TÉMOIGNAGE : « Les jobs liés aux données alternatives sont les meilleurs jobs de data science en finance »

Les mots « machine learning » et « intelligence artificielle » semblent être devenus omniprésents. Ils peuvent s’apparenter à une sorte de magie, rendant les voitures autonomes et les traders télépathes (d’accord, peut-être pas tout à fait !). La réalité est moins glamour. - Un ensemble de techniques linéaires et non linéaires variées pour les régressions et les classifications ne semble pas si séduisant. Pas plus que leur besoin inévitable d'énormes quantités de données.

Quand je parle de données, je ne fais pas seulement référence aux séries de données chronologiques bien structurées contenant les prix du marché que tout le monde utilise dans la finance. Je parle aussi des ensembles de données qui peuvent être des nouvelles recueillies sur le Web sous forme de texte. Ou bien des images tirées de la photographie satellite utilisées pour estimer les rendements des cultures, des données de transaction par carte de crédit pouvant être utilisées pour prédire les revenus des détaillants, des données de téléphone mobile pour aider à comprendre le trafic dans les magasins. Ou bien encore des mesures du lectorat de nouveaux articles pour comprendre quelles nouvelles ont le plus d'impact sur le marché.

Ce sont toutes des données alternatives qui, en résumé, sont des données qui ne sont pas communément utilisées. Elles proviennent également très souvent de l'extérieur du monde de la finance. Le fait de disposer d'un dataset moins utilisé par les autres acteurs du marché peut potentiellement vous donner un avantage en termes de compréhension des marchés. C'est particulièrement le cas lorsque nous pouvons combiner plusieurs de ces datasets. La zone de données alternative se développe rapidement et de plus en plus de datasets alternatifs arrivent sur le marché. Les banques et les fonds constituent des équipes chargées de traiter des données alternatives. C'est un domaine en pleine croissance, qui contraste fortement avec de nombreux autres domaines de la finance, qui sont en train de rétrécir, victimes d’un mélange de réglementation et d’automatisation.

Dès lors, quels types de postes sont disponibles si vous souhaitez vous impliquer dans des données alternatives ? Il y a des postes de data scientists qui aident à donner un sens à tous ces datasets alternatifs, afin de voir s'ils peuvent être structurés sous une forme pouvant être utilisée pour aider à mieux comprendre les marchés. Ces postes peuvent utiliser le machine learning en tant qu’outil facilitant la structuration des données et peuvent aider à comprendre si des datasets particuliers ont réellement une valeur ou non.

Il y a aussi le poste important du data strategist qui agit comme un pont entre les fournisseurs de données externes et les clients internes. Il parcourt le marché à la recherche de nouveaux datasets intéressants et travaille avec des data scientists et des gestionnaires de portefeuille afin de comprendre quels types d'ensembles de données seraient les plus pertinents. Les data stratgists doivent avoir des compétences techniques pour comprendre les données et voir les utilisations potentielles de celles-ci. Ils ont également besoin de compétences en business pour négocier avec des fournisseurs de données. Ils doivent également maîtriser les questions juridiques qu’ils peuvent avoir à poser aux vendeurs de données. Bref, c’est une fonction très intéressante et variée.

Enfin, Il existe ensuite des fonctions chez les fournisseurs de données alternatifs, qu’il s’agisse du développement commercial ou plus du côté de la science des données. Avoir de l'expérience dans le domaine de la finance est précieux pour ces postes, car ces fournisseurs essaient de vendre leurs datasets à leurs clients dans la finance.

Si vous souhaitez en savoir plus sur les données alternatives en finance, consultez The Book of Alternative Data, que je suis en train de co-écrire avec Alex Denev et qui sortira en 2020. Les données alternatives ont juste besoin de devenir un mot à la mode comme l’est déjà le machine learning. J’imagine que ce sera pour bientôt…

Saeed Amen est un trader de devises systématiques, gérant depuis 2013 un prop’ trading book G10 FX. Il a développé des stratégies de trading systématique au sein de grandes banques d'investissement telles que Lehman Brothers et Nomura, et dirige Cuemacro, une société de conseil et de recherche spécialisée dans le trading systématique.

Vous avez un scoop, une anecdote, un conseil ou bien un commentaire que vous aimeriez partager ? Contact : tiochem@efinancialcareers.com