AI

Intelligence artificielle et Asset Management du modéle analytique au modèle prédictif

Par
FineDigit
le
19/6/2019

Depuis son ère contemporaine, l’industrie financière se nourrit de sa capacité à capter de l’information, à la traiter et à l’utiliser pour créer de la valeur ajoutée. Ce que l’on appelait hier “l’information” devient aujourd’hui la data. La haute finance est le fer de lance d’une digitalisation productiviste, extrême et précoce.Dans cet article, nous porterons notre regard sur la transformation de l'univers de la gestion d’actifs, et son passage au mode prédictif...

L’intelligence artificielle (IA), laisse entrevoir de grandes révolutions dans de nombreux secteurs d’activité (médecine, commerce, etc). Le terme  a aujourd’hui largement dépassé le cadre du simple Buzzword.  L’IA bénéficie aujourd’hui à la fois de la croissance exponentielle des capacités de calculs des ordinateurs et de l’accès à un univers de données d’une richesse décuplée par les réseaux, le BIG DATA.

Depuis son ère contemporaine, l’industrie financière se nourrit de sa capacité à capter de l’information, à la traiter et à l’utiliser pour créer de la valeur ajoutée. Ce que l’on appelait hier “l’information” devient aujourd’hui la data. La haute finance est le fer de lance d’une digitalisation productiviste, extrême et précoce. A titre d’exemple, dès 1970, le Nasdaq premier marché intégralement numérisé, est lancé. C’est donc très logiquement que la Finance se trouve aujourd’hui en pointe sur cette nouvelle révolution en marche (le BIG DATA) qui pourrait bouleverser son modèle économique. Dans cet article, nous porterons notre regard  plus particulièrement sur l’univers de la gestion d’actifs où l’utilisation de l’IA induit de véritables défis.

Du côté de l’ASSET MANAGEMENT, de nouvelles opportunités…

Pour les Assets managers, comme pour beaucoup de secteurs, la transformation digitale constitue un défi et une opportunité. Big data et machine learning sont des leviers qui permettent de transformer à la fois leurs modèles de production, de distribution et de coûts. Ils offrent aux Asset Managers la capacité de traiter une multitudes de données disponibles, structurées, textuelles, visuelles ou sonores. Grâce au Big Data et au machine learning, les gestionnaires d’actifs sont désormais susceptibles de fournir plus rapidement et presqu’en temps réel des angles d’analyse originaux, des indicateurs macroéconomiques hyper performants, mais aussi une anticipation quasi prédictive des résultats futurs des entreprises ou des cycles économiques sectoriels, grâce à l’analyse des appréciations des consommateurs et de la diffusion des tendances par les influenceurs. A terme l’Intelligence Artificielle permettra via les systèmes apprenants (machine learning) :

  1. D’améliorer la connaissance du passif des fonds des clients qui offre une gestion plus affûtée des ALM (Asset Liability Management : gestion actif-passif, appelé aussi gestion de bilan).
  2. De gérer des risques liés aux comportements moutonniers ou systémiques en les formalisant et en modélisant, contribuant ainsi à  limiter fortement risque et volatilité .
  3. D’affiner et de diversifier les stratégies d’investissement diversifiées, en isolant les sources de croissance et en identifiant des risques de retournement avant leur réalisation.

Si ces perspectives hier encore considérées comme intouchables sont devenues aujourd’hui réalité. Elles nécessitent cependant des investissements intellectuels pour définir une culture de la protection des données personnelles et de la primauté des intérêts des clients, afin de déterminer une juste ligne directrice pour cadrer et pérenniser ces transformations d’avenir.

Cliquez sur l'image pour lire l'article

Les robo-advisors au service de la gestion de fortune.

Dans le domaine de la gestion de fortune, une nouvelle forme de conseil financier a émergé outre-Atlantique et commence à bousculer le monde des conseillers financiers traditionnels : les robo-advisors. Ces plateformes de conseil en investissement automatisées, proposent aux utilisateurs de construire et gérer leurs portefeuilles pour des tarifs extrêmement bas. Ils permettent aux utilisateurs de bénéficier d’une expérience client simplifiée, d’une meilleure adéquation client/produit, et ce, à des coûts moindres. Le modèle des robo-advisors s’appuie sur un modèle qui pourrait se rapprocher des modèles dits “d’ubérisation”, grâce en particulier à des circuits clients raccourcis.

Ils se sont concentrés sur la satisfaction de nouveaux besoins financiers que sont la simplicité, l’ubiquité et la disponibilité. Ils offrent un profilage du client et proposent des simulateurs de performance basés sur des technologies complexes. C’est le modèle marketing qui a créé la rupture. Les robo-advisors peuvent ainsi être substitués au conseil humain, ou le compléter.

Incuber ou externaliser le développement  et l'exploitation des algorithmes


Concernant le développement des programmes d'IA, les sociétés de gestion peuvent choisir de l'internaliser de préférence dans un laboratoire dédié : un Labfab. Le choix de l'incubation en lab permet la déconnexion des contraintes opérationnelles et l'agilité propre à garantir le caractère disruptif de l'innovation recherchée. Toutefois, Incuber le développement suppose, outre un investissement élevé, un accès aux compétences en data science, qu'il est parfois difficile d'obtenir pour une société de gestion, et un délai aléatoire de commercialisation des programmes. Il s’adresse donc aux gestionnaires d’actifs.

Les Assets management pour qui cette barrière à l'entrée sera trop forte se pencheront plutôt vers un modèle d'intelligence décentralisée, dans lequel les phases de construction, d'entraînement et de production des algorithmes seront externalisées auprès d'un ou plusieurs acteurs spécialisés. Le gérant reste in fine le responsable de la mise en œuvre des signaux générés dans sa construction de portefeuille.