Qu'est-ce que la tokenisation en NLP

Note éditoriale : Bien que nous adhérions à une stricte intégrité éditoriale, cet article peut contenir des références à des produits de nos partenaires. Voici comment nous gagnons de l'argent. Aucune des données et des informations contenues dans cette page Web ne constitue un conseil en investissement, conformément à notre clause de non-responsabilité.

La tokenisation en NLP (traitement automatique du langage naturel) consiste à découper le texte en petites unités telles que des mots, des caractères ou des sous-mots afin que les modèles puissent lire et traiter la langue. Cette étape transforme le texte en jetons IDs que les systèmes utilisent pour l’analyse. Dans les tâches financières ou multilingues, la tokenisation en LLM et NLP permet de garder les entrées cohérentes, de gérer les symboles comme les tickers et de réduire les erreurs lors du traitement par le modèle.

La tokenisation en NLP (traitement automatique du langage naturel) sert de lien entre le texte brut et le format structuré compréhensible par les modèles. Pour toute personne travaillant sur des tâches allant de la classification de texte simple à la préparation de données pour un grand modèle de langage, il est important de comprendre ce qu’est la tokenisation en NLP.

Dans cet article, nous aborderons l’ensemble des concepts, de la segmentation de base aux méthodes avancées utilisées dans les systèmes à grande échelle. L’objectif est de vous fournir des étapes pratiques et des explications claires que vous pourrez appliquer dans votre propre travail.

Concepts Core de la tokenisation

En termes simples, la tokenisation du texte consiste à diviser un texte brut en unités plus petites qu’un système peut traiter. Ces unités peuvent être des mots, des sous-mots, des caractères ou même de courtes phrases. Elles constituent le vocabulaire de base que les modèles utilisent pour créer des embeddings et comprendre la langue.

La tokenisation en NLP prend des phrases ou des documents et les convertit en ces unités afin que les modèles puissent les exploiter. Dans les grands modèles, la tokenisation va plus loin en transformant chaque unité en un jeton ID issu d’un vocabulaire fixe ou appris.

Le sens varie légèrement selon le cas d’utilisation, mais l’idée reste la même : diviser le texte en parties cohérentes qu’un modèle peut comprendre et traiter facilement. Le processus de tokenisation LLM ajoute souvent des étapes comme la normalisation ou la compression afin que l’entrée corresponde à l’architecture des systèmes d’apprentissage profond.

Certaines approches de la tokenisation des mots en NLP ignorent le contexte, tandis que d'autres utilisent des méthodes de sous-mots comme la tokenisation BPE (Byte-Pair Encoding) qui capturent des motifs à l'intérieur des mots.

Niveaux et granularité

Voici les granularités de segmentation typiques :

Tokenisation au niveau des mots. Par exemple, découpage selon les espaces ou la ponctuation. Simple, mais a du mal avec les mots nouveaux ou rares.
Tokenisation au niveau des caractères. Chaque caractère devient un jeton. Maximise la couverture mais peut produire des séquences très longues.
Tokenisation au niveau des sous-mots. Des méthodes comme la tokenisation BPE, WordPiece ou SentencePiece offrent une approche équilibrée. Elles réduisent le nombre de mots inconnus tout en gardant le vocabulaire gérable.

Pourquoi la segmentation est importante

Choisir le bon niveau de tokenisation en NLP a un impact direct sur les performances du modèle. Cela influence la taille du vocabulaire, l’utilisation de la mémoire et la capacité du système à gérer les mots rares ou inconnus. Une bonne segmentation améliore la précision dans des tâches telles que l’analyse de sentiment, la traduction et la reconnaissance d’entités.

En finance, la segmentation devient encore plus importante. Les textes contiennent souvent des symboles, des abréviations et des codes de ticker. Cela signifie que la tokenisation pour le traitement automatique du langage naturel doit être adaptée afin que les modèles lisent correctement « EUR/USD » ou des termes similaires. Un tokenizer qui ne gère pas ces motifs peut altérer le sens et réduire la qualité des résultats en aval.

Méthodes et approches de tokenisation

Les méthodes de tokenisation varient selon la tâche et la structure de la langue. Les tâches simples peuvent se contenter d’une séparation par espaces, tandis que les systèmes multilingues ou complexes utilisent la tokenisation par sous-mots ou des méthodes sensibles à la phrase pour une meilleure précision.

Méthodes classiques et basées sur des règles

Les approches classiques reposent sur des règles simples pour diviser le texte en parties exploitables. Celles-ci incluent la tokenisation par mot, la séparation par espaces, les motifs regex et l’analyse basée sur des règles élémentaires. Elles sont rapides et faciles à mettre en place, mais peuvent rencontrer des difficultés avec un langage complexe ou des symboles spécifiques à un domaine.

Dans les contextes traditionnels, on peut définir la tokenisation en NLP comme le découpage du texte en unités claires qu’un modèle peut lire. En finance ou dans les commentaires de trading, les méthodes de tokenisation du texte combinent souvent des règles avec des vérifications statistiques, car le langage comprend des éléments tels que « EUR/USD », des pourcentages ou des indicateurs techniques que les outils généraux risquent de segmenter de manière incorrecte.

Méthodes statistiques et sous-mot

Les approches statistiques construisent des jetons en utilisant des motifs trouvés dans de grands ensembles de données textuelles. Une méthode populaire est la tokenisation BPE, qui fusionne les paires de caractères fréquentes pour créer des unités de sous-mots stables. WordPiece et SentencePiece utilisent des idées similaires, mais s’appuient sur la probabilité ou la perte du modèle pour choisir les meilleures coupures.

Ces méthodes réduisent le nombre de mots inconnus et maintiennent la taille du vocabulaire à un niveau gérable. Elles sont largement utilisées car la tokenisation dans les modèles de langage doit gérer de nombreux styles d’écriture et de grands volumes de texte. Des systèmes comme GPT et d’autres transformeurs reposent sur cette forme de tokenisation dans LLMs afin d’équilibrer la couverture, la rapidité et l’utilisation de la mémoire.

Méthodes de tokenisation populaires
Méthode	Utilisé dans	Avantages	Inconvénients
Espacement	Systèmes hérités	Rapide et intuitif	Mauvais pour les textes complexes
À base de règles	NLTK, spaCy	Règles sensibles à la langue	Nécessite un ajustement
Regex	Scripts personnalisés	Très personnalisable	Complexité des regex
WordPiece	BERT	Faible taux OOV	Vocabulaire fixe
BPE	GPT, RoBERTa	Efficace et évolutif	Nécessite un entraînement
SentencePiece	Modèles multilingues	Neutre vis-à-vis de la langue	Surcharge de configuration

Types et niveaux de tokenisation

Les types de tokenisation en NLP dépendent du niveau de granularité :

La tokenisation basée sur les caractères maximise la couverture du vocabulaire ;
Exemple de tokenisation par mot : « Forex signals up » devient trois jetons ;
Tokenisation par sous-mots : « tokenization » → « token », « ##ization ».

Savoir ce qu'est la tokenisation des mots vous aide à choisir le niveau approprié pour la tâche en NLP. Certaines applications nécessitent une analyse fine, tandis que d'autres fonctionnent mieux avec des unités plus larges et plus simples.

Vue d'ensemble des types de tokenisation
Type	Granularité	Utilisation typique	Force	Faiblesse
Tokenisation par mot	Mots	Tâches NLP de base	Simple	Échoue sur les OOV
Tokenisation par sous-mot	Segments de mots	Modèles Transformer	Équilibre la taille du vocabulaire et la couverture	Prétraitement complexe
Tokenisation par caractère	Caractères uniques	Tâches à faibles ressources	Flexibilité maximale	Séquences longues
Tokenisation par phrase	Phrases	Analyse du discours	Gestion du contexte	Soutien limité des modèles

Stratégies hybrides et spécifiques à la langue

Certaines langues possèdent une grammaire complexe ou une forte composition de mots, ce qui rend les tokenizeurs simples moins précis. Dans ces cas, les systèmes combinent souvent des méthodes basées sur des règles avec une tokenisation par sous-mots afin de mieux saisir la structure des mots. Ce style hybride est utile pour les langues à morphologie riche ou à espacement irrégulier.

Lorsqu’on travaille avec des textes multilingues ou spécifiques à un domaine, la tokenisation en NLP peut nécessiter des modèles personnalisés. Par exemple, les textes financiers comportent des tickers, des chiffres et des codes courts que les tokenizeurs généraux peuvent découper de manière incorrecte. Adapter votre stratégie de tokenisation linguistique à ces modèles peut améliorer la précision et réduire les erreurs, en particulier dans la finance, le trading ou les tâches multilingues.

Quand et comment choisir une stratégie de tokenisation

Si vous travaillez principalement avec l’anglais et disposez d’un vocabulaire modéré, des méthodes de tokenisation simples en NLP peuvent suffire. Mais pour des langues comme le chinois, le turc ou tout jeu de données multilingue, il est nécessaire de choisir avec plus d’attention différents types de tokenisation pour réussir les tâches de NLP.

Lorsque le domaine change, la stratégie doit également changer. Dans les textes financiers, on rencontre souvent des symboles boursiers, des chiffres et des formats de date. Cela signifie que la tokenisation lors du prétraitement du texte peut nécessiter des règles personnalisées afin que ces éléments restent intacts et ne soient pas divisés de manière incorrecte.

Correspondre à la tâche

Différentes tâches nécessitent des approches différentes. En analyse de sentiment ou en reconnaissance d'entités, la façon dont les tokens sont segmentés influence l’attribution des étiquettes aux mots. En traduction ou en génération de texte, la tokenisation en traitement du langage naturel impacte la qualité du modèle, l’utilisation de la mémoire et la rapidité. Si la segmentation est mauvaise, la précision diminue, surtout dans les grands systèmes qui reposent sur la tokenisation dans les LLMs pour traiter des textes longs ou détaillés.

Compromis : vocabulaire vs longueur de séquence

Choisir un vocabulaire plus large signifie moins de jetons par entrée, ce qui rend le traitement plus court mais nécessite plus de mémoire. Utiliser un vocabulaire plus restreint grâce à une tokenisation du texte plus fine génère davantage de jetons, mais offre une meilleure couverture des mots rares. De nombreux modèles de transformeurs équilibrent ces compromis avec la tokenisation en sous-mots, ce qui permet de garder une taille de vocabulaire gérable tout en traitant correctement les nouveaux termes.

Outils, frameworks et mise en œuvre

Plusieurs outils facilitent la mise en place et la gestion de la tokenisation en NLP. Des bibliothèques comme NLTK proposent des workflows simples pour les tâches de base. spaCy offre des pipelines plus rapides et plus flexibles, avec la prise en charge de règles personnalisées. La bibliothèque Tokenizers de Hugging Face est très efficace et prend en charge des méthodes telles que la tokenisation BPE, WordPiece et SentencePiece pour le traitement multilingue.

De nombreuses familles de modèles sont fournies avec leurs propres tokenizeurs, notamment BERT et GPT, qui utilisent une tokenisation intégrée dans les modèles de langage conçus pour leur architecture. Ceux-ci sont utiles lorsque vous avez besoin de cohérence entre l’entraînement et le déploiement.

Le choix de l’outil approprié dépend de la tâche. De simples scripts peuvent suffire pour de petits jeux de données, tandis que les projets plus importants bénéficient de bibliothèques spécialisées qui assurent une prétraitement et une tokenisation du texte rapides et stables.

Tokenisation adaptée au domaine dans la finance

Les textes financiers contiennent souvent des tickers, des chiffres, des pourcentages et des symboles spéciaux que les outils généraux peuvent segmenter de manière incorrecte. Cela rend la tokenisation dans l’exploration de texte et la prétraitement de texte particulièrement importante en finance. Un tokenizer qui divise « USD/JPY » en plusieurs parties peut altérer le sens et réduire la précision du modèle.

Dans ces cas, des règles adaptées au domaine permettent de préserver les éléments clés. Les systèmes peuvent ajouter des modèles personnalisés pour les paires de devises, normaliser les dates et les pourcentages, ou traiter des indicateurs techniques comme MACD ou RSI comme des unités uniques. Cette approche améliore la tokenisation pour le traitement du langage naturel en rendant les résultats plus cohérents et plus faciles à apprendre pour les modèles.

Défis et limites

Dans des langues telles que le chinois ou les langues agglutinantes comme le turc, la tokenisation des mots en NLP n’est pas triviale. Les approches par sous-mots ou hybrides peuvent aider, mais elles laissent tout de même une certaine ambiguïté.

Incohérence de la tokenisation

Les tokenizeurs ne produisent pas toujours le même résultat. Différents outils, versions ou paramètres peuvent générer des vocabulaires ou des découpages de tokens différents. Cette incohérence devient problématique lorsqu’un modèle est entraîné avec une configuration mais utilisé en production avec une autre. Même de légers changements dans la tokenisation en NLP peuvent modifier la façon dont les mots sont segmentés, ce qui entraîne des erreurs dans des tâches telles que la classification ou la génération.

Pour les grands modèles, ce problème est plus visible. Un décalage dans la tokenisation au sein des LLMs peut entraîner des changements de sens, des pics de mots hors vocabulaire ou des prédictions instables. Il est essentiel de maintenir la version du tokenizer cohérente et identique entre l’entraînement et le déploiement afin d’éviter ces problèmes.

Préoccupations computationnelles et statistiques

Les modèles réagissent différemment selon la manière dont la tokenisation du texte est effectuée. Des séquences de tokens plus courtes réduisent l’utilisation de la mémoire et accélèrent l’entraînement, mais elles peuvent supprimer des détails utiles. Des séquences plus longues conservent davantage d’informations, mais augmentent les coûts et ralentissent le système. Le choix des tokens peut également influencer les biais et la précision, car la répartition des tokens affecte la façon dont le modèle apprend. Les recherches montrent que la tokenisation ne se limite pas à une simple compression. Elle façonne la manière dont les modèles interprètent le langage, en particulier dans les grands systèmes qui dépendent d’une tokenisation stable dans les pipelines de NLP.

Pièges spécifiques au domaine

Les textes spécialisés, tels que les commentaires financiers ou de trading, contiennent souvent des éléments que les tokenizeurs génériques segmentent de manière incorrecte. Les symboles boursiers, les pourcentages, les dates et les noms d’indicateurs peuvent tous être fragmentés, à moins que la tokenisation lors du prétraitement du texte n’intègre des règles personnalisées. Lorsque ces schémas sont mal gérés, les modèles interprètent mal des informations clés et produisent des prédictions moins fiables. Dans des domaines comme l’analyse Forex, une mauvaise gestion de ces jetons peut déformer le sens et réduire la qualité des résultats en aval, même si le modèle sous-jacent est performant.

Applications avancées

Dans l’architecture d’un modèle transformeur, chaque jeton est converti en un entier ID, mappé en embeddings, combiné avec des données positionnelles et traité via l’attention. Lors de la conception de modèles pour des textes à grande échelle, comme les commentaires de marché, la manière dont vous segmentez les jetons influence directement la capacité du modèle et le coût d’inférence.

Paramètres multilingues et interdomaines

Pour les systèmes combinant plusieurs langues (par exemple, des actualités en anglais, espagnol, japonais), vous pouvez utiliser des vocabulaires partagés ou une tokenisation spécifique à chaque langue. Des études montrent que l’adoption d’une stratégie de tokenisation adaptée aux langues à faibles ressources a un impact significatif sur les performances.

Les systèmes inter-domaines, tels que ceux combinant la finance, les actualités et les réseaux sociaux, nécessitent des méthodes hybrides. Associer des étapes basées sur des règles avec la tokenisation de texte ou la tokenisation par sous-mots permet de préserver l’intégrité des termes spécifiques à chaque domaine. Cette approche améliore la précision lors du traitement de différents styles d’écriture, formats et expressions techniques provenant de plusieurs sources de données.

Axes de recherche émergents

Des recherches telles que le modèle de tokenisation « Less‑is‑Better » (LiB) suggèrent que les futurs tokenizeurs pourraient apprendre le vocabulaire automatiquement à partir de sous-mots, de mots et d’expressions multi-mots simultanément.

Un autre fil de discussion explore la tokenisation optimale pour les petits modèles et les langues à faibles ressources, soulignant que la tokenisation restera un domaine de recherche actif.

Meilleures pratiques et liste de vérification pour la mise en œuvre

Choisissez une stratégie de segmentation claire. Définissez la taille de votre vocabulaire, le budget de longueur des jetons et anticipez les besoins du domaine avant de mettre en place toute tokenisation dans le pipeline NLP.
Versionnez votre tokenizer. Utilisez le même tokenizer pour l’entraînement, la validation et la production afin d’éviter les incohérences causées par une tokenisation inconsistante dans les sorties de NLP.
Surveillez les indicateurs clés. Suivez les taux de jetons inconnus, la longueur moyenne des séquences et les évolutions du vocabulaire au fil du temps afin de détecter rapidement les problèmes de tokenisation du texte.
Ajoutez des règles spécifiques au domaine. Pour les données financières ou de Forex, incluez des modèles personnalisés pour les tickers, les nombres, les dates et les indicateurs afin que la tokenisation lors du prétraitement du texte reste précise.
Mettez à jour régulièrement. De nouveaux symboles et termes apparaissent fréquemment, donc actualiser les modèles de jetons permet de maintenir la fiabilité de la tokenisation linguistique.

Tendances futures et perspectives

Les tendances futures en matière de tokenisation s’orientent vers des modèles plus flexibles et adaptatifs. Certains systèmes adoptent des vocabulaires dynamiques qui construisent les jetons à la volée, tandis que d’autres explorent des moyens de réduire la dépendance aux listes de jetons fixes. Les approches adaptées aux domaines spécifiques se développent également, permettant aux modèles d’apprendre des vocabulaires adaptés à la finance, aux textes juridiques ou à la santé, plutôt que d’utiliser une configuration universelle. Les chercheurs testent aussi des méthodes permettant à de petits modèles de traiter plus efficacement des données multilingues grâce à une tokenisation des sous-mots améliorée. Ces évolutions suggèrent que la tokenisation restera centrale dans la conception des modèles à mesure que les outils évoluent et que de nouveaux défis linguistiques apparaissent.

Si vous travaillez souvent avec des textes financiers, il est également utile d’associer votre flux de travail NLP à des courtiers proposant une large gamme d’actifs. De nombreux analystes comparent des données provenant de plusieurs marchés, donc utiliser une plateforme qui répertorie Forex, les matières premières, les indices et les cryptomonnaies au même endroit facilite la création de jeux de données plus propres pour la tokenisation. Consulter une liste des meilleurs courtiers offrant une large gamme d’actifs vous permet de garder facilement la cohérence de vos sources de marché pendant que vous appliquez les méthodes de tokenisation décrites dans ce guide.

Meilleurs courtiers avec une large gamme d'actifs
	OANDA	zForex	Plus500	FOREX.com	IG Markets
Paires de devises	68	50	60	80	80
Crypto
Actions
Dépôt min., $		10	100	100	1
EDL Max.	1:200	1:1000	1:300	1:50	1:200
Réglementation	FSC (BVI), ASIC, IIROC, FCA, CFTC, NFA		CySEC, FCA, ASIC, FMA, FSCA, FSA Seychelles, EFSA, MAS, DFSA, SCB	CIMA, FCA, FSA (Japan), NFA, IIROC, ASIC, CFTC	FCA, BaFin, ASIC, MAS, CySec, FINMA, BMA, CFTC, NFA
Score global TU	6.66	7.89	8.8	6.84	6.61
Ouvrir un compte	Chez broker Votre capital est en danger.	Chez broker Votre capital est en danger.	Chez broker 80% des comptes CFD des particuliers perdent de l'argent.	Voir la revue	Voir la revue

Une tokenisation robuste prévient les erreurs et améliore les performances de la NLP financière

En travaillant avec de nombreux systèmes NLP dans la finance, j’ai constaté que la tokenisation est généralement à l’origine de la plupart des problèmes. J’ai vu de bons modèles être perturbés simplement parce qu’un tokenizer a séparé un ticker, un pourcentage ou un terme de graphique au mauvais endroit. Les choses ont changé lorsque j’ai commencé à utiliser des tokenizers de sous-mots entraînés sur de véritables textes de marché. Ils géraient beaucoup mieux les formats mixtes et réduisaient de nombreuses petites erreurs qui s’accumulent dans les outils de trading.

Lorsque des équipes me demandent où concentrer leurs efforts en premier, je recommande toujours de commencer par le tokenizer. S’il ne peut pas lire les prix, les dates et les indicateurs tels que les traders les écrivent, rien de ce qui sera construit dessus ne fonctionnera correctement. Une bonne tokenisation rend l’ensemble du flux de travail plus fluide, surtout lorsque les marchés évoluent rapidement.

Conclusion

En définitive, la tokenisation s’impose comme une étape fondamentale dans le traitement du langage naturel, en offrant aux algorithmes la capacité d’analyser et de comprendre des textes complexes et variés. Que ce soit pour extraire des informations financières précises ou permettre la traduction automatique dans un contexte multilingue, la tokenisation optimise la performance des modèles comme les LLM. Par exemple, la découpe fine des données textuelles facilite la détection de termes techniques spécifiques à la finance ou l’adaptation au vocabulaire propre à chaque langue. Maîtriser cet outil, c’est donner à l’intelligence artificielle la clé pour transformer la diversité linguistique et sectorielle en opportunités majeures.

Foire aux questions

Comment la cohérence de la tokenisation impacte-t-elle la performance des modèles NLP en production ?

La cohérence de la tokenisation est essentielle, car une différence entre la configuration du tokenizer durant l'entraînement et celle utilisée en production peut entraîner des découpages de tokens différents. Cela provoque des erreurs de classification, des pertes de sens ou des prédictions instables, surtout dans les grands modèles. Il est donc recommandé de maintenir le même tokenizer et la même version dans tout le pipeline.

Pourquoi la tokenisation pose-t-elle des défis particuliers avec certaines langues comme le chinois ou le turc ?

Les langues telles que le chinois ou le turc présentent des structures morphologiques complexes ou peu d'espaces entre les mots, ce qui rend les méthodes classiques de tokenisation inefficaces. Des approches hybrides ou basées sur les sous-mots sont souvent nécessaires pour obtenir des segments pertinents sans introduire d'ambiguïté ou de perte d'information.

Quels indicateurs faut-il surveiller pour garantir une tokenisation optimale en NLP ?

Pour contrôler la qualité de la tokenisation, il est conseillé de suivre le taux de jetons inconnus (OOV), la longueur moyenne des séquences, l’évolution du vocabulaire et les incohérences entre les sorties du tokenizer à différentes étapes. Cette surveillance permet de détecter rapidement des problèmes susceptibles d'affecter la performance des modèles NLP.

Quelles sont les tendances émergentes en matière de tokenisation pour les futurs modèles de NLP ?

Les tendances actuelles incluent l'adoption de vocabulaires dynamiques, des méthodes capables d’apprendre automatiquement des unités à plusieurs niveaux (sous-mots, mots, expressions), et la personnalisation accrue des tokenizeurs selon les domaines ou les langues. Ces évolutions visent à rendre les modèles plus robustes face à la diversité linguistique et aux besoins spécifiques des applications modernes.

Cet article vous a plu ?

Les meilleurs choix et analyses de la rédaction

21 heures il y a Pavlo Kot

Le paradoxe de la confidentialité : comment le marché des crypto mixers a changé

#crypto

1 jour il y a Oleg Tkatchenko

Le Bitcoin est-il fait pour vous ? Cinq traits partagés par de nombreux détenteurs de cryptomonnaies

#crypto #Bitcoin

1 jour il y a Eugene Komchuk

La course aux succès : pourquoi les investisseurs se désintéressent de Netflix

#stocks #Netflix

3 jours il y a Mikhaïl Vnoutchkov

Actions tokenisées sous les projecteurs : comment fonctionnent-elles et valent-elles la peine d'être tradées ?

#crypto #stocks #Tokenization

4 jours il y a Ciaran Ryan

Les politiciens sont-ils les meilleurs traders d'actions ?

#stocks #Investing

4 jours il y a Anastasiia Chabaniuk

Crypto test drive : comment les constructeurs automobiles explorent les actifs numériques

#USDC #USDT #Bitcoin #Hyundai

Toutes les actualités

L'équipe qui a travaillé sur l'article

Ivan est un expert financier et un analyste spécialisé dans le Forex, la crypto et le trading des actions. Il préfère les stratégies de trading conservatrices avec des risques faibles et moyens, ainsi que les investissements à moyen et long terme.

En savoir plus sur nos politiques éditoriales

Index

L'indice est la mesure de la performance d'un groupe d'actions, qui peut inclure les actifs et les titres qu'il contient.

CFD

Le CFD est un contrat entre un investisseur/trader et un vendeur qui stipule que le trader devra payer au vendeur la différence de prix entre la valeur actuelle de l'actif et sa valeur au moment du contrat.

Investisseur

Un investisseur est une personne qui place de l'argent dans un actif en espérant que sa valeur s'appréciera à l'avenir. L'actif peut être n'importe quoi, y compris une obligation, un fonds commun de placement, une action, de l'or, de l'argent, des fonds négociés en bourse (ETF) et des biens immobiliers.

Courtier

Un courtier est une personne morale ou physique qui sert d'intermédiaire pour effectuer des transactions sur les marchés financiers. Les investisseurs privés ne peuvent pas négocier sans courtier, car seuls les courtiers peuvent exécuter des transactions sur les marchés boursiers.

Bitcoin

Le bitcoin est une crypto-monnaie numérique décentralisée créée en 2009 par un individu ou un groupe anonyme utilisant le pseudonyme Satoshi Nakamoto. Il fonctionne sur la base d'une technologie appelée blockchain, qui est un registre distribué enregistrant toutes les transactions effectuées sur un réseau d'ordinateurs.

Les 5 meilleurs brokers