L’intelligence artificielle révèle des tendances auparavant invisibles sur les marchés financiers, des modèles qui stimulent la performance des investissements. Pourtant, dans un monde de révolution technologique effrénée, les algorithmes sophistiqués d’apprentissage automatique sur lesquels s'appuient ces moteurs d’IA ne peuvent pas rester statiques. Les investisseurs doivent avoir la certitude qu’ils sont conçus pour s’adapter à des technologie, des données et des marchés en constante évolution.
Bien maîtrisée, cette approche peut générer des rendements largement supérieurs à ceux d’un indice actions de référence, pour un coût supplémentaire modeste.
Plus fort, plus performant, plus rapide
Prenez Quest AI, par exemple. Depuis son lancement en juillet 2023, la stratégie a surperformé son indice de référence, grâce aux analyses puissantes que cette approche produit sur les facteurs qui sous-tendent les cours des actions. Ces résultats n’ont été possibles que grâce à la capacité d’adaptation du modèle d'investissement sous-jacent, qui a su absorber le volume croissant de données entrantes et la complexité technologique .
Les investisseurs traditionnels s’appuient généralement sur des règles familières pour expliquer les moteurs de performance des actions. Ces règles sont raisonnablement efficaces pour expliquer des tendances générales et à long terme. Mais, pour les entreprises prises individuellement et sur des horizons plus courts, de nombreux facteurs différents et simultanés peuvent faire évoluer les cours. Nous en comprenons certains, qui peuvent être liés à la vitesse de diffusion de l’information, à la psychologie des investisseurs ou à l'organisation des échanges sur le marché. D’autres sont plus difficiles à repérer ou à décrire.
C’est là que l’IA entre en jeu. Au lieu de partir de quelques idées présélectionnées, nous fournissons au modèle une description très riche de plusieurs milliers d’entreprises, couvrant de nombreux types d’informations. L’IA se replonge ensuite dans l’historique de performance pour apprendre quelles informations ont compté à quel moment, et comment elles interagissent entre elles. De cette façon, le modèle peut saisir un mélange équilibré d’influences bien connues et de schémas plus subtils, difficiles à repérer pour les investisseurs humains.
Compte tenu de cette complexité, il a fallu considérablement étendre l’infrastructure technologique qui la soutient. C’est un processus évolutif qui ne s’arrête jamais. Les dernières innovations en matière d’IA, et plus généralement en informatique, font l'objet d'une évaluation constante visant à déterminer ce qu’elles pourraient apporter à cette approche dans le futur, qu’il s’agisse des grands modèles de langage (LLM) ou de l’informatique quantique. Cela implique aussi de garder une longueur d’avance sur le reste du marché – la plupart des investisseurs quantitatifs n’ont pas encore intégré l’IA de manière significative dans leurs processus, selon une récente enquête de Bloomberg Research. (voir Fig. ci-dessous)https://assets.bbhub.io/promo/sites/33/Bloomberg-Research-Data-Roadshow-Survey-Booklet_2025_FINAL.pdf.
Lorsque nous avons lancé notre stratégie long-only pilotée sur l’IA, le processus s'appuyait sur environ 200 caractéristiques, qui consistaient en autant de séries de données évaluant une donnée ou un indicateur d’une action au fil du temps. L’algorithme analysait leurs interdépendances complexes pour isoler les signaux, qui sont ensuite utilisés pour améliorer la performance du stock-picking. Depuis, le nombre de caractéristiques a doublé et le nombre de point de données a été multiplié par plus de dix pour atteindre plusieurs milliards. Ces caractéristiques étendues comprennent des mesures plus affinées du sentiment des analystes, telles que la rapidité avec laquelle ils révisent leurs prévisions de bénéfices, la dispersion de ces prévisions à Wall Street ou la fréquence à laquelle les objectifs de cours sont mis à jour, ainsi que des indicateurs à haute fréquence de l'activité de trading, comme les variations de la liquidité au cours de la journée.
Ce traitement de données spectaculaire n'a été possible que grâce à une augmentation tout aussi massive de la puissance de calcul. Par exemple, le nombre d’unités centrales de traitement (CPU) utilisées pour le calcul de notre modèle est passé d’un peu moins de cent à plus de trois mille. Le nombre de serveurs a quant à lui plus que doublé et le nombre de processeurs graphique (GPU) a quadruplé. En termes de puissance de calcul, c'est comme passer de 7 à 120 Playstation 5 (la référence en matière de graphisme de jeu vidéo complexe). L’amélioration de la capacité de nos GPU réduit considérablement le temps nécessaire à l'entraînement de nos modèles, ce qui nous permet de mener plus d'hypothèses et d’apporter des améliorations beaucoup plus rapidement.
Internaliser une telle capacité de traitement offre un avantage considérable: ne pas dépendre des fortes hausses de prix imposées par les entreprises de cloud et autres fournisseurs externes, alors que la demande pour l’informatique de pointe explose.
Enquête Bloomberg* réalisée auprès de professionnels de la recherche en investissement à qui la question suivante a été posée «Où en êtes-vous dans votre parcours d’IA générative?»
*149 réponses, enquête réalisée entre avril et novembre 2025. Source: Bloomberg.
Le langage dans son ensemble
Il y a eu beaucoup de bruit autour de l’utilisation de grands modèles de langage (LLM) dans le but d'améliorer la sélection de titres. Pour s'en assurer, il suffit de voir le volume croissant d'études qui montrent qu'ils sont capables de déduire le sentiment à partir des actualités pour créer des signaux d’investissement. Pourtant, jusqu’à présent, nous ne les avons pas trouvé utiles pour notre stratégie Quest AI. Compte tenu de notre horizon d’investissement, qui est rarement supérieur à quelques semaines, la plupart des contenus prédictifs que l'on trouve dans les actualités sont étroitement liés aux annonces de résultats et aux commentaires des analystes, qui sont déjà traités par notre algorithme. Ainsi, malgré un volume considérable d’informations à extraire des actualités, nos propres signaux propriétaires sont aujourd'hui plus efficaces que les signaux de sentiment générés par des LLM.
Nous avons constaté que l’expertise avec laquelle nous avons conçu notre modèle et traité nos données nous a permis de garder une longueur d’avance sur ce que les LLM sont capables de faire. Les LLM sont conçus pour comprendre et générer du texte. Ils peuvent même produire des preuves mathématiques complexes, car les mathématiques sont, au fond, un système linguistique formel. En revanche, les marchés ne sont pas régis par des concepts mathématiques fixes. Ils reposent plutôt sur des comportements humains adaptatifs, sur la concurrence, sur des boucles de rétroaction et sur des contraintes. Il y a un autre problème avec les LLM: lorsqu’on les utilise pour backtester des modèles, ils ont tendance à intégrer des informations qui ne sont pas disponibles sur la période testée, ce qui fausse les résultats. Dès lors, même si les LLM sont de puissants outils d’analyse des informations, ils sont mal adaptés pour prédire les performances des actions, avec les contraintes du monde réel.
Nous suivons toutefois également de près l'évolution de ces technologies et nous nous tenons prêts à utiliser des LLM s’ils s’avèrent capables de générer de nouveaux signaux prédictifs.
De plus, nous utilisons des LLM, qui nous aident à produire des commentaires sur le portefeuille ainsi qu'à générer du code plus efficacement, à créer des présentations et à rassembler des supports de recherche, mais toujours au sein de systèmes isolés afin de garantir que les informations propriétaires ne fuient pas dans la sphère publique.
Un avenir agentique?
L'univers de l’IA connaît actuellement une évolution majeure avec la montée en puissance des agents d’IA, des systèmes automatisés capables d’interpréter des instructions complexes et de les exécuter de manière indépendante. Si l’IA est capable de faire apparaître des tendances cachées sur le marché pour révéler des opportunités d’investissement, l’IA agentique peut aller encore plus loin. Elle peut rendre le processus d’investissement lui-même plus efficace, en contrôlant les coûts tout en mettant en œuvre les informations issues de l’IA de manière cohérente.
Jusqu’à présent, il s'agit plus d'une promesse que d'une réalité. Cela dit, les experts du secteur s’attendent à voir des applications atteindre un niveau fonctionnel au cours des deux prochaines années.
Pour Quest, l’IA agentique permettrait probablement de rationaliser à la fois les reporting et la génération d’idées. Le secteur des services financiers a déjà lancé des projets visant à automatiser le travail des analystes juniors dans les banques d’investissement, tels que la génération de modèles de valorisation, la préparation de présentations ou la standardisation de documents.
Au bout du compte, on peut imaginer des agents également capables d'aider à trouver des idées d’investissement, notamment en extrayant rapidement des informations clés de nouvelles recherches académiques. Les humains auront toujours un rôle à jouer. Ils ne pourront certes pas rivaliser avec les machines sur la vitesse et les capacités de traitement de données, mais ils devront veiller à ce que les systèmes autonomes fonctionnent comme prévu.
Encore et encore
L'intérêt d'utiliser des modèles d’IA pour optimiser les choix d’investissement est de plus en plus clair. Toutefois, les investisseurs finaux doivent également tenir compte du rythme des changements technologiques et de l’expansion des sources de données qui affectent ces modèles. Tout modèle piloté par l’IA doit être adaptable. Cela signifie que les personnes à l'origine du modèle doivent être à la fois agiles et au fait des toutes dernières technologies.
Une grande partie des progrès de notre équipe proviennent de sources inattendues. Ces heureux hasards reposent cependant sur un travail acharné et sur un mode de pensée flexible. La culture est essentielle. Ce mot désigne ici la capacité à donner la priorité à l’apprentissage continu, à l’expérimentation et au partage des connaissances.
Des processus flexibles et une compréhension technique approfondie nous permettent de nous repositionner rapidement sur de nouvelles opportunités ou de relever les défis lorsqu’ils surviennent. Par exemple, nous avons élargi l’ensemble de fonctions de notre modèle pour intégrer des révisions plus complètes des estimations des analystes et des signaux de marché. Parallèlement, nous avons repris la conception du matériel destiné à l'exploitation en triplant la complexité du modèle et en passant à des CPU et GPU internes dédiés. La stratégie pourra ainsi absorber le volume supplémentaire d’informations sans que le risque ou le coût augmentent pour nos clients.
Il ne s’agit pas seulement de réagir aux tendances, mais aussi de les façonner. Aujourd’hui, avec l’avènement de l’IA, nous changeons à nouveau de pied en redéfinissant l’interface homme-machine pour faire de l’IA une extension fluide de la créativité humaine. Nous acceptons les risques associés à une adoption précoce, car rester immobile coûte bien plus cher.
De plus, bien que l’IA soit notre priorité actuelle, notre approche n'est pas axée sur une technologie particulière: si nous trouvons de meilleurs outils capables d'extraire des performances excédentaires pour les investisseurs, nous les adopterons. Notre équipe a fait preuve, à maintes reprises, de sa capacité à savoir quand changer de cap et comment mettre en œuvre ces réorientations de manière efficace. Nous sommes fermement convaincus qu'il en sera encore de même avec l'arrivée de nouveaux outils et méthodes, ce qui nous permettra de continuer à récompenser nos investisseurs.
