IA pour la finance : machine learning, deep learning et mécanismes d'attention
Objectifs pédagogiques
- Formuler un problème de prévision financière et préparer les données sans fuite d’information
- Construire un protocole de validation temporelle et identifier les biais d’un backtest
- Mettre en œuvre en Python des modèles de machine learning, de deep learning et d’attention, et mesurer leur apport face à des modèles de référence
- Évaluer un signal prédictif dans une stratégie d’investissement, en tenant compte du risque et des coûts
Programme détaillé
Cette formation propose une introduction appliquée aux méthodes d’intelligence artificielle pour les séries temporelles financières et l’investissement quantitatif. Les participants suivent une démarche complète, sur un même jeu de données : formuler une question financière, préparer les données, comparer en Python des modèles simples, un réseau séquentiel et un modèle à attention, puis évaluer leur apport dans une stratégie d’investissement. Une attention particulière est portée à la rigueur du protocole : éviter les fuites d’information, vérifier qu’un modèle plus complexe améliore vraiment les résultats hors échantillon et qu’une meilleure prévision se traduit par une meilleure performance après coûts.
JOUR 1 : FONDEMENTS QUANTITATIFS, DONNÉES ET VALIDATION
De la question financière au modèle 30 min
- Rendements, volatilité, risque et perte maximale (maximum drawdown)
- Benchmark, surperformance et notion d’alpha
- Les étapes d’une stratégie quantitative : données, prédiction, allocation et exécution
- Formuler une tâche d’apprentissage supervisé : variables explicatives, cible et horizon de prévision
- Distinguer prévision des rendements, classement des actifs et décision d’investissement
Application : calcul des principaux indicateurs de performance d’un portefeuille équipondéré servant de référence.
Données financières et construction des variables 1h30
- Présentation des principales sources d’information : prix, volumes, fondamentaux et textes
- Dates d’observation et dates de disponibilité de l’information
- Données manquantes, ajustements des prix et biais de survivance
- Construction de rendements futurs, de variables retardées et de fenêtres temporelles
- Normalisation des données sans utiliser d’information future
TP : préparation d’un jeu de données de prix et volumes, construction des variables et vérification des alignements temporels.
Validation temporelle et backtesting 2h
- Rôles des échantillons d’entraînement, de validation et de test
- Validation chronologique et validation glissante
- Fuites d’information et chevauchement des horizons de prévision
- Sélection des hyperparamètres et risque lié à la multiplication des essais
- Principes d’un backtest : chronologie des décisions, rééquilibrage et coûts de transaction
TP : comparaison d’un protocole volontairement biaisé avec un protocole corrigé ; analyse des écarts de performance.
Facteurs et modèles de référence 2h
- Construction de facteurs simples : momentum et volatilité
- Régression linéaire régularisée
- Principes des arbres de décision et du gradient boosting
- Métriques de prévision et de classement des actifs
- Comparaison des modèles à données et protocole identiques
TP : comparaison d’un signal simple, d’une régression régularisée et d’un modèle d’arbres à partir d’un notebook guidé.
JOUR 2 : DEEP LEARNING, ATTENTION ET APPLICATIONS QUANTITATIVES
Deep learning pour les séries temporelles financières 3h
- Principes d’un réseau de neurones : couches, activations et fonction de perte
- Intuition de la rétropropagation et de l’optimisation par gradient
- Surapprentissage, régularisation et arrêt anticipé
- Passage des observations individuelles aux séquences temporelles
- Réseaux récurrents : principes des RNN et fonctionnement des portes d’un LSTM ; aperçu des GRU
- Influence de la longueur des séquences et de la complexité du réseau
TP : entraînement d’un petit LSTM, lecture des courbes d’apprentissage et comparaison hors échantillon avec les modèles de la première journée.
Mécanismes d’attention et introduction aux Transformers 2h
- Intuition de l’attention : construire une représentation en pondérant les observations
- Requêtes, clés et valeurs : rôle des matrices Q, K et V
- Attention par produit scalaire et self-attention
- Attention multi-têtes et information de position
- Structure d’un bloc Transformer et rôle du masquage causal selon la tâche
- Limites : coût de calcul, besoin en données et interprétation des poids d’attention
TP : exploration d’un module d’attention dans un notebook fourni, visualisation des poids et comparaison d’un petit modèle d’attention avec le LSTM.
Du signal prédictif à la stratégie d’investissement 1h
- Transformation des scores en une règle simple de sélection et de pondération des actifs
- Différence entre qualité prédictive et performance économique
- Rotation du portefeuille et coûts de transaction
- Comparaison des rendements nets, du risque, du ratio de Sharpe et des pertes maximales
- Discussion de la robustesse des résultats et des limites de l’expérience
Application de synthèse : comparaison des signaux étudiés dans un cadre de backtest commun et analyse de leur sensibilité aux coûts.
Public visé
Professionnels de la finance souhaitant comprendre et expérimenter les méthodes d’IA appliquées aux données de marché : analystes quantitatifs, professionnels de la gestion d’actifs et des risques, data analysts, data scientists et consultants intervenant dans le secteur financier.
La formation s’adresse également aux profils techniques souhaitant acquérir les réflexes méthodologiques propres à la modélisation financière.
Prérequis
- Connaissances élémentaires en probabilités et statistiques : moyenne, variance, corrélation et principe d’une régression
- Notions d’algèbre linéaire : vecteurs, matrices et produit matriciel
- Pratique de base de Python : exécuter et modifier un notebook, manipuler des tableaux de données, produire un graphique
- Culture financière générale ; les notions de rendement, de risque et de portefeuille sont rappelées pendant la formation
Approche pédagogique
Machine learning en finance : pourquoi un bon backtest ne suffit pas
Testez des milliers de variantes d’une stratégie sur le même historique : l’une d’elles finira toujours par sembler gagnante. En finance, où les données sont bruitées et l’historique limité, ce piège est la première cause de déception quand un modèle passe du backtest à la gestion réelle.
Trop de facteurs, trop d’essais
En 2016, Campbell Harvey, Yan Liu et Heqing Zhu recensent dans la Review of Financial Studies plus de 300 facteurs publiés pour expliquer les rendements des actions. Compte tenu du nombre d’essais réalisés par la profession, ils estiment qu’un nouveau facteur devrait franchir un seuil bien plus exigeant que l’usage (une statistique t supérieure à 3, et non à 2) et qu’une bonne partie des découvertes publiées sont probablement fausses. Dès 2014, David Bailey et Marcos López de Prado proposent le deflated Sharpe ratio, qui corrige le ratio de Sharpe d’une stratégie en fonction du nombre de configurations testées pour l’obtenir.
Ce que le machine learning apporte vraiment
En 2020, Shihao Gu, Bryan Kelly et Dacheng Xiu comparent, sur près de 30 000 actions américaines de 1957 à 2016, les régressions classiques et les méthodes d’apprentissage automatique. Arbres de décision et réseaux de neurones prévoient mieux les rendements, et les portefeuilles qui en découlent atteignent parfois le double de la performance des meilleures stratégies fondées sur la régression. Leur avantage tient surtout à la prise en compte d’interactions non linéaires entre les variables, un gain qui n’a de valeur que mesuré hors échantillon, sur une période postérieure à l’entraînement.
Les bases des réseaux de neurones sont détaillées dans Les fondamentaux du Deep learning avec Python ; le mécanisme d’attention, côté texte, dans Comprendre et adapter un Large Language Model (LLM).