La data science appliquée à la finance

Hüni, Victor ; Ribon, Julien (Dir.)

Mémoire de bachelor : Haute école de gestion de Genève, 2019 ; TDEE 391.

Comment les technologies Big Data et la Data Science vont-elles façonner le futur de la finance moderne ? Tout d’abord, ce travail a comme ambition d’éclairer le lecteur sur ce qu’est le Big Data et Data Science. Derrière ces termes anglais se cache un monde aux possibilités infinies. Il est donc important dans saisir la portée. Des définitions claires et complètes seront apportées... More

Add to personal list
    Résumé
    Comment les technologies Big Data et la Data Science vont-elles façonner le futur de la finance moderne ? Tout d’abord, ce travail a comme ambition d’éclairer le lecteur sur ce qu’est le Big Data et Data Science. Derrière ces termes anglais se cache un monde aux possibilités infinies. Il est donc important dans saisir la portée. Des définitions claires et complètes seront apportées en plus d’un historique et d’une vision professionnelle de ces nouvelles technologies. Les premiers impacts RH sur le monde de la finance commencent à se dessiner. Après une explication approfondie de ces notions, nous basculons dans le monde technique avec l’explication de la genèse des technologies utilisées dans le développement informatique, coeur de ce travail. L’architecture Hadoop et le framework Spark sont décrits comme les nouvelles architectures informatiques indispensables à notre époque. La nécessité pour les services financiers de transformer leurs infrastructures se fait alors sentir. C’est après avoir placé ce cadre théorique et technique que notre travail se plonge dans la Finance moderne. Nous y décrirons son environnement technologique et pourquoi elle se tourne peu à peu vers la Data Science. Les nouveaux concurrents, un environnement de régulations strictes et des taux d’intérêts en berne exercent la pression nécessaire sur les marges pour motiver l’innovation. La data science s’impose alors comme une évidence. Les services financiers regorgent de données de toutes sortes. Les données financières et clientes sont passées au crible afin d’introduire les opportunités que les équipes de Data Science peuvent exploiter. C’est alors que le réel impact de la data science en finance est finalement exposés. Pas moins de dix uses cases sont expliqués en détail. Du trading algorithmique aux détections de fraudes, une grande partie des uses cases pertinents sont décrit afin de faire comprendre au lecteur la véritable arme commerciale que peux devenir la science des données. Nouveaux produits, améliorations de processus, sécurité, management du risque, les bénéfices sont clairs et notre problématique trouve ces réponses peu à peu. Pour terminer ce travail, nous avons souhaité nous confronter à la réalité. La dernière partie de ce travail sera consacrée à un compte rendu sur le développement informatique d’un algorithme d’analyse et de créations de portefeuille. Ce développement a été entièrement réalisé en Python à travers le notebook Jupyter. Le framework Spark a également été installé localement. Malgré le fait que dans notre environnement de test Spark peine à démontrer sa supériorité, le workflow créé en si peu de temps suscite déjà des questions lorsque nous imaginons cela à l’échelle d’une compagnie entière. En résumé, les impacts observés sur la finance sont des investissements, des partenariats, des nouveaux talents et des possibilités en termes de services, de risques et performances qui dépassent l’efficacité de tous nos vieux modèles.