Data science en finance

La data science, c'est répondre à des questions avec des données: les collecter, les nettoyer, y tester un modèle statistique ou de machine learning et expliquer le résultat aux personnes qui décident. En finance, les données sont des dossiers de prêt, des transactions de carte et de compte, des cours de titres, des fiches clients et les rapports qu'une banque envoie à son superviseur. L'IA en finance repose sur les mêmes données, et beaucoup de projets d'IA dans une banque commencent comme projet de data science.

Des cas d'usage courants de data science en finance sont le scoring de crédit, les alertes de fraude sur les paiements par carte, le filtrage anti-blanchiment, les prévisions de trésorerie et de liquidité, la tarification et l'attrition des clients. Dans la gestion d'actifs, des data scientists construisent des signaux à partir de données de marché et de données alternatives comme le texte des actualités. L'analyse de données dans la banque est la moitié plus ancienne et descriptive du métier: des rapports et des tableaux de bord qui montrent ce qui s'est passé. La data science ajoute des modèles qui estiment ce qui se passera ensuite, par exemple la probabilité qu'un emprunteur fasse défaut, le chiffre central du risque de crédit.

Dans une banque, la qualité des données prend une grande part du temps d'un data scientist, car les superviseurs la contrôlent. Le Comité de Bâle a publié ses principes pour l'agrégation effective des données sur les risques et la notification des risques, connus sous le nom de BCBS 239, après que de nombreuses banques n'ont pas pu additionner assez vite leurs expositions au risque pendant la crise financière. La BCE a suivi avec son guide sur l'agrégation effective des données sur les risques et la notification des risques, qui précise ce qu'elle attend des banques qu'elle supervise en plus de BCBS 239.

Les banques centrales collectent aussi des données prêt par prêt. AnaCredit, le jeu de données analytiques sur le crédit de la BCE, contient des détails sur chaque prêt de plus de 25 000 € à des entreprises et autres personnes morales de la zone euro, avec 94 attributs de données et 7 identifiants par prêt. Les prêts aux ménages n'y figurent pas.

Pour les modèles qui prennent ou préparent des décisions, la BaFin a publié des principes pour l'usage d'algorithmes dans les processus de décision. La BaFin divise la vie d'un modèle en développement, où il est choisi, calibré et validé, et application, où des personnes interprètent ses résultats, et elle demande un responsable clair pour chaque modèle. L'AI Act de l'UE ajoute des obligations pour les systèmes à haut risque, dont le scoring de crédit des consommateurs.

Francfort est le siège de la Banque centrale européenne, de la Deutsche Bundesbank et de Deutsche Börse Group, et Deutsche Bank et Commerzbank y ont leur siège. Le centre de données de recherche de la Bundesbank, le RDSC, donne aux chercheurs accès à des microdonnées anonymisées sur les banques, les entreprises, les titres, les fonds d'investissement et les ménages, pour des projets indépendants et non commerciaux et sous des conditions strictes.

Pour un diplôme, la Frankfurt School of Finance & Management propose un Master of Artificial Intelligence & Data Science: quatre semestres et 120 crédits ECTS, avec des cours deux jours de semaine et le samedi pour que les étudiants puissent travailler en parallèle. Des projets d'entreprise ont lieu avec des sociétés comme Deutsche Börse Group et PwC. Les praticiens se retrouvent chez Frankfurt Data Science, un groupe de Francfort pour la data science appliquée et l'IA dont les meetups mêlent courtes présentations et sessions campfire, plusieurs d'entre eux au TechQuartier.

Des événements IA récents pour le secteur financier ont traité de la gouvernance des données et des infrastructures de données de marché. À fAInance, la conférence d'une demi-journée de Sopra Steria et du Fraunhofer IAIS pour le personnel des établissements financiers, les espaces de démonstration couvraient l'IA dans les tests logiciels, dans la gouvernance, le risque et la conformité, et contre la criminalité financière. Le meetup AI & Financial Market Data à Paris a réuni des développeurs quantitatifs de Deutsche Bank et des personnes de FactSet, d'Amundi et de QuestDB pour comparer comment ils stockent et servent les données de marché aux modèles. À Hambourg, KI Exchange a réuni l'infrastructure d'IA souveraine, la gouvernance de l'IA et la conformité DORA dans un même programme.

DORA concerne les plateformes de données: une banque qui fait tourner ses données et ses modèles dans le cloud relève du Digital Operational Resilience Act, qui exige un registre de tous les contrats de services TIC. Le choix d'un fournisseur de données est donc aussi une question pour les équipes risque et externalisation.

Finance Loop réunit les personnes qui construisent des modèles de données et d'IA dans les banques, les gestionnaires d'actifs, les assureurs et les fintechs. Finance Loop relie les communautés de la finance, de l'IT et de l'IA, avec des événements à Francfort et aussi à Munich, Berlin et Hambourg. Finance Loop a une coopération avec Frankfurt Data Science pour des événements communs et l'échange de connaissances, avec la gouvernance de l'IA et les cas d'usage appliqués comme thèmes principaux. Avec Finteda et Frankfurt Data Science, Finance Loop soutient Claude Hacker House, une série pratique sur le développement avec Claude pour l'entreprise et la finance.

Finance Loop a été partenaire d'AI in Finance Paris, organisé par Finteda, et a soutenu le meetup AI & Financial Market Data à Paris. Finance Loop organise le Frankfurt Quantum Finance Forum avec la Frankfurt School, la Deutsche Bundesbank, IBM et Finteda. Toutes les dates figurent sur la page des événements.

Ils construisent et maintiennent les modèles derrière les décisions de crédit, les alertes de fraude, les prévisions et les prix. Une bonne part du travail est de trouver et nettoyer des données, tester un modèle sur des cas passés et documenter son fonctionnement, car une équipe de validation des modèles puis le superviseur lisent cette documentation. Le reste, c'est expliquer les résultats aux personnes du risque, de la vente ou de la trésorerie qui agissent dessus.

En Allemagne, le sujet apparaît surtout dans des conférences IA pour le secteur financier, comme fAInance à Francfort, qui se tient en allemand et n'est ouverte qu'aux personnes travaillant dans des établissements financiers, et KI Exchange à Hambourg. Des meetups plus petits de Frankfurt Data Science et de Finance Loop figurent dans le calendrier ci-dessus.

Pour un diplôme complet à côté d'un emploi, le master de la Frankfurt School, avec des cours deux jours de semaine et le samedi, est fait pour ce cas. Pour un premier pas, une soirée pratique comme Claude Hacker House ou un meetup montre à quoi ressemble le travail, et le Savoir de Finance Loop explique le côté finance, des données de marché au risque de crédit, en termes simples.