Les stratégies quantitatives ont toujours été guidées par les données et les technologies, et l'IA est le dernier chapitre de cette évolution. Il est important de noter que l'utilisation de l'IA dans l'investissement n'est pas totalement nouvelle. Les techniques de ML et de TLN font l'objet de recherches et sont appliquées dans nos stratégies depuis des décennies.

Ce qui est différent aujourd'hui, c'est l'ampleur de ce que ces techniques d'IA peuvent faire et la variété des données qu'elles peuvent traiter. Loin de remplacer les méthodes quantiques éprouvées, l'IA les améliore. Imaginez que vous passiez d'une boîte à outils manuels à des outils électriques : le travail est le même, mais nous visons à l'accomplir plus rapidement et plus efficacement.

Machine learning

Par exemple, le machine learning (ML) permet de découvrir des modèles complexes dans les données, y compris des relations non linéaires et des interactions subtiles que les modèles traditionnels risquent de ne pas voir. Cela nous permet d'affiner les signaux existants ou de découvrir de nouvelles sources d'alpha. Ainsi, en combinant un signal d'inversion classique avec des données sur le sentiment lié aux actualité, notre équipe Investissement quantitatif a amélioré sa capacité à identifier les titres susceptibles de rebondir après une réaction excessive. Le ML peut également regrouper des titres similaires sur la base de caractéristiques communes telles que la chaîne d'approvisionnement ou l'utilisation de technologies, ce qui permet d'approfondir la gestion du risque. Ce type d'informations permet aux modèles quantitatifs de mieux s'adapter à l'évolution rapide des marchés d'aujourd'hui.

Traitement du langage naturel (TLN)

La capacité de l'IA à interpréter le langage a progressé rapidement, passant d'un simple comptage de mots à de vastes modèles linguistiques capables de saisir les nuances, le ton et l'intention. En analysant des données textuelles telles que les actualités, des rapports financiers ou des commentaires d'employés, et même en écoutant le ton de la voix lors des annonces de résultats, les techniques de traitement du langage naturel (TLN) permettent d'obtenir des informations plus approfondies sur le sentiment. Qu'il s'agisse d'évaluer la confiance d'un PDG, de détecter des changements subtils dans l'humeur des clients ou d'identifier les acteurs clés de la chaîne d'approvisionnement d'une entreprise, le TLN enrichit notre compréhension du paysage de l'entreprise au sens large. Ces signaux plus riches alimentent nos modèles quantitatifs, ce qui peut nous donner une longueur d'avance dans l'évaluation du sentiment de marché et de l'état de santé de l'entreprise.

Données alternatives

Le domaine des données alternatives – des types de données non conventionnelles ou non traditionnelles qui n'ont pas été utilisées dans le passé pour les décisions d'investissement – rend ces techniques d'IA possibles et de plus en plus essentielles. D'un volume, d'une variété et d'une rapidité de génération inégalés, les données alternatives offrent un aperçu en temps réel de l'activité économique qui échappe souvent aux données traditionnelles. Par exemple, les données relatives aux cartes de crédit peuvent signaler des changements dans les dépenses de consommation, tandis que les manifestes d'expédition permettent de suivre les flux commerciaux mondiaux.

Pour séparer le bruit du signal et convertir le torrent de données alternatives en informations tangibles sur les investissements, il faut combiner des techniques d'IA innovantes avec des hypothèses économiques raisonnables. L'intégration de l'IA dans les processus d'investissement offre aux investisseurs quantitatifs et fondamentaux les avantages d'une plus grande rapidité, de sources d'information plus larges et d'un meilleur traitement de l'information. Mais il faut également faire preuve de détermination, de lucidité et de transparence lorsque l'on utilise l'IA dans nos processus.

Avec autant de nouvelles données et de puissance informatique à notre portée, les investisseurs quantitatifs peuvent aujourd'hui exploiter des sources de données et des techniques qui étaient inimaginables il y a une dizaine d'années. L'équipe Investissement quantitatif de Robeco a, par exemple, élargi sa boîte à outils pour y inclure tout ce qui va des signaux spécifiques au secteur aux nouveaux ensembles de données alternatives.

Afin de garantir que les stratégies quantitatives évoluent de manière saine et fondée sur des données probantes, tout en préservant la robustesse attendue par les clients, nous avons développé des stratégies dédiées pilotées par l'IA dans notre incubateur. Cela a conduit, par exemple, au lancement de notre ETF Dynamic Theme Machine (DTM).

Dynamic Theme Machine

L'investissement thématique présente un grand intérêt, mais il comporte aussi des défis. Souvent, les investisseurs ne s'intéressent à un thème qu'une fois qu'il est déjà bien avancé, ce qui les empêche d'une hausse précoce. Les thèmes émergents peuvent être trop restreints pour justifier un produit autonome. Et une fois investi, il peut être difficile de savoir quand un thème commence à perdre de son attrait, ce qui conduit à rater d'autres opportunités.

Grâce à l'IA, l'ETF Dynamic Theme Machine (DTM) de Robeco relève ces défis par le biais d'une approche quantitative multithématique. Notre moteur d'IA, qui utilise des techniques telles que le TLN, analyse des sources de données vastes et diverses pour détecter des modèles, identifier le momentum thématique et signaler quand un thème gagne ou perd de l'attrait. Cela nous permet de procéder à une allocation dynamique entre les thèmes émergents et établis, en utilisant un processus systématique qui nous aide à effectuer une rotation efficace. Nos algorithmes de sélection de titres et de construction de portefeuille garantissent une gestion rigoureuse du risque tout au long du processus.

L'IA est également devenue un thème dominant pour les investisseurs fondamentaux. Avec sa capacité apparemment infinie à prendre en charge diverses tâches, du codage informatique au développement de médicaments, l'IA a été annoncée comme la prochaine ère technologique, à l'instar de l'ordinateur personnel, d'Internet et du smartphone. Si les effets de ces changements technologiques sont largement ressentis, les bénéficiaires sont généralement moins nombreux.

Par conséquent, nous nous concentrons sur l'identification des fournisseurs de technologies fondamentales et de ceux qui adoptent la technologie au cœur de leur activité pour créer de la valeur.

Les fondements de l'IA

Il est essentiel de comprendre la différenciation concurrentielle et la valeur ajoutée réelle des entreprises qui fournissent des technologies pour le développement de l'IA afin d'obtenir des rendements à long terme. Dans les précédentes ères technologiques une poignée d'entreprises dotées d'un capital intellectuel fondamental s'emparait de la majorité de la valeur générée tout au long du cycle. Ce fut le cas, par exemple, d'IBM durant l'ère des ordinateurs centraux, de Microsoft et d'Intel durant l'ère des PC, d'Apple et de Qualcomm durant l'ère des téléphones mobiles, et d'Amazon et de Google durant l'ère de l'Internet. Bien que de nombreuses autres technologies aient joué un rôle dans ces cycles, ces facilitateurs et fournisseurs de composants se sont souvent révélés interchangeables. Nous pensons qu'une dynamique similaire se produira à l'ère de l'IA.

Les adeptes de l'IA

En outre, les adeptes de l'IA sont des entreprises de multiples secteurs qui intègrent l'IA pour améliorer leurs produits ou leurs opérations. Pratiquement toutes les entreprises utiliseront l'IA sous une forme ou une autre – de la même manière que toutes les entreprises utilisent des ordinateurs ou Internet aujourd'hui – mais l'impact sur leurs performances financières sera différent. Ainsi, Internet a permis l'émergence d'une nouvelle catégorie de concurrents, du e-commerce aux services de streaming, une évolution qui a transformé leurs secteurs respectifs. De même, le cloud computing a permis de créer un nouveau modèle commercial pour les logiciels, les fournisseurs de logiciels en tant que service (SaaS) ayant non seulement distribué les fournisseurs historiques, mais aussi élargi le marché des applications d'entreprise. L'IA a déjà permis aux fournisseurs de SaaS existants d'améliorer leurs offres et aux nouveaux venus de repenser une nouvelle fois le modèle.

Stratégie Digital Innovations

Ces opportunités requièrent une analyse minutieuse, en examinant ce qui se cache derrière les prétentions de l'IA. L'entreprise possède-t-elle des données propriétaires ? Des compétences en matière d'IA ? Une stratégie défendable pour monétiser ses capacités en matière d'IA ? En posant ces questions, nous visons à séparer le battage médiatique de la réalité et du potentiel. Notre stratégie Digital Innovations vise à inclure une exposition à des acteurs établis et à de nouvelles entreprises prometteuses, le cas échéant, toujours en tenant compte des risques.