Récemment, le Dr Hugo Bowne-Anderson (DataCamp) et le Dr Yves Hilpisch (The Python Quants) ont échangé sur la manière de tirer parti de l’IA en finance, sur la comparaison avec les approches plus traditionnelles, et sur les raisons pour lesquelles les data scientists sont désormais des acteurs clés du secteur. Ils ont également abordé l’incertitude et le risque, ainsi que l’utilité de l’IA et de l’apprentissage automatique lors des krachs, face aux événements « cygnes noirs » et sur des marchés volatils. Regardez le webinaire à la demande ou poursuivez votre lecture pour découvrir les principaux enseignements.
Qu’est-ce que l’IA et quelles en sont les implications ?
Yves définit l’intelligence artificielle comme l’ensemble des domaines qui cherchent à émuler et à améliorer ce que les humains savent faire. Dans ce sens, l’IA aux échecs vise à jouer mieux que les humains, et l’IA en finance peut consister à concevoir et entraîner des robots capables de trader mieux que nous.
« L’IA, c’est quand un logiciel accomplit quelque chose que nous considérerions comme un acte intelligent. Et l’intelligence peut se définir comme la capacité à atteindre un objectif donné. » — Dr Yves Hilpisch
Les machines peuvent suivre la méthode scientifique bien plus efficacement que les humains. Elles savent analyser les données et mettre en évidence des préférences révélées en observant ce que les gens font réellement. Elles en tirent ensuite des enseignements, en s’appuyant sur des millions de points de données, ce qui conduit à des insights souvent bien plus précis que les modèles théoriques.
Alors, qu’est-ce que la méthode scientifique ?
« Vous mettez en place une expérience, vous collectez des données, puis vous cherchez soit à corroborer l’hypothèse, soit vous trouvez des données qui la contredisent. L’étape suivante consiste alors à ajuster votre hypothèse, vos postulats, ou parfois à l’abandonner purement et simplement. Ce processus propre à la méthode scientifique peut être répliqué par des machines des millions de fois en quelques secondes. » — Dr Yves Hilpisch
L’IA a offert un avantage compétitif majeur ces 20 dernières années
L’IA poursuit en finance le même objectif que dans tout autre domaine : obtenir un avantage concurrentiel. En finance, tout commence dans les années 1950, lorsque Markowitz ouvre la voie avec le premier modèle de finance quantitative. C’est le premier modèle de la théorie de portefeuille en variance à connaître une large adoption — et il sert encore aujourd’hui à gérer des milliers de milliards de dollars. Mais il s’appuie sur une théorie normative qui analyse différents portefeuilles possibles de titres : il n’est pas prescriptif, car il ne suggère pas de plan d’action. Il ne repose donc pas sur les données au sens empirique, mais sur des données comportementales ou de marché.
Au cours des 20 dernières années, les données sont devenues plus accessibles que jamais — l’enjeu est de bien les exploiter. Le livre de Gregory Zuckerman, The Man Who Solved the Market, raconte comment le fonds Renaissance Technologies a montré la voie en accumulant des données à des fins financières. Aujourd’hui, presque tous les secteurs ont adopté cette stratégie consistant à bâtir des modèles mathématiques et à analyser les données — ce qui leur permet de prendre des décisions plus optimales.
Cas d’usage modernes et bonnes pratiques en finance quantitative
L’IA a connu une évolution spectaculaire sur les marchés financiers. Par exemple, grâce aux montagnes de données disponibles aujourd’hui, les modèles d’apprentissage supervisé prédisent avec une grande précision le comportement des emprunteurs ou des consommateurs. Le trading algorithmique s’appuie également sur l’apprentissage par renforcement pour récompenser ou pénaliser les robots de trading selon l’argent qu’ils gagnent ou perdent.
« Nous disposons désormais de millions et de millions de points de données pour analyser le comportement des personnes. Avec les nouvelles technologies, les banques et institutions — y compris les fintech — sont dix, cent fois meilleures pour prédire le comportement des consommateurs, des emprunteurs, etc., que toutes les théories jamais élaborées par les professeurs de finance. » — Dr Yves Hilpisch
Mais en période de forte volatilité des marchés, il est clair que l’IA en finance doit s’accompagner de garde-fous. L’apprentissage supervisé s’appuie sur des données historiques et suppose que le passé est représentatif de l’avenir. Ce raisonnement est fragile lorsque les marchés sont instables. D’où la nécessité de définir des règles pour éviter de mauvaises décisions de trading, comme poser des ordres stop-loss — qui spécifient un prix de vente pour un titre ou une matière première — sur les algorithmes. Cette logique limite des pertes trop lourdes à supporter et s’apparente aux dispositifs de sécurité d’une voiture autonome pour éviter de heurter des piétons sur un trottoir. L’IA est utile pour réduire le risque lié aux événements en cours et à leur impact sur le marché. Face à des cygnes noirs, les approches supervisées doivent être étroitement surveillées, et l’apprentissage par renforcement peut servir à réentraîner les modèles selon les nouvelles conditions de marché. Une intervention humaine et une supervision attentive des algorithmes déployés resteront nécessaires dans un avenir proche.
Le besoin d’outils simples, reproductibles et évolutifs
En finance computationnelle, la simulation de Monte-Carlo adopte une approche prospective : elle part d’un instant donné et simule les trajectoires futures. Python est un excellent outil pour cela. Aujourd’hui, l’écosystème data de Python regroupe des bibliothèques interopérables qui permettent d’ingérer des données, de les transformer avec pandas, d’effectuer des modélisations statistiques et de créer des algorithmes d’apprentissage automatique. Python rend l’ensemble évolutif. Désormais, le trading algorithmique repose sur un outillage adapté. Et travailler dans ce secteur exige une maîtrise réelle de ces outils — notamment Python et R. La bibliothèque pandas et des frameworks comme TensorFlow et Keras ont rendu possible ce qui ne l’était pas auparavant pour beaucoup.
Abaisser les barrières à l’entrée
Apprendre à utiliser ces outils représente un investissement conséquent, que de plus en plus d’entreprises et d’individus consentent. Des offres de formation comme DataCamp et The Python Quants démocratisent l’apprentissage. Les apprenants se familiarisent avec les concepts de data science et d’apprentissage automatique et gagnent en autonomie dans la création d’algorithmes dans un environnement de code. Ils apprennent également à configurer un environnement et une chaîne d’outils adaptés côté serveur — de quoi leur permettre de déployer des algorithmes dans le cloud.
