232
Quant aux robo-advisors, l'idée principale est de créer des conseillers virtuels capables, à
l’aide de questions posées au client, de cerner son profil de gain et de risque, pour lui
proposer un produit d’investissement adapté. Pour le moment, les produits semblent en
général plus proches d’une interface marketing liée à un algorithme de matching qu’à des
algorithmes d’intelligence artificielle. Mais le besoin est réel, et le gain potentiel important.
En France, le premier robo-advisor auto-apprenant vient d’être labellisé par le pôle Finance
Innovation.
Même si les algorithmes évoluent rapidement, les véritables ruptures paraissent dériver de
la puissance de calcul et des données :
– Pour la première, la disponibilité des GPU (graphics processing units) dans les data
center lève le principal obstacle à la diffusion d’algorithmes d’IA très gourmands en
calcul ;
– Pour les deuxièmes :
o la quantité de données disponibles double tous les deux ans ;
o les données aujourd’hui incluent des informations complexes comme des
images, des vidéos, du texte, des liens humains… ;
o les acteurs, en particulier en finance, prennent conscience de la valeur de ces
données (cf. note de cadrage en annexe).
On passe ainsi d’une course à la vitesse à une course à la finesse. La vitesse n’est plus le
centre d’intérêt qu’elle a été en finance quantitative. Ce que permet l’IA aujourd’hui est
d’accéder à des signaux et motifs plus subtils, au sein de données plus complexes et en
expansion permanente, et de les exploiter pour prendre des décisions mieux informées – ce
qui est l’essence de la finance.
Les questions qui se posent dès lors sont de quatre ordres :
1. Estimation du risque et credit scoring :
a. Octroi de crédit par l’utilisation du graphe social (par exemple contacts sur
Facebook ou LinkedIn comme estimateur du risque de crédit efficace) ;
b. Domination des grandes plates-formes américaines (GAFA) sur ces données
individuelles / personnelles.
2. Analyse financière et recherche, investissement et stratégie de portefeuille, trading :
a. Analyse de sentiments, de textes et de signaux faibles ;
b. Les robo-advisors semblent encore généralement rudimentaires, mais
prometteurs ;
c. Annonces de taille :
i. Blackrock communique sur son utilisation de machine learning et IA pour
le Forex et l’equity,
ii. Virtu Financial communique sur son utilisation massive du big data depuis
des années, et affiche un seul jour de trading négatif en 6 ans entre 2009
et 2014.
3. Fraude, lutte anti-blanchiment et contre le financement du terrorisme, KYC, compliance :
Quant aux robo-advisors, l'idée principale est de créer des conseillers virtuels capables, à
l’aide de questions posées au client, de cerner son profil de gain et de risque, pour lui
proposer un produit d’investissement adapté. Pour le moment, les produits semblent en
général plus proches d’une interface marketing liée à un algorithme de matching qu’à des
algorithmes d’intelligence artificielle. Mais le besoin est réel, et le gain potentiel important.
En France, le premier robo-advisor auto-apprenant vient d’être labellisé par le pôle Finance
Innovation.
Même si les algorithmes évoluent rapidement, les véritables ruptures paraissent dériver de
la puissance de calcul et des données :
– Pour la première, la disponibilité des GPU (graphics processing units) dans les data
center lève le principal obstacle à la diffusion d’algorithmes d’IA très gourmands en
calcul ;
– Pour les deuxièmes :
o la quantité de données disponibles double tous les deux ans ;
o les données aujourd’hui incluent des informations complexes comme des
images, des vidéos, du texte, des liens humains… ;
o les acteurs, en particulier en finance, prennent conscience de la valeur de ces
données (cf. note de cadrage en annexe).
On passe ainsi d’une course à la vitesse à une course à la finesse. La vitesse n’est plus le
centre d’intérêt qu’elle a été en finance quantitative. Ce que permet l’IA aujourd’hui est
d’accéder à des signaux et motifs plus subtils, au sein de données plus complexes et en
expansion permanente, et de les exploiter pour prendre des décisions mieux informées – ce
qui est l’essence de la finance.
Les questions qui se posent dès lors sont de quatre ordres :
1. Estimation du risque et credit scoring :
a. Octroi de crédit par l’utilisation du graphe social (par exemple contacts sur
Facebook ou LinkedIn comme estimateur du risque de crédit efficace) ;
b. Domination des grandes plates-formes américaines (GAFA) sur ces données
individuelles / personnelles.
2. Analyse financière et recherche, investissement et stratégie de portefeuille, trading :
a. Analyse de sentiments, de textes et de signaux faibles ;
b. Les robo-advisors semblent encore généralement rudimentaires, mais
prometteurs ;
c. Annonces de taille :
i. Blackrock communique sur son utilisation de machine learning et IA pour
le Forex et l’equity,
ii. Virtu Financial communique sur son utilisation massive du big data depuis
des années, et affiche un seul jour de trading négatif en 6 ans entre 2009
et 2014.
3. Fraude, lutte anti-blanchiment et contre le financement du terrorisme, KYC, compliance :