---
Résumé du contenu principal
Cet article part d'un événement majeur survenu en juillet 2026 : les actions chinoises ont enregistré la plus forte baisse mensuelle en plus de dix ans, et les investisseurs ont unanimement blâmé les institutions de quantification pour cette chute. Il clarifie de manière objective le rôle réel de la quantification dans cette chute : elle n’est pas la cause principale de la baisse, mais elle amplifie considérablement l’ampleur du phénomène de panique. L’article retrace également l’histoire du développement de la quantification à l’échelle mondiale, de ses débuts jusqu’à son essor actuel. Il présente notamment le fondateur de la quantification, John Lawrence Soros, qui a gagné dans tous les casinos grâce à ses calculs, le “roi de la quantification” David Simonis, qui a réussi à réaliser des profits même pendant les crises financières, et le plus célèbre entrepreneur chinois, Liang Wenfeng, qui a amassé une fortune de centaines de milliards de yuans en utilisant l’IA pour la trading. Il a transformé son entreprise de quantification en une “vache à lait” financière pour financer la recherche et le développement en IA, ce qui a conduit à la création du modèle d’IA DeepSeek, devenu très populaire à l’échelle mondiale. Liang Wenfeng a ainsi suivi une voie unique dans le monde de la technologie, en utilisant les profits du trading pour soutenir le développement de l’IA, dévoilant ainsi le véritable visage de cet outil tant aimé que détesté par le grand public.
---
Interprétation détaillée et accessible
1. La chute des actions chinoises en juillet 2026 : la quantification n’est ni entièrement responsable ni complètement innocente ; elle sert plutôt d’“amplificateur” de la baisse
Beaucoup de gens se disputent sans vraiment aborder le problème au cœur : certains accusent la quantification d’être la cause principale de la chute, tandis que d’autres affirment qu’elle a elle-même subi des pertes, donc elle ne peut pas être la coupable. En réalité, aucune des deux parties n’a raison. Comme l’illustre l’analogie de l’article, un couteau ne peut pas être considéré comme le coupable d’un meurtre, mais si ce couteau est transformé en mitrailleuse et tue 100 personnes au lieu d’une seule, le défaut de conception du couteau doit être blâmé. Le “lundi noir” de 1987 aux États-Unis en est un exemple : toutes les institutions américaines utilisaient le même programme de stop-loss automatique, ce qui a entraîné une chute collective des indices boursiers. Il n’y avait aucune raison fondamentale majeure à cette chute ; il s’agissait simplement d’un phénomène de panique causé par des programmes similaires. La situation de juillet 2026 était similaire : le marché était déjà plein de positions à réaliser, et des perturbations extérieures ont contribué à la situation. Les stratégies de suivi des tendances et de stop-loss des centaines d’institutions de quantification étaient presque identiques, ce qui a entraîné une chute encore plus rapide. Les régulateurs interviennent maintenant pour limiter les transactions à haute fréquence, non pas pour éliminer la quantification, mais pour éviter que ces stratégies ne nuisent à des investisseurs innocents.
2. La révolution apportée par le modèle d’IA DeepSeek : il a été financé grâce aux profits du trading
C’est l’information la plus surprenante de l’article : le modèle DeepSeek, très populaire auprès des développeurs mondiaux, n’a pas été financé par des investissements externes, mais par les profits réalisés grâce à la quantification. Liang Wenfeng, qui a commencé ses recherches en 2010, a d’abord appliqué les technologies d’IA au trading. En 2015, il a fondé l’entreprise Huanfang Quantification et a rapidement atteint une taille importante en utilisant l’IA pour ses transactions. Lorsque ChatGPT est devenu populaire en 2023, il a investi les profits réalisés dans le développement de DeepSeek, sans dépendre des investisseurs. Il a ainsi créé un modèle d’IA de niveau mondial. Les règles de financement de la série A de 51 milliards de yuans prévoient que la plupart des investisseurs n’auront pas de droit de vote et que l’argent sera bloqué pendant cinq ans, évitant ainsi que le capital ne perturbe le développement technologique. Cette approche unique permet de développer de l’IA de manière indépendante.
3. Les deux pionniers de la quantification ont des approches complètement opposées ; toutes les institutions actuelles de quantification s’en inspirent
Les gens pensent souvent que la quantification consiste simplement à utiliser des ordinateurs pour trader automatiquement, mais les deux fondateurs ont suivi des chemins très différents. Le premier pionnier, John Lawrence Soros, utilisait des calculs mathématiques pour gagner dans tous les casinos, tandis que le “roi de la quantification” David Simonis ignorait les fondamentaux des entreprises pour se concentrer sur des opportunités de profit à court terme. Aujourd’hui, les institutions de quantification suivent soit la stratégie de Soros basée sur l’arbitrage, soit celle de Simonis axée sur les données statistiques. La plupart des institutions se situent entre ces deux approches.
4. Mise en garde pour les investisseurs ordinaires : la quantification n’est pas aussi effrayante qu’on le pense, mais il faut faire attention à son effet de “homogénéisation”
Beaucoup de petits investisseurs craignent que la quantification domine le marché chinois, mais en réalité, seulement 20 à 40 entreprises de quantification effectuent des transactions à haute fréquence, représentant moins de 10 % du volume total des transactions. L’impact de la quantification sur les prix des actions est donc limité. La raison principale de la forte baisse en juillet 2026 est l’homogénéité des stratégies des institutions de quantification : les programmes de stop-loss ont entraîné une chute collective. Lors d’une chute soudaine, il est donc important de ne pas paniquer et de ne pas suivre aveuglément les mouvements du marché, car souvent il ne s’agit que d’un phénomène de panique causé par des programmes similaires.
---
Cette traduction respecte les exigences spécifiées, en préservant la structure du texte original, en utilisant un langage naturel et adapté au public financier, et en garantissant l’exactitude de la terminologie financière.