Ce travail s'intègre dans la recherche que mène l'équipe SMAC du LIFL en finance computationnelle. L'équipe possède aujourd'hui l'un des simulateurs de marchés les plus puissants du domaine, nommé ATOM. L'objectif de ce travail de recherche consiste à proposer de nouvelles méthodes d'évaluation de stratégies d'agents en s'appuyant notamment sur la notion de robustesse.
Ce travail sera réalisé au sein de l'équipe SMAC, bat M3.
Suite au passage à la cotation en continu avec un système CAC en 1989, à la mise en place de la directive MIF en 2004, à la mise en place d'architectures pour le High Frequency Trading et aux différentes crises boursières de ces dernières années, l'interêt pour les plateformes de marchés artificielles s'est accru. Aujourd'hui, sur l'ensemble des bourses mondiales, près de 80% des ordres sont passés par des automates et agents intelligents. Tester des hypothèses de micro-structures, de régulation ou de comportements sur les marchés réels n'est évidemment pas possible. Il est donc impératif de faire appel à des simulateurs. Si beaucoup d'économistes et de financiers se sont d'abord penchés sur des simulateurs équationnels, ils se tournent peu à peu vers des simulateurs à agents qui permettent notamment un feeback des actions individuelles sur les différents traders. Le simulateur ATOM, conçu par l'équipe SMAC est un simulateur de marchés à agents, en tout point conforme à Euronext-NYSE. Le modèle d'agent étant ouvert, il est donc possible d'y greffer facilement n'importe quel comportement d'agent.
ATOM possède d'ores et déjà de nombreux comportements d'agents, soit avec des comportements simples, comme les Zero Intelligent Trader (ZIT) ou les Chartistes (MovingAverage, Momuntum,...), soit avec des comportements complexes à base de classeurs ou de stratégies arbitragistes. Chacun de ces agents pent fonctionner en Intraday, en Extraday aussi bien sur un seul que sur plusioeurs orderbooks simultanément. L'objectif de ce projet conciste à étudier la littérature récente sur les comportements d'agents financiers afin de proposer de nouvelles méthodes d'évaluation. On pourra aussi s'inspirer de modèles plus classiques comme ceux développés dans l'article "Broad Spectrum Computational Approach for Market Efficiency"
En effet, s'il est très aisé de comparer deux agents sur le "wealth" obtenu par chacun en fin de phase de Trading, cela ne garantit en aucun cas la robustesse de l'agent dans un autre contexte. La performance d'un agent dépend de celle des agents qui l'entournent. Un agent ne peut pas être "le meilleur" dans l'absolu, mais peut néanmoins être le plus robuste. Il est donc nécessaire d'apporter des arguments permettant d'étayer cette robustesse. Parmi les arguments utilisés il y a bien sur la rencontre de l'ensemble de ces agents avec classement sur la valorisation globale du portefeuille (wealth ou rentabilité/risque), mais aussi les compétitions écologiques, les comparaisons 1 à 1 contre un ensemble représentatif, etc ...Le travail proposé se décomposera en quatre étapes
Les compétences en génie logiciel et dans le langage JAVA sont impératives. Des connaissaces en intelligence artificielle et en systèmes multi-agents sont préférables. Un intérêt pour la finance de marchés sera évidemment un plus, même si des connaissances spécifiques ne sont absolument pas nécessaires..
Ce projet consiste en une découverte du monde de la recherche en particulier en Intelligence Artificielle et en Finance computationnelle. Il pourra le cas échéant amener à un sujet de thèse.