Étant donné que les avancées technologiques ouvrent de nouveaux horizons, pourriez-vous nous expliquer comment et quand nous avons commencé à intégrer d’autres types de signaux dans nos stratégies ? Dans quelle mesure l’investissement quantitatif de nouvelle génération a-t-il déjà été intégré à nos stratégies ?
« Nos principaux modèles intègrent des facteurs bien connus comme la valorisation, le momentum et la qualité, que nous appelons facteurs de performance, ainsi qu’un facteur de faible risque pour la stratégie Conservative Equities. Grâce à nos recherches constantes visant à optimiser ces facteurs, nous avons commencé à incorporer d’autres types de signaux dès 2009 en mettant en œuvre notre indicateur de timing dans nos stratégies indicielles optimisées. Cet indicateur, qui s’appuie généralement sur des signaux plus rapides et innovants, nous aide à déterminer le moment idéal pour acheter et vendre des actions que notre modèle principal a identifié au préalable comme étant attractives. »
« Au départ, nous avons attribué une pondération de 10 % à cet indicateur de timing et nous avons progressivement affiné notre stratégie en y ajoutant des éléments supplémentaires. Ces éléments offrent un potentiel important et des avantages en termes de diversification. Par exemple, notre indicateur de timing, qui n’est que très faiblement corrélé avec les facteurs traditionnels, peut réduire les risques de baisse et améliorer les ratios risque/rendement. Mais comme ils évoluent rapidement, ces signaux peuvent aussi entraîner une rotation importante au sein du portefeuille et donc des frais de transaction élevés si nous leur accordons trop d’importance.
Dans un souci de maximiser le rendement net, nous nous sommes efforcés d’affiner l’indicateur de timing et de minimiser les frais de transaction. De cette façon, nous avons pu augmenter la pondération de l’indicateur à 20 % en 2017. Aujourd’hui, elle est de 25 %. À la fin de l’année dernière, nous avons lancé Quantum, une stratégie de nouvelle génération à part entière qui s’appuie sur nos recherche et un modèle dont les fondements remontent à 2009.
En ce qui concerne les tout derniers signaux, l’un des développements les plus récents est le recours au machine learning. Au début, l’idée était de prévoir le risque, tout particulièrement le risque de détresse, c’est-à-dire d’identifier les actions susceptibles de chuter. Or, le machine learning est d’une efficacité redoutable dans ce domaine, en particulier quand on alimente les algorithmes avec une grande diversité de variables liées au risque.
Il est également possible de faire appel au machine learning pour exploiter les effets d’interaction, ce qui est très intéressant. Prenons par exemple l’effet d’inversion à court terme, quand des titres qui ont chuté au cours des dernières semaines repartent à la hausse. Le machine learning nous permet d’affiner ces stratégies en prenant en compte des dimensions supplémentaires telles que la liquidité de ces titres.
Vers 2019, nous avons commencé à utiliser un signal lié au traitement du langage naturel (TLN), pour traduire le sentiment qui se dégage de l’actualité en scores. Ce signal est capable de déterminer si le sentiment d’un article de presse est positif ou négatif. Nous sommes en train d’élargir l’utilisation du TNL afin de déchiffrer des transcriptions de présentation des résultats, et même des fichiers audio de façon à analyser non seulement les mots, mais aussi le ton et les inflexions de la voix. »