Repenser la gestion de portefeuilles d’investissement grâce à l’IA agentique

La gestion des risques sur les marchés financiers devient de plus en plus complexe pour les gestionnaires de portefeuilles d’investissement. Le traitement de volumes considérables de données – des données de marché en temps réel aux données non structurées des réseaux sociaux – exige un niveau de flexibilité et d’évolutivité que les systèmes traditionnels peinent à atteindre.

Les agents IA, un type d’intelligence artificielle capable de fonctionner de manière autonome et de prendre des mesures en fonction d’objectifs et d’interactions réelles, sont appelés à transformer la façon dont les portefeuilles d’investissement sont gérés. Selon Gartner, 33 % des applications logicielles d’entreprise incluront une IA agentique d’ici 2028, contre moins de 1 % en 2024. Au moins 15 % des décisions de travail quotidiennes sont prises de manière autonome par le biais d’agents IA.¹ MongoDB permet aux agents IA de transformer efficacement le paysage de la gestion de portefeuilles d’investissement. En tirant parti de la combinaison de grands modèles de langage (LLM), de la génération augmentée par récupération (RAG) et de MongoDB Atlas Vector Search, les agents IA sont capables d’analyser d’immenses ensembles de données financières, de détecter des schémas et de s’adapter en temps réel à des conditions changeantes de façon dynamique. Cette intelligence avancée améliore la prise de décision et permet aux gestionnaires de portefeuilles d’en améliorer la performance, de gérer les risques de marché plus efficacement et d’effectuer des analyses précises de l’impact des actifs.

Gestion intelligente de portefeuilles d’investissement

La gestion de portefeuilles d’investissement est le processus consistant à sélectionner, équilibrer et surveiller un ensemble d’actifs financiers, tels que les actions, les obligations, les matières premières et les produits dérivés afin d’obtenir un meilleur retour sur investissement (ROI) tout en gérant les risques de manière efficace et proactive. Elle implique une allocation d’actifs réfléchie, une diversification pour atténuer la volatilité du marché, un suivi continu des conditions du marché et de la performance des actifs sous-jacents afin de rester en phase avec les objectifs d’investissement.

Pour rester pertinente aujourd’hui, la gestion de portefeuilles d’investissement nécessite l’intégration de données alternatives non structurées variées, telles que l’actualité financière, le sentiment sur les réseaux sociaux et les indicateurs macroéconomiques, parallèlement à des données de marché structurées comme les fluctuations de cours, les volumes de transactions, les indices, les spreads et les historiques d’exécution. Cette intégration complexe des données confère un niveau de sophistication inédit à l’analyse de portefeuille, comme le montre la figure 1. Elle nécessite une plateforme de données flexible, évolutive et unifiée, capable de stocker, d’extraire et de gérer efficacement des ensembles de données aussi variés, et qui ouvre la voie au développement de solutions de gestion de portefeuilles de nouvelle génération.

L’intégration du schéma flexible de MongoDB accélère l’ingestion de données provenant de diverses sources, telles que les flux de données de marché en temps réel, les historiques de performance et les indicateurs de risque. Les nouvelles solutions de gestion de portefeuilles, s’appuyant sur des données alternatives, favorisent une prise de décision plus éclairée et une gestion proactive des risques de marché. Ce changement de paradigme permet d’obtenir des analyses plus approfondies, d’optimiser la génération d’alpha et d’affiner la réallocation d’actifs avec une plus grande précision, soulignant ainsi le rôle crucial des données dans la gestion intelligente de portefeuilles.

Comment MongoDB ouvre la voie à la gestion de portefeuilles pilotée par l’IA

L’allocation d’actifs de portefeuille pilotée par l’IA est devenue une caractéristique recherchée des stratégies d’investissement modernes. En tirant parti de l’analyse de portefeuille basée sur l’IA, les gestionnaires de portefeuilles accèdent à des outils avancés qui fournissent des informations adaptées à des objectifs financiers et à une tolérance au risque spécifiques. Cette approche optimise la construction du portefeuille en recommandant une combinaison alternative d’actifs – allant des actions et obligations aux ETF et aux opportunités émergentes – tout en évaluant en permanence l’évolution des conditions de marché.

La figure 2 illustre un workflow proposé pour la gestion de portefeuilles d’investissement pilotée par l’IA, qui intègre diverses données de marché, notamment les cours boursiers, l’indice de volatilité (VIX) et des indicateurs macroéconomiques tels que le PIB, les taux d’intérêt et le taux de chômage, dans une couche d’analyse par IA afin de générer des informations exploitables et plus pertinentes.

Le document model polyvalent de MongoDB offre une approche plus intuitive pour le stockage et la récupération de données structurées, semi-structurées et non structurées. Cela correspond à la manière dont les développeurs structurent les objets au sein de leurs applications.

Sur les marchés financiers, les time series sont souvent utilisées pour stocker des données de trading et de marché basées sur le temps. Les collections de time series MongoDB sont idéales pour analyser les données au fil du temps. Elles sont conçues pour ingérer efficacement de grands volumes de données de marché avec des performances élevées et une évolutivité dynamique. L’extraction d’informations et de tendances à partir des collections de time series MongoDB est plus facile et plus efficace grâce à des mécanismes d’ingestion et de récupération sous-jacents plus rapides.

En tirant parti du tableau de bord de Business Intelligence de MongoDB Atlas Charts et en évaluant les informations d’investissement générées par l’IA, les gestionnaires de portefeuilles ont accès à des capacités sophistiquées. Celles-ci intègrent des informations à haute dimension extraites de divers ensembles de données, révélant de nouveaux schémas qui contribuent à éclairer la prise de décision pour la génération d’alpha et à améliorer la performance du portefeuille.

MongoDB Atlas Vector Search joue un rôle crucial dans l’analyse du sentiment des actualités boursières en permettant une récupération contextuelle des articles pertinents. Les recherches traditionnelles par mots-clés peinent souvent à saisir les relations sémantiques entre les articles, tandis que la recherche vectorielle, grâce aux embeddings, offre une compréhension plus contextuelle de la manière dont différents articles influencent le sentiment boursier.

• Stockage des informations sous forme de vecteurs : lors de l’ingestion d’informations boursières, chaque article est vectorisé sous la forme d’une représentation numérique à haute dimension à l’aide d’un modèle d’embedding. Ces embeddings encapsulent le sens et le contexte du texte, plutôt que de simples mots individuels. Les articles de presse bruts sont vectorisés et stockés dans MongoDB sous forme de vecteurs.

• Recherche d’informations connexes : la recherche vectorielle est utilisée pour trouver des articles d’actualité sur la base d’algorithmes de similarité, même s’ils ne contiennent pas exactement les mêmes informations boursières. Cela facilite l’identification de tendances et de schémas récurrents dans plusieurs articles en fonction de leur similarité contextuelle.

• Amélioration du calcul du sentiment : au lieu de se baser sur le sentiment d’une seule actualité, un score de sentiment final est calculé à partir de plusieurs sources d’information connexes présentant un contenu similaire et pertinent. Cela permet d’éviter qu’une information isolée et aberrante n’influence le résultat et offre une vision plus globale du sentiment des marchés.

Les fondements de l’IA agentique

L’IA agentique intègre une couche d’orchestration qui gère l’exécution des tâches au sein des workflows. Les agents IA peuvent fonctionner de manière totalement autonome ou semi-autonome avec une intervention humaine. Ils sont dotés d’outils, de modèles, d’une mémoire et d’un stockage de données avancés. La mémoire exploite des données contextuelles à court et à long terme pour une prise de décision éclairée et la continuité des interactions. Les outils et les modèles permettent aux agents IA de décomposer les tâches en étapes et de les exécuter de manière cohérente. Le stockage et la récupération des données sont essentiels à l’efficacité des agents IA et peuvent être optimisés grâce à des capacités d’intégration et de recherche vectorielle.

Caractéristiques clés des agents IA :

• Autonomie : capacité de prendre des décisions de manière dynamique en fonction de la situation et d’exécuter des tâches avec un minimum d’intervention humaine.

• Chaîne de pensées : capacité de raisonner étape par étape et de décomposer des problèmes complexes en petites étapes logiques afin d’améliorer le jugement et la prise de décision.

• Prise en compte du contexte : les agents IA adaptent en permanence leurs actions en fonction de l’évolution de l’environnement.

• Apprentissage : les agents IA améliorent leurs performances au fil du temps en s’adaptant et en se perfectionnant.

Gestion intelligente de portefeuilles d’investissement avec des agents IA

Les agents IA sont appelés à révolutionner la gestion de portefeuilles en passant d’une approche basée sur des règles à une prise de décision adaptative, contextuelle et pilotée par l’IA. Les applications de gestion de portefeuilles basées sur l’IA apprennent en permanence, s’adaptent et optimisent les stratégies d’investissement de manière plus proactive et plus efficace. L’avenir ne sera pas le remplacement des gestionnaires de portefeuille par l’IA, mais plutôt une collaboration entre humains et IA pour créer des portefeuilles plus intelligents, adaptatifs et sensibles aux risques. Les gestionnaires de portefeuilles qui tirent parti de l’IA acquièrent un avantage concurrentiel et une compréhension plus approfondie pour améliorer significativement la performance de leurs portefeuilles.

Comme illustré dans la figure 4 ci-dessous, la solution comprend une application d’ingestion de données, trois agents IA et une application d’analyse de marché qui fonctionnent en harmonie pour créer une approche de gestion de portefeuilles plus intelligente et axée sur les informations.

Application d'ingestion de données

L’application d’ingestion de données fonctionne en continu, capture diverses données de marché et les stocke sous forme de time series ou de collections standard dans MongoDB.

• Données de marché : collecte et traite les données de marché en temps réel, notamment les prix, les volumes, l’activité de trading et l’indice de volatilité.

• Actualités des marchés : capture et extrait les actualités relatives aux marchés et aux actions. Les données d’actualités sont vectorisées et stockées dans MongoDB.

• Indicateurs de marché : extrait les principaux indicateurs macroéconomiques et financiers, tels que le PIB, les taux d’intérêt et le taux de chômage.

Agents IA

Cette solution comprend trois agents IA. L’agent d’analyse de marché et l’agent d’actualités financières exécutent des workflows analytiques alimentés par l’IA. Ils fonctionnent selon un calendrier quotidien de manière entièrement automatisée, produisent les résultats attendus et les stockent dans MongoDB.

Conçu pour épauler le gestionnaire de portefeuille, l’agent d’assistance de marché dispose d’un workflow plus dynamique. Son fonctionnement repose sur le prompt engineering et la prise de décision agentique. L’agent d’assistance de marché est capable de répondre aux questions relatives à la réallocation d’actifs et aux risques de marché en fonction des conditions actuelles, et de fournir aux gestionnaires de portefeuilles des analyses innovantes pilotées par l’IA.

• Agent d’analyse de marché : analyse les tendances, la volatilité et les schémas du marché afin de générer des informations relatives au risque des actifs du portefeuille.

• Agent d’actualités financières : évalue le sentiment des actualités pour chaque actif en analysant les informations susceptibles d’influencer directement et indirectement la performance du portefeuille. Il utilise MongoDB Vector Search.

• Agent d’assistance de marché : à la demande et via un prompt, répond aux questions des gestionnaires de portefeuilles sur les tendances du marché, l’exposition au risque et l’allocation du portefeuille en utilisant des sources de données et des analyses créées par d’autres agents.

Application d’analyse de marché

L’application d’analyse de marché est une interface de visualisation qui fournit aux gestionnaires de portefeuille des graphiques, des tableaux de bord et des rapports contenant des informations exploitables sur leurs investissements, issues des analyses réalisées par des agents IA. Ces informations sont générées automatiquement selon un calendrier quotidien prédéfini et présentées aux gestionnaires de portefeuille.

Les agents IA permettent aux gestionnaires de portefeuille d’adopter une approche intelligente et fondée sur le risque en analysant l’impact des conditions de marché sur le portefeuille et ses objectifs d’investissement. Ces agents tirent parti des puissantes capacités de MongoDB, notamment son framework d’agrégation et sa recherche vectorielle, combinées à des modèles d’embedding et d’IA générative pour réaliser une analyse intelligente et fournir des recommandations de portefeuille pertinentes.

Étapes suivantes

Selon Deloitte, d’ici 2027, les outils d’investissement pilotés par l’IA deviendront la principale source de conseils pour les investisseurs particuliers, les solutions de gestion d’investissement optimisées par l’IA devant atteindre environ 80 % d’ici 2028.².

En tirant parti des agents IA et de MongoDB, les institutions financières peuvent exploiter pleinement le potentiel de la gestion de portefeuilles pilotée par l’IA afin d’obtenir des informations avancées leur permettant d’anticiper les fluctuations du marché, d’optimiser leurs stratégies d’investissement et de gérer les risques avec une plus grande sérénité. MongoDB constitue un socle solide pour le déploiement de l’IA agentique et la mise en œuvre de solutions de gestion de portefeuilles d’investissement de nouvelle génération.

¹ Sun, D., ”Capitalize on the AI Agent Opportunity”, Gartner, 27 février 2025.

² AI, wealth management and trust: Could machines replace human advisors?, World Economic Forum, 17 mars 2025.