La finance quantitative à l’ère de l’IA

Au cours des cinquante dernières années, les secteurs de la finance et de l’assurance ont subi des transformations majeures, largement influencées par les avancées technologiques. Ces évolutions ont non seulement redéfini les pratiques et les méthodes de travail, mais elles ont également engendré de nouveaux défis et opportunités pour les professionnels du secteur. Aujourd’hui, nous assistons à une nouvelle révolution, marquée par l’utilisation des techniques d’apprentissage automatique et des modèles de langage de grande taille (LLMs), combinée à l’exploitation de données massives. Ces avancées technologiques ouvrent de nouvelles perspectives pour l’industrie financière.

Organisé les 17 et 18 mars derniers à Paris, le 18^e Forum International sur les Risques Financiers a été une plateforme essentielle pour aborder les enjeux cruciaux liés à l’intégration de l’intelligence artificielle dans le secteur financier. Cet événement a réuni plus de 600 participants - chercheurs de renom, professionnels du secteur financier, superviseurs... Les discussions ont souligné l’importance d’une approche interdisciplinaire et d’une collaboration entre les différents acteurs du secteur pour naviguer dans ce paysage en constante évolution.

Retour en arrière. Dans les années 1970, la finance quantitative a commencé à émerger comme une discipline à part entière, propulsée par des progrès significatifs en matière de puissance de calcul. Les ordinateurs, devenus plus accessibles et performants, ont permis aux chercheurs et aux praticiens de développer des modèles mathématiques sophistiqués pour évaluer les risques et optimiser les portefeuilles d’investissement. Cette période a vu l’introduction de modèles, tels que le modèle d’évaluation des actifs financiers (CAPM) et le modèle Black and Scholes pour la tarification des options. Ces approches ont révolutionné la manière dont les actifs financiers étaient analysés et échangés.

Cependant, la crise financière de 2008 a mis en lumière les vulnérabilités du système financier mondial. Bien qu’innovants, les modèles quantitatifs se sont révélés insuffisants pour anticiper les risques systémiques. Cette crise a souligné l’importance d’une évaluation rigoureuse des vulnérabilités et a conduit à une réévaluation des pratiques de supervision financière. Les régulateurs ont commencé à exiger une transparence accrue et une meilleure gestion des risques, afin de garantir la stabilité financière. Des initiatives telles que Bâle III ont été mises en place pour renforcer les exigences en matière de capital et de liquidité des institutions financières.

Aujourd’hui, l’adoption croissante des méthodes d’apprentissage automatique et des modèles de LLMs, associée à l’exploitation de vastes ensembles de données, crée de nouvelles opportunités pour le secteur financier. Cela laisse entrevoir une amélioration significative de l’efficacité opérationnelle ainsi qu’une optimisation des processus décisionnels.

L’intelligence artificielle (IA) permet de traiter et d’analyser d’énormes volumes de données en temps réel. Les outils de traitement du langage naturel (NLP) puis, depuis quelques années, les LLMs, permettent de convertir instantanément de l’information textuelle (par exemple articles de presse, communication des entreprises etc.) en signaux quantitatifs, qui pourront être utilisés dans le cadre d’une stratégie d’investissement par exemple. Grâce aux algorithmes d’apprentissage automatique, les institutions financières peuvent développer de nouveaux modèles de prédiction des mouvements futurs du marché¹, des surfaces de volatilité², des coûts de transaction³, pour ne citer que quelques exemples. Cela facilite la construction de stratégies d’investissement et le passage d’ordres plus efficaces.

L’IA permet aussi d’automatiser des tâches répétitives et chronophages, telles que le suivi des transactions, l’analyse des risques, la détection de fraudes et la conformité réglementaire. Cela libère du temps pour les professionnels, leur permettant de se concentrer sur des tâches à plus forte valeur ajoutée. Elle autorise aussi une personnalisation accrue des services financiers⁴. Les institutions peuvent communiquer plus efficacement auprès des clients, et offrir des recommandations adaptées aux besoins spécifiques de chacun, améliorant ainsi l’expérience client et favorisant une meilleure inclusion financière.

Malgré ces avantages, l’intégration de l’IA dans le secteur financier n’est pas sans défis et risques. Déjà, les algorithmes peuvent être sujets à des biais. Cela peut conduire à des décisions discriminatoires, par exemple dans l’octroi de crédits, ou une mauvaise performance des modèles lorsque les conditions changent rapidement. De plus, le manque de transparence des modèles peut engendrer des problèmes de responsabilité et de confiance.

Enfin, l’utilisation des modèles par les clients eux-mêmes, peut avoir des conséquences sur les risques encourus par les institutions financières. Cong et al. (2025) montrent par exemple que l’utilisation de ChatGPT par les clients améliore la qualité d’écriture des demandes de prêt, ce qui réduit la possibilité pour les banques d’analyser les soft informations des clients et détériore l’allocation de crédit.⁵

Si l’on se focalise sur les marchés financiers, l’IA a le potentiel d’améliorer leur efficience en permettant l’incorporation d’informations en temps réel provenant notamment de sources de données alternatives. L’analyse de données textuelles ou d’images satellites peut fournir des indicateurs économiques en temps réel, permettre d’évaluer le sentiment dans les médias, vérifier très rapidement l’empreinte carbone des entreprises ou évaluer leurs risques climatiques (Brière et al., 2024)⁶. Ces outils permettent ainsi une incorporation plus rapide de l’information économique par les marchés. Par exemple, depuis l’introduction des grands modèles de LLMs, la réaction du marché à très court terme (15 premières secondes) à la publication des minutes du Federal Open Market Comittee (FOMC), l’organe décisionnaire en matière de politique monétaire aux États-Unis, tend à être plus alignée avec l’impact à plus long terme. Signe que l’utilisation de ces outils permet d’analyser rapidement de l’information complexe.

Par ailleurs, le trading algorithmique peut réduire l’impact des émotions humaines. Des algorithmes ne cèdent pas à la panique lors des marchés baissiers. Les robo-advisors, par exemple, sont capables de rééquilibrer automatiquement les portefeuilles en encourageant l’achat d’actifs risqués lorsque les marchés ont baissé, ce qui vient contrer la tendance naturelle des investisseurs particuliers à vendre en phase de baisse de marché.

Mais l’utilisation généralisée de l’IA pour le trading et l’investissement peut entraîner une surréaction aux informations à court terme, parfois bruitées, ce qui peut accroître la volatilité des marchés. Les indicateurs basés sur l’IA sont souvent sensibles au « sentiment ». C’est particulièrement vrai pour ceux qui utilisent l’information issue de blogs ou des réseaux sociaux comme sources d’information. Sur le sujet, les travaux de David Hirshleifer, Professeur à la Marshall Business School, sur l’impact des réseaux sociaux sur les marchés financiers⁷ sont très utiles.

De plus, les mesures de sentiment textuel peuvent être vulnérables aux attaques adversariales des modèles de langage, où de petites perturbations dans les données peuvent modifier radicalement les prévisions du modèle. Cela soulève des préoccupations quant au risque de manipulation des informations. La communication d’entreprise a par exemple été remodelée par la lecture automatisée par des machines, incitant les dirigeants d’entreprises à éviter des mots perçus comme négatifs et à adopter un discours émotionnel favorable aux algorithmes d’apprentissage automatique.

Au-delà de ces sujets techniques, les préoccupations liées à la vie privée, à la discrimination et à la transparence des algorithmes soulèvent des questions éthiques importantes. Les régulateurs doivent ainsi trouver un équilibre entre l’innovation et la protection des consommateurs. Une forte dépendance à l’IA peut aussi rendre les institutions financières vulnérables en cas de défaillance technique. De plus, cette dépendance peut conduire à une concentration de pouvoir entre quelques grands acteurs technologiques.

Les modèles d’IA, en particulier ceux basés sur l’apprentissage profond, nécessitent une grande puissance de calcul et une consommation énergétique significative. L’automatisation des processus peut également entraîner des pertes d’emplois, ce qui soulève des préoccupations sociales. Il est essentiel de réfléchir à des modes efficaces de collaboration entre humains et machines, ainsi qu’à la conception d’une IA « frugale » qui minimise son impact environnemental.

En conclusion, l’intelligence artificielle offre des perspectives prometteuses pour l’industrie financière et la recherche, mais elle s’accompagne de défis importants. Il est crucial de développer des pratiques responsables dans la conception et le déploiement de l’IA, afin de maximiser ses bénéfices sociétaux. La collaboration entre régulateurs, chercheurs et praticiens sera essentielle pour naviguer dans ce paysage en constante évolution.