Introduction
Prédire le mouvement du bitcoin ne serait-ce qu'un jour à l'avance est une tâche devant laquelle même les algorithmes les plus sophistiqués s'avouent vaincus. Le marché des cryptomonnaies combine les caractéristiques des actifs financiers classiques et des instruments spéculatifs à haut risque : on y côtoie des tendances de long terme, des écarts de prix brutaux et un bruit presque aléatoire. La plupart des réseaux de neurones existants ne gèrent cette tâche que partiellement : ils captent bien la tendance générale, mais réagissent avec un retard notable aux retournements. Une nouvelle approche, proposée dans une étude sur arXiv, tente de résoudre ce problème de manière radicalement différente — grâce à un hybride d'opérateurs de Fourier et de routage multi-experts. Il s'agit du framework MoFE (Mixture-of-Experts with Fourier Neural Operators), développé par Bowen Liu et Mingming Sun. Les travaux ont été présentés à la conférence IEEE ICBC 2026, et la prépublication est apparue en libre accès en août de la même année.
Au lieu d'adapter un modèle universel unique à tous les états du marché, MoFE utilise un pool d'experts spécialisés, chacun responsable d'un type de dynamique des prix, et un coordinateur dynamique qui décide auquel d'entre eux se fier à un moment donné.
Pourquoi le marché des cryptos est si difficile à prédire
Les méthodes classiques de prévision de séries temporelles — de l'autorégression aux LSTM — supposent que les données présentent une certaine stationnarité, au moins sur de courts segments. Pour les cryptomonnaies, cette hypothèse est violée pour plusieurs raisons. Premièrement, le marché est sujet à de fréquents changements de régime : une tendance calme peut en quelques heures laisser place à la panique ou à un rallye irrationnel. Deuxièmement, au sein de la série de prix agissent simultanément des processus à différentes échelles — des cycles pluriannuels liés au halving aux fluctuations microstructurelles de l'ordre de la seconde. Troisièmement, ces processus ne sont pas statistiquement indépendants, mais forment un réseau stochastique complexe.
C'est précisément pour cela que les modèles entraînés sur des données historiques donnent souvent des prévisions décalées dans le temps. Ils semblent courir après le marché plutôt que de l'anticiper. Le décalage de phase est particulièrement visible sur les horizons courts — un jour ou une semaine, où le prix peut changer de direction plusieurs fois. Dans ces conditions, il est inutile d'augmenter simplement la profondeur du réseau de neurones : l'erreur s'accumule et conduit à un retard encore plus grand. MoFE tente d'éliminer ce défaut en décomposant la tâche en composantes spectrales et en confiant chacune d'elles à un expert dédié.
Comment fonctionne MoFE
Experts : Fourier et convolutions
L'idée clé de MoFE est d'utiliser la transformée de Fourier comme moyen de passer du domaine temporel au domaine fréquentiel. Au lieu de prédire directement l'échantillon de prix suivant, le modèle apprend à mapper une « fonction vers une fonction » : il prend non pas des points isolés, mais un fragment entier de la série temporelle et produit un autre fragment, décalé vers l'avant. Cette approche est rendue possible par les opérateurs de Fourier — des constructions mathématiques qui travaillent avec des fonctions, et non des vecteurs. À l'intérieur de MoFE, une variante adaptative de l'opérateur de Fourier (AFNO) est utilisée, responsable des motifs spectraux globaux. En complément, le modèle inclut des experts convolutionnels travaillant dans deux domaines à la fois — temporel et fréquentiel. Ils capturent les particularités locales et la microstructure du marché qui échappent à une analyse purement spectrale.
Tous les experts apprennent des mappages continus, ce qui permet au modèle de généraliser à de nouvelles conditions de marché sans se surentraîner sur des moments historiques spécifiques. Ce point de vue « fonctionnel » est particulièrement adapté aux données financières, où ce qui importe n'est pas seulement la valeur exacte, mais aussi la nature de l'évolution de la courbe.
Routage dynamique
Comment décider quel expert sera le plus performant au moment suivant ? Pour cela, MoFE utilise un mécanisme de mélange d'experts (Mixture-of-Experts). Un routeur spécial analyse l'état actuel du marché et calcule des coefficients de pondération pour chaque expert. Dans un régime, l'expert spectral, qui capte la tendance de long terme, peut jouer un rôle majeur ; dans un autre, l'expert convolutionnel, sensible aux pics de court terme. Le routeur est entraîné avec les experts et s'ajuste au fil du temps pour reconnaître les motifs de marché typiques. Grâce à cela, le modèle peut changer instantanément de stratégie, sans nécessiter de relancer l'entraînement.
Pourquoi cela fonctionne : les équations stochastiques
Les auteurs de MoFE se sont appuyés, pour la construction de l'architecture, sur la théorie des équations différentielles stochastiques. Selon ce concept, le prix d'un actif crypto est la solution d'une équation dans laquelle la volatilité n'est pas une constante, mais une superposition de plusieurs processus oscillatoires. Par exemple, la croissance fondamentale du prix est liée au développement du réseau d'utilisateurs et à l'adoption de la technologie ; la composante saisonnière est due aux cycles de minage, aux variations de difficulté et au halving ; enfin, la composante chaotique est générée par les sentiments collectifs des traders.
Chacune de ces composantes possède son propre profil fréquentiel, et si l'on décompose la série de prix en ces profils, la prédiction se réduit à prolonger chaque oscillation sur un petit horizon, puis à superposer les résultats. C'est exactement cette opération qu'effectue MoFE, en combinant plusieurs experts spécialisés, chacun entraîné sur sa propre bande de fréquences. Cela permet d'éviter le lissage excessif auquel tendent les modèles universels, tout en atténuant le bruit sans perdre les signaux importants.
Expériences et résultats
Pour vérifier l'efficacité, les auteurs ont mené des expériences sur les données du Bitcoin pour la période de janvier 2020 à décembre 2025. Le modèle a été testé pour la prévision à un jour (T+1) et à cinq jours (T+5). Selon les résultats présentés, MoFE atteint un niveau de performance de pointe (state-of-the-art) sur plusieurs métriques. En particulier, elle montre une précision nettement supérieure dans la prédiction de la direction du mouvement du prix (Directional Accuracy) et une meilleure valeur du coefficient d'information (Information Coefficient) par rapport aux modèles de base.
Les simulations de trading présentent un intérêt particulier. Lorsque les prévisions de MoFE étaient utilisées pour prendre des décisions de trading dans un environnement virtuel, le modèle a démontré un rendement excédentaire substantiel tout en maintenant un faible niveau de risque, exprimé par des valeurs élevées du ratio de Sharpe. Cela signifie que le modèle ne se contente pas de « deviner » la tendance, mais le fait de manière suffisamment stable, sans drawdowns catastrophiques. L'avantage clé, selon les auteurs, est l'élimination du décalage de phase : la prévision de MoFE suit les variations de prix avec un délai minimal, ce qui est crucial pour le trading réel, où quelques heures peuvent représenter des dizaines de pour cent de profit.
Conclusions
MoFE est un pas vers une approche plus intelligente de la prévision des marchés financiers. Au lieu de lutter contre la non-stationnarité en complexifiant l'architecture, elle l'accepte comme une donnée et décompose la tâche en composantes bien étudiées. Les opérateurs de Fourier fournissent un appareil mathématique puissant pour travailler avec des fonctions, et le routage multi-experts ajoute flexibilité et adaptabilité.
Le framework proposé MoFE montre que la combinaison de deux idées apparemment différentes — l'analyse spectrale et le mélange d'experts — peut produire un effet synergique. Le développement ultérieur de l'approche sera probablement lié à son application à d'autres actifs, à l'utilisation d'experts plus diversifiés et à l'intégration de données alternatives, telles que les sentiments sociaux ou les flux dans la blockchain. Mais il est déjà clair : si vous voulez prédire le marché des cryptos, il vaut la peine de se tourner vers de tels hybrides, plutôt que vers des modèles « universels » qui lissent aussi bien les tendances que le bruit.
