Tech • IA • Crypto
Des signaux de trading qui s’exécutent seuls
8/10INTRO
Man Group a déployé des signaux de trading systématiques pilotés par l’IA via des workflows internes gouvernés, soulignant que des données solides et une gouvernance des processus sont essentielles pour déployer l’IA à l’échelle dans la finance.
POINTS CLÉS
L’IA entre dans la gestion d’actifs à forts enjeux
Man Group, qui gère plus de 200 milliards de dollars pour des fonds de pension et des investisseurs souverains, intègre l’IA dans des processus d’investissement où les erreurs affectent directement l’épargne réelle. L’entreprise insiste sur la nécessité d’une fiabilité extrême, car des erreurs peuvent entraîner des pertes financières concrètes pour les individus et les institutions.
Le trading systématique, cas d’usage majeur de l’IA
Un axe clé est le trading systématique, où des algorithmes analysent des milliers de titres sur les marchés mondiaux pour générer des signaux d’investissement. Ces signaux classent les actifs à acheter ou à vendre à découvert, à la manière d’une sélection de joueurs dans une fantasy league selon leurs performances attendues et le timing.
Le backtesting reste central pour la validation
Les stratégies sont évaluées via des backtests historiques, souvent sur 15 ans ou plus. Les métriques clés incluent les rendements annualisés, les drawdowns et les ratios de Sharpe, qui mesurent la performance ajustée du risque. Malgré des modèles avancés, l’incertitude demeure, les performances passées ne garantissant pas les résultats futurs.
Des signaux de trading générés de bout en bout par l’IA
L’entreprise a déployé des signaux en production où l’IA gère toute la chaîne: génération d’idées, collecte de données, backtesting, rédaction de propositions et implémentation. Une supervision humaine subsiste, mais l’IA constitue le moteur central du workflow.
La complexité cachée derrière les signaux
Si la création de signaux semble simple, l’essentiel des efforts porte sur des processus sous-jacents comme le nettoyage des données, la gestion de l’infrastructure et la cohérence du backtesting. Des écarts entre équipes peuvent produire des résultats contradictoires, d’où l’importance de workflows standardisés.
Des échecs initiaux dans l’adoption de l’IA
Les premiers déploiements ont privilégié une adoption rapide, avec des employés créant des outils ou “skills” personnalisés. Beaucoup étaient conçus par des utilisateurs avancés plutôt que des responsables de processus, entraînant des solutions fragmentées optimisées pour des individus plutôt que pour l’organisation.
Un exemple révélateur de mauvaise gouvernance
Un outil interne d’automatisation des notes de frais a, par erreur, envoyé des validations au mauvais service à cause d’un centre de coûts codé en dur. Cet incident montre comment des outils IA non gouvernés peuvent créer des inefficacités opérationnelles.
Transition vers une gouvernance centralisée des “skills”
Pour corriger cette fragmentation, l’entreprise a mis en place une place de marché centralisée de skills, où les outils sont possédés, revus, testés et gérés sur leur cycle de vie. Cela garantit cohérence, transparence et réutilisation à l’échelle de l’organisation.
Une IA alimentée par le contexte institutionnel
Plutôt que de réentraîner les modèles, l’entreprise a donné à l’IA accès à des données propriétaires, workflows et connaissances internes. Cette “couche de contexte” permet aux systèmes d’opérer efficacement dans un environnement spécifique.
Un signal démontré à partir de données alternatives
Dans un cas, l’IA a analysé des données de transactions par carte bancaire pour prédire la performance des actions, identifiant des corrélations entre dépenses des consommateurs et rendements boursiers. Un backtest suggère qu’un investissement de 1 000 $ en 2021 pourrait atteindre environ 2 500 $, surpassant une stratégie d’achat et conservation, avec validation supplémentaire requise.
Un usage à l’échelle de l’organisation
L’entreprise compte environ 750 utilisateurs actifs de sa plateforme de codage IA, avec plus de 100 skills gouvernés. L’adoption dépasse les équipes techniques et s’étend à des fonctions comme la finance et les ressources humaines.
Une base pour des systèmes d’agents autonomes
Avec des workflows gouvernés, l’entreprise se prépare à des systèmes d’IA basés sur des agents capables d’explorer de manière autonome des opportunités d’investissement. Ces systèmes reposent sur des briques standardisées et fiables pour fonctionner à grande échelle.
CONCLUSION
L’expérience de Man Group montre que le principal défi de l’IA en entreprise n’est pas la capacité des modèles, mais l’organisation et la gouvernance des connaissances internes, déterminantes pour des résultats fiables et scalables dans des domaines complexes comme la finance.