Six enseignements pour comprendre la révolution de l’investissement à l'aide de l’IA

Qu’est-ce que Quant 2.0?

L’investissement quantitatif est une approche systématisée de sélection des investissements qui existe depuis les années 1980. Il est généralement géré par des algorithmes automatisés. Les versions antérieures se concentraient sur des facteurs d’investissement uniques, tels que le «small cap effect» ou la «value».

Au fil des années, ces algorithmes sont devenus de plus en plus complexes. La capacité informatique toujours plus importante a permis d’intégrer de grandes quantités de données dans des algorithmes complexes. Ces algorithmes sont entraînés à partir de séries de données historiques dans le cadre d’un processus appelé apprentissage automatique, afin de générer des prévisions de plus en plus précises – des prévisions qui peuvent être comparées aux résultats réels – avant d’être mis en service en tant qu’outils dotés d’un potentiel prédictif. Ces algorithmes d’apprentissage automatique ont évolué au point que leur capacité à trouver des liens entre les données mérite d’être qualifiée d’intelligence artificielle.

À ce stade, l’IA a contribué à faire évoluer l’investissement quantitatif vers la prochaine génération, que nous aimons appeler Quant 2.0.

Pourquoi utiliser l’IA?

La puissance de calcul impliquée dans l’IA et les quantités importantes de données qu’elle peut traiter permettent d’établir des associations toujours plus complexes, rendant les modèles encore plus efficaces pour prédire ce qui pourrait se passer à l’avenir à partir des faits actuels.

Les premiers modèles quantitatifs se limitaient à identifier des relations linéaires dans les données – des connexions directes entre les variables d'entrée – afin d’établir des prédictions. Finalement, ils ont également pu identifier des relations plus complexes et non linéaires. L’IA permet à l’algorithme de mettre au jour non seulement les relations entre les données, mais aussi la manière dont différentes séries de données interagissent et s’influencent mutuellement dans des contextes spécifiques. Ensemble, ces trois éléments – relations linéaires et non linéaires ainsi qu’interactions – fournissent une indication plus claire sur la performance d’une action donnée sur une période donnée que les approches quantitatives traditionnelles.

Qu’est-ce qui différencie notre approche de l’IA des autres stratégies d’investissement dans l’IA?

L’immense intérêt suscité par l’IA a, sans surprise, donné naissance à un grand nombre de produits labellisés IA. Nous pensons que beaucoup sont fallacieux. Notre approche de l’IA est, selon nous, plus complète.

Nos modèles d’IA propriétaires ont été développés pendant de nombreuses années par nos experts. Leur expérience s'appuie sur la recherche universitaire puisque 80% des membres de l’équipe sont titulaires d'un doctorat en physique et en mathématiques. Les modèles ont été entraînés à partir de près de 400 caractéristiques issues de plusieurs séries de données, couvrant des périodes d’environ 15 ans, puis testés à plusieurs reprises dans différents contextes économiques. Ce processus rigoureux est conçu non seulement pour maximiser la puissance de la prévision, mais aussi pour garantir que les modèles ne sont pas surajustés, c’est-à-dire qu’ils ne produisent pas seulement des résultats précis dans un ensemble restreint de circonstances, mais qu’ils fonctionnent également dans des environnements économiques changeants.

Malgré la longueur du processus de développement, nos modèles d’IA continuent d’évoluer. De nouvelles séries de données sont évaluées en permanence. Celles qui répondent à nos critères stricts sont ensuite testées dans les modèles pendant plusieurs mois et dans des conditions rigoureuses avant d’être adoptées, ce qui améliore le potentiel de précision des prévisions.

Savons-nous vraiment comment fonctionnent ces modèles de boîte noire?

L’IA et les premiers modèles d’apprentissage automatique étaient souvent qualifiés de «boîte noire» car, même pour leurs développeurs, il était difficile de comprendre comment ils généraient leurs résultats.

C’est une autre différence entre notre modèle d’IA propriétaire et les autres modèles d’IA. Notre équipe quantitative consacre beaucoup de temps et d’efforts à comprendre comment les résultats sont obtenus, en identifiant quels aspects de la prévision proviennent des relations linéaires dans le modèle, lesquels des relations non linéaires et lesquels des interactions entre les séries de données. Pouvoir retracer le chemin entre les données d'entrée et de sortie au sein de notre modèle nous offre une transparence quasi inégalée sur son fonctionnement, ce qui le rend loin d'être une boîte noire. Cette transparence nous permet non seulement d’expliquer les sources de la performance d’investissement de notre modèle, mais elle nous permet également d'identifier quand quelque chose pourrait mal fonctionner avec le modèle.

S’agit-il d’un investissement entièrement automatisé?

Oui et non. Oui, dans le sens où les prévisions du modèle indiquent à nos gérants d'actifs s’ils doivent vendre ou acheter une action donnée. Grâce à nos tests rigoureux, nous avons confiance dans les résultats de notre modèle pour guider la prise de décision.

Mais les humains (nos gérants d'actifs) restent indispensables pour poursuivre le développement et le perfectionnement du modèle. Ils sont toujours nécessaires pour garantir le bon fonctionnement du modèle. Et ils sont également nécessaires pour préciser les contraintes du portefeuille. Par exemple, notre modèle fondé sur l’IA est une stratégie neutre en termes de facteurs, de secteurs et de zones géographiques. Toutes les recommandations boursières faites par le modèle pour la stratégie Quest AI-Driven doivent être mises en œuvre en tenant compte de ces contraintes. Et si les clients souhaitent des portefeuilles sur mesure, par exemple car ils ont une préférence géographique ou stylistique particulière, ces contraintes doivent également être prises en compte.

Quels sont les avantages pour le client?

Nous avons créé la stratégie Quest AI-Driven dans le but de développer une stratégie qui présente le même profil et le même niveau de risque que le marché dans son ensemble, tout en offrant un potentiel de performance supplémentaire. Même une performance annuelle supplémentaire modérée peut, au fil du temps, avoir un effet cumulatif considérable.

Mais contrairement aux stratégies gérées activement, qui visent également à surperformer le marché, notre approche fondée sur l’IA nécessite relativement moins d’interventions humaines, ce qui se traduit par des coûts de gestion moins élevés. En général, notre approche de l’IA coûte à peine plus cher qu’une stratégie passive, malgré l’expertise requise pour construire et maintenir le modèle.