LLM en finance : entre signal réel et effet de mémoire

Mon idée maîtresse : le signal existe, mais il est plus étroit, plus fragile et plus vite arbitré que ne le laisse penser la présentation médiatique du sujet, tandis que le bruit qu’il faut soustraire pour l’isoler (la mémorisation) s’est révélé plus large, plus difficile à neutraliser par simple consigne de prompt, et surtout apparenté à une famille de problèmes que la finance quantitative connaît et documente depuis plus de dix ans, sans s’y réduire.

À chaque nouvelle génération de modèle, la même question revient chez les gérants, les départements risques et les régulateurs : un grand modèle de langage lit-il vraiment l’information financière, ou se contente-t-il de la reformuler avec assurance ? La littérature académique la plus récente donne une réponse à deux étages, et non un verdict binaire. Il existe un signal réel, mesuré avec une rigueur méthodologique inhabituelle pour le champ. Il existe aussi une source de faux signal identifiée avec une précision croissante : la mémorisation, c’est-à-dire la capacité du modèle à restituer des faits qu’il a vus pendant son entraînement en les faisant passer pour une inférence.

Ce que le signal établit vraiment

L’étude de référence sur le sujet est celle d’Alejandro Lopez-Lira et Yuehua Tang, de l’université de Floride, publiée au Journal of Financial Economics. Sa force méthodologique tient à un choix précis : les auteurs ne testent le modèle que sur des titres d’actualité postérieurs à sa date de coupure de connaissances. Cette précaution réduit fortement le risque que le modèle restitue une réaction de marché qu’il aurait déjà vue. Elle ne l’annule pas : une date de coupure déclarée n’est pas une preuve mathématique d’absence de contamination, et les auteurs eux-mêmes ne la présentent pas comme telle.

Dans la version la plus récente de l’étude, le portefeuille construit sur les scores de GPT-4 est correctement orienté 93,3 % des journées pour les nouvelles publiées de nuit et 88,8 % des journées pour celles publiées en cours de séance, soit près de 90 % du temps sur la réaction initiale du marché. Ce chiffre mérite d’être lu pour ce qu’il est exactement. Les auteurs le définissent comme un taux de réussite quotidien de portefeuille, la proportion de journées où le rendement du portefeuille long-short agrégé est positif, et disent avoir volontairement préféré cette métrique à l’exactitude titre par titre. 93,3 % ne signifie donc pas 93,3 % de prédictions individuelles correctes. La version actuelle de l’article qualifie par ailleurs cette réaction initiale de réaction non directement exploitable. Le signal réellement négociable, une fois l’information diffusée, est nettement plus faible : la dérive de prix des un à deux jours suivants n’est correctement anticipée que 58 % du temps pour les nouvelles de nuit et 55 % en séance, avec un effet plus marqué sur les petites capitalisations et les nouvelles négatives. Les auteurs montrent aussi que cette capacité augmente avec la taille du modèle : GPT-1, GPT-2 et BERT plafonnent tous sous 65 % de taux de succès sur la réaction initiale et affichent des ratios de Sharpe négatifs sur la dérive, là où GPT-4 réussit, ce qui suggère que le raisonnement financier est une capacité émergente des modèles complexes plutôt qu’un simple effet d’analyse de sentiment classique.

Les auteurs anticipent eux-mêmes l’objection de la mémorisation et la testent directement : si la performance de GPT-4 provenait d’un souvenir de ce qui s’est réellement passé plutôt que d’un raisonnement, son avantage par rapport à GPT-3.5, dont la date de coupure est proche mais légèrement antérieure, devrait s’éroder avec le temps, à mesure que l’information mémorisée devient obsolète. C’est l’inverse qu’ils observent : cet avantage augmente, passant de -0,4 point de base en 2021 à 8,9 points de base en 2023. C’est un indice, pas une preuve définitive, mais il va dans le sens d’un raisonnement plutôt que d’un simple rappel. Les auteurs reconnaissent d’ailleurs en annexe qu’une inquiétude subsiste : GPT-4 a pu, en théorie, être exposé à des données supplémentaires lors d’un ajustement fin ou par d’autres canaux. C’est précisément pour cela qu’ils construisent ce test complémentaire, et c’est pourquoi je le présente comme une indication convergente, pas comme une garantie logique.

Source : Lopez-Lira & Tang (2025).

Le point le plus intéressant pour un décideur n’est peut-être pas le taux de succès lui-même, mais ce que les auteurs observent ensuite : le rendement de la stratégie de trading construite sur ces scores décline à mesure que l’adoption des LLM se généralise dans l’industrie. Le ratio de Sharpe annualisé de la stratégie fondée sur les nouvelles de nuit passe de 6,54 au quatrième trimestre 2021 à 3,68 en 2022, 2,33 en 2023, puis 1,22 sur janvier-mai 2024, une période qui coïncide avec le lancement public de ChatGPT en novembre 2022 et l’explosion de son adoption. Ce déclin est compatible avec l’hypothèse d’un marché qui incorpore plus vite l’information à mesure que les LLM se diffusent. Il ne suffit pas à l’établir. Les auteurs le disent eux-mêmes : tester directement cette hypothèse est difficile, et d’autres évolutions des conditions de marché peuvent contribuer au déclin. Ce papier ne prétend en tout cas pas avoir trouvé une martingale permanente.

Un élément manquait à cette analyse lors de sa première publication, et il change l’ordre de grandeur de la conclusion pratique. La version révisée du 11 août 2026 de l’article chiffre le coût d’exécution de la stratégie. Le portefeuille de nuit tourne à environ 190 % par jour en rééquilibrage complet. Avec 20 points de base de coûts aller-retour, son ratio de Sharpe passe de 2,97 à -0,39 et le rendement quotidien moyen devient négatif. Même à 10 points de base, il retombe autour de 1,29. La performance est en outre très concentrée sur les petites capitalisations : en pondération par capitalisation plutôt qu’en équipondération, le Sharpe de nuit tombe de 2,97 à 0,56 avant tout coût, et devient négatif dès 5 points de base. C’est la distinction que je retiens en priorité pour un comité d’investissement : un signal statistiquement significatif n’est pas un alpha institutionnel facilement capturable.

Lopez-Lira et Tang, version révisée du 11 août 2026 de leur article, postérieure à la première publication de cette analyse. La performance est très concentrée sur les petites capitalisations : un signal statistiquement significatif n'est pas un alpha institutionnel facilement capturable.

Le piège de la mémorisation : quand la prévision est un souvenir

Le développement le plus significatif de ces deux dernières années vient des mêmes auteurs. Lopez-Lira, Tang et Zhu publient en 2025 un article au titre volontairement inconfortable pour leur propre travail antérieur : The Memorization Problem : Can We Trust LLMs’ Economic Forecasts ? Sur le plan théorique, ils établissent que lorsqu’un modèle a mémorisé la valeur réalisée d’une variable, sa capacité de prévision devient non identifiable : toute sortie du modèle est compatible à la fois avec une véritable compétence analytique et avec un simple rappel de mémoire, sans qu’aucun test de sortie ne permette de trancher entre les deux. Sur le plan empirique, ils montrent que les grands modèles rappellent les valeurs numériques exactes d’indicateurs économiques majeurs, de titres de presse, de rendements boursiers et de transcriptions de conférences téléphoniques, avec une précision quasi parfaite pour toute période antérieure à leur date de coupure, et qu’aucun signal de rappel comparable ne subsiste après cette date. Pour les indicateurs macroéconomiques (croissance du PIB, inflation, taux de chômage, taux à 10 ans), l’erreur absolue moyenne de rappel va de 0,03 à 0,15 point de pourcentage, avec une exactitude dépassant 96 % pour tous les indicateurs testés. Les consignes explicites demandant au modèle de respecter les limites temporelles historiques échouent à empêcher ce rappel de précision, et même le masquage des noms d’entreprises et des dates échoue : sur des transcriptions de conférences téléphoniques anonymisées, le modèle identifie correctement l’entreprise dans 100 % des cas pour Apple, Meta et Microsoft, et retrouve le trimestre et l’année exacts avec une précision de 93,2 % pour Apple, alors même que le texte fourni ne contenait plus aucun nom, chiffre ou date identifiable en clair.

Lopez-Lira, Tang et Zhu (2025). Ces valeurs portent sur les périodes antérieures à la date de coupure du modèle : aucun signal de rappel comparable ne subsiste après cette date. Les consignes explicites demandant au modèle de respecter les limites temporelles historiques échouent à empêcher ce rappel, et le masquage des noms d'entreprises et des dates échoue également.

Le résumé que je retiens de ce papier : les grands modèles de langage ne peuvent pas être considérés comme fiables pour des prévisions économiques portant sur des périodes couvertes par leurs données d’entraînement. C’est une conclusion dure, et elle vient des mêmes auteurs qui avaient établi, deux ans plus tôt, la preuve la plus citée d’un signal réel, ce qui renforce la crédibilité des deux résultats plutôt que de les opposer : la même équipe applique la même rigueur pour confirmer un signal quand la méthode l’isole correctement, et pour le réfuter quand elle ne le peut pas.

Un problème plus ancien que les LLM : l’overfitting de backtest

C’est la question qui mérite d’être posée avant toute autre : ce phénomène est-il propre aux LLM, ou la finance quantitative l’a-t-elle déjà rencontré sous une autre forme ? La réponse est clairement non, et le précédent est instructif. En 2014, David Bailey, Jonathan Borwein, Marcos López de Prado et Qiji Jim Zhu publient, dans les Notices of the American Mathematical Society, un article au titre délibérément provocateur : Pseudo-Mathematics and Financial Charlatanism. Ils y formalisent l’« overfitting de backtest » : une performance simulée impressionnante est facile à obtenir dès lors que l’on teste un nombre suffisant de configurations alternatives d’une même stratégie sur les mêmes données historiques, et plus ce nombre de configurations testées est élevé, plus la probabilité que le backtest soit surajusté augmente. Leur résultat le plus frappant, et le plus directement transposable au cas des LLM : sous certains effets de mémoire, l’overfitting de backtest ne produit pas une performance nulle hors échantillon, il produit un rendement attendu négatif, ce qui pourrait expliquer pourquoi tant de fonds quantitatifs échouent malgré un excellent historique de test.

La mémorisation décrite par Lopez-Lira, Tang et Zhu une décennie plus tard rejoint cette famille de problèmes sans se confondre avec elle, et la nuance a des conséquences pratiques. Le surajustement de backtest est un problème de tests multiples et de sélection : on essaie assez de configurations pour en trouver une exceptionnelle par hasard. La mémorisation est un problème de fuite d’information dans le temps : le modèle a potentiellement vu le résultat qu’on lui demande de prévoir. Les causes diffèrent, mais la signature observable se ressemble. Un modèle, qu’il s’agisse d’une stratégie de trading choisie parmi des milliers de configurations testées ou d’un modèle de langage ayant mémorisé des valeurs historiques, paraît compétent sur des données qu’il a déjà « vues », et cette compétence apparente se dégrade, voire s’inverse, hors de cet échantillon. Le contrôle qui neutralise l’un ne neutralise pas automatiquement l’autre : compter les configurations testées ne dit rien sur ce que le modèle a lu, et vérifier une date de coupure ne dit rien sur le nombre d’essais.

Un second précédent renforce le parallèle, avec une réserve que je pose tout de suite : je n’ai pas pu vérifier ce papier en texte intégral, et je le décris donc tel qu’il est caractérisé par la littérature du backtest overfitting qui le cite, pas à partir d’une lecture directe. Richard McLean et Jeffrey Pontiff, dans le Journal of Finance en 2016, examinent une centaine d’anomalies de rendement publiées dans la littérature académique et montrent que leurs rendements déclinent significativement après publication, une partie de ce déclin étant attribuée au fait que les investisseurs exploitent l’anomalie dès qu’elle devient publique. C’est exactement le mécanisme que Lopez-Lira et Tang documentent pour leur propre signal LLM : le rendement de la stratégie décline avec l’adoption.

Ma lecture : le problème de mémorisation des LLM n’est pas un risque inédit né de l’intelligence artificielle. C’est un instrument nouveau qui a hérité d’une famille de maladies anciennes de la finance quantitative, sans en être une simple répétition. Un département des risques qui dispose déjà d’une gouvernance pour auditer les backtests de stratégies quantitatives (longueur minimale de backtest, ratio de Sharpe déflaté, test hors échantillon strict, coûts de transaction, validation indépendante) tient le socle du contrôle. Il ne tient pas l’ensemble. Un système fondé sur un LLM ajoute des questions que la gouvernance quantitative classique n’a jamais eu à poser : corpus d’entraînement opaque, date de coupure parfois mal documentée, ajustement fin et post-entraînement, mises à jour silencieuses du modèle par le fournisseur, non-déterminisme des sorties, sensibilité à la formulation du prompt, contamination possible par la récupération documentaire ou les outils connectés, dépendance à un prestataire externe, reproductibilité des résultats. Le socle existant se complète de ces contrôles propres aux modèles génératifs, il ne les remplace pas.

Mesurer l’ampleur du bruit : ce que trois études récentes chiffrent

Source : Liang (2024/2026).

Chuan Liang quantifie l’écart d’erreur de prévision de GPT-4 selon que la cible est antérieure ou postérieure à sa date de coupure de connaissances (30 septembre 2021). L’erreur absolue de prévision est environ 18 % plus faible avant la coupure pour les niveaux d’indices quotidiens, un effet concentré à environ 65 % sur le S&P 500 et statistiquement non significatif sur le Russell 2000, environ 16 % plus faible pour les prix d’actions mensuels, et environ 11 % plus faible pour les résultats trimestriels. L’auteur montre aussi que cet avantage artificiel compresse l’écart de précision entre GPT-4 et les analystes financiers humains, en particulier sur les trimestres à forte volatilité ou à forte surprise de résultat : précisément les cas où un décideur serait le plus tenté de faire confiance au modèle.

Source : Didisheim, Fraschini & Somoza (2025).

Antoine Didisheim, Martina Fraschini et Luciano Somoza, dans Economics Letters, demandent au modèle de rappeler des rendements historiques sans aucun contexte, pour isoler la part de mémorisation pure. Avec GPT-4.1, la part des observations qu’il faudrait exclure pour annuler tout ratio de Sharpe artificiel généré par ce rappel passe de 3,5 % dans la configuration la plus sobre du prompt à 22 % dès qu’on enrichit le contexte avec le rendement du jour même, une information de faible valeur en apparence mais qui suffit à réactiver la mémoire du modèle. Point notable : cet effet de contamination dépend de la taille du modèle. GPT-4.1-nano, une version plus compacte testée dans la même étude, ne montre aucune corrélation significative entre ses rappels et les rendements réels. Les modèles de plus grande capacité apparaissent donc associés à la fois à de meilleures performances sémantiques chez Lopez-Lira et Tang et à davantage de mémorisation chez Didisheim et ses coauteurs. La taille n’est pas pour autant isolée expérimentalement comme le mécanisme causal. Ces comparaisons portent aussi sur des architectures, des entraînements et des générations différents, et Lopez-Lira et Tang notent eux-mêmes que la date de coupure de Llama 2, en septembre 2022, chevauche une partie de leur échantillon et peut biaiser certaines comparaisons entre modèles. La corrélation suffit toutefois à compliquer sérieusement l’idée reçue selon laquelle un modèle plus gros et plus récent serait mécaniquement plus fiable pour ce type de tâche.

La fiabilité numérique de base : un problème antérieur à la prévision

Avant même la question de la mémorisation, il existe un problème plus élémentaire : la capacité d’un modèle à lire correctement un tableau financier et à en tirer un calcul juste. C’est ce que mesure FAITH, un cadre d’évaluation présenté à la sixième conférence ACM sur l’IA en finance, construit à partir de rapports annuels réels de sociétés du S&P 500. La tâche consiste à masquer une valeur numérique dans un tableau et à demander au modèle de la reconstituer, en classant chaque cas selon qu’il s’agit d’une lecture directe, d’un calcul comparatif, d’un calcul à deux variables ou d’un calcul multivarié. Sur l’ensemble des cas, les deux modèles propriétaires en tête, Claude Sonnet 4 et Gemini 2.5 Pro, affichent une exactitude globale élevée, respectivement 95,6 % et 91,9 %, soit un taux d’erreur global de seulement 4 à 8 %. Mais cette moyenne masque un effondrement sur la catégorie la plus exigeante : le calcul multivarié, qui demande d’enchaîner trois opérations arithmétiques ou plus sur des métriques différentes. Sur cette seule catégorie, l’exactitude tombe à 80 % pour Claude Sonnet 4 et 90 % pour Gemini 2.5 Pro, soit précisément le taux d’erreur de 10 à 20 % que les auteurs mettent en avant dans leur résumé pour les modèles les plus avancés. Cette mesure repose toutefois sur seulement dix cas de calcul multivarié dans le jeu d’évaluation principal : un résultat de plus ou de moins déplace le chiffre de dix points, ce qui en fait une estimation fragile plutôt qu’une mesure de précision établie.

Source : Fu et al. (2025), ICAIF ‘25.

Point de précision important : ce n’est pas Claude Sonnet 4 ou Gemini 2.5 Pro qui s’effondrent vers 0 % sur les cas les plus complexes, contrairement à ce que suggère une lecture rapide de certaines sources secondaires citant ce benchmark. Les scores proches de 0 % sur le calcul multivarié appartiennent à des modèles beaucoup plus modestes, comme Llama-3.3-70B. Ce chiffre ne dit rien sur la capacité prédictive du marché. Il dit simplement qu’un modèle, même le meilleur du marché, peut se tromper sur une marge brute qui demande d’enchaîner plusieurs opérations à partir d’un document qu’il a sous les yeux.

L’angle systémique : et si le vrai risque n’était pas individuel ?

Un travail récent de la Réserve fédérale déplace utilement la question. Anne Lundgaard Hansen et Seung Jung Lee, dans un document de travail conjoint du Board of Governors et de la Fed de Richmond, reproduisent en laboratoire des expériences classiques sur le comportement grégaire en salle de marché, avec des agents fondés sur des LLM à la place de sujets humains. Leur constat initial va à contre-courant du discours sur le risque systémique de l’IA : les agents IA prennent des décisions plus rationnelles que les humains, en s’appuyant davantage sur leur information privée que sur la tendance de marché observée. Selon les paramétrages testés, les agents IA prennent une décision rationnelle entre 61 % et 97 % du temps, contre 46 % à 51 % seulement pour les professionnels des marchés financiers de l’expérience humaine de référence, et les cascades d’information ne surviennent que dans 0 à 9 % des décisions des agents IA, contre environ 20 % chez les humains. Mais les auteurs montrent aussi que ces mêmes agents peuvent être amenés à adopter un comportement grégaire de façon quasi optimale dès qu’on les guide explicitement vers la maximisation du profit, et que ce grégarisme rationnel reste porteur d’implications pour la stabilité financière à l’échelle du système, en particulier si un grand nombre d’acteurs de marché s’appuient sur des modèles proches ou identiques.

Hansen et Lee (2025), Board of Governors de la Réserve fédérale et Fed de Richmond : reproduction en laboratoire d'expériences classiques sur le comportement grégaire, avec des agents fondés sur des LLM à la place de sujets humains. Les auteurs montrent aussi que ces mêmes agents peuvent adopter un comportement grégaire de façon quasi optimale dès qu'on les guide explicitement vers la maximisation du profit, un grégarisme rationnel porteur d'implications pour la stabilité financière à l'échelle du système.

Quatre usages, quatre niveaux de preuve

Opposer un « camp du signal » à un « camp du bruit » serait commode, et faux. Les travaux cités ici ne portent pas sur la même tâche : ce ne sont pas des réplications d’un même phénomène, mais des familles de risques distinctes. Une conclusion valable pour l’une ne se transpose pas mécaniquement aux autres. Le découpage qui me paraît réellement utile à un décideur tient en quatre usages.

Prévision de marché. C’est l’usage le plus documenté et le plus contradictoire. Un signal post-cutoff existe, statistiquement significatif, et rien dans la littérature récente ne l’annule. Sa validation économique est en revanche beaucoup plus difficile que ne le suggèrent les backtests standards : coûts de transaction, turnover, mode de pondération du portefeuille, déclin dans le temps. Et dès que le test porte sur une période couverte par l’entraînement, la mémorisation rend l’interprétation non identifiable (Lopez-Lira, Tang & Zhu ; Liang ; Didisheim, Fraschini & Somoza convergent sur ce point précis).

Calcul numérique sur documents. Risque différent, mesuré différemment. FAITH ne teste aucune prévision : il mesure si le modèle lit correctement un tableau et enchaîne juste les opérations. Le taux d’erreur y est faible en moyenne et nettement plus élevé sur les calculs multivariés. Un modèle peut donc être fiable en prévision de sentiment et faux sur une marge brute, ou l’inverse.

Recherche documentaire. C’est structurellement l’usage le moins exposé, parce qu’on ne demande au modèle ni de deviner l’avenir ni de restituer une valeur de mémoire : il localise et reformule un texte qui existe déjà, sous contrôle humain en aval. Une équipe de gestion des risques de la banque TD a publié une méthodologie de recherche augmentée par récupération documentaire, appliquée à 94 lignes directrices réglementaires du régulateur bancaire canadien couvrant la période 1991 à 2024. Une asymétrie de preuve mérite ici d’être nommée plutôt que laissée implicite : les travaux sur la contamination temporelle viennent d’équipes académiques distinctes n’ayant rien à vendre, alors que ce cas repose sur une source unique, produite par l’équipe qui a construit l’outil qu’elle documente. Cela ne le rend pas faux, mais il pèse moins lourd que le reste de l’article.

Décision multi-agents. Le travail de la Réserve fédérale ne mesure ni un signal de prévision ni une erreur de calcul, mais un comportement collectif. Ses agents sont d’ailleurs plus rationnels et moins grégaires que les humains dans la configuration de base. Le risque qu’il documente est systémique, pas individuel, et il ne dit rien sur la qualité prédictive d’un outil pris isolément.

Ce que je retire de ce découpage : il n’existe pas de verdict unique sur « les LLM en finance ». Des signaux existent dans certaines tâches, mais leur validation économique est beaucoup plus difficile que ne le suggèrent les backtests standards. La valeur la plus solide et la plus immédiatement disponible reste celle des usages où le modèle retrouve et reformule une information déjà écrite, avec vérification humaine du résultat.

Application concrète selon le profil de décision

Ce que j’en retiens pour un décideur

Un directeur des risques ou un gérant qui évalue un outil de prévision fondé sur un LLM ne devrait pas s’arrêter à la question « est-ce mesuré post-cutoff ? ». C’est la bonne première question, ce n’est pas la seule, et une date de coupure déclarée par un fournisseur ne se vérifie pas depuis l’extérieur. Ce que j’exigerais d’un fournisseur, dans cet ordre :

• quelle version exacte du modèle a été figée pour l’évaluation, et à quelle date ;
• quelles données étaient accessibles au système pendant le pré-entraînement, le post-entraînement, l’ajustement fin, la récupération documentaire et les outils connectés ;
• si le test est réellement en avant seulement, sans que la période d’évaluation ait servi à régler quoi que ce soit ;
• si les performances annoncées incluent les coûts de transaction, le turnover et les contraintes d’exécution ;
• combien de configurations ont été essayées avant de retenir celle qui est présentée.

Formulé autrement : une évaluation temporelle strictement hors entraînement, sur une version figée du modèle, avec traçabilité de toutes les sources d’information accessibles au système. Cette exigence ne se confond pas avec un refus d’expérimenter. Entre « acheter et laisser trader » et « ne rien adopter », il existe une gradation entière : bac à sable, portefeuille fictif, trading sur papier, aide à l’analyste, classement de nouvelles, double validation humaine, limites de risque très basses, comparaison avec un modèle de référence déjà en place. Le seuil qui compte n’est pas l’expérimentation, c’est le passage en production décisionnelle. Un décideur devrait aussi se méfier d’une heuristique intuitive mais trompeuse : un modèle plus récent et plus volumineux n’est pas automatiquement plus fiable pour ce type de tâche, puisque la même caractéristique (la taille) est corrélée à la fois à l’émergence d’un signal réel et à une capacité de mémorisation contaminante plus forte. Le réflexe le plus utile, pour une organisation qui dispose déjà d’une gouvernance de risque modèle sur ses stratégies quantitatives classiques, est d’étendre cette gouvernance existante plutôt que d’en construire une nouvelle : un test hors échantillon strict et un contrôle du nombre de configurations essayées valent, pour un outil LLM, ce qu’ils valaient déjà pour un backtest de stratégie quantitative en 2014. À condition d’y ajouter ce qu’un backtest classique n’avait jamais à contrôler : la version du modèle et sa date de gel, l’opacité du corpus d’entraînement, les mises à jour décidées par le fournisseur, le non-déterminisme des sorties et la sensibilité à la formulation du prompt.

Implications à trois horizons

À court terme (0 à 12 mois), la priorité est d’auditer toute solution de prévision fondée sur un LLM déjà en place ou en cours d’évaluation, en demandant explicitement la méthodologie de séparation entre données d’entraînement et données de test. À moyen terme (1 à 3 ans), l’enjeu porte sur la ségrégation des cas d’usage internes entre tâches de récupération documentaire supervisée, où l’adoption peut s’accélérer avec un risque maîtrisé, et tâches de prévision ou de calcul autonome, où la vérification humaine devrait rester la norme tant que les taux d’erreur documentés par des benchmarks indépendants n’auront pas structurellement baissé. À long terme (au-delà de 3 ans), la question qui mérite d’être suivie est celle du risque systémique documenté par la Réserve fédérale : si l’industrie converge vers un petit nombre de modèles fondamentaux largement partagés pour le conseil de trading, la réduction du comportement moutonnier irrationnel à l’échelle individuelle pourrait se payer d’une corrélation accrue des comportements à l’échelle du marché. Le coût énergétique des LLM de raisonnement documenté plus haut est aussi ce qui rend crédible l’hypothèse d’un désassemblage progressif de l’IA généraliste en briques spécialisées, chaque tâche routée vers l’architecture la plus efficiente : notre analyse sur les alternatives aux LLM (TRM, Mamba, JEPA) détaille ce à quoi ça ressemble concrètement.

Lopez-Lira, A., Tang, Y. (première version 6 avril 2023, version révisée du 11 août 2026). « Can ChatGPT Forecast Stock Price Movements ? Return Predictability and Large Language Models ». Journal of Financial Economics. Les analyses de turnover et de sensibilité aux coûts de transaction citées dans cette analyse proviennent de la révision du 11 août 2026, postérieure à sa première publication. https://arxiv.org/abs/2304.07619

Lopez-Lira, A., Tang, Y., Zhu, M. (première version 15 avril 2025, cette version 16 décembre 2025). « The Memorization Problem : Can We Trust LLMs’ Economic Forecasts ? ». SSRN / arXiv:2504.14765. https://arxiv.org/abs/2504.14765

Bailey, D. H., Borwein, J. M., López de Prado, M., Zhu, Q. J. (2014). « Pseudo-Mathematics and Financial Charlatanism : The Effects of Backtest Overfitting on Out-of-Sample Performance ». Notices of the American Mathematical Society, 61(5), 458-471. https://ssrn.com/abstract=2308659

McLean, R. D., Pontiff, J. (2016). « Does Academic Research Destroy Stock Return Predictability ? ». The Journal of Finance, 71(1), 5-32.

Liang, C. (2024, révisé 2026). « Look-Ahead Bias in Financial Forecasts Generated by Large Language Models ». SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6772819

Didisheim, A., Fraschini, M., Somoza, L. (2025). « AI’s predictable memory in financial analysis ». Economics Letters, vol. 256. DOI 10.1016/j.econlet.2025.112602. https://www.sciencedirect.com/science/article/pii/S0165176525004392

Fu, J., Warrier, T., Zhang, M., Tan, T., Wang, Y., Huang, K.-W. (2025). « FAITH : A Framework for Assessing Intrinsic Tabular Hallucinations in Finance ». ICAIF ‘25, 6th ACM International Conference on AI in Finance, Singapour. https://arxiv.org/abs/2508.05201

Hansen, A. L., Lee, S. J. (2025). « Financial Stability Implications of Generative AI : Taming the Animal Spirits ». Board of Governors of the Federal Reserve System / Federal Reserve Bank of Richmond. https://arxiv.org/pdf/2510.01451

Haeri, A., Vitrano, J., Ghelichi, M. (2025). « Generative AI Enhanced Financial Risk Management Information Retrieval ». TD Bank, Model Development Innovation, Risk Management. Source practitioner interne à une banque, à lire avec ce biais de perspective en tête. https://arxiv.org/pdf/2504.06293