belgiumfr
L’investissement factoriel en débat : le big data et l’IA inaugurent-ils une nouvelle ère pour le quantitatif ?

L’investissement factoriel en débat : le big data et l’IA inaugurent-ils une nouvelle ère pour le quantitatif ?

11-01-2021 | Vision
L’investissement factoriel repose sur des décennies d’études empiriques disponibles publiquement. Pour se démarquer de la concurrence, les gérants d’actifs investissent d’importantes ressources dans la recherche en interne afin d’améliorer les définitions des facteurs ou d’optimiser la construction de portefeuille, par exemple. Dans ce contexte, certains pensent que les nouveaux outils tels que l’alternative data et l’intelligence artificielle (IA) pourraient changer la donne. Ont-ils raison ?
  • Yann Morell Y Alcover
    Yann
    Morell Y Alcover
    Investment Writer

Points clés

  • De plus en plus d’études académiques montrent que les nouvelles techniques sont utiles
  • Attention cependant : ces outils innovants doivent être envisagés avec une certaine prudence
  • Les principes de base (recherche basée sur les faits, logique économique et prudence) restent valables

Les nouveaux outils comme le big data, l’alternative data, l’IA1 et le cloud computing sont des évolutions majeures pour l’industrie de la finance. En 2019, une étude de la Banque d’Angleterre et de la Financial Conduct Authority (Royaume-Uni) a montré que deux tiers des sociétés financières britanniques utilisent déjà le machine learning2. Et beaucoup d’entre elles pensent que le nombre de domaines dans lesquels elles l’utilisent va plus que doubler dans les trois prochaines années.

Dans la gestion d’actifs, de nombreux acteurs se targuent d’avoir adopté ces innovations, mais les applications concrètes se limitent pour le moment à des domaines tels que l’automatisation de processus, la vente et le marketing. D’autres activités, en particulier l’investissement, pourraient profiter beaucoup plus ce type d’innovation.

Dans une étude réalisée en 2019 par le CFA Institute auprès de professionnels de l’investissement3, seuls 10 % des gérants de portefeuille ayant répondu avaient utilisé l’IA ou le machine learning4 (ML) pour améliorer leur processus d’investissement dans les 12 mois précédents. En revanche, près de la moitié ont indiqué avoir utilisé l’analyse de régression pour détecter une relation linéaire.

Mais alors que la plupart de ces techniques n’en sont encore qu’à leurs balbutiements, de plus en plus d’acteurs (essentiellement des hedge funds, mais pas seulement) ont pris des mesures importantes pour déterminer comment elles peuvent les aider à mettre au point de meilleures stratégies d’investissement quantitatif, ce qui ouvrirait la voie à ce que certains experts appellent « la prochaine vague d’investissement quantitatif ».

Chez Robeco, par exemple, nous avons investi beaucoup de ressources ces dernières années, ce qui nous a permis de mieux intégrer ces technologies innovantes dans nos processus d’investissement. C’est par exemple le cas de l’« indicateur de sentiment médiatique », qui découle d’une analyse poussée de la presse écrite, et qui sert à présent à améliorer le facteur momentum dans nos stratégies quantitatives sur actions .5 

Parmi les autres utilisations de l’IA, de l’alternative data et du big data indiquées par les gérants d’actifs et autres prestataires de services d’investissement figurent l’analyse des téléconférences de présentation des résultats, les prédictions relatives aux volumes d’opérations sur actions, ou encore l’utilisation des données géospatiales disponibles publiquement pour estimer la part de marché locale dans l’industrie des granulats (extraction de sable, de gravier et de roches concassées pour la production de ciment)6.

Tout cela soulève une question brûlante pour les investisseurs : faut-il considérer ces outils comme une simple évolution des approches quantitatives classiques, qui s’appuient essentiellement sur des décennies de recherches empiriques sur les facteurs, réalisées à l’aide de signaux tels que les données comptables, les estimations des analystes financiers et l’historique des cours sur les marchés d’actions, d’obligations, d’options ou de prêts ? Ou cela signifie-t-il que les moteurs de la plupart des stratégies quantitatives existantes risquent de devenir obsolètes ?

Les adeptes de l’innovation répondent évidemment oui à cette dernière interrogation7. Une explication communément admise est que, dans un monde où la plupart des gérants quantitatifs ont accès aux mêmes données (cours des actions, fondamentaux macroéconomiques, etc.) et qu’ils appliquent les mêmes méthodes, notamment les traditionnelles analyses de régression linéaire et optimisations moyenne-variance, ces techniques sont devenues la seule façon de se démarquer des indices de marché et des concurrents directs.

À l’autre bout de l’échelle, les sceptiques estiment que même si ces innovations peuvent légèrement améliorer les stratégies d’investissement existantes, elles doivent être envisagées avec une certaine prudence8, et elles ne remettent pas fondamentalement en cause les styles d’investissement quantitatif plus traditionnels et transparents.

Ces sceptiques affirment souvent que si une bonne stratégie d’investissement exige de réaliser de nombreux tests empiriques et remises en cause, sur de grands échantillons de données et de longues périodes de temps, les preuves étayant le big data et l’alternative data restent largement anecdotiques. Les ensembles de données alternatives sont généralement très récents et manquent souvent de l’ampleur et de la qualité nécessaires pour en tirer des conclusions fiables9. Parfois, on peut même se demander si le fournisseur de données existera toujours dans cinq ou dix ans.

Une autre critique courante concerne le manque d’interprétabilité ou d’« auditabilité » des algorithmes d’IA et des modèles de machine learning10. Résultat, les stratégies d’investissement essentiellement basées sur ces techniques manquent souvent de la justification économique claire que l’on exige habituellement pour les approches quantitatives traditionnelles.

Une autre critique courante concerne le manque d’interprétabilité ou d’« auditabilité » des algorithmes d’IA et des modèles de machine learning . Résultat, les stratégies d’investissement essentiellement basées sur ces techniques manquent souvent de la justification économique claire que l’on exige habituellement pour les approches quantitatives traditionnelles.

Cette différence illustre le dilemme auquel les gérants d’actifs sont confrontés pour conserver leur avance à long terme : s’en tenir à leurs méthodes éprouvées dans le temps au risque d’être finalement dépassés, ou adopter des innovations susceptibles de tout faire échouer. Ce dilemme est exacerbé par les récentes performances décevantes de plusieurs facteurs largement acceptés, en particulier la valorisation.

Le ralentissement actuel a placé les gérants quantitatifs bien établis sous l’œil scrutateur de nombreux investisseurs qui se demandent si l’investissement factoriel n’aurait pas besoin d’une transformation complète. Dans le même temps, cependant, les résultats d’investissement atteints par les plus fervents partisans de l’IA et de l’alternative data sont loin d’être impressionnants11.

Cela laisse les investisseurs sans alternative fiable et évidente aux facteurs plus traditionnels, du moins pour le moment. Les choses pourront bien sûr évoluer, car les données alternatives à disposition des investisseurs s’amélioreront forcément dans le temps et les algorithmes IA pourraient devenir suffisamment fiables pour atteindre leur objectif de surperformance à long terme, sur une base individuelle.

Par le passé, les problèmes liés aux ensembles de données qui sont à présent largement utilisées par les gérants d’actifs quantitatifs étaient similaires aux problèmes que l’on rencontre aujourd’hui dans le big data et l’alternative data. Au fil des ans, la qualité, l’étendue et l’historique de ces données se sont améliorés et sont devenus utilisables. Avec le temps, et à mesure que plus de données deviendront disponibles, le big data et l’alternative data devraient également devenir plus exploitables.

Dans le même temps, de plus en plus d’études académiques confirment que les techniques d’IA peuvent constituer des outils utiles pour améliorer les stratégies d’investissement12. Conclusion, les machines ne remplaceront probablement jamais complètement les humains, mais elles peuvent (sous supervision humaine) aider à détecter et expliquer de nouveaux schémas. Elles peuvent également considérablement accroître la production d’études.

Que faire en tant qu’investisseur ?

Globalement, les investisseurs devraient rester ouverts aux nouvelles idées. La question fondamentale pour eux n’est peut-être pas nécessairement de choisir une approche ou une autre. Les possibilités sont nombreuses, qu’il s’agisse de s’en tenir aux traditionnels états financiers ou prix de marché, ou, à l’inverse, de seulement se fier aux sources d’information de type images satellites de parkings ou algorithmes de deep learning. 

La réponse pourrait bien se situer entre ces deux extrêmes. Par exemple, les signaux de big data et d’IA pourraient être très utiles aux analystes actions et crédits fondamentaux. Cela alimenterait nos stratégies quantitatives qui tiennent compte des révisions des analystes. Dans ce cas, nous utiliserions le big data et l’IA de façon indirecte. La figure 1 indique comment les principaux gérants d’actifs utilisent ces analyses poussées.

Figure 1 : nouvelles sources de recherche en investissement pour les gérants d’actifs

Source : Doshi, S., Kwek, J.-H. et Lai, J., 20 mars 2019, « Advanced analytics in asset management: Beyond the buzz », article McKinsey & Company.

Cela dit, il est important de se rappeler que si l’innovation peut aider, elle doit être utilisée de manière prudente et raisonnée. Les principes de base (s’assurer que les décisions d’investissement reposent sur les faits, sont prudentes et clairement justifiées sur le plan économique), devraient toujours s’appliquer, même lorsqu’il s’agit d’envisager des techniques d’avant-garde comme l’alternative data ou l’IA.

1L’IA peut être définie comme l’utilisation d’outils informatiques pour réaliser des tâches qui nécessitent habituellement la réflexion humaine. Ce domaine de recherche scientifique n’a rien de nouveau. L’expression « intelligence artificielle » a été utilisée pour la première fois au milieu des années 1950 par l’informaticien John McCarthy, alors professeur assistant au Dartmouth College. Mais les améliorations récentes de la puissance de calcul et l’augmentation spectaculaire des données disponibles depuis l’avènement du numérique ont considérablement étendu les possibilités d’application de ces technologies.
2Jung, C., Mueller, H., Pedemonte, S., Plances, S. et Thew, O., octobre 2019, « Machine learning in UK financial services », Bank of England et Financial Conduct Authority.
3Cao, L., 2019, « AI pioneers in investment management », CFA Institute.
4Le machine learning consiste à utiliser des algorithmes informatiques qui améliorent automatiquement leurs prédictions à partir de l’expérience. On peut donc le considérer comme un sous-segment de l’intelligence artificielle.
5Marchesini, T. et Swinkels, L., juillet 2019, « Integrating news sentiment in quant equity strategies », note de client Robeco.
6Le rapport du CFA Institute susmentionné offre une vue d’ensemble intéressante des nouvelles applications concrètes.
7Calvello, A., 15 janvier 2020, « Fund managers must embrace AI disruption », Financial Times ; Rajan, A., 27 janvier 2020, « AI will rewrite the future of fund management », Financial Times.
8Kirk, E., 3 mars 2020, « Don’t believe the hype about AI and fund management », Financial Times.
9Arnott, R., Harvey, C. R. et Markowitz, H., 2019, « Backtesting protocol in the era of machine learning », The Journal of Financial Data Science.
10FSB 2017, Artificial intelligence and machine learning in financial services – Market developments and financial stability implications.
11Fletcher, L., 7 septembre 2020, « AI hedge fund Voleon suffers in choppy markets », Financial Times.
12Simonian, J., Lopez de Prado, M., Fabozzi et F. J., 2018, « Order from chaos: How data science Is revolutionizing investment practice », Invited editorial comment, The Journal of Portfolio Management ; Snow, D., 2020, « Machine learning in asset management – Part 1: Portfolio construction – Trading strategies », The Journal of Financial Data Science ; Snow, D., 2020, « Machine learning in asset management – Part 2: Portfolio construction – Weight optimization », The Journal of Financial Data Science.

Les sujets en rapport avec cet article sont :
Logo

Décharge légale Agree

Les informations présentes sur ce site Web sont destinées exclusivement aux professionnels. Un investisseur professionnel est : un investisseur qui, à titre professionnel, dispose d'assez de connaissances et d'une expertise et d'une expérience suffisantes pour pouvoir évaluer de manière adéquate les risques financiers liés aux décisions d'investissement prises par lui-même.

Les visiteurs de ce site Web doivent être conscients du fait qu’ils sont eux-mêmes tenus de respecter toutes les lois et règlements en vigueur dans leur pays.

En cliquant sur J'accepte, vous confirmez que vous êtes un investisseur professionnel. Si vous cliquez sur Je n'accepte pas, vous êtes orienté vers la partie réservée aux particuliers.

Je n’accepte pas