#1 01-03-2024 16:39:16

Climax

Administrateur

Inscription: 30-08-2008

Messages: 6 243

L'IA neuro-symbolique (NSAI) dans la finance, les marchés et le trading

L'IA neuro-symbolique est un domaine de l'intelligence artificielle et de l'apprentissage automatique qui combine les forces des réseaux neuronaux (pour la reconnaissance des formes et l'apprentissage) avec le raisonnement symbolique (pour la logique et la représentation des connaissances) afin de créer des systèmes d'IA meilleurs et plus explicables.

En fusionnant les capacités intuitives de reconnaissance des formes des réseaux neuronaux avec le raisonnement logique de l'IA symbolique, la NSAI peut fournir de nouveaux moyens de comprendre les données financières, de prédire les tendances du marché et d'automatiser les stratégies de trading.

Principaux enseignements :

Amélioration de la prise de décision

• La NSAI combine la reconnaissance intuitive des formes (partie réseau neuronal) et le raisonnement logique (IA symbolique).

• Elle offre aux traders une approche hybride unique pour analyser les données du marché et prendre des décisions de qualité.

Précision des prévisions

• L'intégration des réseaux neuronaux et de l'IA symbolique améliore la précision des prévisions financières ou des décisions d'allocation stratégique.

Gestion des risques

• La NSAI peut vous aider à mettre au point de nouveaux modèles d'évaluation des risques.

Exemple de codage

• Nous proposons un exemple de codage qui fournit un prototype simple de la structure de base d'un modèle NSAI.

Comprendre l'IA neuro-symbolique

La NSAI combine deux approches distinctes de l'intelligence artificielle.

Les réseaux neuronaux, inspirés du cerveau humain, excellent dans le traitement des données non structurées, l'apprentissage à partir d'exemples et la reconnaissance de modèles.

L'IA symbolique, quant à elle, fonctionne selon des règles et une logique définies, excellant dans les tâches qui nécessitent des calculs bruts, un raisonnement explicite et une prise de décision.

Cette approche hybride permet à la NSAI de tirer parti des atouts des deux méthodes pour comprendre les phénomènes financiers.

Dans la finance, les marchés, le trading et d'autres domaines dans lesquels l'IA est poussée, il y a un grand intérêt à combiner les fortes capacités créatives et intuitives des humains - et la façon de les émuler par des systèmes de machines (par exemple, les réseaux neuronaux) - avec le traitement brut et les compétences de calcul des machines qui peuvent traiter les données plus rapidement, plus précisément et moins émotionnellement qu'un humain ne pourrait espérer le faire.

La NSAI est une approche particulière.

Exemple de fonctionnement des NSAI dans les modèles algorithmiques

Supposons que nous ayons quelques classes d'actifs dans notre portefeuille et que nous souhaitions optimiser la répartition afin de maximiser notre rendement par rapport à notre risque :

Partie réseau neuronal

La partie réseau neuronal simule la prédiction des rendements à terme et la volatilité de chaque classe d'actifs.

Dans un scénario réel, le modèle serait entraîné sur des données historiques et d'autres formes de données, y compris diverses caractéristiques au-delà de la volatilité, pour prédire les rendements.

Partie symbolique de l'IA

La partie symbolique de l'IA utilise ces prédictions comme données d'entrée pour optimiser le portefeuille selon des règles prédéfinies (par exemple, des contraintes d'allocation minimale et maximale) et des objectifs (maximiser le rendement attendu du portefeuille sous ces contraintes).

Techniques d'analyse hybride en finance

D'une manière générale, l'analyse financière s'oriente de plus en plus vers diverses techniques hybrides ou "mash-up".

Cela permet de tirer parti des points forts de différentes approches tout en les protégeant de leurs faiblesses.

Par exemple, certaines approches sont très bonnes pour la compréhension statistique mais n'ont pas de moteur de raisonnement derrière elles (par exemple, IBM Watson, le programme iBuying de Zillow).

Inversement, les LLM comme ChatGPT, Google Gemini et d'autres - prêts à l'emploi - sont bons pour imiter l'intuition humaine et théoriser sur ce qu'on leur demande, mais ils ne sont pas très performants pour déterminer si ce qu'ils disent est vrai. Ils "hallucinent" et inventent des choses.

En conséquence, les outils d'IA générative peuvent être beaucoup plus utiles lorsqu'ils sont associés à des outils statistiques qui s'assurent que ce qu'ils génèrent est réellement vrai et utile dans le sens prévu - tout comme les outils statistiques peuvent être plus utiles lorsqu'ils s'appuient sur un véritable moteur de raisonnement.

Par exemple, supposons qu'un système d'IA étudie vos habitudes d'un point de vue statistique et qu'il constate que vous vous réveillez tous les jours au lever du soleil et que vous prenez votre petit-déjeuner peu de temps après.

Dans ce cas, il pourrait supposer que le lever du soleil provoque la faim parce qu'il n'y a pas de raisonnement derrière ce qu'il voit.

Si vous lui fournissiez un moteur de raisonnement, il pourrait examiner plus attentivement les relations de cause à effet et aurait plus de chances de se rendre compte que de telles considérations statistiques sont absurdes ou erronées.

Tout comme sur les marchés, les moteurs statistiques ne comprennent pas des concepts tels que la "cupidité" et la "peur".

Toutefois, un Master en droit de grande qualité a, jusqu'à un certain point, lu pratiquement tout ce qu'il y a à lire sur la cupidité et la peur, et peut comprendre la composition statistique de ces émotions et conditions dans le contexte humain dans lequel elles sont créées.

Améliorer l'analyse financière

L'IA neuro-symbolique peut changer l'analyse financière en permettant le traitement de vastes ensembles de données avec une compréhension nuancée de la dynamique du marché.

Les modèles traditionnels ont souvent du mal à saisir la complexité des marchés financiers, en raison des niveaux extrêmes de dimensionnalité (de nombreuses variables d'entrée affectant la sortie).

NSAI, grâce à sa capacité à apprendre à partir de données historiques ou de toute autre forme de données et à appliquer des règles logiques, peut identifier des modèles et des relations subtiles qui échappent à l'analyse conventionnelle.

Prédire les mouvements du marché et prendre des décisions de trading

En analysant les données et en incorporant des règles basées sur des théories économiques, les modèles NSAI peuvent anticiper les changements dans les conditions du marché et prendre des décisions de trading.

L'idée générale est de fournir des informations basées sur des données et un raisonnement logique.

Automatisation des stratégies de trading

NSAI peut aider à développer des algorithmes sophistiqués capables d'exécuter des transactions sur la base d'une combinaison d'analyses de données de marché et de règles prédéfinies.

Ces algorithmes peuvent s'adapter à l'évolution des marchés, apprendre à partir de nouvelles données et prendre des décisions avec un niveau de rapidité et de précision inaccessible aux traders humains.

Ils sont capables de déceler des schémas et des opportunités imperceptibles pour l'homme, et de traiter et de calculer comme nous ne pouvons pas le faire.

Défis

La qualité des données et l'interprétabilité des modèles sont des défis actuels.

Il est important de s'assurer que les modèles NSAI sont transparents et que leurs décisions peuvent être expliquées pour gagner la confiance et adhérer aux normes réglementaires.

Comme pour tout modèle d'IA ou d'apprentissage automatique, il est important de savoir comment le système prend ses décisions et de ne pas se contenter de suivre aveuglément les résultats.

L'avenir des NSAI et des technologies connexes

Au fur et à mesure que la technologie évolue et que davantage de données deviennent disponibles, les modèles NSAI deviendront de plus en plus sophistiqués.

Quelques autres techniques prometteuses :

Traitement du langage naturel (NLP)

Le traitement du langage naturel permet d'extraire des informations de vastes quantités de données textuelles non structurées (actualités, rapports financiers, médias sociaux).

La NSAI peut intégrer ces connaissances et sentiments extraits dans son processus de raisonnement.

Exemple

Identifier les tendances émergentes ou les risques potentiels liés à une entreprise sur la base d'une analyse du sentiment de l'actualité.

Graphes de connaissances

Les graphes de connaissance fournissent une représentation structurée des concepts financiers et de leurs relations (entreprises, secteurs, événements économiques).

NSAI peut tirer parti de ces graphes pour expliquer le raisonnement et découvrir des modèles complexes.
Exemple

Relier les relations entre les entreprises, les dépendances de la chaîne d'approvisionnement et les tendances générales du marché pour une meilleure analyse des risques.

Données alternatives

Les sources de données alternatives (par exemple, l'imagerie satellite, l'activité des médias sociaux, les données de transaction) fournissent des informations uniques sur le comportement du marché.

NSAI peut traiter ces divers types de données pour la reconnaissance de modèles tout en incorporant des connaissances financières établies pour une analyse solide.

Exemple

Analyse de l'imagerie satellite des rendements agricoles ou du sentiment des médias sociaux parallèlement aux données financières traditionnelles pour prédire les prix des produits de base.

IA explicable (XAI)

Les techniques XAI sont importantes pour rendre le processus de prise de décision des modèles NSAI transparent et vérifiable, ce qui renforce la confiance dans le secteur financier.

Pendant des décennies, le trading algorithmique a souvent été critiqué comme étant une "boîte noire" par nature, et que même les propriétaires de l'algorithme ne peuvent pas expliquer pourquoi il prend les décisions qu'il prend.

C'est l'une des façons dont les outils d'IA générative peuvent être utiles, en traduisant les algorithmes et les données en explications transparentes à différents niveaux de détails techniques pour répondre aux besoins des différentes parties prenantes.

Exemple

Explication de la logique qui sous-tend une recommandation de trading faite par un système NSAI.

Permet une meilleure compréhension et une meilleure conformité réglementaire.

L'informatique quantique

L'informatique quantique pourrait modifier la modélisation financière.

Les NSAI peuvent tirer parti de leurs atouts pour gérer la complexité et les exigences informatiques des modèles financiers quantiques.

Exemple

Permettre des simulations hyperréalistes de scénarios de marché et de problèmes complexes d'optimisation de portefeuilles qui étaient auparavant impossibles.

Exemple de codage - IA neuro-symbolique (NSAI) dans l'optimisation financière

Prenons un exemple simple de modèle NSAI en Python.

Comme nous l'avons fait dans plusieurs de nos articles, nous allons travailler sur l'optimisation de l'allocation stratégique d'actifs de ce portefeuille simple de 4 actifs avec les hypothèses suivantes :

• Actions : Rendement à terme de +3-7%, volatilité annualisée de 15% en utilisant l'écart type

• Obligations : +1-5% de rendement à terme, 10% de volatilité annualisée en utilisant l'écart-type

• Matières premières : +0-4% de rendement à terme, 15% de volatilité annualisée en utilisant l'écart-type

• Or : +2-6% de rendement à terme, 15% de volatilité annualisée en utilisant l'écart-type

Expliquons comment nous allons procéder.

Régresseur Random Forest (partie réseau neuronal)

Pour le modèle prédictif, nous générons des données synthétiques afin de simuler un scénario dans lequel nous disposons de caractéristiques historiques (X) et de rendements (y).

Ces données sont utilisées pour former un régresseur Random Forest, un modèle d'apprentissage automatique capable de capturer des modèles dans les données sans programmation explicite.

Cette étape permet de simuler la prédiction des rendements futurs de plusieurs classes d'actifs sur la base de caractéristiques historiques ou de données de marché.

Simulation de Monte Carlo (partie IA)

L'étape de la simulation de Monte Carlo utilise les rendements prédits pour explorer diverses répartitions de portefeuille par simulation, dans le but de maximiser le ratio de Sharpe.

Le processus consiste à générer un grand nombre de portefeuilles aléatoires, à calculer le rendement attendu et la volatilité de chaque portefeuille, puis à identifier l'allocation de portefeuille qui fournit le meilleur rendement ajusté au risque.

Cette approche fournit un modèle prédictif (partie réseau neuronal) avec une simulation Monte Carlo (partie logique et règles définies) pour l'optimisation de portefeuille dans un contexte d'IA neuro-symbolique.

Explication

• La génération de données synthétiques (X et Y) imite le processus de formation d'un modèle prédictif, y reflétant les fourchettes de rendement à terme spécifiées pour chaque classe d'actifs (actions, obligations, matières premières, or).

• Le RandomForestRegressor est entraîné sur ces données synthétiques. Toutefois, pour les besoins de la démonstration, nous passons outre la prédiction réelle des caractéristiques (X_test) et utilisons la moyenne des rendements générés comme "rendements prédits" pour la simulation de Monte Carlo. Cette simplification permet de centrer l'exemple sur l'optimisation du portefeuille.

• La simulation de Monte Carlo explore différentes répartitions de portefeuille afin d'identifier celle qui présente l'équilibre optimal entre le risque et le rendement, quantifié par le ratio de Sharpe, en utilisant les volatilités spécifiées et les rendements "prédits" simulés pour chaque classe d'actifs.

import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

np.random.seed(57)

# Générer des données synthétiques (X) et simuler les rendements futurs (y) sur la base de plages de rendement à terme données.
# Supposons 100 échantillons et 10 caractéristiques
X = np.random.normal(0, 1, (100, 10))
# Simulate returns for each asset class based on given ranges
y_stocks = np.random.uniform(0.03, 0.07, 100)
y_bonds = np.random.uniform(0.01, 0.05, 100)
y_commodities = np.random.uniform(0, 0.04, 100)
y_gold = np.random.uniform(0.02, 0.06, 100)
y = np.vstack((y_stocks, y_bonds, y_commodities, y_gold)).T

# Diviser l'ensemble de données en ensembles de formation et de test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Initialiser le modèle Random Forest pour la régression multi-sorties
rf_model = RandomForestRegressor(n_estimators=100, random_state=42)

# Former le modèle
rf_model.fit(X_train, y_train)

# Prédire les rendements futurs à l'aide du modèle formé (par exemple, en utilisant la moyenne des rendements simulés).
predicted_returns = np.mean(y, axis=0)

# La simulation de Monte Carlo pour l'optimisation des portefeuilles
risk_free_rate = 0.01
annual_volatilities = np.array([0.15, 0.10, 0.15, 0.15]) # Given volatilities
n_portfolios = 10000

# Générer des poids de portefeuille aléatoires
weights = np.random.dirichlet(np.ones(4), size=n_portfolios) # 4 asset classes

# Calculer le rendement et la volatilité attendus du portefeuille
portfolio_returns = np.dot(weights, predicted_returns)
portfolio_volatilities = np.sqrt(np.sum((weights ** 2) * (annual_volatilities ** 2), axis=1))

# Calculer le ratio de Sharpe
sharpe_ratios = (portfolio_returns - risk_free_rate) / portfolio_volatilities

# Identifier le portefeuille ayant le ratio de Sharpe le plus élevé
optimal_idx = np.argmax(sharpe_ratios)
optimal_weights = weights[optimal_idx]

print("Optimal Portfolio Allocation:")
print(f"Stocks: {optimal_weights[0]:.4f}, Bonds: {optimal_weights[1]:.4f}, Commodities: {optimal_weights[2]:.4f}, Gold: {optimal_weights[3]:.4f}")

Résultats

Nos résultats pour ce modèle :

Quels sont les résultats de ce modèle ?

L'allocation en or semble un peu élevée par rapport à ce que nous avons constaté lors de nos backtests.

Évidemment, il ne s'agit que d'un modèle de 50 lignes que nous avons élaboré rapidement, mais dans l'ensemble, il n'est pas trop mauvais pour ce qui est d'obtenir une allocation raisonnable.

Conclusion

L'IA neuro-symbolique est une nouvelle approche dans l'application de l'intelligence artificielle et de l'apprentissage automatique à la finance.

En combinant la capacité de reconnaissance des formes des réseaux neuronaux avec la capacité logique de l'IA symbolique, elle offre une nouvelle voie pour comprendre les marchés financiers.

Au fur et à mesure que cette approche évolue, elle promet de nouvelles possibilités en matière d'analyse financière, de prévision des marchés et de trading automatisé.

---

Le trading de CFD implique un risque de perte significatif, il ne convient donc pas à tous les investisseurs. 74 à 89% des comptes d'investisseurs particuliers perdent de l'argent en négociant des CFD.