L'IA en finance, un défi humaniste

1/ Introduction et problématique.

Depuis la fin des années 80, les mathématiques financières ont connu une importance croissante en banque, à travers différentes applications des Statistiques et du Calcul Stochastique^[1] en trading et en gestion des risques de crédit^[2] et de marché^[3] et de contrepartie^[4], grâce à des pionniers comme Nicole El Karoui, Laure Elie, ou Damien Lamberton. Ces derniers ainsi que d’autres professeurs ont permis à la France de fournir le secteur bancaire en ingénieurs financiers et en traders de qualité, grâce à l’enseignement des mathématiques financières prodigué dans les écoles d’ingénieur et les universités françaises.

Les rédacteurs de cet article ont tous suivi ces enseignements, qui sont principalement composés de cours de mathématiques financières et de notions informatiques nécessaires à leur mise en œuvre opérationnelle en banque. Les plus jeunes ont en outre eu l’opportunité de suivre des cours de Machine Learning^[5]  (ML) , au sein de Masters dédiés aux mathématiques financières. Les plus âgés, quant à eux, se sont retrouvés dans une situation inédite où ils étaient moins expérimentés que les plus jeunes dans ce domaine et ont dû combler leur retard en suivant des formations complémentaires en Intelligence Artificielle (IA). L’enseignement du Machine Learning dans les Master 2 de mathématiques financières traduit un certain intérêt du secteur financier pour l’IA.

Nous vous proposons dans cet article de vous présenter d’une part quelques-unes de nos applications de l’Intelligence Artificielle dans la finance, en banque et dans le domaine des crypto-actifs ; et d’autre part, notre vision sur la réussite de la transformation technologique en cours dans le système bancaire.

2/ L’IA peut compléter les mathématiques classiques pour répondre à de nombreux besoins en ingénierie financière.

En banque comme dans d’autres industries, le champ d’utilisation de l’IA est large. Elle permet par exemple de mieux segmenter les clients, leur proposer des offres et produits sur-mesure, de détecter les fraudes, etc. Il s’agit là d’utilisations déjà mises en œuvre ou en cours de mise en œuvre.

Le ML, de façon schématique, peut être utilisés partout où il y a de la prédiction basée sur des modèles mathématiques (statistiques ou stochastiques), avec toutefois certaines conditions liées aux données utilisées en entrée (input) de ces modèles. En effet, pour que le ML puisse avoir des résultats probants, il est nécessaire que les données utilisées en input respectent un certain nombre de critères, en largeur et en profondeurs des données.

Nous avons identifié trois niveaux d’application que nous proposons à nos clients :

2.1/ Utilisation de l’IA sur les mêmes données en input des modèles actuels.

Nous avons développé des PoC (« Proof of Concept ») qui montrent, avec les données que nous avons utilisées, que :

• Le Machine Learning (ML) permet de mieux estimer les Probabilités de Défaut en Banque de Détail, en comparaison avec les statistiques classiques usuellement utilisées. Le ML ne permet cependant pas de mieux estimer ces probabilités au sein des portefeuilles des Banques de Financement et d’Investissement, car très peu de leurs clients font défaut.
• Concernant la Notation Interne des contreparties (le pendant interne aux banques des notes des agences de notation comme Moody’s, Fitch…), qui dépend d’un mélange de dires d’experts et d’optimisations sous contraintes, nous avons montré que l’IA permet de mieux estimer les notes.
• En calibration de modèles à volatilité stochastique, le ML peut identifier les paramètres optimaux tout en évitant l'utilisation de certaines méthodes numériques, en particulier sans avoir à passer par un calcul direct de la volatilité implicite Black-Scholes^[6].
• L’évaluation de produits dérivés exotiques demande plusieurs simulations (en général des simulations Monte Carlo) qui sont très coûteuses en temps de calcul. Les réseaux de neurones peuvent apprendre ce type de mapping et permettent de paralléliser les calculs pour implémenter un pricing beaucoup plus dynamique.

Ces premiers résultats sont certes encourageants, mais leur ROI (Return On Investment) reste faible, car le scope d’information exploité par le ML est le même que celui utilisé par les technologies actuellement mises en œuvre.

L’IA ici ne fait que légèrement améliorer la performance de processus déjà existants.

Tous ces PoCs qui visent à comparer la pertinence du ML face aux statistiques et au calcul stochastique sur des données similaires à celles utilisées par nos clients nous laissaient sur notre faim, car en procédant de la sorte on n’explore pas toutes les possibilités offertes par l’IA.

2.2/ Extension du domaine d’application de l’IA à d’autres données, non prises en compte par les modèles actuels.

Pour estimer une note ou une Probabilité de Défaut d’un client par exemple, il est possible de prendre en compte davantage de données structurées ou non, ainsi qu’une multitude de corrélations qui ne figurent pas dans une simple base de défaut historique.

Le ML peut permettre d’estimer ces probabilités de défaut en intégrant des données conjoncturelles, ainsi que d’autres informations en temps réel permettant de mieux piloter le risque de crédit.

Récemment, en mai 2020, la Banque Centrale Européenne a publié de nouvelles préconisations[7] qui incitent les banques à prendre en compte les risques climatiques et environnementaux dans leur processus et modèles de gestion des risques réglementaires. L’IA nous offres un formidable corpus technologique qui permet par exemple d’analyser en temps réel des données dites « alternatives »,  images satellites, fichiers PDFs, ou des données issues de différents capteurs analysant le niveau de montée des eaux ou d’autres phénomènes météorologiques, qui pourront être traités rapidement (quasiment en temps réel, notamment grâce à la puissance des moteurs de calculs actuels) et incorporés dans les modèles de gestion du risque de crédit et de marché des banques.

Ceci vaut pour tous les autres domaines où les mathématiques financières sont utilisées.

En résumé on peut dire que le ML sur des données plus larges, combiné à des processus optimisés, permettra un meilleur pilotage des risques de crédit, de marché et effectuer des stress tests réglementaires, économiques ou ad hoc en des temps records et offrira un avantage compétitif au front office en matière d’évaluation de certains produits structurés[8] complexes.

L’aspect « boite noire » de l’IA provoque certaines réticences auprès de certains responsables en banque ainsi qu’au niveau du régulateur qui lui préfèrent des modèles classiques plus formels et plus facilement « auditables ». Cependant, Charles-Albert Lehalle[9] dans une interview parue dans l’édition des Cahiers Louis Bachelier d’avril 2020 affirme que : « partant de cette définition, le secteur financier doit investir dans l’IA, afin de dégager et de provoquer des innovations secondaires susceptibles d’y être déployées. D’ailleurs, tous les acteurs du secteur, y compris les banques centrales, ont constitué des petites équipes au sein de « Labs » dédiés à l’IA. Ces derniers permettent aux experts métiers de travailler, durant plusieurs mois, avec des experts en IA pour développer des projets spécifiques à incorporer ensuite dans leur département d’origine. Et ce genre d’essaimage interne est voué à se poursuivre en France ». Ce qui est de bon augure.

Nous, consultants spécialisés dans les projets de transformation en banque, à forte teneur mathématique et/ou technologique, pouvons jouer un rôle pour faciliter l’explicabilité des algorithmes de ML afin de rassurer le management des banques et le régulateur, car la transition est inévitable, et elle arrivera de manière naturelle lorsque les datascientists accèderont dans quelques années aux postes à responsabilité.

Il reste un point fondamental que nous n’évoquerons que de façon superficielle et qui concerne les biais inhérents à tout algorithme d’IA. D’après David Bounie, spécialiste de cette question et professeur à l’Ecole Télécom ParisTech, il existe trois types de biais : cognitifs, statistiques et économiques. Nous préconisons une identification empirique de ces biais, à travers des backtestings[10].

2.3/ Pour aller plus loin : utilisation de l’IA au sein d’un nouveau paradigme, celui de la Blockchain.

Lorsqu’on parle de Blockchain le premier réflexe est de penser au Bitcoin, qui est un crypto-actif qui se voit comme une alternative au système monétaire actuel.

La Blockchain propose en effet un nouveau paradigme, décentralisé, sans intermédiaire et dématérialisé, par opposition au système monétaire FIAT (monnaies décrétées par les États), qui est régi par les banques centrales.

Les crypto-actifs semblent donc s’attaquer de façon frontale aux pouvoirs régaliens monétaires et bancaires.

En ce qui nous concerne, nous sommes convaincus que les crypto-actifs pourront jouer un rôle complémentaire à celui de la finance traditionnelle.

Nous proposons notamment aux PME et aux TPE qui sont « trop risquées » pour les banques qui refusent donc de leur octroyer un crédit, de se financer directement via un processus de digitalisation d’actifs appelé tokénisation[11]. En effet, en tokénisant une émission de dette (sous un modèle qui s’inspire des émissions obligataires), et en l’écoulant sur une plateforme de trading de crypto-actifs, il sera plus simple pour une PME de se financer, par exemple, en tokénisant une dette de 1000€ en mille token de 1€. Il suffit que mille personnes dans le monde achètent ce token pour que la PME se retrouve financée. Pour cela, il est nécessaire de pouvoir émettre de nouveaux types d'actifs financiers, de gérer leurs risques avec des mathématiques financières et de les rendre liquides, à travers des techniques de market-making basés sur du ML.

De façon plus générale, les plateformes d'échange de crypto-actifs offrent un terreau fertile d'application des mathématiques financières et de l’IA. En effet, ces plateformes sont ouvertes 24h/24 (contrairement aux marchés classiques qui ouvrent à 9h et ferment à 17h), et offrent la possibilité de récupérer via des APIs[12] et en temps réel les carnets d'ordres de crypto-actifs liquides et non-liquides.      

Ainsi, nous utilisons la Blockchain comme un laboratoire où nous allions Mathématiques Financières, IA et Big Data (à ce titre, nous consacrons le temps qu’il faut pour fiabiliser nos données et nos algorithmes de récupération et de stockage de celles-ci ; la qualité des données étant cruciale) et proposons nos services à toutes entreprises intéressées par nos modèles, notamment celles qui sont spécialisées dans la Blockchain et qui souhaitent bénéficier d’expertise en ingénierie financière.

L’aspect global (dans le sens mondial) des plateformes de trading de crypto-actifs et le fait qu’elles tournent 24h/24, permettent aussi d’envisager la mise en place de nouvelles mesures de risque, qui s’inspirent des mesures de risque de marché et de contrepartie utilisées en banque, sauf que celles-ci présentent un aspect global et continu dans le temps inédit. En vue de la grande diversité des acteurs, des marchés financiers et des plateformes d’échange de crypto-actifs, il est devenu nécessaire que les suppositions de base (sur lesquels se basent les modèles actuels) évoluent et s’adaptent à ce nouvel environnement tout en maitrisant les risques.

Nous sommes à ce titre en train de travailler sur des mesures de ce que nous avons appelé, le « crypto-systemic-risk », qui, grâce aux données dont nous disposons, à savoir tous les prix et toutes les quantités de tous les carnets d’ordres que nous stockons à chaque évènement de trading, sera plus « simple » à définir et à modéliser[13] que dans le monde classique, qui est beaucoup plus complexe, en matières de facteurs de risques, d’acteurs systémiques opérant sur des marchés boursiers localisés dans différentes régions du monde.

Cependant, en l’absence de législation claire de la part de l’Autorité des Marchés Financiers (AMF) ou d’autres régulateurs, les applications concrètes des mathématiques financières restent encore limitées. Et quand bien même un régulateur légiférait contre les intérêts des crypto-acteurs, ceux-là pourront facilement trouver un autre pays ou un autre contexte pour gérer leur activité…

C’est pour cela que nous avons adhéré à la toute jeune Fédération Française des Professionnels de la Bockchain, afin de participer à la structuration, à la consolidation de l’écosystème français et à la formalisation d’un cadre juridique permettant d’appliquer sereinement les mathématiques financières dans le domaine des crypto-actifs.

3/ Comment préparer le changement.

3.1/ Donner envie aux jeunes de participer à la transformation des banques.

La grande majorité des experts IA a moins de 30 ans. Ils sont davantage intéressés par rejoindre les géants du Web ou des startups technologiques que de participer à des projets de transformation IA en banque ou dans d’autres industries.

Or, sans leur implication, la transformation IA bancaire aura du mal à se réaliser. Il faut donc leur donner envie de devenir eux aussi des acteurs de cette transformation. Cela passe par les comprendre, les rassurer, mettre à jour le Système d’Information des banques pour qu’il soit IA-compatible, leur donner la possibilité de travailler en mode startup au sein de la banque, adapter l’organisation pour favoriser le télétravail et une certaine liberté, qui toutefois devra être contrôlée.

3.2/ Rassurer les dirigeants et managers par rapport à l’intérêt de l’IA.

La révolution technologique en cours est parfois vue par le management comme une fatalité qu’il faudra accepter, voire subir. Certaines équipes internes en banques semblent ne pas percevoir encore tout l’intérêt qu’elles ont à profiter des perspectives offertes par l’IA et encore la Blockchain.

Avant d’évaluer la maturité digitale de tel ou tel département bancaire ou de lancer un quelconque projet de transformation dans ce domaine, il est nécessaire que toutes les parties prenantes soient convaincues de son bien-fondé.

Il est souhaitable que la transformation technologique en cours passe du statut « subie » au statut « désirée ». Auquel cas, le pilotage de cette transformation sera facilité.

Le COVID-19, au-delà de ses conséquences dramatiques sur la population et l’économie, permettra peut-être aux différentes industries et notamment à l’Industrie Bancaire de revoir et d’optimiser un certain nombre de leurs processus, et d’intégrer les nouvelles technologies afin d’améliorer leur résilience pour faire face à d’éventuelles prochaines vagues ou d’autres crises sanitaires ou climatiques.

3.3/ Œuvrer ensemble pour libérer le potentiel humain grâce à l’IA.

Les consultants qui comprennent l’ancien et le nouveau monde peuvent jouer un rôle d’intermédiaires, de pédagogues, de facilitateurs afin de rassurer les uns et les autres, identifier les risques et être force de proposition pour une transition douce.

Ils devront aider leurs clients à remettre en question un certain nombre de leurs processus bien établis pour préparer et réussir les transformations technologiques à venir.

Lorsque la transformation IA deviendra « désirée » par le management, alors il conviendra d’entamer une exploration détaillée du champ du possible, en partant du niveau le plus granulaire, celui de la donnée. Les utilisations possibles de l’IA et de la Blockchain en fonction des données de la banque, indiqueront naturellement les organisations et le management à mettre en place pour chaque projet de transformation technologique à venir.

En France nous disposons des ressources et des volontés pour faire partie des leaders mondiaux de cette transformation digitale : R&D, ingénieurs, industries, environnement favorable.

Par ailleurs, la France, depuis la Déclaration des Droits de l’Homme en 1789 jusqu’à aujourd’hui, a, plus que toute autre nation, œuvré pour apporter aux hommes et aux femmes du monde entier, plus d’humanité.

D’aucuns pensent que l’IA présente de nombreux risques voire certaines menaces pour l’humanité.

Nous comprenons ces craintes. Et pour rassurer tout le monde, il faut s’inspirer de certains aspects Saint Simoniens : fédérer mathématiciens, économistes, informaticiens, juristes, écrivains, philosophes, industriels, politiciens, et bien d’autres, afin de conduire ensemble la révolution IA en cours.

Nous sommes convaincus que, si elle est bien appliquée, maitrisée, l’IA permettra à l’homme de se délester de la partie « artificielle » de son intelligence qui pourra être gérée par des algorithmes, pour mieux tirer profit de son intelligence « humaine », et de libérer le potentiel de l’homo sapiens à un niveau jamais encore atteint.

Omar Mehdi Roustoumi
omar-mehdi.roustoumi@reg-innov.com
https://www.linkedin.com/in/omar-mehdi-roustoumi-98781039/

Avec les contributions de :

Miguel Angel Ventura Flores ( https://www.linkedin.com/in/miguel-angel-ventura-flores-a22942167/), Samy Bensalem (https://www.linkedin.com/in/samy-bensalem-08627b193/) et Mohamed Traoré  https://www.linkedin.com/in/mohamed-traore-27909b171/)

Télécharger la Lettre de XMP-Consult n°8 (juin 2020) en .PDF

[1] Le Calcul Stochastique, c’est une extension des Probabilités, qui permet de modéliser des phénomènes aléatoires qui évoluent dans le temps, comme par exemple le cours d’une action en bourse, certains phénomènes météorologiques, etc.

[2] Le risque de crédit est le risque porté par une banque lorsqu’elle prête de l’argent à un client, si ce dernier fait défaut et ne rembourse pas une partie de son crédit.

[3] Le risque de marché est le risque porté par une banque, lorsque les conditions de marché évoluent. Il s’agit d’évaluer les impacts sur les portefeuilles de la banque, en cas de chute du cours du pétrole, du Nasdaq ou du CAC40 etc.

[4] Le risque de contrepartie est le risque de crédit sur une opération de marché, lié au défaut d’une contrepartie de la banque, (par exemple sur un contrat futur, une option d’achat ou de vente…)

[5] Machine Learning : apprentissage statistique, méthodes mathématiques et statistiques permettant à un ordinateur d’apprendre à prédire des résultats à partir de données historiques lui expliquant ce qu’il doit apprendre.

[6] Le modèle de Black-Scholes est le premier modèle de référence du calcul stochastique appliqué à la finance.

[7]https://www.bankingsupervision.europa.eu/legalframework/publiccons/pdf/climate-related_risks/ssm.202005_draft_guide_on_climate-related_and_environmental_risks.en.pdf

[8] Un produit structuré financier est un produit composé de différents autres produits, dérivés ou non, avec parfois certaines contraintes sur les sous-jacents, et qui répond à des besoins spécifiques, en matière de couverture ou de rendement.

[9] Head of Data Analytics au sein de Capital Fund Management à Paris et est directeur scientifique du programme de recherche interdisciplinaire FaIR (Finance and Insurance Reloaded) à l’Institut Louis Bachelier.

[10] Backtesting : action de vérification si la prédiction d’un modèle est, a posteriori, conforme ou non à la réalité.

[11] La tokénisation d’un actif consiste, de façon schématique, à digitaliser cet actif (qui peut être une action d’une entreprise cotée sur les marchés, un bien immobilier, ou toute autre bien), dans une Blockchain. Si on dispose par exemple d’un bien qui coûte 100 € , on peut le tokéniser, en 100 jetons (token) de 1 €, que l’on peut vendre sur les marchés de crypto-actifs. Ceci ouvre de nouveaux leviers pour la finance de demain.

[12] API : Application Programming Interface.

[13] Tout en gardant en tête que tout modèle est structurellement imparfait. L’un de nos objectifs est de bien comprendre les limites de chaque modèle que nous développons. Notre approche est de percevoir nos mesures de risques comme des outils de pilotage des risques, et non pas de prédiction des risques. Il est clair qu’aucun modèle mathématique ne peut prédire une crise comme celle du Coronavirus. D’autant plus que ces modèles sont calibrés sur le passé. En revanche, nous sommes convaincus qu’une meilleure analyse des données historiques, en intégrant davantage de données, pourrait permettre d’éviter certains évènements rares, des « Black Swan ». Et il est certain qu’aucun modèle mathématique ou d’IA ne permettra pas une maitrise absolue des risques.