Les investisseurs institutionnels recherchent des rendements. Les surcoachs de machine peuvent les aider à les trouver

Par Nicholas Abe, co-fondateur et directeur des opérations de Boosted.ai

Comment les investisseurs peuvent-ils obtenir le meilleur des deux mondes en matière d’approches quantitatives et fondamentales ? En mettant en œuvre des surcoachs de machine learning, écrit Nick Abe, co-fondateur et directeur des opérations de Boosted.ai. Les gestionnaires fondamentaux laissent des gains sur la table en ne s’adaptant pas aux technologies et à la demande des investisseurs institutionnels en constante évolution. Abe démontre que la combinaison de leur expertise dans le domaine financier avec des outils d’intelligence artificielle de pointe peut augmenter l’algorithme et la Sharpe.

Les deux côtés du spectre de l’investissement – quantitatif et fondamental – ont rencontré des problèmes récemment. Même les investisseurs les plus sophistiqués ont eu du mal en 2020 en raison de la volatilité imprévue que la pandémie de COVID-19 a apportée sur le marché.

L’approche quantitative a été lentement construite au sein des grands gestionnaires de patrimoine alors qu’ils créent leurs propres équipes quantitatives. Cependant, la promesse d’avoir un avantage grâce à la technologie moderne a été confrontée aux difficultés de mettre en pratique avec succès le machine learning, en grande partie en raison de l’expertise requise et du coût élevé de développement d’un programme fonctionnel.

Les boutiques quantitatives réussies emploient des cohortes de doctorats, de scientifiques de données et d’ingénieurs pour donner un sens à de grandes quantités de données complexes – et même ainsi, parfois, échouent. Trouver un pouvoir prédictif à partir des données est difficile, et les événements cygnes noirs comme le COVID-19 et d’autres changements de régime peuvent rendre ces données obsolètes sans surveillance humaine.

Les défaillances fondamentales

La plupart des gens sont conscients des principes de l’analyse fondamentale – étudier les états financiers et intégrer des facteurs économiques pour prendre des décisions sur où les investisseurs devraient investir pour obtenir les meilleurs rendements compte tenu de leurs objectifs et de leur tolérance au risque. Les investisseurs ont pratiqué et affiné cette approche fastidieuse pour obtenir des rendements pendant des décennies. Certains, cependant, sont de plus en plus ouverts à l’idée de profiter de la technologie moderne comme le machine learning et les données alternatives pour améliorer leurs performances, synthétiser les informations en moins de temps et réduire les biais cognitifs qui pourraient interférer avec le processus de prise de décision.

De plus, la gestion active de patrimoine fondamental est confrontée à des défis immenses, allant de la compression des frais et des progrès technologiques à l’évolution de la sensibilité des investisseurs en faveur des ETF à faible coût.

Qu’est-ce que les approches quantitatives et fondamentales ont en commun ? Elles étudient le monde qui les entoure pour prendre des décisions éclairées sur où déployer le capital pour obtenir des rendements.

Mais qu’est-ce qui se passerait s’il y avait une troisième option ?

L’appel au machine learning dans la gestion fondamentale

Le machine learning a révolutionné les industries et la vie quotidienne. De Google Translate aux voitures autonomes, la technologie transforme le monde de la même manière que la révolution industrielle avant elle, et l’industrie de la gestion de patrimoine ne sera pas à l’abri des changements. Selon une étude de 2019 de l’institut CFA qui a interrogé des gestionnaires de portefeuille, seulement 10 % des gestionnaires de portefeuille avaient utilisé une intelligence artificielle ou un machine learning dans leur processus d’investissement.

À mesure que la technologie continue de progresser, les techniques de machine learning deviendront un aspect incontournable de la gestion de patrimoine. Cependant, de nombreuses applications de machine learning nécessitent des connaissances en programmation étrangères aux gestionnaires traditionnels qui sont plus confiants dans leur propre analyse fondamentale, qu’ils peuvent effectuer seuls et qui, par défaut, ont une compréhension plus approfondie.

Compte tenu des obstacles ci-dessus, comment les gestionnaires fondamentaux peuvent-ils s’adapter avec succès ?

Combining For a Better Process: Machine Learning Overlays

Ajouter un surcoach de machine learning à un portefeuille est juste un exemple de mariage de l’expertise du gestionnaire d’investissement fondamental et des avantages technologiques que l’IA a à offrir.

Les surcoachs de machine résolvent les obstacles des investisseurs fondamentaux qui cherchent à intégrer la technologie. Ils sont faciles à utiliser et peuvent être déployés sur les portefeuilles existants des investisseurs traditionnels sans nécessiter de connaissances en programmation. Ils fournissent une explication complète du raisonnement de la machine, en mettant en évidence les variables que le machine learning a considérées comme importantes dans sa prise de décision. Cela aide les gestionnaires fondamentaux à se sentir plus à l’aise pour mettre en œuvre l’intelligence dans leur processus.

Par exemple, un surcoach de machine learning Boosted Insights prend le portefeuille existant d’un gestionnaire d’investissement et ajuste légèrement les pondérations des positions de stock. Il n’ajoute pas de nouvelles positions – il ajuste plutôt les pondérations (long ou court) des stocks dans le portefeuille existant du gestionnaire. Sur la base de ses constatations, les stocks qui sont classés haut peuvent voir leurs pondérations augmentées et les stocks qui sont classés faibles peuvent voir leurs pondérations réduites.

En fin de compte, les surcoachs de machine learning permettent à un gestionnaire d’investissement fondamental de combiner son acumen de sélection de stocks avec une IA/ML de pointe et spécifique au secteur financier pour de meilleurs résultats.

Un gestionnaire d’investissement peut aimer les stocks Facebook, Apple (AAPL ), Amazon (AMZN ), Netflix et Google (FAANG) et constater qu’ils offrent de bonnes performances dans son portefeuille, mais avoir les cinq à des pondérations égales. L’ajout du surcoach de machine learning Boosted Insights permet à la machine d’ajuster légèrement les pondérations – par exemple, Facebook est réduit à 18,5 % et Apple est augmenté à 21,5 %. Ces petites différences, tout en gardant le portefeuille du gestionnaire d’investissement exactement le même, peuvent entraîner de meilleurs résultats en termes de rendement, d’algorithme et de volatilité.

Nous avons constaté que ces types de modèles sont capables d’améliorer les portefeuilles qui avaient déjà un algorithme élevé en ajustant uniquement les pondérations des stocks et non en ajustant la composition. Le beta est resté cohérent car les allocations de base ont été ajustées par les surcoachs de modèle.

Machine learning pour un meilleur investissement

Le machine learning a et continuera à perturber les industries. Les gestionnaires de patrimoine peuvent améliorer leurs objectifs de portefeuille en mettant en œuvre le machine learning dans leur processus, mais de manière complémentaire et organique à leur flux de travail. Une bonne façon de tremper leurs orteils dans les eaux des techniques de machine learning est de mettre en œuvre un surcoach de machine learning.