Liste de partage de Grorico
(le HFT — High Frequency Trading — est très certainement l’une des causes importantes des casse-gueules à répétitions des « marchés », mais qu’est-ce qui fait tourner ce HFT ? Petit essai de vulgarisation du concept sous-jacent de la boucle de rétroaction Skynet (joli surnom emprunté au film « Terminator » où l’intelligence artificielle mondiale créée par une entreprise éponyme (Skynet) déclenche la perte de l’humanité en retournant les robots contre les êtres humains…) de la finance…
« L’I.A de la finance internationale, Skynet, vient de couler l’économie de ton pays et t’emm…toi et tes 60 millions de compatriotes…bip… » C’est à peu près le message que l’on pourrait recevoir des ordinateurs impliqués dans Le High Frequency Trading, largement en cause dans la crise financière actuelle, comme un article récent sur Reflets l’a très bien expliqué. Mais comment ça marche ce truc ? Comment ces ordres boursiers passés en quelques nano-secondes, pour être directement annulés et faire monter ou baisser des cours, sont-ils déterminés ? Les algorithmes qui les constituent sont-ils des super-programmes simplement capables d’optimiser une analyse d’achat-vente ou un peu plus que ça ? Et bien, pour être franc, un peu plus que ça. On peut même dire : beaucoup plus que ça…
Le concept Skynet de la finance : l’Intelligence artificielle des réseaux de neurones au service de la bourse
Mais pas n’importe quelle I.A. Non, l’I.A dont on parle dans le cas des boucles de rétroactions Skynet est celle des réseaux de neurones. Whalala, trop compliqué ce truc. Ouais, assez. Mais si on se penche un peu dessus, on comprend quelques concepts intéressants. Extrait introductif : « contrairement aux méthodes statistiques classiques les réseaux de neurones artificiels ne nécessitent aucune hypothèse sur les variables. La seconde est qu’ils sont tout à fait adaptés pour traiter des problèmes complexes non structurés, c’est-à-dire des problèmes sur lesquels il est impossible a priori de spécifier la forme des relations entre les variables utilisées. » Bien. C’est un bon début. Mais encore ? « C’est grâce à des algorithmes, que ces systèmes apprennent par eux-mêmes les relations entre les variables à partir d’un ensemble de données, à l’image de ce que ferait le cerveau humain. Ainsi, le réseau se paramètre de lui-même à partir des exemples qui lui sont fournis. » Assez autonome comme système. Très autonome même.
Un réseau de neurones artificiels c’est quoi ?
Pour essayer de comprendre le concept, l’analogie est nécessaire : un réseau de neurones artificiels s’inspire du fonctionnement du cerveau humain. Les génies qui ont inventé ça ont établi deux grandes catégories de réseaux : à apprentissage supervisé et à apprentissage non-supervisé. Le premier, utilisé par la finance, est un réseau de neurones artificiels qui apprend à reconnaître des formes à partir d’échantillons qui lui permettent de se paramétrer. C’est appelé un réseau à couches. On comprend que chaque couche comporte plusieurs neurones, sachant qu’en réalité chaque neurone est une somme de calculs autonomes. Il y a par exemple des neurones d’une couche d’entrée, une couche dite « cachée » de neurones intermédiaires, et une couche de sortie de neurones. Et nos neurones artificiels sont reliés entre eux par l’intermédiaire de poids synaptiques. L’algo d’apprentissage évalue ces poids en fonction des données présentes lors de la phrase d’apprentissage. Exemple : « …les neurones disposés sur la couche d’entrée reçoivent les informations censées expliquer le phénomène à analyser. Pour ce qui concerne la détection préventive d’entreprises en difficulté, par exemple, il s’agira le plus souvent de ratios financiers. Le neurone de sortie prendra une valeur binaire, 0 ou 1, selon que l’entreprise est considérée comme saine ou susceptible de défaillance. » Impressing, isn’t it ? Bon, ça c’était juste la phase d’apprentissage, et je vous passe les fonctions de calcul de potentiel d’activation, les pondérations de poids synaptique… Arrivons à la mise en œuvre d’un réseau de neurones artificiels. La vocation d’un tel réseau est de reconnaître des formes inconnues à partir des formes d’apprentissage. On lui injecte donc des échantillons de données : un échantillon pour le paramètrage, un autre pour la validation et le dernier pour évaluer les capacités de généralisation. Et là, le système peut se lancer comme un grand sur les marchés. Chouette, hein ?
Mais, bon, c’est quoi l’intérêt ?
Si l’on suit les spécialistes, l’avantage central est le traitement de problèmes non-structurés, ce qui convient bien à la finance internationale. Ce qui est appelé « la distribution de probabilité des variables ». Les réseaux de neurone découvrent eux-mêmes les relations entre les variables. Donc, ils prennent ensuite des décisions tous seuls, sans que la forme d’une fonction particulière soit nécessaire. Ils travaillent sur des données incomplètes ou « bruitées » : le « système Skynet » est censé conserver seulement l’information pertinente…
Il faut des exemples concrets, sinon, c’est abstrait. « Plus récemment, les réseaux de neurones ont été utilisés pour prévoir la volatilité des indices boursiers des grandes places financières…Mais, c’est naturellement en multipliant les variables d’entrée que les réseaux fournissent les meilleurs résultats. Ainsi, Kimoto et Yoda (deux chercheurs japonais, ndlr) rapportent qu’à partir d’un réseau comprenant 5 variables en entrée, ils arrivent à prédire de façon relativement satisfaisante l’évolution du TOPIX (Tokyo Stock Index) sur une période de 3 ans. Une simulation de stratégie d’investissement dérivée des résultats du modèle aurait rapporté une rentabilité moyenne annuelle de 1,60% alors que dans le même temps l’indice chutait de 20,63% ! Ah, oui, là on comprend mieux ! Mazette ! Quelle efficacité, c’est troublant. Mais il faut arriver au « scoop » contenu dans cet article, qui, vous allez le comprendre, prend tout son sel après avoir tenté de mieux saisir comment le HFT et son réseau « Skynet » fonctionnent. Le document sur lequel s’appuie cet article date de… 1997 ! Vous imaginez ce qu’il s’est passé en 14 ans, et comment ces I.A se sont améliorées ?
Et maintenant on fait quoi ? Heu… rien : Skynet’s controling the market
Skynet (continuons à l’appeler comme ça), l’intelligence artificielle, a déjà gagné une part non négligeable des décisions qui s’opèrent sur les marchés. Les différents observateurs estiment qu’actuellement 70% des transactions du marché américain des actions sont opérées par des réseaux de neurones artificiels, et 50% du boursier. Cela signifie que des robots « intelligents », en apprentissage permanent, se refilent des actions, font chuter des cours boursiers, spéculent à des vitesses surhumaines pour le bénéfice d’une poignée de traders à la solde de groupes financiers. Sans aucun contrôle réel. Sans qu’aucun être humain ne puisse déterminer ce qu’ils font exactement et jusqu’où ils peuvent aller…
Allez, une petite pub pour la route, achetez-vous une I.A pour faire du High Frequency Trading : »
« Récemment, Trader Workstation a rassemblé une équipe exceptionnelle d’ ingénieurs, possédant une connaissance approfondie de l’intelligence artificielle, pour intégrer le système neurone one.
La plupart de ces personnes sont également des traders expérimentés.
Ce mélange unique de talents et de technologie a été combiné pour produire Trader Workstation.
Ce logiciel puissant d’analyse financière permet à ses utilisateurs de profiter de la découverte par les réseaux de neurones de configurations non visibles autrement. »
Dis maman, tu m’achètes une Trader Workstation pour Noël ?
Billets en relation :
- Pas de billets en relation
Wolfgang Pauli avait tout juste 21 ans quand il a publié un article de fond sur la théorie de la relativité d'Einstein. Les plus de 300 pages exposant les méthodes...
 |  |
One week in to the relaunch of the "Through the Lens of an iPhone" Flickr group, and there have been some stunning photos submitted.
Below are just some of the photos that have caught my eye.
twitmunin_fr |
Google+ lance les "Tendances" (Trends) http://t.co/3d6CyMep Reply | RT |
