Activepivot

« Le temps de réaction d’ActivePivot permet d’accélérer la prise de décision »

« Le temps de réaction d’ActivePivot permet d’accélérer la prise de décision »

Réagir vite, en permanence, analyser en temps réel de gros volumes de données dynamiques très volatiles… En finance de marché, ActivePivot est utilisé pour sa puissance de calcul sur des problématiques notamment liées au PnL, ou à la gestion de risques.

Grâce à sa base in-memory, qui positionne données et calculs au plus près des CPU (unités de calculs), la solution permet, en temps réel, de prendre les meilleures décisions opérationnelles basées sur des simulations correctives ou prédictives. Pour Cédric, développeur Java/ActivePivot au sein d’une banque d’investissement, « minimiser le temps de calcul, c’est évidemment maximiser les profits ».

 

La prise de décision en temps réel est le graal du monde de la finance. Quels en sont les enjeux ?

Les enjeux sont énormes car les obligations en matière de maîtrise de risques se sont accrues ces dernières années. Sans oublier qu’aujourd’hui, nous vivons dans un monde interconnecté, soumis d’une part à l’effet papillon, mais surtout à des marchés très volatiles. Par conséquent, réagir et décider vite est effectivement le graal de tout trader. En effet, analyser la donnée en temps réel leur permet de suivre de façon quasi instantanée les positions, les risques et les pertes et profits (Profit and Loss : PnL).

Toutefois, il faut relativiser la notion de temps réel car cette notion veut tout et rien dire. Pour les algorithmes qui travaillent en trading haute fréquence, le temps réel se situe au niveau de la microseconde. Pour les personnes comme nous, qui travaillons sur de l’agrégation de risques et calculs PnL, c’est plutôt 10 à 20 s. Quant à ceux qui font du PnL officiel en temps réel, c’est une fois par jour.

 

Taillé pour les salles de marché, ActivePivot accélère la décision en analysant en temps réel d’importants volumes de données en constante fluctuation. Quels avantages les salles de marché tirent-elles d’une solution in-memory ?

En premier lieu, un temps de réponse beaucoup plus rapide. En effet, un moteur d’agrégation in-memory permet d’effectuer des agrégations en temps réel sur un flux constant de données et assure la disponibilité d’analyses « à la volée ». Une exigence qui convient bien à l’activité de produits de taux (dérivés et vanilles) pour laquelle les ‘traders’ ont besoin d’évaluer leur risque et se couvrir très rapidement. Le temps de réaction d’ActivePivot, qui ne dépasse pas les 5 secondes dans un contexte de calcul de PnL et d’agrégation de risque, nous permet donc d’accélérer la prise de décision.

Mais il faut quand même ajouter, que la latence dépend de la volatilité du marché et de la quantité de deals que nous sommes en train de traiter. Au cours d’une journée, ActivePivot peut calculer et agréger du PnL sur des deals en 500 millisecondes.

 

Sur quelles technologies s’appuie la plateforme ActivePivot ?

ActivePivot se base sur plusieurs « technologies ». Tout d’abord, c’est un cube OLAP écrit en java. Sa particularité est qu’il pallie aux points faibles de Java. Il utilise la « off heap » pour stocker les informations persistantes (mémoire non manage) et pour diminuer la pression sur les « GC » c’est-à-dire sur les événements qui ralentissent beaucoup les applications temps réel.

La deuxième « technologie » sur laquelle s’appuie ActivePivot c’est la «continuous query » ou la requête continue. L’utilisateur – que ce soit un trader, une appli de trading ou de calcul de PnL- s’abonne au cube et c’est le cube qui envoie des updates aux clients sous forme d’un système de streaming en temps réel. Les technologies sous-jacentes qui permettent ce comportement sont le Long Polling et les WebSockets.

 

De ce fait, les indicateurs sont également livrés en temps réel ? Quels bénéfices pour les Métiers ?

Les utilisateurs reçoivent des analyses en continu. Ils peuvent ainsi, à l’aide de formules très simples, définir des limites et être alertés si l’indicateur varie par rapport à des limites prédéfinies. S’il y a une anomalie, elle est restituée dans un environnement de visualisation, dans son contexte et son historique. Donc, les décisionnaires ont tous les éléments pour prendre la bonne décision.  Les indicateurs livrés en temps réel sont des indicateurs de risques (sensi, greeks, PnL et stratégies de hedge).

Les utilisateurs apprécient l’agilité et la flexibilité du logiciel, ainsi que la possibilité de garder la main sur la restitution des données, cette dernière étant facile à configurer. Les métiers ont plus rapidement accès à la donnée mais surtout ils peuvent changer la visualisation. Par exemple, ils peuvent visualiser les deals par client ou par contrepartie. En multipliant les interactions et les scénarii, ils peuvent comprendre vraiment ce que la donnée veut dire et ce que leur position représente et surtout quel est le risque de leur position. In fine, en maximisant le temps de réaction, ils maximisent les profits. Ils peuvent même shocker leurs positions en temps réel et créer des scenarii de simulations de crise (stress tests).

 

On peut lire qu’ActivePivot traque l’exception sur les données en temps réel, qu’est-ce que cela signifie ? Doit-on comprendre que les anomalies sont mieux prises en compte, que les positions de risque qui dévient par rapport à la norme sont plus vite détectées ?

Considérons qu’un desk a une exposition en euro limite à 100M d’euros. Avec ActivePivot, dès que cette exposition est atteinte, des alertes sont levées. Cela permet en temps réel de visualiser les limites des desks mais aussi des applications de VAR/Stress test…

Autre cas, si on vous vole votre carte bleue, aujourd’hui des algorithmes sont capables de détecter si la transaction vient de vous ou pas. ActivePivot peut détecter ce genre d’anomalie. En utilisant le machine learning on est désormais capable d’établir des comportements type en fonction de pattern prédéfinis. Très vite, on sait si votre carte bleue a été volée ou pas.

 

Avec la génération de milliards de simulation, dans quelle mesure la fonction « Multiversion concurrence control » de la solution est un atout pour une organisation ?

Si on se place dans un contexte international, à l’instar de ce qui s’est passé en 2008 par exemple, nous avons aujourd’hui la possibilité de réaliser des stress tests. Ils permettent d’élaborer un scénario had hoc. En 2008, la crise a surpris tout le monde et aucun scénario n’avait été simulé pour répondre à l’éventualité d’une telle onde de choc. Mais on peut se demander si les stress tests sont suffisants pour prévenir une nouvelle crise ? À ce titre, on peut évoquer l’effet « black swan » qui édicte que « comme on ne peut pas le prévoir on ne peut pas le simuler ». En effet, même si on effectue tous les stress test du monde, il y a fort à parier que si une nouvelle crise survient elle exposera le secteur à des scenarii inédits.

Donc le « multiversion concurrence control » permet aux banques de ne pas répéter les scenarii des crises précédentes. Mais la vraie problématique c’est de savoir si ces tests vont permettre de prévenir les prochaines crises. Tout l’enjeu est là !

L’intérêt de la solution ActivePivot, c’est qu’elle permet des simulations correctives et prédictives et ainsi envisager comment la banque va réagir.

 

Peut-on dire qu’ActivePivot révolutionne la prise de décision ?

Révolutionner est un très grand mot. Je dirais plutôt qu’ActivePivot est un outil indispensable dans la gestion de risque. On choisit surtout cette solution pour sa puissance de calcul. Dans notre structure, nous l’utilisons sur les produits de taux (sous-jacents de produits financiers) car ce sont des produits mathématiquement complexes. Nous avons donc besoin d’une vraie puissance de calcul mais aussi de la scalabilité qu’offre la solution.

 

 

ActiveViam a élargi son offre à la logistique, à la distribution, au détail… Preuve que le temps réel concerne désormais tous les domaines d’activité ?

Oui, effectivement, l’éditeur propose aujourd’hui plusieurs verticales pour la finance et la banque, mais aussi pour l’optimisation logistique. Pour la distribution, ActiveViam propose une solution qui permet de gérer une politique de tarification dynamique. Les distributeurs peuvent suivre des indicateurs importants de performance. Cette solution est vendue en tant que « a service as a plateform ». Par exemple, un distributeur présente son use case à ActiveViam, l’éditeur le développe sur le cloud et la Fnac se connecte à travers des API. Dans mon métier, on utilise directement les librairies de l’éditeur alors que d’autres sont plus sur une utilisation sur un mode SaaS (software as a service).

 

Est-ce que l’évolution du langage Java, Java 9 récemment et Java 10 à venir, accompagne ces tendances ?

Un des grands avantages de Java c’est son évolution. Il devient un langage fonctionnel car il permet de paralléliser le calcul sans mettre des lock (clés). Donc on gagne en performance. Dans les nouvelles versions, on voit également apparaître G1, un nouvel algorithme qui change le fonctionnement de la mémoire java. Il est adapté pour les appli low latency. Il est apparu avec java 8 et va sûrement être le nouveau standard en java 9, je pense. Enfin, les nouveaux modules en java 9 vont permettre de télécharger moins de choses.

Par ailleurs, Java9 et Java10 accompagnent beaucoup plus les tendances IoT en rendant Java de plus en plus modulable. Ils permettent aussi une plus grande robustesse dans le calcul parallèle qui est le cœur de métier d’ActivePivot.

En réagissant à cet article, vous nous permettez d'affiner les contenus que nous publions ici !

  • Awesome (0)
  • Interesting (0)
  • Useful (0)
  • Boring (0)
  • Sucks (0)

Si cet article vous a plu, n’hésitez pas à le partager via

Ces articles peuvent également vous intéresser