L'intelligence artificielle (IA) a un rôle essentiel à jouer pour améliorer l'efficacité des processus et la qualité de la prise de décision.
IA et Big Data : une alliance utile à la gestion
Le Big Data fait référence à l’explosion récente de la quantité de données que le gestionnaire d’actifs a à disposition pour prendre ses décisions d’investissement. Dans ce contexte, l’IA prend tout son sens : seule une machine peut filtrer et analyser rapidement cette courbe exponentielle de données. Il y a en plus un cercle vertueux, car l’IA permet de traiter cette masse de données en constante évolution, tandis que le Big Data rend l’IA meilleure, en l’enrichissant sans cesse de nouvelles données.
De nombreux gestionnaires utilisent l'IA pour extraire des signaux d'alpha sur des instruments liquides et facilement négociables grâce à la rapidité de traitement des données. L’IA trouve également sa place dans le trading et les transactions à haute fréquence, avec des algorithmes conçus pour repérer des schémas et faire des arbitrages en conséquence.
Faster ou smarter ?
La première évolution du trading s’est en effet faite au niveau de la rapidité de l’exécution. Si l’on prend l’exemple des transactions à haute fréquence, les algorithmes ont été conçus pour détecter des micromouvements de marché, afin de les arbitrer en passant des ordres d’achat et de vente en l’espace de quelques millisecondes. Avec les progrès de l’IA, ce n’est pas tant la rapidité d’exécution qui est favorisée, mais la pertinence de la prise de décision. L’algorithme analyse les facteurs clés qui impactent le marché de manière systématique. L’évolution constante des données disponibles permet la mise en place de stratégies de trading toujours plus sophistiquées. Néanmoins, la rapidité sera toujours de mise, car le but sera de ne pas voir sa stratégie de trading arbitrée par un opérateur plus rapide.
Aller au-delà de la boîte noire
À ce stade, l'IA manque de transparence. Il est tout à fait possible de programmer un ordinateur pour déterminer les tendances des marchés et évaluer les données qui permettent de prédire au mieux les fluctuations à venir. Le problème est que le processus d'investissement fonctionne comme une « boîte noire », offrant une clarté totale sur la décision finale, mais très peu sur le raisonnement qui motive cette décision.
Par ailleurs, les gestionnaires doivent veiller à valider les signaux proposés par les modèles d’IA. Un modèle d’IA va construire ses signaux en cherchant des corrélations et des schémas explicatifs entre différentes données. Or une corrélation n’implique pas forcément une causalité. C'est pourquoi les gestionnaires restent indispensables pour donner du sens aux algorithmes d’apprentissage automatique.
La machine face aux comportements humains
Un autre problème tient à la complexité des marchés financiers qui se caractérisent par l'interdépendance des décisions et la part importante des émotions des acteurs dans les fluctuations. Contrairement à la physique, à la biologie ou à la médecine, l'analyse des marchés financiers n'est pas une science exacte dans la mesure où elle est influencée par les comportements humains. Cela limite l'utilité potentielle de la reconnaissance de signaux. L'IA peine à faire face à l'ambiguïté ou à l'évolution des formes, liées aux facteurs comportementaux.
Enfin, si de plus en plus d’actifs financiers sont gérés par des algorithmes qui convertissent les signaux de la même manière et recommandent les mêmes investissements, comment éviter les risques d'engorgement et de cohue sur les marchés ? C'est ici que les gestionnaires compétents avec une vision à long terme se distingueront.
La technologie ne peut pas être déterministe en finance, car c'est l'être humain qui lui donne son sens.
L’IA en gestion : à quelles fins ?
Au sein d’Unigestion, nous voyons l’IA comme une potentielle suite à la gestion quantitative. A la différence près que, si dans la gestion quantitative classique, le gérant enseignait à la machine comment chercher, dans l’IA, la machine est censée apprendre toute seule. On nourrit de données la machine tout en lui définissant le résultat recherché. Elle doit alors trouver quelles sont les données qui prévoient le mieux le résultat. À titre d’exemple, la machine peut déterminer quelles sont les données historiques de marché qui sont le plus aptes à prévoir les futurs mouvements de certains titres.
La plupart des gestionnaires utilisent l’IA pour extraire des signaux d’alpha tels que la direction de mouvement de titres. Nous avons choisi une voie différente, car nous pensons que les signaux fournis par l’IA afin d’extraire de l’alpha sont très fugaces et que ceux-ci seront vite arbitrés par des gestionnaires disposants des mêmes modèles.
Nous employons donc l'IA pour approfondir notre capacité à identifier et à gérer le risque de nos stratégies de placement. Les estimations de risque sont généralement plus stables que les estimations de performance. De plus, nous considérons la gestion du risque comme un facteur clé dans la construction de la performance d'un investissement, car pour gagner de l’argent à long-terme, il faut se protéger lors des phases baissières de marché.
Mieux gérer le risque grâce à l’IA
Nous utilisons donc l’IA pour améliorer nos modèles de risque. Nous cherchons par ce biais à estimer la volatilité future des marchés sur la période à venir ainsi que les interactions entre les mouvements des actifs composant nos portefeuilles et leurs univers d’investissement.
Nous nous sommes éloignés très tôt, dès la fin des années 1990, des modèles quantitatifs traditionnels où les facteurs de risque sont prédéterminés et le modèle doit juste analyser l’évolution de la sensibilité à ces facteurs. Nous avons privilégié ce qu’on appelle des méthodes de machine learning de type non supervisé telles que l'analyse en composantes principales (PCA) et les analyses de type clustering. Ce type de modèle se nourrit de données brutes, sans directive quant au moyen d’aboutir au résultat. Il essaye alors de grouper les données et d’identifier des schémas explicatifs. Cette méthode, à notre sens, permet d’appréhender de manière plus fine les aspects évolutifs du risque.
Aujourd’hui, nous voulons continuer à évoluer dans l’utilisation de ces technologies d’apprentissage non supervisé. Nous étudions si de nouveaux algorithmes sophistiqués tels que l’auto deep encoding pourraient à leur tour remplacer le PCA. Si le PCA s’appuie sur une architecture de neurones à couche simple, l'auto deep encoding, lui, repose sur une architecture de neurones à plusieurs couches, se rapprochant ainsi encore un plus du fonctionnement du cerveau humain. Compte-tenu de cette structure plus fine, l’algorithme d’auto-encoding fonctionne de manière non linéaire et permet d’obtenir plus de granularité dans les résultats et surtout de s’auto-éduquer davantage.
Un environnement réglementaire favorable
Le régulateur est conscient que l’innovation est un facteur important de compétitivité pour la Place financière suisse et cherche à créer un environnement législatif adéquat. Ainsi, lors de sa conférence de presse annuelle en avril, l’autorité suisse en charge des marchés financiers, la FINMA, s’est engagée pour que la Place suisse soit attrayante pour les FinTechs. Dans ce contexte, la FINMA a vérifié si des dispositions de ses ordonnances et de ses circulaires pouvaient s’avérer discriminatoires pour certaines technologies. De plus, elle envisage une nouvelle catégorie d’autorisation ainsi que la mise en place d’un environnement de « bac à sable », sur le modèle anglais, pour les entreprises novatrices dans le domaine financier. En vertu de cet environnement, les jeunes pousses pourraient, pendant une phase d’expérimentation, se développer dans un cadre juridique allégé. Ceci leur permettrait de tester des nouvelles pratiques de gestion incluant de l’IA ou du Big Data de manière flexible et donc d’innover plus rapidement. La Suisse a une place à prendre dans le développement de sa gestion d’actifs autour de ces nouvelles technologies, de par sa tradition pour l’innovation et le rapport qu’elle a su développer avec son bastion universitaire, friand de sujets tels que l’IA ou le Big Data.
