Le jour où mille milliards de dollars se sont volatilisés — Et pourquoi les algorithmes « intelligents » ont aggravé la situation

J'étais en appel avec mon équipe quand quelqu'un a partagé une capture d'écran du Nikkei. Il était en baisse de 8 %. Puis 10 %. Puis 12,4 %.

C'était le 5 août 2024. Le marché japonais connaissait sa pire journée depuis le lundi noir de 1987. Le VIX — l'indice qui mesure le niveau de peur de Wall Street — avait bondi à 65,73, un niveau que nous n'avions pas vu en dehors de la crise financière de 2008 et des premières semaines du COVID. Mille milliards de dollars de capitalisation boursière s'évaporaient rien que sur les actions de l'IA et de la technologie.

Je me souviens d'un de mes ingénieurs disant, à moitié en plaisantant : « Donc les algorithmes tradent à nouveau les uns contre les autres. »

Il n'avait pas tort. Et cette phrase — trader les uns contre les autres — est la partie silencieuse que personne dans l'industrie de l'IA ne veut dire à voix haute. Entre 60 % et 70 % des transactions mondiales sont désormais exécutées par des algorithmes. La plupart de ces algorithmes sont des systèmes probabilistes — ils prédisent le prochain mouvement probable en fonction des modèles dans les données historiques. Ils ne comprennent pas ce qui se passe. Ils ne savent pas pourquoi le Yen se renforce ou ce qu'un débouclage de carry trade signifie pour la liquidité. Ils ne voient que des signaux de prix et réagissent.

Le 5 août, ils ont tous réagi dans la même direction, en même temps, à un signal qui était en partie un artefact technique. Et le résultat a été une cascade qu'aucun trader humain n'aurait pu provoquer à lui seul.

Cette journée a changé ma façon de penser à ce que nous construisons chez Veriprajna. Elle a confirmé ce que j'avançais depuis des années : une IA probabiliste sans garde-fous déterministes n'est pas seulement non fiable — elle est dangereuse.

Que s'est-il réellement passé le 5 août ?

L'histoire en surface est macroéconomique. La Banque du Japon a surpris les marchés avec une hausse des taux d'intérêt de 0,25 %. La même semaine, un faible rapport sur l'emploi aux États-Unis a déclenché la « règle de Sahm » — un indicateur de récession basé sur la hausse du chômage. Deux points de données. Aucun, en soi, n'est catastrophique.

Mais sous ces gros titres se cachait un pari massif avec effet de levier qui se construisait depuis plus d'une décennie : le carry trade sur le Yen.

Voici la version courte. Le Japon a maintenu des taux d'intérêt proches de zéro pendant des années. La Réserve fédérale américaine a poussé les taux à 5,5 %. Ainsi, les fonds spéculatifs, les investisseurs institutionnels, et même les traders particuliers ont emprunté à bas prix en yens et ont versé cet argent dans des actifs à rendement plus élevé — actions technologiques américaines, marchés émergents, cryptomonnaies. Le différentiel de taux d'intérêt était de l'argent gratuit, tant que le Yen restait faible.

La théorie économique dit que cela ne devrait pas fonctionner. La parité des taux d'intérêt prédit que les mouvements des taux de change devraient compenser le gain du taux d'intérêt. Mais en pratique, il existe une anomalie bien documentée appelée le Forward Premium Puzzle : les devises à taux d'intérêt élevé ont tendance à s'apprécier à court terme, rendant le carry trade encore plus rentable. La position a donc augmenté. Et augmenté.

Lorsque la BOJ a augmenté ses taux et que le Yen s'est renforcé de 7,7 % en une seule semaine, le « carry » est devenu une perte. Les appels de marge ont frappé. Le désendettement a été violent.

Mais voici ce qui me dérange : les déclencheurs macroéconomiques expliquent peut-être la moitié de l'histoire. L' ampleur — la vitesse, la contagion, l'anéantissement de mille milliards de dollars — c'était algorithmique.

L'indicateur de peur mentait

C'est la partie qui m'empêche encore de dormir la nuit.

Le VIX, que tout le monde considère comme la mesure définitive de la peur du marché, n'est pas calculé à partir des prix de transaction réels. Il est dérivé des cours médians des options du S&P 500 — le point médian entre ce que les acheteurs offrent et ce que les vendeurs demandent.

Pendant les heures de pré-marché du 5 août, la liquidité s'est tarie. Les teneurs de marché ont élargi leurs écarts acheteur-vendeur pour se protéger. Parce que les prix des options ne peuvent pas descendre en dessous de zéro et que les offres minimales sont souvent fixées à environ 5 cents, cet élargissement de l'écart a mécaniquement poussé le cours médian à la hausse. Le VIX a bondi de 180 % avant même l'ouverture du marché.

Le VIX n'a pas grimpé en flèche parce que la peur était 180 % plus élevée. Il a grimpé en flèche parce que la liquidité était 180 % plus faible. Et des milliers d'algorithmes ne pouvaient pas faire la différence.

Fonds ciblant la volatilité, conseillers en négoce de matières premières (CTA) — ces systèmes sont programmés pour se débarrasser des actions lorsque la volatilité implicite augmente. Ils ont vu le chiffre du VIX. Ils ont vendu. Leurs ventes ont fait chuter les prix davantage, ce qui a déclenché la vente de plus d'algorithmes, ce qui a poussé le VIX encore plus haut.

C'était une boucle de rétroaction construite sur un artefact de mesure. L'« indicateur de peur » mesurait en partie son propre reflet.

J'en ai parlé lors d'une réunion d'équipe la semaine suivante, et l'un de nos data scientists a sorti l'analyse de la Banque des règlements internationaux qui confirmait exactement ce mécanisme. Je me souviens du silence qui s'est installé dans la pièce. Nous construisions des systèmes neuro-symboliques pour des entreprises clientes — conformité fiscale, logistique de construction — mais c'est à ce moment-là que j'ai réalisé que la même défaillance architecturale se trouvait au cœur de la finance mondiale.

Pourquoi les systèmes d'IA « intelligents » n'ont-ils pas détecté cela ?

Les gens me demandent toujours cela. Si l'IA est si puissante, pourquoi n'a-t-elle pas empêché le krach ? Pourquoi les algorithmes de trading n'ont-ils pas reconnu l'anomalie du VIX ?

Parce qu'ils n'ont pas été conçus pour. Ils ont été conçus pour réagir aux signaux, pas pour raisonner à leur sujet.

La plupart des systèmes de trading basés sur l'IA d'aujourd'hui sont ce que j'appelle des enveloppes probabilistes. Ce sont de minces interfaces construites par-dessus de grands modèles de langage ou des moteurs de prédiction statistique. Ils sont très doués pour la reconnaissance de modèles — trouver des corrélations dans des données historiques, prédire les mouvements de prix à court terme. Mais ils n'ont pas de modèle interne expliquant pourquoi les choses se produisent.

Un système probabiliste entraîné sur des données historiques du VIX apprendra : « Quand le VIX dépasse 40, vendre des actions. » C'est une heuristique utile sur des marchés normaux. Le 5 août, c'était de l'essence sur un feu. Le système ne pouvait pas demander : « Attendez — ce pic du VIX est-il motivé par une volatilité réalisée, ou par un artefact de mesure basé sur les cotations dans un environnement à faible liquidité ? » Cette question nécessite un raisonnement causal. Elle nécessite de comprendre la microstructure du marché. Elle nécessite ce que nous appelons une logique déterministe — et les modèles probabilistes n'en ont pas.

Un jour, un investisseur m'a dit sans ambages : « Utilisez simplement GPT. Affinez-le sur les données du marché. » J'ai essayé d'expliquer qu'un modèle de langage prédisant le prochain jeton probable est fondamentalement différent d'un système capable d'appliquer la contrainte « ne pas exécuter un ordre de vente déclenché par une lecture du VIX qui s'écarte de plus de 3 écarts-types de la volatilité réalisée ». Il m'a regardé comme si je compliquais trop les choses.

Le 5 août a été la réfutation à mille milliards de dollars.

Que signifie réellement « Deep AI » pour les marchés ?

Chez Veriprajna, nous utilisons le terme « Deep AI » pour distinguer ce que nous construisons de la vague d'enveloppes d'IA inondant le marché. Ce n'est pas un terme marketing — c'est un engagement architectural. J'ai écrit en profondeur sur cette philosophie dans la version interactive de nos recherches, mais l'idée centrale est celle-ci :

Les réseaux de neurones sont pour la perception. La logique symbolique est pour la vérité.

Nous l'appelons le « Sandwich neuro-symbolique ». Un réseau neuronal ingère des données — flux de prix, actualités, dynamique du carnet d'ordres. Il est excellent pour ça. La reconnaissance des formes est ce pour quoi les réseaux neuronaux sont nés. Mais avant que cette sortie neuronale n'atteigne une couche décisionnelle, elle passe par un moteur de contraintes symboliques — une couche déterministe qui applique des règles immuables.

Ces règles ne sont pas apprises à partir des données. Elles sont encodées explicitement. Exigences de marge. Seuils de liquidité. Contraintes réglementaires. Logique temporelle — la compréhension qu'une décision sur les taux de la BOJ en juillet est causalement en amont d'un appel de marge en août, même si elles apparaissent dans des blocs de données différents.

Dans un système neuro-symbolique, la vérité n'est pas une probabilité statistique. C'est une certitude vérifiée, étayée par la logique. Le réseau neuronal dit « ce modèle ressemble à un signal de vente ». La couche symbolique demande « ce signal de vente viole-t-il une contrainte que nous savons être vraie ? » Si oui, le signal est bloqué. Pas de négociation.

Ce n'est pas théorique. Nous avons construit ces moteurs de contraintes pour la conformité fiscale, où un agent d'IA ne peut littéralement pas recommander une position de déclaration qui viole la loi statutaire, peu importe à quel point l'invite est convaincante. La même architecture s'applique au trading : un agent qui ne peut pas exécuter une transaction déclenchée par une lecture du VIX qu'il peut identifier comme anormale.

Pourquoi les systèmes d'IA actuels échouent-ils à cela ?

Il y a un mode d'échec technique spécifique qui explique en grande partie ce qui s'est mal passé le 5 août, et c'est le même mode d'échec que je vois dans presque tous les produits financiers « alimentés par l'IA » sur le marché.

Cela s'appelle RAG naïf — Génération augmentée par la recherche. L'idée est simple : prenez un grand modèle de langage, connectez-le à une base de données de documents (rapports de marché, actualités, dépôts) et laissez-le récupérer le contexte pertinent avant de générer une réponse.

Le problème est la façon dont le « contexte pertinent » est sélectionné. La plupart des systèmes RAG découpent les documents en blocs de taille fixe, les convertissent en vecteurs numériques, et récupèrent les blocs les plus mathématiquement similaires à la requête. Cela crée trois angles morts catastrophiques :

Cécité temporelle. Un bloc sur un « krach boursier » de 2010 et un bloc sur un « krach boursier » de 2024 semblent presque identiques sous forme de vecteurs. Le modèle ne peut pas faire la distinction entre un événement historique et un événement en cours. Le 5 août, les outils d'analyse d'actualités par IA confondaient les réponses politiques vieilles d'une décennie avec les conditions en temps réel.

Fragmentation narrative. Le découpage détruit le fil d'une histoire en développement. La décision sur les taux de la BOJ, l'appréciation du Yen et l'appel de marge d'un fonds spéculatif sont trois blocs distincts dans trois articles distincts. L'IA ne peut pas les relier.

Échec du raisonnement à sauts multiples. Le krach du carry trade nécessitait une logique transitive : la BOJ a relevé les taux → le Yen s'est renforcé → les positions de carry trade sont devenues non rentables → les ventes forcées ont frappé les actions technologiques américaines → le VIX a bondi → les fonds ciblant la volatilité ont vendu davantage. C'est une chaîne causale en six étapes. Le RAG naïf ne peut pas le faire.

Nous remplaçons cela par des graphes de connaissances — des cartes explicites des relations entre les acteurs économiques, les devises, les instruments et les organismes de réglementation. Lorsqu'une décision sur les taux de la BOJ entre dans le système, le graphe de connaissances sait déjà qu'elle est liée aux positions de carry trade sur le Yen, qui sont liées à l'exposition aux actions américaines, qui est liée aux fonds sensibles au VIX. Le raisonnement est structurel, et non statistique.

Comment modéliser la contagion avant qu'elle ne se produise ?

C'est là que les réseaux neuronaux sur graphes — GNN — ont changé ma façon de concevoir le risque financier.

Les modèles de risque traditionnels traitent les actifs comme des points de données indépendants ou utilisent des matrices de corrélation statiques. Ces matrices sont calibrées lors des marchés calmes. Lors d'un krach éclair, les corrélations grimpent à 1 — tout se vend ensemble — et le modèle s'effondre.

Un GNN traite le marché tel qu'il est réellement : un réseau. Les nœuds sont des actifs. Les arêtes sont l'intensité du flux d'informations entre eux. Le Nikkei 225 est connecté à USD/JPY est connecté à Nvidia est connecté au VIX. Le GNN apprend non seulement l'état de chaque nœud, mais aussi comment les chocs se propagent à travers les arêtes.

Nos recherches montrent que les GNN atteignent une erreur quadratique moyenne de 0,0025 et une erreur quadratique moyenne de 0,050 dans la prévision de la volatilité — surpassant considérablement les réseaux de neurones récurrents traditionnels et même les Transformers. La raison est structurelle : les GNN capturent les interactions à sauts multiples. Ils peuvent identifier qu'un choc sur le Yen se propagera à travers les positions de carry trade jusqu'aux actions technologiques américaines avant que le mouvement de prix n'apparaisse dans la série chronologique.

Mais — et c'est la partie qui compte — nous ne laissons pas le GNN agir seul. Sa sortie alimente la couche de contraintes symboliques. Le GNN dit : « la probabilité de contagion du JPY vers le Nasdaq est élevée ». Le moteur symbolique vérifie : « Les positions actuelles de carry trade sont-elles supérieures au seuil encodé dans nos règles de risque ? Le comportement du VIX est-il cohérent avec la volatilité réalisée, ou s'agit-il d'une anomalie basée sur les cotations ? » C'est seulement après avoir passé les deux vérifications que le système génère une recommandation.

Un GNN sans contraintes symboliques est un bouton de panique très précis. Un GNN avec des contraintes symboliques est un système de gestion des risques.

Pour une description technique complète de cette architecture — y compris les cadres d'apprentissage par renforcement que nous utilisons pour les agents de trading sensibles à la marge — voir notre document de recherche.

Le problème de la boîte noire n'est pas seulement technique — il est juridique

Voici quelque chose qui ne reçoit pas assez d'attention : les régulateurs s'en prennent à l'IA opaque.

La CFTC et la SEC se concentrent de plus en plus sur la transparence du trading algorithmique. Une boîte noire qui exécute un ordre de vente de 100 millions de dollars et ne peut pas expliquer pourquoi n'est pas seulement un risque technique — c'est une responsabilité en matière de conformité. La Banque des règlements internationaux a publié des directives explicites sur la manière dont les régulateurs devraient aborder l'explicabilité de l'IA sur les marchés financiers.

Nous intégrons l'explicabilité dans l'architecture dès le départ. Notre couche de contraintes symboliques est intrinsèquement interprétable — vous pouvez retracer chaque décision jusqu'à la règle spécifique qui l'a permise ou bloquée. Pour les composants neuronaux (les GNN, les agents d'apprentissage par renforcement), nous appliquons des techniques a posteriori : les valeurs SHAP qui montrent quelles variables ont conduit à une prédiction, les explications contrefactuelles qui montrent comment une entrée différente aurait modifié la sortie.

J'ai eu une conversation avec une responsable de la conformité d'un fonds de taille moyenne qui m'a dit que leur système de trading par IA actuel génère des recommandations qu'ils ne peuvent pas auditer. « Nous lui faisons simplement confiance », a-elle dit. « Jusqu'à ce qu'il se trompe, et alors nous devons expliquer au conseil d'administration pourquoi nous lui avons fait confiance. »

C'est la crise de la conformité en une phrase. Et c'est pourquoi nous alignons chaque déploiement sur le cadre de gestion des risques de l'IA du NIST — non pas comme un exercice à cocher, mais comme une architecture opérationnelle. Les quatre piliers du cadre (Gouverner, Cartographier, Mesurer, Gérer) correspondent directement à notre façon de construire : des politiques de supervision intégrées au système, une cartographie des risques de chaque dépendance de données, une mesure continue de la dérive du modèle et des interrupteurs d'arrêt déterministes lorsque le système détecte qu'il fonctionne en dehors de sa plage de fiabilité.

Qu'en est-il de l'argument « Il suffit d'ajouter plus de données » ?

Les gens repoussent l'approche neuro-symbolique. Ils disent : « Si les modèles probabilistes ont échoué le 5 août, la réponse est de meilleurs modèles probabilistes. Plus de données d'entraînement. De plus grandes fenêtres de contexte. Affiner sur des scénarios de crise. »

Je comprends l'attrait. C'est plus simple. Cela s'intègre à la chaîne d'outils actuelle. Et c'est faux.

Le débouclage du carry trade d'août 2024 était un événement inédit. La combinaison spécifique d'une hausse des taux de la BOJ, d'un déclencheur de la règle de Sahm, d'une anomalie de cotation du VIX et d'un débouclage simultané d'une position à effet de levier de plusieurs milliers de milliards de dollars — cette configuration exacte ne s'était jamais produite auparavant. Aucune quantité de données de formation historiques ne le contient.

Les modèles probabilistes extrapolent à partir du passé. Les moteurs de contraintes déterministes encodent les règles qui régissent le présent. Les règles des exigences de marge ne changent pas pendant une crise. La mécanique du calcul du VIX ne change pas pendant une crise. La relation causale entre les différentiels de taux d'intérêt et la rentabilité du carry trade ne change pas pendant une crise. Ce sont les choses qu'une couche symbolique peut appliquer, que le scénario spécifique ait été vu auparavant ou non.

Vous ne pouvez pas vous sortir d'une crise nouvelle en vous entraînant. Vous ne pouvez que vous frayer un chemin en raisonnant — et le raisonnement nécessite une structure que les modèles probabilistes n'ont pas.

L'ère des enveloppes est révolue

J'ai passé ces dernières années à regarder l'industrie de l'IA construire des façades de plus en plus élaborées sur les mêmes fondations probabilistes. Des interfaces minces sur GPT-4. Des tableaux de bord « alimentés par l'IA » qui ne sont en réalité que des modèles d'invites frappant une API. Le monde du conseil appelle cela des « solutions d'IA ». J'appelle cela des enveloppes sur des sables mouvants.

Le 5 août 2024 a été le jour où les sables mouvants se sont déplacés. Mille milliards de dollars ont disparu non pas parce que les fondamentaux se sont effondrés, mais parce que les algorithmes ne pouvaient pas raisonner sur le monde dans lequel ils tradaient. Ils n'ont pas pu distinguer un artefact de liquidité de la véritable peur. Ils n'ont pas pu retracer une chaîne causale en six étapes de Tokyo à Wall Street. Ils n'ont pas pu vérifier leurs propres sorties par rapport à la mécanique de base du calcul du VIX.

Nous construisons des systèmes qui le peuvent. Non pas parce que nous sommes plus intelligents — parce que nous avons fait un choix architectural différent. Nous avons choisi de traiter l'IA non pas comme un moteur de prédiction qui a parfois de la chance, mais comme un système d'ingénierie où chaque sortie est vérifiée par rapport à une logique explicite et auditable.

La ruée vers l'or de l'IA a récompensé la vitesse. La prochaine ère récompensera la vérité. Et la vérité, dans tout domaine qui compte — finance, droit, médecine, infrastructures — exige plus que des probabilités. Elle exige des preuves.

Ce n'est pas une couverture. C'est une fondation.