De façon générale, l’IA est appliquée à la finance dans trois domaines différents : l’optimisation des portefeuilles financiers, la prédiction des prix ou des tendances futures des actifs financiers et l’analyse du sentiment des actualités. Les modèles d’apprentissage automatique sont de plus en plus répandus dans le trading algorithmique et la gestion des investissements. Les retombées économiques du COVID-19 ont vu une baisse record des marchés boursiers américain, européen et chinois. Et seulement quelques mois plus tard, des mesures de stimulation de l’économie ont pu stopper la chute et inverser la tendance baissière.
La diffusion de l’apprentissage automatique dans la finance remet en question les pratiques existantes de modélisation et d’utilisation de modèles et crée une demande de solutions pratiques pour gérer la complexité de ces techniques. AI Trading Technologies peut désormais identifier des modèles de trading complexes à grande échelle sur plusieurs marchés en temps réel. Combinant la technologie d’apprentissage automatique avec une puissance de traitement de données massives à grande vitesse.
Un grand nombre d’AI Quant utilisent le modèle d’Occam – les choses ne devraient pas être multipliées sans nécessité – comme un outil heuristique pour éviter une complexité excessive du modèle et garantir un certain niveau de contrôle humain et d’interprétabilité dans le processus de modélisation. La gestion de la complexité des modèles d’apprentissage par les Quants est une clé pour saisir la transformation du rôle de l’humain dans les données contemporaines et la finance axée sur les modèles.
Les humains restent une grande partie de l’équation du trading, l’IA joue un rôle de plus en plus important. Selon une étude récente de la société de recherche britannique Coalition, les transactions électroniques représentent près de 45% des revenus des transactions d’actions au comptant. Et tandis que les hedge funds sont plus réticents à l’automatisation, beaucoup d’entre eux utilisent une analyse basée sur l’IA pour obtenir des idées d’investissement et créer des portefeuilles.
La gestion des risques est la pierre angulaire de toute stratégie de trading réussie. Ainsi, nous obtenons la première tâche du trading algorithmique – la réduction des risques sur un marché à forte volatilité. Le deuxième avantage global du trading algorithmique réside dans la capacité à analyser l’impact potentiel du trading sur le marché. Cela peut être particulièrement utile pour les hedge funds et les investisseurs institutionnels qui gèrent de grosses sommes d’argent avec un effet visible sur les mouvements de prix. Le troisième avantage fondamental des algorithmes de trading est la protection contre les émotions.
Les traders et les investisseurs, comme toutes les personnes vivantes, ressentent les émotions de la peur, de la cupidité, de la perte de profits et autres. Ces émotions ont un impact négatif sur les performances et les résultats. Les investisseurs institutionnels comprennent ces avantages. Déjà, environ 80% de toutes les opérations de trading sur les bourses américaines sont clôturées à l’aide d’algorithmes.
Le trading algorithmique est devenu dominant vers 2005 aux États-Unis puis s’est concrétisé dans le système boursier international (en quelques années), posant de nouveaux problèmes réglementaires et éthiques. Elle semble présenter divers avantages financiers pour les hedge funds, les sociétés de bourse et de gestion.
Au niveau mondial, 85% des principales places boursières mondiales sont désormais des marchés d’ordres limités entièrement électroniques sans lieu d’échange physique : le HFT représente 90% des ordres et 40% du volume des transactions (depuis 2009 ces chiffres ont été multipliés par trois en 3 ans sur Euronext). Les bénéfices générés par le HFT ont été estimés à 21 milliards de dollars en 2009.
