Une analyse automatisée en temps réel pour éviter l'accumulation de situations à risque pour les marchés
Une autre crise financière mondiale pourrait être difficile à éviter si l'on ne dispose pas de moyens pour analyser rapidement les risques, réagir aux évènements et minimiser les effets sur les marchés mondiaux. Des chercheurs et des informaticiens financés par l'UE ont développé une infrastructure informatique innovante pour aider les analystes du marché, les traders et les régulateurs financiers à réagir rapidement à des comportements du marché inhabituels et potentiellement risqués. D'une durée de trois ans et financé à hauteur de 2,9 millions d'euros, le projet QUALIMASTER a développé un système intégré d'algorithmes, de modèles et de processus informatiques pour analyser en temps réel de grands volumes de données financières afin de mieux prévoir le risque et la probabilité de défaillances du marché, et déclencher plus rapidement des réactions et des ajustements. «L'idée est d'améliorer le traitement des flux de données et de mégadonnées afin de bâtir une infrastructure pouvant s'adapter de façon très dynamique à l'évolution des situations», déclare Claudia Niederée, coordinatrice du projet et chercheuse principale au L3S Research Centre de l'Université Leibniz de Hanovre. Utilisant des flux de grands volumes de données issues du marché boursier (parfois 100 millions de messages par seconde), comprenant les fluctuations du cours des actions, les taux de change, les indices des contrats à terme et le prix des obligations, ainsi que des données issues de Twitter, tout cela combiné à des informations tirées des dépêches d'agences, des blogs financiers, des données des pouvoirs publics et d'autres sources, le système analyse en permanence la situation pour détecter des signes de déséquilibre du marché. «Nous avons étudié les corrélations pour examiner le risque systémique et comprendre le changement non seulement pour une transaction individuelle, mais également pour mieux comprendre pourquoi et comment les marchés évoluent; et également pour étudier un type plus profond de corrélation, afin de déterminer quelle serait l'issue lorsque quelque chose se produit», déclare le Dr Niederée. «Nous avons également construit des visualisations pour permettre aux analystes de mieux déterminer ce qui doit être fait.» Un système dynamique Tout cela est réalisé dans un environnement de Big Data en évolution rapide. «Les systèmes de traitement de données existants ont un caractère un peu statique et ils réagiront avec retard en cas de hausse soudaine des données financières liée à une crise quelconque», déclare le Dr Niederée. «Vous devez en général arrêter le système, le reconfigurer et le redémarrer. Notre système peut le faire de façon dynamique et également détecter par lui-même si un changement quelconque est nécessaire.» «Comme une machine à remonter le temps, il peut également revenir en arrière à un moment où la situation était similaire, afin de voir ce qui s'est produit et comprendre les relations entre les acteurs du marché en examinant leur évolution dans le temps», déclare le Dr Niederée. Ce système configurable, développé en collaboration avec des entreprises de technologie financière, a étudié les réseaux sociaux en utilisant des analyses de sentiment afin de voir à tout moment comment se forme l'opinion concernant certaines actions ou entreprises. Il a également étudié la détection d'évènements à partir des flux de Twitter afin d'identifier des signaux qui affectent une action particulière ou un groupe d'actions. Une reconfiguration automatique du matériel Un troisième composant du projet, qui constitue une première dans ce domaine, a consisté à traduire les algorithmes de traitement de flux en code matériel. Il est ainsi possible d'exploiter de façon dynamique un matériel reconfigurable pour mieux faire face à des pics inattendus dans l'activité des données. «Lorsque l'on prend en compte les milliers d'acteurs du marché et que l'on doit chaque seconde calculer des millions de paires de corrélations, le matériel est plus efficace pour gérer des charges de données aussi élevées», explique le Dr Niederée. Le travail de QUALIMASTER a également attiré l'attention de l'industrie automobile qui s'intéresse aux adaptations dynamiques en temps réel dans les situations en constante évolution auxquelles sont confrontées les voitures sans conducteur.
Mots‑clés
QUALIMASTER, finance, fintech, transaction automatisée, comportement du marché, marché boursier, TIC, risque systémique, Big Data, traitement des données
