Les chercheurs n’ont fait qu’effleurer la surface du « Machine Learning » dans la gestion d’actifs

Alors que la théorie du ML existe depuis de nombreuses années, les récentes avancées en matière de cloud computing ont permis d’évaluer la façon dont le ML peut contribuer à la gestion des investissements. Cette popularité croissante se reflète dans le nombre de plus en plus important d’articles de recherche publiés ces dernières années sur l’utilisation de l’« intelligence artificielle » (IA) et du ML dans la gestion quantitative d’actifs.

Certaines des études les plus citées font état de résultats prometteurs lorsqu’il s’agit de prédire des rendements d’actions à un mois à l’aide du ML avec un grand nombre de variables prédictives traditionnelles comme caractéristiques d’entrée. Bien que les modèles reprennent en partie des facteurs connus, ils sont en mesure d’apporter une valeur ajoutée en exploitant des opportunités alpha non linéaires et des effets d’interaction.

Ces résultats encourageants restent toutefois essentiellement théoriques. Transformer les signaux alpha à court terme qui en résultent en stratégies d’investissement rentables dans la pratique – une fois que les coûts et autres frictions de mise en œuvre dans la réalité sont pris en compte – est plus facile à dire qu’à faire. D’un côté, les travaux académiques qui étudient les questions de mise en œuvre pratique restent anecdotiques.

De l’autre, la plupart des études suggèrent que le potentiel des modèles ML à surpasser les modèles traditionnels est souvent diminué par leur dépendance aux signaux de rotation élevée. C’est la raison pour laquelle des efforts ont récemment été déployés pour intégrer la structure économique dans les fonctions de perte, afin que le modèle ML puisse se concentrer sur les actions qui sont plus faciles à négocier. Ces efforts devraient accroître la probabilité de monétisation du pouvoir prédictif des modèles de ML.

Outre la prévision des rendements, d’autres cas d’utilisation prometteurs du ML ont été proposés. Il s’agit notamment de l’amélioration des facteurs traditionnels en créant de nouvelles variables à partir de données non structurées et en prédisant des indicateurs autres que le rendement, comme le risque ou la durabilité. Jusqu’à présent, les méthodes de ML dans la gestion d’actifs ont donc été plus une évolution qu’une révolution.

Il est probable que les gérants d’actifs qui ignoreront les avancées en matière de ML voient leurs performances diminuer par rapport à ceux qui adoptent le ML. Par exemple, la capacité d’automatisation des tâches des analystes traditionnels, telles que lire, voir ou entendre, promet au final d’importants gains de productivité, à condition que le gérant d’actifs dispose de l’infrastructure nécessaire et puisse étudier différents grands ensembles de données et signaux à grande échelle.

Néanmoins, l’abandon total de la théorie économique au profit d’une approche entièrement fondée sur des données peut aussi réciproquement conduire à un échec. Les investisseurs peuvent identifier et évaluer la capacité d’un gérant d’actifs à faire progresser son processus d’investissement en analysant minutieusement le protocole de recherche mis en place. Ce dernier est essentiel pour garantir la réussite du ML dans la pratique et éviter les nombreux pièges.

Finalement, les chercheurs n’ont fait que toucher du doigt les possibilités infinies offertes par le ML, et on peut s’attendre à de nombreuses découvertes passionnantes au cours des années à venir. Néanmoins, la connaissance du domaine humain restera probablement importante, car le rapport signal-bruit dans les données financières est faible et le risque de surapprentissage est élevé.