Cahier des Charges
Titre du Projet :
Un Outil de Gestion de Portefeuille pour le Marché d’Actions en Utilisant l’IA chez Wafa
Gestion
1. Contexte du Projet
Le marché des actions au Maroc est en constante évolution, caractérisé par une volatilité
importante et des opportunités d’investissement de plus en plus complexes. Wafa Gestion,
filiale d’Attijariwafa Bank, est le leader incontesté de la gestion d’actifs au Maroc et gère plus
de 152 milliards de dirhams d’encours. Depuis sa création en 1995, Wafa Gestion a su
innover en intégrant des méthodes quantitatives classiques et en développant des solutions
d’investissement sur mesure.
Dans ce contexte, la nécessité d’un outil capable de combiner l’expertise financière et les
techniques d’intelligence artificielle se fait sentir pour :
Optimiser l’allocation d’actifs.
Réduire le risque global du portefeuille.
Adapter en temps réel les décisions d’investissement aux évolutions du marché.
2. Intérêt du Projet
L’objectif principal du projet est de répondre aux défis actuels du marché en développant un
outil innovant qui intègre :
Des modèles d’optimisation classiques (modèle de Markowitz, maximisation du
ratio de Sharpe, parité de risque) permettant d’établir une base théorique solide et de
générer la frontière efficiente.
Des techniques d’intelligence artificielle, notamment l’apprentissage par
renforcement (ex. DDPG pour trading continu) et l’analyse prédictive (LSTM ou
autres modèles de deep learning) pour ajuster dynamiquement les portefeuilles.
Une automatisation complète de la collecte et du traitement des données (via des
pipelines ETL et/ou Airflow), assurant une mise à jour en temps réel des informations
financières.
Ces innovations devraient permettre à Wafa Gestion de se positionner comme un acteur
encore plus compétitif en offrant à ses clients des solutions d’investissement personnalisées et
robustes.
3. Objectifs du Projet
3.1 Objectif Principal
Développer et déployer un outil de gestion de portefeuille pour le marché d’actions marocain,
intégrant des modèles analytiques classiques et des techniques d’intelligence artificielle pour
optimiser l’allocation d’actifs en temps réel.
3.2 Objectifs Spécifiques
Modélisation et Optimisation du Portefeuille :
o Implémenter des modèles classiques (Markowitz, ratio de Sharpe, parité de
risque, Black-Litterman).
o Intégrer des modèles IA (apprentissage par renforcement, modèles de
prédiction LSTM) pour adapter les portefeuilles aux conditions de marché.
Data Engineering :
o Collecter et prétraiter des données financières (prix de clôture, volumes,
capitalisations) provenant de sources fiables (Bourse de Casablanca,
[Link]).
o Mettre en place un pipeline automatisé pour l’extraction, la transformation et le
chargement (ETL) des données.
Validation et Backtesting :
o Réaliser des backtests sur des périodes définies (ex. le mois de janvier) pour
évaluer le rendement moyen, la volatilité, et le ratio de Sharpe du portefeuille.
o Classer les instruments par ordre de capitalisation et identifier le top 10 et le
flop 10.
Déploiement et Automatisation :
o Développer une interface ou un dashboard pour visualiser les performances en
temps réel.
o Mettre en place une API et conteneuriser l’application pour faciliter sa mise en
production.
4. Sous-Objectifs du Projet
4.1 Extraction et Prétraitement des Données
Collecte des données financières :
o Récupérer les prix de clôture, volumes et capitalisations des actions constituant
le MASI.
Prétraitement :
o Nettoyer et normaliser les données.
o Calculer les rendements quotidiens et autres indicateurs statistiques
nécessaires.
4.2 Stockage et Chargement des Données
Base de Données :
o Intégrer une base de données centralisée pour stocker les informations
financières.
Automatisation :
o Orchestrer le chargement et la mise à jour des données via un outil comme
Apache Airflow.
4.3 Développement et Entraînement des Modèles
Modèles Classiques :
o Implémenter le modèle de Markowitz et la maximisation du ratio de Sharpe
pour générer la frontière efficiente.
Modèles d’IA :
o Développer un module d’apprentissage par renforcement (ex. DDPG) pour
optimiser l’allocation d’actifs en continu.
o Intégrer éventuellement un modèle de prédiction (ex. LSTM) pour la prévision
des rendements et la sélection d’actions.
4.4 Validation et Optimisation
Backtesting :
o Évaluer les performances des portefeuilles optimisés sur des périodes
historiques (ex. le mois de janvier).
Métriques d’évaluation :
o Calculer le rendement moyen, l’écart-type, le ratio de Sharpe, le Sortino ratio,
et le drawdown maximal.
Comparaison :
o Classer les actions par capitalisation et extraire le top 10 et le flop 10.
4.5 Déploiement et Suivi
Interface Utilisateur :
o Développer un dashboard interactif pour visualiser les performances et suivre
les indicateurs clés.
Mise en Production :
o Conteneuriser l’application avec Docker et automatiser les mises à jour via
Airflow.
Suivi :
o Mettre en place un système de monitoring pour assurer la maintenance et
l’actualisation continue de l’outil.
5. Workflow du Projet
Figure 1 – Pipeline d’Automatisation :
Extract : Récupération des données financières (Web Scraping/API)
Transform : Prétraitement et nettoyage des données
Load : Stockage dans la base de données
Train Model : Entraînement des modèles classiques et IA
Validation : Backtesting et évaluation des performances
Deploy : Conteneurisation, API et déploiement de l’interface
Monitoring : Suivi et mises à jour automatiques
6. Planning et Livrables
Phases du Projet :
Phase 1 (Semaines 1-2) :
o Analyse du contexte, collecte initiale des données, rédaction du cahier de
charges.
Phase 2 (Semaines 3-6) :
o Développement des pipelines ETL et mise en place de la base de données.
Phase 3 (Semaines 7-12) :
o Implémentation des modèles d’optimisation (classique et IA) et backtesting.
Phase 4 (Semaines 13-16) :
o Déploiement de l’outil, développement du dashboard, rédaction du rapport
final.
Livrables Attendus :
Cahier de charges et spécifications techniques.
Code source complet (pipelines ETL, modèles d’optimisation, interface utilisateur).
Rapport final détaillant la méthodologie, les résultats, les comparaisons et les
perspectives.
Présentation orale de synthèse.
7. Critères d’Évaluation
Performance du Modèle :
o Rendement, volatilité, ratio de Sharpe, Sortino ratio, drawdown maximal.
Robustesse et Fiabilité :
o Stabilité des résultats sur différentes périodes de backtesting.
Innovation et Pertinence :
o Intégration efficace des modèles classiques et IA, capacité à s’adapter aux
spécificités du marché marocain.
Qualité de l’Implémentation :
o Clarté du code, documentation complète, facilité d’intégration et de
maintenance.
Impact pour Wafa Gestion :
o Capacité à améliorer la performance et la gestion des portefeuilles, ainsi qu’à
offrir des solutions personnalisées aux clients.
8. Références
Markowitz, H. (1952). Portfolio Selection. Journal of Finance.
Sharpe, W. F. (1966). Mutual Fund Performance. Journal of Business.
Black, F., & Litterman, R. (1992). Global Portfolio Optimization. Financial Analysts
Journal.
Rapports annuels et documents internes de Wafa Gestion.
Attijariwafa Bank – informations officielles : [Link]
Bourse de Casablanca – données financières : [Link]
L'utilisation du Reinforcement Learning (RL) et de l'optimisation en temps réel pour la gestion de
portefeuille est une approche avancée qui peut apporter des avantages significatifs, mais elle ajoute
une couche de complexité. Voici une analyse des avantages et des défis associés à l'intégration du RL
et du traitement en temps réel dans votre PFE.
1. Reinforcement Learning en Gestion de Portefeuille
Le Reinforcement Learning (RL) est un paradigme puissant en IA où un agent apprend à optimiser
une politique de décision en interagissant avec un environnement dynamique (le marché dans notre
cas). Il est particulièrement utile pour la gestion active de portefeuilles, car il peut s'adapter aux
conditions changeantes du marché.
📌 Pourquoi utiliser le RL dans votre PFE ?
✅ Optimisation dynamique : Contrairement aux modèles traditionnels (Markowitz, Risk Parity...), le
RL peut ajuster continuellement les allocations en fonction des nouvelles informations du marché.
✅ Capacité d'apprentissage : Il apprend à maximiser un ratio rendement/risque à long terme en
explorant différentes stratégies.
✅ Prise en compte de l'effet de levier et des transactions : Il peut intégrer des coûts de transaction
et gérer l'effet de levier plus efficacement que les modèles statiques.
✅ Approche robuste face à la volatilité : Il est particulièrement utile sur les marchés émergents
comme le Maroc, où la volatilité est plus forte et les régimes de marché changent fréquemment.
❌ Les défis du RL en gestion de portefeuille
🚩 Nécessite une énorme quantité de données : Pour être efficace, le RL doit être entraîné sur des
millions d’épisodes simulés à partir de données historiques.
🚩 Difficulté d’interprétation : Contrairement aux modèles comme Markowitz, il est plus difficile
d’expliquer pourquoi un modèle RL prend certaines décisions.
🚩 Risque de surajustement (Overfitting) : Entraîner un RL sur des données passées peut conduire à
des modèles non généralisables sur de nouvelles conditions de marché.
🚩 Complexité de mise en œuvre : Il faut un environnement bien structuré avec une simulation
réaliste des marchés pour obtenir un RL performant.
2. Gestion en Temps Réel
Si vous souhaitez optimiser un portefeuille en temps réel, cela signifie que votre modèle doit être
capable de réagir immédiatement aux variations du marché. Deux options sont envisageables :
🚀 Approche 1 : Exécution en quasi-temps réel
✅ Mettre à jour les allocations chaque jour/semaine en fonction des nouvelles données de marché
(prévisions de prix via LSTM/XGBoost + optimisation Markowitz/Risk Parity).
✅ Nécessite une API pour récupérer les prix en temps réel (ex: Yahoo Finance API, Alpha Vantage,
Bloomberg API).
✅ Implémentable avec Python (Backtrader, PyPortfolioOpt, Zipline).
⚡ Approche 2 : Trading Haute Fréquence avec IA (Très Complexe)
✅ Utilisation d'algorithmes RL + Deep Learning pour prendre des décisions de trading chaque
seconde/minute.
✅ Besoin d'une infrastructure serveur rapide + accès aux données en millisecondes.
✅ Utilisé par les Hedge Funds et les banques d’investissement, mais trop complexe pour un PFE.
3. Quelle approche choisir pour votre PFE ?
Si vous voulez une solution réaliste et efficace :
👉 Modèle hybride :
1️⃣ Prévoir les rendements avec Machine Learning (LSTM/XGBoost)
2️⃣ Optimiser l’allocation avec Markowitz/Risk Parity
3️⃣ Backtesting et mise à jour hebdomadaire/journalière avec API de marché.
Si vous voulez tester RL sans trop compliquer :
👉 Entraîner un agent RL pour l’optimisation du portefeuille sur des données historiques (ex: DDPG,
PPO) et comparer ses performances aux stratégies classiques.
Si vous voulez une approche avancée mais faisable :
👉 Appliquer RL pour ajuster le portefeuille mensuellement/quand une anomalie est détectée
plutôt qu’en temps réel.
📌 Recommandation finale
❌ Pas de gestion en "ultra" temps réel (trop complexe et hors scope pour un PFE).
✅ Oui au Reinforcement Learning, mais dans un cadre contrôlé (ex: mise à jour du portefeuille
chaque mois avec un agent RL pré-entraîné).
✅ Approche hybride IA + modèles financiers traditionnels pour plus de robustesse.
Si vous voulez un exemple de code Python avec RL pour la gestion de portefeuille, je peux vous en
fournir un pour voir comment il fonctionne. 🚀📊