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 tâche de prévision unique et difficile : prévoir le rendement anormal cumulé (CAR) sur 3 jours 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 offert les meilleures performances.
• Davantage d’informations n’aide pas à améliorer la performance.

Performance des outils propulsés par 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 produit lorsqu’un dirigeant familial décède :

• Perte de capital humain : si la personne décédée générait les rendements, le décès détruit un élément que l’entreprise ne peut pas remplacer rapidement. CAR négatif.
• Allègement de l’enracinement : si l’entreprise sous-performait sous un dirigeant que le contrôle familial rendait inamovible, le décès accomplit ce que le marché du contrôle d’entreprise n’a pas pu faire. CAR positif.

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

Versions actuelles

GPT 5.5 Instant

Classe le rôle de la personne décédée en premier (PDG au-dessus du président, lui-même au-dessus des titres honorifiques), puis lit la concentration de l’actionnariat, le ROE/ROA, le levier et les implications générales de la transition de gouvernance.

C’est le seul modèle de l’ensemble qui n’a 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 l’actionnariat familial dans le sens inverse de la plupart des modèles : une participation élevée signale un engagement en faveur d’une transition en douceur et oriente vers un résultat positif ou neutre, tandis que d’autres modèles lisent la même concentration comme un risque de succession.

Il considère 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 de dirigeants :

• perdre un décideur clé (négatif)
• écarter un contrôleur enraciné (positif).

Il a attribué −1 aux PDG et présidents actifs d’entreprises rentables où le contrôle familial est 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 où les données financières manquaient.

Claude Opus 5 High

Prend la rentabilité comme axe principal, puis applique des modulateurs multiplicatifs : rôle (PDG en exercice ×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 l’actionnariat au marché local du contrôle : au-dessus de 75 %, il est de +0.40 dans les juridictions où les prises de contrôle sont possibles et de −0.50 là où la succession est dynastique, et il applique un ajustement distinct lié à la 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

Donne la priorité au rôle et revendique explicitement son ancrage dans la littérature des études d’événements sur le décès de dirigeants. Il élimine d’abord les 18 cas honorifiques 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 lorsque l’actionnariat est ≥ 75 %, auquel cas le décès desserre le bloc de contrôle.

Un PDG ou président actif reçoit par défaut −1 et bascule à +1 en cas de résultat net ou de ROE négatif, ou lorsqu’une participation très élevée s’accompagne de rendements médiocres. La branche du président actif est le seul endroit du benchmark où un modèle considère explicitement que deux forces s’annulent plutôt que de retenir la plus importante : 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 attribue des étiquettes selon un rang relatif assorti d’une exigence de marge plutôt que selon des seuils absolus. Il construit deux indices continus de score z :

• 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)

Une étiquette directionnelle n’est émise que lorsqu’un indice se situe dans le top 30 % de l’échantillon et dépasse l’autre d’au moins 0.5 unité de score 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 le suivent.

Gemini 2.5 Pro

La même architecture à deux indices avec une porte bien plus stricte : le top 5 % de l’échantillon au lieu du top 30 %.

• 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, si bien que la concentration de l’actionnariat ne peut pas à elle seule déterminer une direction ; c’est la rentabilité qui départage. L’étiquette positive exige en outre que le TCI dépasse le VI de 0.5 unité de score z.

GPT 5.4 Instant

Utilise la rentabilité comme signal principal et ne publie aucun seuil. Négatif lorsque la personne décédée 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 qu’une profondeur de succession familiale semblait disponible ; neutre lorsque le rôle était honorifique ou que les signaux se compensaient.

GPT 5.4 Thinking

Mêmes données d’entrée que 5.4 Instant, avec une différence structurelle : la centralité du rôle est exigée dans les deux directions, de sorte qu’un rôle périphérique ne peut produire aucune étiquette directionnelle. La taille de l’entreprise vaut également un neutre à elle seule ; une entreprise assez grande pour absorber le changement est notée 0 quelle que soit sa performance.

Claude Opus 4.8 Medium

Logique de base Deux forces opposées déterminent la réaction :

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

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

(0) Pas de surprise : les titres honorifiques ou de retraité, les simples rôles au conseil d’administration ou les cas atténués ou compensés ne produisent aucune réaction significative.

Règles de décision :

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

GPT 5 Pro

De nouveau deux indices, 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 une 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 : top 30 % plus une marge de 0.5 unité 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

Présente les deux forces comme des théories concurrentes et fixe 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 vers une gestion professionnelle et noté +1 ; la fourchette 3–10 % et tous les rôles non actifs valent 0.

Gemini 3 Thinking

La même conception de seuils, mais davantage espacée : −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 4.6

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 respectivement +0.6 et +0.5, tandis que la plus forte pénalité de rôle disponible, un PDG ou président actif, n’est que de −0.6.

Les difficultés financières peuvent donc l’emporter sur l’identité de la personne décédée, ce qu’aucun autre modèle de l’ensemble ne permet.

GPT 4o

Les conditions sont énumérées sans ordre d’arbitrage, de sorte que les cas qui satisfont à deux règles n’ont pas de résolution définie. Il s’écarte également des autres modèles sur les rôles périphériques : un membre du conseil ou un vice-président est noté +1, là où presque chaque

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 lire l’actionnariat comme un facteur de stabilité. Un actionnariat élevé associé à un rôle clé amplifie la prédiction négative. À noter aussi : 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 assez d’informations pour identifier les cas positifs et n’a émis aucun +1, réduisant un problème à trois classes à deux et perdant tous les cas positifs de l’échantillon.

Précision des modèles avec des données étendues

Le deuxième tour ajoute dix champs au niveau de la personne aux mêmes 132 cas : la personne décédée travaillait-elle encore, la génération après le fondateur, le statut de fondateur, l’ancienneté, l’âge au décès, le décès soudain par opposition à la maladie, ainsi que quatre décomptes d’enfants et de partenaires.

L’effet global est proche de zéro. La précision moyenne de ces 13 modèles passe de 54,8 % à 55,2 %. Ce que la moyenne masque, c’est une large dispersion des réponses individuelles :

• Claude Fable 5 progresse le plus, de 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 du premier tour reposait presque entièrement sur l’intitulé du poste et la rentabilité ; les champs du second tour 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 aussi nettement, tout comme DeepSeek V3.2 Deep Think (+6).
• GPT 5.4 Instant perd 17 points, la plus forte variation dans un sens ou dans l’autre. Claude Sonnet 4.6 (−7) et GPT 5.4 Thinking (−6) reculent également.
• Le meilleur score du second tour (64 %) est inférieur au meilleur score du premier tour dans le même groupe (69 %). Davantage 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, à partir des fondamentaux d’une entreprise donnée. La configuration repose sur les données de Tanyeri & Alp (2023)² et d’Arslan & Tanyeri-Günsur (2026) :³

Chaque outil d’IA reçoit un instantané d’informations au niveau de l’entreprise pour le premier tour :

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 l’actionnariat familial
• Pays du siège social et de la cotation en Bourse
• Nombre d’employés
• Secteur d’activité / secteur

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

Au second tour, les informations suivantes sont ajoutées en plus :

• si la personne décédée travaillait au moment du décès
• la génération de la personne décédée après le fondateur de l’entreprise
• si la personne décédée était le fondateur
• l’ancienneté de la personne décédée dans l’entreprise
• l’âge de la personne décédée au moment du décès
• si la personne décédée est morte subitement ou après une maladie
• le nombre d’enfants de la personne décédée
• le nombre de filles de la personne décédée
• le nombre de fils de la personne décédée
• le nombre de partenaires de la personne décédée

Question principale

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

• Significativement positifs
• Significativement négatifs
• Non significatifs

Le CAR mesure la manière 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 jeu de données 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 de la performance

Le benchmark s’appuie sur une analyse technique préalable des cours boursiers. Pour chaque entreprise, le CAR sur 3 jours a été calculé et classé comme suit :

• 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 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 de vraies tâches 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{arslan2026,
  author = {Arslan, Ezgi},
  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

4 mises à jour

2026

1. 3 sep

   Ajout de Claude Fable 5.1 aux modèles d'IA générative testés.

2. 28 août

   Ajout d'une section "Comment les modèles ont raisonné" expliquant le cadre CAR à deux forces.

3. 10 juin

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

4. 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