Spécialiste de l’intelligence artificielle dans la finance, Emmanuel Hauptmann est notamment le co-auteur de Fine-Tuning Large Language Models for Stock Return Prediction Using Newsflow (Arxiv, 2024), dont nous avons rendu compte hier, ainsi que de ESG2Risk: A Deep Learning Framework from ESG News to Stock Volatility Prediction (Arxiv, 2020).
Emmanuel Hauptmann, Ram AI
Qant. RAM AI est née dans l’ère du big data et du machine learning. Quel rôle ont ensuite joué les réseaux de neurones et le deep learning dans votre approche ?
Emmanuel Hauptmann. Vous avez raison de souligner cette évolution. En 2007, nous avons commencé avec des stratégies basées sur des arbres de décision, cherchant à identifier les critères qui faisaient la force d’un profil d’alpha intéressant, un peu à la manière d’un stock picker. Cependant, à mesure que le nombre de données à traiter augmentait, nous avons commencé à intégrer des sources d’informations supplémentaires comme le sentiment, le positionnement et l’ESG. Rapidement, la quantité d’inputs a dépassé ce qu’une approche quantitative traditionnelle pouvait gérer efficacement. C’est à ce moment que nous avons fait le saut vers le deep learning, qui permet de traiter simultanément des centaines de variables et d’identifier les sociétés avec le plus fort potentiel de rendement. Le deep learning repose sur des réseaux de neurones artificiels capables de détecter des relations non linéaires entre différents signaux, ce qui enrichit considérablement notre capacité d’analyse.
Qant. Comment avez-vous mis en place cette infrastructure de deep learning ?
Emmanuel Hauptmann. Nous avons développé une infrastructure dédiée pour industrialiser l’ensemble du processus d’entraînement, de validation et de test des modèles. Le cœur de cette infrastructure réside dans la sélection minutieuse des hyperparamètres qui déterminent l’architecture et l’apprentissage du modèle, tels que la taille des réseaux ou la vitesse d’apprentissage. Grâce à cette approche, nous pouvons entraîner une grande variété de modèles et agréger leurs prédictions pour obtenir une évaluation robuste des rendements des titres. Tout cela est réalisé sur notre propre infrastructure de serveurs GPU, ce qui nous permet de garder le contrôle total sur les performances et la sécurité, sans dépendre d’un opérateur cloud tiers.
Qant. Quels modèles utilisez-vous actuellement ?
Emmanuel Hauptmann. Actuellement, nous utilisons des modèles de deep learning pour deux cas d’usage principaux. Premièrement, pour combiner nos 500 signaux d’alpha afin de générer des prédictions de rendement à court terme, typiquement sur des horizons de une semaine à trois mois. Ces signaux incluent des variables traditionnelles de valorisation, de sentiment, de qualité et de momentum, mais aussi des signaux plus complexes comme la liquidité ou le positionnement. L’approche deep learning nous permet de capter des interactions non linéaires entre ces signaux, ce qui renforce la précision de nos prévisions.
Ensuite, nous visons à intégrer des données non structurées, telles que du texte issu de news, des retranscriptions d’annonces de résultats ou d’autres sources d’informations qualitatives. Nous avons constaté que l’analyse de ces données permet d’affiner nos prévisions en détectant rapidement des changements de sentiment ou d’anticiper des événements clés avant même que le marché ne réagisse pleinement. Ces deux volets nous offrent une vision plus complète et intégrée de la dynamique des titres que nous analysons.
Qant. Cet été, vous avez publié un article de recherche sur l’utilisation des LLM pour l’analyse des newsflows. Quelles en ont été les conclusions ?
Emmanuel Hauptmann. Cette étude a confirmé nos intuitions. Les LLM, même de taille réduite, se sont révélés extrêmement efficaces pour analyser le newsflow et prédire son impact sur les cours des actions. Les signaux qu’ils produisent dépassent les scores de sentiment classiques. Nous avons expérimenté avec des modèles comme Llama 3-8b et Mistral 7b, et bien qu’ils soient relativement petits en termes de paramètres, leurs performances sont impressionnantes. Avec le fine-tuning, ces modèles deviennent des outils puissants pour traiter de manière systématique les informations et prédire leur influence sur les titres avant même que les analystes humains n’aient le temps d’agir, souvent avec un délai de plusieurs jours. Cela est particulièrement avantageux dans les marchés émergents, où les analystes peuvent être plus lents à réagir, notamment pour les moyennes et petites capitalisations.
Qant. Quelles répercussions cela aura-t-il sur l’asset management et l’analyse financière ?
Emmanuel Hauptmann. Nous sommes à un point de bascule. Il est évident que l’analyse financière, tout comme d’autres métiers, est en passe d’être profondément transformée par l’intelligence artificielle. Il est encore difficile de dire jusqu’où cela ira, mais l’impact sera global. La capacité de traiter d’énormes volumes de données avec précision va révolutionner la manière dont les analystes et les gérants opèrent. L’IA augmente la productivité et permet une analyse bien plus rapide et approfondie, surtout pour tout ce qui est lié à l’exploitation des données. Nous n’en sommes qu’au début, mais les opportunités sont immenses.
Qant. Comment les gérants pourront-ils se distinguer dans un futur où l’IA jouera un rôle central ?
Emmanuel Hauptmann. Il est certain que l’IA va changer la donne en matière de gestion d’actifs, mais cela ne signifie pas nécessairement que les petits acteurs seront évincés. En fait, l’agilité pourrait devenir un atout majeur. Plus un gestionnaire est gros, plus il lui est difficile de changer rapidement de position, ce qui crée des opportunités pour des acteurs plus agiles, capables de réagir rapidement aux signaux du marché. Nous nous dirigeons peut-être vers une concentration accrue dans certains secteurs, mais des niches demeureront, et les plus petits gestionnaires auront la capacité de capter des inefficiences grâce à une utilisation innovante des données et de l’IA. La flexibilité restera un avantage clé.
*Propos recueillis par Jean Rognetta, avec Maurice de Rambuteau. *
Pour en savoir plus :
Source archive Kessel : https://qant.kessel.media/posts/pst_2b367234262b42a7b719e0ee76ecb86a