Les investisseurs qui se demandent si l’intelligence artificielle a le potentiel d’améliorer les performances n’ont qu’à se tourner vers l’investissement quantitatif en actions. La puissance de calcul sans précédent de cette technologie permet aux modèles d’investissement d’identifier des relations toujours plus complexes entre un nombre croissant de séries de données.
Les approches quantitatives traditionnelles avaient tendances à se limiter à l’analyse d’un nombre relativement restreint d’effets de marché se traduisant par des anomalies de valorisation temporaires. Elles procuraient ainsi une exposition à des moteurs de marché plus larges, appelés facteurs, tels que la valeur ou le momentum.
L’IA reprend cette approche mais en élargit considérablement le champ d’application. Elle offre aux gérants de portefeuille la possibilité d’analyser des centaines de signaux potentiels à une fréquence plus élevée. Ces signaux sont générés à partir de données telles que les comptes d’entreprise, les cours de Bourse, les notes des analystes, les articles de presse et les réactions des investisseurs aux nouvelles informations, à court comme à long terme. Et ce n’est là que la partie émergée de l’iceberg.
L’IA peut offrir une meilleure compréhension des moteurs des cours boursiers
L’IA peut capturer des relations bien plus complexes au sein du vaste univers de données, ce qui lui permet de mieux comprendre ce qui fait évoluer les les cours des actions. Sa capacité à identifier des relations non linéaires plus sophistiquées multiplie son aptitude à déceler des liens entre les séries de données.
Par exemple, dans un modèle quantitatif traditionnel, une recommandation d’achat d’un analyste sur une société suggérerait que son actiondevrait surperformer. Toutefois, il existe de nombreuses raisons pour lesquelles cette relation peut ne pas se vérifier à un moment donné, ou ne pas être détectée à temps pour générer de l’alpha.
Un modèle d’apprentissage automatique non linéaire entraîné sur des données historiques peut identifier les conditions dans lesquelles la recommandation de l’analyste permet le plus efficacement possible d’anticiper une surperformance future. Cela peut être lié au fait qu’il existe un large éventail de prévisions d’analystes, que la recommandation en question soit un cas atypique ou à un effet de calendrier – par exemple si la société doit prochainement publier ses résultats. Si l’action est très vendue à découvert par les hedge funds, le modèle peut identifier la probabilité d’un « short squeeze », entraînant une hausse du cours bien plus marquée que ne le laisserait supposer la simple recommandation de l’analyste. On peut compter potentiellement des dizaines de milliers de ces relations de « conditionnement » non linéaires dans les jeux de données financières traditionnelles qui peuvent générer de l’alpha supplémentaire.
| Approche quantitative traditionnelle | Quant utilisant l'IA | |
|---|---|---|
| Exposition aux facteurs | Facteurs classiques | Neutre aux facteurs |
| Nombre de signaux/caractéristiques | Nombre de signaux sélectionnés | Centaines de fonctionnalités |
| Horizon d’investissement | Moyenne | Court à moyen |
| Type de modèle | Linéaire | Non linéaire |
| Construction | Définie par le gérant | Entraînée à l'aide de données |
Source: Pictet Asset Management
L’IA contribue à générer des performances neutres aux facteurs
Ce cadre beaucoup plus sophistiqué permet aux gérants de portefeuille d’isoler les effets propres à chaque titre qui influencent le cours de l’action. Pour cela, ils éliminent l’impact de nombreux facteurs communs tels que le marché, le secteur, la région, le pays, le style ou les expositions économiques. Ils peuvent ainsi identifier et extraire un alpha purement lié à l’entreprise.
Au fil du temps, les algorithmes évoluent afin d’intégrer les changements économiques et de marché ainsi que de nouvelles séries de données. Toutefois, pour rester efficaces de manière durable, les modèles alimentés par l’IA nécessitent toujours une supervision humaine et des paramètres d’investissement clairement définis.
La puissance de l’alpha incrémental dans le temps
Si ces paramètres limitent le risque, ils limitent également la quantité d’alpha générée. Cependant, l’effet de capitalisation, même d’un alpha modeste, peut devenir considérable au fil du temps. Dans un environnement où les rendements actions devraient être plus faibles à l’avenir, un surplus de performance de 1 à 2 points de pourcentage par an peut produire une différence significative sur un horizon de moyen à long terme.
Si nous prenons pour exemple un rendement de marché hypothétique d'environ 7 % par an au cours des 10 prochaines années et une surperformance supposée de 1,5 point de pourcentage par an, hors frais,Après les solides rendements boursiers enregistrés ces dernières années, l'unité stratégique de Pictet AM ne prévoit qu'un rendement d'environ 7 % par an pour les actions mondiales au cours des 10 prochaines années. Source : Pictet Asset Management, « Secular Outlook » de juillet 2026 : https://am.pictet.com/fr/fr/investment-research/secular-outlook-2026la magie des intérêts composés pourrait générer une performance cumulée d'environ 30 % sur cette période. 100 000 $ à 7 % vous rapporteraient 196 000 $ sur 10 ans. Avec un effet de capitalisation et un taux de 8,5 %, vous obtiendriez 226 000 $.
Comment les stratégies optimisées par l’IA de Pictet AM peuvent-elles bénéficier aux portefeuilles ?
Notre gamme de stratégies quantitatives actions optimisées par l’IA exploite la puissance de cette technologie pour la sélection de titres, avec pour objectif de générer une performance supérieure à celle des indices tout en maintenant une faible tracking error.
Contrairement à de nombreuses stratégies de gestion active, notre approche nécessite relativement moins d’interventions humaines au quotidien, ce qui contribue à réduire les coûts de gestion tout en conservant une expertise élevée dans la conception et la maintenance des modèles.
En quoi notre approche de l’IA est-elle différente?
Nos modèles propriétaires d’IA ont été développés sur de nombreuses années par des experts, souvent titulaires de doctorats en physique ou en mathématiques. Ils ont été entraînés sur quelques 400 caractéristiques issues de multiples séries de données couvrant une période d’environ quinze années, puis testés dans différents environnements économiques. Ce processus rigoureux vise non seulement à maximiser le pouvoir prédictif des modèles, mais aussi à éviter tout surapprentissage afin qu’ils demeurent efficaces dans des contextes économiques changeants.
-
400
Les modèles ont été entraînés sur quelques 400 caractéristiques tirées de plusieurs séries de données