Carivenola
Qui nous sommes et ce que nous faisons
Nous travaillons sur un problème très simple à énoncer et très exigeant à
résoudre : comment transformer des flux de données de marché hétérogènes,
bruités et fragmentés en un socle de séries temporelles cohérentes, traçables et
prêtes pour la recherche quantitative. Chez Carivenola, nous utilisons des
techniques d’IA pour automatiser ce travail ingrat, tout en gardant un contrôle
humain sur chaque étape critique. Notre rôle n’est pas de décider à la place des
équipes d’investissement, mais de fiabiliser la matière première de leurs
analyses, en documentant clairement les choix de normalisation, d’imputation et
de détection d’anomalies. Nous concevons nos pipelines comme des produits
vivants, qui apprennent des retours utilisateurs et des changements structurels
de marché, plutôt que comme des boîtes noires figées. Cette approche nous permet
de concilier innovation, prudence et conformité, dans un environnement où la
qualité de la donnée est devenue un avantage concurrentiel décisif.
Derrière chaque graphique lisse se cachent des décisions parfois très humaines, prises dans l’urgence ou sous contrainte technique, que nos systèmes d’IA doivent respecter et clarifier plutôt que masquer.
Lorsque nous avons commencé à travailler sur la gestion automatisée de séries temporelles de marché, nous avons rapidement réalisé que la difficulté principale ne venait pas seulement du volume de données, mais de la variété des interprétations légitimes possibles pour un même événement. Une suspension de cotation peut, par exemple, être traitée comme une simple absence de données, comme une rupture structurelle ou comme un signal à part entière, selon la logique de recherche retenue. Notre approche consiste à rendre ces choix paramétrables, traçables et réversibles, afin que les équipes puissent adapter les traitements à leurs propres cadres d’analyse, sans repartir d’une feuille blanche à chaque fois.
Plusieurs clients nous ont confié qu’avant de mettre en place nos pipelines, leurs
chercheurs passaient autant de temps à négocier la définition de leurs séries qu’à
tester des modèles. En structurant le travail de consolidation, de normalisation et de
contrôle de qualité autour d’un référentiel commun, nous avons vu ces discussions se
déplacer vers des sujets plus stratégiques : quelles hypothèses économiques sont
réellement testées, quelles limites pratiques imposent les données disponibles, et
comment documenter ces limites dans les rapports destinés aux instances de décision. Les
gains ne se mesurent pas seulement en heures économisées, mais aussi en clarté des
débats internes.
Nous avons également appris que la meilleure technologie ne compense pas une gouvernance floue. C’est pourquoi nous accompagnons chaque déploiement par une clarification des rôles : qui valide les règles de nettoyage, qui arbitre en cas de conflit entre deux définitions d’un même indicateur, qui décide de la fréquence de revue des modèles d’IA utilisés pour la détection d’anomalies. Cette clarification, parfois un peu fastidieuse, réduit fortement le risque de malentendus ultérieurs lors d’un audit interne ou d’une revue de modèle par un comité indépendant.
Notre rôle n’est pas de prendre des décisions de marché, mais de rendre les discussions qui y mènent plus claires, plus traçables et moins dépendantes de fichiers isolés sur des postes individuels.
Ce que nous cherchons vraiment à changer
Nous parlons souvent de pipelines, de séries temporelles et de normalisation, mais au fond notre travail consiste à créer les conditions pour que les débats importants portent sur les hypothèses économiques plutôt que sur des colonnes de données discordantes.
C’est pour cette raison que nous passons autant de temps à discuter avec les équipes de
recherche, de risques et de contrôle qu’avec les équipes techniques. Nous voulons comprendre
comment un indicateur est réellement utilisé dans un comité, ce que signifie concrètement
une rupture de série pour une stratégie donnée, et quels types d’explications sont attendus
lorsqu’un modèle produit un résultat surprenant. Ces échanges nourrissent directement la
façon dont nous paramétrons nos systèmes d’IA, depuis les règles de consolidation jusqu’aux
rapports d’audit générés pour chaque jeu de données historique.
En parallèle, nous gardons un œil attentif sur l’évolution des cadres réglementaires et des bonnes pratiques en matière de gouvernance de la donnée et d’utilisation de l’IA dans la finance. Sans prétendre faire de la veille juridique exhaustive, nous intégrons progressivement ces signaux dans notre manière de structurer les métadonnées, de tracer les transformations et de documenter les limites de nos approches. Cette vigilance nous aide à concevoir des solutions qui restent pertinentes sur un horizon de plusieurs années, même lorsque les attentes des régulateurs et des instances de contrôle se précisent.
Si nous devions résumer notre ambition, ce serait celle-ci : aider les équipes qui
travaillent avec des séries temporelles de marché à passer moins de temps à douter de leurs
données et plus de temps à interroger leurs hypothèses. Cela passe par une combinaison de
techniques d’IA, de bonnes pratiques d’ingénierie et d’un certain sens du détail, acquis au
fil de projets menés avec des interlocuteurs exigeants. Nous préférons avancer par
itérations mesurées, en documentant chaque étape, plutôt que de promettre une transformation
spectaculaire et instantanée de la façon dont vous travaillez avec vos données.
Pourquoi Carivenola
Nous avons créé Carivenola à partir d’un constat partagé avec plusieurs desks de recherche : plus le paysage de marché se complexifie, plus les équipes passent de temps à vérifier la cohérence de leurs séries temporelles, à recoller des historiques brisés et à documenter des décisions de nettoyage qui finissent oubliées dans des fichiers personnels.
En industrialisant ces tâches grâce à l’IA, nous voulons libérer du temps pour l’analyse plutôt que pour la chasse aux valeurs manquantes, tout en améliorant la traçabilité de chaque correction et de chaque interpolation appliquée aux données sources.
Nous travaillons en proximité avec nos interlocuteurs pour adapter nos règles de
traitement à leurs usages réels, en évitant deux écueils fréquents : l’optimisation
purement technique déconnectée du métier, et la complexité opaque qui rend impossible
tout audit a posteriori des séries utilisées dans un modèle quantitatif.
Les principes qui guident notre travail au quotidien
Travailler avec Carivenola depuis la France et l’Europe
Nous assumons un positionnement sobre : fournir une infrastructure IA robuste pour les
séries temporelles de marché, compatible avec les exigences européennes en matière de
gouvernance des données et de contrôle des modèles.
Nous travaillons en France, pour des équipes qui opèrent souvent à l’échelle européenne, avec des exigences de conformité, de traçabilité et de gouvernance de la donnée qui se renforcent chaque année.
Notre philosophie pour les séries temporelles de marché
Notre philosophie est née de projets concrets, menés avec des équipes qui devaient justifier leurs jeux de données aussi bien auprès de leurs comités de risques que de leurs auditeurs internes. Nous avons donc structuré notre manière de travailler autour de quelques principes simples, mais exigeants à tenir dans la durée.
Transparence sur l’histoire des données
Nous considérons chaque série temporelle comme un objet vivant, avec une histoire,
des ruptures, des corrections et des contextes de marché spécifiques. Notre travail
consiste à rendre cette histoire visible, plutôt qu’à la lisser derrière un unique
indicateur de qualité, afin que les équipes de recherche puissent juger par
elles-mêmes de la pertinence d’un historique pour un cas d’usage donné.
Prudence dans l’usage de l’IA
Nous privilégions des modèles d’IA explicables, documentés et surveillés, en
acceptant parfois un léger renoncement à la performance brute pour gagner en
stabilité et en capacité d’audit. Cette préférence assumée reflète la réalité des
contraintes réglementaires européennes et la nécessité de pouvoir expliquer,
plusieurs années plus tard, pourquoi telle correction a été appliquée à tel segment
de série.
Co-construction avec les équipes clés
Nous intégrons dès le départ les équipes risques, IT et conformité dans la définition des règles de normalisation et des seuils d’alerte. Cette co-construction évite le classique décalage entre un outil techniquement brillant et un environnement opérationnel qui ne peut pas l’absorber sereinement, notamment en matière de contrôle interne et de continuité d’activité.
Processus plutôt que projet
Nous pensons que la qualité de la donnée n’est pas un projet ponctuel, mais un
processus continu. C’est pourquoi nous concevons nos pipelines de séries temporelles
comme des systèmes capables d’intégrer de nouveaux flux, de nouvelles conventions de
marché et de nouveaux besoins de recherche, sans repartir de zéro à chaque évolution
de périmètre.
Une équipe à la frontière des métiers
Là où données de marché, IA et contrôle se rencontrent
Nous sommes une équipe hybride, à la croisée de la recherche quantitative, de
l’ingénierie des données et de la conformité réglementaire. Certain·es viennent de
salles de marché, d’autres de laboratoires de machine learning ou de fonctions
risques, mais nous partageons une obsession commune : réduire l’écart entre la
théorie élégante des modèles et le désordre réel des données de marché.
Concrètement, nous concevons des pipelines qui collectent, contrôlent, enrichissent
et historisent de grands volumes de séries temporelles, en tenant compte des
spécificités locales, des coupures de flux et des changements de conventions. Notre
méthode, que nous appelons Cartographie Dynamique des Séries, repose sur trois
principes : expliciter les hypothèses de transformation, versionner chaque jeu de
données comme un actif à part entière, et fournir aux équipes d’analyse des journaux
lisibles, plutôt qu’un simple score de qualité. Ce travail discret permet aux
chercheurs quantitatifs, aux équipes risques et aux fonctions de contrôle de parler
de la même chose lorsqu’ils regardent un même graphique.