Entretien avec un chercheur en IA : l'état réel de la génération de données synthétiques tabulaires financières en 2026

La reproduction fidèle des structures de dépendance complexes reste le problème le plus difficile. Quand je parle de structures de dépendance, je parle des relations entre variables qui ne sont pas capturables par une simple corrélation linéaire. En finance, ces structures sont particulièrement importantes : la dépendance entre actifs tend à augmenter précisément lors des périodes de stress, ce qui est le contraire de ce qu'une corrélation linéaire constante prédirait. Les modèles génératifs actuels, qu'ils soient basés sur des GAN ou des modèles de diffusion, ont du mal à reproduire fidèlement ces structures de dépendance conditionnelles. Ils peuvent reproduire la corrélation moyenne observée sur l'ensemble des données, mais ils peinent à reproduire le changement de structure de dépendance en conditions de stress. Or c'est précisément dans ces conditions que la qualité des données synthétiques est la plus critique pour les applications de gestion du risque. C'est un problème ouvert sur lequel plusieurs groupes de recherche travaillent activement, mais pour lequel il n'existe pas encore de solution standard satisfaisante.

Notre équipe utilise plusieurs niveaux d'évaluation qui correspondent à des propriétés différentes des données synthétiques. Le premier niveau est la fidélité des distributions marginales : chaque variable prise individuellement doit suivre une distribution statistiquement similaire à celle observée dans les données originales. C'est le niveau le plus simple à vérifier et le plus souvent reporté dans les publications. Le second niveau est la fidélité des structures de dépendance : les corrélations et les copules entre variables doivent être reproduites, pas seulement les distributions individuelles. C'est significativement plus difficile à mesurer et à optimiser. Le troisième niveau est ce que j'appelle la fidélité décisionnelle : un modèle entraîné sur les données synthétiques doit produire des performances de prédiction statistiquement équivalentes à un modèle entraîné sur les données réelles, sur des tâches de classification ou de régression représentatives. Ce troisième niveau est le plus pertinent pour les applications pratiques, mais il est aussi le plus difficile à interpréter car les différences de performance peuvent avoir de multiples causes. Je recommande aux praticiens d'exiger des fournisseurs qu'ils reportent ces trois niveaux d'évaluation, et non pas seulement le premier.

Mon observation générale est que l'écart entre les affirmations marketing et les performances documentées reste important pour de nombreuses plateformes. La raison principale est que les métriques de qualité les plus faciles à calculer et à présenter — typiquement les statistiques descriptives des distributions marginales — sont aussi les moins informatives pour les applications financières pratiques. Une plateforme peut afficher d'excellentes métriques de fidélité des distributions marginales tout en produisant des données dont la structure de dépendance est significativement différente des données originales. Pour un analyste non spécialisé, il est difficile de faire la différence sans conduire une évaluation approfondie. Ce que je recommande aux praticiens est de systématiquement tester la fidélité décisionnelle : entraînez un modèle de prédiction sur les données synthétiques et comparez ses performances à un modèle entraîné sur les données réelles, sur une tâche représentative de votre cas d'usage. Si les performances sont équivalentes, c'est un signal fort que les données synthétiques sont adaptées à votre application. Si elles divergent significativement, les métriques de fidélité marginale ne vous ont pas donné l'information pertinente.

Je vois trois évolutions majeures qui me semblent probables. La première concerne les méthodes de validation : je pense que nous allons vers une standardisation des protocoles d'évaluation des données synthétiques financières, similaire à ce qui existe déjà pour les benchmarks de classification ou de régression dans d'autres domaines. Cette standardisation facilitera les comparaisons entre plateformes et réduira l'avantage des fournisseurs qui choisissent des métriques favorables à leurs résultats. La seconde évolution concerne l'intégration de la differential privacy dans les processus d'entraînement : les techniques permettant de quantifier et de contrôler le risque de mémorisation progressent rapidement et deviendront probablement un standard attendu dans les applications financières soumises à des contraintes réglementaires. La troisième évolution concerne la génération conditionnelle : les plateformes offriront probablement des capacités plus sophistiquées de génération sous contraintes, permettant de produire des scénarios synthétiques qui respectent des propriétés spécifiques définies par l'utilisateur, comme un niveau de corrélation cible ou une distribution de queues particulière. C'est la direction vers laquelle les applications de simulation de risque vont pousser le développement.

Cette hésitation est compréhensible, mais elle repose sur une confusion entre deux propriétés différentes : la représentativité et la disponibilité. Les données réelles sont plus représentatives de ce qui s'est passé historiquement, c'est vrai. Mais pour certaines applications, notamment les simulations de scénarios de risque extrêmes ou l'entraînement de modèles sur des événements rares, les données réelles ne sont tout simplement pas disponibles en quantité suffisante. Dans ces cas, les données synthétiques ne sont pas une alternative inférieure aux données réelles : elles sont la seule option praticable. La vraie question n'est pas 'données réelles ou synthétiques' mais 'pour ce cas d'usage spécifique, les données synthétiques que cette plateforme peut générer sont-elles suffisamment fidèles pour produire des résultats de modélisation exploitables'. Cette question a des réponses différentes selon le cas d'usage, le type de données et la qualité de la plateforme. Ce que notre équipe cherche à faire dans nos travaux de recherche, c'est précisément de fournir les outils méthodologiques pour répondre à cette question de façon rigoureuse plutôt que de l'esquiver par une préférence générale pour les données réelles.