A research infrastructure for markets that change regime

Usually, a market hypothesis, a calibrated model, optimized parameters. Then we deploy.
The problem is that markets don't stay in the regime for which the model was trained.

We develop an adaptive AI capable of predicting and simulating complex systems linked to human behaviors.

Our quantitative research is built on the ongoing competition of tens of thousands of algorithmic hypotheses. Across the CAC 40 and crypto-assets universes, our infrastructure currently runs around 51 distinct models per market, tested against more than 234,556 simulated virtual portfolios on historical data.

This work consists of experimental observations on historical data: it does not predict future performance and does not constitute a public offer or a solicitation to invest.

We are promised ever more powerful predictive models: more data, more algorithms, more correlations. But predicting is not fortune telling! And certainly not understanding.

Jeudi 24 avril nous étions au salon du recrutement de l'école @DataScientest.com pour rencontrer des profils de Data Scientist, Data Engineer et Machine Learning Engineer qui pourraient rejoindre l'aventure Previsio.

24 entretiens avec de supers profils en mode speed dating, bravo pour l'organisation @Estelle MOLTO et @Kahina !

𝗩𝗼𝘂𝘀 é𝘁𝗶𝗲𝘇 𝗵𝗮𝗯𝗶𝘁𝘂é 𝗮𝘂 𝗺é𝗱𝗶𝗼𝗰𝗿𝗲, 𝗱é𝗰𝗼𝘂𝘃𝗿𝗲𝘇 𝗹’𝗲𝘅𝗰𝗲𝗹𝗹𝗲𝗻𝗰𝗲 𝗮𝗽𝗽𝗼𝗿𝘁é à 𝗹𝗮 𝗽𝗿é𝗱𝗶𝗰𝘁𝗶𝗼𝗻 𝗱𝗲 𝗰𝗼𝗺𝗽𝗼𝗿𝘁𝗲𝗺𝗲𝗻𝘁 𝗱𝗲 𝗴𝗿𝗼𝘂𝗽𝗲 𝗱𝗲 𝗽𝗲𝗿𝘀𝗼𝗻𝗻𝗲𝘀 𝗽𝗮𝗿 𝗹𝗲 𝗠𝗮𝗰𝗵𝗶𝗻𝗲 𝗟𝗲𝗮𝗿𝗻𝗶𝗻𝗴 !
Focalisons sur la santé à travers cet article de la revue scientifique Nature : publié en 2023 ce rapport illustre la capacité du ML à prédire des comportements humains complexes en exploitant des données hétérogènes et en utilisant des modèles mathématiques avancés \(ref en commentaire\).

𝙋𝙧é𝙙𝙞𝙧𝙚 𝙡𝙚𝙨 𝙘𝙤𝙢𝙥𝙤𝙧𝙩𝙚𝙢𝙚𝙣𝙩𝙨 𝙥𝙚𝙣𝙙𝙖𝙣𝙩 𝙡𝙚 𝘾𝙤𝙫𝙞𝙙
L'étude porte sur les comportements individuels de protection sanitaire \(port du masque, respect de la distanciation, lavage fréquent des mains, etc\). Les auteurs se sont appuyés sur un jeu de données comprenant des données individuelles issues de 5 pays européens avec plus de 20 000 observations réparties sur plusieurs vagues entre avril et juin 2020. Les variables incluaient des caractéristiques sociodémographiques, économiques, sanitaires \(présence de comorbidités\), psychologiques \(perception du risque, anxiété\), ainsi que des données d'opinion \(niveau de confiance dans les autorités et les médias\). Ce jeu de données a été enrichi par des données macroéconomiques et de politiques publiques issues de l'Oxford COVID-19 Government Response Tracker.

𝙐𝙣 𝙥𝙚𝙪 𝙙𝙚 𝙩𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚 !
Les chercheurs ont opté pour un algorithme Random Forest qui présente plusieurs avantages : contrairement aux modèles classiques, les forêts aléatoires sont capables de capturer les interactions non linéaires entre les variables et de gérer efficacement la haute dimensionnalité des jeux de données.
L'algorithme est constitué de plusieurs arbres de décision entraînés sur différents sous-ensembles de données. Chaque arbre produit une prédiction et l'agrégation des résultats permet d'obtenir une estimation robuste moins sujette aux biais individuels.
Un enjeu majeur dans la prédiction des comportements humains est l'interprétabilité des modèles. Pour ce faire, les chercheurs ont utilisé les valeurs de Shapley, une approche issue de la théorie des jeux coopératifs : chaque variable se voit attribuer une note de contribution marginale au résultat prédictif final. Cette démarche est fondamentale pour évaluer la robustesse des prédictions et identifier les facteurs qui influencent le plus les comportements.
Par exemple les résultats montrent que les facteurs les plus déterminants sont l'incidence régionale du Covid, la rigueur des mesures gouvernementales et le niveau de connaissance individuelle sur la pandémie.

Pour un acteur de la prédiction d'affluence comme Previsio ces avancées démontrent la pertinence des modèles de Machine Learning pour la prédiction de comportements complexes. En appliquant une méthodologie rigoureuse et en intégrant des données multisources, il est possible d'identifier des dynamiques subtiles et de fournir des prévisions fiables.

𝗟'𝗵𝘆𝗯𝗿𝗶𝗱𝗮𝘁𝗶𝗼𝗻 𝗱𝘂 𝘁𝗿𝗮𝘃𝗮𝗶𝗹 𝘀'𝗶𝗻𝘀𝘁𝗮𝗹𝗹𝗲 : 𝗮𝗻𝘁𝗶𝗰𝗶𝗽𝗲𝗿 𝗹𝗲𝘀 𝗮𝗳𝗳𝗹𝘂𝗲𝗻𝗰𝗲𝘀 𝗱𝗮𝗻𝘀 𝗹𝗲𝘀 𝗰𝗼𝗺𝗺𝗲𝗿𝗰𝗲𝘀, 𝗿𝗲𝘀𝘁𝗮𝘂𝗿𝗮𝗻𝘁𝘀 𝗲𝘁 𝗹𝗲𝘀 𝘀𝗲𝗿𝘃𝗶𝗰𝗲𝘀 𝗽𝘂𝗯𝗹𝗶𝗰𝘀 𝗱𝗲𝘃𝗶𝗲𝗻𝘁 𝗽𝗿𝗼𝗯𝗹é𝗺𝗮𝘁𝗶𝗾𝘂𝗲 

𝘈 𝘭'𝘢𝘶𝘯𝘦 𝘥𝘦 𝘭𝘢 𝘱𝘶𝘣𝘭𝘪𝘤𝘢𝘵𝘪𝘰𝘯 𝘤𝘦𝘵𝘵𝘦 𝘴𝘦𝘮𝘢𝘪𝘯𝘦 𝘥𝘦 𝘭'é𝘵𝘶𝘥𝘦 𝘢𝘯𝘯𝘶𝘦𝘭𝘭𝘦 𝘥'@AREMIS Group 𝘴𝘶𝘳 𝘭'𝘩𝘺𝘣𝘳𝘪𝘥𝘢𝘵𝘪𝘰𝘯 𝘢𝘶 𝘵𝘳𝘢𝘷𝘢𝘪𝘭, 𝘯𝘰𝘶𝘴 𝘢𝘷𝘰𝘯𝘴 𝘴𝘰𝘶𝘩𝘢𝘪𝘵é 𝘦𝘯 𝘳𝘦𝘨𝘢𝘳𝘥𝘦𝘳 𝘭𝘦𝘴 𝘧𝘢𝘪𝘵𝘴 𝘴𝘰𝘶𝘴 𝘭'𝘢𝘯𝘨𝘭𝘦 𝘥𝘦𝘴 𝘤𝘰𝘯𝘴é𝘲𝘶𝘦𝘯𝘤𝘦𝘴 𝘥𝘢𝘯𝘴 𝘭𝘦 𝘵𝘪𝘴𝘴𝘶 é𝘤𝘰𝘯𝘰𝘮𝘪𝘲𝘶𝘦 𝘭𝘰𝘤𝘢𝘭.

𝗨𝗻𝗲 𝗶𝗺𝗽𝗿é𝘃𝗶𝘀𝗶𝗯𝗶𝗹𝗶𝘁é 𝗰𝗿𝗼𝗶𝘀𝘀𝗮𝗻𝘁𝗲
Le rapport AREMIS 2025 sur le travail hybride, réalisé auprès de 97 entreprises représentant 1 million de collaborateurs, illustre les difficultés à prédire la présence des collaborateurs.
Le panel fait apparaître que 91 % des entreprises ont une politique de télétravail encadrant les jours sur site, avec une variation des jours pris constante sur 2 ans \(2,4 jours par semaine en 2025 pour 2,3 en 2024\). Ce chiffre masque une forte variabilité selon les entreprises et les secteurs.
On évolue vers plus de visibilité avec un passage de 65% des jours au libre arbitre des collaborateurs en 2024 à 51% en 2025. 
La diversités de pratiques rendent néanmoins la prédiction d'affluence particulièrement complexe.

𝗗𝗲𝘀 𝗿é𝗽𝗲𝗿𝗰𝘂𝘀𝘀𝗶𝗼𝗻𝘀 𝘀𝘂𝗿 𝗹𝗲𝘀 𝗮𝗰𝘁𝗶𝘃𝗶𝘁é𝘀 𝗰𝗼𝗺𝗺𝗲𝗿𝗰𝗶𝗮𝗹𝗲𝘀 𝗲𝘁 𝗱𝗲 𝘀𝗲𝗿𝘃𝗶𝗰𝗲𝘀
L'impact de l'imprévisibilité de la fréquentation des bureaux a des répercussions significatives sur les activités commerciales et de services situées aux abords des zones de travail ou de résidence : Les commerces de proximité, les restaurants, les services publics et même les transports sont directement touchés par ces fluctuations de présence.
Lorsque les collaborateurs sont en télétravail, les commerçants font face à des baisses de fréquentation inattendues perturbant leur CA et leur capacité à ajuster stocks ou effectifs.
Inversement, des pics de présence non anticipés peuvent conduire à une saturation des infrastructures et des services, générant une expérience client dégradée.

𝗤𝘂𝗲𝗹 𝗿ô𝗹𝗲 𝗷𝗼𝘂𝗲 𝗣𝗿𝗲𝘃𝗶𝘀𝗶𝗼 𝗱𝗮𝗻𝘀 𝗰𝗲 𝗰𝗼𝗻𝘁𝗲𝘅𝘁𝗲 ?
Anticiper les flux devient critique pour prendre les bonnes décisions. Grâce à l'intelligence artificielle et à une collecte massive de données hétérogènes, la solution de Previsio permet d'anticiper les affluences avec une précision sans précédent.
Alors que les modèles traditionnels sont souvent dépassés par les fluctuations récentes, Previsio s'adapte en continu aux nouvelles dynamiques en capturant les corrélations complexes entre les variables. Cela permet aux gestionnaires d’espaces de mieux planifier les ressources et d’optimiser les surfaces, tout en anticipant les pics d’affluence.

On April 24, Previsio participated in the DataScientest school recruitment fair, meeting 24 candidates with diverse profiles in data science and machine learning. An opportunity to strengthen our team and share our vision of intelligent flow prediction.

A study published in Nature demonstrates machine learning's ability to predict complex behaviors, such as barrier gestures during the pandemic, by integrating sociodemographic, psychological and political data. Previsio applies these advances to model attendance dynamics, providing reliable forecasts even in uncertain contexts.

As remote work redefines workplace presence rhythms, traditional models struggle to predict actual office occupancy. Previsio leverages artificial intelligence and heterogeneous data to provide unprecedented visibility into flows, enabling space managers and nearby retailers to optimize their resources and improve user experience.