Stratégies quantitatives: extraire le meilleur de la gestion active et de l'approche passive

Depuis longtemps, le monde de l’investissement est divisé entre les stratégies actives et passives. Chacune comporte des avantages, mais leurs inconvénients sont difficiles à ignorer. Cela dit, une troisième approche associe quelques-unes des plus solides caractéristiques de ces classiques: l’investissement quantitatif.

L’investissement actif consiste généralement à construire des portefeuilles concentrés, qui sont investis dans des sociétés ayant fait l'objet de recherches approfondies, dans le but de générer une performance supérieure au marché, également appelée alpha. Le coût et la constance en sont les inconvénients. À cause des commissions de gestion et du risque associé à des actions mal diversifiées, cette approche est plus onéreuse, et ce, pour plusieurs raisons. Les portefeuilles actifs ont tendance à être plus volatils et à subir des baisses plus importantes que le marché.

Une approche passive, en revanche, reproduit mécaniquement un indice de marché. C'est à la fois un moyen bon marché et relativement peu risqué d’investir dans des actions. Néanmoins, en échange, les investisseurs sacrifient toute perspective de surperformer les marchés.

Les stratégies quantitatives, notamment celles qui disposent d’une structure d’indice améliorée, allient le meilleur des deux mondes (voir Fig. 1). Conçues autour de portefeuilles larges affichant un recoupement étendu, voire parfait, avec les indices de marché, leur envergure réduit le risque. C'est grâce à de petites différences dans leurs portefeuilles, des écarts subtils mais aux répercussions importantes par rapport aux indices de référence, que les stratégies quantitatives génèrent de l’alpha.

En exploitant de grandes quantités de données traitées par un modèle d’investissement utilisant l’apprentissage automatique, ces stratégies sont en mesure de repérer les actions qui ont le plus de chances de surperformer – ou de sous-performer – à court et moyen terme. Elles y parviennent parce que, même si les actions suivent les cycles économiques et les mégatendances sur le long terme, à plus court terme, elles subissent différentes influences transitoires qui éloignent leurs cours des fondamentaux sous-jacents. Les errements affichés par le moral des investisseurs jouent un rôle important dans ce phénomène. La réaction du marché aux actualités des entreprises ou à des changements de prévisions par les analystes, ou à plusieurs autres facteurs, peut déclencher des poussées de volatilité qui provoquent des anomalies dans les cours des actions. Ce sont ces anomalies qui font apparaître des opportunités de génération d'alpha pour les stratégies quantitatives, car elles sont capables de regarder au-delà de ces erreurs de cours.    

Pour repérer les erreurs de cours, les stratégies quantitatives utilisent des algorithmes visant à établir des relations entre les données dont elles disposent. Ces algorithmes leur servent de carte, auxquelles sont intégrées des règles de circulation destinées à guider les données sur un trajet vers un ensemble de résultats. Plus les ensembles de données sont différents, plus les règles doivent arbitrer leurs interactions et plus le modèle sera à même prédire ce qui se passera à partir des relations passées.

Fig. 1 – Passif, actif et quantitatif

La touche humaine

Ces modèles fonctionnent automatiquement. Ils doivent tout de même être construits, testés, affinés et entretenus par des experts humains. Non seulement les humains déterminent les caractéristiques des algorithmes, mais ils les entraînent à l'aide de données et renouvellent régulièrement l'entraînement afin que les modèles suivent l’évolution de la dynamique du marché. Les experts doivent décider quelle technique d’apprentissage automatique utiliser et quels types de données utiliser. Aux ensembles de données traditionnels, tels que les comptes des sociétés, peuvent ainsi s'ajouter des sources alternatives, comme les transactions par carte ou les médias sociaux et traditionnels. L'intervention humaine est nécessaire pour garantir l’exactitude et la stabilité des résultats et pour en comprendre le résultat. La fréquence et l'ampleur de l'entraînement nécessaire sont déterminées par des personnes. Celles-ci doivent également entraîner et tester rigoureusement les modèles à partir de nombreuses années de données. Les quantités colossales de données disponibles pour l'entraînement permettent une variété quasi infinie de modèles.

À ce stade, le rôle de l'humain est important, mais une fois qu’un modèle est sélectionné, c'est lui qui dicte les achats et les ventes de titres. Cette automatisation permet non seulement d’éliminer les préjugés émotionnels auxquels les investisseurs humains sont soumis, mais aussi de réduire les coûts.

L’IA au service de l’investissement quantitatif...

L’intelligence artificielle (IA) n’est pas un domaine nouveau. Pourtant, les récents progrès dans le traitement informatique, le cloud computing et les outils open source ont abaissé les barrières à l’utilisation de l’apprentissage automatique, un sous-ensemble de l’IA.

L’IA donne désormais un solide coup de pouce à l’investissement quantitatif, ce qui donne l’opportunité de développer le Quant 2.0 (voir Fig. 2). Grâce à la capacité de traitement sans précédent de l’IA, les modèles d’investissement peuvent établir des relations toujours plus complexes entre un nombre toujours plus important de séries de données.

L’approche quantitative traditionnelle se limitait généralement à l’analyse d’un nombre relativement faible d’effets de marché provoquant des erreurs de cours temporaires. Elle aboutissait ensuite sur une exposition à des moteurs de marché plus étendus, appelés facteurs, tels que la valeur ou la dynamique. L’IA offre la possibilité de traiter des centaines de signaux/caractéristiques potentiels à une fréquence plus élevée. Ceux-ci sont générés à partir de données comprenant la comptabilité des entreprises, les cours des actions, les notes des analystes, les communiqués de presse ou encore les réactions des investisseurs aux nouvelles informations à court et à long terme. Et tout cela ne fait qu'effleurer la surface.

Contrairement à l’apprentissage automatique traditionnel, qui détecte les relations linéaires au sein d'ensembles de données, l’IA peut repérer des associations beaucoup plus complexes au sein du pool de données. Elle offre ainsi des informations beaucoup plus détaillées sur les moteurs de l'évolution des cours des actions. La possibilité de reconnaître des relations plus complexes et non linéaires décuple sa capacité à trouver des associations entre des séries de données.

Les modèles quantitatifs traditionnels déterminent une relation linéaire entre les performances des actions et les signaux. Par exemple, dans un modèle traditionnel, quand un analyste relève ses prévisions concernant une société, cela peut annoncer que son action va surperformer. Cependant, de nombreuses raisons font qu'une telle relation pourrait ne pas se concrétiser dans certaines circonstances ou qu'il serait impossible d'en profiter suffisamment tôt pour générer de l’alpha.

Un modèle d’apprentissage automatique non linéaire formé à partir de données historiques peut repérer les relations qui nous indiquent quand l'actualisation de l’analyste annonce le plus efficacement une surperformance future. Il peut pour cela s'appuyer sur un large éventail de prévisions d’analystes, ou sur le fait que l’analyste en question est une exception, ou bien encore sur le calendrier, c’est-à-dire sur la publication prochaine ou non des résultats par l’entreprise. Si des fonds alternatifs sont nombreux à vendre l'action à découvert, le modèle pourrait déterminer qu’elle risque de connaître un «short squeeze», ce qui entraînerait une variation beaucoup plus spectaculaire du cours que ce que l'avis plus favorable des analystes pourrait annoncer. Ces potentielles relations non linéaires «conditionnelles», susceptibles de générer de l’alpha supplémentaire, peuvent se compter par dizaines de milliers dans les ensembles de données financières traditionnels.

Fig. 2 - Traditional quantitative vs AI quantitative

... pour contribuer à la génération de performances agnostiques

Grâce à ce cadre beaucoup plus complexe, les gérants de portefeuille à l’origine de la stratégie peuvent isoler les effets propres aux différentes actions qui influencent leurs cours. Pour cela, ils extraient une multitude de facteurs communs (marché, secteur, région, industrie, pays, styles, expositions économiques) de la performance de chaque action. Cela leur permet d'identifier et de dégager l’alpha pur associé à une société. 

Progressivement, les algorithmes évoluent. Ils comprennent l’évolution des dynamiques de l'économie et du marché et intègrent de nouvelles séries de données.

Pour être efficaces, les modèles basés sur l’IA ont besoin que des êtres humains fixent les paramètres d’investissement. Après cela, l’algorithme entraîné décide des achats et des ventes d'actions individuelles.

Comme ces paramètres balisent le risque, ils limitent également la quantité d’alpha générée par la stratégie. Cependant, au fil du temps, l’effet de cumul, même pour un alpha augmentant petit à petit, est puissant. En outre, étant donné que les performances attendues des actions devraient redescendre autour du seuil des 5%, compte tenu des valorisations élevées affichées après plusieurs années de bons résultats, même un à deux points d’alpha peuvent faire la différence. Ainsi, en supposant une performance de marché hypothétique de 5% sur les 10 prochaines années et une surperformance supposée de 1,5 point de pourcentage par an, nette de frais, grâce aux merveilles du cumul, les clients bénéficieront d'un rendement supplémentaire de 24,8% sur la décennie.

Une approche flexible

L’un des principaux atouts des stratégies quantitatives est leur flexibilité.

En faisant varier son recoupement avec les indices sous-jacents, il est possible d'ajuster le niveau de tracking error et de risque d'une stratégie quantitative. Elle peut être adaptée aux besoins d’un investisseur en excluant certaines actions ou certains secteurs de son univers d’investissement, tout en offrant l’avantage d’une approche quantitative. Compte tenu de l’envergure des portefeuilles des stratégies quantitatives, qui comportent des positions dans tous les pays et tous les secteurs, ces ajustements personnalisés ne nuisent pas à la capacité à générer de l’alpha. Même si la tracking error d'une stratégie quantitative durable excluant, par exemple, les sociétés pétrolières et gazières ou minières serait plus élevée que celle d'une stratégie n'appliquant pas d'exclusion, l’accent placé sur la gestion du risque dans la construction du portefeuille minimise cet impact.

Une offre indicielle standard améliorée, avec un profil de risque très similaire à celui de son indice de référence, offre aux clients des positions de base qui peuvent remplacer une approche indicielle traditionnelle passive. Chez Pictet Asset Management, ce choix impliquerait une pondération de base dans notre stratégie Quest basée sur l’IA. Un investissement dans l’un des fonds actions durables de Quest, à la tracking error supérieure et au bêta inférieur, pourrait éventuellement la compléter. De plus, comme les approches quantitatives proposent une gamme complète de signaux d’achat et de vente, elles se prêtent bien aux stratégies long/short, telles que les approches fondées sur l'IA de Quest.

La clé des stratégies quantitatives consiste à construire le bon modèle et à l’entraîner en utilisant une quantité suffisante des données de qualité. Ensuite, il convient de définir des paramètres appropriés qui correspondent à l'appétit pour le risque et aux autres critères d’un investisseur. Une fois tout cela réalisé, la stratégie quantitative peut générer un alpha supplémentaire propre aux actions et supprimer ainsi l’exposition des investisseurs aux facteurs généraux du marché qui entravent la performance. Et ce, moyennant un coût et un risque de marché limités. En d’autres termes, elle offre le meilleur des approches d’investissement actives et passives.