Intelligence Artificielle, Macroéconomie & Finance Quels outils en période d'incertitude aiguë ? - Sylvain BARTHELEMY Directeur Général, TAC ...
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Intelligence Artificielle, Macroéconomie & Finance
Quels outils en période d’incertitude aiguë ?
Sylvain BARTHELEMY
Directeur Général, TAC ECONOMICS
Webinar – Mai 2020
TAC ECONOMICS en Bref
▪ Une équipe d’experts en économie et en finance,
accompagnant les entreprises dans leurs stratégies à
l’international.
▪ Propose des services d’analyse économique et
développe des outils d’aide à la décision à partir de
méthodes quantitatives traditionnelles et avancées
(économétrie, machine learning, intelligence artificielle,
outils logiciels…).
▪ Une société rennaise qui existe depuis 25 ans.
▪ Clientèle: banques, grandes entreprises, PME et
gestionnaires de fonds.
2
IA, Big Data & Data-Science
3
Le mythe de l’intelligence artificielle
4
Une brève histoire du machine learning et de l’IA
Hebb (1949)
Réseaux de neurones et
apprentissage 1950
Rosenblatt (1957) Holland (1960)
Modèle du perceptron, réseau de Algorithmes Génétiques
neurones artificiel (RNA)
1970 Minsky & Papert (1969)
Remise en cause des RNA
Hopfield (1982)
Réseaux récurrents appliqués à la
physique 1980 Sutton (1988)
Reinforcement Learning
Werbos, Rumelhart, LeCun (1986)
Perceptron multicouches et Boser, Guyon et Vapnik (1992)
rétropropagation Machines à Vecteurs de Support
2000
Concept de Big Data Breiman & Cutler (2001)
(Gartner, 2001) Random Forest
Hinton & Salakhutdinov (2006)
Apprentissage profond/
deep learning Alpha Go (2016)
Programme Google de jeu de Go 5
Les grands concepts du « big data » et de l’IA
Xeon Phi/Intel API
Torch
MapReduce
Arbres Récursif
Réseaux de Neurones
Theano Deep Learning AWS
MySQL
Intelligence Artificielle Big Data MongoDB
TensorFlow
R
Machine Learning SVM
Cloud Python Smart Data NoSQL
Hadoop
Cassandra GPU/NVidia
Forêts Aléatoires
Spark Algorithmes
Génétiques
Open Source
Tensor Processing Unit/Google
6
Retournement du cycle économique ?
US GDP growth
Y/Y, in %
?
Source: Datastream, TAC ECONOMICS
7
Bulle spéculative sur les marchés financiers
Indice Shiller PE
Au 26 mai 2020
Source: Shiller
8
Les crises économiques et financières
dans le monde depuis 2017…
CHANGE
Argentine -20%
Turquie -15%
ACTIVITE Brésil -10% Russie -8%
En 2017:
Moyenne croissance du
Egypte -44%
PIB des marchés Ouzbékistan -43%
émergents proche de 4.5 Congo-Kinshasa -31%
Crise Covid-19
INFLATION
Venezuela (-13.2%), En moyenne
Congo-Brazzaville (-4.6%), proche de 3%
Kuwait (-2.5%)… et la
Chine fait presque 6%, Argentine >30%,
contre 14% en 2007 ! Nigéria 17%, Iran 10%,
Turquie 15%, Ukraine 14%
Congo-Kinshasa 42% Libye
28%, Egypte 24%
Venezuela >1000%
9
Le syndrome de l’icerberg
Rapports Analyses de Conjoncture
Prévisions Signaux de Risques Cout du Capital
Analyses Sectorielles Identifications d’Opportunités
MACHINE LEARNING, INTELLIGENCE
ARTIFICIELLE & DATAVIZ
ECONOMETRIE & DATA SCIENCE &
STATISTIQUES PROGRAMMATION
DONNEES DONNEES
TRADITIONNELLES ALTERNATIVES
SYSTEMES INFORMATIQUES,
CLOUD & DATA LAKES
10Mieux anticiper les crises économiques &
financières sur les marchés émergents
11Prévoir les crises économiques et financières (EWS)
▪ De nombreuses études empiriques sur le risque pays et les
indicateurs avancés de crises économiques et financières:
Krugman (1979), Obstfeld (1994), Cantor and Packer (1996),
Eichengreen et al. (1996), Frankel and Rose (1996), Goldstein
(1996), Goldstein and Turner (1996), Kaminsky and Reinhart
(1999), Komulainen and Lukkarila (2003) , …
▪ Mais malgré les classifications existantes, un très grand
nombre de crises économiques et financières ont laissé les
observateurs perplexes.
▪ Le manque de relations causales homogènes et des
interactions complexes rendent l’identification ex-ante des
facteurs de risque extrêmement difficile.
12Les méthodes traditionnelles
13Des pays, des indicateurs, des années…des papillons
Plusieurs milliers de « papillons » ont été analysés
sur plus de 100 pays, depuis les années 70
14Similarités macroéconomiques et réseaux de neurones
bra98, per98, tur94,
tur01, mex94, idn97,…
stable profiles
rus98, tha97, kor97, ven89,
phl84, arg99, pol89, nga87,
egy91…
15Influence des indicateurs différente selon le groupe
16Performances des outils de EWS/IA développés
Avec moins d’une vingtaine d’indicateurs
macroéconomiques « bien choisis » et un séquence de
modèles d’IA relativement sophistiquée,
nous arrivons ainsi prévoir près de 90% des crises
économiques et financières, jusqu’à 2 ans à l’avance
17Méthodologie RiskMonitor
Economic Risk Political Risk Country Groups
Statistical
Calibration on Data Mining
Statistical
combinations & 5 non-parametric
models Normalization
threshold effects
Economic Risk Crisis Political Risk Group
Ratings Signals Ratings Premium
Country Risk Premium (RRECC), calibrated on JP Morgan’s EMBI
18
18ClientGate
19Prévoir les risques de ruptures
sur les marchés financiers
20Petit retour sur les travaux historique
▪ Réseaux de neurones en finance d’abord comme
substitut aux systèmes experts, dans les années 90.
▪ Prévision des cours boursiers dès Kimoto et Yoda
(1993), sur le Tokyo Stock Index avec… 5 variables
d’entrée ! Mais aussi sur l’or ou le S&P500 (Grudnitski
et Obsburn, 1993, Quang Do 1995).
▪ Mais aussi des prévisions de taux de change, dès le
milieu des années 90 (Rawani 1993, Azoff 1994, Avouyi
Dovi 1995).
▪ Depuis, de très nombreux travaux sur l’utilisation de
méthodes de machine learning en finance.
21Les plus gros « hedge funds » du monde
Actifs sous Gestion Quantitatif ?
en mds de $ en 2017
Bridgewater Associates 122.2 (Non)
AQR Capital Management 69.6 Oui
JPMorgan AM 45.0 (Oui)
Renaissance Technologies 42.0 Oui
Two Sigma 38.9 Oui
De Shaw & Co 34.7 Oui
Man Group 33.9 Oui
Millennium Management 33.9 Oui
Och-Ziff Capital Management 33.5 (Oui)
Winton Group 32.0 (Oui)
22Computer Vision
Source: dominodatalab
23Réseaux de neurones « traditionnels »
24Du perceptron au « deep learning »
Le Neural Network Zoo du Asimov Institute
25…parfois compliqué: distinguer les chiens des muffins
26La convolution ou la « révolution du petit chat »…
27Quantitative Market Alert (QMA)
▪ Outil de détection des tendances et des ruptures sur plus de 20
marchés internationaux (actions, obligations, spreads corporates).
▪ Signaux sur les tendances, et calibrage automatique des poids des
différents actifs dans un portefeuille.
▪ Possibilité d’ajuster les fonctions objectifs sur la base de cibles
« combinées ».
▪ Outil mixant à la fois des outils de machine learning « simples », à
des outils plus puissants de deep learning appliqués à des
échantillons de plus de 200 données macroéconomiques et
financières sur des périodes de 40 jours (identification de
« patterns »).
▪ Difficulté majeure: bien gérer les échantillons, et l’instabilité des
performances historiques.
28« Patterns » du QMA et convolution
29« Patterns » du QMA et convolution
30Performances récente du QMA : les Fair Values en Jan. 2020
31Performances et signaux du QMA sur le S&P500
32Financial Index « Covid-19 »
https://www.taceconomics.com/covid19/
33Text mining, indicateurs de sentiment et
identification de thématiques
34Text mining, topics, sentiments et risque réputationnel
Articles on Corporates Articles on Countries
Audi, Nissan, Renault, Toyota, Brazil, Chile,
Volkswagen France, India
TMI
Toolbox
ESG Corporate Leading Economic
Reputational Risk Activity Indices
35Risque réputationnel: Volkswagen & the Diesel Gate
Volkswagen
100 1
80 0.9
60 0.8
40 0.7
20 0.6
0 0.5
-20 0.4
-40 0.3
-60 0.2
-80 0.1
-100 0
January 2015 April 2015 July 2015 October 2015
Source: TAC ECONOMICS
36Indicateurs de sentiment et indices boursiers
Sentiment for France vs CAC40
7000 70
6000 60
50
5000
40
4000
30
3000
20
2000
10
1000 0
CAC40 (lhs)
Sentiment for France (rhs, m.a. 90 days)
0 -10
April 2000 April 2003 April 2006 April 2009 April 2012 April 2015 April 2018
Source: TAC ECONOMICS
37Sentiment Analysis, Topics & Finance
38Sentiment Index « Covid-19 »
https://www.taceconomics.com/covid19/
39Conclusion
40L’écosystème « big data » en 2019
41Conclusion
▪ Plus de données, de meilleurs modèles, plus de puissance de
calcul, plus de puissance de stockage. L’économétrie a évolué
depuis 30 ans, mais ces nouvelles méthodes, outils et données
changent nos métiers bien plus profondément encore.
▪ Presque tous les secteurs et métiers seront touchés par ces
évolutions, et pas seulement les professions travaillant dans
les données ou les statistiques… même le métier du data-
scientist sera en grande partie automatisé (AutoML).
▪ Nos équipes ont développé une expertise avancée sur ces
différents domaines, nous permettant d’utiliser plus
efficacement les nouvelles données et algorithmes disponibles,
afin de répondre à des questions économiques et financières
opérationnelles.
42TAC ECONOMICS, une offre de service à 360°
ECONOMIE,
FINANCE STATISTIQUES
Analyses des Econométrie, VaR,
risques, Early GVaR, Markov
Warning, analyses Switching, Sim.
pays, régions, Monte Carlo,
secteurs scores,…
DONNEES MACHINE LEARNING,
Times series, données Approche IA
textuelles, big data, CART, SVM, RF, NN, AG,
scrapping, « alternative 360 Deep Learning, LSTM,
datasets »… Autoencoders, CNN…
SYSTEMES
INFORMATIQUES DATA SCIENCE
Oracle, MySQL, R, Python,
PostgreSQL, Spark, C++, Matlab,…
Apache/Nginx, large datasets,
Docker, Kubernetes, text mining,
cloud data viz
AWS/Azure/OVH, 43
APIsMerci de votre attention
Sylvain BARTHELEMY
sylvain.barthelemy@taceconomics.com
www.taceconomics.com
44Vous pouvez aussi lire
