En poursuivant votre navigation, vous acceptez l'utilisation de cookies destinés à des fins de mesure d'audience, à améliorer la performance de ce site et à vous proposer des services et contenus personnalisés. En savoir plus

X

Challenge étudiant mondial sur les modèles génératifs de marchés financiers

Avec la participation de près de 300 étudiants de 15 nationalités différentes, le challenge portant sur les modèles génératifs des marchés financiers a permis aux participants de confronter leurs modèles d’intelligence artificielle à des données réelles. Il a été organisé dans le cadre de la Chaire « Stress Test », portée par Emmanuel Gobet.

Le challenge « Generative Modelling for Financial Losses » a accueilli près de 300 étudiants de masters spécialisés en finance et Data Science issus de 15 pays de l’ensemble du globe et 66 grandes écoles ou universités. Il a eu lieu du 25 octobre au 22 novembre 2021 dans le cadre de la Chaire « Stress Test » portée par Emmanuel Gobet, Professeur au Centre de mathématiques appliquées (CMAP*), et soutenue par BNP Paribas. L’objectif du challenge était de répondre à un manque de données extrêmes pour tester la résilience des banques aux chocs de marché (exercices de stress-test). Pour pallier ce problème, les participants constitués en équipe devaient développer un modèle génératif, c’est-à-dire capable de simuler de nouvelles données crédibles après entraînement sur des données réelles, ici provenant de marchés boursiers et préparées par des chercheurs au sein de la Chaire.

La performance des modèles développés a été évaluée selon deux critères, calculables à partir des données fournies, et les équipes d’étudiants ont été classées selon deux catégories avec un prix de 6000 euros à se répartir entre les 3 premiers de chaque podium. Le premier critère s’attachait à comparer la répartition indice par indice, entre données réelles et données simulées. Le second critère prenait en compte la dépendance des indices financiers entre eux, c’est-à-dire leur dynamique les uns par rapport aux autres. Par exemple, si dans les données fournies lorsque le CAC (Paris) augmentait, le Nikkei (Tokyo) augmentait également, alors le modèle devait faire ressortir cette dépendance dans ses données créées.

Ce 15 décembre, les équipes lauréates des deux catégories présentent leurs modèles génératifs après avoir échangé avec des experts de BNP Paribas pour les confronter concrètement aux enjeux du milieu bancaire.

L’équipe en première place pour le critère se concentrant sur la dépendance des données les unes envers les autres est l’équipe aGENcy, composée de Laurine Burgard-Lotz (Télécom SudParis), Riad El Otmani (Télécom SudParis), Louis Grenioux (Télécom SudParis), Karim Kassab (École polytechnique) et Walid Yassine (Ecole polytechnique). Ils ont utilisé une approche par réseau génératif antagoniste (appelé GAN), c’est-à-dire un algorithme composé de deux parties, l’une qui produit des nouvelles données, le « générateur », et l’autre qui cherche à déterminer si les données sont factices ou non, le « discriminateur », les deux parties s’appuyant sur des réseaux de neurones artificiels.

Ces deux parties du réseau co-évoluent et ainsi les données produites sont très proches de celles utilisées pour entraîner l’algorithme. L’équipe aGENcy a réussi, en plus de se concentrer sur la dépendance des indices financiers, à créer un réseau capable de générer de manière crédible des données extrêmes, qui ont une faible chance de se produire mais qui sont représentatives de crises financières.

L’équipe qui a le mieux répondu au critère de la similarité de répartition des données indice par indice s’appelle l’équipe Winx, composée de Sergio Bossou (École polytechnique), Swann Chelly (Ecole polytechnique), Samson Cohen (Ecole polytechnique – UPMC) et Gabriel Zeller (CentraleSupélec). Plutôt que de construire leur modèle autour d’un réseau génératif antagoniste, déjà très utilisé dans ce type de recherche, ils ont utilisé une approche par Machine de Boltzmann restreinte (appelé RBM), un type de réseau de neurones artificiels particulier, afin de modéliser la vraisemblance des données via un réseau de neurones artificiels. Avec ce réseau, l’équipe Winx a développé et optimisé de nouvelles stratégies d’apprentissage à partir d’échantillons de données d’entraînement, créant un modèle capable de créer des données fidèles et crédibles.

Emmanuel Gobet se félicite du succès de l’évènement : « Nous savions que le tout récent sujet de modèle génératif en gestion des risques susciterait très certainement un grand intérêt, mais l’engouement pour ce challenge et la participation massive des étudiants sur l’ensemble de la compétition a dépassé nos attentes. Nous sommes heureux d’avoir pu accompagner les étudiants dans ce projet moderne et appliqué d’intelligence artificiel, en lien direct avec des enjeux réels de risques bancaires. »

*CMAP : une unité mixte de recherche CNRS, École polytechnique - Institut Polytechnique de Paris

>> à propos de la Chaire :
Fondée en 2018 et portée par Emmanuel Gobet, la Chaire « Stress Test, Risk Management & Financial Steering » étudie la résilience des activités bancaires à des chocs de différentes natures (crédit, marché, climat, cyber sécurité, réputation…). Soutenue par BNP Paribas, cette Chaire de recherche bénéficie de leur expertise économique et leur expérience en règlementation pour mieux cerner les enjeux et les problématiques du système financier. Ainsi, les travaux de mathématiques appliquées coordonnées par Emmanuel Gobet proposent des approches novatrices de modélisation des risques, simulation et estimation statistique.