La théorie et la pratique de l’investissement quantitatif, tel que nous l’entendons aujourd’hui, ont vu le jour dans les années 1950. Ses fondements ont été les modèles académiques bien connus tels que la théorie moderne du portefeuille de Markowitz (1952), le modèle d’évaluation des actifs financiers de Sharpe (1964) et l’hypothèse des marchés efficients de Fama (1970) et, bien sûr, la collaboration de ce dernier avec Kenneth French sur leur modèle à trois facteurs (1992).

Aujourd’hui, l’investissement quantitatif ne cesse d’évoluer en termes de pertinence et de sophistication. Des sociétés de gestion d’actifs telles que LSV, BGI/BlackRock, AQR ainsi que nos propres chercheurs de Robeco ont apporté leur pierre à l’édifice, et les actifs sous gestion quantitative ont enregistré une progression constante. D’abord considéré comme une curiosité académique, l’investissement quantitatif a acquis ses lettres de noblesse dans les années 1990 et fait aujourd’hui partie intégrante du marché au même titre que son homologue fondamental.

Nous sommes convaincus que les nouvelles avancées technologiques continueront d’être l’un des facteurs décisifs de l’évolution de l’investissement quantitatif. Le rythme de cette évolution (plus récemment dans le domaine des données et de l’informatique) ces 20 prochaines années semble être aussi rapide, voire plus rapide, que celui qui a prévalu au cours des 20 dernières années. Et si l’on ajoute à cela l’essor fulgurant de l’IA, ce rythme ne devrait faire que s’accélérer.

Le moment est donc particulièrement bien indiqué de se livrer à un exercice mental consistant à imaginer de quelle manière la gestion d’actifs est susceptible d’évoluer au cours des 20 prochaines années. La conviction à la base de cet exercice est que les avancées technologiques continueront probablement à améliorer la capacité des investisseurs quantitatifs à générer de l’alpha et à gérer les risques, ainsi qu’à renforcer l’efficacité opérationnelle des entreprises quantitatives en termes de résultats obtenus et d’expérience pour leurs clients.

Nous tenons toutefois à apporter un point d’attention de prudence (ou trois plus exactement) à notre futuriste : Nous nous livrons à cet exercice en étant pleinement conscients des mots de Niels Bohr : « Prédire les choses est très difficile, surtout s’il s’agit de l’avenir. » De plus, toutes les hypothèses formulées ci-dessus se fondent sur des tendances plausibles, le plus souvent prévisibles, ou en d’autres termes, sur des extrapolations « linéaires ». Par définition, les changements véritablement marquants sont le résultat d’évolutions inattendues et non linéaires. Enfin, les changements s’accompagnent toujours de risques et de défis, que nous examinerons en détail dans nos deux dernières hypothèses.

Téléchargez dès à présent l’article complet ici pour entrer dans la machine à remonter le temps de Robeco et bouclez vos ceintures.

Hypothèse 1 : Modèles avancés d’IA et de machine learning (ML)
De par sa sophistication et sa potentielle évolution vers l’IAG, l’IA pourrait permettre d’automatiser l’élaboration de stratégies, améliorer la précision des prédictions, voire de prendre en charge la génération d’hypothèses économiques, le tout dans une optique de génération d’alpha.

Hypothèse 2 : Utilisation de données multimodales
Afin d’acquérir un avantage concurrentiel, les investisseurs quantitatifs exploiteront de nouvelles sources de données dont le volume est en croissance rapide, notamment les sentiments envers les réseaux sociaux et l’imagerie satellitaire, ainsi que des données multimodales provenant de fichiers texte, audio, image et vidéo.

Hypothèse 3 : Une évolution plus rapide du modèle et une dégradation plus rapide de l’alpha
Des algorithmes puissants au service du développement de modèles conduiront à plus d’alpha, et la démocratisation de ce processus entraînera une dégradation de l’alpha. La recherche quantitative continue (par des humains, des IA ou une combinaison des deux) est cruciale pour garder une longueur d’avance.

Hypothèse 4 : Cloud computing et informatique quantique
Le cloud computing permettra aux investisseurs quantitatifs de traiter de grandes quantités de données sans avoir besoin d’une infrastructure sur site, tandis que l’informatique quantique pourrait faciliter la résolution de problèmes aujourd’hui insolubles sur le plan informatique.

Hypothèse 5 : Gestion des risques améliorée
Des algorithmes et des outils d’analyse avancés pourraient traiter rapidement les informations afin d’évaluer les risques en temps réel et de réaliser des stress tests plus réalistes en combinant les données historiques et le nowcasting, ce qui permettrait d’apporter des ajustements immédiats aux stratégies.

Hypothèse 6 : Automatisation de la réglementation, des processus et de la conformité
Des solutions avancées pourraient faciliter la conformité avec la réglementation en constante évolution, réduisant ainsi le risque de problèmes juridiques. Grâce à l’automatisation de la conformité et du reporting client, les LLM pourraient favoriser la réduction des coûts d’exploitation des entreprises et/ou l’offre de meilleurs services pour les mêmes coûts.

Hypothèse 7 : Produits d’investissement personnalisés
L’IA et le machine learning pourraient rendre la personnalisation abordable même pour les investisseurs particuliers.

Hypothèse 8 : Amélioration de l’interaction avec les clients et de la transparence
Des plateformes sophistiquées et conviviales assureront la transparence des modèles quantitatifs qui étayent les investissements, ce qui favorisera la confiance et l’engagement des clients. L’IA générative pourrait générer des informations sur les clients et les interactions avec ceux-ci.

Hypothèse 9 : Acquisition de talents et développement des compétences
Pour se tenir au fait des dernières tendances et technologies, les entreprises quantitatives doivent investir dans l’acquisition de talents et dans l’éducation et la formation continues. En outre, elles doivent constituer des équipes mixtes et collaboratives pour relever ce défi.

Hypothèse 10 : Réorganisation du secteur, disruption et défis
Si les technologies avancées sont susceptibles de transformer le secteur de l’investissement quantitatif, les personnes demeurent les piliers des entreprises, et ces personnes sont animées par leur cortège de désirs, de craintes et d’aspirations. Pour connaître le succès, les entreprises quantitatives doivent impérativement avoir mis en place une culture, une gestion et une structure d’incitation adéquates.