Cas d'utilisation

Modèles financiers ESG et macroéconomiques

Situation du client

Un AM de niveau 1, leader en matière d'investissement ESG et vert, souhaite développer une une méthodologie et des outils clairs basés sur l'IA afin d'intégrer les facteurs ESG comme élément structurant pour anticiper la rentabilité et gérer les risques à moyen et long terme.

Ils réalisent qu'ils traitent l'ESG comme un facteur exogène. Ils souhaitent comprendre la relation entre les facteurs ESG et d'autres facteurs quantitatifs (macroéconomiques, microéconomiques, etc.), et intégrer leurs propres connaissances qualitatives dans le modèle, afin de générer de l'alpha.

Solution Scalnyx

Nous avons personnalisé notre plateforme d'IA causale ESG Projector en fonction des besoins des experts de leur équipe AM, afin qu'elle corresponde à leur base de données ainsi qu'à leurs cadres d'analyse de portefeuille et de risque.
Ils ont utilisé la plateforme pour construire des modèles d'IA causale à partir de facteurs non linéaires tels que les données ESG, micro/macro-économiques et les données internes du portefeuille. Ils ont testé la combinaison complexe de facteurs et ont également élaboré le mélange complexe de facteurs environnementaux et économiques. Ils évaluent la précision de chaque modèle avec un cadre de back-testing.

Les inférences générées par le modèle d'IA causale sont entièrement explicables et interprétables.

Gain pour le client

Les modèles d'IA causale ainsi obtenus, améliorés par les connaissances des experts du domaine (gestionnaire d'actifs), ont surpassé les performances des modèles linéaires classiques et d'autres techniques d'IA/ML, prouvant l'intérêt de l'investissement quantitatif si le gestionnaire d'actifs dispose des bons outils.

L'entreprise s'approprie la construction de ses propres outils et méthodologies qui correspondent à sa culture, sa gouvernance et l'organisation de ses équipes, mais aussi à ses fournisseurs et sources de données.

Valorisation des produits dérivés

Situation du client

Un courtier de taille moyenne utilise l'évaluation en temps réel des contrats à terme et des options pour un bureau d'arbitrage et une activité d'ingénierie financière. Il dédie un ensemble de serveurs ultra rapides à l'évaluation des produits dérivés sur la base de méthodes analytiques lourdes utilisant des simulations Monte-Carlo. 

Ils sont confrontés à plusieurs problèmes : l'infrastructure est trop chère, les temps de calcul sont trop élevés et les commerçants se plaignent que certains concurrents fixent leurs prix plus rapidement.

Solution Scalnyx

Nous avons utilisé notre boîte à outils d'accélération d'algorithmes ML pour approcher le prix des options avec des modèles de volatilité stochastique.

Sur la base des données d'entraînement données, la boîte à outils génère une solution de modèle Deep Learning correspondante qui correspond au processus sous-jacent ; elle estime une fonction entre les données d'entrée et les primes, en minimisant une fonction de coût donnée (généralement l'erreur quadratique moyenne entre le prix du modèle et le prix observé sur le marché) pour atteindre une bonne performance hors échantillon.

La boîte à outils peut même entraîner un modèle DL avec un petit échantillon de données.

Gain pour le client

Le calcul de l'évaluation de bout en bout et des sensibilités aux risques est 800 fois plus rapide que les calculs numériques et la précision est optimisée. Ainsi, la banque peut fournir une évaluation en temps réel aux bureaux en quelques secondes au lieu de soumettre des demandes au système. 

Chaque instance de tarification dérivée basée sur le modèle ML peut fonctionner sur un cœur de processeur au lieu de plusieurs cœurs requis pour une simulation monte-carlo complexe, ce qui réduit l'empreinte matérielle et optimise l'efficacité opérationnelle. 

Modèle interne FRTB

Situation du client

Dans le cadre de la récente réglementation BASEL IV, une banque exige le calcul du risque FRTB des facteurs de risque non modélisables (NMRF, qui sont généralement des actifs illiquides). N'ayant pas d'autres options disponibles pour le moment, le client utilise actuellement une approche qui conduit à une capitalisation pénalisée inutilement élevée : Les exigences de capital pour chaque facteur de risque non modélisable (NMRF) sont déterminées dans le cadre d'un scénario de stress qui est calibré pour être au moins aussi prudent qu'un modèle "pessimiste" (expected shortfall) et sans aucune diversification des risques modélisés en interne . Néanmoins, la norme BASEL IV permet l'approche de modèles de risque spécifiquement adaptés à des actifs spécifiques, ce qui pourrait justifier une capitalisation plus appropriée.

Solution Scalnyx

Nous avons développé une boîte à outils ML dédiée et une méthodologie adaptée aux besoins des FRTB NMRF afin de permettre l'identification de variables de substitution, de sorte que le risque soit calculé à travers les données de substitution et non à travers le facteur de risque original lui-même. Pour notre cas particulier, à savoir un FRMN, l'objectif est d'identifier des facteurs de risque modélisables suffisamment similaires (par exemple, choisir parmi des actifs du même type et de la même région, de nature similaire, mais avec une meilleure liquidité). Puisque les variables de substitution choisies sont modélisables, nous sommes autorisés par la norme à calculer (jusqu'à un pourcentage) la capitalisation d'un FRMN comme un facteur de risque modélisable, ce qui nous permet de profiter de la diversification, et donc de justifier aux régulateurs des pénalités FRTB plus faibles. 

Gain pour le client

Les approximations précises basées sur l'apprentissage automatique qui en résultent réduisent l'impact du NMRF sur le capital. En outre, la banque contrôle entièrement le processus de modélisation et la génération des données NMRF pour l'application des règles FRTB.

En conséquence, la banque gagne en productivité effective et en maîtrise de l'ensemble du processus, et réduit massivement ses obligations en matière de rapports réglementaires.

"Matching engine" scalable

Situation du client

Une bourse est confrontée à des contraintes incompatibles pour son infrastructure de négociation : un nombre croissant d'ordres et d'exécutions combiné à une complexité accrue des opérations, d'où la nécessité d'investir dans des machines nouvelles et plus nombreuses. Or, l'architecture technique n'est pas conçue pour évoluer et doit être revue.

En outre, la concurrence croissante exigeant une exécution garantie à faible latence et la réduction des coûts poussent à réduire l'empreinte matérielle et à optimiser la conception des logiciels.

Solution Scalnyx

Nous avons utilisé notre SDK de calcul parallèle pour fournir la technologie de base nécessaire à la refonte de l'architecture technique du moteur de mise en correspondance afin de permettre une faible latence et une évolutivité fondées sur les principes des systèmes réactifs.

Les développeurs ont facilement construit les fonctionnalités commerciales de leur moteur de mise en correspondance avec notre SDK et notre environnement d'exécution optimisés pour les processeurs multicœurs, tout en évitant la complexité du développement multithreading. La nouvelle architecture est par nature évolutive et très sûre, grâce à notre architecture technique hautement simplifiée, qui réduit massivement le nombre de serveurs nécessaires.

Il en résulte des temps de réponse rapides et totalement prévisibles qui évitent la complexité du multithreading, et qui sont également compatibles avec les architectures de puces multi-cœurs.

Gain pour le client

Il en résulte des temps de réponse rapides et entièrement prévisibles qui évitent la complexité du multithreading et qui sont également compatibles avec les architectures de puces multicœurs.
L'infrastructure matérielle est réduite et la latence ne dépend plus du nombre ou de la complexité des opérations. L'architecture des microservices peut être facilement contrôlée et adaptée en temps réel. Le système est asynchrone par nature et auto-réparateur, ce qui réduit la latence de bout en bout et la rend 100 % déterministe.
Le développement de logiciels est facilité, le contrôle opérationnel est amélioré et le budget informatique est réduit.

Vous êtes intéressé par une ou plusieurs de nos technologies et produits ?