Analyste quantitatif

Zone euro, banques supervisées par la BCE qui utilisent des modèles internes. Le guide attend que les principaux acteurs travaillant avec des modèles internes fondés sur l'apprentissage automatique disposent de compétences, de capacités et d'une expertise suffisantes dans ces techniques pour gérer le risque de modèle ; que la validation interne remette en cause efficacement les choix de modélisation opérés sur ces modèles, en évaluant si leur complexité est justifiée ; et que les établissements mettent en place un suivi qui empêche la mise en œuvre automatique de changements importants. Il énonce des attentes prudentielles (« should ») pour les modèles de fonds propres des banques, non pour la recherche de trading.

Un échec, un retour en arrière, une réglementation ou un coût freine l'adoption. Cela peut abaisser une appréciation ou élargir son incertitude.

Un banc d'essai dans lequel des modèles transforment des descriptions de stratégies en backtests reproductibles, évalué sur 23 modèles de langage. L'article indique que le meilleur modèle a atteint une exactitude globale de 67,41 %, et que si des métriques plus simples comme le taux de réussite obtiennent une meilleure exactitude, des indicateurs statistiques complexes comme la volatilité et le ratio de Sharpe restent des « zones sinistrées » pour tous les modèles. C'est un banc d'essai figé, non un travail en production.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

Un banc d'essai de 17 modèles sur 12 stratégies, qui transforme des spécifications de stratégies en code de système de trading et l'améliore par itérations. Le résumé indique que les meilleurs modèles atteignent une validité supérieure à 91,7 % avec de bons scores agrégés, que l'itération entraîne aussi une convergence du code, et que la supervision humaine reste indispensable pour les stratégies critiques qui exigent une diversité de solutions et la robustesse d'un ensemble. C'est un banc d'essai, non un travail en production.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

Man Group, gestionnaire d'actifs systématique. L'article indique que son système AlphaGPT écrit du code Python de qualité production en s'appuyant sur les outils de recherche de la maison et peut interroger des bases de données propriétaires, qu'il a produit à ce jour des signaux qui répondent aux standards de la maison et franchissent les mêmes seuils d'évaluation que ceux exigés de la recherche produite par des humains, et que les signaux générés par l'IA passent par une validation à double voie. Il ne donne aucun nombre de signaux et c'est la maison qui décrit son propre outil aux investisseurs.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Un cadre de recherche dans lequel des agents proposent, implémentent et testent des facteurs et des modèles. Le résumé indique qu'il obtient des rendements annualisés jusqu'à 2 fois supérieurs à ceux des bibliothèques de facteurs classiques avec 70 % de facteurs en moins, et qu'il surpasse les modèles profonds de séries temporelles sur des marchés réels. Les résultats sont des backtests, non du trading réel, et l'employeur des auteurs distribue le cadre.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

Royaume-Uni. Fondé sur des échanges avec des acteurs du marché, l'examen par le comité des sociétés de négociation pour compte propre et des fonds spéculatifs systématiques indique qu'actuellement, là où de telles techniques sont déployées, elles sont mises en œuvre surtout comme des systèmes à base de règles avec un humain dans la boucle, et avertit que les raisons des positions peuvent être mal comprises par les gestionnaires de risques humains de la société. Il ne donne aucun chiffre.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Royaume-Uni, banques autorisées à utiliser des modèles internes. La déclaration indique que la fonction de validation devrait fonctionner indépendamment du processus de développement des modèles et des propriétaires de modèles, et que la validation devrait être effectuée par du personnel doté de l'expertise technique requise et d'une connaissance suffisante du métier qui utilise le modèle. La politique est entrée en vigueur le 17 mai 2024. Elle est rédigée comme des attentes prudentielles (« should ») et ne mesure pas le travail de validation.

Un échec, un retour en arrière, une réglementation ou un coût freine l'adoption. Cela peut abaisser une appréciation ou élargir son incertitude.

Pays-Bas, quatre grandes sociétés de négociation pour compte propre. Le régulateur indique que son étude a constaté que 80 % à 100 % de leurs algorithmes de trading visant des instruments liquides et standardisés, comme les contrats à terme et les actions, reposent sur des modèles d'apprentissage automatique, et qu'il attend des sociétés qu'elles puissent expliquer pourquoi des ordres ont été envoyés au marché ; son rapport ajoute que les algorithmes de trading par apprentissage par renforcement ne sont pas encore utilisés en pratique. Les chiffres sont ce que quatre sociétés ont déclaré au sujet de l'apprentissage automatique classique, non des grands modèles de langage.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Union européenne, entreprises d'investissement pratiquant le trading algorithmique. L'article 5 dispose qu'une personne désignée par la direction générale de l'entreprise d'investissement autorise le déploiement ou la mise à jour substantielle d'un système de trading algorithmique, d'un algorithme ou d'une stratégie de trading, et que les enregistrements doivent permettre à l'entreprise d'identifier la personne qui a effectué chaque changement et celle qui l'a approuvé ; l'article 3 exige un personnel de gestion des risques et de conformité doté d'une autorité suffisante pour remettre en cause le personnel responsable du trading algorithmique. Il désigne qui autorise ; il ne régit pas les méthodes de recherche.

Un échec, un retour en arrière, une réglementation ou un coût freine l'adoption. Cela peut abaisser une appréciation ou élargir son incertitude.

États-Unis, courtiers-négociants membres de la FINRA. La règle dispose que toute personne associée principalement responsable de la conception, du développement ou de la modification importante d'une stratégie de trading algorithmique portant sur des actions, des actions privilégiées ou des titres de créance convertibles, ou responsable de la supervision quotidienne de ces activités, doit s'enregistrer comme « Securities Trader » ; la notice réglementaire ajoute que si une société charge un tiers de modifier de façon importante une stratégie, cette instruction doit elle aussi venir d'un « Securities Trader ». Elle désigne qui répond d'une stratégie ; elle ne régit pas la manière dont les stratégies sont recherchées.

Un échec, un retour en arrière, une réglementation ou un coût freine l'adoption. Cela peut abaisser une appréciation ou élargir son incertitude.

Si vous débutez, attendez-vous à ce que l'IA écrive une grande partie de votre code de recherche et de backtest et propose des signaux, et à ce que votre valeur tienne à savoir quand les chiffres sont faux — les métriques de risque que les modèles calculent encore mal — ainsi qu'aux rôles de validation et de responsabilité que les règles réservent à des personnes qualifiées.

Attendez-vous à relire et approuver bien plus de recherche produite par des machines que vous ne pourriez en écrire, et à en répondre. Les maisons qui utilisent l'IA en recherche disent soumettre sa production aux mêmes tests que le travail humain ; concevoir ces tests, c'est là que l'expérience compte.

Rester et se renforcer

Rester, et prendre en main la validation de la recherche produite par des machines

Les maisons soumettent les signaux générés par l'IA aux mêmes seuils que la recherche humaine ; il faut quelqu'un pour fixer ces seuils et repérer ce qui les franchit à tort.

Refaçonner le poste

Aller vers le risque de modèle et la validation

Les superviseurs américains, européens et britanniques exigent une validation indépendante par des personnes qualifiées, et rédigent désormais des attentes propres aux modèles d'apprentissage automatique.

Mouvement latéral

Passer à la surveillance du trading algorithmique

Les règles exigent une personne désignée pour autoriser les déploiements d'algorithmes, et un personnel doté de l'autorité nécessaire pour remettre en cause le trading algorithmique.

Pas au vu des preuves actuelles. L'IA écrit désormais du code de recherche et propose des signaux, et un gestionnaire d'actifs affirme que ses signaux générés par l'IA franchissent les mêmes seuils que la recherche humaine. Mais des bancs d'essai montrent des modèles qui échouent sur des métriques de risque élémentaires, et des règles aux États-Unis, dans l'UE et au Royaume-Uni exigent que des personnes nommées et qualifiées conçoivent, autorisent et valident de façon indépendante les modèles de trading et de risque.

Nous ne répondons pas à cette question par un nombre d'années. Un signal à surveiller à la place : si des stratégies générées par l'IA commencent à passer en production sans qu'une personne désignée les autorise, et si les superviseurs acceptent une validation par machine à la place de personnes indépendantes. Aujourd'hui, les règles recensées ici exigent l'une et l'autre.

En partie. Man Group affirme que son AlphaGPT écrit du code de qualité production et a produit des signaux qui franchissent ses seuils de recherche humaine, et un agent de recherche a atteint en backtest jusqu'au double des rendements annualisés des bibliothèques de facteurs classiques. Sur BacktestBench, en revanche, le meilleur modèle a atteint 67,41 % d'exactitude globale et tous les modèles ont peiné sur la volatilité et le ratio de Sharpe.

Les preuves recensées ici indiquent un métier qui change plutôt qu'un métier qui disparaît : davantage de recherche produite par des machines à tester, et des rôles de validation et de responsabilité que les règles américaines, européennes et britanniques laissent à des personnes qualifiées. Aucune projection officielle ne distingue les quants des autres analystes financiers.