Un chercheur de Concordia applique l’apprentissage machine à la gestion des risques financiers

Les institutions financières, comme les banques et les compagnies d’assurance, sont exposées à de nombreux facteurs de risque relatifs aux opérations, au crédit et au marché.

Gérer ces risques est la clé de la stabilité – mais, même avec les instruments financiers les plus perfectionnés, les spécialistes du domaine peuvent commettre des erreurs.

Alexandre Carbonneau, chercheur à Concordia, soutient que l’apprentissage machine pourrait améliorer les méthodes existantes. Le doctorant en mathématiques financières étudie l’utilisation des méthodes d’apprentissage par renforcement pour optimiser les décisions prises par les banquiers et les assureurs en ce qui concerne la gestion des risques.

J’espère que ma méthode aura une utilité concrète dans le secteur financier.

Quel est le rapport entre cette photo (en haut à gauche) et vos travaux à Concordia?

Alexandre Carbonneau : Dans le cadre de mes travaux de recherche, j’étudie principalement l’utilité des méthodes d’apprentissage machine en finance et en science actuarielle. Plus précisément, je cherche à créer des méthodes pour aider les banques et les assureurs à gérer les risques auxquels ils sont exposés.

Quels résultats attendez-vous de vos travaux?

Alexandre Carbonneau : Grâce à mon projet, j’aimerais démontrer que les méthodes d’apprentissage machine peuvent contribuer grandement à l’efficacité des techniques de gestion des risques, donc améliorer les méthodes existantes. En outre, j’espère que ma méthode aura une utilité concrète dans le secteur financier.

Selon vous, quelles seront les retombées de vos travaux sur la vie des gens?

Alexandre Carbonneau : Les banques et les compagnies d’assurance sont exposées à de multiples sources de risques de complexité croissante. Ces institutions doivent absolument gérer simultanément tous ces risques pour garantir leur stabilité financière.

Quels sont les principaux obstacles auxquels vous vous heurtez dans le cadre de vos travaux de recherche?

Alexandre Carbonneau : Paradoxalement, ma plus grande difficulté est aussi ma principale source de motivation. Ce défi consiste à suivre l’évolution des plus récentes initiatives dans de nombreux domaines de recherche.

En matière d’apprentissage machine, je m’intéresse surtout aux méthodes d’apprentissage par renforcement profond – qui permettent d’entraîner une machine pour qu’elle interagisse dans un environnement afin d’optimiser certains objectifs.

Par exemple, ces méthodes ont permis à une machine de vaincre un champion humain au jeu de go et d’apprendre à jouer aux grands classiques de la console Atari 2600.

Au premier coup d’œil, ces exploits semblent bien loin de mon sujet de recherche principal, mais le problème sous-jacent est similaire. Dans le jeu de go, la machine doit choisir des séquences de mouvements pour optimiser sa probabilité de gagner. Dans le cadre de mes travaux de recherche, j’utilise les méthodes d’apprentissage par renforcement pour optimiser la séquence des décisions prises par les banquiers et les assureurs pour gérer les divers risques auxquels ils sont exposés.

Je dois donc connaître la littérature de mon domaine d’application sur la gestion des risques et les tout derniers développements en matière d’apprentissage par renforcement qui pourraient m’être utiles dans la poursuite de mes travaux de recherche.

Qu’est-ce qui vous a donné l’idée de vous pencher sur ce sujet?

Alexandre Carbonneau : Mon intérêt pour la gestion des risques est né durant mon baccalauréat en science actuarielle. C’est à ce moment-là que j’ai réalisé que je pourrais fortement influer sur la stabilité financière des assureurs.

Durant ma maîtrise en mathématiques financières, j’ai découvert que la gestion des risques financiers entretenait des liens avec plusieurs champs des mathématiques auxquels je m’intéressais tout particulièrement, comme l’optimisation dynamique, la finance computationnelle ainsi que les probabilités et statistiques appliquées.

Quel conseil donneriez-vous aux étudiantes et étudiants qui aimeraient s’investir dans ce champ de recherche?

Alexandre Carbonneau : Je leur suggérerais de renforcer leur capacité à acquérir des compétences techniques en dehors de leur domaine d’application. Cette faculté me semble particulièrement importante de nos jours, car la technologie évolue extrêmement vite.

De plus, j’encouragerais fortement les étudiants intéressés par l’apprentissage machine, mais qui ne croient pas avoir les compétences requises, à faire le saut. Par sa nature, ce domaine d’études est étroitement lié à de nombreux sujets que nous sommes nombreux à connaître déjà, comme la statistique appliquée, l’optimisation et les algorithmes.

Qu’est-ce qui vous plaît le plus à Concordia?

Alexandre Carbonneau : Concordia compte un grand nombre de membres du corps professoral en science actuarielle et en mathématiques financières. J’apprécie aussi beaucoup les conseils que me donne régulièrement mon superviseur, Frédéric Godin, sur mes travaux de recherche.

Vos recherches bénéficient-elles du financement ou du soutien de partenaires ou d’organismes?

Alexandre Carbonneau : J’aimerais remercier le Fonds de recherche du Québec – Nature et technologies, l’Institut des sciences mathématiques, le Fonds pour l’éducation et la saine gouvernance de l’Autorité des marchés financiers ainsi que Concordia de m’avoir soutenu durant mes études doctorales.

Je bénéficie aussi du programme Fin-ML-FONCER du CRSNG, qui est offert par de nombreuses universités canadiennes pour former des étudiants et chercheurs dans le domaine de l’apprentissage machine en finance quantitative et en intelligence d’affaires.

Apprenez-en davantage sur le Département de mathématiques et de statistique de Concordia.