Les 10 et 11 octobre 2025, plus de 19,3 milliards de dollars de positions cryptographiques à effet de levier ont été liquidées de force en 24 heures, selon les données de CoinGlass citées par CNBC[s]. Le Bitcoin a chuté de 14,5 %, les altcoins ont subi des baisses encore plus marquées, et plus de 1,6 million de traders ont été liquidés[s]. Le pic d’intensité s’est produit en l’espace de 60 secondes, durant lesquelles 3,21 milliards de dollars se sont évaporés, 93,5 % du volume de cette minute provenant de ventes forcées, sans laisser le temps à une intervention humaine[s].
Il ne s’agissait pas d’une correction de marché classique. C’était la fragilité des krachs éclair qui se matérialisait : une cascade de décisions algorithmiques s’amplifiant mutuellement à une vitesse qu’aucun trader humain ne pouvait interrompre. Et si les marchés des cryptomonnaies ont fait les gros titres, les mêmes dynamiques s’installent discrètement dans les marchés émergents du monde entier, créant des risques systémiques que les régulateurs commencent à peine à appréhender.
La course à la vitesse
Les sociétés de trading à haute fréquence se livrent une concurrence acharnée à la microseconde près. Leurs serveurs sont installés dans les centres de données des places boursières, une pratique appelée co-localisation, qui leur permet de passer des ordres plus rapidement que leurs concurrents dont les machines sont plus éloignées du moteur de matching[s]. Cet avantage de vitesse est lucratif : un document de travail de la BRI publié en 2025 indique que les sociétés de trading à haute fréquence représentent plus de 50 % du volume des transactions sur les marchés actions[s].
Les avantages sont réels. Des écarts acheteur-vendeur plus serrés signifient des coûts de transaction réduits pour les investisseurs ordinaires. Mais la même infrastructure qui permet ces gains augmente aussi la propension aux événements extrêmes, y compris les krachs éclair[s]. Lorsque les algorithmes réagissent aux mouvements de prix, leurs réponses peuvent s’amplifier. Un système vend ; un autre voit le prix baisser et vend à son tour ; un troisième retire ses ordres d’achat. Lors du krach des cryptomonnaies d’octobre 2025, les algorithmes de tenue de marché ont retiré leur liquidité plus vite que les humains ne pouvaient évaluer la situation. La profondeur du carnet d’ordres s’est évaporée à plus de 98 %[s].
Pourquoi les marchés émergents sont vulnérables
La fragilité des krachs éclair peut être particulièrement dangereuse dans les marchés émergents pour une raison structurelle : leurs marchés de produits dérivés dépassent souvent largement leurs marchés au comptant sous-jacents. L’Inde en est un exemple frappant. En avril 2025, les marchés de produits dérivés indiens représentaient 61 % des contrats d’options sur actions dans le monde[s]. Le 17 janvier 2024, l’indice Bank Nifty a enregistré un volume notionnel de 1 260 milliards de dollars en options, contre seulement 3,6 milliards de dollars en transactions sur les actions sous-jacentes : un écart de 350 pour 1[s].
Ce déséquilibre crée un terrain fertile pour les traders sophistiqués. Lorsque le marché des produits dérivés est des centaines de fois plus important que le marché au comptant, une société disposant de suffisamment de capital peut faire bouger les prix sous-jacents pour profiter de ses positions en options. C’est précisément ce dont le régulateur indien des marchés, la SEBI, a accusé le géant américain du trading Jane Street. Cette dernière a nié toute faute[s].
Selon l’ordonnance provisoire de la SEBI de juillet 2025, Jane Street a exécuté d’importants achats d’actions composant l’indice Bank Nifty le matin, représentant parfois 15 à 25 % du volume total du marché pour certains titres. Ces achats ont fait monter l’indice. Simultanément, la société détenait d’énormes positions courtes en options qui auraient été profitables si l’indice avait ensuite baissé. Dans l’après-midi, Jane Street a inversé sa stratégie, vendant agressivement les actions qu’elle avait achetées, exerçant ainsi une pression à la baisse sur l’indice au moment du règlement à l’échéance[s]. La SEBI a constaté que les positions en options de Jane Street étaient 7,3 fois plus importantes que ses positions en actions et contrats à terme en équivalent delta, un déséquilibre inhabituel pour de l’arbitrage d’indice légitime[s].
L’ampleur était stupéfiante. Lors de plusieurs journées de trading, Jane Street a été à elle seule à l’origine de l’intégralité de l’impact positif sur les prix de l’indice Bank Nifty, tandis que le reste du marché exerçait une pression nette à la baisse[s]. Selon la SEBI, la société aurait réalisé un bénéfice estimé à 4,3 milliards de dollars sur les marchés indiens en un peu plus de deux ans[s]. Pendant ce temps, les investisseurs particuliers ont subi de lourdes pertes. Au cours de l’exercice 2025, les traders particuliers indiens en produits dérivés ont perdu 1 050 milliards de roupies, soit environ 11,6 milliards de dollars, contre 750 milliards de roupies l’année précédente ; la BBC a précisé que ces pertes ne pouvaient pas être directement attribuées à Jane Street[s].
Le problème du mimétisme
L’affaire Jane Street a mis en lumière les manipulations présumées d’une seule société. Mais il existe un problème plus insidieux : les systèmes algorithmiques peuvent créer une fragilité des krachs éclair même en l’absence d’intention malveillante de la part d’un acteur unique. Lorsque les algorithmes de trading partagent des architectures, des données d’entraînement ou des signaux de marché similaires, ils peuvent parvenir à des conclusions semblables au même moment. Les régulateurs et les analystes juridiques ont averti que cette concentration des modèles pouvait favoriser des comportements mimétiques et des marchés fortement corrélés sans coordination explicite[s].
Un préprint publié sur arXiv en avril 2026 soutient que les agents de trading utilisant l’intelligence artificielle peuvent paraître diversifiés en période de marché normal, mais se synchroniser en situation de stress. L’homogénéité de représentation, c’est-à-dire le degré auquel les algorithmes encodent les données de marché de manière similaire, peut réduire l’espace effectif de désaccord sur les prévisions lors des crises, même si les prédictions semblaient variées auparavant[s]. Les auteurs avancent également que les régimes de faible volatilité perçue peuvent accumuler de manière endogène un effet de levier caché, qui s’effondre ensuite lorsque des chocs déclenchent un désendettement synchronisé[s].
Cela crée un paradoxe. Des recherches utilisant des données chinoises suggèrent que le trading algorithmique peut réduire la volatilité et atténuer le sentiment des investisseurs en période normale[s]. Mais lorsque le marché est en déclin, cet effet stabilisateur s’affaiblit considérablement[s]. Les mécanismes mêmes qui lissent les petites fluctuations peuvent amplifier les grands mouvements.
La réponse de la Chine
La Chine a pris des mesures énergiques contre la fragilité des krachs éclair. Fin 2025, des rapports indiquaient que les bourses de Shanghai et de Shenzhen envisageaient des amendements réglementaires qui pourraient obliger les sociétés de valeurs mobilières à retirer les équipements de trading à haute fréquence dédiés aux clients des centres de données des bourses dans un délai de trois mois[s]. En janvier 2026, 5paisa a rapporté que la Bourse des contrats à terme de Shanghai avait ordonné aux courtiers de retirer les serveurs de trading à haute fréquence avant la fin du mois[s].
L’impact sur le marché a été immédiat. Les prix des métaux sur les bourses de Shanghai et de Londres ont chuté brutalement après l’annonce de ces mesures[s]. Cette réaction montrait à quel point l’activité du trading à haute fréquence s’était ancrée dans la formation des prix : le même rapport indiquait que les transactions à haute fréquence avaient contribué à propulser les hausses de prix précédentes, avant que ceux-ci ne se corrigent à la baisse.
Et maintenant ?
L’affaire Jane Street établit un précédent pour la réflexion réglementaire à l’échelle mondiale, en particulier pour les marchés émergents aux volumes sous-jacents limités mais aux activités de produits dérivés profondes[s]. Les pays confrontés à une crise de la dette des marchés émergents doivent aussi faire face à une seconde vulnérabilité structurelle : leur infrastructure financière pourrait être conçue pour la vitesse plutôt que pour la stabilité.
Les observateurs ont proposé plusieurs réformes. Des tests en bac à sable ou des protocoles de pré-autorisation pourraient obliger les bourses à évaluer les implications en termes de risques des nouveaux algorithmes avant leur déploiement. Des règles de transparence renforcées pourraient exiger un reporting consolidé pour toutes les entités sous contrôle commun. La méthodologie de règlement pourrait elle-même être révisée : l’élargissement de la fenêtre de calcul des prix ou l’introduction de plafonds de participation pendant les heures de clôture pourraient protéger les prix de règlement des transactions concentrées.
Les systèmes d’intelligence artificielle avancés pourraient rendre les marchés plus fragiles et fortement corrélés en période de stress, exacerbant les mouvements de prix en agissant à l’unisson et sapant la liquidité au moment où elle est le plus nécessaire[s]. Les stratégies de trading algorithmique intègrent souvent des mécanismes de sécurité qui déclenchent un désendettement ou un arrêt complet en période de forte volatilité. Leur activation simultanée chez plusieurs participants pourrait créer des boucles de rétroaction déstabilisatrices[s].
La fragilité des krachs éclair n’est pas un bug des marchés modernes. C’est une caractéristique d’une infrastructure conçue pour maximiser la vitesse au détriment de la résilience. La question est de savoir si les régulateurs agiront avant la prochaine cascade, ou après.
Infrastructure de co-localisation et arbitrage de latence
Le trading à haute fréquence repose sur la proximité physique avec les moteurs de matching des bourses. Les services de co-localisation permettent aux sociétés d’installer leurs serveurs dans les centres de données des places boursières, réduisant la latence aller-retour à quelques microsecondes[s]. Un document de travail de la BRI publié en 2025 indique que les sociétés de trading à haute fréquence représentent plus de 50 % du volume des transactions sur les marchés actions[s].
Un document de travail de la BRI de septembre 2025 a utilisé les mises à niveau de la co-localisation et de la latence de NASDAQ comme expériences naturelles pour examiner les effets économiques du trading à haute fréquence. Les résultats étaient contre-intuitifs : en moyenne, le trading à haute fréquence entraîne un coût du capital plus élevé[s]. Le mécanisme en jeu est l’amplification du risque systématique. Les stratégies de trading corrélées du trading à haute fréquence rendent les actions à faible bêta plus sensibles à l’information globale du marché, augmentant leur exposition au risque systématique et, par conséquent, leur rendement requis[s]. Bien que le trading à haute fréquence réduise les écarts acheteur-vendeur, il augmente aussi la propension aux krachs éclair[s].
La cascade cryptographique d’octobre 2025 a démontré la fragilité des krachs éclair à grande échelle. CoinGlass a enregistré plus de 19,3 milliards de dollars de liquidations forcées en 24 heures, l’événement de liquidation le plus important jamais suivi par la société à la date du rapport d’octobre 2025 de CNBC[s]. Lors du pic d’intensité, 3,21 milliards de dollars ont été liquidés en 60 secondes, 93,5 % du volume de cette minute provenant de ventes forcées[s]. Les algorithmes de tenue de marché ont retiré leurs cotations tandis que les moteurs de liquidation se déclenchaient simultanément, vidant plus de 98 % de la profondeur du carnet d’ordres[s].
Le déséquilibre entre dérivés et marché au comptant dans les marchés émergents
La fragilité des krachs éclair est structurellement amplifiée lorsque le volume notionnel des produits dérivés dépasse largement la liquidité du marché au comptant sous-jacent. L’Inde illustre ce schéma. En avril 2025, les marchés indiens de produits dérivés représentaient 61 % du volume mondial des options sur actions[s]. Le 17 janvier 2024, l’indice Bank Nifty a enregistré un volume notionnel de 1 260 milliards de dollars en options, contre seulement 3,6 milliards de dollars en transactions sur les actions sous-jacentes, soit un écart de 350 pour 1[s].
L’ordonnance provisoire de la SEBI de juillet 2025 contre Jane Street a documenté une stratégie de trading en deux phases. Jane Street a nié toute faute[s]. Pendant la Phase I (09:15-11:46), la société a exécuté des achats agressifs d’actions composant l’indice Bank Nifty, représentant 15 à 25 % du volume total du marché pour certains titres. Simultanément, elle a constitué une exposition courte en options via des calls vendus et des puts achetés. Pendant la Phase II (11:49 jusqu’à la clôture), elle a inversé ses positions sur le marché au comptant, exerçant une pression à la baisse sur l’indice coïncidant avec le règlement à l’échéance[s].
Les positions en options de Jane Street étaient 7,3 fois plus importantes que ses positions en actions et contrats à terme en équivalent delta[s]. Lors de plusieurs journées de trading, la SEBI a attribué l’intégralité de l’impact positif sur les prix de l’indice Bank Nifty à Jane Street seule, tandis que le flux global du marché était net négatif[s]. Selon la SEBI, la société aurait réalisé un bénéfice de 4,3 milliards de dollars sur les marchés indiens en environ deux ans[s]. Les investisseurs particuliers ont perdu 11,6 milliards de dollars dans le trading de produits dérivés en 2025, soit une hausse de 40 % par rapport à 2024, bien que la BBC ait précisé que ces pertes ne pouvaient pas être directement attribuées à Jane Street[s].
Homogénéité de représentation et désendettement synchronisé
Même en l’absence de manipulation intentionnelle, les systèmes algorithmiques peuvent créer une fragilité des krachs éclair par coordination émergente. Un modèle structurel multi-agents publié en avril 2026 a examiné comment des agents de trading utilisant l’intelligence artificielle, dotés de représentations de données similaires, génèrent une instabilité systémique[s].
La contribution théorique clé distingue l’homogénéité de représentation (similarité dans la manière dont les agents encodent les états du marché) du chevauchement des prévisions (similarité dans les rendements prédits). Ces deux concepts sont liés mais non équivalents. En période normale, des agents avec des représentations similaires peuvent générer des prévisions diverses. En situation de stress, l’homogénéité de représentation comprime l’espace effectif de désaccord sur les prévisions, provoquant une convergence des prédictions précisément lorsque la diversité est la plus cruciale[s].
Le préprint soutient que les régimes de faible volatilité perçue peuvent accumuler de manière endogène un effet de levier caché par la persistance des positions, qui s’effondre lorsque des chocs déclenchent un désendettement synchronisé[s]. Il émet également l’hypothèse que l’augmentation de la similarité des représentations amplifie la synchronisation des croyances et des positions, générant des grappes de volatilité, des tensions sur la liquidité et un risque de queue accru[s].
Les régulateurs ont mis en garde contre le mimétisme algorithmique : des comportements corrélés sans coordination explicite[s]. La surveillance traditionnelle peut avoir du mal à distinguer une analyse convergente légitime d’une coordination interdite. Les modèles d’apprentissage automatique partagés et les flux de données communs peuvent créer des dynamiques mimétiques : lorsqu’un nœud se désendette, des agents corrélés peuvent suivre, vidant les carnets d’ordres[s].
Stabilisation conditionnelle et effets asymétriques
Des recherches utilisant des données chinoises de niveau 2 ont montré que le trading algorithmique réduit généralement la volatilité en atténuant le sentiment des investisseurs, ce canal de sentiment représentant environ 25 % de l’effet total[s]. Cependant, cet effet stabilisateur est conditionnel. Lorsque le marché est en déclin, le rôle réducteur de volatilité du trading algorithmique s’affaiblit, et l’effet médiateur sur le sentiment des investisseurs diminue également[s].
Cette asymétrie est cruciale pour comprendre la fragilité des krachs éclair. Les mécanismes mêmes qui lissent les fluctuations normales peuvent amplifier les événements extrêmes. Les mécanismes de sécurité algorithmique qui déclenchent un désendettement en période de forte volatilité, lorsqu’ils sont activés simultanément chez plusieurs participants, créent des boucles de rétroaction déstabilisatrices plutôt que stabilisatrices[s].
Réponses réglementaires : l’interdiction de la co-localisation en Chine
La Chine a adopté une approche radicale. Fin 2025, des rapports indiquaient que la CSRC, la Bourse de Shanghai et la Bourse de Shenzhen envisageaient des modifications réglementaires pouvant limiter les services de co-localisation et exiger des sociétés de valeurs mobilières qu’elles retirent les équipements de trading à haute fréquence dédiés aux clients dans un délai de trois mois[s]. En janvier 2026, 5paisa a rapporté que la Bourse des contrats à terme de Shanghai avait ordonné aux courtiers de retirer les serveurs de trading à haute fréquence avant la fin du mois[s].
La répression a produit des effets immédiats sur les prix. Les métaux sur les bourses de Shanghai et de Londres ont fortement chuté après l’annonce[s]. Le même rapport indiquait que les transactions à haute fréquence avaient contribué à propulser les hausses de prix précédentes sur les marchés mondiaux des métaux, avant que ceux-ci ne se corrigent à la baisse[s].
L’affaire Jane Street établit un précédent réglementaire pour les marchés émergents aux volumes au comptant limités mais aux activités de produits dérivés profondes[s]. Les réformes proposées incluent des pré-autorisations en bac à sable pour les algorithmes impactant les prix à l’échéance, une transparence renforcée des investisseurs étrangers institutionnels (FPI) sur les entités sous contrôle commun, l’élargissement de la fenêtre de règlement VWAP ou des plafonds de participation, ainsi que des pistes d’audit algorithmique versionnées.
La concentration des fournisseurs de données et des plateformes d’intelligence artificielle en tant que service soulève des préoccupations de monoculture : les participants au marché s’appuyant sur des données identiques et utilisant des modèles similaires parviennent à des conclusions semblables[s]. Une intelligence artificielle avancée pourrait rendre les marchés plus fragiles et fortement corrélés en période de stress, exacerbant la volatilité et sapant la liquidité précisément lorsqu’elle est nécessaire[s].
La fragilité des krachs éclair est une caractéristique infrastructurelle, et non un bug passager. La question reste ouverte de savoir si les régulateurs agiront pour remédier à l’homogénéité de représentation, à l’asymétrie de latence et aux déséquilibres entre dérivés et marché au comptant avant la prochaine cascade.
