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.