Une revue systématique menée par Carlos Baquero, chercheur à l’Université de Porto, conclut qu’aucun modèle de prédiction du prix du Bitcoin, aussi sophistiqué soit-il, n’a démontré de supériorité durable face aux prévisions naïves. Cette analyse, portant sur 23 études sélectionnées parmi des centaines de publications, remet en cause la valeur ajoutée réelle des outils de machine learning, d’apprentissage profond et des modèles de valorisation populaires auprès de la communauté crypto.
🔑 En bref
- 23 études scientifiques examinées par Carlos Baquero (Université de Porto, mai 2026)
- Aucune supériorité durable des modèles face aux référentiels naïfs sur des horizons de 1 à 6 mois
- Le marché du Bitcoin est non-stationnaire : sa structure statistique évolue à chaque cycle
- Les modèles stock-to-flow, Metcalfe et loi de puissance échouent en validation hors échantillon
- Eugene Fama évalue à près de 100 % la probabilité que le Bitcoin devienne sans valeur d’ici 2036
Le problème de la non-stationnarité du marché Bitcoin
Le constat central de la revue de Baquero est d’ordre méthodologique : les relations entre les variables du marché Bitcoin ne restent pas stables dans le temps. Cette propriété, appelée non-stationnarité, signifie qu’un modèle calibré sur les données passées ne décrit pas correctement les conditions futures.
La structure du marché a en effet radicalement changé entre les cycles. Un modèle entraîné sur le cycle mené par les particuliers en 2017 rencontre une structure de produits dérivés totalement différente en 2021. L’arrivée des ETF Bitcoin au comptant en 2024 a par la suite créé une nouvelle voie pour les flux de capitaux institutionnels et la découverte des prix, modifiant encore les corrélations sur lesquelles reposaient les modèles antérieurs.
Ainsi, les quelques cycles de marché indépendants traversés par le Bitcoin ne suffisent pas à compenser l’abondance de données intra-cycle : des millions de barres d’une minute répètent les observations des mêmes marchés baissiers de 2018 ou des mêmes chocs de liquidité de 2020, sans apporter d’information structurellement nouvelle.
Les études académiques qui confirment la supériorité du naïf
L’étude la plus dévastatrice pour les modèles sophistiqués est celle menée par Francesco Puoti, Fabrizio Pittorino et Manuel Roveri. Elle compare douze approches statistiques, de machine learning et d’apprentissage profond sur cinq crypto-actifs majeurs, aux horizons d’un jour, sept jours et trente jours.
| Modèle | Catégorie | Performance hors échantillon |
|---|---|---|
| Prévision naïve (persistance) | Référentiel | Meilleure sur 1, 7 et 30 jours |
| ARIMA | Statistique classique | Inférieure au naïf |
| Prophet (Meta) | Série temporelle | Inférieure au naïf |
| Forêts aléatoires | Machine learning | Inférieure au naïf |
| XGBoost | Gradient boosting | Inférieure au naïf |
| Réseaux LSTM | Deep learning | Inférieure au naïf |
| N-BEATS | Deep learning | Inférieure au naïf |
Les résultats montrent que les modèles naïfs simples ont systématiquement surperformé l’ensemble des approches testées. Pour un actif aussi persistant que le Bitcoin, prédire que le prix de demain sera proche du prix d’aujourd’hui constitue un référentiel étonnamment difficile à battre.
Les modèles de valorisation phares sous le feu des critiques
Alexander Shelton a publié en 2024 une étude examinée par les pairs sur la prédiction des rendements du Bitcoin. Il a constaté que les variables stock-to-flow (S2F) et Metcalfe aidaient à expliquer les rendements en échantillon, mais offraient une capacité prédictive limitée, voire nulle, hors échantillon. Une fois les effets temporels introduits dans la régression S2F, sa force statistique a disparu.
L’explication est presque tautologique : le ratio d’approvisionnement du Bitcoin augmente selon un calendrier prédéterminé, et son prix a également crû pendant une grande partie de son histoire. Deux séries qui montent avec le temps paraissent corrélées sans qu’aucun lien causal n’existe.
Savva Shanaev et ses co-auteurs ont poussé l’analyse plus loin en utilisant des variables instrumentales sur six actifs proof-of-work. Une fois l’autocorrélation et la relation bidirectionnelle entre l’activité réseau et le prix prises en compte, les effets positifs attribués au hashrate et au nombre de transactions ont disparu.
Le modèle en loi de puissance, qui décrit une relation mathématique stable entre le prix et le temps, n’a pas encore complété les tests formels nécessaires selon Baquero : sensibilité à la date de début et performance sur les observations futures restent à valider.
Le piège du surapprentissage et des backtests trompeurs
L’étude de Ritwik Dubey et David Enke, publiée dans Machine Learning with Applications en juin 2025, a utilisé des données on-chain avec l’algorithme de sélection Boruta combiné à un modèle CNN-LSTM. Les résultats affichés sont spectaculaires : 82,03 % de précision sur la direction du lendemain, rendement annualisé de 1 682,7 % et ratio de Sharpe de 6,47.
Mais les sources soulignent qu’une prétendue précision de 99 % peut simplement mesurer la proximité entre un prix prédit et le prix réel, une tâche facile pour une série persistante. Un modèle qui prédit 100 500 dollars alors que le Bitcoin passe de 100 000 à 99 500 dollars présente une faible erreur de prix mais effectue malgré tout le mauvais trade.
« Il y a toujours des incitations pour les gens à corrompre la blockchain. »
Eugene Fama, Prix Nobel d’économie, podcast Capitalisn’t
Le phénomène de surapprentissage des backtests a été formalisé par David Bailey et ses co-auteurs. Tester davantage de variations de modèle augmente mécaniquement les chances de trouver un excellent résultat historique par pur hasard. Or, parmi les articles examinés par Baquero, aucun n’a évalué la même approche sur plusieurs fenêtres de validation non chevauchantes couvrant différents régimes de marché.
Vers une norme de prévision rigoureuse
Une norme de prévision honnête exige plusieurs conditions cumulatives. D’abord, publier le référentiel naïf à côté du modèle proposé, afin de démontrer un gain réel et non une illusion statistique. Ensuite, rapporter la performance régime par régime : un modèle brillant sur le cycle haussier 2020-2021 peut s’effondrer dans un marché baissier prolongé.
Il faut également inclure les coûts de transaction dans toute évaluation, car les stratégies à haute fréquence de rotation ne survivent pas au slippage réel. Enfin, divulguer le nombre de variations tentées : ce nombre détermine à quel point le backtest gagnant est statistique ou simplement chanceux.
Conclusion : la prudence comme meilleure stratégie
Le message porté par la revue de Baquero n’est pas un rejet du machine learning appliqué à la crypto, mais un rappel à la rigueur statistique. Les données abondantes du Bitcoin masquent une réalité : peu de cycles indépendants, beaucoup de bruit, et une structure de marché en perpétuelle évolution. Pour les investisseurs, la leçon est pragmatique : traiter toute promesse de précision supérieure à 80 % sur la direction du Bitcoin avec une dose raisonnable de scepticisme, et ne jamais négliger la valeur du référentiel naïf comme point de comparaison honnête.
Sources
- CryptoSlate — The smartest Bitcoin price models keep losing to the dumbest forecast
- PubMed Central — Article académique sur la prédiction du prix des cryptomonaies
- ProMarket — Eugene Fama prédit que le Bitcoin deviendra sans valeur
- Machine Learning with Applications — Étude Dubey et Enke (juin 2025)
- arXiv — Étude de Shelton sur la prédiction des rendements Bitcoin
Cet article est publié à titre informatif et éducatif. Il ne constitue en aucun cas un conseil en investissement. Faites vos propres recherches (DYOR) avant toute décision.
