Avec le développement de l’arbitrage statistique, des innovations produits et la complexification des modèles financiers, avoir des systèmes informatiques fiables, robustes et performants est devenu un enjeu majeur pour les institutions financières, notamment les banques et les hedge funds. Les quants, qui jusque là pouvaient se contenter d’implémenter leurs modèles mathématiques à la va vite dans les librairies de pricing, font désormais partie intégrante d’un gigantesque puzzle de la course aux performances.
Et si historiquement, il est incontestable que les quants ont toujours été des développeurs, les prochaines années risquent fort d’accentuer cette tendance et de démocratiser définitivement le profil du « quant geek » : cet ingénieur au niveau suffisamment élevé en mathématiques pour comprendre la théorie probabiliste, mais disposant d’autant, voire de plus d’aptitudes en programmation informatique pour déceler et décrypter les poches d’optimisation de ses programmes.
En France, les milieux universitaires semblent ne pas avoir pris la mesure de cette tendance. Les cours de programmation dans les DEA de mathématiques appliquées, qui fournissent l’essentiel des quants sur le marché de l’emploi, ne représentent en général qu’une maigre portion au regard de la totalité des enseignements.
En France, par manque d'informations ou tout simplement par pur idéalisme, les ingénieurs financiers à la sortie de l'école éprouvent une certaine aversion pour l'informatique.
A titre d’exemple, le Master de l’Université Paris 6 dirigé par Nicole El Karoui, l’un des meilleurs Masters de la place parisienne, ne propose que 18 heures d’introduction optionnelle au C++, en marge des cours officiels et dans le cadre d’une « remise à niveau ». Le Master de l’Université Paris Est Marne-la-vallée, dirigé par Damien Lamberton, dispose bien d’une offre en informatique de 3 heures par semaine au premier trimestre, mais elle se fait au bon gré des étudiants volontaires. Et dans les deux cas, aucun de ces cours n’est soumis à un examen final pris en compte dans le calcul de la moyenne de fin d’année.
Les explications à cette situation sont nombreuses. La première étant que les DEA de mathématiques, devenus aujourd’hui les Masters Recherche, sont avant tout des formations en mathématiques et non de finance quantitative. La nuance est importante car ce type de formation est historiquement destiné à orienter les étudiants vers la recherche académique, ce qui implique qu’elles sont tenues de respecter un certain nombre de critères en termes de connaissances et d’outils théoriques mathématiques.
La deuxième raison est que les universitaires français sont relativement conservateurs et, contrairement à leurs homologues anglo-saxons, le passage université à entreprise ou l’inverse n’est pas devenu la norme pour eux. Les cas les plus connus, comme Peter Carr (docteur en finance, responsable de la recherche chez Bloomberg et directeur du Master de la Courant Institute à New York), Emanuel Derman (docteur en physique, directeur de la recherche quantitative actions chez Goldman Sachs jusqu’en 2002 avant de prendre la direction du Master d’ingénierie financière de l’Université de Columbia) ou Mark Joshi (docteur en mathématiques, responsable de l’équipe de risques chez RBS jusqu’en 2005 et actuellement professeur à l’Université de Melbourne), sont là pour attester que le mélange des genres ne dérange pas outre mesure les universitaires anglo-saxons.
Cette relation fusionnelle entre la recherche académique en probabilités appliquées et l’industrie financière a permis aux grandes institutions américaines de mettre en adéquation une demande estudiantine croissante et éclectique (physiciens, mathématiciens, informaticiens) à un désir de recruter des ingénieurs quantitatifs aux profils polyvalents (capable de comprendre la finance, de faire des mathématiques et de programmer des outils robustes). L’émergence des hedge funds aux Etats-Unis et les besoins en terme de performances suscités par leurs activités ont fini de mettre l’accent sur l’importance capitale des nouvelles technologies en finance.
En France, par manque d’informations ou tout simplement par pur idéalisme, les ingénieurs financiers à la sortie de l’école éprouvent une certaine aversion pour l’informatique. Certains étudiants sont tellement fascinés par les modèles et leur beauté conceptuelle qu’ils n’envisagent pas une seule seconde d’écrire des milliers de lignes de code et de passer d’interminables heures à débugger des programmes. Cela se reflète bien évidemment sur le niveau des candidats en entretien. La réalité des marchés est pourtant beaucoup plus terne : la recherche quantitative de type académique en salle de marchés en France est celle qui offre certainement le moins de postes comparativement aux autres places financières, comme Londres ou New York.
Et contrairement à une pensée dominante chez les futurs quants, les modèles financiers ne sont pas tenus, pour être considérés comme « fonctionnels », de retranscrire tous les scénarios possibles et envisageables. Leur utilisation reste avant tout un éternel compromis entre leur capacité à donner rapidement une vue plus ou moins « réaliste » du marché à un instant « t » et l’efficacité avec laquelle ils le font pour un jeu très important d’informations. Cette efficacité étant largement dépendante de la robustesse des outils de valorisation et de la puissance des machines qu’on sollicite pendant la calibration et le pricing. Une certaine tendance à la standardisation fait par ailleurs que les ajustements et innovations mathématiques sur les modèles auront de moins en moins vocation à être industrialisés.
Implémenter une équation différentielle stochastique et calculer une espérance est sans aucun doute à la portée de nombreux ingénieurs quantitatifs, mais intégrer ce corpus mathématique dans le cadre d’un business de l’ampleur de celle d’un desk de trading est sans doute bien plus difficile qu’on ne le pense souvent une fois son diplôme en poche. Car dans ce contexte, les bases de données, les outils dédiés au pricing et les systèmes de trading occupent une place prépondérante dans la chaîne de rentabilité. Une place qui, à l’avenir, sera certainement bien plus importante que celle des modèles mathématiques.
Les futurs quants ne devront donc plus simplement savoir traduire des algorithmes de minimisation ou des diffusions stochastiques en quelques lignes de code. Ils devront désormais avoir le recul d’un point de vue informatique pour développer efficacement leurs modèles dans des pricers robustes, intelligents et performants, et être capable de fournir un rendu logiciel final transparent et « user friendly » pour les utilisateurs. Le profil du chercheur en mathématiques « stylo au bout des doigts et papier à la main », pour reprendre une expression de Daniel Duffy, va irrémédiablement laisser place à celui du développeur expérimenté capable d’apprivoiser indifféremment les algorithmes mathématiques, la programmation parallèle et le développement d’interfaces. Le quant de demain sera plus que jamais, sans aucun doute, un « informathématicien ».
