L’im­pact du big data sur la finance

Afin de comprendre quels sont les apports du big data à la finance, il faut d’abord s’in­té­res­ser à ce que recouvre cette notion. Décou­vrez ces nouvelles tech­no­lo­gies à partir de leur prin­ci­pales attri­bu­tions que l’on appelle les 4 « V »

Extrait de la video de forma­tion : MOOC Fintech

Pour essayer de comprendre ce que le big data apporte à la finance, il faut réus­sir à cerner cette notion de big data. Or, c’est une notion protéi­forme – le big data ne recouvre pas une tech­no­lo­gie ou une méthode spéci­fique mais bien une multi­tude qui, prisent dans leur ensemble, débouchent sur un saut quali­ta­tif dans la façon dont on va trai­ter des données infor­ma­tiques.

Pour faire simple, on regroupe ces tech­no­lo­gies dites « big data » dans 4 caté­go­ries que des consul­tants fort inspi­rés ont appelé les 4 « V » : « Volume », « Variety », « Velo­city » et « Vera­city ».

Pour cette courte présen­ta­tion, je vous propose d’abor­der les trois premières caté­go­ries avec pour chacun d’entre elles un exemple concret. Je vous lais­se­rai ensuite imagi­ner toutes les possi­bi­li­tés qui peuvent s’of­frir au monde de la finance lorsque l’on combine ces diffé­rentes tech­no­lo­gies.

Partie 1 : “VOLUME”

Dans « Volume  », on classe tous ces nouveaux procé­dés qui permettent de stocker et trai­ter une taille consi­dé­rable de données. Ce sont les géants du web qui, lorsqu’ils étaient encore petits, se sont vu confron­tés à des problèmes d’échelle sans avoir les ressources pour inves­tir dans les tech­no­lo­gies tradi­tion­nelles : Yahoo, Google puis Face­book ont dû inno­ver pour permettre de gérer ces masses de données à plus faible coût.

Exemple. Les déci­sions d’in­ves­tis­se­ment des banques et des socié­tés de gestion sont en grande partie basées sur des modèles écono­mé­triques qui se servent d’his­to­riques de données (de cours, de taux, etc.) pour trou­ver des corré­la­tions et en déduire des tendances.

Il est évident que la profon­deur de l’his­to­rique a ici un rôle crucial. On peut suppo­ser qu’un modèle pouvant être back­testé sur 20 ans d’his­to­rique sera plus perti­nent que le même modèle repo­sant sur 2 ans. Or il y a quelques années, travailler sur une telle exhaus­ti­vité de données était extrê­me­ment diffi­cile. Le big data rend cela beau­coup plus simple et permet de bais­ser dras­tique­ment le coût de cali­brage des modèles.

Partie 2 : “VARIETY”

“Variety” corres­pond un autre groupe de tech­no­lo­gies qui a permis de trai­ter des données non struc­tu­rées aussi faci­le­ment que des données struc­tu­rées. Par « données non struc­tu­rées », on parle de texte, d’image ou de sons qui ne sont pas propre­ment orga­ni­sés ou « rangées » d’un point de vue infor­ma­tique, comme le peuvent l’être les données d’un tableau. Cela comprend donc, dans une certaine mesure, les données prove­nant des réseaux sociaux.

Si l’on reprend notre exemple asso­cié à la gestion quan­ti­ta­tive, le big data permet d’élar­gir consi­dé­ra­ble­ment le péri­mètre des données utili­sées dans les modèles. Les ingé­nieurs finan­ciers peuvent désor­mais enri­chir leurs modèles de données extraites des réseaux sociaux ou de docu­ments offi­ciels (rapports d’ac­ti­vi­tés …).

Partie 3 : “VELO­CITY”

Pour faire simple, la chute du coût de la mémoire vive (la fameuse « RAM » qu’on rajoute parfois dans son ordi­na­teur lorsqu’il devient lent) a permis aux infor­ma­ti­ciens de l’uti­li­ser comme une alter­na­tive au stockage sur disque – avec à la clé une multi­pli­ca­tion de la vitesse de trai­te­ment par 1000.

En gestion du risque : la Value-at-Risk, cet indi­ca­teur de risque donnant une idée des pertes maxi­mum que peut subir une posi­tion prise sur les marchés finan­ciers, était un indi­ca­teur au mieux jour­na­lier, calcu­lée au plus tôt le lende­main par le middle-office. Aujour­d’hui, on peut produire une VaR en temps-réel. Si l’on agrège tous les points de VaR d’une grande banque sur une jour­née, cela peut repré­sen­ter plusieurs milliards de points de données. Grâce au big data, cet indi­ca­teur de risque ex-post est devenu un métrique opéra­tion­nel, capable d’im­pac­ter la tenue des posi­tions dans la jour­née.