Embed Size (px)
Citation preview
Intelligence Artificielle, Macroéconomie & FinanceQuels outils en période d’incertitude aiguë ?
Sylvain BARTHELEMYDirecteur Général, TAC ECONOMICS
Webinar – Mai 2020
2
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.
IA, Big Data & Data-Science
3
4
Le mythe de l’intelligence artificielle
5
Une brève histoire du machine learning et de l’IA
1950
1980
1970
2000
Hebb (1949)Réseaux de neurones et
apprentissage
Rosenblatt (1957)Modèle du perceptron, réseau de
neurones artificiel (RNA)
Minsky & Papert (1969)Remise en cause des RNA
Hopfield (1982)Réseaux récurrents appliqués à la
physique
Werbos, Rumelhart, LeCun (1986)Perceptron multicouches et
rétropropagation
Breiman & Cutler (2001)Random Forest
Hinton & Salakhutdinov (2006)Apprentissage profond/
deep learning
Sutton (1988)Reinforcement Learning
Boser, Guyon et Vapnik (1992)Machines à Vecteurs de Support
Alpha Go (2016)Programme Google de jeu de Go
Holland (1960)Algorithmes Génétiques
Concept de Big Data(Gartner, 2001)
6
Les grands concepts du « big data » et de l’IA
Réseaux de Neurones
Deep Learning
Big Data
Machine Learning
Smart Data
R
Python
Cassandra
MongoDB
MySQL
AlgorithmesGénétiques
Forêts Aléatoires
Intelligence Artificielle
CloudHadoop
SVM
Arbres Récursif
Spark
MapReduce
NoSQL
Tensor Processing Unit/Google
GPU/NVidia
Xeon Phi/Intel
TensorFlow
Theano
Torch
AWS
Open Source
API
7
US GDP growth Y/Y, in %
Source: Datastream, TAC ECONOMICS
Retournement du cycle économique ?
?
8
Indice Shiller PEAu 26 mai 2020
Source: Shiller
Bulle spéculative sur les marchés financiers
9
CHANGEArgentine -20%
Turquie -15%Brésil -10% Russie -8%
En 2017:
Egypte -44% Ouzbékistan -43%
Congo-Kinshasa -31%
Les crises économiques et financièresdans le monde depuis 2017…
ACTIVITEMoyenne croissance du
PIB des marchés émergents proche de 4.5
Crise Covid-19
Venezuela (-13.2%), Congo-Brazzaville (-4.6%),
Kuwait (-2.5%)… et la Chine fait presque 6%, contre 14% en 2007 !
INFLATIONEn moyenne
proche de 3%
Argentine >30%, Nigéria 17%, Iran 10%,
Turquie 15%, Ukraine 14%Congo-Kinshasa 42% Libye
28%, Egypte 24%Venezuela >1000%
10
Le syndrome de l’icerberg
Identifications d’Opportunités
Rapports
Signaux de RisquesPrévisions
Analyses Sectorielles
Analyses de Conjoncture
Cout du Capital
MACHINE LEARNING, INTELLIGENCE ARTIFICIELLE & DATAVIZ
ECONOMETRIE & STATISTIQUES
DONNEES TRADITIONNELLES
DONNEES ALTERNATIVES
SYSTEMES INFORMATIQUES,CLOUD & DATA LAKES
DATA SCIENCE & PROGRAMMATION
Mieux anticiper les crises économiques & financières sur les marchés émergents
11
Prévoir 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.
12
Les méthodes traditionnelles
13
14
Des pays, des indicateurs, des années…des papillons
Plusieurs milliers de « papillons » ont été analysés
sur plus de 100 pays, depuis les années 70
bra98, per98, tur94, tur01, mex94, idn97,…
rus98, tha97, kor97, ven89, phl84, arg99, pol89, nga87,
egy91…
stable profiles
15
Similarités macroéconomiques et réseaux de neurones
Influence des indicateurs différente selon le groupe
16
17
Performances 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
181818
Méthodologie RiskMonitor
Economic Risk
CrisisSignals
Political Risk
Economic Risk Ratings
Political RiskRatings
Group Premium
Country Risk Premium (RRECC), calibrated on JP Morgan’s EMBI
Country Groups
Statistical Calibration on
combinations & threshold effects
Data Mining 5 non-parametric
models
Statistical Normalization
19
ClientGate
Prévoir les risques de rupturessur les marchés financiers
20
▪ 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 (Grudnitskiet Obsburn, 1993, Quang Do 1995).
▪ Mais aussi des prévisions de taux de change, dès le milieu des années 90 (Rawani 1993, Azoff 1994, AvouyiDovi 1995).
▪ Depuis, de très nombreux travaux sur l’utilisation de méthodes de machine learning en finance.
21
Petit retour sur les travaux historique
22
Les plus gros « hedge funds » du monde
Actifs sous Gestionen mds de $ en 2017
Quantitatif ?
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)
23
Computer Vision
Source: dominodatalab
24
Réseaux de neurones « traditionnels »
Du perceptron au « deep learning »
25
Le Neural Network Zoo du Asimov Institute
26
…parfois compliqué: distinguer les chiens des muffins
27
La convolution ou la « révolution du petit chat »…
▪ 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
Quantitative Market Alert (QMA)
29
« Patterns » du QMA et convolution
30
« Patterns » du QMA et convolution
31
Performances récente du QMA : les Fair Values en Jan. 2020
32
Performances et signaux du QMA sur le S&P500
33
Financial Index « Covid-19 »
https://www.taceconomics.com/covid19/
Text mining, indicateurs de sentiment et identification de thématiques
34
Text mining, topics, sentiments et risque réputationnel
35
Leading Economic
Activity Indices
ESG Corporate
Reputational Risk
Articles on CorporatesAudi, Nissan, Renault, Toyota,
Volkswagen
Articles on CountriesBrazil, Chile,
France, India
TMI
Toolbox
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
-100
-80
-60
-40
-20
0
20
40
60
80
100
January 2015 April 2015 July 2015 October 2015
Volkswagen
Risque réputationnel: Volkswagen & the Diesel Gate
36
Source: TAC ECONOMICS
Indicateurs de sentiment et indices boursiers
37Source: TAC ECONOMICS
-10
0
10
20
30
40
50
60
70
0
1000
2000
3000
4000
5000
6000
7000
April 2000 April 2003 April 2006 April 2009 April 2012 April 2015 April 2018
Sentiment for France vs CAC40
CAC40 (lhs)Sentiment for France (rhs, m.a. 90 days)
38
Sentiment Analysis, Topics & Finance
39
Sentiment Index « Covid-19 »
https://www.taceconomics.com/covid19/
Conclusion
40
41
L’écosystème « big data » en 2019
42
Conclusion
▪ 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.
43
STATISTIQUES
Econométrie, VaR, GVaR, Markov
Switching, Sim. Monte Carlo,
scores,…
MACHINE LEARNING, IA
CART, SVM, RF, NN, AG, Deep Learning, LSTM, Autoencoders, CNN…
DATA SCIENCE
R, Python,C++, Matlab,…
large datasets, text mining,
data viz
SYSTEMES INFORMATIQUES
Oracle, MySQL, PostgreSQL, Spark,
Apache/Nginx, Docker, Kubernetes,
cloud AWS/Azure/OVH,
APIs
DONNEES
Times series, données textuelles, big data,
scrapping, « alternative datasets »…
ECONOMIE, FINANCE
Analyses des risques, Early
Warning, analyses pays, régions,
secteurs
Approche360
TAC ECONOMICS, une offre de service à 360°
