L'équipe quantitative de Pictet Asset Management à Genève utilise un ensemble de 12 modèles de series temporelles — LSTM, Transformer, N-BEATS, Prophet — pour prévoir les flux de rachats sur ses fonds obligataires. En période de stress de marché (mars 2023, crise Credit Suisse), aucun modèle seul n'est suffisant. L'ensemble réalise un MAPE de 6,3 % vs 14,8 % pour le meilleur modèle individuel. C'est la puissance de l'approche ensembliste que les gestionnaires suisses de classe mondiale ont intégrée.
LSTM (Long Short-Term Memory) pour le forecasting financier
Architecture de réseau de neurones récurrents (RNN) dotée de mécanismes de portes (forget, input, output gates) permettant de capturer les dépendances à long terme dans les séries temporelles financières. Particulièrement adaptée aux données franc suisse/euro où les interventions SNB (taux négatifs 2015-2022, plancher franc/euro 1,20 abandonné en janvier 2015) créent des régimes structurels. Un LSTM entraîné uniquement sur des données post-2015 ignore le régime de plancher — la gestion du changement de régime est une compétence critique.
Isolation Forest — détection d'anomalies non supervisée
Algorithme de détection d'anomalies basé sur l'idée que les points anormaux sont plus faciles à isoler que les points normaux dans un espace de features. Construit des arbres de décision aléatoires et mesure la profondeur moyenne nécessaire pour isoler un point. Les points anormaux ont une profondeur d'isolation faible (anomaly score élevé). Très efficace pour détecter les fraudes et transactions inhabituelles dans des espaces de haute dimensionnalité. Scalable et résistant aux faux positifs dans des contextes à haute fréquence comme le monitoring intrajournalier.
En Suisse, la particularité du franc fort (monnaie refuge, corrélation négative avec les actifs risqués en période de stress) crée des régimes distincts qui invalident les modèles entraînés sur données normales. L'intégration de variables macro SNB (prévisions de croissance, indicateurs de marché monétaire, bilans des grandes banques cantonales) améliore significativement la performance des modèles de forecasting sur les marchés suisses.
| Architecture | Horizon optimal | Points forts | Limitations en contexte suisse |
|---|---|---|---|
| LSTM | 1-30 jours | Capture dépendances long terme, régimes persistants | Sensible aux changements de régime SNB (taux négatifs → positifs 2022) |
| Transformer (TFT — Temporal Fusion Transformer) | 1-60 jours | Attention multi-tête, variables externes intégrées | Coûteux computationnellement, nécessite données nombreuses |
| N-BEATS | 1-30 jours | Pas d'hypothèse a priori, interprétable (trend/saisonnalité) | Moins performant sur séries avec chocs exogènes politiques (SNB) |
| Ensemble (stacking) | Tous horizons | Robustesse, réduction variance, MAPE -30 à -50 % | Complexité opérationnelle, maintenance MLOps plus lourde |
L'équipe quant de Pictet développe un pipeline de détection d'anomalies sur les flux de souscription et de rachat de ses fonds en CHF. Un Autoencoder (réseau de neurones à encodeur-décodeur) est entraîné sur 4 ans de transactions normales. Les transactions avec une erreur de reconstruction élevée (au-delà du percentile 99,5) déclenchent une alerte. En 6 mois, le système détecte 3 anomalies de trading non identifiées par les contrôles manuels — dont une erreur de saisie de 82 millions CHF corrigée avant règlement.
⚠️Entraîner des modèles de forecasting sans gestion du changement de régime
→ Le marché CHF a connu deux changements de régime majeurs en 10 ans (abandon plancher 2015, sortie taux négatifs 2022) — un modèle entraîné sans régime switching ou sans features macro SNB produit des prévisions biaisées lors des transitions.
⚠️Utiliser le MAPE seul pour évaluer des modèles de forecasting financier
→ Le MAPE pénalise symétriquement les erreurs positives et négatives — en finance, une erreur de sous-estimation des risques est asymétriquement coûteuse. Compléter avec la directional accuracy (prévision de la direction du mouvement) et le Sharpe ratio prédictif.
⚠️Déployer un détecteur d'anomalies entraîné en période normale sur des données de crise
→ Un Isolation Forest entraîné sur 2018-2021 (période calme) sur-alerte massivement en mars 2023 (stress Credit Suisse) — le modèle doit être re-calibré régulièrement avec des données récentes incluant des périodes de stress.
expert-comptable
Questions suggerees