Biais algorithmiques : quel impact sur les décisions d’investissement ?

Lorsque l’on utilise un ordinateur, on emploie des séries d’instructions que l’ordinateur va suivre pour réaliser les tâches. Créer ces instructions est particulièrement compliqué. Cela va provoquer des biais à l’origine de résultats inexacts, injustes ou encore discriminatoires. Ces biais, appelés algorithmiques, sont utilisés dans de nombreux secteurs (comme la finance) et sont une préoccupation importante des entreprises. Il est également important de savoir si l’influence de ces biais algorithmique...

Comment les algorithmes influencent-ils les décisions financières ?

Les institutions financières utilisent aujourd’hui l’analyse prédictive qui est basée sur l’IA. L’Intelligence Artificielle permet de transformer les différentes masses de données brutes en informations totalement exploitables.

L’IA utilise pour cela des algorithmes et l’apprentissage automatique afin d’identifier des modèles de données complexes. Les entreprises pourront ainsi prédire leurs résultats futurs très précisément. Ces biais algorithmiques permettent d’anticiper les tendances des marchés, les comportements des clients et les potentiels risques du secteur financier.

L’IA va permettre de collecter des données. Les professionnels de la finance rassemblent une très vaste gamme de données financières (structurées et non structurées) qui ont différentes sources :

• Transactions bancaires,

• Cours boursiers, 

• Taux de change,

• Actualités financières,

• Rapports d’analyses, …

Il sera ensuite indispensable de prétraiter ces données. Pour cela, on utilise différents processus :

• Nettoyage des données,

• Organisation et normalisation des données,

• Identification des variables pertinentes.

Il est ensuite important de former et développer les modèles. On emploie alors des algorithmes d’apprentissage dans le secteur de la finance. Ils incluent les régressions, les arbres de décision, les réseaux neuronaux, les forêts aléatoires…

On passe ensuite au déploiement des modèles. Pour cela, on intègre les modèles IA dans les systèmes opérationnels de la finance. Le déploiement inclut :

• La scalabilité,

• La performance,

• La maintenance.

Il ne faut pas oublier la surveillance et l’ajustement continu des modèles.

La finance algorithmique est à ce jour incontournable.

On parle de biais algorithmiques lorsque les algorithmes génèrent des résultats préjudiciables ou injustes. Ces outils peuvent conduire à une individualisation du risque et poser problème. Le biais algorithmique favorise effectivement certains types de contenus, ce qui met en avant des résultats faussés ou inexacts. Il sera donc indispensable de bien les gérer. Cela permettra de rendre la confiance aux utilisateurs et d’obtenir une meilleure stratégie marketing.

Les biais algorithmiques ont pour origine un enchevêtrement complexe de facteurs :

• Humains, 

• Sociaux,

• Techniques.

Du simple outil au moteur de prise de décision

Renforcer l’efficacité et éliminer les préjugés est important dans la prise de décision. Améliorer l’objectivité est nécessaire. Il est alors nécessaire de mettre en œuvre des machines en identifiant des modèles dans un ensemble de données. Les algorithmes vont identifier des corrélations qui vont permettre d’éviter des erreurs importantes. 

Dans la prise de décision, il est important de choisir les bonnes stratégies. Pour cela, l’analyse prédictive sera incontournable pour les entreprises.

Il sera aussi utile de ne pas négliger la modélisation financière pour optimiser ses performances.

On peut utiliser le trading automatisé (ATS) qui est un sous-ensemble du trading algorithmique. Cela emploie un programme informatique afin de créer des ordres d’achat et de vente. Ces ordres sont soumis automatiquement à la bourse ou à un centre de marché.

Pourquoi les investisseurs se fient-ils autant aux algorithmes ?

Les investisseurs, acteurs majeurs du domaine de la finance, se fient particulièrement aux algorithmes qu’ils utilisent. Cet outil utilise les mathématiques dans les investissements. C’est donc une méthode qui a déjà fait ses preuves par le passé. Il est néanmoins indispensable de posséder des informations sûres sur les différents marchés. Les objectifs de l’investisseur sont aussi au cœur du sujet.

On ne se limite plus aujourd’hui aux actions et aux obligations. Il est donc nécessaire de faire appel à l’IA pour tout analyser de façon efficace.

Les biais algorithmiques les plus courants en finance

Les biais algorithmiques sont très utilisés dans le secteur de la finance : banque, crédit, assurance... Il est alors indispensable d’identifier l’impact des décisions prises via cette technologie. Le secteur financier s’est grandement industrialisé et numérisé ces dernières années avec l’apparition de l’IA. Le machine learning  a permis d’accroître l’efficacité et d’automatiser les processus. Ainsi, de nombreuses actions sont confiées à des algorithmes. Pour redéfinir le domaine de la finance, il peut être utile de réaliser des points spécifiques : reformer le développement, créer de nouvelles technologies…

Effet de renforcement et bulles de marché

Les bulles de marché en finance correspondent à une forte augmentation du prix d’un actif sur les marchés financiers. Cette inflation rapide est souvent suivie d’une baisse de la valeur.  Ce changement de comportement des investisseurs crée un renforcement important.

Surréaction aux tendances et volatilité accrue

Le taux de hausse correspond à la volatilité sur une période donnée. Cela implique un risque élevé. L’investisseur devra alors estimer les fluctuations futures.

Biais dans l'évaluation des risques et décisions de trading

Les biais correspondent aux tendances psychologiques et aux comportements irrationnels qui peuvent influencer les approches d’un trader. Ces biais peuvent naturellement conduire à de mauvaises décisions qui ont un impact significatif.

Exemples concrets de biais en investissement algorithmique

Lorsque des erreurs systématiques apparaissent, on parle de biais algorithmiques. Ces biais sont particulièrement gênants quand ils sont à la base de décisions importantes. Ils sont causés par la manière dont les données sont collectées et codées. Différentes causes sont possibles :

• Les données d’entraînement

• La conception des algorithmes

• Les données de proxy

• L’évaluation

Il est aussi possible de trouver des algorithmes pour ce qui concerne les prix et les économies de marché. Ceux-ci participent à la stratégie de détermination des prix

Cas des fonds quantitatifs et des modèles prédictifs

Le principe de l’économie de marché s’appuie sur l’alignement. Les algorithmes permettront ainsi de mieux comprendre la coordination entre concurrents et de trouver des solutions adaptées.

Algorithmes et distorsion des prix de marché

Les algorithmes sont donc importants pour définir les prix de vente des articles. Ils sont aussi très utiles pour détecter des écarts importants de prix ou encore mettre en place une tarification dynamique. Toutefois, ces algorithmes peuvent poser des problèmes. C’est ainsi le cas des abus de position dominante mais aussi de la discrimination tarifaire (des prix personnalisés selon les acheteurs, les quantités de produits disponibles, les segments de clientèle).

Peut-on limiter l'influence des biais algorithmiques ? 

Dans le secteur financier, les biais algorithmiques peuvent entraîner de graves conséquences. Cela peut concerner, par exemple, les moyens de subsistance des individus. Basé sur des données démographiques spécifiques, celles-ci vont affecter la solvabilité, les accords de prêt… Il a été prouvé ces dernières années qu’un système IA utilisait des taux très élevés vis-à-vis des emprunteurs issus de minorité pour un crédit alors que les emprunteurs WASP profitaient d’un taux plus raisonnable (étude de l’université de Californie à Berkeley).

Pour réduire les erreurs provenant des biais algorithmiques, il est important, en premier lieu, de faire une gouvernance de l’IA efficace. Il sera nécessaire de vérifier les garde-fous, d’établir des cadres, règles, normes de qualité. On pourra alors  prendre en compte les données représentatives, la détection des biais, la transparence et la conception inclusive.

Rôle de la régulation et de la transparence

La transparence des algorithmes joue un rôle important pour ce qui est de la confiance des investisseurs. C’est un gage de confiance entre les partenaires économiques, clients, fournisseurs… Lorsqu’il y a un manque de transparence, différents risques apparaissent :

• Problèmes de conformité,

• Risque de fraude,

• Perte de confiance,

• Mauvaise prise de décision.

Vers une meilleure supervision des modèles d'IA ?

L’IA est aujourd’hui partout. Néanmoins, il est important de gérer au mieux celle-ci. Elle devra être plus juste, plus équitable et plus responsable afin d’être totalement utilisable.

Il sera donc indispensable de rechercher des solutions techniques innovantes qui devront être combinées avec une transparence et une éthique optimale.

Audit des algorithmes et bonnes pratiques

On a ici affaire à l’audit de code. C’est une analyse (instruction par instruction) du code source du programme utilisé. Pour auditer un algorithme, les méthodes sont diverses : simulations de traitement, analyses de données…

Pour que cet audit soit particulièrement efficace, il est avant tout utile de réaliser un contrôle à différents niveaux :

• Sur place,

• En ligne, 

• Sur audition, 

• Sur pièces.

L’audit pourra être complété par des méthodes spécifiques comme, par exemple, l’IBEX (Interactive Black-box EXplanation) ou l’Algocate (concatenation de algorithm et advocate).

Ces vérifications sont menées sur le plan européen (Commission européenne)

Conclusion

Les biais algorithmiques sont une série d’instructions que les ordinateurs vont suivre pour réaliser des tâches. Ils ont pour spécificité de générer des résultats non justes ou préjudiciables. Ils peuvent donc avoir un rôle majeur pour prendre des décisions ou décider des stratégies à employer. Ils influencent les décisions et doivent être pris en compte au préalable pour éviter les erreurs. Qu’il s’agisse d’erreurs de biais issus de l’acquisition de données, de l’interaction des utilisateurs, du modèle prédictif, il est possible de les éviter. Il est alors indispensable de les identifier et quantifier. Il sera aussi nécessaire de les corriger via différents outils (pre-processing, in-processing, post processing).

Dans le cadre du MBA Finance et Data Performance, cette thématique des biais algorithmiques est particulièrement pertinente pour comprendre l'impact des nouvelles technologies sur la prise de décision financière.