Machine learning en finance

Le machine learning est la partie de l'IA dans laquelle un modèle apprend des règles à partir de données au lieu de les recevoir écrites à la main. La finance utilise des modèles statistiques depuis des décennies, et le machine learning les étend à plus de données et à des schémas non linéaires. Trois familles couvrent la plupart des usages.

L'apprentissage supervisé prédit une cible connue à partir de cas passés: un emprunteur fera-t-il défaut, un paiement par carte est-il une fraude, un client va-t-il partir. L'apprentissage non supervisé trouve une structure sans cible, par exemple des groupes de clients semblables ou des transactions qui ne ressemblent à aucune autre, et c'est ainsi que de nombreux outils anti-blanchiment signalent des cas. L'apprentissage par renforcement apprend par essais et récompenses et sert à la recherche sur le trading, la couverture et le choix de portefeuille. Le manuel Machine Learning in Finance: From Theory to Practice de Matthew Dixon, Igor Halperin et Paul Bilokon suit ce découpage, avec des exemples en Python pour le trading algorithmique, l'investissement, la gestion de fortune et la gestion des risques, et consacre près de la moitié de ses pages à l'apprentissage par renforcement.

Le risque de crédit est le point où le machine learning rencontre les fonds propres des banques. Une banque qui calcule ses exigences de fonds propres avec l'approche fondée sur les notations internes (IRB) a besoin de l'approbation du superviseur pour chaque modèle. L'Autorité bancaire européenne a recueilli l'avis du secteur sur le machine learning dans ces modèles et publié un rapport de suivi sur le machine learning pour les modèles IRB. L'EBA a constaté que la plupart des banques prévoient d'utiliser le machine learning dans la différenciation des risques, surtout pour des modèles de probabilité de défaut liés aux décisions de crédit, et a formulé des recommandations pour un usage prudent. Le rapport traite aussi de l'articulation des règles IRB avec le RGPD et l'AI Act de l'UE.

En Allemagne, la Bundesbank et la BaFin ont consulté le secteur sur le machine learning dans les modèles de risque du pilier 1 et du pilier 2, avec l'explicabilité et les données comme questions principales. Un modèle de scoring de crédit par machine learning pour des particuliers est aussi à haut risque selon l'AI Act de l'UE, il exige donc surveillance humaine, documentation et tests de biais en plus des règles prudentielles. La réponse du hub sur le risque de crédit explique la probabilité de défaut et les autres notions de base.

La détection de fraude est l'un des plus anciens usages. Un modèle compare chaque paiement au comportement habituel du client et retient ceux qui ne correspondent pas, et l'article 25h de la loi bancaire allemande oblige les banques à exercer cette surveillance, que le modèle soit fondé sur des règles ou appris. L'AI Act de l'UE exclut expressément la détection de fraude de sa catégorie à haut risque du scoring de crédit. La page sur la prévention de la fraude en Allemagne donne les détails. Les assureurs utilisent les mêmes méthodes contre la fraude aux sinistres et pour la tarification, et la tarification en assurance vie et santé est à haut risque selon l'AI Act.

Dans le trading, des modèles de machine learning prévoient prix et volumes, et les entreprises les utilisent dans des stratégies de trading algorithmique. MiFID II s'applique quel que soit le modèle qui pilote l'algorithme, et l'entreprise doit pouvoir l'arrêter à tout moment; la page sur le trading algorithmique en Allemagne expose les règles. En gestion d'actifs, l'enquête de l'ESMA sur les marchés de titres de l'UE a constaté que l'optimisation de portefeuille et le trading avec l'IA restent rares par rapport aux tâches de texte et de code, comme le montre la page sur l'IA dans la gestion d'actifs.

Pour un diplôme complet, la Frankfurt School of Finance & Management propose un Master of Artificial Intelligence & Data Science à temps partiel sur quatre semestres, comme l'explique la page sur la data science en finance. Beaucoup de praticiens commencent avec Python, une bibliothèque de machine learning et un jeu de données financières, puis suivent un cours ou lisent un livre comme celui de Dixon, Halperin et Bilokon. Les équipes de validation des modèles des banques demandent les mêmes compétences de l'autre côté: elles vérifient qu'un modèle est stable, équitable et explicable avant sa mise en production.

Finance Loop est le lieu de rencontre des quants, data scientists, modélisateurs du risque et validateurs de modèles qui utilisent le machine learning dans les banques, les assurances et les sociétés de gestion. Finance Loop relie les milieux de la finance, de l'IT et de l'IA en Allemagne, en Autriche et en Suisse, avec des événements à Francfort, Munich, Berlin et Hambourg.

Finance Loop a soutenu le meetup AI & Financial Market Data à Paris, où des développeurs quantitatifs de Deutsche Bank ont comparé des architectures de données de marché avec des personnes d'Amundi, FactSet, QuestDB et Databricks. Finance Loop travaille avec Finteda, dont le programme couvre la technologie quantitative et le machine learning, et avec Frankfurt Data Science sur des meetups de data science appliquée à Francfort. Finance Loop organise aussi le Frankfurt Quantum Finance Forum avec la Frankfurt School, la Deutsche Bundesbank et IBM.

Le machine learning en finance est l'usage de modèles qui apprennent à partir de données pour prendre ou préparer des décisions financières: scores de crédit, alertes de fraude, prévisions de prix, segments de clientèle. Le modèle trouve le schéma dans les données passées, et des personnes décident si et comment utiliser son résultat.

Oui, sous conditions. Pour les modèles de fonds propres de l'approche IRB, le superviseur doit approuver le modèle, et l'EBA recommande un usage prudent avec une attention à l'explicabilité. Pour le scoring du crédit à la consommation, l'AI Act de l'UE ajoute ses obligations relatives au haut risque.

Machine Learning in Finance: From Theory to Practice de Dixon, Halperin et Bilokon couvre l'apprentissage supervisé, les séries temporelles et l'apprentissage par renforcement avec du code Python. Pour les agents d'IA construits sur des modèles de langage, Building AI Agents for Finance, coécrit par Fayssal El Mofatiche, membre de Finance Loop, est la référence plus récente.

Frankfurt Data Science organise dans la ville des meetups de data science appliquée et d'IA, et Finance Loop publie ses propres dates et celles de ses partenaires sur la page des événements et dans le calendrier ci-dessus.