Depuis la crise de 2008, le marché des produits structurés a connu de nombreuses évolutions. Des nouvelles réglementations sont venues réguler un marché qui avait perdu la confiance des investisseurs et qui était considéré comme un catalyseur de la crise. Les banques d’investissements ont dû réinventer leurs techniques de ventes et de structurations afin d’attirer une nouvelle clientèle avec des produits plus accessibles et plus transparents. Ces nouveaux produits ont attiré de nouveaux investisseurs et acteurs dans le processus d’investissement.
Parallèlement, la multiplicité des structures et des sous-jacents disponibles poussent les investisseurs à expérimenter de nouvelles stratégies de structuration afin de maximiser l’aspect « sur-mesure » des produits structurés. Ainsi, les outils de prise de décision et de structurations se développent et proposent aux investisseurs de nouvelles façons de construire leur portefeuille et ensuite de le gérer en maximisant les profits.
Paradoxalement, on constate que les produits structurés réellement traités sur le marché sont relativement uniformisés. Le Phoenix Autocall, la Reverse Convertible, entre autres, sont devenus des produits vanille. Malgré quelques caractéristiques exotiques, les nouvelles structures ont du mal à s’imposer dans les portefeuilles d’investissement. Peur de la complexité, manque d’attrait des nouvelles structures ou simplement attachement à des structures connues et reconnues ? Les hypothèses peuvent être diverses.
Nouveaux investisseurs, multiplications des structures et des sous-jacents mais redondance des produits, le marché des produits structurés est un sujet vaste et plein de contradictions. Dans cette thèse, nous nous intéresserons aux nouveaux moyens d’analyse de portefeuille et de structuration ainsi qu’à la possibilité de proposer un produit structuré à un investisseur en prenant en compte son profil de risque et son portefeuille déjà constitué.
Marché des produits structurés
Les produits structurés offrent une grande variété de profils, non seulement en fonction de leur nature, mais aussi des actifs dans lesquels ils investissent, offrant une exposition à différents marchés ou produits sous-jacents en fonction du profil de risque que l’investisseur est prêt à assumer.
Afin de bien analyser le marché des produits structurés, il faut d’abord noter qu’il est vaste et éclectique. En effet, la nature même des produits structurés les rend très différents les uns des autres et ainsi adaptés à de nombreuses catégories d’investisseurs ayant des profils de risques très différents. Ainsi, en France, plus de 75 %, en termes de nombre, des produits vendus sont destinés à la clientèle de détail
En effet, on remarque que si le nombre de produits vendus en France ne cesse de croître année après année, les volumes eux ne suivent pas la même trajectoire. Deux phénomènes peuvent, entre autres, expliquer cette tendance :
– le premier est le retrait, depuis la crise de 2008, des investisseurs institutionnels du marché de produits structurés du fait des nouvelles réglementations mais également de l’attractivité amoindrie des rendements de ces produits ;
– le deuxième, plus intéressant pour notre cas, est l’appétit grandissant pour les produits « sur-mesure » destinés à la clientèle de détail principalement et dont la force est la capacité à compléter un portefeuille d’investissement déjà établi en participant à la diversification et/ou à la recherche de performance.
Ce deuxième phénomène est confirmé par la nette inversion de tendance entre les produits émis en tant que fonds d’investissement et ceux en titres de créance. La tendance des parts de fonds d’investissement pré 2008 permettait de diffuser un même produit à un grand nombre d’investisseurs. Aujourd’hui, la grande majorité des produits structurés sont émis en tant que titre de dette, ce qui correspond à des produits structurés pour un seul ou un nombre réduit de clients et de fait reflète des besoins et des demandes spécifiques pour chaque produit.
L’émergence des produits sur-mesure pour une clientèle de détail a été rendue possible par la diminution des coûts de structurations et de maintenance des produits. En effet, les différents outils (Pricers en ligne, automatisations de Termsheets, plateforme de suivi, etc.) ont permis aux émetteurs de pouvoir proposer des produits structurés avec un nominal minimal beaucoup moins important et de permettre aux investisseurs ayant des moyens d’investissements réduits d’avoir accès à ces produits personnalisables.
La typologie de produits a également évolué au cours des dernières années. Au niveau des sous-jacents utilisés, on remarque d’après le graphique 2 que les sous-jacents actions (Titres uniques ou indices) représentent une écrasante majorité de produits par rapport aux fonds et aux sous-jacents hybrides. Pour les fonds, cela s’explique par l’ajout de réglementation et la méfiance des investisseurs pour les fonds à formules jugés complexes sans pour autant offrir une dimension personnalisable.
Au sujet des maturités, les investisseurs semblent se tourner vers des maturités plus longues avec une augmentation des produits ayant une maturité comprise entre 10 et 12 ans. On peut expliquer cette augmentation par des taux d’intérêt peu attractifs poussant les investisseurs à privilégier des produits à maturités longues afin d’obtenir le funding nécessaire à la structuration de leur produit.
Cependant, on observe un écart grandissant entre la maturité théorique et la maturité effective des produits (voir graphique 4). Cet écart s’explique par l’essor des produits à remboursement anticipé (Autocallables, Phoenix Autocall) permettant aux investisseurs de récupérer plus rapidement leur capital afin de pouvoir au mieux adapter leur stratégie d’investissement.
Enfin, l’augmentation de l’appétit au risque des investisseurs s’est traduite en une augmentation de la part des produits à capital non garanti ces dernières années (voir graphique 5). Comme pour les maturités, les taux d’intérêt bas ont poussé les investisseurs à se tourner vers des produits plus risqués afin de conserver un rendement intéressant.
Pour conclure sur le marché des produits structurés, nous pouvons dire qu’il a connu une profonde transformation depuis la crise de 2008, autant sur la typologie de client que de produit. En effet, plusieurs paramètres ont été profondément modifiés :
– les taux d’intérêt permettaient des produits à courte ou moyenne maturité avec un niveau de protection relativement élevé. Aujourd’hui, les politiques monétaires accommodantes ont fait chuter les taux d’intérêt ce qui pousse les investisseurs à chercher du rendement dans des produits à plus longue maturité et/ou avec moins de protection ;
– le développement des outils de pricings a permis de réduire les coûts de structuration d’un produit et a ainsi contribué à l’émergence d’une clientèle de détail attiré par l’aspect sur-mesure des produits et de moins en moins limités par la taille minimale d’investissement ;
– les réglementations sur ces produits se sont étoffées (MiFID, MIF 2) rendant le marché plus transparent et plus rassurant pour les nouveaux investisseurs mais contraignant les émetteurs à rendre leurs produits moins complexes et ainsi occultant certains sous-jacents (Les fonds à formules par exemple).
Toutes ces évolutions ont contribué à la recherche de nouveaux moyens de structuration et de prises de décisions afin d’aider les émetteurs de produits à mettre en avant ceux qui correspondent le mieux aux attentes des investisseurs.
Solution
Le but de cette thèse est donc d’utiliser les données fournies par le portefeuille d’un client, tant quantitatives (duration, coupon moyen, maturité moyenne, performance recherchée…) que qualitatives (univers d’investissement, profil de risque, structure de produit…), actuellement contenues et non utilisées par les plateformes de suivi de produit.
La première étape est de traiter et uniformiser les données afin d’établir un profil de produit pour le portefeuille. Ce profil sera ensuite comparé aux conditions actuelles du marché afin d’identifier des sous-jacents qui pourraient correspondre et enfin pricé pour affirmer la faisabilité du produit.
Cet outil se propose donc d’être une aide à la décision et à l’optimisation du portefeuille. Cette optimisation se fera sous différents angles : la maturité ; le/les coupon(s) ; la protection ; la devise ; l’industrie des sous-jacents ; la performance des sous-jacents ; la volatilité des sous-jacents ; le secteur d’activité des sous-jacents.
Afin d’analyser le portefeuille d’un client, nous commençons par charger les informations de ses différents produits. La première étape est de trier les produits du portefeuille en fonction de la typologie de produits. En effet, chaque typologie de produit implique des caractéristiques spécifiques et de ce fait une analyse différente. Nous avons choisi de considérer onze types de produits différents.
Nous séparons ensuite le portefeuille par type de produit. Nous trouvons ensuite les deux types de produits les plus représentés et analysons plus précisément leurs caractéristiques. Pour chacun de ces produits, nous récupérons les caractéristiques des sous-jacents qui les composent : nom ; ISIN ; prix d’exercice ; secteur d’activité ; classe d’actif ; devise ; géographie ; performance avant la date d’exercice ; volatilité à la date d’exercice
Ensuite, nous détaillons les caractéristiques du portefeuille de produits.
Cette analyse nous permet de remarquer les principales caractéristiques des produits traités par le client :
– la maturité des produits traités est majoritairement comprise entre 1 et 2 ans ;
– 100 % des produits comportent une barrière de protection ;
– la moyenne de niveau de protection est de 71 % du niveau initial ;
– 100 % des niveaux d’Autocall sont à 100 % du niveau initial ;
– le coupon moyen est de 7,60 % par an ;
– la performance moyenne des sous-jacents, le mois précédent le début du produit est de 0 % ;
– la performance moyenne à 3 mois est de +2,7 % ;
– la volatilité annuelle moyenne des sous-jacents est de 19 % Toutes ces informations nous permettent de construire une première structure de produit.
Ce client serait donc susceptible d’être intéressé par un Phoenix Autocall avec une maturité de 2 ans, une barrière de protection comprise entre 50 % et 90 % du niveau initial, un niveau d’Autocall à 100 % du niveau initial, une barrière de coupon à environ 80 % du niveau initial avec effet mémoire, un coupon annuel de 7,5 % et environ 3 sous-jacents en panier.
Il s’agit maintenant de trouver quels sous-jacents peuvent correspondre aux demandes du client (voir Tableau 7).
Ainsi, nous disposons des informations suivantes : les performances à 1 mois et 3 mois nous apprennent que la typologie de sous-jacent du portefeuille est un sous-jacent stable, légèrement haussier à moyen terme avec une volatilité à environ 16 %. Concernant les secteurs, nous remarquons une sur-représentation des domaines financiers et médicaux. La prochaine étape est de rechercher dans notre table « stocks », les sous-jacents qui correspondent à ces paramètres. Pour chaque sous-jacent de cette liste, nous compilons les performances et volatilités et les comparons aux résultats de l’analyse de portefeuille. Si chacun de ces paramètres est proche des paramètres moyens du portefeuille du client, nous retenons le sous-jacents et le proposons au client. Dans le cas d’un trop grand nombre de sous-jacents compatibles, nous relançons une recherche de stock en rétrécissant notre plage de performance et de volatilité. À l’inverse, en cas de trop faibles résultats, nous élargissons le spectre de recherche afin d’être en mesure de fournir au moins un résultat, même plus éloigné.
Limites
Pour cette thèse, nous avons choisi de considérer la maturité totale du produit comme date d’échéance des options pour mesurer la volatilité implicite. Dans les faits, un produit structuré, surtout pour les Autocalls est composé d’options à dates d’échéances et à strike divers. Il conviendrait donc de considérer séparément pour chaque produit les options qui le composent et de prendre en compte la volatilité à chacune des échéances. Outre le fait que cela complexifierait énormément le code, il se rapprocherait de plus en plus d’un pricer de produit qui ne ferait que tester toutes les combinaisons possibles de stocks et de produire un grand nombre de propositions. Le but de ce code reste d’établir un profil de sous-jacent et de proposer une liste réduite de sous-jacent que le client serait en mesure d’étudier ensuite.
Bien que ce programme considère un produit et les sous-jacents qui le composent dans leur globalité, il analyse les différents sous-jacents séparément, sans tenir compte de la corrélation ou de la structure du panier de sous-jacents. Cette limite entraîne que nous ne sommes en mesure de proposer pour l’instant que des produits monos sous-jacents alors que le client a pour habitude de traiter des paniers de worst-of ou des combinaisons de différents sous-jacents. Nous pouvons imaginer que le pricer Monte Carlo de put down and in devrait être en mesure de donner un prix pour un panier d’au plus trois sous-jacents avec une contrainte en worst-of ou en moyenne par exemple. De plus, étudier la corrélation entre les sous-jacents d’un même produit serait un élément d’analyse supplémentaire afin de mieux comprendre l’intérêt du client.
Actuellement, le programme n’est pas capable de détecter si le propriétaire du portefeuille vise une stratégie de diversification ou de spécification. Nous considérons que le portefeuille est spécifié et donc nous proposons des produits qui s’incluent dans cette stratégie. Il serait intéressant de pouvoir proposer des produits ayant un but de diversification au niveau géographique, sectoriel ou de devise.
Afin de faciliter la compréhension de l’ajout d’un produit en portefeuille et surtout dans l’optique de proposer des produits de diversification, il serait intéressant de pouvoir mesurer l’impact de l’ajout de ce produit dans ce portefeuille. Le client pourrait ainsi mesurer l’intérêt de l’ajout du produit en termes de duration, de rendement et de volatilité. Ces informations permettront ainsi d’aider la prise de décision de l’investisseur et seraient un donc un ajout intéressant au programme.
Un marché des produits structurés en constante évolution pousse de plus en plus loin l’innovation et la recherche de nouveaux outils à toutes les étapes du processus d’investissement.
Nous nous sommes intéressés aux outils d’aide à la décision sur un portefeuille déjà constitué. Bien que les axes d’améliorations soient nombreux, nous avons réussi à dégager une structure de produit à partir d’un portefeuille préexistant. Nous avons ensuite analysé les sous-jacents utilisés afin de dégager une préférence de couple risque/rendement afin de proposer des sous-jacents compatibles avec ce portefeuille et donc à faire des propositions de produits au client. L’étape suivante sera de vérifier la viabilité de ces propositions via des pricers et des études d’impact de l’ajout de ces produits en portefeuille.
Le but final de ce genre d’outil serait de proposer à un investisseur, professionnel ou non, des produits d’investissements selon son portefeuille, composé de produit structurés ou non. On peut ainsi envisager de prendre en compte tous types d’actifs financiers dans notre analyse tels que des bonds ou des parts de sociétés non cotées. L’utilisation de machine learning dans l’analyse de portefeuille pourrait être un atout supplémentaire, permettant de prendre en compte plus de paramètres d’optimisation et peut-être d’aller plus en profondeur dans les critères d’analyse et de stock picking.
Le nombre d’outils d’analyse et d’aide à la décision devrait continuer à augmenter avec le nombre de données disponibles et la puissance de calcul des processeurs. Ces outils seront amenés à repenser l’organisation du processus d’investissement en rendant plus direct et plus normé l’accès aux marchés financiers. Comme pour le trading algorithmique, il sera intéressant de voir à quelle vitesse et à quel point les investisseurs oseront laisser le contrôle de leur gestion d’actifs à des programmes de ce type. En allant encore plus loin, il faudrait se poser la question de l’efficience du marché dans un monde où nous laisserions les décisions d’investissements à des programmes auto-apprenant et ayant tous accès aux mêmes données.
