Management — 08/02/2017 at 12:00

Quants vs traders : qui gagne ?

by

girl14

J’ai été confronté à cette éternelle rivalité entre traders et quants la première fois que je suis entré sur le trading floor – c’était en 2005 en tant que stagiaire dans le cadre du summer program chez UBS. A l’époque, j’étais un jeune diplômé en informatique. Etant donné que dix ans plus tard je me suis retrrouvé trader sur le sell-side puis gestionnaire de portefeuille sur le buy-side dans l’un des plus grands hedge funds, j’ai vu cette rivalité des deux côtés.

Ce débat n’est pas nouveau. En fait, il est vieux de plusieurs décennies.

Un quant va développer un beau modèle, exhaustif et bien documenté, pour fixer au mieux le prix d’un produit, qu’un trader détruira quand il sera effectivement amené à utiliser ledit modèle.

D’autre part, le trader est confronté au challenge de fournir des bénéfices quotidiens en utilisant les modèles pour opérer sur les marchés qui tendent à briser toutes les hypothèses, allant souvent à l’encontre de la logique qui pourrait avoir été intégrée dans un modèle.

Au final, les objectifs sont alignés afin de pouvoir ‘pricer’ au plus près l’instrument financier afin que la banque puisse tirer profit de l’évaluation erronée faite sur le marché pour proposer des prix précis aux clients et leur vendre l’instrument.

Ce qui n’empêche pas qu’il y ait une relation implacable d’amour et de haine entre les traders et les quants. Il s’agit d’une lutte pour l’espace, sur fond de déclaration de pertes et profits (P&L) et du moyen de trouver sa place dans la chaîne alimentaire.

Dans n’importe quelle société de gestion d’actifs, si le quant est le moteur de la voiture, c’est généralement le trader qui est assis à la place du conducteur, en train de rouler et tester les limites du moteur. L’un ne peut pas vivre sans l’autre.

Un nouveau monde voit le jour

Les événements de marché sans précédent, l’innovation technologique et l’explosion du Big Data changent les règles de ce jeu.

Les feuilles Excel sont reprises par d’autres outils tiers. Les serveurs se déplacent vers le cloud. La quantité de données que nous avons désormais à notre disposition a littéralement explosé. Le marketing et les ventes ont migré vers de nouveaux canaux de distribution numériques.

Cela a conduit à de nouvelles fonctions dans les services financiers : analyste machine learning, data-scientist, ingénieur informatique high performance ou bien encore codeur de trading algo quantitatif.

L’innovation est animée par les startups fintech. Sur une promotion de 100, nombreux sont les jeunes diplômés qui rejoignent des sociétés fintech au lieu d’être analysts dans une grande banque, ces derniers étant confrontés à la pression exercée par les startups qui changent les normes de pans entiers de ces secteurs d’activité.

L’exemple classique est l’industrie du ‘robo-advisory’ qui a changé toutes les règles de l’industrie de gestion de patrimoine. Des robo-conseillers leaders proposent sur votre smartphone des investissements via l’intelligence artificielle (IA) en les rendant cools, accessibles et abordables. Si bien qu’à présent il ya subitement une grosse demande pour des profils ingénieurs et plus seulement pour des conseillers financiers en costume cravate.

Beaucoup de gros hedge funds se présentent désormais comme des ‘quant shops’», réduisant à néant la frontière entre gestionnaires de portefeuille et quants. Ils ne veulent pas que les quants travaillent en soutien des traders, ni que les traders soient dispensés de modèles quantitatifs. Ils veulent une nouvelle génération d’ingénieurs pour mettre en place un système à même de faire du trading en utilisant des méthodes quantitatives et assimiler un nombre croissant de données.

Si vous ne pouvez pas battre les quants, rejoignez-les

S’il y aura toujours certains apprentis sorciers sur le trading floor et des quants pouvant réciter le calcul stochastique pendant leur sommeil, la bonne nouvelle est que le nouvel environnement est ouvert à d’autres acteurs.

Ainsi, vous pouvez être un ingénieur en informatique et développer des modèles quantitatifs qui ‘tradent’ des produits à travers le monde. Vous pouvez être développeur front-end et faciliter l’accès via une application smartphone ou un site Web. Vous pourriez être statisticien et faire des modélisations de données dans les paiements et les prêts via des techniques n’ayant encore jamais été utilisées dans la finance tout simplement parce qu’elles n’existaient pas encore il y a cinq ans.

Il y a un besoin croissant de personnes dans de nouveaux postes dans le big data, la data science, le machine learning, l’informatique high performance, etc. Ce qui rend cette industrie à la fois plus difficile et fascinante.

La confiance croissante dans les datas concernant la prise de décision prend le pas sur l’approche vieille école de traders stars qui se fient à leurs intuitions. Il ne s’agit plus seulement de s’attarder sur l’opposition entre quants et traders mais aussi de prendre le pouls des nouveaux métiers recherchés et des compétences dont les professionnels ont besoin pour survivre dans la finance.

Mansi Singhal est un ancien trader de chez Brevan Howard et co-fondateur de qplum, un gestionnaire d’actifs quantitatif spécialisé dans le machine learning.


Source : Mansi Singhal, efinancialcareers.com

Les qualités requises pour devenir un as de la modélisation financière
Contre l’espionnage, la culture du secret
Les nouveaux lieux de la finance parisienne pour réseauter en 2016
Journal d’un stagiaire en banque : « Certains ont déjà abandonné l’idée de travailler dans le secteu...

Leave a Reply

— required *

— required *