« Notre modèle d'intelligence artificielle identifie des sources d'alpha presque sans corrélation »

Stefan, pourquoi avons-nous besoin d'une approche supplémentaire avec l'intelligence artificielle en plus des approches classiques d'investissement fondamental et systématique ?

Les marchés d'actions sont complexes et influencés par une série de facteurs tels que les bénéfices des entreprises, les données macroéconomiques, les événements géopolitiques et les développements technologiques. Il n'existe pas une seule stratégie optimale pour les actions, mais plutôt de nombreuses approches prometteuses, chacune utilisant différentes sources d'alpha et ayant toutes leur raison d'être. Notre modèle d'IA identifie des sources d'alpha presque sans corrélation. L'essentiel est de trouver les différentes sources d'alpha, de connaître leur profil de risque et de les combiner habilement.

Quelle est la valeur ajoutée de l'intégration de votre modèle d'IA ?

L'IA est exempte de préjugés et d'émotions telles que l'avidité, la peur, la panique ou l'instinct grégaire. Notre modèle possède également une mémoire parfaite pour la période d'entraînement concernée. En revanche, nous, les humains, avons une mémoire sélective et ne pouvons nous souvenir que vaguement d'événements qui se sont produits dans un passé lointain. De plus, les jeunes gestionnaires de fonds n'ont pas encore une longue expérience des différents cycles économiques, des krachs boursiers et des récessions. Le fait que le modèle d'IA s'adapte de manière dynamique aux conditions changeantes du marché signifie que les tendances et les opportunités sont également reconnues rapidement. Le modèle peut aussi analyser d'importants volumes de données en très peu de temps, ce qui serait presque impossible à gérer pour les humains.

Qu'est-ce que cela signifie concrètement ?

Voici un exemple : l'indice MSCI World Small Cap est largement diversifié et contient plus de 4 000 actions. Avec une approche d'investissement fondamentale, il faudrait une douzaine d'analystes et de gestionnaires de fonds pour couvrir cet univers. Notre modèle d'IA et notre algorithme d'apprentissage automatique peuvent couvrir efficacement et de manière exhaustive toutes les actions du monde entier.

Êtes-vous en train de tout déléguer au modèle d'apprentissage automatique ?

Absolument pas. Il va de soi que nous restons fidèles à notre philosophie d'investissement, que nous appliquons depuis plus de 20 ans. Nos décisions doivent toujours être compréhensibles et solides d'un point de vue économique et empirique. Dans un premier temps, nous intégrons le modèle d'apprentissage automatique dans des stratégies sélectionnées et nous évaluerons l'évolution de manière continue. Nous poursuivrons notre gestion cohérente et multidimensionnelle des risques dans toutes les stratégies. La majorité des stratégies restent neutres en termes de pays et de secteurs et sont gérées par rapport à l'indice de référence respectif avec un objectif d'écart de suivi, ce qui limite en fin de compte les paris sur les actions. Le modèle d'IA fournit des scores alpha supplémentaires. La gestion des actifs est assurée comme d'habitude par les gestionnaires de portefeuille. Les critères de durabilité continueront également à être pris en compte dans toutes les stratégies.

Fabian, pouvez-vous décrire brièvement à quoi ressemble le processus d'investissement avec l'intelligence artificielle dans l'Asset Management de la Zürcher Kantonalbank ?

Notre processus d'investissement suit principalement trois étapes. Il commence par notre base de données d'actions, qui contient actuellement 7 000 actions dont les données sont mises à jour quotidiennement depuis 25 ans. Nous avons collecté plus de 500 chiffres clés d'entreprises par action qui peuvent avoir une influence sur les rendements futurs (sources d'alpha). Ces données brutes constituent une sorte de terrain d'entraînement pour notre algorithme d'apprentissage automatique. L'algorithme apprend indépendamment des données traitées, reconnaît des modèles et découvre des corrélations cachées entre les chiffres clés des entreprises et les rendements futurs. Nous agrégeons ensuite les prédictions de plusieurs algorithmes pour obtenir des prévisions de rendement quotidiennes pour toutes les actions dans le monde.

La troisième étape consiste à construire les portefeuilles ?

C'est exact. Nous utilisons à cet effet le modèle de risque intégré dans notre système de gestion de portefeuille. Il nous aide à maximiser les rendements futurs et à calculer le portefeuille optimal. Nous contrôlons également le risque, par exemple en minimisant les paris sur les secteurs et les pays et en évitant les paris importants sur les titres individuels.

Qu'entend-on par « liens cachés » ?

Il n'est pas évident de comprendre pourquoi notre modèle d'apprentissage automatique favorise ou non une action. Il existe toutefois des techniques permettant de jeter un coup d'œil à l'intérieur de notre modèle complexe. C'est là que les valeurs SHAP (SHapley Additive ExPlanations) entrent en jeu. Elles mesurent la contribution de chaque élément d'une prévision de rendement, c'est-à-dire le score alpha. L'intégration des valeurs SHAP dans notre processus d'analyse nous permet de mieux comprendre quels facteurs influencent les prévisions de rendement et dans quelle mesure. Il est important de garder cela à l'esprit : si le modèle a été entraîné sur des données déformées ou erronées, les valeurs SHAP refléteront également ces déformations.

Que peut faire d'autre le modèle ?

Notre modèle d'apprentissage automatique peut également reconnaître des effets non linéaires. Cela peut signifier, par exemple, que notre modèle d'IA considère les actions du huitième ou du neuvième décile de rendement pour l'actionnaire comme attrayantes. En revanche, il ne privilégie pas les actions du dixième décile, c'est-à-dire celles dont le rendement pour l'actionnaire est le plus élevé. Ceci est contraire au facteur de valeur qui suppose que l'attractivité augmente constamment, c'est-à-dire linéairement avec le niveau de rendement pour l'actionnaire.

Stefan, que montrent les backtests précédents avec l'intégration supplémentaire de l'IA dans les stratégies d'actions ?

Le modèle d'apprentissage automatique a apporté une valeur ajoutée dans différentes phases économiques. Il a été démontré que les alphas obtenus présentent une faible corrélation avec ceux des principaux facteurs existants que sont la valeur, la qualité et le momentum. C'est un point important qui nous a incités à intégrer le modèle d'apprentissage automatique dans certaines stratégies.

Soyez honnête : les tests de cuisson sont souvent meilleurs que la réalité.

Le backtesting de données financières est une science en soi qui requiert beaucoup d'expertise et d'expérience. Après 20 ans d'expérience dans des stratégies sélectionnées, nous pouvons confirmer que les rendements réels sont souvent légèrement inférieurs à ceux obtenus par le backtesting. Les causes peuvent être diverses. Par exemple, il peut y avoir un biais de sélection. Nous sommes rassurés par le fait que l'algorithme d'apprentissage automatique n'a jamais eu accès qu'aux données disponibles au moment du backtesting. Cela n'est possible que dans une certaine mesure avec le backtesting classique.