Intelligence Artificielle (IA) et gestion d'actifs : améliorer la stratégie d'investissement et la connaissance des investisseurs

Des performances des marchés des actions décevantes, qui pèsent sur les encours ; des taux d'intérêt bas ; des frais de gestion mis sous pression par l’essor de la gestion indicielle ; des coûts impactés par l’inflation réglementaire : l’environnement de la gestion d’actifs est plutôt morose. Dans ce contexte, nombre de gestionnaires d'actifs investissent dans les nouvelles technologies. Ils se tournent notamment vers l’Intelligence artificielle (IA), non seulement pour réduire leurs coûts d'exploitation, mais également pour améliorer la performance de leurs fonds grâce à des idées génératrices d’alpha et pour affiner la connaissance de leurs clients.

Une adoption encore limitée en gestion d’actifs

L’adoption de l’IA reste encore balbutiante dans le secteur de la gestion d’actifs. 53 % des gestionnaires d’actifs interrogés dans le cadre du webinar « AI for Asset Managers : Ignore the Hype, Focus on the Value » organisé en 2018 par Publicis Sapient affirment n’avoir planifié dans ce domaine que des initiatives limitées. Nombre d’entre eux en sont encore à explorer les cas d’application des technologies d’IA. Pour preuve, les résultats de l’enquête « Wealth and Asset Management 2022: The Path to Digital Leadership » [1] réalisée par Roubini ThoughLab auprès de plus de 1 500 institutions financières, indiquent que les cas d’usage envisagés à horizon cinq ans sont très variés :

• analyse des tendances et sentiments de marché (14 % des répondants) ;
• amélioration du processus de gestion de portefeuille (12 %) ;
• accroissement de la productivité (11 %) ;
• analyse comportementale des investisseurs (12 %) ;
• prévision des tendances et analyse des risques (11 %) ;
• ou encore détection des failles de cybersécurité (10 %).

L’analyse prédictive au service des stratégies d’investissement

Si les domaines d’application de l’IA sont nombreux, celui de l’analyse prédictive au service des stratégies d’investissement offre un cas d’usage particulièrement intéressant.

Le recours à l’IA s’avère très pertinent dans ce contexte, qui implique de très grands volumes de données hétérogènes et non structurées, des analyses en quasi-temps réel et une reconnaissance des configurations ou patterns complexes. En outre, les stratégies d’investissement constituent aujourd’hui un axe de réflexion prioritaire pour nombre de gestionnaires d’actifs, si l’on en croit les réponses à l’enquête « Global Asset Management Survey » publiée en 2018 par Linedata [2] . Les nouveaux modèles d’intermédiation, notamment les robo-advisors et les allocations d’actifs qu’ils proposent, sont considérés par 22 % des répondants (contre 12 % en 2017) comme les principaux perturbateurs potentiels du secteur dans les cinq années à venir.

Certains hedge funds explorent déjà des pistes pour tirer parti du machine learning et améliorer la performance des fonds. Les algorithmes de machine learning permettent, à partir de très importants volumes de données financières (prix, volumes, notes de recherche, données macroéconomiques, données financières et comptables des entreprises…) de révéler des patterns puis d’identifier des opportunités d’arbitrages. Cependant, dans leur ensemble, les gestionnaires d'actifs manifestent encore une certaine réticence à confier la gestion de leurs portefeuilles à des algorithmes. Avec le lancement fin août 2018 du fonds Artificial Intelligence Global Equity Fund pour lequel l’analyse des données de marchés et l’identification des arbitrages sont réalisées par un algorithme, Aberdeen Standard Investments fait figure de précurseur. Pourtant, la capacité à développer des modèles prédictifs pour générer des idées d'investissement constitue déjà un facteur de différenciation clé. Comme le souligne un récent rapport de l’Alternative Investment Management Association (AIMA), les hedge funds réticents aux algorithmes, faute de savoir extraire de la valeur du Big Data, risquent de prendre un retard irrémédiable.

Si l’on manque encore de recul pour juger les performances des stratégies d’investissement reposant intégralement sur l’IA, qui n’en sont qu’au stade des Proof-of-Concepts ou des premiers lancements de fonds, l’IA semble par ailleurs offrir à court terme des solutions prometteuses pour améliorer le processus d’investissement.

L’industrialisation du Stock Picking

Stock Picking assisté par l’IA. C’est le cas par exemple de celles d’iknowfirst [3] ou Kavout [4] . Cette dernière repose sur un algorithme prédictif associant différentes méthodes (régression et apprentissage par renforcement) qui produit une notation et classe les valeurs selon leur potentiel de croissance. En interne, les institutions financières, dont Merrill Lynch, expérimentent également l’IA pour identifier les valeurs, en particulier les Small Caps, dans lesquelles investir et à côté desquelles les analystes traditionnels auraient pu passer.

L’anticipation des prévisions macroéconomiques

Dans le domaine des prévisions macroéconomiques, l’agrégation et l’analyse de vastes ensembles de données hétérogènes et non structurées permet de produire en quasi-temps réel les indicateurs macroéconomiques (taux de chômage, PIB, inflation…) qui sont couramment utilisés comme input dans le processus d’investissement. Cela repose sur l’utilisation conjointe de technologies Big Data (Apache Spark et Hadoop) et de l'IA – Natural Language Processing (NLP) pour analyser les données textes, Deep Learning (DL) pour la reconnaissance d'images.

QuantCube Technology [5] , FinTech parisienne fondée en 2013, s’est ainsi spécialisée dans l’analyse Big Data en temps réel appliquée à la finance et l’économie. Sa plateforme de prévisions Global Macro Smart Data, commercialisée sous la forme d'une licence annuelle, fournit des estimations de croissance avec trois mois d’avance par rapport aux chiffres officiels publiés par les instituts de statistiques. Ses algorithmes prédictifs permettent en effet d’anticiper les prévisions macroéconomiques grâce à l’exploitation des données alternatives. Pour le marché du pétrole par exemple, QuantCube agrège et analyse une grande variété de sources de données : réseaux sociaux (en arabe essentiellement car beaucoup plus riches en informations relatives au pétrole), images satellite (estimation du niveau des raffineries de pétrole), informations sur le trafic maritime (coordonnées GPS des navires), blogs, offres d'emploi dans le secteur de l'énergie…

La détection des sentiments de marchés

L’élaboration d’indicateurs de détection des tendances et sentiments de marché constitue également un domaine dans lequel l’IA peut renforcer le processus d’investissement. L'IA s'avère en effet particulièrement pertinente pour évaluer des sentiments exprimés dans les médias (communiqués de presse, forum, réseaux sociaux, chats et blogs ...) relatifs à une entreprise ou un marché donné.

Plusieurs acteurs outre-Atlantique, tels que PsychSignal [6] , RavenPack [7] ou MarketPsych [8] , ont développé une approche statistique du NLP afin de permettre aux acteurs du Buy-Side de quantifier les sentiments connus pour prédire la prise de risque (peur, joie, incertitude, confiance ou urgence) et de les intégrer dans le processus d'investissement. Par exemple, NN Investment Partners combine analyse fondamentale et analyse de sentiment (fournie par MarketPsych) afin d’intégrer les émotions et le comportement des investisseurs dans son analyse.

De façon analogue, SESAMm [9] , FinTech française créé en 2014, utilise l’IA pour analyser les données textuelles publiées sur les réseaux sociaux, interpréter les émotions qu’elles expriment puis prédire l’évolution des marchés financiers. SESAMm propose deux offres : un service haut de gamme de production de signaux prédictifs de trading à destination des hedge funds (Data Stream Premium) et une plateforme de visualisation de Big Data avec accès API qui propose des données alternatives issues de plus de 25 000 sources (L’Humeur des marchés).

L’enrichissement de l’analyse avec des données extra-financières

Plus généralement, l’IA facilite l’intégration des données alternatives afin d’enrichir l’analyse financière. Le NLP permet en effet de compléter les données issues des publications réglementaires, communiqués et présentations investisseurs avec données non structurées et hétérogènes collectées ailleurs sur internet. RSmetrics [10] analyse ainsi les images satellite pour disposer des informations sur le fret, les changements démographiques ou encore la croissance des activités industrielles…

L’analyse comportementale au service de la connaissance des investisseurs

En dehors du processus d’investissement stricto sensu, l’IA peut permettre aux gestionnaires d’actifs de mieux anticiper les besoins et les réactions des clients grâce à une connaissance approfondie de leurs comportements et ainsi leur proposer des produits le plus adaptés, au moment opportun.

À ce jour, la plupart des outils de Customer Relation Management (CRM) existant reposent sur des modèles basés sur un ensemble limité de données statiques (appétit pour le risque, horizon d'investissement…). Or, nombre d’investisseurs attendent désormais une personnalisation plus poussée de l’expérience client. Les institutions financières doivent mieux exploiter les données comportementales dont elles disposent afin d’affiner leur ciblage clients et leur proposer des services personnalisés en temps réel.

Des offres se développent afin de proposer aux Buy-Siders des outils d’analyse comportementale, notamment grâce à l'utilisation d'outils Big Data (Intelligent Tagging et Knowledge Graph).

Par exemple, l’algorithme Sqreem [11] (Sequential Quantum Reduction and Extraction Model) analyse des ensembles de données non structurées afin de cartographier les intérêts des clients et prédire les produits et services susceptibles de les intéresser. Il est déjà utilisé par UBS, Deutsche Bank et BlackRock. ForwardLane [12] , FinTech new-yorkaise fondé en 2016, a pour ambition d’aider les gestionnaires d’actifs à améliorer l’efficacité de la distribution de fonds grâce à une compréhension plus fine de leurs clients, fruit de l’exploitation de centaines de sources de données. En France, la start-up FundShop [13] vient de réaliser en novembre dernier l'acquisition d'Amplify [14] . FundShop est spécialiste du wealth management et propose via des applications en marque blanche du conseil augmenté par l'IA. Elle permet aux conseillers de créer une allocation d'actifs sur-mesure propre à chacun de ses clients et adaptée aux conditions de marché. Amplify a développé le « profilage cognitif » : une façon innovante de comprendre les épargnants grâce à l'IA qui consiste à analyser le comportement passé d'un investisseur (a-t-il paniqué à chaque crise financière ? Est-il resté de marbre ?) pour en déduire automatiquement le véritable profil du risque du client et donc de lui proposer les placements les plus adaptés.

Au-delà du choix de produit et de l’allocation d’actifs, l’IA permet d’optimiser la relation client. Morgan Stanley a ainsi récemment déployé l’initiative Next Best Action (NBA) sur l’ensemble de la population de ses 15 000 conseillers financiers. Sur la base de l’analyse des communications client (courriels, textos…), l’algorithme machine learning de NBA suggère les actions les plus pertinentes à lancer vis-à-vis du client.

Les bonnes pratiques à adopter

Il faut garder à l’esprit que, dans les modèles prédictifs reposant sur l'IA, les données doivent avant tout être considérées comme un input, ce qui implique d’en gérer la qualité, l’intégrité et l’accessibilité en amont de l’alimentation du modèle. Les gestionnaires d’actifs doivent soigner la conception et déploiement de leur stratégie d’accès aux sources de données clef ainsi que la structuration des données brutes. Cette étape d’acquisition et structuration, assez éloignée de leur cœur de métier, peut avantageusement être sous-traitée auprès d’un acteur externe.

Concernant le développement des algorithmes d’IA, les gestionnaires d’actifs peuvent choisir de l’internaliser dans un Lab dédié ou de le sous-traiter. Cette dernière option permet d’externaliser la conception, l’entraînement de l’algorithme et la production et de ne pas en supporter les lourds investissements. Par opposition, incuber le développement au sein d’un Lab présente l’avantage de s’affranchir des contraintes opérationnelles et garantir une certaine agilité, mais suppose, en contrepartie, de consentir à un investissement élevé et de disposer de Data Scientists compétents, ressources rares et recherchées.

En outre, il est préférable, pour les stratégies d’investissement, de privilégier dans un premier temps un horizon temporel court. À ce jour, les modèles prédictifs se sont révélés plus fiables sur des stratégies court terme, les algorithmes machine learning achoppant, dès qu’ils sont confrontés à des horizons d’investissement plus lointains, sur des difficultés liées au caractère non-stationnaire des données financières et aux biais d’apprentissage.

Enfin, une des conditions du succès des algorithmes IA réside dans la capacité des gestionnaires d’actifs à remporter l’adhésion des investisseurs en assurant une grande transparence, intrinsèquement délicate pour ce type de stratégie d’investissement, et à éviter le syndrome « Black Box ».

Les principaux défis

Les avancées de l'IA commencent à fournir aux gestionnaires d’actifs les outils leur permettant de tirer parti du flux de données sous lequel ils sont quotidiennement submergés. En particulier, l’IA permet d’assister le gérant dans ses choix d’investissement grâce à une anticipation accrue des tendances de marché et une meilleure appréhension des sentiments du marché. Elle l’aide également à être plus pertinent dans ses propositions grâce à une connaissance intime des investisseurs. Pourtant, il y a encore des obstacles entravant l'adoption de l'IA. La pénurie des Data Scientists, l’accès aux données, les lourds investissements et la transparence comptent parmi les principaux défis restent à relever.