CONFORMITÉ DU TRADING ALGORITHMIQUE
Les régulateurs n'acceptent plus les journaux d'ordres comme preuve d'audit. Après que le krach éclair d'août 2024 a effacé 1 000 milliards de dollars de valeur et que Citigroup a payé 92 millions de dollars d'amendes pour une seule défaillance algorithmique, la question est passée de « disposez-vous de contrôles ? » à « pouvez-vous reconstituer chaque décision prise par votre algorithme ? ». Nous construisons la couche d'intelligence de conformité qui répond à cette question pour la SEC, la MiFID II, le règlement européen sur l'IA et DORA, pour les entreprises qui ont besoin d'une capacité de niveau entreprise sans la dépendance fournisseur de niveau entreprise.
92 M$
Citigroup sanctionné dans 3 juridictions pour une défaillance de contrôle algorithmique
BaFin + régulateurs britanniques, 2024
70 %
des banques signalent des taux de faux positifs supérieurs à 25 % dans la surveillance des transactions
Enquête Eventus / Datos Insights
2 août 2026
Échéance de conformité du règlement européen sur l'IA pour les IA financières à haut risque
Règlement européen sur l'IA, article 6
Un examinateur de la FINRA arrive pour votre revue d'accès au marché au titre de la règle 15c3-5. Un superviseur de la FCA demande votre auto-évaluation RTS 6. Voici la séquence qui met à nu la plupart des entreprises.
La revue multi-entreprises menée par la FCA en août 2025 sur 10 sociétés de trading pour compte propre a révélé que la plupart disposaient d'une documentation incomplète ou obsolète, sans inventaire clair indiquant qui possède chaque algorithme, sur quels marchés il opère et quels paramètres de risque le régissent. Certaines entreprises ont omis des éléments entiers du RTS 6 dans leurs auto-évaluations. Si vous ne pouvez pas produire un inventaire actuel et complet de chaque algorithme en production, y compris ses marchés autorisés, ses limites de position et la personne enregistrée responsable de son développement (selon la règle FINRA 16-21), l'examen s'arrête là.
C'est là que la défaillance de Citigroup devient instructive. En mai 2022, un trader entendait vendre 58 millions de dollars d'actions mais a créé un panier de 444 milliards de dollars. Les contrôles pré-négociation de Citi ont intercepté 255 milliards de dollars, mais 189 milliards de dollars ont atteint l'algorithme de trading, qui les a fractionnés en ordres de vente et a envoyé 1,4 milliard de dollars sur les marchés européens avant l'annulation. Lorsque la BaFin et les régulateurs britanniques ont enquêté, la question n'était pas seulement « que s'est-il passé » mais « pourquoi vos contrôles ont-ils laissé passer 189 milliards de dollars ? ». Citi pouvait montrer les ordres. Elle ne pouvait pas reconstituer adéquatement la chaîne de décision de l'algorithme qui les a exécutés, ni expliquer pourquoi ses seuils de risque étaient fixés là où ils l'étaient. Cet écart a coûté 92 millions de dollars dans trois juridictions.
La FCA a explicitement signalé une « connaissance technique variable en matière de conformité » comme une faiblesse systémique. Dans la plupart des entreprises, les équipes de conformité savent lire les rapports d'alertes mais ne peuvent pas interroger la logique de l'algorithme, contester ses paramètres de risque, ni vérifier qu'une modification de code n'a pas introduit de nouvelle exposition réglementaire. La solution du secteur a été d'embaucher davantage de personnel de conformité maîtrisant le quantitatif, mais les talents à cette intersection (des personnes qui comprennent à la fois les règles d'accès au marché de la CFTC et les architectures de modèles GNN) sont rares. L'alternative : construire des systèmes qui traduisent les décisions algorithmiques en explications prêtes pour l'audit que le personnel de conformité peut examiner, contester et présenter aux examinateurs sans avoir besoin de lire le code source.
La SEC et la CFTC ont totalisé un montant record de 25,3 milliards de dollars en mesures coercitives en 2024. Les priorités de supervision de la FINRA pour 2026 incluent explicitement le trading algorithmique et l'IA. Le règlement européen sur l'IA exige que les systèmes d'IA financière à haut risque disposent d'une documentation technique, de systèmes de gestion des risques et d'une capacité de supervision humaine d'ici août 2026. DORA impose des tests de résilience TIC et la déclaration des incidents à toutes les entités financières de l'UE depuis janvier 2025. Le SEBI exige désormais des Algo-ID uniques et l'approbation des bourses pour chaque stratégie avant son déploiement en production. La question n'est pas de savoir si vos algorithmes seront examinés. C'est de savoir s'ils peuvent survivre à l'examen.
Le marché de la surveillance des transactions devrait atteindre 4,2 à 9,3 milliards de dollars d'ici 2033. Les cinq principaux fournisseurs détiennent 55 à 59 % de parts de marché. Voici ce qu'ils couvrent et où subsistent les lacunes.
| Approche | Ce qu'elle couvre | Où elle s'arrête | Coût typique |
|---|---|---|---|
| NICE Actimize (X-Sight) | Surveillance multi-actifs, détection de schémas basée sur le ML (spoofing, layering, wash trading), surveillance pré- et post-négociation | Tarification à l'échelle de l'entreprise et complexité de mise en œuvre. La rigidité de configuration limite la personnalisation. Aucune explicabilité des décisions algorithmiques ni cartographie de conformité multi-réglementaire. | 1 à 5 M$+/an |
| Nasdaq Surveillance AI | Analyse comportementale propulsée par l'IA générative, détection de manipulation inter-plateformes, débit de niveau bourse | Conception centrée sur les bourses. Performant côté sell-side mais peut ne pas convenir aux flux de conformité buy-side. Axé sur la détection, pas sur le flux de travail de conformité. | 1 à 3 M$+/an |
| Eventus (Validus) | Profilage comportemental statistique, règles de détection configurables, performant pour les sociétés de HFT | Axé sur la détection plutôt que sur un flux de conformité global. Intégration limitée de modèles personnalisés. Écosystème plus petit que les fournisseurs de premier rang. | 500 K$ à 2 M$/an |
| Développement interne | Contrôle total de la logique, intégration profonde avec les systèmes propriétaires, aucune dépendance fournisseur | Nécessite des talents en ingénierie quantitative qui rivalisent avec la rémunération des fonds spéculatifs. Charge de maintenance continue. La documentation réglementaire est souvent traitée comme une réflexion après coup. | 2 à 10 M$ de développement + 1 M$+/an |
| Big 4 / grands intégrateurs | Conseil réglementaire, évaluations des écarts, conception de programmes, accompagnement à la sélection de fournisseurs | Ils conseillent sur ce qu'il faut construire mais le construisent rarement. Les missions produisent des présentations PowerPoint et des documents-cadres, pas des systèmes opérationnels. Quand ils construisent, ils se tournent vers les mêmes plateformes de fournisseurs de premier rang. Missions de 500 K$ à 5 M$+. | 500 K$ à 5 M$+ |
| Veriprajna | Intelligence de conformité sur mesure : audits algorithmiques explicables, cartographie multi-juridictionnelle, disjoncteurs intelligents, détection de contagion basée sur les GNN, triage des alertes | Pas une plateforme de surveillance. Ne remplace pas votre fournisseur de détection existant. Ne fournit pas de flux de données de marché. Nécessite que votre entreprise dispose de données de base de gestion des ordres et d'exécution accessibles via API. | 300 K$ à 1,2 M$ de développement |
Les prix sont estimés sur la base d'informations publiquement disponibles et d'études de marché. Les coûts réels varient selon la taille de l'entreprise, le périmètre et la négociation avec le fournisseur.
Six capacités qui comblent les écarts entre votre fournisseur de surveillance et ce que les régulateurs demandent réellement. Chacune répond à un mode de défaillance spécifique que les outils actuels laissent ouvert.
Lorsqu'un régulateur pointe une transaction précise et demande « pourquoi », la plupart des entreprises montrent des journaux d'ordres. Nous construisons des systèmes qui reconstituent toute la chaîne de décision : l'état du marché à l'horodatage, l'attribution des caractéristiques du modèle (valeurs SHAP montrant quels signaux ont motivé la décision et dans quelle mesure), l'évaluation déterministe des règles (quels seuils ont été vérifiés) et l'analyse contrefactuelle (ce qui se serait passé dans des conditions différentes).
Nous privilégions SHAP plutôt que LIME pour l'attribution des caractéristiques, car SHAP fournit des attributions théoriquement fondées et cohérentes qui résistent à l'examen réglementaire. Les approximations locales de LIME peuvent produire des explications instables lorsque les conditions de marché changent entre la transaction et l'audit.
Les coupe-circuits actuels sont binaires : activés ou désactivés. Les contrôles de Citigroup ont bloqué 255 milliards de dollars mais en ont laissé passer 189 milliards parce que le seuil était une porte unique, et non un système gradué. Nous construisons des disjoncteurs à plusieurs niveaux avec quatre paliers de réponse : ralentir (réduire le rythme des ordres), restreindre (limiter à des instruments ou plateformes spécifiques), filtrer (exiger une approbation humaine par ordre) et arrêter (arrêt total).
Chaque palier se déclenche en fonction d'un score d'anomalie comportementale, pas seulement de seuils de taille. Une variation soudaine du taux d'annulation combinée à des changements de corrélation multi-actifs peut déclencher un filtrage, tandis qu'un ordre unique de grande taille respectant les paramètres normaux passe sans encombre.
Le krach éclair d'août 2024 a montré comment une hausse de taux de la Banque du Japon s'est propagée à travers le carry trade sur le yen jusqu'aux actions technologiques américaines via les appels de marge. La surveillance traditionnelle perçoit chaque marché de manière isolée. Nous construisons des systèmes basés sur des graphes utilisant des architectures GNN qui modélisent les réseaux de dépendances multi-actifs et détectent les signaux de stress en cascade avant qu'ils ne deviennent systémiques.
Les recherches montrent que les architectures hybrides GNN-LSTM atteignent une AUC-ROC de 0,891 pour la détection de la contagion du risque interbancaire contre 0,734 pour les approches conventionnelles, avec des délais d'alerte précoce allongés de 11,5 jours (Springer Nature, 2025). Nous adaptons ces architectures aux environnements de trading multi-actifs.
Un seul contrôle de trading algorithmique doit satisfaire à la règle SEC 15c3-5, au RTS 6 de la MiFID II, aux exigences de documentation du règlement européen sur l'IA, aux normes de résilience DORA et potentiellement au cadre Algo-ID du SEBI. La plupart des entreprises maintiennent des processus de conformité distincts par juridiction. Nous construisons une couche de contrôle unifiée où chaque paramètre de risque correspond simultanément à toutes les réglementations applicables.
Lorsque vous modifiez un seuil de capital pré-négociation, le système montre l'impact sur la conformité dans toutes les juridictions avant que la modification ne prenne effet. Des pistes d'audit à double format génèrent une sortie à la fois pour l'examen de la FINRA et pour la revue de la FCA/ANC à partir des mêmes données sous-jacentes.
70 % des banques signalent des taux de faux positifs supérieurs à 25 %. Le problème est structurel : les systèmes de surveillance appliquent des seuils statiques sans contexte. Le schéma de routine d'un teneur de marché consistant à passer puis annuler des ordres déclenche la même alerte de spoofing qu'un véritable layering. Nous construisons un scoring tenant compte du contexte selon trois dimensions : les références comportementales du trader, l'ajustement au régime de marché et l'analyse croisée des schémas.
Pendant le krach éclair d'août 2024, les entreprises appliquant des seuils statiques ont généré des centaines de fausses alertes de spoofing, car le comportement algorithmique normal semblait anormal sous une volatilité extrême. Les seuils tenant compte du régime préviennent ce déluge d'alertes tout en conservant la sensibilité à la véritable manipulation dissimulée derrière le bruit du marché.
Le SEBI exige désormais des Algo-ID uniques et l'approbation des bourses avant le déploiement en production. La FINRA exige l'enregistrement des personnes qui développent des stratégies algorithmiques. La FCA exige des auto-évaluations RTS 6 complètes. Nous construisons une gestion de bout en bout du cycle de vie : du développement et des tests des algorithmes jusqu'à l'approbation réglementaire, le déploiement, la surveillance, le suivi des modifications et la mise hors service.
Chaque modification de code est versionnée par rapport à son impact sur la conformité. Une modification du signal de momentum d'une stratégie de trading déclenche une réévaluation automatique des approbations réglementaires à mettre à jour, des paramètres de risque modifiés, et de la question de savoir si la modification nécessite un réenregistrement auprès de la FINRA ou un nouvel Algo-ID auprès du SEBI.
Suivez ce qui se passe lorsqu'un système d'intelligence de conformité détecte une anomalie du VIX avant l'ouverture similaire à celle survenue le 5 août 2024.
Le moniteur multi-actifs basé sur les GNN détecte que les cotations médianes du VIX augmentent de 180 % avant l'ouverture, alors que la volatilité réalisée (le mouvement réel des prix du S&P 500) n'augmente que de 12 %. Le 5 août 2024, cette divergence a été causée par les teneurs de marché élargissant les écarts cours acheteur-vendeur sur les options du S&P 500, gonflant mécaniquement le calcul du VIX basé sur les cotations. Le système signale cela comme une ANOMALIE DU VIX LIÉE AUX ÉCARTS, et non un véritable pic de volatilité.
Vos algorithmes de ciblage de la volatilité sont programmés pour réduire l'exposition aux actions lorsque la volatilité implicite augmente. Dans des conditions normales, un pic du VIX de 180 % déclencherait des ordres de vente massifs. Le disjoncteur vérifie : cette lecture du VIX est-elle motivée par la volatilité réalisée ou par la mécanique des écarts ? Le signalement lié aux écarts déclenche une réponse de RALENTISSEMENT . Les algorithmes peuvent continuer à trader mais à 25 % du rythme normal des ordres, gagnant du temps pour que le signal se clarifie.
Le graphe de contagion retrace le chemin de propagation de l'anomalie. L'USD/JPY bouge-t-il ? (Oui, le yen se renforce de 2,1 %.) Les contrats à terme sur le Nikkei chutent-ils ? (Oui, en baisse de 6 %.) La corrélation entre la force du yen et les ventes massives d'actions technologiques dépasse-t-elle le 95e centile de la distribution historique ? (Oui.) Le système fait passer l'alerte au niveau DÉNOUEMENT DU CARRY TRADE DÉTECTÉ et ajoute la chaîne de propagation : signal de taux de la BOJ, appréciation du yen, pression des appels de marge sur les positions à effet de levier, ventes corrélées entre classes d'actifs.
Le dénouement du carry trade étant confirmé, le disjoncteur passe de RALENTISSEMENT à FILTRAGE: tous les ordres de vente sur des instruments corrélés (actions technologiques, positions sur les marchés émergents, tout ce qui est financé par des emprunts en yens) requièrent une approbation manuelle. Les ordres d'achat et les ordres sur des instruments non corrélés se poursuivent à un rythme normal. Le pupitre des risques reçoit une alerte structurée avec la chaîne de propagation complète, les attributions SHAP pour chaque composante du signal et l'impact estimé sur le portefeuille selon trois scénarios.
Chaque décision de cette séquence est enregistrée avec l'horodatage, un instantané de l'état du marché, les entrées du modèle, les évaluations des règles et les actions de réponse. Lorsque l'examinateur arrive six mois plus tard, le système produit un rapport structuré montrant : ce qui a été détecté, pourquoi la lecture du VIX a été classée comme liée aux écarts, pourquoi la réponse est passée de RALENTISSEMENT à FILTRAGE, et ce que les algorithmes auraient fait sans intervention (contrefactuel). C'est la piste d'audit qui manquait à l'enquête sur Citigroup.
Une mission type dure de 4 à 8 mois, du lancement à la mise en production. Trois phases, chacune avec des livrables définis.
4 à 6 semaines
Livrable : analyse des écarts réglementaires + feuille de route de construction
8 à 16 semaines
Livrable : système opérationnel en environnement de préproduction
4 à 6 semaines
Livrable : système prêt pour la production + documentation réglementaire
Répondez à huit questions sur votre posture actuelle de conformité du trading algorithmique. L'évaluation identifie vos lacunes au regard des exigences de la SEC, de la MiFID II, du règlement européen sur l'IA et de DORA, et produit des étapes concrètes que vous pouvez entreprendre avec ou sans Veriprajna.
Le défi central est que la règle SEC 15c3-5 et le RTS 6 de la MiFID II se recoupent dans leur intention mais divergent dans les détails. La règle 15c3-5 exige des contrôles de risque pré-négociation (seuils de capital, limites de crédit, filtres d'ordres erronés) assortis d'une certification annuelle du PDG. Le RTS 6 exige que les sociétés de trading algorithmique conservent les enregistrements des décisions algorithmiques pendant cinq ans, soumettent des descriptions de stratégie aux autorités compétentes et démontrent que le personnel de conformité peut examiner techniquement les processus algorithmiques.
Nous construisons une couche de contrôle unifiée où chaque contrôle de risque correspond simultanément aux deux cadres. Une seule vérification de seuil de capital pré-négociation, par exemple, satisfait à l'exigence d'accès au marché de la règle 15c3-5 et à l'exigence de documentation des contrôles de risque du RTS 6. Le système maintient des pistes d'audit doubles : l'une formatée pour l'examen de la FINRA et l'autre pour la revue de la FCA/autorité nationale compétente. Lorsque vous modifiez un paramètre de contrôle, le système montre l'impact sur la conformité dans les deux juridictions avant que la modification ne prenne effet.
Pour les entreprises opérant également sous DORA, nous ajoutons une troisième couche de cartographie couvrant la gestion des risques TIC et les obligations de déclaration des incidents. L'alternative, à savoir maintenir des processus de conformité distincts par juridiction, est la façon dont la plupart des entreprises fonctionnent aujourd'hui. Cela marche jusqu'à ce qu'un incident transfrontalier survienne et que trois régulateurs posent des questions différentes sur le même événement.
Lorsqu'un régulateur demande pourquoi votre algorithme a vendu 200 000 actions d'un titre particulier à 9 h 47 pendant un pic de volatilité, il a besoin de plus que des journaux d'ordres montrant que la transaction a eu lieu. Il a besoin de la chaîne de décision.
Notre système d'audit reconstitue quatre couches pour toute transaction signalée. Premièrement, l'instantané de l'état du marché : quelles données l'algorithme a reçues à cet horodatage, y compris la profondeur du carnet d'ordres, la largeur de l'écart, les lectures de volatilité et les signaux multi-actifs. Deuxièmement, l'attribution du modèle : quelles caractéristiques ont motivé la décision et dans quelle mesure, à l'aide de valeurs SHAP montrant, par exemple, que 43 % du signal de vente provenait d'un pic du VIX, 31 % d'un déséquilibre du carnet d'ordres et 26 % d'un changement de corrélation multi-actifs. Troisièmement, le journal d'évaluation des règles : quelles contraintes déterministes ont été vérifiées (limites de position, seuils de capital, restrictions d'instruments) et si l'une d'elles s'est déclenchée. Quatrièmement, le contrefactuel : ce que l'algorithme aurait fait dans des conditions différentes, par exemple si la lecture du VIX avait été inférieure de 10 % ou si le signal multi-actifs avait été absent.
Cela produit un rapport structuré qu'un responsable de la conformité peut remettre à un examinateur. La reconstitution s'exécute sur des données historiques, vous pouvez donc auditer des transactions remontant à des semaines ou des mois, pas seulement des événements en temps réel.
Le taux de faux positifs supérieur à 25 % que signalent 70 % des banques provient d'un problème de conception fondamental : la plupart des systèmes de surveillance appliquent des seuils statiques à des transactions ou des schémas individuels sans tenir compte du contexte. Une transaction par bloc de grande taille semble identique à du layering si vous n'examinez que la taille de l'ordre et le taux d'annulation.
Nous construisons un scoring des alertes tenant compte du contexte selon trois dimensions. Premièrement, les références comportementales du trader : le système apprend les schémas normaux de chaque trader (instruments, calendrier, distribution des tailles, taux d'annulation) et signale les écarts par rapport à sa propre référence, et non à un seuil générique. Un teneur de marché qui place et annule régulièrement de gros ordres génère des alertes différentes de celles d'un gestionnaire de portefeuille qui fait la même chose. Deuxièmement, l'ajustement au régime de marché : pendant les périodes de forte volatilité comme le krach éclair d'août 2024, le comportement algorithmique normal semble anormal selon des critères statiques. Le système ajuste les seuils en fonction du régime actuel (haussier, baissier, crise, faible liquidité) afin qu'une vente massive liée à la volatilité ne génère pas des centaines de fausses alertes de spoofing. Troisièmement, le scoring par recoupement : avant de faire remonter une alerte, le système vérifie si le schéma apparaît sur plusieurs plateformes, si le trader a des relations de contrepartie qui expliquent l'activité, et si des schémas similaires se produisent à l'échelle du marché (suggérant un comportement lié au régime plutôt qu'une manipulation).
Chaque alerte reçoit un score de confiance composite. Les équipes de conformité examinent d'abord les alertes à forte confiance, et le système affine continuellement le scoring en fonction des alertes qui mènent à de véritables enquêtes plutôt qu'à des classements sans suite.
Le règlement européen sur l'IA classe certaines applications d'IA comme à haut risque, exigeant des évaluations de conformité, une documentation technique, le marquage CE et un enregistrement dans la base de données de l'UE. La notation de crédit financière est explicitement listée comme à haut risque. La question de savoir si l'IA de trading algorithmique entre dans cette catégorie devait être clarifiée dans les lignes directrices de la Commission européenne de février 2026 sur la classification à haut risque.
Quelle que soit la classification finale, les entreprises utilisant l'IA dans le trading font face à trois exigences pratiques d'ici le 2 août 2026. Premièrement, la documentation : vous avez besoin d'une documentation technique décrivant l'objet de votre système d'IA, son architecture, ses données d'entraînement, ses indicateurs de performance et ses limites connues. La plupart des sociétés de trading algorithmique disposent de dépôts de code mais pas de la documentation structurée qu'exige le règlement. Deuxièmement, la gestion des risques : vous avez besoin d'un système documenté de gestion des risques qui identifie et atténue les risques tout au long du cycle de vie de l'IA, y compris les tests dans des conditions qui diffèrent des données d'entraînement, ce qui compte énormément pour les algorithmes de trading qui ont pu être développés pendant des périodes de faible volatilité. Troisièmement, la supervision humaine : le système doit permettre une intervention humaine, y compris la capacité de contourner ou d'arrêter le système d'IA. Pour le trading, cela signifie des procédures documentées de coupe-circuit, des chemins d'escalade et des preuves que les opérateurs humains peuvent réellement interpréter ce que fait le système.
L'ABE a publié un rapport en novembre 2025 sur les implications du règlement sur l'IA pour le secteur bancaire, que nous utilisons comme référence pour les évaluations d'écarts. Le règlement a une portée mondiale : si votre système d'IA interagit avec des utilisateurs ou des marchés basés dans l'UE, vous êtes dans son champ d'application quel que soit le lieu de constitution de votre entreprise.
Une mission type dure de 4 à 8 mois, du lancement à la mise en production, selon le périmètre et l'état de votre infrastructure existante. La première phase (4 à 6 semaines) est une évaluation de l'architecture de conformité. Nous auditons vos contrôles actuels de trading algorithmique au regard de chaque juridiction où vous opérez, cartographions vos outils de surveillance existants et leurs lacunes, examinons votre inventaire d'algorithmes et l'état de votre documentation, et identifions quelles échéances réglementaires sont les plus pressantes. Cette phase produit un rapport d'écarts et un plan de construction priorisé.
La deuxième phase (8 à 16 semaines) est la construction du système. Nous travaillons au sein de votre infrastructure existante, sans remplacer votre OMS ni votre fournisseur de surveillance, mais en construisant la couche d'intelligence de conformité qui se place entre eux. Cela inclut le pipeline d'explicabilité (reconstitution de la chaîne de décision, attribution SHAP), la cartographie des contrôles multi-juridictionnels et le système de triage des alertes. L'intégration aux flux de données existants (gestion des ordres, données de marché, enregistrements d'exécution) est généralement la tâche unique la plus longue.
La troisième phase (4 à 6 semaines) est la validation et l'alignement réglementaire. Nous exécutons le système sur des données historiques, validons les sorties d'audit au regard des formats réels d'examen réglementaire, ajustons les seuils d'alerte par rapport à votre référence de faux positifs, et documentons le tout selon les normes du règlement européen sur l'IA et du RTS 6.
Une réserve : si votre inventaire d'algorithmes est mal documenté (la FCA l'a constaté dans la plupart des entreprises examinées), ajoutez 3 à 4 semaines pour le travail d'investigation et de catalogage qui doit avoir lieu avant qu'un système de conformité puisse être construit par-dessus.
Cela fonctionne aux côtés de votre fournisseur existant. Remplacer une plateforme de surveillance d'entreprise est un projet pluriannuel de plusieurs millions de dollars que la plupart des entreprises ne devraient pas entreprendre, à moins que la plateforme ne soit fondamentalement défaillante.
Ce que nous construisons comble les écarts que votre fournisseur actuel ne couvre pas. NICE Actimize, Eventus et Nasdaq Surveillance sont performants en détection basée sur les schémas : spoofing, layering, wash trading, front-running. Ils balaient le flux d'ordres à la recherche de signatures de manipulation connues et génèrent des alertes. Ce qui leur manque généralement, ce sont trois choses. Premièrement, l'explicabilité des décisions algorithmiques : lorsqu'un régulateur demande pourquoi votre algorithme a fait quelque chose, votre fournisseur de surveillance peut montrer que la transaction a eu lieu et si elle correspondait à un schéma de manipulation, mais pas pourquoi l'algorithme a pris cette décision. La couche d'explicabilité que nous construisons reconstitue la chaîne de décision à partir de la propre logique de votre algorithme, des caractéristiques du modèle et de l'état du marché. Deuxièmement, la cartographie de conformité inter-réglementaire : votre fournisseur de surveillance détecte les abus de marché, mais il ne fait pas correspondre vos contrôles de trading algorithmique aux exigences de la règle SEC 15c3-5, aux critères d'auto-évaluation du RTS 6 de la MiFID II, aux obligations de documentation du règlement européen sur l'IA et aux normes de résilience DORA simultanément. Cette cartographie, c'est ce que nous construisons. Troisièmement, les disjoncteurs intelligents : votre fournisseur génère des alertes après l'exécution des transactions. Le système de disjoncteurs que nous construisons intervient avant ou pendant l'exécution avec des réponses graduées basées sur la gravité et le schéma de l'écart.
L'intégration se fait généralement via l'API ou le flux d'alertes de votre fournisseur. Nous consommons ses alertes comme une entrée parmi d'autres dans le tableau de conformité plus large, en ajoutant du contexte, du recoupement et de l'explicabilité par-dessus ce qu'il détecte déjà.
Le fondement technique derrière cette page de solution.
Analyse de la mécanique du krach éclair d'août 2024, modélisation de la topologie du marché basée sur les GNN, et architectures neuro-symboliques pour un contrôle déterministe dans les environnements de trading algorithmique.
Citigroup a payé 92 millions de dollars pour une seule défaillance de contrôle algorithmique. Two Sigma a payé 90 millions de dollars pour une gouvernance de modèle inadéquate.
Vos algorithmes tournent. Vos régulateurs vous observent. La question est de savoir si vous pouvez expliquer chaque décision prise par vos systèmes, dans chaque juridiction où vous opérez, avant que l'examinateur ne le demande.