Intelligence Collaborative : Allier la perspicacité humaine aux technologies de pointe

| Thought Leadership

Les gestionnaires d’actifs doivent impérativement s’adapter aux changements technologiques pour se démarquer dans un environnement de plus en plus compétitif. Ceux qui s’y investissent devanceront sans aucun doute ceux qui ne le font pas. Toutefois, la transformation numérique ne bouleverse pas seulement la technologie ; en automatisant davantage de processus, elle engendre aussi une refonte de la division du travail, et de la relation entre l’homme et la machine. Le développement de l’apprentissage automatique et la prolifération des sources de données alternatives ouvrent de vastes opportunités à notre secteur, mais cela nous pose également un défi majeur : à mesure que les machines continuent d’évoluer, quel degré de contrôle les gestionnaires d’investissement doivent-il céder à la technologie pour offrir les meilleurs résultats aux investisseurs ?

Nous sommes convaincus que le secteur de la gestion d’actifs continuera d’évoluer sous la forme d’une synthèse entre l’esprit l’humain et l’intelligence artificielle, pour exploiter au mieux la puissance de l’un et de l’autre. Si les ordinateurs peuvent reproduire un comportement intelligent, nous ne pensons pas qu’ils remplaceront les gestionnaires d’actifs dans le futur. Chez Unigestion, nous croyons en l’intelligence collaborative et à la force de l’esprit humain associé à la machine. Nous dotons nos équipes d’investissement d’une technologie de pointe afin d’acquérir une compréhension approfondie des marchés financiers et d’améliorer les résultats pour nos clients.

La puissance de la collaboration entre les humains et les machines

L’approche systématique des décisions d’investissement présente de nombreux avantages. Les machines nous permettent de traiter d’énormes volumes de données dans un monde où elles foisonnent. Non seulement les machines traitent les données, mais, surtout, elles le font vite et fréquemment. Le recours à la technologie réduit également la subjectivité et le risque de biais émotionnel, ce qui favorise les processus d’investissement structurés, rigoureux et reproductibles.

L’analyse systématique doit être combinée à la capacité de prévision des gestionnaires d’investissement, qui évaluent en continu la pertinence des données passées et s’adaptent aux évolutions des marchés.

Cela étant, bien que les modèles offrent un énorme potentiel d’amélioration de la façon dont nous gérons le risque et dégageons de l’alpha pour nos investisseurs, ils souffrent de certains défauts. De par leur conception, les modèles ont tendance à se « suradapter ». Ils sont en outre intrinsèquement rétrospectifs. Dès lors, ces processus purement quantitatifs sont insuffisants pour traiter seuls l’impact des événements inédits. Si les modèles peuvent identifier les changements de régime et les nouveaux facteurs de risque, dans les faits ils restent faibles dans l’interprétation des données et l’adaptation aux nouveaux paradigmes. Nous estimons qu’il faut combiner l’analyse systématique aux points de vue prospectifs des gestionnaires d’investissement, qui peuvent évaluer continuellement la pertinence des données passées et qui s’adaptent en fonction de l’évolution des marchés.

Chez Unigestion, nous utilisons de nombreux modèles systématiques exclusifs comme appui dans la gestion de nos portefeuilles d’investissement, mais toujours en complément de la supervision de nos équipes d’investissement. En outre, nos gestionnaires travaillent en étroite collaboration avec des analystes quantitatifs de sorte à maximiser le partage des connaissances et à nous sensibiliser aux évolutions fondamentales du sentiment de marché. Nous appliquons cette approche combinée à tous les niveaux de nos processus d’investissement, de l’allocation des actifs à la sélection des instruments en passant par la recherche et le développement, dans le but de co-créer des solutions sur mesure avec nos clients.

Utiliser l’apprentissage automatique pour améliorer la prise de décision d’investissement

Nous sommes absolument convaincus que l’apprentissage automatique peut aider les gestionnaires actifs à se démarquer de leurs homologues passifs. L’apprentissage automatique présente un énorme potentiel pour les gestionnaires d’actifs en termes de soutien dans leur décisions d’investissement et d’amélioration de leurs résultats au bénéfice des investisseurs, en particulier s’ils s’appuient sur l’expérience humaine. Grâce à leur aptitude à traiter des modèles beaucoup plus complexes avec une meilleure capacité de prévision, les algorithmes modernes d’apprentissage automatique transcendent la régression linéaire traditionnelle.

Comme pour toute méthode axée sur les données, la qualité des données a un effet considérable sur l’utilité des résultats produits par le modèle. Des variables non apparentées évoluant dans la même direction peuvent révéler une nouvelle connexion puissante et inexplorée avec un grand pouvoir prédictif ou explicatif, mais il peut tout autant s’agir d’un bruit statistique sans fondement ou d’un biais non détecté auparavant dans les données. C’est pourquoi nous croyons que les gestionnaires d’investissement doivent donner un sens économique aux algorithmes d’apprentissage automatique. Ils doivent également trouver le bon compromis entre une meilleure performance et l’interprétabilité des résultats.

La plupart des gestionnaires d’actifs ont recours à l’apprentissage automatique pour extraire les signaux alpha à court terme des instruments liquides et facilement négociables, là où le volume de données disponibles, la rapidité du traitement et la capacité à trouver des schémas récurrents difficilement détectables par une analyse traditionnelle peuvent constituer un avantage. Toutefois, le rapport signal/bruit demeure relativement faible, et il est encore plus faussé par la nature adaptative et dynamique des marchés financiers.

Plus nous utilisons l’apprentissage automatique, plus il est important d’avoir une philosophie d’investissement solide pour éviter le risque de « suradaptation » des données à un signal insaisissable et faible.

Chez Unigestion, nous avons opté pour une voie alternative. Nous utilisons l’apprentissage automatique pour extraire des tendances qui nous aident à évaluer le risque, trier les investissements et adapter nos portefeuilles aux nouveaux signaux. Selon nous, alors qu’il se développe, l’apprentissage automatique a vocation à s’intégrer au processus d’investissement, pas à le remplacer. Nous croyons fermement que plus nous utilisons l’apprentissage automatique, plus il est important d’avoir une philosophie d’investissement solide pour éviter le risque de « suradaptation » des données à un signal insaisissable et faible.

À l’heure actuelle, nous travaillons principalement avec des algorithmes d’apprentissage supervisés, que nous alimentons de données étiquetées afin que nos modèles puissent apprendre à généraliser sur la base de ces étiquettes. Parmi les initiatives récentes figure l’élaboration d’algorithmes d’apprentissage automatique qui permettent d’améliorer nos prévisions de distribution de rendements propres aux actions ou encore la sélection de fonds dans le cadre de notre processus de private equity. Nous étudions également l’utilisation de techniques d’apprentissage automatique pour imiter les facteurs macroéconomiques afin de renforcer nos modèles de risques multi-actifs.

Tirer parti du big data avec les techniques et les outils appropriés

L’apprentissage automatique est lié au big data : pour apprendre, les machines doivent se nourrir d’une quantité massive de données. Depuis une dizaine d’années, les sources de données nouvelles et alternatives connaissent une croissance exponentielle : selon AlternativeData.org, il existe désormais plus de 400 fournisseurs de données, contre à peine 100 en 2008. Toutefois, la simple collecte de données n’apporte aucune valeur ajoutée. La valeur ajoutée réside dans la capacité de distinguer les données les plus significatives et de les interpréter correctement.

Si l’alpha est généré à travers une exploitation habile de l’information, l’énorme augmentation du volume de données disponibles offre des opportunités aux gestionnaires d’actifs.

La loi fondamentale de la gestion active de Grinold affirme que l’obtention de rendements ajustés du risque élevés dépend de trois facteurs : le talent du gestionnaire, le nombre de décisions d’investissement indépendantes et la transposition de ces connaissances dans la mise en œuvre du portefeuille. Si l’alpha est généré à travers une exploitation habile de l’information, l’énorme augmentation du volume de données disponibles offre aux gestionnaires d’actifs la possibilité de développer des indicateurs beaucoup plus sophistiqués qu’auparavant et de transformer leurs recherches en nouvelles sources de rendements pour les investisseurs.

Chez Unigestion, nous œuvrons constamment à l’intégration des nouvelles données et des signaux qu’elles génèrent dans nos processus d’investissement. Nous souhaitons exploiter la « datafication » de notre société pour identifier de nouveaux types d’analyses qui nous aideront à offrir de meilleurs résultats à nos clients. Toutefois, nous estimons que l’utilisation de ces nouveaux signaux fondés sur les données comme stratégie d’investissement autonome n’a qu’une valeur limitée, ils doivent plutôt servir à compléter notre approche actuelle. Le défi pour nos gestionnaires d’investissement est de savoir comment extraire du big data la signification et les déclencheurs exploitables, pour ensuite les mettre en œuvre dans nos processus. Pour y parvenir, nous travaillons avec des spécialistes externes, tels que RavenPack. Nous avons récemment utilisé certaines de nos conclusions pour extraire un indicateur quantitatif du « sentiment macroéconomique » de l’actualité (médias traditionnels et sociaux), puis nous avons intégré ces nouvelles connaissances dans nos indicateurs Nowcaster. Nous utilisons également le big data pour le sentiment lié à l’actualité afin de mieux évaluer le risque propre à chaque titre.

Utiliser la technologie pour collaborer avec les clients

Par ailleurs, nous tirons parti de l’intelligence collaborative pour co-créer des solutions d’investissement personnalisées dans lesquelles nos clients sont pleinement impliqués. Nos modèles systématiques offrent une interface ouverte qui peut être partagée avec les clients, leur permettant de voir les résultats fournis par les mêmes outils quantitatifs que ceux utilisés lors de la construction de portefeuilles, tels que les modèles d’allocation d’actifs, les prévisions macroéconomiques ou les outils d’analyse des facteurs de risque. Cette tendance a gagné en importance depuis quelque temps car les investisseurs recherchent des outils de gestion du risque de plus en plus complexes, passant des actions à des classes d’actifs plus sophistiquées pour atteindre leurs objectifs d’investissement.

La synergie entre nos modèles systématiques et les connaissances de nos gestionnaires d’investissement nous permet d’entretenir un dialogue ouvert et transparent avec nos clients pour œuvrer ensemble au développement de solutions d’investissement qui répondent à leurs besoins en constante évolution.

Par exemple, nous utilisons notre cadre d’allocation des risques macroéconomiques pour expliquer à nos clients les effets de chaque décision d’allocation des actifs. La discussion commence par une analyse de l’allocation actuelle de leur portefeuille. Nous mettons à leur service notre savoir-faire et nos outils d’analyse, et nous travaillons avec eux pour identifier les décalages potentiels entre le profil de risque de leur portefeuille global et leurs objectifs d’investissement, tout en comparant leurs hypothèses de marché avec les nôtres. Nous pouvons montrer l’impact de leurs préférences en termes de risque, de liquidité et de rendements attendus tout en intégrant les contraintes réglementaires ou comptables, ainsi que toute considération ESG spécifique.

Là encore, la synergie entre nos modèles systématiques et les connaissances de nos gestionnaires d’investissement nous permet d’entretenir un dialogue ouvert et transparent avec nos clients pour œuvrer ensemble au développement de solutions d’investissement qui répondent à leurs besoins en constante évolution. Nos modèles systématiques sont au cœur de ce dialogue et nous permettent d’offrir un service à forte valeur ajoutée qui va au-delà des activités d’investissement à proprement parler.

Le regard tourné vers l’avenir

Nous ne croyons pas au déterminisme technologique, qui suppose que la technologie serait le moteur du développement d’une société. Cette théorie existe depuis le XIXe siècle et s’est révélée fausse depuis lors. Pour nous, la technologie n’est ni bonne ni mauvaise en soi ; seule compte la façon dont elle est mise à profit. Si elle modifie notre façon de procéder, elle n’altère en rien l’essence même de la gestion d’actifs, qui consiste à générer des rendements réguliers pour les investisseurs tout en respectant leurs besoins et leurs objectifs.

L’avenir de la gestion d’actifs passera probablement par une synthèse entre l’esprit humain et l’intelligence artificielle, capable d’exploiter la puissance de l’un et de l’autre. Cependant, nous devons définir clairement le partage du contrôle entre la machine et le gestionnaire. Si nous rejetons le pessimisme de Pablo Picasso, qui a dit un jour que « les ordinateurs sont inutiles ; ils ne savent que donner des réponses », nous ne pensons pas que la technologie puisse remplacer les gestionnaires d’investissement. Les ordinateurs sont excellents pour répondre à des questions bien formulées avec des objectifs clairs, mais les humains restent la clé pour poser les bonnes questions et interpréter les résultats. Ce qui nous sépare de l’IA, c’est la conscience, qu’il ne faut pas confondre avec l’intelligence. Notre conscience nous permet d’imaginer, de nous adapter et de comprendre les conséquences d’une action, mais aussi de donner du sens aux faits et aux chiffres. Ces réponses dynamiques sont le fruit d’années de découvertes fondamentales bien éloignées de l’apprentissage automatique.

Enfin, lorsque tout le monde utilise la même stratégie de négociation, personne ne peut plus se démarquer – les superordinateurs annuleront mutuellement leurs avantages. Dans la gestion d’actifs, il faut non seulement être intelligent, mais il faut aussi l’être différemment des autres. L’apprentissage automatique et l’IA peuvent procurer plus de connaissances avec moins d’efforts humains, ce qui laisse plus de temps aux gestionnaires d’investissement pour penser différemment. L’ouverture aux nouvelles technologies sera un moyen pour les gestionnaires actifs d’avoir une longueur d’avance sur leurs homologues passifs.


Informations importantes

Ce document vous est fourni à titre confidentiel et ne doit pas être distribué, publié, reproduit ou divulgué, en tout ou en partie, à une autre personne.

Les informations et les données présentées dans ce document peuvent porter sur l’activité générale du marché ou les tendances du secteur, mais ne constituent pas des prévisions, des recherches ou des conseils de placement. La présente n’est pas une promotion financière et ne constitue aucune offre, sollicitation ou recommandation de quelque nature que ce soit, d’investir dans les stratégies ou dans les véhicules d’investissement auxquels le document fait référence. Certaines des stratégies d’investissement décrites ou citées dans la présente publication peuvent être interprétées comme des investissements à haut risque ou difficiles à réaliser, par ailleurs susceptibles de subir des pertes importantes et soudaines, notamment une perte totale de l’investissement.

Les points de vue en matière d’investissement, ainsi que les opinions ou analyses économiques et boursières exprimées dans le présent document représentent le jugement d’Unigestion à la date de publication, sans tenir compte de la date à laquelle vous avez accès à ces informations. Rien ne garantit l’exactitude de ces opinions, lesquelles ne prétendent pas non plus constituer une description complète des titres, des marchés et de l’évolution qui y sont mentionnés. Toutes les informations fournies sont sujettes à modification sans préavis. Dans la mesure où le présent rapport contient des déclarations concernant l’avenir, ces déclarations sont de nature prospective et donc soumises à un certain nombre de risques et d’incertitudes, notamment l’impact des produits concurrents, les risques liés à l’acceptation du marché et les risques divers.

Les données et les informations graphiques contenues dans le présent document sont fournies à titre d’information uniquement et peuvent provenir de sources extérieures. Bien que nous estimions que les informations obtenues de sources publiques et de tiers sont fiables, nous ne les avons pas vérifiées de manière indépendante et ne pouvons donc garantir leur exactitude ou leur exhaustivité. En conséquence, aucune déclaration ni garantie, expresse ou implicite, n’est faite ni ne sera faite par Unigestion à cet égard, et aucune responsabilité ni obligation ne saurait être assumée par Unigestion. Sauf indication contraire, la source est Unigestion. La performance passée n’est pas un indicateur de la performance future. Tout investissement comporte des risques, y compris le risque de perte totale pour l’investisseur.

Unigestion SA est agréé et réglementé par l’Autorité fédérale de surveillance des marchés financiers (FINMA). Unigestion (UK) Ltd. est agréé et réglementé par la Financial Conduct Authority (FCA), et est enregistré auprès de la Securities and Exchange Commission (SEC) au Royaume-Uni. Unigestion Asset Management (France) S.A. est agréé et réglementé par l’Autorité des marchés financiers en France (AMF). Unigestion Asset Management (Canada) Inc., qui possède des bureaux à Toronto et à Montréal, est réglementé comme gestionnaire de portefeuille et/ou courtier sur le marché dispensé dans neuf provinces du Canada, mais également comme gestionnaire de fonds d’investissement en Ontario et au Québec. Son organisme régulateur principal est la Commission des valeurs mobilières de l’Ontario (OSC). Unigestion Asia Pte Limited est agréé et réglementé par l’Autorité monétaire de Singapour (MAS).

Document publié en octobre 2019