L’intelligence artificielle, c’est quoi?

Le principe est simple en théorie: doter un logiciel des mêmes capacités cognitives que l’être humain. En pratique, il faut le programmer non pas pour résoudre un problème donné, mais lui apprendre, à partir d’un large ensemble d’exemples, à résoudre un problème par lui même. En effet, c’est actuellement la meilleure façon d’aborder des problèmes très (voire trop) complexes pour lesquels il n’y a pas de solution algorithmique directe.

Pour faire de la reconnaissance faciale par exemple: l’idée n’est pas de définir mathématiquement ce qu’est une bouche ou un œil sur une image, mais d’apprendre au logiciel à les reconnaître de lui même, en lui montrant de nombreux exemples (images de visages humains, de têtes d’animaux, d’objets, etc.) et en lui donnant à chaque fois la réponse. Il apprend ainsi à reconnaître les éléments qui composent un visage humain. L’intelligence artificielle (ici plus précisément machine learning) se rapproche de l’apprentissage par mimétisme chez les enfants.

Les deux grandes familles de problématique en jeu sont la régression et la classification d’un grand nombre de données. Pour les résoudre, diverses techniques sont possibles tels que les arbres de décisions couplés à du Gradient Boosting, ou les SVM (Support Vector Machines) pour la séparation de données suivant des frontières aussi bien linéaires que non-linéaires, ou encore les puissants outils probabilistes comme les réseaux Bayésiens.

A quoi pourrait-elle servir dans la finance? 

Parmi les signes annonciateurs d’une crise financière majeure, nous pouvons distinguer les périodes d’euphorie (forte hausse du prix des actifs) et les périodes de panique (chute brutale de ces mêmes prix), comme ce fut le cas au début des années 2000 avec la bulle Internet. Pendant ces deux périodes, les comportements des acteurs ne se basent pas uniquement sur des données quantitatives et des analyses objectives, mais également sur des émotions typiquement humaines: la cupidité lors de l’euphorie et la peur lors de la panique (par exemple le jour de l’annonce du Brexit, quand les Bourses européens ont sur-réagi négativement).

Le point important à comprendre et à retenir, c’est qu’avec l’intelligence artificielle en finance, on ajoute une dimension de complexité supplémentaire: fini le monde idéalisé où tout est linéaire, où tout est Gaussien, où les algèbristes peuvent appliquer leurs théorèmes favoris. Nous voilà dans un monde complexe non-linéaire où les données sont de natures diverses: ainsi faut-il savoir traiter indistinctement des prix d’actifs et des indicateurs macro-économiques tels que le niveau d’emploi américain, l’indice de confiance des consommateurs allemands, ou encore les politiques monétaires des banques centrales. C’est aussi un monde où chaque corrélation entre deux actifs financiers est multi-factorielle: l’économie mondiale aura une configuration bien différente si le baril de pétrole est en-dessous de 50 dollars que s’il est autour de 100 dollars. Il faut savoir gérer les situations où une multitude de causes peut engendrer une même conséquence.

L’intelligence artificielle permet de concevoir des algorithmes qui apprennent à détecter les périodes d’euphorie et de panique sur les marchés financiers (on parle de régime de marché). En ayant bien défini ces régimes de marché, l’investisseur peut moduler ses investissements et ainsi profiter de la performance des marchés financiers, mais sans se laisser prendre aux excès de sentiment. C’est précisément cela qui permet une meilleure gestion de ses risques.

Quelles sont alors les limites de l’AI en finance?

Sur les marchés financiers, demain ou une échéance dans 6 mois ne sont pas très différents car la résilience de l’économie dépend des décisions politiques, de la psychologie, etc. Il existe de nombreuses situations qui appartiennent au domaine de l’incertitude absolue, en d’autres termes qu’il n’est pas possible – même avec des efforts cognitifs, humains ou artificiels, conséquents – d’en tirer une quelconque information utile.

La question de la temporalité des prédictions est essentielles. Si nous prenons l’exemple du film «The Big Short», Michael Burry (joué par Christian Bale) – qui fait fortune en prévoyant la crise des subprimes – aurait fait faillite si la crise s’était déclenchée quelques mois plus tard. Nous pouvons continuer avec Keynes qui disait «Le long terme est un horizon peu intéressant. A long terme, nous serons tous morts. Les économistes n’apportent rien si, en pleine tempête, tout ce qu’ils trouvent à dire est qu’une fois l’orage passé la mer sera calme». Cela est toujours aussi pertinent. L’AI en finance permet à l’heure actuelle de déterminer l’arrivée des orages mais pas encore leurs dates précises d’éclatement. En somme, cela est déjà une révolution pour la gestion des risques en finance mais ce n’est en rien la solution ultime.

Il faut cependant nuancer sur les limites de l’AI en finance car même si on ne peut pas savoir quand l’orage arrivera exactement, on sait que dans les mois qui viennent ça va «chauffer» sur les marchés. Cela est amplement suffisant pour ré-allouer son portefeuille et gérer prudemment ses risques.

Pourquoi l’infrastructure des banques est-elle une dette technologique pour innover en AI?

Il est intéressant de remarquer que l’innovation en intelligence artificielle est le fruit des efforts de quelques grands acteurs du web et de la technologie: par Facebook avec des chat bots pour répondre automatiquement sur Messenger, par Google avec le programme AlphaGo qui bat le meilleur humain au jeu de Go, par IBM avec le logiciel Watson champion du jeu américain Jeopardy !, et non pas en provenance des banques.

Regardons ce qui s’est passé dans le Trading à Haute Fréquence (HFT). Dans le monde actuel, pratiquement toutes les transactions sont automatisées. Que cela soit pour minimiser l’impact d’un achat ou d’une vente massive ou pour saisir des opportunités d’arbitrage, le trading automatique est devenu la norme. L’enjeu concerne ici la rapidité de l’accès à l’information (les technologies de télécommunication) mais aussi d’éviter les manipulations de marché. Mais là-dedans, l’AI n’intervient pas ou alors qu’à ses stades les plus rudimentaires. C’est avant toute chose un enjeu d’infrastructure. Et pourtant, déjà les banques n’ont pas réussi à prendre ce virage. Les leaders de ce marché s’appellent Virtu, Tower Citadel, etc. Seul Goldman Sachs est parvenu à tenir la distance. Pourquoi? La réponse sera la même pour l’AI: la dette technologique. Les systèmes informatiques des banques sont incapables d’intégrer cette nouvelle réalité financière.

C’est d’ailleurs un secret de polichinelle: chaque trimestre les état majors des banques discutent à couteaux tirés sur les centaines de millions d’euros à passer en «dotations aux amortissements exceptionnels des immobilisations» pour mettre à niveau leur système d’information. Malgré les milliards d’euros investis ces 20 dernières années, leurs systèmes ont subi une obsolescence extrême. Les bases SQL, les spreadsheets Excel, les Murex, les Sophis, les Calypso et consorts. Tout cela est incapable de répondre à eux-seuls aux défis du deep learning and fast learning. Il faut remplacer ces vielles usines informatiques poussiéreuses par du calcul intensif déporté (high performance computing couplé à du cloud computing), du big data, de la connexion en direct aux bourses en ultra haut débit, du machine learning, etc. sans même parler des attentes de digitalisation des clients.

Et en fait, à ce jeu-là, les start-up et les banques partent sur la même ligne de départ… sauf que les start-up sont plus agiles et donc elles avancent de facto plus vite.

Quelle est la différence avec l’état d’esprit actuellement dans les banques?

L’ingénierie est très développée au sein des banques, en particulier l’ingénierie financière. Elle repose sur de puissants outils mathématiques tels que le calcul stochastique ou l’algèbre linéaire. Le but est, par exemple, de modéliser l’évolution future des prix d’actifs complexes (produits structurés) ou d’étudier la corrélation entre les variations de prix de différents actifs afin de parier à la hausse ou à la baisse sur ces actifs. C’est une véritable industrie où les ouvriers sont les mathématiciens et les développeurs.

La popularité du master probabilités et finance d’El Karoui qui faisaient régulièrement la une du Financial Times et parfois mêmes des pages «débats et opinions» du journal Le Monde en est la preuve. On y apprend à manipuler les chaines de Markov, les martingales, et le calcul stochastique à coups de processus de Wiener et de lemme d’Itô. Malheureusement, tous ces grands ingénieurs et scientifiques ne sont pas équipés pour évoluer dans ce nouvel El Dorado que représente l’intelligence artificielle. Celle-ci fait appelle à d’autres compétences, à la croisée de plusieurs sciences tels que les probabilités, les statistiques et l’algorithmique ainsi que la macro économie et l’informatique (via le big data).

La culture nécessaire pour exceller dans l’AI est beaucoup plus proche de l’esprit libre des start-up que du «big brother» des grandes banques. La paranoïa qui sévit depuis les grandes purges post crise des subprimes n’est pas non plus très propice à l’état de créativité que ces talents pourraient pourtant avoir dans d’autres environnements de travail.

C’est pour cela que les start-up innovent plus rapidement. Elles ont intrinsèquement une forte culture Tech et scientifique. Cela constitue leur avantage compétitif. D’autant plus qu’elles participent à une autre révolution, celle de la digitalisation et de la démocratisation de la finance. Elles peuvent s’émanciper des grands acteurs historiques car elles ont la capacité de s’adresser directement au client, en lui fournissant directement les outils nécessaires à son empowerment sur les marchés financiers.