Trading agentique et trading algorithmique : là où ils se rejoignent

L'expression « trading agentique » est assez récente pour qu'on la croie destinée à remplacer quelque chose. Ce n'est pas le cas. La façon honnête de poser le débat entre trading agentique et trading algorithmique, c'est de le voir comme un nouvel étage bâti sur d'anciennes fondations : le trading algorithmique fournit la discipline (règles systématiques, validation historique, exécution mécanique), tandis que la couche agentique — le trading piloté par des agents IA — change la manière d'exprimer les stratégies, les données qu'elles peuvent consommer, et qui peut automatiser. Cet article parcourt les deux niveaux : ce que le trading algo a établi, ce que la couche agentique ajoute réellement, ce qui se transmet intact, et pourquoi traiter la nouvelle couche comme une échappatoire à l'ancienne discipline est la façon dont les comptes se font mal.

Le trading algorithmique : la discipline arrivée en premier

Le trading algorithmique est plus ancien que ses logiciels. En son cœur, c'est un engagement : les décisions découlent de règles énoncées à l'avance, ces règles sont testées sur l'historique avant de toucher à l'argent, et l'exécution est mécanique pour que l'émotion ne puisse pas renégocier le plan en cours de route. Le code n'est que la façon d'imposer cet engagement.

Ce n'est plus non plus une niche. Le marché mondial du trading algorithmique est estimé autour de 18,9 milliards de dollars en 2025, avec une projection à environ 20,4 milliards en 2026 (Straits Research, 2025), et la part grand public à elle seule est estimée près de 3,95 milliards, en croissance d'environ 13,4 % par an (Grand View Research, 2025). Ce qui fut jadis l'apanage de salles de marché aux serveurs colocalisés est désormais une façon banale, pour un particulier, de trader.

La part durable de la tradition, c'est son pipeline. Une hypothèse (« les tendances persistent sur les ETF indiciels ») devient une règle formelle (« long quand la moyenne mobile à 50 jours clôture au-dessus de celle à 200 jours ; hors marché au croisement inverse »). La règle est backtestée sur plusieurs régimes, frais et slippage inclus. Elle tourne en simulation, puis en réel à petite taille, et elle est ensuite surveillée face à son backtest pour toujours. Chaque étape existe parce que quelqu'un a perdu de l'argent en la sautant. Ce pipeline, et non tel indicateur particulier, est le véritable actif de la discipline, et son versant recherche le plus poussé est un art à part entière, abordé dans le trading quantitatif.

La faiblesse de la tradition, c'est sa porte d'entrée. Formaliser cette hypothèse exige soit des compétences en programmation, soit l'éditeur de règles d'une plateforme, et les deux vous demandent d'exprimer votre idée dans les termes du système plutôt que dans les vôtres. Bien des idées de trading solides meurent dans l'écart entre « je sais le dire » et « je sais le coder ».

Trading agentique et trading algorithmique : ce qui change réellement

La couche agentique change trois choses, et il vaut la peine d'être précis sur chacune, car aucune n'est « la machine choisit désormais les actions ». (Pour la définition complète de la catégorie, voyez ce qu'est le trading agentique.)

D'abord, l'expression de la stratégie passe au langage naturel. La règle du croisement doré ci-dessus, à l'ère de l'algo, signifiait du code : récupérer les chandeliers journaliers, calculer deux moyennes glissantes, gérer les cas limites où la donnée manque, brancher le signal sur une routine d'ordres, dimensionner la position. Dans un système agentique, vous écrivez la phrase : « Passe long l'ETF indiciel quand la moyenne mobile à 50 jours clôture au-dessus de celle à 200 jours, sors au croisement inverse, ne risque pas plus de 2 % du portefeuille par position. » Le système traduit cela dans les mêmes conditions formelles qu'un programmeur aurait écrites, et vous montre la traduction pour validation. La stratégie est inchangée. Le coût de son expression, lui, s'est effondré.

Ensuite, l'espace des entrées s'élargit. Les algorithmes classiques consomment des séries structurées : prix, volumes, valeurs d'indicateurs. Un système agentique peut aussi traiter des événements non structurés comme des conditions à part entière, tels que la gravité d'une actualité sur un titre précis, une échéance du calendrier macroéconomique, ou un dépôt réglementaire classé comme significatif. « Se tenir à l'écart durant l'heure entourant les publications du CPI » a toujours été une règle sensée ; elle n'avait simplement aucune place naturelle dans un pipeline fondé sur les seuls prix.

Enfin, l'automatisation grimpe du niveau de l'ordre au niveau de l'intention. Un algorithme automatise une procédure entièrement spécifiée. Un système agentique accepte un objectif assorti de contraintes (« garde ce portefeuille à 5 % des pondérations cibles, trade au plus une fois par mois ») et en dérive la procédure, sous réserve de votre validation et de vos limites. Vous supervisez l'intention plutôt que la syntaxe.

Remarquez ce qui est absent de la liste : rien sur de meilleures prédictions. La couche agentique est un changement d'interface et de raisonnement, pas une source d'alpha. L'adoption sectorielle reflète cette lecture lucide ; dans les services financiers au sens large, 23 % des acteurs déclarent avoir atteint des stades plus matures d'IA agentique tandis que 29 % en sont encore à la phase pilote (Cambridge CCAF / WEF, 2026 Global AI in Financial Services Report, mai 2026). La technologie se répand parce qu'elle abaisse le coût de faire les choses avec discipline, non parce qu'elle a déniché une nouvelle source de rendement.

Ce qui se transmet intact

Tout ce qui est porteur, voilà la réponse courte.

La validation reste souveraine. Une stratégie exprimée en une phrase est exactement aussi capable d'être fausse que celle exprimée en Python ; elle doit donc gagner son passage à travers la même épreuve : backtester sur plusieurs régimes, paper trader sur données réelles, passer en réel à petite taille. Si tant est, les stratégies agentiques ont d'autant plus besoin de l'épreuve, car une étape de traduction s'intercale désormais entre votre intention et les règles en marche, et seule la simulation révèle si la traduction correspond à ce que vous vouliez dire. Les détails de ce processus figurent dans comment backtester un agent de trading IA.

Le surapprentissage n'a pas pris sa retraite non plus ; il a juste trouvé un nouveau costume. Au-delà des péchés classiques (trop de paramètres, biais du survivant, lookahead), l'ère des agents en ajoute un inédit : quand un modèle de langage participe à l'évaluation de périodes historiques qui recoupent ses données d'entraînement, il peut de fait se souvenir des réponses, et la recherche montre que de tels backtests gonflent une performance qui se dégrade ensuite hors échantillon (arXiv:2505.07078, 2025). La défense est structurelle : garder le moteur de backtest déterministe et laisser le modèle traduire la stratégie, jamais la noter.

La gestion du risque se transmet en entier. Dimensionnement de position, placement des stops, plafonds d'exposition, limites de perte : l'arithmétique est identique qu'un humain, un script ou un agent propose la transaction. La conscience des coûts aussi. Les écarts, les frais et le slippage taxent chaque exécution, quelle que soit l'élégance de la formulation de la stratégie, et une stratégie qui ne marche qu'à coût nul ne marche toujours pas.

Il y a une façon nette de résumer cette section : la couche agentique a changé le prix de l'écriture des stratégies, et n'a rien changé au prix de se tromper.

Une couche sur la même pile, pas un successeur

Représentez-vous la pile concrètement. Tout en bas : les pipelines de données de marché, les moteurs de backtest, le routage des ordres, les contrôles de risque. Cette couche est, et doit rester, déterministe, parce qu'elle fait de l'arithmétique, et l'arithmétique réclame l'exactitude. Au-dessus : la couche agentique, qui traduit l'intention, surveille les entrées non structurées, reformule la logique pour validation. Les systèmes bâtis ainsi héritent de la fiabilité du trading algorithmique là où la fiabilité importe, et n'ajoutent de la flexibilité que là où elle est sans danger. Quand vous évaluez une plateforme de ce domaine, le diagnostic le plus rapide est de repérer cette frontière ; la checklist complète se trouve dans choisir une plateforme de trading algorithmique.

Les deux traditions gardent aussi des centres de gravité distincts. Les stratégies sensibles à la latence, riches en microstructure, entièrement numériques, restent le territoire du pur algo ; aucune couche d'interprétation n'améliore une règle déjà exacte, et le travail quant de niveau recherche se fait toujours en code. La couche agentique gagne sa place là où les stratégies impliquent du langage, du contexte, des événements, et les humains qui pensent avec eux.

Obside est explicitement conçu comme le pont entre les étages. En dessous se trouve une machinerie de niveau algo : un moteur de backtesting qui rejoue des années d'historique en quelques minutes avec des hypothèses de slippage, du paper trading sur données réelles doté des contrôles de risque de production, et un routage d'ordres qui impose dimensionnement, stops et plafonds de perte au moment de l'exécution. Au-dessus se trouve l'interface agentique : vous tapez la phrase du croisement doré vue plus haut, le copilote la reformule en conditions surveillées et en plan d'ordres, et après votre validation la même définition circule à travers le backtest, le paper et le réel sans être réécrite. Le flux de travail qu'un quant institutionnel suit par habitude professionnelle devient le chemin de moindre résistance pour quiconque sait décrire une règle.

Où aller à partir d'ici

Si vous venez du côté algorithmique, la couche agentique n'est pas une menace pour votre discipline ; c'est une façon moins coûteuse de l'appliquer, plus un espace d'entrées que votre pipeline fondé sur les seuls prix ne pouvait atteindre. Si vous arrivez sans bagage, l'héritage circule dans l'autre sens : l'interface a beau être conversationnelle, les standards du dessous (valider d'abord, dimensionner petit, compter les coûts, se méfier des beaux backtests) ne sont pas négociables, et ce sont eux qui ont permis à l'ancienne tradition de survivre assez longtemps pour se voir dotée d'une nouvelle interface. Le point de rencontre des deux est là où vous voulez opérer. Voyez ce que cela donne en pratique : décrivez en langage clair une règle en laquelle vous avez déjà confiance sur Obside, et faites-la passer par le backtest et le paper avant qu'elle ne mérite du capital réel.

Contenu éducatif uniquement. Ceci ne constitue pas un conseil en investissement. Le trading comporte des risques, y compris la perte de capital.