231
Groupe Finance
Etat des lieux
I Périmètre
Les investissements dans les start-up en intelligence artificielle (IA) appliquée à la finance
ont dépassé 2 milliards de dollars en 2016, d’après PWC/Pitchbook. Ces start-up ressortent
principalement de trois domaines technologiques :
– les logiciels auto-apprenants (apprentissage profond, réseaux neuronaux, machine
learning…) ;
– le traitement automatique du langage naturel (NLP) ;
– les systèmes experts.
Cette taxonomie n’est bien sûr pas absolue : le machine learning est utilisé en NLP qui peut
lui-même être utilisé pour faire des systèmes experts. Mais elle tente de rendre compte de
l’évolution chronologique de la technologie et son adoption dans la finance. Les systèmes
experts sont apparus dès les années 1980, notamment dans les banques et les compagnies
d’assurance. Les premières applications dans le Web sémantique et l’interaction
« naturelle » avec les utilisateurs remontent, elles, à la fin des années 1990.
Il convient dans cette logique de relier l’émergence actuelle de l’IA au big data et de
dissocier les technologies qui font appel aux techniques traditionnelles du data mining, du
clustering et de l’analyse de composants de celle qui font appel à des données non
structurées (deep learning, réseaux neuronaux…). L’engouement actuel pour l’IA se
concentre principalement sur ces dernières, et particulièrement l’apprentissage profond.
A ce jour, les utilisations de l’IA dans la finance relèvent de l’application, par des automates,
d’algorithmes de décisions et/ou d’apprentissage pour résoudre des problèmes dans un
cadre bien défini. Ainsi par exemple :
– des algorithmes de machine learning qui calibrent un modèle sur des données
historiques pour déterminer la décision optimale dans les situations futures ;
– des processus d'allocation dans une stratégie d’investissement qui améliore le
portefeuille en se basant sur une fonction de « regret déterministe ».
Ces deux domaines, les robo-advisors et le trading automatique, semblent destinés à être les
premiers où l’IA se diffusera massivement. Bien que la confidentialité soit jalousement
gardée, l’intelligence artificielle est probablement assez largement répandue dans le trading
algorithmique et pourrait devenir incontournable sous la forme d’outils d’aide à la décision.
Tout autant que l’automatisation des processus de trading, les algorithmes de machine
learning promettent en effet des gains d’efficacité et de performance ainsi qu’une réduction
du risque opérationnel. Certaines start-up offrent déjà des outils d’analyse complexe,
permettant de diminuer les prises de risque ou d’analyser de grandes quantités de données
externes.
Groupe Finance
Etat des lieux
I Périmètre
Les investissements dans les start-up en intelligence artificielle (IA) appliquée à la finance
ont dépassé 2 milliards de dollars en 2016, d’après PWC/Pitchbook. Ces start-up ressortent
principalement de trois domaines technologiques :
– les logiciels auto-apprenants (apprentissage profond, réseaux neuronaux, machine
learning…) ;
– le traitement automatique du langage naturel (NLP) ;
– les systèmes experts.
Cette taxonomie n’est bien sûr pas absolue : le machine learning est utilisé en NLP qui peut
lui-même être utilisé pour faire des systèmes experts. Mais elle tente de rendre compte de
l’évolution chronologique de la technologie et son adoption dans la finance. Les systèmes
experts sont apparus dès les années 1980, notamment dans les banques et les compagnies
d’assurance. Les premières applications dans le Web sémantique et l’interaction
« naturelle » avec les utilisateurs remontent, elles, à la fin des années 1990.
Il convient dans cette logique de relier l’émergence actuelle de l’IA au big data et de
dissocier les technologies qui font appel aux techniques traditionnelles du data mining, du
clustering et de l’analyse de composants de celle qui font appel à des données non
structurées (deep learning, réseaux neuronaux…). L’engouement actuel pour l’IA se
concentre principalement sur ces dernières, et particulièrement l’apprentissage profond.
A ce jour, les utilisations de l’IA dans la finance relèvent de l’application, par des automates,
d’algorithmes de décisions et/ou d’apprentissage pour résoudre des problèmes dans un
cadre bien défini. Ainsi par exemple :
– des algorithmes de machine learning qui calibrent un modèle sur des données
historiques pour déterminer la décision optimale dans les situations futures ;
– des processus d'allocation dans une stratégie d’investissement qui améliore le
portefeuille en se basant sur une fonction de « regret déterministe ».
Ces deux domaines, les robo-advisors et le trading automatique, semblent destinés à être les
premiers où l’IA se diffusera massivement. Bien que la confidentialité soit jalousement
gardée, l’intelligence artificielle est probablement assez largement répandue dans le trading
algorithmique et pourrait devenir incontournable sous la forme d’outils d’aide à la décision.
Tout autant que l’automatisation des processus de trading, les algorithmes de machine
learning promettent en effet des gains d’efficacité et de performance ainsi qu’une réduction
du risque opérationnel. Certaines start-up offrent déjà des outils d’analyse complexe,
permettant de diminuer les prises de risque ou d’analyser de grandes quantités de données
externes.