L'intelligence artificielle en finance
À quoi pensez-vous quand on vous parle des marchés financiers ? Vous pourriez penser à des hommes en costume qui se font des gestes frénétiques et se maudissent sans cesse les uns les autres ou à un environnement tout aussi chaotique. Cependant, ces courtiers en bourse autrefois omniprésents sont remplacés par des programmes informatiques à grande vitesse.
Par exemple, Citadel Securities négocie 900 millions d'actions par jour (ce qui représente une transaction boursière sur huit aux États-Unis). Seules 40 personnes travaillent dans la salle des marchés de l'entreprise, supervisant des ordinateurs qui utilisent des algorithmes pour remplir les ordres de bourse. Goldman Sachs emploie plus de programmeurs et d'ingénieurs que Facebook. En 2018, 40 milliards de dollars ont été levés par les entreprises de technologie financière (fintech). Si ce n'était pas déjà clair, la technologie va bouleverser le secteur financier. L'intelligence artificielle est l'une des technologies à l'origine de ce changement. Avant de pouvoir comprendre les applications de l'intelligence artificielle aux services financiers, nous devons comprendre la technologie elle-même.
Le machine learning
Le machine learning, un sous-ensemble de l'intelligence artificielle, se concentre sur le développement de programmes informatiques qui apprennent et s'améliorent de manière autonome à partir de l'expérience sans être explicitement programmés. Les trois grands types de machine learning sont l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement.
L'intelligence artificielle a plusieurs applications diverses, tant du côté de la vente (banque d'investissement, courtiers en valeurs mobilières) que du côté de l'achat (gestionnaires d'actifs, fonds spéculatifs).
Côté vente
Les entreprises utilisent le machine learning pour tester les combinaisons d'investissement (crédit/négoce). Les banques expérimentent un logiciel de traitement du langage naturel qui écoute les conversations des clients et examine leurs transactions pour suggérer des ventes supplémentaires ou anticiper les demandes futures (crédit/ventes). Les banques utilisent des algorithmes de machine learning qui recommandent les meilleurs swaps de taux pour le bilan d'une entreprise (taux/négociation). Les messages des clients dans les boîtes de réception et les plates-formes électroniques sont contrôlés par un logiciel de traitement du langage naturel afin de déterminer comment ils souhaitent répartir les grosses transactions entre les fonds (taux/ventes). Les algorithmes de machine learning supervisés recherchent des corrélations entre les prix des actifs et d'autres données afin de prévoir les prix des devises quelques minutes ou heures à l'avance (change/négociation). Un logiciel de traitement du langage naturel peut lire les contrats et informer les clients des échéances des swaps et des autres conditions (produits dérivés/ventes)
Côté acheteur
Les ordinateurs passent au crible les données historiques pour identifier les éventuels échanges d'actions, d'obligations, de marchandises et de devises, en utilisant le machine learning pour projeter leurs performances dans divers scénarios économiques. Les données historiques sont également examinées pour aider à déterminer la taille, le moment et la durée des paris (identifier les métiers/la construction du portefeuille). Les algorithmes de machine learning analysent les données sur les changements du marché pour modéliser en conséquence les modifications des transactions. En outre, des analyses sont effectuées sur les évaluations et les prix sont prévus (surveillance des transactions). Les algorithmes analysent divers ensembles de données comme le sentiment des consommateurs envers les marques et les concessions de forage pétrolier. Des données telles que les images satellites et les listes de propriétés peuvent être utilisées pour suivre les tendances économiques. Le traitement du langage naturel permet également d'analyser les transcriptions des appels gagnants, de lire les nouvelles et de surveiller les médias sociaux. Les commentaires des banques centrales et des conférences sont également analysés pour les mots-clés et les sentiments (recherche en cours).
Dans l'ensemble, l'intelligence artificielle est utilisée par les institutions financières de diverses manières pour améliorer leurs opérations. Alors que Wall Street entre dans une nouvelle ère, la technologie devrait se répandre dans le secteur financier.
