Politique cookies

En poursuivant votre navigation sur notre site internet, vous acceptez que des cookies soient placés sur votre terminal. Ces cookies sont utilisés pour sécuriser votre connexion, faciliter votre navigation et permettre l’élaboration de statistiques.  Pour obtenir plus d’information sur les cookies et vous y opposer, vous pouvez consulter notre politique cookies.

Articles (20/130)
Améliorer le traitement des ordres grâce à l'analyse prédictive
Améliorer le traitement des ordres grâce à l'analyse prédictive
Retour

Améliorer le traitement des ordres grâce à l'analyse prédictive

20/10/2017

Pauline Burns, Responsable Internationale des Opérations du Middle Office

Thomas Durif, Responsable International des Produits du Middle Office

 

À l'heure actuelle, une grande partie des ordres sont exécutés par straight-through processing (traitement en continu), sans qu'aucune intervention humaine ne soit requise, de l'exécution au règlement. Cependant, près de 30 % des ordres sont bloqués pour une raison ou une autre, obligeant à intervenir et à communiquer avec les contreparties en vue de résoudre le problème

Ces ordres représentent environ 80 % du total des coûts opérationnels liés au traitement des ordres. Le retard accumulé au cours du matching peut conduire à enfreindre la réglementation et peut entraîner l'échec du règlement des opérations, ainsi que des erreurs d'évaluation.

Parmi les nombreuses applications possibles de l’Intelligence Artificielle (IA) et du maching learning, les plus intéressantes résident sans doute dans l'automatisation des processus de middle office nécessitant une forte main-d’œuvre et dans la prévention proactive des ordres bloqués. Dans ce domaine, BNP Paribas Securities Services s'apprête à passer de la théorie à la pratique avec le lancement de « Smart Chaser », un outil d'aide à la prise de décision qui facilite le traitement des ordres.

De l'identification à la proposition d'actions nécessaires

Smart Chaser utilise l'analyse prédictive pour identifier les transactions qui ne pourront pas faire l’objet d’un matching automatique et requièrent une intervention manuelle. Il prévoit le temps qu'il faudra pour faire correspondre ces ordres et propose des emails intelligents aux contreparties pour répondre aux problèmes structurels, ou liés au système, qui provoquent systématiquement des retards, en accélérant leur résolution.

L'algorithme Smart Chaser est capable d'identifier le sous-ensemble d'ordres le plus susceptible d'échouer, mais aussi d'en identifier les causes et de proposer les actions nécessaires afin de résoudre les problèmes, permettant ainsi aux équipes du middle office de concentrer leur attention là où c’est nécessaire.

Cent facteurs différents

Le système est dynamique, dans le sens où il peaufine en continu le modèle qu'il utilise pour faire des prévisions, en utilisant des données historiques pour apprendre et s'améliorer au fil du temps. La clé est la capacité à prendre en compte les nombreuses raisons susceptibles d'expliquer pourquoi les transactions peuvent échouer, puis à réaliser une analyse en vue de repérer les modèles qui indiquent une forte probabilité d'échec.

Historiquement, il est relativement simple de déterminer le taux de réussite de chaque courtier, par exemple, et de s'en servir comme règle afin que les ordres soient exécutés avec succès. L'algorithme Smart Chaser est considérablement plus perspicace, et précis, puisqu'il inclut près de cent facteurs différents, comme l’historique du courtier, le moment d'exécution de l'ordre, la valeur totale de l'ordre, s'il faisait partie d'un bloc, la situation géographique des contreparties, etc.

Au fil du temps, cet algorithme élabore un tableau complexe et nuancé du taux de réussite probable du trade matching, d'une précision de 98 % à l'heure actuelle. Le modèle prédictif est basé sur un algorithme « Random Forest », qui intègre plusieurs arbres décisionnels différents afin de générer des résultats prédictifs. Le modèle est mis à jour quotidiennement à l'aide des données des trois derniers mois afin d’ajuster la pondération octroyée à différents facteurs et, ainsi, d'améliorer en permanence l'exactitude de ses prévisions.

Fait intéressant, les premiers modèles utilisaient les données historiques d'une année, supposant que le caractère saisonnier avait avec un fort impact sur la réussite du trade matching. Il est apparu qu'un jeu de données trimestriel permettait une plus grande précision, en partie parce que les courtiers affinent et mettent à jour leurs propres systèmes et leur personnel bien plus d'une fois par an.

Meilleure identification de la probabilite de risque

Les clients devraient être avantagés sur trois plans. Le premier, c'est la rapidité : le temps moyen de matching devrait être réduit et le nombre total d'ordres refusés devrait diminuer. Vient ensuite l'efficacité, puisque le middle office consacrera moins de temps à des ordres qui ne devraient pas poser de problème et que le système générera automatiquement des réponses appropriées dans le cas contraire.

Enfin, le système offrira beaucoup plus de transparence en ce qui concerne les ordres, permettant ainsi aux clients de déterminer les principaux indicateurs de risque, sur la base de la probabilité d'échec des ordres, et de surveiller ceux susceptibles de présenter un risque.

Finalement, il est possible d'élaborer une vision plus précise des performances des contreparties et parties prenantes, qui prend en compte une multitude de facteurs. Les données récoltées par Smart Chaser devraient permettre des comparaisons à l’identique entre catégories d'actifs, ordres de différentes complexités et autres facteurs.

Aller au-delà du traitement des ordres

La phase 1 de Smart Chaser permettra d’évaluer la probabilité d'interruptions d'ordres et fournira des modèles d'e-mail intelligents pour une communication simplifiée avec les contreparties. Le système sera accessible via un tableau de bord intuitif de style trade-blotter qui affiche tous les ordres à traiter et visualise ceux qui sont à risque et requièrent une attention particulière.

Et ce n'est que le début : la phase 2 de Smart Chaser utilisera la même méthodologie pour analyser les e-mails reçus de contreparties qui signalent des problèmes au niveau des ordres afin d'identifier le type de problème survenu et de générer une réponse automatique. La phase 3 consistera à combiner les deux, créant ainsi une Intelligence Artificielle capable d'anticiper et de gérer un large éventail de problèmes, avec une vitesse et une précision toujours accrues.

Évidemment, les principes de l'analyse prédictive et du machine learning peuvent s'appliquer à toute une gamme de fonctions du middle office autres que le traitement des ordres. Les rapprochements constituent un domaine dans lequel il est évident que la détection précoce des problèmes, l'analyse de leurs causes profondes et un degré d'automatisation dans leur résolution amélioreraient fortement l'efficacité et réduiraient les coûts pour nos clients.

Conscients de ce potentiel, nous sommes déterminés à poursuivre le développement de Smart Chaser et nous invitons nos clients à se joindre à nous pour renforcer leur avantage concurrentiel grâce à l'utilisation d'une technologie de pointe.

Suivez-nous