29-03-2023 · Recherche

Pourquoi est-ce que le meilleur reste à venir pour l'investissement factoriel ?

Après avoir été chahutées par la crise du quantitatif en 2018-2020, les stratégies d'investissement factoriel se sont nettement redressées. Exacerbée par la crise du Covid-19, la bulle des valeurs « Growth » a laissé place à un régime de marché plus normal où les performances des facteurs ont retrouvé leurs tendances historiques. Ce retour ne doit cependant pas pousser les investisseurs à se complaire dans le statu quo. Nous plaidons à la place pour une évolution réfléchie de l'investissement factoriel.

Télécharger la publication

L'environnement actuel est plus que jamais favorable aux stratégies factorielles. De récentes études empiriques ont permis aux investisseurs quantitatifs de découvrir de nombreux signaux qui se développent bien plus rapidement que les facteurs plus classiques tels que la valorisation, la qualité, le momentum et le faible risque. C'est le cas par exemple des inversions à court terme et du momentum à court terme, qui se basent sur des périodes d'un mois seulement.

Ces signaux rapides sont souvent ignorés, de crainte qu'ils ne survivent pas une fois les coûts de transaction pris en compte. Mais nous pensons que ce problème peut être réglé en combinant de multiples signaux à court terme, en réduisant l'univers aux titres liquides et en utilisant des règles de trading qui limitent les coûts. Avec une mise en œuvre efficace, les signaux à court terme peuvent offrir un fort potentiel d'alpha net qui permettra aux investisseurs d'étendre la frontière efficiente.

La montée de l'alternative data

Une autre évolution intéressante de ces dernières années est la montée rapide de l'alternative data, qui fournit de très bonnes opportunités à l'investissement factoriel de « prochaine génération ». Les facteurs classiques sont essentiellement liés au cours des actions et aux informations provenant des états financiers. Les autres données couramment utilisées incluent les prévisions des analystes et les prix observés dans d'autres marchés (obligations, options et ventes à découvert, par exemple).

En parallèle, les transactions financières, les capteurs, les appareils mobiles, les satellites, les documents publics et l'internet, entre autres, sont sources d'alternative data. Les données textuelles (articles d'actualité, rapports d'analyse, transcriptions des présentations de résultats, avis des clients sur les produits, ou évaluations des employés) peuvent être converties en signaux quantitatifs à l'aide de techniques de traitement du langage naturel qui deviennent de plus en plus sophistiquées.

Toutes ces données peuvent servir non seulement à créer de nouveaux facteurs, mais aussi à améliorer les facteurs existants. Par exemple, il est reproché aux facteurs de valorisation traditionnels de n'inclure que les actifs corporels comptabilisés au bilan, alors qu'aujourd’hui, de nombreuses entreprises possèdent surtout des actifs incorporels tels qu'un capital de connaissances, une valeur de marque ou de réseau. Pour estimer la valeur d'un capital de connaissances, par exemple, on peut examiner les données des brevets.

L'avènement du machine learning

La révolution du big data s'accompagne aussi d'une explosion de la puissance informatique. Cela permet aux investisseurs quantitatifs d'aller au-delà des types de portefeuilles ou des régressions linéaires classiques, et d'utiliser des techniques de machine learning (ML) à forte intensité de calcul, telles que les forêts d'arbres décisionnels et les réseaux neuronaux. Le principal avantage de ces techniques est qu'elles peuvent mettre au jour des effets non linéaires et des effets d'interaction.

De récentes études font état d'améliorations importantes des performances lorsque le machine learning est appliqué au « zoo des facteurs ». Mais il existe aussi des difficultés. Par exemple, la rotation des modèles de ML peut être excessive car ces modèles sont généralement entraînés à prédire les prochains rendements à un mois, afin d'obtenir suffisamment d'observations indépendantes. De plus, l'interprétabilité des résultats du modèle de ML ne va pas de soi.

Par conséquent, si le machine learning a le potentiel de repousser les limites de l'investissement factoriel, divers obstacles doivent être surmontés.

Next-Generation Quant

À mesure que la technologie progresse, les opportunités pour les investisseurs quantitatifs se multiplient. L’exploitation de volumes plus importants de données et de techniques de modélisation avancées nous permet d’approfondir nos analyses et d’améliorer la prise de décision.

Durabilité

Enfin, l'intérêt grandissant pour l'intégration de la durabilité présente une autre opportunité de taille pour l'investissement factoriel. Les critères de durabilité peuvent être quantifiés à l'aide de scores ESG généraux (environnement, social et gouvernance) ou d'indicateurs plus précis tels que l'empreinte carbone, qui sont largement disponibles aujourd'hui. Dans la mesure où ces scores de durabilité sont de conception similaire aux scores factoriels, il est relativement facile de les intégrer au problème d'optimisation de portefeuille.

Cela peut se faire, par exemple, sous forme de limites strictes, ou en les évaluant les uns par rapport aux autres dans la fonction objective. En général, une part importante de durabilité peut être incluse dans les portefeuilles de facteurs sans trop affecter les expositions factorielles. Ainsi, l'investissement factoriel peut poursuivre le double objectif de richesse et de bien-être.

Téléchargez l’intégralité du document