Les algorithmes de trading fondés sur l’IA peuvent rendre les marchés moins concurrentiels

Les bots alimentés par l’intelligence artificielle jouent un rôle croissant de teneurs de marché (« market makers »), en fixant les prix et en mettant en relation acheteurs et vendeurs sur les marchés financiers. Pourtant, contrairement à une idée largement répandue, ils ne rendent pas nécessairement ces marchés plus concurrentiels.

Nos nouvelles recherches montrent que ces systèmes peuvent maintenir les prix au lieu de les faire baisser.

En théorie, les teneurs de marché devraient faire diminuer les prix en se concurrençant pour attirer les transactions, puisque les ordres sont exécutés auprès de celui qui propose le meilleur prix aux investisseurs. Dans la pratique, cette logique ne fonctionne pas toujours lorsque les prix sont déterminés par des algorithmes d’IA.

Dans nos simulations, les prix diminuent dans un premier temps, puis cessent progressivement de converger. Les bots finissent parfois par proposer des prix presque deux fois supérieurs au niveau dit de « Glosten-Milgrom », c’est-à-dire le niveau auquel la concurrence laisserait les teneurs de marché sans profit économique.

Plus surprenant encore, cet écart demeure même après un entraînement intensif. Nous avons soumis les algorithmes à environ un million de transactions simulées, de manière répétée. Malgré cela, les prix restaient supérieurs à ceux que l’on devrait observer dans un environnement véritablement concurrentiel. En pratique, ces systèmes auraient besoin d’un volume de données bien plus important - potentiellement plusieurs milliards de transactions - pour apprendre à devenir plus compétitifs. Or les marchés financiers évoluent beaucoup trop rapidement pour permettre un tel apprentissage.

Cela ne signifie pas que ces systèmes échouent complètement. Ils apprennent en effet à se protéger contre les transactions défavorables. Lorsque le risque de vendre à un prix trop faible augmente, ils augmentent leurs prix. En revanche, cette capacité d’apprentissage ne se traduit pas par une concurrence plus intense. Les algorithmes cessent trop tôt de réduire leurs prix et finissent par facturer bien au-dessus du niveau de Glosten-Milgrom.

Cette observation a des implications importantes pour la conception des marchés financiers.

Quand les remèdes réglementaires produisent l’effet inverse

Prenons l’exemple des « tick sizes », c’est-à-dire les écarts minimums autorisés entre les prix d’achat et de vente, définis par les régulateurs. Leur réduction vise généralement à renforcer la concurrence. Pourtant, lorsque l’IA entre en jeu, cette mesure ne produit pas toujours les effets attendus.

Lorsque cet écart minimum diminue, il devient plus facile et plus rentable pour les bots de proposer des prix légèrement inférieurs à ceux de leurs concurrents. En théorie, cela devrait intensifier la concurrence et faire baisser les prix. Mais nos simulations montrent que l’effet inverse peut parfois se produire. Réduire la taille minimale des variations de prix peut conduire à un élargissement des écarts acheteur-vendeur (« spreads »), augmentant ainsi les coûts supportés par les investisseurs.

La raison est simple : les algorithmes disposent alors d’un nombre beaucoup plus important d’options à explorer. Chaque niveau de prix est testé moins fréquemment, ce qui ralentit leur apprentissage. En d’autres termes, ils dispersent leurs efforts sur trop de possibilités à la fois. Cette situation suggère que certaines règles de marché peuvent devenir contre-productives lorsque les prix sont déterminés par des algorithmes. 

Les autorités américaines ont déjà commencé à évoluer dans cette direction en réduisant, pour certaines actions, le tick size d’un cent à un demi-cent afin de stimuler la concurrence. Mais cette évolution révèle un problème plus fondamental : une grande partie de la réglementation des marchés financiers repose encore sur des modèles décrivant le comportement humain. Or, lorsque les prix sont fixés par des machines, ces hypothèses ne sont plus toujours valides. Il devient donc nécessaire de repenser la conception des marchés financiers à l’ère des agents de trading alimentés par l’IA.

Pourquoi l’incertitude réduit la concurrence

Ces hypothèses traditionnelles se révèlent insuffisantes à bien d’autres égards. Par exemple, lorsque la demande pour un actif ou sa valeur deviennent plus incertaines, les bots ont davantage de difficultés à déterminer s’il est rentable de réduire leurs prix pour gagner des parts de marché.

Cette incertitude freine leur apprentissage et conduit, dans nos simulations, à une concurrence moins intense et à des spreads plus élevés.

Le phénomène est particulièrement marqué dans les situations que les algorithmes rencontrent rarement. Faute d’expérience suffisante, leur capacité d’apprentissage est limitée et les prix deviennent encore moins concurrentiels.

Nous observons également une réaction asymétrique aux changements de conditions de marché. Lorsque leurs profits diminuent, les bots augmentent rapidement leurs prix. En revanche, lorsque les conditions s’améliorent, ils mettent beaucoup plus de temps à les réduire. Les pertes sont donc rapidement répercutées sur les investisseurs, alors que les gains le sont beaucoup moins.

Davantage de bots peut néanmoins améliorer le marché

L’augmentation du nombre d’agents d’IA produit toutefois certains effets positifs. À long terme, lorsque davantage de bots participent au marché, les prix tendent à se rapprocher du niveau concurrentiel de Glosten-Milgrom.

Avec davantage de concurrents, les bénéfices liés à une légère baisse des prix deviennent plus visibles et moins aléatoires. Les algorithmes apprennent alors plus rapidement.

Le résultat est une diminution progressive des spreads à mesure que davantage d’agents d’IA entrent sur le marché. 

L’ensemble de ces phénomènes découle de la manière dont ces systèmes apprennent. Leur fonctionnement repose sur l’essai-erreur, mais les signaux qu’ils reçoivent sont particulièrement bruités. Il leur est donc difficile de déterminer si une réduction de prix est réellement rentable. Avec le temps, ils cessent d’explorer de nouvelles stratégies trop rapidement et se stabilisent sur des prix qu’ils considèrent comme profitables, sans qu’ils soient véritablement concurrentiels.

Le résultat est un marché où les prix s’ajustent, mais de manière incomplète, et où la concurrence demeure plus faible que ce que prédit la théorie économique. À terme, une automatisation accrue peut donc exercer moins de pression à la baisse sur les prix et conduire les investisseurs à payer davantage. 

Traduction assistée par un LLM.