Analyste quantitatif — tâches, une par une

Recherche de signaux et conception de stratégies

L'IA propose désormais la recherche autant qu'elle l'exécute. Man Group affirme que son système AlphaGPT a produit des signaux qui répondent à ses standards et franchissent les mêmes seuils d'évaluation que ceux exigés de la recherche produite par des humains, les signaux générés par l'IA passant par une validation à double voie. L'apprentissage automatique en soi n'est pas nouveau ici : quatre grands négociateurs pour compte propre ont déclaré au régulateur néerlandais des marchés que 80 % à 100 % de leurs algorithmes sur instruments liquides reposent sur lui. Dans un banc d'essai de recherche, un agent a atteint en backtest jusqu'au double des rendements annualisés des bibliothèques de facteurs classiques.

Le récit de la maison est son propre discours commercial auprès des investisseurs ; les chiffres du régulateur sont ce que quatre sociétés ont déclaré ; le banc d'essai est un backtest, non du trading réel.

Backtests et code quantitatif

Les modèles écrivent une grande partie du code mais se trompent sur les chiffres qui comptent. Man Group affirme que son système écrit du Python de qualité production avec les outils de recherche de la maison. Sur BacktestBench, le meilleur de 23 modèles a atteint 67,41 % d'exactitude globale, et la volatilité et le ratio de Sharpe sont restés des « zones sinistrées » pour tous les modèles ; sur un autre banc d'essai, les meilleurs modèles ont produit du code de stratégie valide dans plus de 91,7 % des cas, tandis que les auteurs concluent que la supervision humaine reste indispensable.

Des bancs d'essai aux tâches figées et le récit d'une seule maison ; rien ici ne mesure la part du code que les quants écrivent encore eux-mêmes.

Modèles de valorisation et de risque

Les superviseurs s'attendent désormais à trouver de l'apprentissage automatique dans ces modèles et l'assortissent de conditions : le guide de la Banque centrale européenne sur les modèles internes attend que les personnes travaillant avec des modèles d'apprentissage automatique aient une expertise suffisante dans ces techniques, et que les établissements empêchent la mise en œuvre automatique de changements importants. L'examen d'une banque centrale a constaté que là où des techniques d'IA sont déployées dans le trading, il s'agit surtout de systèmes à base de règles avec un humain dans la boucle.

Des attentes prudentielles et un examen fondé sur des échanges avec des sociétés ; ni l'un ni l'autre ne mesure la façon dont les modèles sont construits.

Validation et remise en cause des modèles

Les superviseurs confient la validation à des personnes indépendantes et qualifiées. Les attentes britanniques indiquent que la fonction de validation devrait fonctionner indépendamment du développement des modèles et être dotée de personnes ayant l'expertise technique requise ; la BCE attend que la validation interne remette en cause efficacement les choix de modélisation opérés sur les modèles d'apprentissage automatique, y compris sur la justification de leur complexité.

Des attentes prudentielles rédigées avec « should », pour les banques dotées de modèles internes ; elles ne mesurent pas le travail de validation.

Déployer les stratégies et en répondre

Les règles nomment la personne. Aux États-Unis, quiconque est principalement responsable de la conception, du développement ou de la modification importante d'une stratégie de trading algorithmique doit s'enregistrer comme « Securities Trader » ; dans l'UE, une personne désignée par la direction générale doit autoriser le déploiement ou la mise à jour substantielle d'un algorithme de trading, et les enregistrements doivent montrer qui a effectué et qui a approuvé chaque changement.

Des règles pour les courtiers-négociants américains et les entreprises d'investissement de l'UE ; elles ne mesurent pas la façon dont les stratégies sont développées.