Une publication récente sur arXiv analyse l'efficacité du raisonnement en temps réel (test-time reasoning) dans les grands modèles de langage (LLM) appliqués au trading d'actions américaines. L'étude compare trois familles de modèles représentatives : DeepSeek, GPT et Gemini. Elle mesure l'impact du temps de calcul supplémentaire consacré au raisonnement sur la performance économique des portefeuilles générés.
Les chercheurs ont maintenu constants plusieurs paramètres clés : les informations disponibles à chaque date de formation, les prompts, les formats de sortie et la construction des portefeuilles. Leur évaluation couvre une année complète de données boursières américaines, avec plus de 800 000 prédictions d'actifs et des générations répétées de modèles sous trois conditions d'entrée distinctes : données numériques, actualités identifiables et actualités masquées.
Comparer DeepSeek, GPT et Gemini sur le terrain du trading algorithmique
L'étude met en perspective trois familles de LLM utilisées pour prédire la performance des actifs boursiers. DeepSeek, moins connu mais spécialisé, est confronté aux géants GPT d'OpenAI et Gemini de Google. En contrôlant strictement les variables d'entrée et de sortie, les chercheurs ont pu isoler l'effet du raisonnement supplémentaire durant l'inférence, c’est-à-dire le temps de calcul dédié à analyser et reformuler les données avant de produire une prédiction.
Cette méthodologie rigoureuse permet de comparer la utilité réelle du raisonnement en temps réel, au-delà des simples métriques de précision ou de cohérence textuelle, en se concentrant sur la rentabilité économique après prise en compte des coûts de transaction.
Le coût computationnel du raisonnement ne se traduit pas en gains financiers
Le principal enseignement de cette analyse est que l'effort de raisonnement accru pendant l'inférence n'améliore pas la performance économique des portefeuilles. Malgré un surcoût computationnel notable, les modèles ne génèrent pas de meilleures décisions d'investissement qui compenseraient ces dépenses supplémentaires.
Ce constat est valable quel que soit le type d'entrée : données numériques, actualités clairement identifiables ou informations masquées. Le raisonnement en temps réel, souvent perçu comme une sophistication utile, ne se traduit donc pas mécaniquement par une meilleure rentabilité dans ce contexte précis.
Implications pour les acteurs financiers et les développeurs de modèles
Pour les institutions financières et les équipes de développement de produits basés sur les LLM, cette étude invite à une prudence quant à l'intégration systématique du raisonnement à l'inférence. Le surcoût en calcul peut peser sur les infrastructures et les délais, sans garantie d'amélioration des résultats économiques.
Les équipes doivent donc évaluer finement le retour sur investissement du raisonnement en temps réel, en tenant compte des spécificités de leur domaine d'application et des coûts opérationnels associés. Dans certains cas, des approches plus simples ou des traitements en amont pourraient s'avérer plus efficaces.
Méthodologie rigoureuse et limites de l'étude
L'étude se distingue par son contrôle strict des variables et son large volume de données, ce qui renforce la fiabilité des conclusions. Cependant, elle se limite au marché américain des actions sur une période d'un an, et à trois familles de modèles spécifiques.
Les résultats pourraient différer dans d'autres contextes financiers, avec d'autres types d'actifs, ou avec des modèles entraînés différemment. De plus, l'étude ne couvre pas l'impact à plus long terme ni les effets potentiels sur la robustesse des décisions.
L'optimisation des workflows IA en finance : prochaines étapes
Cette recherche souligne l'importance d'une évaluation économique concrète des innovations en IA, au-delà des métriques techniques classiques. Pour les workflows intégrant des LLM dans la finance, il devient déterminant d'optimiser la balance entre complexité des modèles, coûts d'inférence et gains réels.
Les équipes produit et data science pourraient explorer des stratégies hybrides, combinant raisonnement hors ligne et inférence rapide, ou encore ajuster dynamiquement le niveau de raisonnement selon les scénarios. Ces pistes restent à valider par des expérimentations ciblées.
Sources
Articles et annonces consultés
Passer à l'action
