Emmanuel Hauptmann : « Pour l’analyse du newsflow, les mini-IA jouent dans la cour des grands »

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. 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.