FatKat était un projet de recherche en intelligence artificielle développé à l'Université de Toronto au début des années 1990. Il était conçu pour appliquer des réseaux de neurones à la prédiction et au trading sur les marchés financiers, représentant l'un des premiers efforts académiques visant à combiner apprentissage automatique avec la finance quantitative. Le nom du système, FatKat, était un nom de code interne choisi par ses développeurs et ne correspondait à aucun acronyme formel.
Le projet était dirigé par une équipe d'étudiants diplômés et de professeurs au sein du département d'informatique de l'université, travaillant sous l'égide plus large du groupe de recherche en intelligence artificielle. L'innovation principale de FatKat résidait dans son utilisation de réseaux entraînés par rétropropagation pour identifier des motifs dans les données historiques de prix, une rupture par rapport aux systèmes experts basés sur des règles qui dominaient l'IA financière à l'époque. Le système traitait les prix de clôture quotidiens de principaux indices boursiers, notamment le S&P 500 et l'indice composite de la Bourse de Toronto, et générait des signaux d'achat ou de vente en fonction des sorties de son réseau.
Architecture technique
L'architecture de FatKat consistait en un réseau feedforward à trois couches avec 20 nœuds d'entrée, 12 unités cachées et un seul nœud de sortie. Les caractéristiques d'entrée comprenaient des rendements de prix décalés, des moyennes mobiles et des estimations de volatilité calculées sur des fenêtres de 5, 10 et 30 jours. Le réseau était entraîné à l'aide de descente de gradient stochastique avec un taux d'apprentissage fixe de 0,01 et un terme de momentum de 0,9, comme documenté dans le rapport technique de 1994 du projet.
Les données d'entraînement s'étendaient de janvier 1985 à décembre 1992, avec une période de validation distincte de janvier 1993 à juin 1994 utilisée pour éviter le surapprentissage. L'équipe employait arrêt précoce et une régularisation par décroissance des poids, des techniques qui n'étaient pas encore standard dans les applications financières. FatKat fonctionnait sur une station de travail Sun SPARCstation 2, qui fournissait environ 4,2 millions d'opérations en virgule flottante par seconde, et une seule époque d'entraînement sur l'ensemble du jeu de données prenait environ 45 minutes.
Résultats de recherche
Lors de tests rétrospectifs contre le S&P 500 de juillet 1994 à décembre 1995, FatKat a atteint un rendement annualisé de 14,3 pour cent, contre 9,8 pour cent pour une stratégie d'achat et de conservation sur la même période. Cependant, l'erreur quadratique moyenne du système sur des données hors échantillon est restée élevée, et ses coûts de transaction, estimés à 0,5 pour cent par transaction, ont réduit la performance nette à 11,2 pour cent par an. Le rapport final du projet, publié en 1996, notait que la précision prédictive de FatKat se dégradait considérablement pendant les périodes de forte volatilité du marché, en particulier autour de la crise obligataire de 1994.
Malgré ces résultats mitigés, FatKat a démontré que les approches neuronales pouvaient extraire des signaux statistiquement significatifs des séries temporelles financières. Le code et la documentation du projet ont ensuite été intégrés à un cours de niveau diplômé sur la finance computationnelle à l'université, et plusieurs membres de son équipe ont ensuite travaillé dans des fonds spéculatifs quantitatifs à Chicago et à New York.
Héritage et influence
L'influence de FatKat s'est étendue au-delà du milieu académique. Son approche de l'ingénierie des caractéristiques, en particulier l'utilisation de la normalisation par fenêtre glissante, a été citée dans un article de 1998 par des chercheurs de Bell Labs explorant des méthodes neuronales pour la prévision économique. Le système a également anticipé les développements ultérieurs des modèles génératifs pour la simulation de marché, bien qu'il manquait de l'architecture de transformeur qui émergerait dans les années 2010.
Le projet a été interrompu en 1997 lorsque son principal conseiller académique a déménagé à Université Stanford. Aucune version commerciale de FatKat n'a jamais été publiée, et son code source n'a jamais été rendu public. Cependant, le rapport technique de 1994 et le rapport final de 1996 restent accessibles via les archives de la bibliothèque de l'université, et ils sont occasionnellement référencés dans des enquêtes modernes sur l'IA en finance.
Comparaison avec les systèmes contemporains
FatKat était contemporain de plusieurs autres projets d'IA financière précoces, notamment un effort sponsorisé par Fujitsu au Japon qui utilisait des algorithmes génétiques pour l'optimisation de portefeuille et un système de NEC qui appliquait la logique floue au trading de devises. Contrairement à ces approches basées sur des règles ou évolutives, la dépendance de FatKat à l'égard de l'apprentissage basé sur le gradient le rendait plus adaptable aux conditions changeantes du marché, mais aussi plus sujet au surapprentissage. Ses exigences computationnelles modestes, fonctionnant sur une seule station de travail, contrastaient fortement avec le matériel spécialisé utilisé dans les systèmes de trading modernes, mais son principe fondamental d'apprendre à partir de données historiques reste fondamental pour les modèles de finance quantitative contemporains.