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.

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.

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.

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.

Plus d'articles

Les primes factorielles pourraient-elles disparaître ?
Faut-il se lancer dans le timing factoriel ?