Une capture d’écran circule un jeudi après-midi. Un graphique du Bitcoin, une flèche rouge tracée vers le bas depuis un sommet local, et une légende : notre modèle a appelé cette baisse. L’image est réelle. La baisse est réelle. Ce qui manque, c’est la seule chose qui donnerait un sens à l’affirmation — la preuve que la flèche existait avant la bougie.
Ce fossé est tout le sujet de cet article. Pas de savoir si l’IA peut dire quelque chose d’utile au sujet du prix du Bitcoin — elle le peut — mais plutôt quelles parties de la pratique survivent au contact avec un tableau de bord public, et quelles parties n’existent que parce que personne ne vérifie.
Ce qu’une prévision de prix du Bitcoin affirme réellement
« Le Bitcoin atteindra un certain niveau » n’est pas une seule affirmation. C’est trois affirmations, soudées ensemble et généralement laissées implicites.
Le premier est une direction. Le second est une amplitude. Le troisième, celui qu’on omet presque toujours, est un horizon : à quel moment, et mesuré par rapport à quel prix de référence, sur quel lieu, en utilisant quelle convention d’horodatage. En supprimant l’horizon, la revendication devient invérifiable — chaque appel finit par être juste si vous ne dites jamais quand.
Une prévision qui peut être notée doit fixer à l’avance les trois éléments. « La probabilité que le BTC clôture au-dessus d’un niveau donné à une minute UTC donnée, référencé à un indice donné » est une affirmation testable. « Le BTC monte » est une humeur.
Cette distinction compte plus pour le Bitcoin que pour la plupart des actifs, car le Bitcoin s’échange en continu sur des plateformes sans cloche de clôture pour ancrer la question. Si la référence est laissée vague, la personne qui évalue la prévision peut choisir le tick qui l’arrange. Spécifier la référence n’est pas de la pédanterie. C’est ce qui rend le registre à l’épreuve des objections.
Ce que l’IA fait vraiment bien sur Bitcoin
Enlevez les flèches, et il y a ici un vrai travail. Le machine learning fait plusieurs choses sur des données crypto qu’un analyste humain ne peut pas faire à la même vitesse ni à la même échelle.
Détection de régime. Les marchés n’ont pas un seul comportement : ils en ont plusieurs, et ils changent. Une période de faible volatilité réalisée avec des intervalles serrés et à retour vers la moyenne ne ressemble en rien à un dénouement haussier/baissier à forte volatilité et tendance. Les modèles de Markov cachés, le clustering sur des fenêtres glissantes de caractéristiques, et les modèles de séquence sont vraiment utiles pour étiqueter de quel régime ressemble le flux actuel. Cette étiquette ne vous dit pas le prochain prix. Elle vous dit quelle distribution des prochains prix est plausible — une affirmation beaucoup plus faible, et beaucoup plus honnête.
Estimation de la volatilité. C’est l’application la plus défendable de tout le domaine. La volatilité est persistante d’une manière que les rendements ne le sont pas : les périodes calmes se regroupent, les périodes violentes se regroupent. Des modèles qui ingèrent la volatilité réalisée, les surfaces implicites, les taux de financement et l’intérêt ouvert peuvent produire des fourchettes prospectives utiles. Prédire la largeur de la distribution à venir est un problème différent, et bien plus abordable, que prédire où se situera son centre.
Lecture du flux d’ordres. Déséquilibre du carnet d’ordres, autocorrélation du signe des transactions, la profondeur qui apparaît puis disparaît autour des nombres ronds, la vitesse des liquidations — tout cela est mesurable et transporte de l’information à horizon court. L’information se dégrade vite, souvent en secondes à minutes, et elle est « évincée » de manière agressive. Mais elle existe, et les machines la lisent mieux que les humains.
Données on-chain. Le Bitcoin est particulier en étant un registre public. Les distributions d’âge des pièces, les flux entrants et sortants des exchanges, les soldes des mineurs, la part de l’offre qui n’a pas bougé depuis des années — ce sont des caractéristiques structurelles qu’aucun analyste actions n’a. Ce sont des signaux lents, mieux adaptés pour décrire la composition des détenteurs que pour chronométrer quoi que ce soit. Traité comme contexte, c’est utile. Traité comme déclencheur, cela produit surtout de fausses alertes.
Traitement des nouvelles à grande échelle. Les modèles de langage peuvent lire chaque dépôt, notification réglementaire, annonce d’exchange et changement de protocole, dans le temps qu’il faut à une personne pour en lire un seul, et peuvent transformer ce flux en caractéristiques structurées : ce qui s’est passé, à qui, à quel point c’est inhabituel par rapport au taux de base. C’est un vrai levier côté entrée d’une prévision.
Regardez ce que chaque élément de cette liste a en commun. Ils améliorent tous la description de l’incertitude. Aucun ne produit un prix.
Ce que l’IA ne peut pas faire, quelle que soit la taille du modèle
Elle ne peut pas vous dire le prix du Bitcoin mardi prochain.
Pas parce que les modèles sont trop petits, ou les données trop clairsemées, ou les caractéristiques pas encore assez intelligentes. Mais parce que le prix est fixé par un marché liquide et adversarial, dans lequel chaque participant ayant une prédiction qui fonctionne est déjà en train d’y trader. Tout ce qui est connaissable et rentable est incorporé en continu par des gens disposant de capitaux, d’avantages de latence, et de leurs propres modèles. Aucune méthode ne bat de façon fiable un marché liquide, et quiconque promet ça vend quelque chose.
Ce qui reste après tout cela vaut encore la peine d’être obtenu : une incertitude mieux calibrée, une reconnaissance plus rapide de l’état dans lequel se trouve le marché, et des estimations disciplinées de la largeur que pourrait avoir le prochain mouvement. Ce sont de vraies contributions. Ce ne sont pas des appels de prix, et tout système qui les habille comme des appels de prix est passé de la prévision à la performance.
Le théâtre est facile à identifier une fois qu’on connaît la forme. Des prédictions ponctuelles sans intervalle. Des horizons qui changent a posteriori. Des exemples choisis sans dénominateur. Une confiance qui ne varie jamais avec la difficulté de la question. Un historique constitué uniquement des cas qui ont fonctionné.
Bien calibré plutôt que confiant : le plaidoyer pour les probabilités
L’alternative à un nombre sûr n’est pas une couverture. C’est une probabilité qui a été testée.
Un prévisionniste qui affirme 70 % devrait avoir raison environ 70 % du temps sur toutes les occasions où il a dit 70 %. C’est l’étalonnage, et c’est mesurable — mais seulement sur une série complète, en incluant toutes les prévisions qui se sont mal passées. Une seule prédiction ne vous apprend rien. Cent prédictions, toutes enregistrées à l’avance, vous apprennent beaucoup.
Les règles de scoring correctes sont la manière dont la mesure est effectuée. Le score de Brier et le log-loss partagent une propriété qui les rend difficiles à tricher : les deux sont minimisés en rapportant votre véritable croyance. S’afficher avec trop de certitude est puni plus durement qu’avoir tort tout en étant adéquatement incertain. Un prévisionniste qui dit 95 % et se trompe obtient une bien moins bonne note que quelqu’un qui avait dit 60 % et s’est trompé. Sous une règle de scoring correcte, la bravade a un coût : ce n’est pas un atout marketing.
C’est pourquoi une sortie probabiliste n’est pas un produit plus faible qu’une cible de prix. C’est la seule sortie qui peut être évaluée du tout.
Pourquoi un backtest n’est pas une preuve
Chaque modèle a un bon backtest. Voilà à quoi sert un backtest.
Les données historiques sont fixes et finies, et le chercheur est un humain qui les a déjà vues. Les choix s’accumulent discrètement : quelle fenêtre, quelles caractéristiques, quelle normalisation, quelles exclusions pour les « périodes anormales », combien de variantes ont été essayées avant qu’on obtienne quelque chose de propre. Même mené avec une intégrité totale, le processus s’ajuste au passé — et le passé est le seul jeu de données dont on est certain qu’il ne reviendra jamais.
La crypto amplifie cela. La microstructure du marché a changé à répétition à mesure que les plateformes, les instruments, la garde/custody et les participants ont changé. Un modèle calibré sur une ère structurelle antérieure est souvent testé sur un marché qui n’existe plus.
Le seul test qui n’est pas contaminé, c’est l’out-of-sample au sens strict : la prévision est faite avant l’issue, publiée avant l’issue, et ne peut pas être révisée après. C’est une affirmation beaucoup plus petite qu’un backtest, qui arrive beaucoup plus lentement. C’est aussi la seule sorte qui compte.
À quoi ressemble une prévision BTC verrouillée, hachée et notée publiquement
Voici le mécanisme, dans l’ordre.
La prévision est écrite intégralement avant l’événement : la question, le prix de référence et la plateforme, le moment exact de résolution en UTC, la probabilité, et le raisonnement qui l’a produite. Rien n’est laissé implicite, parce que tout ce qui est implicite peut être réinterprété plus tard.
Ce document est ensuite haché avec SHA-256. Le hachage est une empreinte de longueur fixe — changer un seul caractère de la prévision change complètement l’empreinte. Publier le hachage engage sur le contenu sans nécessairement le révéler encore.
Le hachage est ancré à la blockchain Bitcoin via OpenTimestamps, ce qui prouve que l’empreinte existait au plus tard à partir d’un bloc donné. Il y a une belle symétrie à utiliser le propre registre de Bitcoin pour horodater des affirmations sur le prix du Bitcoin : la même propriété qui rend la chaîne utile comme couche de règlement — coûteuse, publique, difficile à réécrire — la rend aussi utile comme notaire.
Lorsque le temps de résolution arrive, le résultat est enregistré par rapport à la référence annoncée à l’avance et noté avec une règle de scoring appropriée. Le résultat est ensuite publié sur le même registre public que le reste. Pas une sélection. Tout — les appels qui ont abouti et ceux qui n’ont pas abouti, à taille identique, au même endroit.
C’est la partie où la plupart des historiques échouent discrètement. Un registre avec un éditeur, c’est une brochure.
Rien de tout cela ne rend une prévision correcte. Cela la rend vérifiable, ce qui est la seule propriété qui sépare une méthode de prévision d’une capture d’écran avec une flèche dessus. Le modèle peut être sophistiqué ou rudimentaire ; c’est l’horodatage qui vous permet de savoir lequel.
Contenu éducatif — pas un conseil financier.
Publié à l’origine sur neuportal.ai/blog/how-ai-forecasts-the-bitcoin-price