RECHERCHE

Les Big data et données alternatives constituent un riche complément aux données traditionnelles utilisées par les gestionnaires d’actifs. La recherche et la pratique ont montré que l’intégration de ces données aux données plus traditionnelles et leur prise en compte dans les décisions de gestion des investissements améliorent la performance des portefeuilles et des stratégies dans des proportions importantes. Les outils et techniques quantitatifs traditionnels constituent toujours une partie dominante des approches d’investissement standard, mais ils ne peuvent pas s’adapter ou extraire des signaux des Big data. Les algorithmes d’IA/ML, quant à eux, offrent une variété d’approches efficaces pour traiter des ensembles de données volumineux et identifier des signaux d’investissement importants. Jusqu’à présent, le défaut des algorithmes d’IA/ML est qu’ils ont été développés pour les disciplines de l’informatique et de l’ingénierie et qu’ils ne sont pas adaptés au monde financier avec ses rapports dificiles signal/bruit.

Grâce à des années de R&D et de collaboration entre des praticiens de la finance et des informaticiens, FinAIx a développé et continue de raffiner une nouvelle classe de modèles génériques AI/ML pour la gestion de portefeuilles. Nous diffusons des exemples de ces modèles via notre portail public ouvert et une initiative de recherche visant à développer l’expertise en IA en finance à Montréal.

Nous présentons également nos modèles génériques d’IA lors de certaines des conférences les plus prestigieuses au monde pour les universitaires et les industriels. Cela permet une validation par les pairs de classe mondiale, démontrant la compétitivité, la transparence et la validité de notre nouvelle approche.