La fin du Quant ? Comment l'IA démocratise l'analyse financière

NEW YORK, NEW YORK - MARS 28: Les traders travaillent sur le parquet de la Bourse de New York (NYSE) le ... Plus le 28 mars 2025, à New York. Alors que la guerre commerciale de plus en plus intense du président Trump et les signes d'inflation préoccupent les investisseurs, le Dow Jones Industrial Average (DJI) a chuté de plus de 700 points ou près de 1,7 %. (Photo par Spencer Platt/Getty Images)

Getty ImagesUne nouvelle vague de startups d'intelligence artificielle vise l'un des rôles les plus spécialisés de Wall Street : l'analyste quantitatif. Des fonds spéculatifs aux salles de trading de matières premières, les plateformes d'IA promettent de démocratiser les modèles mathématiques complexes et l'analyse des données qui ont longtemps été le domaine exclusif des quants très bien rémunérés.

Jusqu'à récemment, les grands modèles de langage pour le trading étaient le domaine de milliardaires gestionnaires de fonds comme Igor Tulchinsky, dont le fonds spéculatif WorldQuant gère plus de 23 milliards de dollars et emploie plus de 150 doctorants pour construire des systèmes d'IA sur mesure. Comme Tulchinsky l'a récemment déclaré à Forbes, sa société utilise des LLM pour "convertir et découvrir des alphas dans différents domaines", créant des outils propriétaires capables de répondre à des "questions très sophistiquées" en combinant des modèles standards avec des données internes que "vraiment personne ne peut reproduire."

Mais une nouvelle génération de startups s'efforce de changer cette exclusivité, offrant des analyses sophistiquées alimentées par l'IA à des entreprises qui, auparavant, ne pouvaient pas se permettre de telles capacités. Cette tendance représente un changement fondamental dans la façon dont les institutions financières abordent la prise de décision basée sur les données. Au lieu d'embaucher des équipes d'analystes de niveau doctorat pour traiter des chiffres et identifier des modèles de marché, les entreprises se tournent de plus en plus vers des systèmes d'IA capables de traiter d'énormes quantités d'informations en quelques secondes et de fournir des informations en langage clair.

Trois entreprises mises en avant dans des études de cas récentes (FINTool, Metal AI, et Findly) ciblent différents secteurs du monde financier avec des plateformes de recherche et d'analytique alimentées par l'IA. Chacune promet de transformer des heures d'analyse manuelle en informations automatisées, remodelant potentiellement la façon dont les décisions d'investissement sont prises.

La vague de remplacement AI Quant

La tendance clé concerne la capacité de l'IA à prendre des sources de données disparates pour les analyser selon les souhaits des preneurs de risques. La promesse est que les systèmes d'IA peuvent rechercher, aggreGer et synthétiser des sources de données sans intervention humaine.

PLUS POUR VOUSPar exemple, FINTool se concentre sur la recherche d'équité publique pour les fonds spéculatifs et les banques, analysant des millions de documents allant des rapports sur les bénéfices aux dépôts auprès de la SEC. La plateforme prétend réduire la charge de travail des analystes de plusieurs heures à quelques secondes tout en maintenant "zéro hallucinations" grâce à un système d'évaluation par les pairs en trois niveaux. D'autre part, Metal AI cible les sociétés de capital-investissement, où les équipes de négociation luttent avec des données fragmentées à travers plusieurs systèmes, qu'il s'agisse de plateformes de recherche de marché ou de salles de données confidentielles. La plateforme d'intelligence de l'entreprise prétend unifier les sources de données internes et externes, permettant aux professionnels de l'investissement de poser des questions complexes en langage naturel plutôt que de passer du temps à agréger manuellement des informations.

Mais peut-être que la tentative la plus développée de remplacer le travail quantitatif traditionnel vient de Findly, soutenu par YC, dont la plateforme Darling Analytics fait des vagues dans le monde notoirement complexe du trading de matières premières.

Du sol de trading quantitatif à la startup IA

Ignacio Hidalgo connaît le commerce des matières premières de l'intérieur. En tant qu'ancien trader principal sur certains des bureaux de trading de GPL les plus en vue, il a vécu de première main la lutte quotidienne pour synthétiser d'énormes quantités de données de marché, des schémas météorologiques, des informations sur les expéditions et les flux, ainsi que des développements géopolitiques en décisions de trading rentables.

"Le problème était le même, juste différent," explique Hidalgo à propos de sa transition de trader à entrepreneur technologique. "La plupart des outils avancés pour l'analyse de données structurées et avancées laissaient toujours les traders sans le contexte dont ils avaient besoin. Un problème très difficile à résoudre."

Maintenant, aux côtés du co-fondateur Pedro Nascimento, Hidalgo construit ce qu'il appelle une technologie "tout à fait nouvelle dans le monde" grâce à leur startup Findly soutenue par Y Combinator. Leur plateforme Darling Analytics vise à donner aux bureaux de trading de matières premières moyens des "super pouvoirs analytiques" traditionnellement réservés aux bureaux quant spécialisés.

Le commerce de marchandises opère dans un monde d'extrêmes. Des modèles mathématiques sophistiqués coexistent avec des outils étonnamment basiques. Alors que certaines opérations déploient des algorithmes complexes et des analyses en temps réel, d'autres s'appuient sur des discussions de groupe WhatsApp pour conclure des affaires. Les traders mènent souvent leurs affaires par le biais d'applications de messagerie avec une sophistication technologique minimale.

"Les graphiques ne vous donnent pas le contexte," note Hidalgo. "Il est impossible pour un humain d'absorber tous les paramètres : les changements de prix nocturnes, les informations sur le chargement des navires, les données et prévisions météorologiques, les nouvelles. Avec l'IA, vous pouvez demander 'Que s'est-il passé avec le prix du brut cette semaine ? Est-ce un bon moment pour acheter ?' et obtenir une image beaucoup plus claire avec le contexte du marché.

AI Quants : Mise en œuvre dans le monde réel

Darling Analytics est déjà en phase de test dans plusieurs grandes entreprises de matières premières. Le système automatise le type de rapports matinaux et événementiels que les traders juniors compilent généralement manuellement, libérant ainsi les analysts humains pour se concentrer sur des travaux stratégiques à plus forte valeur ajoutée. Il intègre (près) de données structurées en temps réel avec des informations non structurées provenant de rapports de marché, X, du Web, des courriels et des fils d'actualités pour fournir une intelligence de marché complète.

"L'IA peut fournir un contexte complet sur les données concernant vos indicateurs. Ce n'est pas la même chose que de simplement tracer un graphique, cela vous dit ce que représente le graphique dans le contexte actuel du marché," explique Hidalgo. La plateforme construit ce qu'il appelle un "graphe de connaissances", permettant aux utilisateurs de poser des questions spécifiques aux traders en langage naturel et de recevoir une analyse qui nécessitait auparavant des heures de recherche manuelle.

Par exemple, un trader peut demander à l'outil de tracer la relation entre la météo et les stocks de propane sur la côte Est des États-Unis. Alors que cela aurait auparavant pris des heures à un analyste junior pour se préparer, un trader peut maintenant déléguer la tâche à la plateforme et voir les résultats en quelques minutes.

Interroger dans DarlingAnalytics

DarlingAnalytics## Quelle est la suite pour les quants IA ?

Le succès de ces plateformes d'IA soulève des questions importantes sur l'avenir de l'analyse quantitative en finance. Si l'intelligence artificielle peut vraiment reproduire les capacités de reconnaissance de motifs et d'analyse qui rendent les quants précieux, cela pourrait modifier de manière significative la structure des équipes de trading et d'investissement.

Pour les salles de marché qui s'appuient sur des analystes ou des quant pour fournir des études sur le déploiement des risques, les analyses alimentées par l'IA offrent un avantage concurrentiel en amplifiant les capacités humaines plutôt qu'en les remplaçant simplement. La technologie promet de démocratiser l'accès à des analyses sophistiquées dans l'ensemble des organisations.

Cependant, la transition n'est pas sans défis. Les marchés des commodités sont notoirement imprévisibles, influencés par tout, des tensions géopolitiques aux conditions météorologiques. Les entreprises qui construisent ces systèmes d'IA doivent s'assurer que leurs plateformes peuvent gérer la complexité et la volatilité qui rendent l'expertise humaine si précieuse en premier lieu.

Comme le dit Hidalgo, l'objectif est de "donner du pouvoir à l'utilisateur moyen dans les entreprises de négoce de matières premières" avec des capacités analytiques qui étaient auparavant le domaine exclusif des spécialistes.

Il reste à voir si l'IA peut vraiment remplacer l'intuition et le ressenti du marché que les traders expérimentés apportent au trading, mais ce qu'elle fait, c'est fournir un avantage en intelligence de données en quelques minutes. Mais avec les grands traders de matières premières qui testent déjà ces systèmes, l'industrie financière semble prête à le découvrir.