Une prépublication de mai 2026 par Carlos Baquero de l'Université de Porto a examiné 23 articles de prédiction de prix du Bitcoin sélectionnés pour leurs méthodes, leur évaluation véritablement hors échantillon ou leur influence, et est parvenue à une conclusion préoccupante. Sur l'ensemble des articles évalués par les pairs, aucun modèle n'a démontré de supériorité durable par rapport au repère naïf approprié à des horizons d'un à six mois couvrant plusieurs régimes de marché. L'examen lui-même reste en attente de révision par les pairs.
La faiblesse est structurelle plutôt que propre à une technique. La prévision naïve fonctionne parce que les prix financiers sont persistants : un modèle qui prévoit $100,100 demain quand le Bitcoin s'échange à $100,000 aujourd'hui peut produire une erreur en pourcentage infime tout en n'apprenant quasiment rien sur la direction. Francesco Puoti, Fabrizio Pittorino et Manuel Roveri sont parvenus à un résultat similaire, en comparant 12 approches (ARIMA, Prophet, random forests, XGBoost, réseaux LSTM et N-BEATS) sur cinq grandes cryptomonnaies à des horizons d'un jour, sept jours et 30 jours. Les modèles naïfs simples ont systématiquement produit de meilleures prévisions que toutes les alternatives complexes testées.
Pourquoi c'est important
Bitcoin offre d'énormes quantités de données, mais le nombre de cycles de marché indépendants reste faible. Des millions de bougies d'une minute ne cessent de répéter des observations issues du même marché baissier de 2018 ou du même choc de liquidité de 2020. Une règle calibrée sur le cycle 2017 mené par le retail a rencontré une structure de dérivés différente en 2021, et les ETF spot ont créé une autre voie pour le capital et la découverte des prix en 2024. Chaque époque fournit des données historiques issues d'une version du marché qui n'existe plus tout à fait sous la même forme, le problème de non-stationnarité au cœur de chaque échec de prévision quantitative.
Le surapprentissage en backtest aggrave le problème. Essayer davantage de variations de modèles augmente les chances de trouver par hasard un excellent résultat historique, et sélectionner le gagnant tout en dissimulant les tentatives échouées produit ce que David Bailey et ses coauteurs ont formalisé comme la probabilité de surapprentissage en backtest. Parmi les articles évalués par les pairs examinés par Baquero, aucun n'évaluait la même approche sur plusieurs fenêtres de validation non chevauchantes couvrant différents régimes. Une simple division chronologique offre peu de protection, car un chercheur peut entraîner son modèle sur 2020 et évaluer en 2021, produisant un résultat apparemment hors échantillon qui doit une grande partie de ses performances à un seul marché haussier.
Impact sur le marché
Le résultat a des implications directes pour les valorisations que les traders retail utilisent réellement.
Questions fréquemment posées
-
Quelle conclusion la prépublication de l'Université de Porto a-t-elle tirée sur la prévision des prix du Bitcoin ?
L'examen de Carlos Baquero de mai 2026 a analysé 23 articles de prédiction du Bitcoin évalués par les pairs, sélectionnés pour leurs méthodes, leur influence ou leur évaluation véritablement hors échantillon. Il n'a trouvé aucune démonstration de supériorité durable par rapport au repère naïf approprié à des horizons…
-
Pourquoi les prévisions naïves surpassent-elles les modèles complexes sur le Bitcoin ?
Les prix financiers sont persistants, si bien qu'un modèle prévoyant $100,100 demain quand le Bitcoin s'échange à $100,000 aujourd'hui produit une erreur en pourcentage infime tout en n'apprenant quasiment rien sur la direction ou le rendement. Puoti, Pittorino et Roveri l'ont confirmé empiriquement : les modèles…
-
Qu'est-ce que le surapprentissage en backtest et pourquoi est-il important pour les modèles crypto ?
Le surapprentissage en backtest, formalisé par David Bailey et ses coauteurs, décrit la probabilité accrue de trouver par hasard un excellent résultat historique lorsque les chercheurs essaient de nombreuses variations de modèles. Sélectionner le gagnant tout en dissimulant les tentatives échouées produit une…
-
Les modèles stock-to-flow et Metcalfe permettent-ils de prédire le prix du Bitcoin ?
L'examen évalué par les pairs d'Alexander Shelton en 2024 a montré que les variables stock-to-flow et Metcalfe expliquaient les rendements du Bitcoin intra-échantillon mais n'offraient qu'une capacité prédictive limitée ou nulle hors échantillon. Une fois les effets temporels intégrés dans la régression stock-to-flow,…
-
Que requerrait une norme honnête de prévision du Bitcoin ?
L'examen de Baquero énumère plusieurs exigences : publier le repère naïf aux côtés de chaque modèle, rapporter chaque régime de marché séparément plutôt que comme une seule erreur agrégée, inclure les coûts de transaction, publier le code et les données pour la reproductibilité, et divulguer combien de variations de…
CoinDesk
TheBlock
Whale Alert
WuBlockchain
Glassnode
Crypto News