l'optimisation des moteurs de réponse, la gestion des pare-feu et les technologies d'approvisionnement.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire