L'intelligence artificielle : un nouvel outil technologique pour la gestion d’actifs

L'intelligence artificielle (IA) a un r&ocirc;le essentiel &agrave; jouer pour am&eacute;liorer l'efficacit&eacute; des processus et la qualit&eacute; de la prise de d&eacute;cision. IA et Big Data : une alliance utile &agrave; la gestion Le Big Data fait r&eacute;f&eacute;rence &agrave; l&rsquo;explosion r&eacute;cente de la quantit&eacute; de donn&eacute;es que le gestionnaire d&rsquo;actifs a &agrave; disposition pour prendre ses d&eacute;cisions d&rsquo;investissement. Dans ce contexte, l&rsquo;IA prend tout son sens : seule une machine peut filtrer et analyser rapidement cette courbe exponentielle de donn&eacute;es. Il y a en plus un cercle vertueux, car l&rsquo;IA permet de traiter cette masse de donn&eacute;es en constante &eacute;volution, tandis que le Big Data rend l&rsquo;IA meilleure, en l&rsquo;enrichissant sans cesse de nouvelles donn&eacute;es. De nombreux gestionnaires utilisent l'IA pour extraire des signaux d'alpha sur des instruments liquides et facilement n&eacute;gociables gr&acirc;ce &agrave; la rapidit&eacute; de traitement des donn&eacute;es. L&rsquo;IA trouve &eacute;galement sa place dans le trading et les transactions &agrave; haute fr&eacute;quence, avec des algorithmes con&ccedil;us pour rep&eacute;rer des sch&eacute;mas et faire des arbitrages en cons&eacute;quence. Faster ou smarter ? La premi&egrave;re &eacute;volution du trading s&rsquo;est en effet faite au niveau de la rapidit&eacute; de l&rsquo;ex&eacute;cution. Si l&rsquo;on prend l&rsquo;exemple des transactions &agrave; haute fr&eacute;quence, les algorithmes ont &eacute;t&eacute; con&ccedil;us pour d&eacute;tecter des micromouvements de march&eacute;, afin de les arbitrer en passant des ordres d&rsquo;achat et de vente en l&rsquo;espace de quelques millisecondes. Avec les progr&egrave;s de l&rsquo;IA, ce n&rsquo;est pas tant la rapidit&eacute; d&rsquo;ex&eacute;cution qui est favoris&eacute;e, mais la pertinence de la prise de d&eacute;cision. L&rsquo;algorithme analyse les facteurs cl&eacute;s qui impactent le march&eacute; de mani&egrave;re syst&eacute;matique. L&rsquo;&eacute;volution constante des donn&eacute;es disponibles permet la mise en place de strat&eacute;gies de trading toujours plus sophistiqu&eacute;es. N&eacute;anmoins, la rapidit&eacute; sera toujours de mise, car le but sera de ne pas voir sa strat&eacute;gie de trading arbitr&eacute;e par un op&eacute;rateur plus rapide. Aller au-del&agrave; de la bo&icirc;te noire &Agrave; ce stade, l'IA manque de transparence. Il est tout &agrave; fait possible de programmer un ordinateur pour d&eacute;terminer les tendances des march&eacute;s et &eacute;valuer les donn&eacute;es qui permettent de pr&eacute;dire au mieux les fluctuations &agrave; venir. Le probl&egrave;me est que le processus d'investissement fonctionne comme une &laquo; bo&icirc;te noire &raquo;, offrant une clart&eacute; totale sur la d&eacute;cision finale, mais tr&egrave;s peu sur le raisonnement qui motive cette d&eacute;cision. Par ailleurs, les gestionnaires doivent veiller &agrave; valider les signaux propos&eacute;s par les mod&egrave;les d&rsquo;IA. Un mod&egrave;le d&rsquo;IA va construire ses signaux en cherchant des corr&eacute;lations et des sch&eacute;mas explicatifs entre diff&eacute;rentes donn&eacute;es. Or une corr&eacute;lation n&rsquo;implique pas forc&eacute;ment une causalit&eacute;. C'est pourquoi les gestionnaires restent indispensables pour donner du sens aux algorithmes d&rsquo;apprentissage automatique. La machine face aux comportements humains Un autre probl&egrave;me tient &agrave; la complexit&eacute; des march&eacute;s financiers qui se caract&eacute;risent par l'interd&eacute;pendance des d&eacute;cisions et la part importante des &eacute;motions des acteurs dans les fluctuations. Contrairement &agrave; la physique, &agrave; la biologie ou &agrave; la m&eacute;decine, l'analyse des march&eacute;s financiers n'est pas une science exacte dans la mesure o&ugrave; elle est influenc&eacute;e par les comportements humains. Cela limite l'utilit&eacute; potentielle de la reconnaissance de signaux. L'IA peine &agrave; faire face &agrave; l'ambigu&iuml;t&eacute; ou &agrave; l'&eacute;volution des formes, li&eacute;es aux facteurs comportementaux. Enfin, si de plus en plus d&rsquo;actifs financiers sont g&eacute;r&eacute;s par des algorithmes qui convertissent les signaux de la m&ecirc;me mani&egrave;re et recommandent les m&ecirc;mes investissements, comment &eacute;viter les risques d'engorgement et de cohue sur les march&eacute;s ? C'est ici que les gestionnaires comp&eacute;tents avec une vision &agrave; long terme se distingueront. La technologie ne peut pas &ecirc;tre d&eacute;terministe en finance, car c'est l'&ecirc;tre humain qui lui donne son sens. L&rsquo;IA en gestion : &agrave; quelles fins ? Au sein d&rsquo;Unigestion, nous voyons l&rsquo;IA comme une potentielle suite &agrave; la gestion quantitative. A la diff&eacute;rence pr&egrave;s que, si dans la gestion quantitative classique, le g&eacute;rant enseignait &agrave; la machine comment chercher, dans l&rsquo;IA, la machine est cens&eacute;e apprendre toute seule. On nourrit de donn&eacute;es la machine tout en lui d&eacute;finissant le r&eacute;sultat recherch&eacute;. Elle doit alors trouver quelles sont les donn&eacute;es qui pr&eacute;voient le mieux le r&eacute;sultat. &Agrave; titre d&rsquo;exemple, la machine peut d&eacute;terminer quelles sont les donn&eacute;es historiques de march&eacute; qui sont le plus aptes &agrave; pr&eacute;voir les futurs mouvements de certains titres. La plupart des gestionnaires utilisent l&rsquo;IA pour extraire des signaux d&rsquo;alpha tels que la direction de mouvement de titres. Nous avons choisi une voie diff&eacute;rente, car nous pensons que les signaux fournis par l&rsquo;IA afin d&rsquo;extraire de l&rsquo;alpha sont tr&egrave;s fugaces et que ceux-ci seront vite arbitr&eacute;s par des gestionnaires disposants des m&ecirc;mes mod&egrave;les. Nous employons donc l'IA pour approfondir notre capacit&eacute; &agrave; identifier et &agrave; g&eacute;rer le risque de nos strat&eacute;gies de placement. Les estimations de risque sont g&eacute;n&eacute;ralement plus stables que les estimations de performance. De plus, nous consid&eacute;rons la gestion du risque comme un facteur cl&eacute; dans la construction de la performance d'un investissement, car pour gagner de l&rsquo;argent &agrave; long-terme, il faut se prot&eacute;ger lors des phases baissi&egrave;res de march&eacute;. Mieux g&eacute;rer le risque gr&acirc;ce &agrave; l&rsquo;IA Nous utilisons donc l&rsquo;IA pour am&eacute;liorer nos mod&egrave;les de risque. Nous cherchons par ce biais &agrave; estimer la volatilit&eacute; future des march&eacute;s sur la p&eacute;riode &agrave; venir ainsi que les interactions entre les mouvements des actifs composant nos portefeuilles et leurs univers d&rsquo;investissement. Nous nous sommes &eacute;loign&eacute;s tr&egrave;s t&ocirc;t, d&egrave;s la fin des ann&eacute;es 1990, des mod&egrave;les quantitatifs traditionnels o&ugrave; les facteurs de risque sont pr&eacute;d&eacute;termin&eacute;s et le mod&egrave;le doit juste analyser l&rsquo;&eacute;volution de la sensibilit&eacute; &agrave; ces facteurs. Nous avons privil&eacute;gi&eacute; ce qu&rsquo;on appelle des m&eacute;thodes de machine learning de type non supervis&eacute; telles que l'analyse en composantes principales (PCA) et les analyses de type clustering . Ce type de mod&egrave;le se nourrit de donn&eacute;es brutes, sans directive quant au moyen d&rsquo;aboutir au r&eacute;sultat. Il essaye alors de grouper les donn&eacute;es et d&rsquo;identifier des sch&eacute;mas explicatifs. Cette m&eacute;thode, &agrave; notre sens, permet d&rsquo;appr&eacute;hender de mani&egrave;re plus fine les aspects &eacute;volutifs du risque. Aujourd&rsquo;hui, nous voulons continuer &agrave; &eacute;voluer dans l&rsquo;utilisation de ces technologies d&rsquo;apprentissage non supervis&eacute;. Nous &eacute;tudions si de nouveaux algorithmes sophistiqu&eacute;s tels que l&rsquo; auto deep encoding pourraient &agrave; leur tour remplacer le PCA. Si le PCA s&rsquo;appuie sur une architecture de neurones &agrave; couche simple, l' auto deep encoding , lui, repose sur une architecture de neurones &agrave; plusieurs couches, se rapprochant ainsi encore un plus du fonctionnement du cerveau humain. Compte-tenu de cette structure plus fine, l&rsquo;algorithme d&rsquo; auto-encoding fonctionne de mani&egrave;re non lin&eacute;aire et permet d&rsquo;obtenir plus de granularit&eacute; dans les r&eacute;sultats et surtout de s&rsquo;auto-&eacute;duquer davantage. Un environnement r&eacute;glementaire favorable Le r&eacute;gulateur est conscient que l&rsquo;innovation est un facteur important de comp&eacute;titivit&eacute; pour la Place financi&egrave;re suisse et cherche &agrave; cr&eacute;er un environnement l&eacute;gislatif ad&eacute;quat. Ainsi, lors de sa conf&eacute;rence de presse annuelle en avril, l&rsquo;autorit&eacute; suisse en charge des march&eacute;s financiers, la FINMA, s&rsquo;est engag&eacute;e pour que la Place suisse soit attrayante pour les FinTechs . Dans ce contexte, la FINMA a v&eacute;rifi&eacute; si des dispositions de ses ordonnances et de ses circulaires pouvaient s&rsquo;av&eacute;rer discriminatoires pour certaines technologies. De plus, elle envisage une nouvelle cat&eacute;gorie d&rsquo;autorisation ainsi que la mise en place d&rsquo;un environnement de &laquo; bac &agrave; sable &raquo;, sur le mod&egrave;le anglais, pour les entreprises novatrices dans le domaine financier. En vertu de cet environnement, les jeunes pousses pourraient, pendant une phase d&rsquo;exp&eacute;rimentation, se d&eacute;velopper dans un cadre juridique all&eacute;g&eacute;. Ceci leur permettrait de tester des nouvelles pratiques de gestion incluant de l&rsquo;IA ou du Big Data de mani&egrave;re flexible et donc d&rsquo;innover plus rapidement. La Suisse a une place &agrave; prendre dans le d&eacute;veloppement de sa gestion d&rsquo;actifs autour de ces nouvelles technologies, de par sa tradition pour l&rsquo;innovation et le rapport qu&rsquo;elle a su d&eacute;velopper avec son bastion universitaire, friand de sujets tels que l&rsquo;IA ou le Big Data .

RECHERCHEZ UN ARTICLE, UNE CHRONIQUE, PARMI L'ENSEMBLE DES PUBLICATIONS

RECHERCHEZ UN AUTEUR

Archive

Marchés financiers

L'intelligence artificielle : un nouvel outil technologique pour la gestion d’actifs

À retrouver dans la revue

Banque de détail

[Web Only] Tarifs bancaires : les banques amortissent l’inflation

Blockchain/Cryptoactifs

Les garanties bancaires
sont d’excellents cas d’usage

Banque de financement et d'investissement (BFI)

« Paris est le centre de gravité
pour tous les instruments financiers traités en euros »

Paiements

Le droit de la responsabilité civile appliqué à des virements frauduleux en devises

Archive

Panorama réglementaire des actifs numériques

Archive

Sberbank : une valeur anéantie à zéro en fonds de portefeuille

Archive

La transformation repose sur des directions responsables et des équipes pluridisciplinaires

Suivez-nous

RECHERCHEZ UN ARTICLE, UNE CHRONIQUE, PARMI L'ENSEMBLE DES PUBLICATIONS

RECHERCHEZ UN AUTEUR

Marchés financiers

L'intelligence artificielle : un nouvel outil technologique pour la gestion d’actifs

À retrouver dans la revue

[Web Only] Tarifs bancaires : les banques amortissent l’inflation

Les garanties bancaires sont d’excellents cas d’usage

« Paris est le centre de gravité pour tous les instruments financiers traités en euros »

Le droit de la responsabilité civile appliqué à des virements frauduleux en devises

Panorama réglementaire des actifs numériques

Sberbank : une valeur anéantie à zéro en fonds de portefeuille

La transformation repose sur des directions responsables et des équipes pluridisciplinaires

Les garanties bancaires
sont d’excellents cas d’usage

« Paris est le centre de gravité
pour tous les instruments financiers traités en euros »