Quantitative strategies using artificial intelligence, machine learning and alternative data

1. B U I L D I N G T H E F U T U R E O F
I N V E S T I N G
N AP O L E O N
C RY P TO
N a p o l e o n X C r y p t o A s s e t M a n a g e r
Tuesday, 10 August 2021

2. Tuesday, 10 August 2021
B U I L D I N G T H E F U T U R E O F I N V E S T I N G
N A P O L E O N
C R Y P T O
D É V E L O P P E M E N T O U T I L D ’A L L O C AT I O N À
B A S E D ’ I A

3. Développement d’une plateforme sécurisée
d’investissements performants et automatisés d’actifs et de
cryptoactifs financiers
Difficulté de créer des algorithmes qui
soient capables de générer de la
performance quelles que soient les
conditions de marchés et/ou pour des
actifs différents.
Fournir de la performance
absolue à base d’algorithmes
tout en prenant en compte
des contraintes des grands
investisseurs: sous-jacents
liquides, régulation, faits
stylistiques
Définition d’une méthodologie
outillée de composition
d’algorithmes basées sur la
recherche de features
Recherche d’algorithmes de composition
d’algorithmes d’investissement
Solutions patrimoniales/Mélange crypto
aggressif
IA/econometrics
Recherche d’algorithmes d’investissement:
sélection univers avec contraintes
Construction de stratégies par univers
IA/econometrics
Recherche de la
performance optimale
via des algorithmes
d’investissement
Objectif de R&D
Verrous
Travaux
Légende
Axe de R&D
Problématiques
Implémenter des solutions
adaptatives en fonction des
carnets d’ordre à base de
techniques de découpage
d’ordres de marché. Difficile à
backtester. Heuristique et mise
en production directe
Recherche sur les algorithmes de meilleure
exécution efficace dans le monde des crypto
actifs
TWAP, advanced iceberg order, ..
IA/Reinforcement learning
Plus la fréquence est élevée (turn over), plus
c’est important
Recherche de
l’exécution optimale
dans le marché
immature des crypto-
actifs
Optimiser l’exécution
d’algorithmes sur les
marchés des cryptoactifs
en prenant en compte des
contraintes du marché dans
le développement des
algorithmes et l’égal
traitement des parties. Frais
d’exécution sont
primordiaux pour les gros
turn over, basse fréquence,
Difficulté de modéliser le cours des
cryptomonnaies à cause de l’immaturité
des marchés des crypto-monnaies
caractérisée par :
le manque de régulation, les montées et
les chutes brutales de la monnaie, le peu
de diversité d’ordres, des structures de
frais archaïques, etc…
Difficulté d’assurer la meilleure exécution
des algorithmes dans un contexte de
marché à faible liquidité
Développement d’un outil de simulation
d’évaluation multicritères des algorithmes
Vision d’ensemble

4. External Data Provider
REST API
Strategy transaction & Logs emission
Regulators
Indexes checkers
Napoleon customer
to get financial advises
NAPOLEON
Data
REST API
Values publishing
Feed prices
NAPOLEON Index publishing
REST API
R&D Napoleon Toolbox Connector
Napoleon sales force
Demonstrating
Notebooks
Napoleon
R&D server
• Database of Napoleon proprietary features
• Library of existing devised strategies
• Visualization/management notebook
Infrastructure IT R&D pour Napoléon AM
Napoleon
R&D Toolbox
• Features generation algorithms
• Standard financial algorithms
• Advanced strategies mixing algorithms

5. Un serveur de notebook pour la visualisation des résultats
Napoleon
R&D server
• Library of existing devised strategies
• Visualization/management notebook
• Analytique disponible sur le serveur via la
napoleon toolbox
• Capacité de visualisation et investigation

6. Constitution d’une base de stratégies primaires Napoléon AM
Napoléon AM a développé des stratégies primaires au cours de dizaines d’années d’expérience en tant qu’asset manager professionnel pour toutes les classes
d’actifs fiat et cryptos :
• Equity indices
• Taux/obliigations
• Commodité
• Crypto actifs
Ces stratégies sont adaptées au sous-jacent/marché et sont construites à partir de la calibration de processus stochastique et de tests statistiques, qui génèrent
un signal prévoyant l’évolution du sous-jacent. Elles peuvent se ranger en trois catégories:
• Momentum/trend following
• Mean reverting
• Buy the dip
Ces stratégies primaires sont les briques sur lesquelles notre moteur d’allocation d’intelligence artificielle va calculer des poids d’allocation optimale et définir
un indice blend de ces différentes stratégies.
Evolution from Napo signal 𝑜𝐼
𝑡
:𝐼𝑡 = 𝐼𝑡−1 ∗ (1 + 𝑜𝐼
𝑡
∗ 𝑅𝑢𝑛𝑑𝑒𝑟𝑙𝑦𝑖𝑛𝑔
𝑡
)
Napoleon AM proprietary strategy and matching signal : 𝐼𝑡, 𝑜𝐼
𝑡
7 S&P 500 Napoleon AM proprietary strategies: 𝐼1, 𝐼2, 𝐼3, 𝐼4, 𝐼5, 𝐼6, 𝐼7

7. La première étape est la découverte et collection de données non travaillées chez les fournisseurs financiers professionnels (Bloomberg,Reuters).
Cette donnée se décline dans les catégories suivantes:
• Indicateurs macro-économiques (US, Asie, Europe): manufacturiels avancés, immobiliers, inflation, chômage, création monétaire
• Indicateurs de marché : bull/bear indicateur, volatilité, métriques encours produits dérivés
• Indicateurs taux/commodités : différentes mâturités, spread
• Indicateurs de type signal : stratégies primaires Napoléon, données de marché des indices mondiaux
Cette étape consiste en une mise à jour quotidienne des indicateurs via un processus de gestion de la qualité de la donnée (harmonisation des fréquences
d’apparition, gestion de la donnée manquante).
Cette étape est suivi d’un processing de ces séries financières pour en extraire une valeur financière prédictive.
La nécessité de ce premier processing naît du fait que les financiers s’accordent sur des consensus autour de la valeur indicative de calculs dérivés de ces
données brutes. Il provient d’une large expérience sur les marchés financiers en tant qu’asset managers professionnels. Des librairies open-source éprouvées
sont utilisées ici pour le calcul d’indicateurs financiers (scikit-learn, https://ta-lib.org/). Il couvre un large panel de méthodologies:
• Normalisation, z-score, désaisonnalisation, écart à la tendance, stationnarisation
• Indicateurs financiers standards (macd, rsi, %R, oscillateurs, etc…)
Une troisième étape à ce processing s’ajoute, qui se compose de méthodes type data-science pour une extraction d’indicateurs de marché avancés.
Cette étape se réalise à l’aide de tableurs avancés excel/python-panda. Les indicateurs primaires créés ci-dessus sont utilisés pour détecter des états de marché
via un apprentissage non-supervisé. Des périodes temporelles disjointes où les indicateurs primaires exhibent des comportements similaires sont extraites et
définis comme des états de marché. Ces états de marché deviennent des indicateurs à part entière :
• Détection d’états de marché, clustering non supervisé
• Création d’indicateur coupe-circuit, risk on/off
Les différentes techniques utilisés pour l’apprentissage non supervisé se rangent de la simple détection de seuil (traitement du signal fft) à du clustering
avancé d’apprentissage profond par autoencoder en passant par les clusterings standards hiérarchiques et k-mean.
Constitution de la base Napoléon propriétaire d’indicateurs
à but d’apprentissage

8. Caractéristiques de marché
• Indicateurs macro-économiques (US, Asie, Europe):
manufacturiels avancés, immobiliers, inflation,
chômage, création monétaire
• Indicateurs de marché : bull/bear indicateur,
volatilité, métriques encours produits dérivés
• Indicateurs taux/commodités : différentes mâturités,
spread , or, pétrole
• Indicateurs de type signal : stratégies primaires
Napoléon, données de marché des indices mondiaux
Constitution de la base Napoléon propriétaire d’indicateurs
à but d’apprentissage
Processing financier
• Echantillonage, qualité de la donnée
• Normalisation/stationnarisation
• Indicateur financiers (macd, rsi, …)
Processing data science
• Détection d’états de marché
• Indicateurs coupe-circuit
• Détection d’outliers
Napoleon AM
indicateurs
propriétaires

9. Création d’un framework d’apprentissage
pour la prévision d’une allocation optimale
Apprentissage supervisé pour une allocation optimale 100% systématique :
Nos algorithmes de composition bâsés sur l’intelligence artificielle font partie intégrante de l’effort de recherche de Napoleon AM. Ils
permettent d’associer ensemble des strategies déjà performantes et de bénéficier de leur decorrelation pour obtenir un “blend” avec
des caractéristiques financiières encore plus attrayantes. Notre framework d’intelligence artificielle est un framework d’apprentissage
supervisé, où la supervision vient du future à travers un critère d’utilité (Sharpe/Calmar ratio, drawdown). Cette supervision disponible
a posteriori (cadre IA d’apprentissage supervisé) permet de concevoir des algorithmes qui apprennent à prévoir des allocations
optimales sur nos strategies primaires à partir de l’état du monde représenté par notre base propriétaire d’indicateurs.
Cadre de travail de backtesting:
Lors de l’implementation d’une algorithme de modélisation supervisée, on doit définir un ensemble d’entraînement et un ensemble de
test où la prediction se réalisera. Ici nous visons à realiser un backtest sur toutes les périodes avec un algorithme évolutif prenant en
compte le caractère changeant des marchés financiers. L’algorithme de prédiction roulera donc dans le temps, où à chaque date de
rebalancement, il apprendra sur une période d’entraînement dans le passé et prédira la meilleure allocation à venir pour une période
de prediction définie jusqu’au prochain rebalancement. Les backtests présentés dans ce papier sont donc totalement “out of sample »
et sont totalement réplicables sur de vrais marchés financiers en y incorporant des frais de transaction et la prise en compte de décalage
des marchés financiers.
Tester et trouver la configuration optimale:
L’agnosticité de notre framework de backtesting en terme d’algorithme et de méta paramètres (taille de période de rebalancement,
d’entrainment, paramètres initiaux aux rebalancements) nous permet de tester exhaustivement de multiples
configurations/algorithmes et de sélectionner la meilleure configuration.

10. Apprentissage supervisé pour une allocation optimale
𝒕𝒏
1 t+pred_size
t
10
t
t-train_size
• Le framework AI développé à Napoleon AM est un framework d’apprentissage supervisé pour la prédiction de séries temporelles.
• A chaque date de rebalancement, notre algorithme prévoit l’allocation optimale(𝑤1
∗
, … , 𝑤𝑛
∗
) à partir d’indicateurs propriétaires
• L’allocation est optimale au sens d’une fonction d’utilité financière (Sharpe ratio, Calmar ratio, etc..)
• La supervisation est obtenue car les stratégies primaires sont connues dans le passé et de simples routines d’optimisation permettent de calculer
(𝒘𝟏
∗
, … , 𝒘𝒏
∗
) l’allocation optimale a posteriori.
• L’algorithme entraîné à partir du passé permet de prédire l’allocation optimale a priori 𝒘𝟏, … , 𝒘𝒏 pour la future période de rebalancement
• Ce cadre de travail est indépendant de l’alogrithme choisi, ainsi que du sous-ensemble d’indicateurs choisis pour effectuer l’apprentissage et la prédiction
Predicted
weights
Training
days
w1, … , wn
Past
𝒕𝒏 + 𝒑𝒓𝒆𝒅_𝒔𝒊𝒛𝒆
𝒕𝒏 + 𝒕𝒓𝒂𝒊𝒏_𝒔𝒊𝒛𝒆
Optimal
weights
Training
days
(𝑤1
∗
, … , 𝑤𝑛
∗
)
Optimal
weights
Training
days
(𝑤1
∗
, … , 𝑤𝑛
∗
)
Optimal
weights
Training
days
(𝑤1
∗
, … , 𝑤𝑛
∗
)
Future
Création de données de
supervisation
• Bibliothèque de procédures d’optimisation
• Allocation optimale selon utilité (drawdown, sharpe,
calmar)
• Rendement à venir pour différents horizon
Marché
supervision

11. Environnement de Backtesting
L’indépendance de notre backtesting framework à l’algorithme de prévision et à la base d’apprentissage donne lieu à un vaste domaine de recherche pour la
sélection du meilleur algorithme et des meilleurs prédicteurs. Pour se comparer aux standards de l’industrie, nous avons dans un premier temps implémenté une
bibliothèque des principaux algorithmes d’allocation éprouvés par l’industrie financière:
• Equally Risk Contribution
• Hierarchical Risk Parity
• Maximum Diversification
Fort des évolutions de l’intelligence artificielle et des algorithmes de type apprentissage profond open-source, une partie de l’effort de recherche et
développement s’est tourné vers l’implémentation et le test d’algorithmes d’intelligence artificielle.
• Apprentissage profond perceptron
• Réseaux de neurones récurrents (LSTM : Long/short term memory)
• Forêts aléatoires boostées
La calibration des paramètres des algorithmes et du backtesting est un sujet de recherche à part entière. Nous avons mis en place une boîte à outil qui permet de
tester exhaustivement toutes les configurations possible. La configuration optimale à laquelle les efforts de recherche ont abouti est la suivante :
• A chaque date de rebalancement, l’algorithme est réentraîné sur les données les plus récentes avec une taille fixée optimale dans le passé et en prenant
comme configuration initiale les poids optimaux précédents (rebalancing standard en finance)
• Les paramètres de l’algorithme sont fixés au démarrage du backtest (méta paramètres : utilité, fréquence de rebalancement, architecture de réseau).
De nombreuses différentes configurations ont été testées et rejetées:
• Période d’entraînement dont la taille grandit avec le passé disponible (expanding training)
• Introduction d’aléa dans les valeurs de depart pour sortir des minimas locaux (type algorithme génétique)
• Recalibration des paramètres à chaque date de rebalancement (le modèle et les méta-paramètres changent dans le temps)
• Sélection de sous-ensembles de prédicteurs pour construire plusieurs modèles et faire de l’”ensembling”
Ces configurations dependent bien sûr de l’algorithme choisi et ont été fixé pour l’algorithme choisi pour le fond Dynamix de Napoléon AM.
Mais à chaque conception d’un nouvel algorithme, elles sont de nouveau toutes testées et la meilleure approche est sélectionnée.

12. Cadre de travail pour le développement
et backtesting d’algorithmes prédictifs
Napoleon
blend
indices
Napoleon
Backtesting framework
• Bibliothèque complète d’algorirthmes
• Algos financiers standards
• Equally Risk Contribution
• Hierarchical Risk Parity
• Maximum Diversification
• Algos de prédiction de series temporelles
• Deep learning perceptron
• Long/short term memory
• Forêts aléatoires boostées
• Tuning des algorithmes par recherche exhaustive
des meilleurs paramètres
• Ensembling de modèles
Napoleon
indicateurs
propriétaires
Marché
past
supervisation

13. Des résultats de comparaison entre l’intelligence artificielle et les
algorithmes financiers standards

14. Caractéristiques de marché
non travaillées
• Caractéristiques macro-économiques
• AVERAGE_usloans
• AVERAGE_usrealestate
• AVERAGE_euleadgrowth
• AVERAGE_eucredijob
• AVERAGE_japanleadinggrowth
• AVERAGE_chinagrowth
• AVERAGE_usinflation
• Caractéristiques de marché
• SCGRRAI
• AAIIBULL
• AAIIBEAR
• GSUSFCI
• VIX
• V2X
• SKEW
• PUT/Call
• NYSE High / Low
• Caractéristiques taux/commodité
• DXY
• BCOMGC
• BCOMCL
• US 2/10
• US10
• GER 2/10
• GER10
• Credit Spread US
• Credit Spread EU
• Caractéristiques prix/signaux napoléon
• Napoleon strategies
• Napoleon shortcut signals
• World wide indexes OHLC
Constitution de la base Napoléon propriétaire d’indicateurs
à but d’apprentissage
Processing financier
séries temporelles
• Echantillonage
• Stationnarisation/normalisation
• Indicateur financiers (macd,rsi, ...)
Processing avancé data science
• Apprentissage non supervisé/clustering pour
détecter phase de marché
• Transformée de Fourier/Ondelettes
• Création d’indicateur coupe-circuit
• Sélection des meilleurs prédicteurs
• Importance des prédicteurs par catégorie
Napoleon
indicateurs
propriétaires
Création de données de
supervisation
• Bibliothèque de procédures d’optimisation
• Allocation optimale selon utilité (drawdown, sharpe,
calmar)
• Rendement à venir pour différents horizon
Marché
supervisation
Création
stratégies primaires
• Trend following
• mean reverting
• buy the dip
Napoleon
proprietary
strategies