Pourquoi Nephelai

Notre proposition de valeur

features
Faites économiser du temps à vos équipes Front et Middle Office

  • Diminuez le temps passé à l'identification et à la correction des erreurs dans les transactions.

  • Accélérez les processus de reconciliation et de validation du PnL ou de la VL.
  • features
    Réduisez votre risque opérationnel et vos pertes

  • Eliminez les erreurs grossières qui représentent un risque réel pour votre réputation.

  • Limitez les erreurs sur les ordres électroniques qui engendrent des pertes sèches.
  • features
    Respectez les contraintes réglementaires

  • Réduisez les besoins en capitaux propres pour la couverture du risque opérationnel (BASEL III).

  • Respectez les délais de 24/48h pour confirmer les transactions (EMIR / Dodd-Frank act VII).

  • Améliorez la gestion de vos ordres clients (MiFID II).
  • Nous faisons économiser en moyenne à CHAQUE opérateur Middle Office
    20% de son temps

    Notre taux de detection des erreurs grossières est supérieur à
    95%
    Solution

    L'Intelligence Artificielle au service de la gestion des transactions

    Nephelai est une réponse au problème des erreurs de saisie sur les ordres et les transactions financières, qui engendrent des pertes sèches et accaparent les équipes Middle Office. La solution permet de réduire drastiquement leurs conséquences en les identifiant dès la saisie dans le système de gestion des ordres, et lors du suivi du cycle de vie des transactions.
    Notre solution apporte son assistance à trois profils d'utilisateurs :

    Front Office

    Nos outils d'assistance facilitent la saisie des ordres et transactions par le trader, permettant ainsi d'éliminer les erreurs avant même qu'elles ne se propagent dans la chaîne de traitement et d'améliorer la qualité des données soumises au Middle Office.

    chart
    Middle Office

    Nos outils d'aide à la validation assistent les opérateurs Middle Office lors des étapes de contrôles grâce à plusieurs indicateurs de risque qui permettent d'identifier en un coup d'œil les transactions suspicieuses. En outre, notre solution apporte un niveau de contrôle supplémentaire sur les transactions électroniques.

    chart
    Responsable des opérations

    Nephelai produit des rapports de suivi de l'activité à l'attention du responsable des opérations qui peut ainsi visualiser en temps réel le volume de transactions, le taux d'erreurs, le temps nécessaire à la correction, les alertes non encore traitées par son équipe, et anticiper les pics d'activité.

    chart
    Comment ça marche ?

    L'Intelligence Artificielle et Humaine

    Nephelai est une aventure humaine portée par une équipe d'ingénieurs passionnés par la finance et l'informatique. Nous travaillons depuis plus de 3 ans à l'élaboration d'algorithmes d'apprentissage statistique qui s'appliquent spécifiquement au problème de détection d'erreurs sur les transactions financières. Notre solution s'appuie sur des composants technologiques modernes qui garantissent sécurité, robustesse et performance tout en ayant l'impact le plus léger possible sur votre propre infrastructure.

    Principe de fonctionnement

    Apprentissage supervisé

    L'apprentissage supervisé consiste à utiliser l'historique de vos transactions passées, tout en ayant connaissance du caractère erronées de certaines, pour créer un modèle statistique qui servira ensuite à déterminer si les nouvelles transactions saisies sont correctes ou non. Cette approche est particulièrement efficace pour détecter les erreurs qui se reproduisent, comme lorsqu'un trader tend à mélanger 2 filiales d'une même contrepartie dont les noms sont proches.

    chart
    Apprentissage non supervisé

    L'apprentissage non-supervisé s'appuie également sur l'historique de vos transactions passées, mais cette fois en utilisant uniquement la version validée des transactions. Les transactions sont classées en groupe, selon leur degré de similarité, sans a priori sur le nombre ou la taille de ces groupes. Lorsqu'une nouvelle transaction est saisie, elle est comparée à ces différents groupes, et si elle n'est suffisamment proche d'aucun d'eux, il s'agit d'une anomalie, qui peut-être une erreur de saisie ou simplement un évènement rare. Cette approche permet de détecter de façon systématique les erreurs grossières de saisie, comme par exemple une erreur sur le sens d'une transaction de change.

    chart
    Tour de force

    Les ingrédients du succès

    Notre solution est capable de détecter les erreurs de saisie de manière spectaculaire car tous les ingrédients nécessaires au succès d'un projet de Machine Learning sont réunis.

    features
    Une équipe aux connaissances complémentaires

    Le Machine Learning est l'art de déceler les schémas statistiques sous-jacents aux données observées dans le passé pour anticiper les évolutions futures. Le succès d'un projet de Machine Learning nécessite l'application jointe de 3 profils de compétences : des compétences en mathématiques appliquées, en architecture des systèmes et des connaissances métiers pointues.
    Le premier point est une évidence, la connaissance en architecture des systèmes est nécessaire pour mettre en œuvre les algorithmes souvent gourmands en ressources informatiques. Le dernier point est primordial car seule la confrontation des données avec la réalité métier permet d'en extraire la substantifique moëlle.
    Ce sont toutes ces compétences que rassemble notre équipe et qui font le succès de notre solution.

    features
    Un cas d'utilisation bien défini

    Les algorithmes génériques fonctionnent très bien sur les cas d'école, mais souffrent une fois confrontés aux cas d'utilisation réels. C'est pourquoi nous travaillons depuis plusieurs années sur des algorithmes créés spécifiquement pour résoudre notre problème et qui offrent de biens meilleurs taux de détection d'erreurs tout en prédisant suffisamment rapidement pour supporter les volumes de l'industrie financière.

    features
    Un problème complexe, mais des utilisateurs ayant leurs habitudes

    L'apprentissage statistique prend tout son intérêt sur des problèmes complexes mettant en jeu une quantité importante de données. C'est bien le cas dans l'industrie financière où la saisie d'un contrat de produit dérivé négocié de gré-à-gré s'apparente à remplir un formulaire contenant entre 50 et 100 champs distincts. Néanmoins, pour que cela fonctionne encore faut-il que les schémas statistiques que la machine cherche à exhiber existent. Or ce sont des habitudes des traders et de la structure du marché dont il est question ici.

    features
    Des données structurées et auditées

    La fiabilité des résultats d'algorithmes de machine learning est grandement améliorée lorsque les données sont structurées a priori, ce qui est le cas des transactions financières. L'audit permet d'analyser en détail l'évolution des données pour déceler les erreurs passées, ce qui est indispensable à la mise en œuvre de l'apprentissage supervisé.

    features
    Un volume de données adapté

    Il est évident qu'un apprentissage statistique est d'autant plus pertinent que la quantité de données disponible à l'apprentissage est importante. Néanmoins ce que nos algorithmes capturent ce sont les habitudes des traders et la structure du marché. Si celles-ci sont peu diverses, quelques dizaines de transactions passées suffisent à obtenir des prédictions fiables.

    À propos de Nephelai

    Génèse

    Nephelai est le fruit du rassemblement de 5 ingénieurs passionnés et expérimentés, autour d'une idée portée par Eléonore de Vial. Lorsqu'elle était consultante en charge de projets d'implémentation de solutions informatiques chez un éditeur de logiciels financiers, Eléonore a été amenée à côtoyer régulièrement les équipes Middle Office des banques et sociétés de gestion. Le constat est simple, la majorité des tâches accomplies par les équipes Middle Office tourne autour du traîtement d'erreurs, que ce soit directement leur correction, ou plus en amont leur identification via de nombreux processus de réconciliation (confirmation, réconciliation du cash et des positions, contrôle de valeur liquidative, contrôle de performance, etc.). Quant aux logiciels, chacun propose ses outils de réconciliation et de contrôle, qui eux-mêmes requièrent un temps important pour être paramétrés et dont les contrôles s'apparentent finalement à un filet à papillons aux mailles beaucoup trop larges. De cette expérience, associée à la découverte de l'émergence du Machine Learning dans de nombreux domaines connexes, est née l'idée fondatrice de Nephelai.

    Équipe dirigeante

    L'équipe fondatrice de Nephelai se compose de 5 associés aux compétences et expériences variées. Elle cumule en particulier 35 années d'expérience dans l'édition de logiciels financiers (Jérémy, Xavier, Eléonore & Romain), la création d'une précédente startup à succès (Frédéric), 3 ans d'étude spécifique sur l'application d'algorithmes de Machine Learning à la détection d'erreurs sur les transactions (Xavier) et une expertise des métiers de la finance de marché (Jérémy, Eléonore & Romain).

    team
    Éléonore
    de Vial
    CEO
    team

    Éléonore de Vial

    Chief Executive Officer

    Expérience

  • Initiatrice du projet de detection d'erreur par l'intelligence artificielle chez Misys
  • 10 ans d'expérience chez un éditeur de logiciel financier (Misys) en tant que consultante Middle/Back Office puis chef de produit responsable de la feuille de route Back Office des logiciels Sophis et FusionInvest.
  • Formation

  • M.Sc. Electronic Engineering Queen Mary University (Londres)
  • Diplomée de l'Institut Supérieur de l'Electronique de Paris.
  • team
    Romain
    Mangeret
    CFO
    team

    Romain Mangeret

    Chief Finance Officer

    Expérience

  • 10 ans d'expérience chez un éditeur de logiciel financier (Misys) en tant que consultant Front Office puis chef de produit responsable du plan produit de la solution de gestion d'actif (FusionInvest).
  • Formation

  • Ecole Polytechnique, Paris
  • team
    Jérémy
    Dupré
    CTO
    team

    Jérémy Dupré

    Chief Technology Officer

    Expérience

  • 12 ans d'expérience chez un éditeur de logiciel financier (Misys) en tant que développeur SDK puis directeur des technologies sur toutes les solutions marchés des capitaux de Misys.
  • Formation

  • Ecole des Ponts, Paris
  • team
    Xavier
    Guénard
    CSO
    team

    Xavier Guénard

    Chief Science Officer

    Expérience

  • 3 ans d'expérience en tant que responsable Data Scientist Misys sur le projet de detection d'erreur par l'Intelligence artificielle.
  • Développement de solution de machine learning pour la detection d'intrusion dans les systemes militaires.
  • Formation

  • M.Sc. Mathematics Versailles University
  • Etudiant Ph.D à Polytechnique, Paris
  • team
    Frédéric
    Minot
    COO
    team

    Frédéric Minot

    Chief Operation Officer

    Expérience

  • Fondateur d'une start-up IT, 200k utilisateurs en permanence, revendue en 2016 à une société américaine
  • Chef de produit chez Sagemcom
  • Formation

  • Ecole Polytechnique, Paris
  • Contact

    Entrons en contact

    Une question? Contactez nous, nous revenons vers vous au plus vite.

    • contact@nephel-ai.com