De nouvelles possibilités grâce à l’intelligence artificielle

AXA Investment Managers

2 minutes de lecture

Selon Gideon Smith, le CIO pour l’Europe d’AXA IM Rosenberg Equities, les réseaux neuronaux artificiels ouvrent des possibilités d’analyse de données.

 

Chercher de nouvelles façons d’utiliser les données de manière innovante et efficace constitue depuis toujours l’une des principales tâches incombant aux gestionnaires de placement qui suivent une approche quantitative. «Nous décortiquons les données avant de les réassembler – et tentons au bout du compte de développer des modèles permettant de transformer les données brutes en connaissances utiles», commente Gideon Smith. Selon le CIO pour l’Europe d’AXA IM Rosenberg Equities, l’avènement du big data et de l’apprentissage automatique ne serait qu’un perfectionnement de techniques déjà existantes. La différence entre les anciens modèles et les innovations actuelles est que l’intelligence artificielle et les réseaux neuronaux artificiels ouvrent de nouvelles possibilités d’analyse de données.

Plus d’informations est synonyme
de plus grande efficience des marchés

A l’origine, l’idée à la base de ces développements était simple. Davantage d’informations contribuent à améliorer l’efficacité du marché – les investisseurs ont aujourd’hui un accès pratiquement illimité à un grand nombre d’informations telles que des données d’entreprise, des nouvelles, des analyses et des commentaires. La pénurie d’informations d’autrefois serait ainsi comblée. Cependant, les marchés restent exposés à des fluctuations en raison de craintes et de spéculations irrationnelles. «L’augmentation de la quantité de données disponibles n’est pas forcément synonyme d’une meilleure connaissance du marché si ces données ne peuvent pas être analysées immédiatement», explique Gideon Smith. La solution consisterait à développer des systèmes capables d’intégrer et de traiter rapidement les sources de données ainsi que les séries de données non structurées comme les textes ou les informations verbales.

«Les réseaux neuronaux artificiels peuvent souvent apprendre
plus rapidement et mieux que l’intellect humain.»

Il ne suffit pas de se procurer des informations, celles-ci doivent être traitées de manière systématique et automatisée, ajoute Gideon Smith. «Les modèles économétriques requis pour cela doivent pouvoir identifier les schémas et les facteurs déclencheurs typiques.» Les réseaux neuronaux artificiels sont déjà utilisés à des fins d’analyse dans d’autres branches et peuvent souvent apprendre plus rapidement et mieux que l’intellect humain. Les prévisions sont ainsi plus fiables et plus constantes que celles formulées par des humains. «Tout simplement mieux», résume le CIO. Pour les investisseurs, ils constituent donc une aide à la prise de décisions et un soutien à ne pas sous-estimer.

Individualité versus complexité

Cependant, les modèles basés sur l’intelligence artificielle mettent la branche face à un nouveau défi: «En tant que gérant de fortune, comment pouvons-nous nous assurer de pouvoir assumer nos obligations et nos responsabilités vis-à-vis de nos clients tout en restant maîtres de nos décisions?». Telle est la question décisive selon Gideon Smith. Il envisage cependant cette tâche avec sérénité: «Nous avons toujours cherché à expliquer le fonctionnement des modèles et à mettre en évidence les corrélations internes.» Les modèles traditionnels permettent de décrire, de façon compréhensible par tous, les interdépendances linéaires entre les données entrantes et les données résultantes. Les nouveaux modèles s’appuient également sur de telles informations, mais ils sont complétés par des détails non linéaires plus subtils qui restent souvent cachés à l’observateur humain. «L’un des avantages de cette manière de travailler est que les modèles individuels sont rarement généralisés.» L’inconvénient réside dans leur complexité: il est plus difficile de les expliquer et de les comprendre.

«L’important est de s’assurer que les modèles se fondent
sur de vraies connaissances et des principes établis.»

Pour les gérants de fortune, il en découle une nouvelle responsabilité: «Lorsque vous décidez d’intégrer l’intelligence artificielle et l’apprentissage automatique dans vos portefeuilles, vous devez être en mesure d’expliquer de manière plus précise les modèles sur lesquels ils se fondent», affirme M. Smith. On peut recourir à des illustrations ou à des proxys, appelés «boîtes blanches». L’important est toutefois de s’assurer que les modèles se fondent sur de vraies connaissances et des principes établis. «En tout premier lieu, ils doivent répondre à des critères de rentabilité», revendique le CIO. «Concevoir les modèles les plus innovants et les plus performants ne représente qu’un côté de la médaille», conclut-il. Le gestionnaire d’actifs devrait consacrer autant d’énergie à les valider et à les expliquer qu’il a fallu de temps pour les concevoir.