Apprentissage de représentation de graphes et applications à la modélisation des marchés financiers

Graph Representation Learning and Applications for Financial Markets Modelling

• Auteur / Autrice : Ashraf Ghiye
• Direction : Michalis Vazirgiannis
• Type : Projet de thèse
• Discipline(s) : Informatique, données, IA
• Date : Inscription en doctorat le 01/07/2022
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : LIX - Laboratoire d'informatique
• Partenaire(s) de recherche : Equipe de recherche : PARTOUT

Mots clés

Mots clés libres

Apprentissage Automatique

Apprentissage de Représentations de Graphes

Recherche Quantitative

Graphes

Apprentissage sur Graphes

Marchés Financiers

Machine Learning

Graph Representation Learning

Quantitative Research

Graph

Graph Machine Learning

Financial Markets

Résumé

Un des défis majeurs que nous rencontrons régulièrement dans les métiers de Global Market est de savoir comment mixer dans un même modèle des sources de données différentes, sur des discrétisation temporelle différente et de nature différente : par exemple, comment mixer des séries temporelles de prix de marché avec des interactions clients, que ce soit des trades, des requêtes de prix ou d'autres informations non-structurées telles que des conversations ou des lectures de documents publiés par des analystes. L'apprentissage de représentations sur graphes devrait pouvoir répondre à ces questions, en représentant chaque point de ces grands graphes d'interaction dans un espace de dimension inférieure (embeddings). Une telle représentation nous permettrait de tirer parti des méthodes modernes d'apprentissage automatique pour résoudre les défis du marché. Nous pensons que cette approche aura de nombreuses applications du côté du trading en nous permettant de mieux modéliser la dynamique du marché, de prévoir les marchés et de développer de meilleures stratégies de trading. Mais également du côté de la vente en nous permettant de mieux comprendre ce qui motive les transactions des clients afin de recommander de meilleurs produits financiers qui répondent à leurs besoins. L'objectif principal de la thèse sera donc (1) de définir de nouvelles représentations graphiques de divers problèmes de marchés financiers et (2) de développer de nouvelles méthodologies d'apprentissage automatique sur les graphes afin d'utiliser différents flux de données pour résoudre des problèmes majeurs de recherche quantitative (prédiction de marché, systèmes de recommandation, stratégies d'investissement).

One of the major challenges we regularly encounter in Global Market's businesses is how to mix in the same model different data sources, with different time discretization and of different nature: for example, how to mix market price time series with customer interaction, be it trades, price requests or other unstructured information such as conversations or readings of documents published by analysts. Graph Representation Learning should be able to answer these questions by representing each point of these large interaction graphs in a lower-dimensional space (embeddings). Such representation would allow us to leverage modern Machine Learning methods to solve market challenges. We believe this approach will have many applications on the trading side by enabling us to better model market dynamics, forecast markets, and develop better trading strategies. But also on the selling side by allowing us to better understand what motivates the clients' trades to recommend better financial products that meet their needs. The main objective of the thesis will then be to (1) define new graph representations of various financial market problems and (2) develop new machine learning methodologies on graphs in order to use different data streams to solve major quantitative research problems (market prediction, recommendation systems, investment strategies).