IA, apprentissage automatique et prise de décision algorithmique

Climax · 29-04-2021 15:38:45

IA, apprentissage automatique et prise de décision algorithmique dans le trading

De plus en plus, la prise de décision sur les marchés se fait par le biais de l'intelligence artificielle (IA), de l'apprentissage automatique et de la prise de décision algorithmique.

Dans les années 1990, voire dans les années 2000 et aujourd'hui, une grande partie de l'analyse des marchés financiers et des titres était effectuée sur des tableurs comme Microsoft Excel.

Cette situation est en train d'évoluer vers des méthodes plus complexes d'analyse du monde.

Le cerveau humain est limité quant à la quantité de données qu'il peut traiter et à la qualité de son traitement. À bien des égards, les machines peuvent le faire plus rapidement, mieux et avec moins d'émotion. Elles ne se soucient pas de savoir si leurs réponses sont populaires ou non, alors que les humains sont soumis à la "sagesse" et à l'attraction des foules.

Fondamentalement, l'intelligence artificielle, l'apprentissage automatique et d'autres systèmes d'analyse complexes veulent comprendre les liens de cause à effet qui sous-tendent l'économie et les marchés qu'ils tentent de comprendre.

Ils s'appuient ensuite sur cette compréhension pour élaborer des règles qui peuvent être mises à l'épreuve dans le temps, la géographie, les marchés et différents environnements.

Par exemple, lorsqu'un pays est en récession et que les taux d'intérêt à court terme sont nuls, comment se comportent les différents types d'actifs - par exemple, les actions, les obligations d'État à taux nominal, les obligations indexées sur l'inflation (OII), le pétrole, l'or, etc.

Les utilisateurs de cette technologie et de ce type de prise de décision peuvent ensuite utiliser ces informations pour améliorer systématiquement la façon dont ils négocient et le type de portefeuilles qu'ils créent.

Limites de l'IA et de l'apprentissage automatique

Aujourd'hui, grâce à la puissance de calcul bon marché, il est facile d'introduire dans un ordinateur de nombreuses données sur un sujet particulier et d'en tirer des algorithmes.

Mais cela dépend aussi de ce que l'on introduit dans les machines.

Ce que vous générez est-il causal et utile à ce à quoi vous essayez de l'appliquer ? Ou s'agit-il simplement d'absurdités extraites de données ?

La sur-optimisation est un gros problème. De nombreux traders construisent des systèmes qui examinent l'histoire récente et l'utilisent pour éclairer leurs décisions de trading et de construction de portefeuille.

Mais si ce que vous introduisez dans la machine a fonctionné dans le passé et que l'avenir est différent du passé, vous devrez probablement faire très attention.

L'IA et l'apprentissage automatique fonctionnent bien dans les situations où le passé - sur lequel les données sont basées - est une bonne représentation de l'avenir.

Les programmes d'échecs en sont un bon exemple.

En étudiant les parties passées, et étant donné que les échecs sont un système fermé avec des règles qui ne changent pas - où toutes les permutations possibles du jeu peuvent théoriquement être connues - vous pouvez développer un système d'échecs qui est plus puissant et peut jouer mieux qu'aucun humain ne pourra jamais espérer réaliser.

Un autre exemple serait celui des opérations chirurgicales. Pour de nombreux types d'opérations chirurgicales, chaque corps humain est fondamentalement le même. L'IA et l'apprentissage automatique peuvent donc ouvrir la voie à des opérations chirurgicales plus efficaces grâce à leur utilisation.

Mais le trading et l'investissement sont plus complexes. C'est un système ouvert et ce qui a fonctionné dans le passé n'est pas nécessairement un bon guide pour l'avenir.

Il est facile pour un système d'investissement ou de trading de ne plus être en phase avec la réalité.

Tant de choses peuvent surgir en dehors de l'analyse principale.

Les pandémies en sont un exemple. Il peut également s'agir de catastrophes naturelles et d'autres types d'événements qui ont un impact sur les économies et les marchés financiers et que personne n'a pris en compte parce qu'ils ne peuvent tout simplement pas être anticipés.

Les ordinateurs manquent également de bon sens et d'imagination.

Un ordinateur pourrait examiner une situation dans laquelle vous prenez régulièrement votre petit-déjeuner avant que le soleil ne se lève et en arriver à la conclusion que votre alimentation est peut-être à l'origine du lever du soleil.

Vous devez être capable d'argumenter la logique des décisions.

Trop de gens investissent une foi aveugle dans quelque chose qu'ils ne comprennent pas en profondeur. Il peut être plus facile de faire confiance à un système parce que cela demande moins d'efforts, mais sans une compréhension profonde de ce qu'il fait, cela peut être dangereux.

Formuler des règles de décision

Pour toute décision que vous prenez sur les marchés, il peut être utile de noter vos critères de décision.

Pourquoi l'avez-vous prise ?
Quel a été le résultat ?
Comment pouvez-vous l'affiner au fil du temps ?

Un exemple pourrait être d'être plus exposé à une devise si son taux d'intérêt réel augmente. Il s'agit d'une raison logique pour laquelle vous pourriez vouloir la posséder (c'est-à-dire qu'elle rapporte plus). Si une monnaie rapporte plus, elle vaut plus, toutes choses égales par ailleurs.

Ou encore, posséder plus d'or par rapport à la monnaie de référence (dollars par once, euros par once, etc.) si la monnaie et les réserves dans cette monnaie augmentent au-delà de la production du stock d'or mondial.

Et surtout, quelles que soient les règles de décision, elles doivent être logiques.

Quelqu'un peut-il pointer du doigt ces règles et comprendre leur logique ou est-ce qu'elles sont simplement suivies aveuglément ?

L'IA et l'apprentissage automatique et leur impact sur le marché

Si une plus grande partie du marché est basée sur l'apprentissage automatique et que l'essentiel de celui-ci repose sur des éléments qui ont fonctionné dans le passé et qui ne sont pas forcément représentatifs de l'avenir, alors cela peut dicter l'action du marché de manière plus risquée.

Cela signifie également que les données historiques sont moins utiles. Elles modifient l'action du marché et, par conséquent, les prix futurs et les données futures sur le marché.

Cela peut également conduire à une mauvaise prise de décision, car elle n'est plus en phase avec ce qui se passe réellement.

Ce n'est pas parce qu'une valeur a évolué d'une certaine façon au cours des cinq dernières années que cela constitue un bon indicateur de la façon dont elle devrait se comporter à l'avenir.

Une nouvelle classe d'actifs comme les crypto-monnaies en est un exemple. L'historique est limité et quiconque tente d'utiliser l'apprentissage automatique à partir de données passées peut se retrouver dans une situation dangereuse.

Mais à tout moment, si les gens peuvent trouver un optimiseur d'une manière ou d'une autre, ils l'utiliseront jusqu'à ce qu'il se casse et ne fonctionne plus.

L'IA et la prise de décision algorithmique produisent un effet de levier

Trader sur les marchés, c'est déjà beaucoup de stress pour votre cerveau. Il se passe beaucoup, beaucoup de choses et vous ne pouvez pas tout suivre.

Si les critères de décision peuvent être codés, l'ordinateur peut les traiter en temps réel.

Ainsi, au lieu de penser à la surabondance de choses qui se présentent à vous, vous pouvez prêter attention à ce qui ne va pas et pourquoi, afin d'améliorer ces formules (algorithmes) au fil du temps.

Vous pouvez également concevoir des énoncés "si/alors". Par exemple, si le prix du pétrole augmente, les personnes qui possèdent du pétrole s'enrichissent et celles qui n'en ont pas, mais qui en ont besoin, voient leurs marges réduites d'une certaine manière.

Cela produit également un flux de capitaux d'une région à l'autre. La balance des paiements des pays exportateurs de pétrole s'améliore, toutes choses égales par ailleurs, tandis que celle des pays importateurs de pétrole diminue.

Cela a un impact sur leurs monnaies, selon une ampleur qu'il faut mesurer.

Les mouvements de capitaux ont un impact sur des éléments tels que la croissance et l'inflation. Et il y a des effets distributifs parce que cela a un impact différent sur chaque pays.

Le trading et l'investissement vont de plus en plus dans cette direction. Le coût marginal du code est nul. C'est donc bon pour les marges. Il réduit également le coût marginal de la prise de décision si l'ordinateur/système décisionnel s'en charge à côté ou même à la place des humains.

L'importance de la lisibilité par les humains et les machines

Il est possible de faire des analyses dans Excel, par exemple sur des titres financiers. Mais les feuilles de calcul peuvent être limitées lorsqu'il s'agit de traiter un grand nombre de données à grande échelle.

Si les algorithmes sont réalisés dans des langages de programmation purs (par exemple, C++), il peut être difficile pour les non-programmeurs de connaître les règles et de les tester sous contrainte, en modifiant les entrées pour déterminer l'impact des sorties.

La logique qui sous-tend les algorithmes de trading doit être accessible à tous les types de traders et d'investisseurs, afin qu'elle soit claire. Et comment l'utiliser quand c'est pertinent et quand ne pas l'utiliser quand ce n'est pas pertinent.

Si ce n'est pas intuitif pour la plupart des gens, alors il est difficile pour les gens de jouer avec les données pour comprendre ce qui en est absent et ce qui ne va pas et/ou ce qui peut aller mal. Les aspects liés aux données, à la logique et à la visualisation sont très importants.

Lorsque tout ce que vous savez, ou que votre entreprise sait, sur les marchés est appliqué de manière cohérente, il ne vous reste plus qu'à vous concentrer sur ce qui vous échappe.

Il est possible d'obtenir des informations en se trompant et en affinant les règles de décision. Par exemple, si votre système de trading n'a pas bien géré la pandémie de 2020, que pouvez-vous en tirer ?

Et il y a aussi des informations qui peuvent provenir de l'extérieur sur la façon dont le monde pourrait changer.

Par exemple, la pandémie a mis à rude épreuve de nombreux systèmes, car ce genre d'événement (peste, catastrophe naturelle) est très rare.

Il en va de même lorsque les taux d'intérêt à court terme atteignent zéro. Cela ne se produit que rarement au cours de l'histoire. Mais cela a des implications lorsque vous ne pouvez plus baisser les taux pour encourager la création de crédit et obtenir une expansion.

Les économies de guerre en sont une autre, où il y a généralement d'importants déficits budgétaires et des contrôles de capitaux.

Ce sont toutes des situations dans lesquelles l'introduction d'un tas de données ou d'algorithmes basés sur des situations économiques normales risque d'être sous-optimale pour vous aider à naviguer.

Ainsi, dans le développement de l'intelligence artificielle et de la prise de décision algorithmique, il faut un processus pour intégrer les éléments qui pourraient manquer, car les marchés sont dynamiques.

Si vous êtes conscient de quelque chose, vous ferez probablement quelque chose pour y remédier - par exemple, l'effet d'une pandémie sur l'appétit pour le risque - mais si vous n'êtes pas conscient de quelque chose, cela peut être très destructeur.

Prise de décision fondée sur des données probantes

Le trading doit être basé sur des preuves, pas sur la foi. La plupart des traders finissent par perdre beaucoup d'argent parce qu'ils parient sur la foi ou obtiennent des "tuyaux chauds" de quelque part et il est difficile de gagner comme cela.

Parce qu'ils ont entendu dire que la société XYZ est innovante ou que des gens gagnent beaucoup d'argent avec elle, ils décident d'y entrer aussi. De cette façon, ils ont plus de chances d'entrer dans le marché à l'approche des sommets plutôt qu'au moment où quelque chose n'est pas en faveur.

Les actifs semblent être de meilleurs investissements lorsqu'ils sont en hausse et de moins bons investissements lorsqu'ils sont en baisse. Les humains sont plus susceptibles de tomber dans ce piège que les machines en raison de la composante émotionnelle.

Une machine est plus à même de calculer rationnellement les primes de risque et de prendre des décisions plus éclairées sur la base de la valeur, si cela fait partie de la programmation de la machine.

Prenons l'exemple du Peter Lynch Fidelity Magellan Fund. Il s'agit du fonds commun de placement le plus performant de tous les temps, avec un rendement annualisé de 29,2 % entre 1977 et 1990.

Pourtant, la personne moyenne qui a investi a soi-disant réussi à perdre de l'argent.

Lorsque l'environnement était favorable à de bons rendements des investissements en actions et que les résultats étaient excellents, les gens voulaient acheter et le fonds recevait davantage d'entrées.

En revanche, lorsqu'il a connu des périodes où ses résultats étaient médiocres, les gens ont été vendus, ce qui est la réaction typique d'un trader ou d'un investisseur humain.

Ce type de comportement a conduit à acheter vers les sommets et à vendre vers les creux. Et lorsque les gens ont besoin de vendre des actifs pour faire face à leurs paiements, c'est généralement lorsque les choses vont mal, ce qui exacerbe la vente.

Lorsque les choses vont bien, les gens regardent le passé et supposent qu'il en sera de même à l'avenir. Lorsque les choses vont mal, les gens supposent qu'il s'agit d'un mauvais investissement plutôt que d'un marché moins cher qui pourrait valoir la peine d'être développé.

Un ordinateur peut très bien faire quelque chose comme ça, alors qu'un être humain ne peut pas tout surveiller et il y a la difficulté d'acheter dans un marché en baisse.

Par exemple, si vous voulez vendre à découvert un titre parce que vous pensez qu'il s'agit d'une bulle, vous devez écrire quels sont vos critères pour qu'il s'agisse d'une bulle (par exemple, des valorisations élevées selon les critères traditionnels, l'arrivée de nouveaux acheteurs sur le marché).

Ensuite, testez-le pour voir s'il a fonctionné dans d'autres périodes et dans d'autres lieux et marchés. Ainsi, si elle est finalement intégrée au système, elle pourra être appliquée partout. Vous n'avez pas besoin de la chercher constamment si l'ordinateur peut vous aider à faire le travail.

Au début des années 1990, les ordinateurs n'effectuaient qu'environ 5 % du travail sur les marchés financiers en termes de prise de décision algorithmique. En 2021, ils étaient responsables de plus de 50 % de l'activité de trading.

Algorithmes conçus par des experts vs algorithmes générés par l'apprentissage automatique

Il existe des algorithmes qui peuvent être conçus par des experts et d'autres qui peuvent être générés par les machines elles-mêmes.

Il est facile pour un investisseur ou un trader de demander à un programmeur de définir ses critères de décision et de les transcrire dans un code qui pourra ensuite être testé sous contrainte et éventuellement utilisé pour effectuer des transactions réelles.

Un autre procédé consiste à demander aux machines de créer leurs propres algorithmes.

Les ordinateurs sont très doués pour se souvenir des choses et les stocker en permanence. Ils ont plus de "détermination" que les humains, car ils peuvent travailler 24 heures sur 24.

Ils peuvent également effectuer des traitements que les humains ne peuvent pas effectuer, bien qu'ils manquent d'imagination et de bon sens, et ce qu'ils produisent en termes d'algorithmes peut être du charabia (c'est-à-dire des conclusions non causales entre deux ou plusieurs phénomènes).

Dans le monde du trading et de l'investissement, on s'oriente de plus en plus vers l'apprentissage automatique.

Naturellement, à mesure que la puissance de calcul s'améliore et devient moins chère et que davantage de données sont disponibles, les ordinateurs se concentrent davantage sur l'assimilation de toutes ces données et la recherche de modèles.

Il y a plus d'évolutivité et c'est plus facile.

Mais cette approche est dangereuse car elle repose sur le fait que les données alimentées sont une représentation fiable de ce que l'avenir nous réserve.

En outre, si une règle de décision est largement utilisée, elle s'intègre dans les prix et déplace les marchés. La valeur d'une information largement connue disparaît avec le temps.

Si vous ne savez pas ce que font les algorithmes à un niveau profond, vous ne serez pas en mesure de savoir si toutes les données qui ont été introduites dans le système ont une véritable valeur.

Et les choses qui ont pu avoir de la valeur par le passé peuvent ne plus en avoir parce qu'elles sont devenues si largement connues et intégrées que leur valeur a disparu. Les marchés reflètent toujours l'ensemble des attentes actualisées.

En fait, si certaines règles de décision deviennent si populaires qu'elles poussent le prix dans une certaine direction, il peut devenir préférable de faire le contraire.

Il est donc très important de savoir pourquoi les algorithmes qui composent la machine "pensent" comme ils le font et pourquoi ils sont programmés comme ils le sont.

L'apprentissage automatique permet d'en faire de plus en plus, car il peut faire une grande partie du travail en établissant les règles de décision à votre place.

C'est très bien si les données reflètent ce que vous allez vivre dans l'échantillon de données.

Mais il est très difficile pour cela de fonctionner de manière fiable sur les marchés.

Même si vous disposez de milliers d'années de données sur les taux d'intérêt et de centaines d'années de données sur les actions, les obligations, les matières premières et les taux de change, vous ne pouvez pas être sûr que ces données sont représentatives de ce qui se passera à l'avenir.

Par exemple, en 5 000 ans de données sur les taux d'intérêt, on n'a jamais vu de taux d'intérêt nominaux négatifs. Cela s'explique par le fait que les banques centrales achètent des titres à court terme et certains titres à long terme pour maintenir les taux d'intérêt à un niveau bas dans le but d'améliorer leur économie.

Et ce qui s'est passé dans le passé n'est qu'une itération de ce qui aurait pu se passer lorsque de nombreuses choses différentes auraient pu être possibles.

Rien n'est certain sur les marchés. Si l'on examine plus de 200 ans de données financières, il n'y a pas eu une seule décennie sans une chute d'au moins 50 à 80 % (ou plus) d'au moins une classe d'actifs (actions, obligations, or, matières premières et même liquidités). Ce que vous ne savez pas est toujours plus grand que ce que vous savez et pouvez être relativement sûr (ce qui est peu).

En trading, tout est question de probabilités, de distributions et de valeurs attendues. Il n'y a jamais d'issue certaine, et les transactions et les portefeuilles doivent être structurés de manière à en tenir compte.

Autres façons de tirer profit de l'apprentissage automatique

En raison des spreads, des commissions, des frais d'intérêt, de l'exécution, etc., les coûts de transaction peuvent représenter une somme importante. Même s'ils semblent ostensiblement bon marché, ils représentent une somme considérable. Et par conséquent, ils ont une grande importance, surtout pour les HFT et les autres traders qui entrent et sortent fréquemment des marchés.

L'apprentissage automatique peut être utilisé pour repérer certains modèles dans vos coûts de transaction que vous ne pourriez pas trouver autrement.

Il peut également être utilisé pour modifier la pondération de différents éléments dans le cadre de vos critères. Il peut donc servir à améliorer les processus, même s'il n'est pas responsable de vos résultats parce qu'il n'a pas de sens ou que vous n'êtes pas encore à l'aise.

Dans ces cas-là (par exemple, les tendances en matière de coûts de transaction), vous savez que les données antérieures peuvent être très représentatives de ce à quoi l'apprentissage automatique peut potentiellement servir.

Pour l'instant, surtout dans le domaine du trading et de l'investissement, les humains et les machines sont très importants, étant donné la nature complexe et ouverte des marchés financiers.

Mais naturellement, les machines deviennent chaque année de plus en plus importantes et influentes. Et chacun les utilise d'une manière qui lui est largement propre.

D'une certaine manière, c'est une bonne chose si les relations de cause à effet sont bien connues derrière ce qui est fait. Cela peut contribuer à rendre l'allocation des capitaux plus rapide et plus efficace. C'est un point positif pour l'économie et la société dans son ensemble.

Mais l'intelligence artificielle peut être mauvaise à d'autres égards si ses limites ne sont pas bien comprises et si le processus ou la base sous-jacente est sous-optimale.

Au départ, c'était l'une des critiques formulées à l'encontre de l'IA dans le domaine du trading et de l'investissement, et ce depuis longtemps, lorsqu'elle a commencé à gagner du terrain et à être adoptée par la population (c'est-à-dire dans les années 1990).

Le monde évolue tellement qu'il s'agit d'un problème bien plus complexe que la conception d'un ordinateur capable de battre n'importe quel humain au jeu d'échecs, ce qui a été réalisé plus tard dans la décennie. Aujourd'hui, les ordinateurs enseignent aux humains et aucun humain n'est à la hauteur des meilleurs moteurs d'échecs informatiques. Et, bien sûr, ils se présentent désormais sous forme d'applications, et non plus de superordinateurs encombrants.

En fin de compte, si vous êtes un trader ou un investisseur qui cherche à utiliser l'IA et l'apprentissage automatique pour prendre des décisions algorithmiques, ou si vous le faites déjà et cherchez à vous améliorer, vous devez le faire d'une manière qui vous permette de comprendre profondément la logique derrière ce que vous faites.

Tout comme si vous recrutiez des traders pour travailler pour vous, vous voudrez qu'ils fassent leurs preuves avant de leur donner plus de liberté. Les algorithmes doivent être soumis aux mêmes normes et ne pas faire l'objet d'une confiance aveugle.

Il existe des techniques d'apprentissage automatique qui permettent aux traders d'extraire la logique pour eux et de comprendre s'il s'agit de quelque chose avec lequel ils sont à l'aise.

Deux améliorations de processus qui peuvent être utiles aux traders

De nombreux traders et investisseurs effectuent encore une grande partie de leurs analyses sur des feuilles de calcul. C'est une bonne chose pour certaines choses, mais c'est limitatif lorsqu'on essaie de faire des choses à grande échelle.

Toutefois, comme nous l'avons mentionné plus haut dans l'article, si vous optez pour des langages de programmation traditionnels, vous prenez le risque que les personnes qui élaborent la logique soient trop éloignées de celle-ci si elles ne comprennent pas le code sous-jacent.

Le trading/investissement et le codage sont deux compétences différentes.

Les traders peuvent trouver une logique qu'ils croient vraie, mais s'ils ne comprennent pas le code, cela peut poser un problème.

Donc :

1) Idéalement, tout doit être codé de manière rapide et efficace et peut même exécuter les transactions en temps réel, mais il doit également être accessible aux non-codeurs afin qu'ils puissent le comprendre immédiatement.

Un non-technologue peut-il avoir la capacité d'ajuster les entrées et de modifier la logique et être en mesure de comprendre comment les sorties seront affectées ?

Un autre aspect concerne l'approche.

2) Les processus peuvent-ils être réconciliés ?

Par exemple, si vous avez une compréhension descendante du monde, comme les tendances et les niveaux de croissance, l'inflation, les taux d'intérêt, ceux-ci auront également des impacts qui descendent au niveau de l'entité - chaque pays, gouvernement, entreprise, et individu ou ménage.

Pouvez-vous également remonter de bas en haut de manière à concilier les deux approches ?

Peut-on mesurer les décisions de chaque ménage (par exemple, déciles, quintiles), de chaque entreprise et de chaque gouvernement pour remonter les unités jusqu'à l'ensemble ?

Quelles sont leurs décisions à un niveau plus micro et comment cela influence-t-il la croissance, l'inflation et l'image macro globale ?

Types de compétences/personnes nécessaires pour adopter l'IA et la prise de décision algorithmique

Dans le contexte des compétences ou des personnes dont vous avez besoin pour construire un système efficace, vous avez besoin de deux ou trois groupes principaux de personnes.

1) des investisseurs qui s'intéressent au fonctionnement des économies et des marchés

2) des codeurs qui peuvent mettre ces idées en pratique

3) des agents de liaison qui peuvent aider à faire le lien entre les deux (par exemple, des chefs de projet).

Les spécialistes de l'investissement s'efforcent d'exprimer leurs idées sur ce qui est vrai dans le monde, les économies et les marchés, d'en débattre et de réfléchir à la manière de les traduire en idées concrètes.

Les codeurs peuvent aider à construire la plate-forme.

Il y a ensuite un groupe au milieu qui peut être utile pour aider à combler le fossé entre les deux.

Par exemple, du côté de l'investissement, vous pouvez avoir des personnes spécialisées dans le fonctionnement des gouvernements, ou dans l'économie, et d'autres qui ont une vision plus globale et qui ne sont pas techniques.

Au milieu, vous avez ceux qui sont plus techniques - mathématiques, physique, informatique - mais pas nécessairement des codeurs purs et durs.

Et puis vous avez ceux qui peuvent transformer des idées en algorithmes qui peuvent être testés sous contrainte et potentiellement intégrés dans votre système de trading. Ce sont eux qui prennent des données et de la logique, et qui peuvent contribuer à l'aspect visuel pour les rendre largement accessibles.

Comment trouver chaque type

Les investisseurs ne doivent pas nécessairement être diplômés en trading ou en économie, ni en mathématiques, en ingénierie ou dans d'autres disciplines techniques qui sont considérées favorablement. Peu importe ce qu'une personne a étudié, si elle a un talent et des aptitudes brutes, même un étudiant en anglais ou en sciences humaines peut apporter quelque chose.

Cependant, du côté de la technologie, cela ne fonctionnera probablement pas aussi bien.

Il est difficile de faire appel à des personnes capables de transformer ces idées en un code spécifique, de lier les données à la logique et de rendre le tout largement disponible.

Implications de l'IA et de la prise de décision algorithmique en général

L'IA a de grandes implications à bien des égards.

Traditionnellement, lorsque vous construisez la plupart des choses, il y a un coût variable. Par exemple, si vous construisez un logement, il y a le coût associé au terrain, aux matériaux de construction et à la main-d'œuvre.

Avec l'IA et l'apprentissage automatique, les coûts variables peuvent être très faibles. Le coût marginal du code est effectivement nul. Et pour les organisations qui utilisent l'IA et la prise de décision algorithmique, cela signifie que le coût marginal de la prise de décision est également réduit à environ zéro.

Et la prise de décision est en grande partie ce pour quoi beaucoup de gens sont payés. Une grande partie de l'exécution est déjà automatisée à divers égards.

L'automatisation d'une plus grande partie de la prise de décision elle-même est un gros problème et constitue la prochaine étape. Parce que ces machines peuvent surpasser les humains sur beaucoup de choses.

Et lorsque certains coûts de main-d'œuvre sont supprimés et que des machines sont installées, et que le coût d'exploitation de ces machines est très faible par rapport à celui d'un travailleur humain, cela a de grandes répercussions sur les marges bénéficiaires et sur les entreprises de type "winner-take-all".

Et les travailleurs humains ne sont pas seulement des salaires, ils ont aussi besoin d'avantages sociaux et des travailleurs supplémentaires sont nécessaires pour les soutenir. Ils ne peuvent pas non plus travailler 24 heures sur 24 comme certaines machines.

Ce que cela signifie pour les entreprises individuelles a également des implications pour des choses comme l'inflation et la politique monétaire. Traditionnellement, les banquiers centraux pensent en termes de compromis entre le chômage et l'inflation.

Lorsque le chômage est faible, ils s'attendent à ce que l'inflation augmente. Mais cette relation n'est plus ce qu'elle était. L'économie ne se résume pas à la main-d'œuvre et aux personnes, comme c'était le cas auparavant ; elle est également constituée de technologie et s'oriente de plus en plus dans cette direction.

Et la technologie a une dynamique différente de celle des personnes. La technologie a tendance à s'améliorer avec le temps et elle a un coût fixe, mais pas nécessairement beaucoup de coûts variables. Comme mentionné, le coût marginal du code est essentiellement nul. Il peut également travailler plus et faire plus, à la fois plus rapidement et avec plus de précision.

Les personnes et les entreprises qui utilisent bien l'IA et l'apprentissage automatique pourront bénéficier d'un avantage concurrentiel important par rapport à celles qui ne le font pas. Le secteur de la gestion des investissements devient plus intensif sur le plan technologique, comme beaucoup d'autres secteurs.

Cela a également des répercussions sur le plan social. Des questions telles que l'écart de richesse et l'écart d'opportunités se répercutent sur les tensions sociales. Ce genre de choses s'est produit tout au long de l'histoire.

Ces changements peuvent contribuer à améliorer la productivité de l'ensemble de la société. Dans l'ensemble, les sociétés deviennent plus productives, car elles acquièrent plus de connaissances qu'elles n'en perdent. Mais il y a des effets de répartition.

La main-d'œuvre peu qualifiée peut être facilement déplacée alors que la demande pour d'autres types de main-d'œuvre augmente - c'est-à-dire la demande pour ceux qui peuvent concevoir la plate-forme et fournir des intrants précieux.

Des entreprises entières en sont des exemples.

Uber, par exemple, facilite le transport et le covoiturage. Les personnes qui ont de la place dans leur voiture peuvent la louer et gagner un revenu supplémentaire.

C'est une bonne chose pour les clients, car ils bénéficient d'un service pratique et de trajets moins chers. C'est bon pour les investisseurs qui commercialisent l'idée. En tant qu'idée commerciale innovante, les capitaux propres prennent de la valeur en fonction des attentes actualisées. Cela peut finalement s'avérer très positif à long terme si l'idée est économiquement viable.

Mais c'est mauvais pour d'autres types d'entreprises (services de taxi traditionnels) et d'autres types de travailleurs.

Elle est également liée à d'autres questions de politique générale, telles que la détermination des salaires minimums.

Traditionnellement, environ deux pour cent des travailleurs aux États-Unis travaillent au salaire minimum. Et que ce salaire horaire minimum soit de 10, 15 dollars ou un autre chiffre n'est pas si important, car tout se résume à la productivité.

Dans l'ensemble, si les dettes ne dépassaient jamais les revenus et si les revenus ne dépassaient jamais la productivité, les problèmes et cycles économiques classiques que nous connaissons n'existeraient pas.

En général, il doit y avoir une certaine quantité de production, sinon la relation n'est pas durable. Des salaires planchers plus élevés peuvent encourager des actions qui ne profitent pas nécessairement à la main-d'œuvre.

Certaines tâches peuvent être remplacées par la technologie, la délocalisation et/ou l'externalisation. En 2013, McKinsey a estimé que 9 000 milliards de dollars de coûts salariaux mondiaux pouvaient être éliminés de cette manière. Et 2013, c'était il y a longtemps, donc cette estimation basée sur la même méthodologie serait bien au-dessus de 10 000 milliards de dollars aujourd'hui, étant donné la vitesse à laquelle l'IA et l'apprentissage automatique progressent.

Il n'est pas efficace d'un point de vue législatif de payer X dollars si la productivité/valeur n'est pas proportionnelle à ce niveau de rémunération.

Le problème fondamental est que ces forces déplacent certains types de personnes sans les recycler et les réoutiller pour qu'elles puissent participer à d'autres types d'emploi.

Cela n'apparaîtra pas non plus dans les statistiques traditionnelles du chômage. En raison de la rapidité de la technologie et des délocalisations qui ont déjà eu lieu, l'économie est généralement mauvaise pour les travailleurs peu qualifiés, ce qui entraîne des tensions sociales et de grandes divisions politiques, et le type de personnes qui sont élues reflète cette situation.

D'un point de vue politique, la question est de savoir comment remédier à cela.

Accordez-vous des allègements réglementaires et fiscaux aux entreprises qui réoutillent et recyclent les travailleurs ?

Faut-il prévoir une forme de revenu de base universel pour les travailleurs déplacés ?

La pandémie a-t-elle changé quelque chose à l'adoption de l'IA et de l'apprentissage automatique ?

Du côté des investissements, peu de choses ont changé.

Comme mentionné précédemment, si vous utilisez l'IA et l'apprentissage automatique, mais que vous rencontrez un nouveau type de problème que vous n'avez jamais rencontré auparavant et que vous vous attendez à ce que la machine le gère bien sur la base de données historiques, vous aurez probablement un problème.

Mais vous le saviez déjà auparavant.

La pandémie a accéléré certaines tendances qui étaient déjà en place. Ceux qui utilisaient l'IA et l'apprentissage automatique ont été en mesure de passer à l'échelle, de sorte que les gagnants sont devenus de plus en plus centralisés.

Et il y a également eu une accélération de la réponse du gouvernement et de son impact sur les entreprises individuelles et l'environnement macro global si vous êtes un investisseur.

En raison de la moindre efficacité de la politique monétaire, avec des taux d'intérêt à court et à long terme proches de zéro à tous les niveaux des courbes de rendement souveraines des pays développés, la charge de la stimulation de l'économie incombe davantage au gouvernement fiscal.

Si vous utilisez l'intelligence artificielle et l'apprentissage automatique pour vous aider à vous y retrouver, cela ne se retrouvera pas dans les données, à moins que vous n'ayez étudié des périodes comme celle-ci auparavant (par exemple, des périodes de guerre comme la Première et la Deuxième Guerre mondiale) où des contraintes similaires étaient également un facteur.

La politique fiscale a joué un rôle plus important dans ces situations et est comparable à celle d'aujourd'hui par rapport à l'histoire récente.

L'histoire récente ne présente pas les précédents nécessaires pour faire face aux résultats potentiels du marché lorsque les politiciens assument un rôle plus important pour l'économie par rapport aux banquiers centraux qui modifient les taux d'intérêt pour changer l'économie des emprunts et des prêts.

Conclusion

L'IA, l'apprentissage automatique et la prise de décision algorithmique auront un rôle plus important à jouer sur les marchés à l'avenir, et ils seront utilisés de différentes manières.

L'IA et l'apprentissage automatique font un bon travail lorsque le passé est une bonne représentation de l'avenir, de sorte que vous pouvez avoir la conviction que votre machine peut faire un bon travail de correspondance entre les entrées et les sorties appropriées.

Mais lorsque ce qui se passe est différent du passé et que la machine se base sur le passé, cela peut être dangereux et il faut l'aborder avec prudence.

#1 29-04-2021 15:38:45