Machine Learning

1. Définition de la Machine Learning :

Dès les premiers jours de l’informatique, des machines ont été utilisées pour faire des calculs
et des analyses financières. Cependant, les progrès récents de l’intelligence artificielle (IA), et
plus particulièrement de l’apprentissage machine, ont introduit des moyens nouveaux et
innovateurs d’exploiter la puissance de calcul pour une meilleure gestion financière.
La Machine Learning – un sous-ensemble de l’intelligence artificielle ; alors que
l’intelligence artificielle consiste à créer la conscience, La Machine Learning consiste à créer
la compréhension. Cette nouvelle technologie, permet à l’ordinateur d’effectuer des tâches
pour lesquelles il n’a pas été explicitement programmé en produisant lui-même des modèles et
parfois même en les faisant évoluer à partir de nouvelles données. De ce fait, le Big Data est
l’essence du Machine Learning. Ainsi, elle améliore sa performance en analysant une très
grande quantité de données. Elle peut affiner ses paramètres afin de s’ajuster aux nouvelles
données qu’il reçoit, améliorant ainsi progressivement et automatiquement sa performance.

2. Types de problèmes de machine Learning :

Le machine Learning est un champ assez vaste, et nous intéressons dans cette partie à ses
plus grandes classes de problèmes :
 L’apprentissage supervisé : son but est d’apprendre à faire des prédictions, à partir
d’une liste d’exemples étiquetés, c’est-à-dire accompagnés de la valeur à prédire. Les
étiquettes servent de « professeur » et supervisent l’apprentissage de l’algorithme.
En effet, à partir de l’analyse d’un ensemble de données d’apprentissage connu,
l’algorithme d’apprentissage supervisé produit une fonction inférée permettant de
prédire les valeurs de sortie. Le système est capable de fournir des cibles pour toute
nouvelle entrée après un apprentissage suffisant. Il peut également comparer sa sortie
avec la sortie correcte prévue et trouver des erreurs afin de modifier le modèle en
conséquence, et ceci peut s’écrire sous la forme suivante :Y =f ( X ) ou X représente
l’ensemble des données d’entrée et Y les variables de sortie.
Si la variable de sortie est continue, cela donnera un problème de régression alors que
si elle est catégorielle, cela donnera un problème de classification dont l’objectif est de
trouver une façon systématique de classer une nouvelle donnée, qui appartient `a
l’ensemble de données d’entrées X, dans une catégorie d´définie au préalable. La
classification de cette nouvelle donnée entrante se basera sur les connaissances que le
modèle a pu acquérir `a partir d’un ´échantillon d’apprentissage forme de données
similaires.

 L’apprentissage non supervisé : dans le cadre de ce problème, il y a des données

d’entrée mais il n’y a pas d’informations disponibles pour d´définir une variable de
sortie appropriée. En fait, l’apprentissage par la machine se fait de façon totalement
autonome puisque les informations utilisées ne sont ni classées ni étiquetées. Des
 données sont alors communiquées à la machine sans lui fournir les exemples de
résultats attendus en sortie. Concernant ce type de problème, le clustering, ou
partitionnement lui appartient, il consiste à identifier des groupes dans les données,
donc comprendre leurs caractéristiques générales, et éventuellement d’inférer les
propriétés d’une observation en fonction du groupe auquel elle appartient.

 L’apprentissage semi-supervisé : Ce type d’apprentissage est situé quelque part

entre l’apprentissage supervisé et l’apprentissage non supervisé, car ils utilisent
généralement et à la fois une petite quantité de données étiquetées et une grande
quantité de donnée non étiquetées pour l’apprentissage. Les systèmes qui utilisent
cette méthode sont capables d’améliorer considérablement la précision de
l’apprentissage. Habituellement, l’apprentissage semi-supervisé est choisi lorsque les
données étiquetées acquises nécessitent des ressources qualifiées et pertinentes pour
les former / en tirer les leçons. Sinon, l’acquisition de données non étiquetées ne
nécessite généralement pas de ressources supplémentaires.

 L’apprentissage par renforcement - Reinforcement Learning : le système

d’apprentissage peut interagir avec son environnement et accomplir des actions. En
retour de ces actions, il obtient une récompense, qui peut être positive si l’action était
un bon choix, ou négative dans le cas contraire. Ainsi, l’apprentissage consiste dans ce
cas à définir une politique, c’est-à-dire une stratégie permettant d’obtenir
systématiquement la meilleure récompense possible. Les applications principales de
l’apprentissage par renforcement se trouvent dans les jeux (échecs, go, etc) et la
robotique.
Dans le cadre de ce travail, nous allons aborder uniquement le problème d’apprentissage
supervisé, et plus précisément la classification.

3. Le Machine Learning en finance :

L’utilisation du Machine Learning en Finance ne cesse de se développer au cours de ces
dernières années. Par ailleurs, nous remarquons que le secteur des services financiers est l’un
des secteurs qui recrute le plus de Data Scientists.
Dans ce qui suit, nous présentons les utilisations du Machine Learning en Finance :
 Trading et investissement :
La Machine Learning sert à prendre de meilleures décisions de trading. Un modèle
mathématique surveille les nouvelles et les résultats commerciaux en temps réel et
détecte les tendances pouvant forcer la hausse ou la baisse des cours des actions. Il peut
ensuite agir de manière proactive pour vendre, détenir ou acheter des actions en fonction
de ses prévisions. Grace à cette moderne technologie, les traders obtiennent un léger
avantage par rapport à la moyenne du marché. Et, compte tenu des vastes volumes
d’opérations de négociation, ce petit avantage se traduit souvent par des bénéfices
importants.
 Dans le domaine de la gestion de Portefeuille, qui porte sur des investissements de plus
long terme, La Machine Learning trouve ses applications les plus prometteuses.
Les gestionnaires de portefeuilles utilisent La machine Learning pour analyser toutes les
données d'entreprise disponibles (rapports financiers, communiqués de presse, news et
même enregistrements sonores ou vidéos retranscrits) de manière à identifier les
investissements les plus intéressants. L’idée est de mettre en évidence les relations
pertinentes entre l’histoire opérationnelle et financière d’une entreprise et la performance
de ses titres en bourse.
De plus en plus de gestionnaires d’actifs utilisent ainsi La Machine Learning, soit pour
prendre des décisions d’investissement, soit au moins pour appuyer ces décisions, avec
l’ambition de produire des algorithmes capables de s’adapter à un environnement
changeant de manière plus rapide que les solutions classiques développées par des
quants.
 Gestion des risques
Les solutions de machine learning permettent d’analyser en continu les comportements des
traders, en utilisant non seulement l’historique des ordres passés mais aussi les échanges sur
les messageries instantanées. Ces solutions s’avèrent bien plus efficaces que les méthodes
traditionnelles, qui procèdent par sondages et a posteriori, pour identifier rapidement
les comportements frauduleux ou les prises de risques non autorisées.
 Souscription d’assurance
À court terme, le Machine Learning peut aider à automatiser de grands volumes de
souscription d’assurances auto, habitation, etc. À l’avenir, l’intelligence artificielle améliorera
la modélisation, en soulignant les considérations clés pour les décideurs humains qui auraient
autrement pu passer inaperçues.
La Machine Learning pourra assurer une souscription personnalisée par entreprise ou
individu, en tenant compte de comportements et de circonstances uniques. La souscription
améliorée peut tirer parti non seulement de l’apprentissage automatique pour l’exploration de
données, mais également de la technologie portable et des analyseurs faciaux d’apprentissage
en profondeur.
 Automatisation de processus
L’automatisation des processus est l’une des applications les plus courantes de Machine
Learning en finance. La technologie permet de remplacer le travail manuel, d’automatiser les
tâches répétitives et d’augmenter la productivité.
De ce fait, elle permet aux entreprises d’optimiser leurs coûts, d’améliorer l’expérience de
leurs clients et de développer leurs services.
 Détection de fraude
Les banques et les sociétés de services financiers ont recours à l’analyse pour différencier les
interactions frauduleuses des transactions commerciales légitimes. En appliquant des outils
d’analyse et d’apprentissage automatique, ils peuvent définir une activité normale en fonction
de l’historique d’un client et le distinguer d’un comportement inhabituel indiquant une fraude.
Les systèmes d’analyse suggèrent des actions immédiates, telles que le blocage des
transactions irrégulières, qui arrêtent les fraudes avant qu’elles ne se produisent et améliorent
la rentabilité.
 Personnalisation profonde

Les entreprises se rendent compte que l’une des étapes essentielles pour être compétitif sur le
marché actuel consiste à susciter l’engagement grâce à des relations personnalisées de haute
qualité avec leurs clients. L’idée est d’analyser l’expérience client numérique et de la modifier
en tenant compte des intérêts et des préférences du client. 
l’IA améliore considérablement la compréhension du langage humain et des émotions, ce qui
porte la personnalisation client à un tout autre niveau. Les Data Scientists peuvent également
créer des modèles qui étudient le comportement des consommateurs et découvrent les
situations dans lesquelles les clients ont besoin de conseils financiers.
La combinaison d’outils d’analyse prédictive et d’options avancées de transmission
numérique peut aider à cette tâche complexe, en guidant le client vers la meilleure solution
financière au moment le plus opportun et en suggérant de personnaliser les offres en fonction
des habitudes de consommation, des tendances sociodémographiques, de la localisation et
d’autres préférences. 
3.1 Exemple d’utilisation de La Machine Learning :
Plusieurs entreprises ont expérimenté, développé et utilisé des technologies d'intelligence
artificielle et de Machine Learning. Voici quelques exemples :
 Guardian Life
Des chatbots pour améliorer l’expérience client chez Guardian Life :
Chez le géant américain de l'assurance mutualiste Guardian Life, le DSI Dean Del Vecchio a
utilisé l'intelligence artificielle et l’apprentissage machine pour améliorer l'expérience client
(CX) et la productivité des employés. Dans son projet CX pilote, il a utilisé l’assistant virtuel
Amelia de IPsoft pour automatiser le processus d'intégration et répondre aux questions des
clients sur les prestations. L’objectif était de libérer du temps pour les employés et leur
permettre de se concentrer sur des dossiers plus complexes. Formé à la logique d'affaires de
Guardian Life, l’assistant Amelia répond à des questions telles que « Qu’entendez-vous par
maladie grave ? », et à d'autres questions que les millions de clients de l’assureur pourraient
poser. En interne, Gardian Life teste les capacités d’IA d’IBM Watson et comment elles
peuvent aider l'entreprise à mieux comprendre la façon dont les clients interagissent avec ses
offres. Dans le cadre du projet pilote, le logiciel d’informatique cognitive d'IBM lit et priorise
les millions de courriels que Guardian Life reçoit chaque jour. L’analyse ne lui prend que
quelques minutes et évite au personnel de consacrer des heures à lire manuellement les
messages et à les classer par niveau de priorité.
Il est important de construire ses projets de machine learning en tenant compte du contexte
plus large de l'entreprise. Chez Guardian Life, l'automatisation des processus adossés à
l’IA/ML ne représente qu'un aspect de la transformation numérique globale menée par son
DSI. Dean Del Vecchio a entrepris une rationalisation générale des opérations tout en
améliorant l’expérience client. Dans le cadre de cette rationalisation, il a engagé une
migration dans Amazon Web Services, adopté un développement agile et créé une boutique
d’API.
 MetLife :
MetLife, l’un des principaux assureurs d’entreprise à l’échelle mondiale, utilise cette
technique et le Big Data pour optimiser son activité. La reconnaissance de discours lui
a permis d’améliorer le tracking d’accidents et de mieux mesurer leurs conséquences. Le
traitement de réclamations est désormais mieux pris en charge car les modèles de
réclamations ont été enrichis à l’aide de données non structurées qui peuvent être analysées
par le biais de cette technologie.