Machine d'investissement IA : Partie I

Il y a plusieurs années, j'ai eu l'idée de créer un graphe de connaissances sur les fonds communs de placement, leurs actifs et les entités juridiques qui les détiennent. J'ai donc commencé à construire un graphe dans Neo4j à partir des données que je stockais pour les dépôts auprès de la SEC dans mon entrepôt de données Couchbase .

J'avais accumulé plusieurs années de déclarations concernant mes avoirs en fonds communs de placement et en ETF, mais leur qualité s'est considérablement améliorée à partir de 2021. Vers 2023, je disposais de suffisamment de déclarations pour construire un graphe de connaissances, mais mon cas d'utilisation n'était pas vraiment adapté à ce type de graphe.

Pourquoi ? Je disposais de données historiques que je souhaitais conserver pour des cas d'apprentissage automatique, en plus de mon cas d'utilisation initial. J'ai donc décidé de tout stocker dans Neo4j, par souci de simplicité, pour ma configuration initiale. Comme Neo4j tente de charger une grande partie de ses opérations en mémoire, cela peut poser problème avec un grand nombre de nœuds.

vue depuis neo4j bloom

Lors de l'évaluation initiale du chargement des documents déposés auprès de la SEC, principalement des formulaires N-PORT, je souhaitais les restructurer du format XML au format JSON afin de réduire la consommation de mémoire et de stockage dans Couchbase. Cela impliquait de recenser les clés de recherche dans le JSON, lesquelles étaient également intégrées aux structures de nœuds de Neo4j. Les documents contiennent les dates de dépôt, la CIK (clé d'index centrale de la SEC) et les identifiants classiques de titres/instruments : ISIN, CUSIP, SEDOL et les identifiants internes des transactions. La SEC a toutefois ajouté une nouvelle clé essentielle : le LEI (Identifiant d'entité juridique).

Il existait désormais une source permettant de résoudre les liens entre les différents instruments détenus et la structure juridique qui les sous-tendait. J'ai donc décidé d'intégrer les informations LEI provenant de la seule source publique fiable : https://www.gleif.org/en .

Images illustrant les nœuds, les relations et les attributs du graphe de connaissances

Le graphe de connaissances a été construit à partir des types de nœuds et des relations suivants, afin de répondre à des questions spécifiques. La liste ci-dessous n'est pas exhaustive ; elle vise simplement à donner une idée de son étendue.

Nœuds

Actions ordinaires	Dette à taux variable	Futures	Fonds
Actions privilégiées	Dette garantie	ÉCHANGES	Société mère du fonds
Dette des entreprises	Dette adossée à des actifs	ÉCHANGES	Emprunteurs du Fonds
Dette adossée à des créances hypothécaires	Mandats	Pays	Entité juridique
Dette municipale	Options	Devise	Entité juridique LEI ISIN Référence
Dette convertible	Attaquants	Région	Relations entre entités juridiques

Relations

Type d'actif -> Portefeuille du fonds	Type d'actif -> Entité juridique	Type d'actif -> Juridiction légale	Série de fonds -> Classes de la série de fonds
Type d'actif -> Pays	Fonds -> Entité juridique	Type d'actif -> Pays du siège social	Fonds -> Flux de fonds
Type d'actif -> Devise	Organisme parent du fonds -> Entité juridique	Type d'actif -> Pays de localisation	Fonds -> Performance du fonds
Pays -> Région	Fonds -> Sous-fonds	Type d'actif -> Membre de l'index	Actions ordinaires -> Profil de l'entreprise

Il existe d'autres relations qui résolvent les entités juridiques à plusieurs parties, lesquelles sont également explicitement définies.

L'objectif initial de ce cas d'utilisation, pour la combinaison de ces données, était le suivant :

• mesure du risque d'exposition aux devises

• risque de position pour les institutions et les marchés

• traçabilité des entités juridiques pour les sociétés multinationales

• Quelle est la chaîne d'impact des acquisitions d'actifs ?

Pour illustrer un aspect de ce concept, j'ai commencé par développer un fonds dans Neo4J Bloom. Ce fonds possède des prêts et des swaptions parmi ses actifs.

Ensuite, l'entité juridique (LE) de l'actif SWAP sous-jacent enveloppé par la SWAPtion était une contrepartie du SWAP, identifiée comme étant une société appelée Citigroup Global Markets :

Qui elle-même dépendait d'une autre filiale de Citigroup LE, appelée Citigroup Financial Products :

Ensuite, la société Citigroup mentionnée ci-dessus a été développée, ce qui a révélé qu'elle était l'entité juridique et la contrepartie non compensée centralement (NCC) pour plusieurs accords de rachat, et l'entité juridique pour la dette à taux variable :

En examinant de plus près les accords de rachat, on constate qu'ils sont liés au détenteur des actifs, en l'occurrence deux fonds communs de placement (représentés par des icônes bancaires en vert clair). On y voit également la devise de l'accord de rachat/devise de garantie, à savoir l'euro.

Cela signifie que la société liée à Citigroup est exposée à l'euro et pourrait subir les conséquences de fortes fluctuations des taux de change sur ces actifs. La situation est identique pour les deux fonds communs de placement concernant leur exposition à l'euro. De nombreux fonds communs de placement et ETF se protègent contre le risque de change en achetant des contrats de change à terme. Si j'avais diversifié les fonds dans ce cas précis et qu'ils étaient basés aux États-Unis, nous verrions probablement ces contrats à terme parmi les actifs détenus par le(s) fonds.

En suivant une autre piste à partir de l'entité juridique de Citigroup Financial Products, on découvre d'autres sociétés opérant dans différents pays, au sein d'une autre holding. Le premier cercle orange représente une société de gestion de fonds à laquelle sont rattachés divers autres fonds (quatre cercles orange à droite).

Enfin, nous remontons la chaîne hiérarchique jusqu'à Citigroup Inc. LE, qui se trouve au sommet de la hiérarchie, en passant par Citigroup Financial Products LE, responsable des actifs et fonds susmentionnés.

Comme vous pouvez le constater, la capacité à faire correspondre les identifiants d'entité juridique (LEI) entre différentes organisations et leurs structures sous-jacentes peut avoir un impact considérable sur notre aptitude à identifier, évaluer, retracer et comprendre les risques difficiles à déceler. J'ai donc commencé par ce principe fondamental pour développer mon application d'IA, car il offre des fonctionnalités puissantes pour quantifier les impacts entre les organisations et les systèmes financiers. Je vais maintenant détailler l'architecture de l'application et étendre son champ d'application afin d'y intégrer davantage de fonctionnalités.