Community Trust ScoreVérifié
La prévision du Bitcoin est un domaine très concurrentiel. Des dizaines de modèles se disputent l’attention — des formules basées sur la rareté, des suivis d’activité en chaîne, des graphiques de loi de puissance, des systèmes d’apprentissage automatique alimentés par des données macroéconomiques. Et pourtant, malgré toute cette complexité, la plupart ne peuvent pas battre une simple supposition.
C’est en gros la conclusion d’un préprint de Carlos Baquero de l’Université de Porto. Après avoir examiné 23 études significatives sur la prédiction des prix du Bitcoin, Baquero a constaté qu’aucun modèle ne surpassait systématiquement les repères naïfs sur des périodes de un à six mois. Les repères naïfs sont basiques — ils utilisent simplement le prix d’aujourd’hui ou les tendances simples du marché, sans mathématiques complexes. L’article attend encore d’être évalué par des pairs, mais le schéma qu’il expose est difficile à ignorer. Les modèles sophistiqués, construits par des chercheurs avec de réels moyens, continuent de perdre face à la base la plus simple possible. Ce n’est pas un problème mineur. C’est un problème structurel.
La prévision à court terme est une autre histoire, en quelque sorte. Les prédictions de flux de commandes et les modèles de rendement quotidien ont montré une certaine valeur réelle. Mais ils sont souvent regroupés avec des prévisions de prix à plus long terme lorsque les gens comparent les résultats — et c’est une erreur. La prédiction à court terme et à long terme sont essentiellement des problèmes différents. Les mélanger déforme l’image.
Pourquoi les marchés continuent de déjouer les modèles
Le problème central a un nom : la non-stationnarité. Les relations entre les variables ne restent pas stables dans le temps. Un modèle qui fonctionnait bien à une époque du marché peut devenir inutile à la suivante. Le cycle Bitcoin de 2017 était dominé par le commerce de détail. Le cycle de 2021 était dominé par les dérivés. Puis les ETF au comptant sont arrivés en 2024. Chaque changement a modifié suffisamment les dynamiques sous-jacentes pour casser les modèles calibrés sur des données antérieures.
La recherche de Francesco Puoti, Fabrizio Pittorino et Manuel Roveri le confirme. Leur étude a comparé des modèles naïfs à des modèles plus sophistiqués — réseaux ARIMA et LSTM — sur plusieurs cryptomonnaies et horizons de prévision. Les modèles naïfs ont gagné. De manière constante. La raison probable est que les modèles complexes ont tendance à « mémoriser » le bruit dans les données historiques plutôt que de trouver des schémas réels et stables. Ils semblent impressionnants sur les données passées. Puis de nouvelles données arrivent et tout s’effondre.
Et ce n’est pas seulement une question de choix de modèle. La fuite d’information et la gestion négligente des données peuvent gonfler les métriques de précision au point où elles ne signifient rien. Un modèle peut montrer une haute précision historique et produire encore des prévisions inutilisables en pratique — des prévisions sur lesquelles vous ne pouvez pas réellement trader.
Surapprentissage de backtest et l’illusion de succès
Le surapprentissage de backtest est probablement le plus grand piège dans ce domaine. Les chercheurs continuent de raffiner les modèles sur des données historiques jusqu’à ce que les résultats semblent excellents. Et ils semblent excellents — pour le passé. La recherche de David Bailey a expliqué exactement comment cela se produit et pourquoi c’est si dangereux. Le modèle s’adapte au bruit spécifique d’une période spécifique. Il ne se généralise pas. Donc, lorsque de vraies données futures arrivent, le modèle échoue.
La solution existe. L’évaluation en marche avant et les multiples fenêtres de rétention — des méthodes qui impliquent de réentraîner les modèles à plusieurs reprises sur des données fraîches et de les tester dans diverses conditions de marché — peuvent détecter le surapprentissage avant qu’il ne devienne un problème. Mais l’examen de Baquero a révélé que peu des 23 modèles qu’il a examinés utilisaient réellement ces méthodes. La plupart ne le faisaient pas. C’est une constatation assez accablante pour un domaine qui se présente comme rigoureux.
Les chiffres de haute précision dans les backtests sont séduisants. Ils attirent l’attention, font publier des articles, et parfois font bouger les marchés lorsqu’ils sont publiés. Mais si ces chiffres ne se traduisent pas en stratégies de trading exploitables, ils sont essentiellement du bruit déguisé en signal.
Stock-to-Flow et la loi de Metcalfe sous pression
Deux des cadres d’évaluation du Bitcoin les plus populaires — stock-to-flow et la loi de Metcalfe — ont leurs propres problèmes spécifiques. Le stock-to-flow lie la valeur du Bitcoin à sa rareté, affirmant que chaque réduction de moitié réduit l’offre et fait monter le prix. Les modèles de type Metcalfe disent que la valeur du Bitcoin croît avec sa base d’utilisateurs. Les deux sont intuitifs. Les deux ont de sérieuses limites.
L’étude de 2024 d’Alexander Shelton a testé les prédictions de rendement du Bitcoin en utilisant ces cadres. Il a constaté que les variables de stock-to-flow et de Metcalfe pouvaient expliquer les rendements dans l’échantillon — les données historiques sur lesquelles elles ont été construites. Hors de l’échantillon, ce pouvoir prédictif a essentiellement disparu. Les modèles s’adaptent au passé. Ils ne prédisent pas l’avenir.
Le stock-to-flow a fait face à une pression particulièrement visible. Le prix réel du Bitcoin a divergé du chemin projeté par le modèle pendant de longues périodes. Les partisans ont répondu en reformulant le modèle — qualifiant ses prédictions d’indicateurs de valeur à long terme ou de moyennes de cycle plutôt que de cibles de prix à court terme. C’est peut-être un ajustement raisonnable. Mais cela rend aussi les revendications originales beaucoup plus difficiles à évaluer. Les objectifs ont été déplacés.
La loi de Metcalfe rencontre un autre type de problème. L’activité du réseau et le prix ont tendance à augmenter ensemble, ce qui ressemble à une confirmation du modèle. Mais ils pourraient tous deux augmenter en raison de l’adoption, ou parce que des prix plus élevés attirent plus d’utilisateurs, ou parce que les deux poursuivent une tendance sous-jacente commune. Établir une véritable causalité est vraiment difficile. La corrélation ne suffit pas.
Le Bitcoin a également traversé un nombre limité de cycles de marché indépendants. C’est une vraie contrainte. Moins de cycles signifie moins de données pour tirer des conclusions robustes, et les modèles construits sur trois ou quatre cycles s’adaptent probablement aux particularités spécifiques des cycles plutôt qu’à des relations économiques durables.
L’étude de Shelton a trouvé que la tendance de ces modèles à bien s’adapter aux données historiques mais à trébucher avec de nouvelles informations continue d’apparaître à travers les cadres. Aucun modèle ne l’a encore résolu.
Hub : Prix, actualités et analyses du Bitcoin
Hub: Bitcoin : prix, actualités et analyse
Questions Fréquentes
Que révèle le préprint de Carlos Baquero sur les modèles de prévision du Bitcoin ?
Après avoir examiné 23 études significatives, Baquero de l’Université de Porto a constaté qu’aucun modèle de prix du Bitcoin ne surpassait systématiquement les repères naïfs sur des périodes de prévision de un à six mois.
Qu’est-ce que le surapprentissage de backtest et pourquoi est-ce important pour les modèles Bitcoin ?
Le surapprentissage de backtest se produit lorsque les chercheurs affinent trop les modèles sur des données historiques, produisant des résultats passés impressionnants qui échouent à prédire les prix futurs — un risque que la recherche de David Bailey a spécifiquement examiné.
Pourquoi c'est important
La difficulté à prédire les fluctuations du Bitcoin met en lumière les limites des modèles complexes face à des approches plus simples, soulignant ainsi l'incertitude inhérente aux marchés des cryptomonnaies. Cette situation souligne également l'importance de la rationalité des investisseurs, souvent influencés par des émotions et des comportements irrationnels, ce qui peut rendre ces modèles obsolètes. Dans un environnement où la volatilité est omniprésente, cette étude rappelle que des stratégies de prévision plus accessibles pourraient s'avérer tout aussi efficaces, voire supérieures, pour naviguer dans cet écosystème dynamique.
