1. Il ne s’agit pas de demander « quelle action acheter ? », mais de transformer le laboratoire en logiciel
L’intérêt de l’investissement autonome n’est pas de demander à un chatbot quoi acheter aujourd’hui.
Le vrai changement consiste à automatiser la boucle de recherche : recueillir des idées, créer des hypothèses, écrire du code, tester sur les données, rejeter les échecs, comparer les survivants aux stratégies existantes, intégrer les meilleurs au portefeuille, puis recommencer.
Le trading algorithmique classique disait souvent : « l’humain conçoit, la machine exécute ». Le nouveau modèle ressemble davantage à : « l’humain fixe les axes et les critères, les agents IA travaillent comme une équipe de chercheurs ».
Ce n’est pas une voyante.
C’est un laboratoire ouvert 24 h/24.
Les chercheurs ne dorment pas. Ils s’évanouissent parfois sur une rate limit.
2. J-Quants est important parce qu’il supprime la corvée entre l’idée et le test
Dans la recherche sur les actions japonaises, la préparation des données peut coûter plus d’énergie que l’hypothèse.
Référentiels de titres, prix, finances, marge, ventes à découvert, dividendes, futures et options peuvent transformer une idée simple en archéologie de CSV.
J-Quants réduit cette friction grâce à des données standardisées via API.[1]
Au 1er octobre 2026, Standard coûte 3 300 yens par mois et Premium 16 500 yens. Premium donne accès à tout l’historique disponible et à un ensemble plus large de données.
16 500 yens n’achètent pas de l’alpha.
Ils achètent moins d’expéditions pour retrouver des CSV.
Avec un accès programmable, un agent peut passer directement de l’hypothèse aux données, à Python, au backtest et au stockage des résultats.
3. Quand l’implémentation cesse d’être rare, les idées et l’évaluation deviennent rares
Autrefois, dix idées pouvaient ne produire qu’une ou deux implémentations.
Le code, les bugs, la documentation API, le nettoyage des données et les graphiques formaient un frein naturel.
Les bons agents de coding retirent ce frein.
« Essaie ça. »
« Fait. »
« Change les conditions. »
« Fait. »
« Walk-forward ? »
« Fait. »
L’humanité a enfin reçu la créature mythique qui transforme une pensée en code.
Dix minutes plus tard, nouveau problème.
Les bonnes pensées manquent.
Quand l’IA produit aussi des idées en masse, le goulet se déplace encore : lesquelles faut-il croire ?
L’avantage passe de l’implémentation à la conception de l’espace de recherche, à la falsification et à l’évaluation.
4. Le super-pouvoir dangereux est de fabriquer 1 000 mauvaises stratégies à la vitesse de la lumière
La recherche autonome accélère la découverte, mais aussi l’overfitting.
Produisez des centaines de variantes minuscules et gardez seulement les gagnantes historiques : le backtest ressemble à un fonds génial.
Le réel peut ressembler à un documentaire sur l’extinction.
Il faut donc des filtres : out-of-sample, walk-forward, coûts, slippage, stabilité annuelle, sensibilité aux régimes, corrélation, turnover, liquidité, capacité et détection des idées dupliquées.
Si vous embauchez cent chercheurs IA, agrandissez la poubelle avant les RH.
Un laboratoire sans critères de rejet est un zoo de backtests.
5. Combien coûte une installation sérieuse en 2026 ?
J-Quants Standard coûte 3 300 yens/mois et Premium 16 500.[1]
Claude Max coûte 100 $/mois en Max 5x et 200 $ en Max 20x, avec Claude Code interactif.[2][3]
Mais 200 $ ne signifient pas Claude Code illimité 24/7. Il existe des limites par session de cinq heures et des limites hebdomadaires.[2]
Depuis le 15 juin 2026, Claude Agent SDK et claude -p disposent de crédits mensuels séparés pour les utilisateurs éligibles : 100 $ pour Max 5x et 200 $ pour Max 20x.[4]
Côté API, Sonnet 5.5 coûte 2 $ par million de tokens en entrée et 10 $ en sortie ; Opus 5.5 coûte 4 $/20 $.[5] GPT-6.1 Sol coûte aussi 2 $/10 $ en Standard, tandis qu’Astra coûte 10 $/50 $.[6]
« IA » n’est pas un salaire unique.
Un chercheur et un directeur de recherche peuvent coûter cinq fois différemment.
6. 900 000 yens par mois, c’est absurde ? Non, c’est assez facile à produire
Avec un modèle à 2 $/10 $ sans cache :
50M entrée + 5M sortie ≈ 150 $.
200M + 20M ≈ 600 $.
500M + 50M ≈ 1 500 $.
Avec un modèle à 10 $/50 $ :
50M + 5M ≈ 750 $.
200M + 20M ≈ 3 000 $.
400M + 40M ≈ 6 000 $.
Avec un taux volontairement arrondi à 150 yens pour 1 dollar, 6 000 $ représentent environ 900 000 yens.
Ce n’est pas de la science-fiction.
Il suffit de faire tourner assez longtemps plusieurs modèles coûteux en parallèle.
Cache, Batch, routage vers des modèles moins chers et early stopping peuvent réduire fortement la facture. Long contexte, outils, retries et agents en échec non surveillés peuvent la faire remonter.
La bonne question n’est donc pas « combien coûte l’API ? », mais « combien de boucles de recherche autoriser chaque mois ? ».
7. Le prix unitaire peut baisser tandis que la dépense totale augmente
Epoch AI estimait en septembre 2026 que le coût pour atteindre un niveau donné de performance IA avait baissé d’environ 47 % par trimestre depuis 2023, soit environ 13 fois par an.[7]
Rien ne garantit que ce rythme continue.
Mais la direction est nette : une capacité équivalente est devenue beaucoup moins chère.
Le budget total va-t-il baisser ?
Le coût par tâche peut baisser.
La dépense totale, pas forcément.
Si une tâche passe de 1 $ à 0,10 $, l’utilisateur peut en lancer cent au lieu de dix.
Un agent avec dix idées devient cent agents avec cent idées, plus des agents critiques, un méta-agent et une nouvelle vague d’exploration.
Cela ressemble au paradoxe de Jevons.
L’IA devient moins chère.
Nous utilisons beaucoup plus d’IA.
8. Le gagnant sera peut-être celui qui répartit le mieux l’intelligence, pas celui qui achète le modèle le plus intelligent
Il n’est pas nécessaire d’envoyer chaque tâche au modèle le plus cher.
Sinon on construit un générateur de factures, pas un système de recherche.
Utilisez des modèles bon marché pour produire beaucoup d’hypothèses, Python et SQL pour les filtres déterministes, un bon modèle intermédiaire pour l’implémentation et le debug, des filtres statistiques, puis le modèle le plus puissant uniquement pour attaquer les derniers survivants.
Les boucles numériques vont sur CPU et batch compute.
Le LLM écrit le programme. L’ordinateur répète.
N’employez pas le modèle cher comme ouvrier.
Employez-le comme directeur de recherche.
La compétence centrale devient l’allocation du bon prix d’intelligence à chaque tâche.
Conclusion
Les agents autonomes et J-Quants abaissent fortement la barrière à la recherche systématique sur les actions japonaises.
À mesure que données, implémentation, validation et rapports sont automatisés, le rôle humain se déplace vers la conception des espaces de recherche et le jugement de la preuve.
Le prochain goulet d’étranglement est le coût de l’IA.
Mais l’avenir n’est probablement pas simplement « l’IA devient plus chère ».
Le prix par capacité baisse.
Les tâches possibles augmentent.
L’usage désiré augmente encore plus vite.
La dépense totale peut monter.
La question future n’est pas « combien coûte l’IA ? »
C’est :
« Combien d’intelligence ce laboratoire doit-il acheter chaque mois avant que la valeur marginale cesse de payer ? »
L’IA détruit le mur de l’implémentation.
Derrière, il y a la liberté.
À côté de la liberté, la facture.
