Perspectives sur l’IA, l’apprentissage automatique et l’analyse prédictive dans la gestion des investissements

Utilisation stratégique de l’IA et de l’analyse prédictive

• L’IA et l’analyse prédictive rationalisent les processus, en créant des systèmes évolutifs qui fournissent des informations robustes, transparentes et responsables basées sur les données, tout en réduisant considérablement les coûts opérationnels.
• Les modèles d’apprentissage automatique excellent dans la découverte de relations complexes et non linéaires souvent négligées par l’analyse traditionnelle, identifiant efficacement des modèles dans des ensembles de données structurés et non structurés.

Amélioration du contrôle des données et de la prise de décision

• L’IA améliore considérablement l’extraction et la structuration des données du marché privé, telles que les accords de partenaires limités (LPA) et les formats PDF, améliorant ainsi les capacités de suivi des investisseurs.
• Les analyses pilotées par l’IA signalent de manière proactive les indicateurs de risque clés tels que les engagements des commandités, les clauses juridiques et les risques de liquidité, plus tôt et de manière plus fiable que les méthodes conventionnelles.
• Le succès dépend de la taille des échantillons, de la qualité des données sous-jacentes, de la précision de la modélisation et de la capacité à surmonter les obstacles techniques tels que l’extraction des caractéristiques des formats PDF.

Mise en œuvre de l’IA pour améliorer les performances

• Les algorithmes pilotés par l’IA contextualisent la performance des gestionnaires, ce qui permet aux investisseurs de mieux les évaluer et d’éviter les investissements prolongés avec des gestionnaires peu performants.
• La mise en œuvre de solutions d’IA pour la validation des frais, les examens de durée légale et l’analyse des portefeuilles réduit la dépendance à l’égard des consultants externes, réduisant les coûts et améliorant la précision et la transparence.
• Une intégration réussie de l’IA dépend d’une collaboration efficace entre les professionnels de l’investissement et les scientifiques des données. Les entreprises qui adoptent l’IA sur le plan culturel et pratique prendront des décisions d’investissement plus rapides, plus éclairées et plus justifiées.

Principales considérations relatives à la mise en œuvre de l’IA

• Les entreprises qui intègrent activement l’IA s’orientent vers une approche systématique et factuelle de la prise de décision, en veillant à ce que les actions d’investissement soient bien documentées, pondérées en fonction du temps et de la confiance, et vérifiables.

Réflexions sur les co-investissements et le modèle de collaboration

Émergence du modèle de collaboration

• Les co-investissements et les partenariats stratégiques constituent de plus en plus l’épine dorsale d’une approche collaborative de type « fonds unique », qui permet de réaliser des économies de coûts supérieures et de générer de l’alpha grâce à une coopération interne renforcée et à un déploiement optimisé du capital.

Croissance et stratégie du co-investissement

• Les volumes de transactions de co-investissement dépassent les accords traditionnels pour inclure des coentreprises, des accords de partage des revenus et des participations sélectives des partenaires généraux.
• Pour les investissements sur le marché privé, des stratégies flexibles de gestion des liquidités et des désinvestissements ciblés sont essentiels, car ils permettent d’atténuer la dépendance à l’égard de la synchronisation des marchés et de gérer les risques de concentration.

Maximisation de l’efficacité et de la génération d’alpha

• Les co-investissements permettent de réaliser d’importantes économies de frais et produisent systématiquement des rendements générateurs d’alpha, en éliminant les inefficacités et en évitant les doublons entre les équipes d’investissement.
• De solides capacités d’approvisionnement, des connaissances internes approfondies, un déploiement stratégique des talents et une gestion dynamique des risques sont essentiels pour les entreprises qui cherchent à obtenir le statut de partenaire privilégié et à tirer profit des économies d’échelle.

Stratégies de monétisation proactives

• La monétisation reste une priorité essentielle, en particulier lors de la sortie d’investissements arrivés à maturité par le biais de ventes structurées de participations du partenaire général, de dividendes en espèces ou de transactions sur le marché secondaire.
• Il est de plus en plus important d’élaborer des stratégies de « sortie » claires et réalisables dans le cadre des accords de partenariat initiaux afin d’améliorer la liquidité, d’optimiser les rendements et de rationaliser les cycles de vie des investissements.

Pérenniser le modèle de collaboration

Pour perfectionner et pérenniser ce modèle, les entreprises doivent privilégier trois approches clés :

1. Renforcer les partenariats : approfondir les relations qui améliorent l’efficacité opérationnelle et permettent aux entreprises de faire « plus avec moins ».
2. Améliorer l’agilité de la prise de décision : améliorer l’agilité interne, la rapidité et la coordination des processus de prise de décision afin de saisir les occasions d’investissement au moment opportun.
3. Augmenter les avantages du portefeuille : maximiser les économies d’échelle à l’échelle du portefeuille tout en préparant des plans de sortie structurés pour garantir une monétisation stratégique conforme aux objectifs de l’investisseur.

L’article Conseil mondial des investisseurs de l’AIMA est apparu en premier sur Finance et Investissement.

Nymbus Capital, une firme montréalaise de gestion d’actifs ayant développé une approche systématique et quantitative, est reconnu pour son expertise dans les stratégies à faible volatilité et décorrélées des indices traditionnels. « Cette collaboration vise à rehausser le potentiel de rendement global du Fonds Mageska tout en réduisant sa corrélation avec son indice de référence », indique-t-on.

Les deux entreprises affirment partager une vision commune de l’investissement, « alliant innovation, technologie et discipline pour offrir aux investisseurs des solutions performantes et durables ».

Fondée en 2022, Mageska Capital a développé un outil exclusif appelé M-LAB, qui intègre intelligence artificielle et machine learning. Il permet d’identifier les tendances du marché et facilite la prise de décisions, adaptées au contexte économique du moment.

Le Fonds Mageska a pour objectif d’améliorer le rapport risque-rendement d’un portefeuille diversifié. Il investit dans des Fonds négociés en Bourse (FNB) et son niveau de risque est de : moyen.

L’article Partenariat entre Mageska Capital et Nymbus Capital est apparu en premier sur Finance et Investissement.

La « Reine du Quant », comme elle est parfois appelée dans le milieu des fonds de couverture (Hedge Funds) aux États-Unis était l’une des invités, aux côtés de Chad Langager, PDG d’Alpha Layer, à l’occasion d’un webinaire organisé par CFA Montréal, le 17 mai dernier, et consacré à la gestion systématique en investissement.

Toujours brûlant d’actualité, le modérateur, conseiller senior en investissement chez Mercer Canada, Dario Morrone, n’a pu résister à la tentation d’amorcer la discussion en évoquant sa demande à ChatGPT au sujet des différences entre l’approche d’investissement fondamentale et celle systématique. L’agent conversationnel utilisant l’intelligence artificielle (IA) a souligné leur caractère distinct : l’approche fondamentale se concentrant sur l’analyse des facteurs économiques et financiers d’une entreprise, tandis que l’approche systématique reposait sur des modèles quantitatifs et des algorithmes.

Le robot a aussi proposé une définition plus fouillée de la dernière : « Celle-ci repose sur l’utilisation de modèles et d’algorithmes informatiques pour prendre des décisions d’investissement. (…) Les gestionnaires de portefeuille utilisent des techniques telles que l’analyse technique, l’analyse des séries chronologiques et l’utilisation de modèles prédictifs pour identifier des opportunités d’investissement. Cette approche met l’accent sur l’automatisation et l’objectivité des décisions d’investissement.»

« Oui, en gros je suis d’accord avec la définition », a répondu la PDG de Systematica Investments. « Mais au fond – plus en amont – c’est quoi la gestion d’investissements ? C’est le business d’utiliser des données pour prendre des décisions d’investissement conformément à certains critères : tolérance au risque, univers de placement, cibles précises, etc. En cela, c’est la même chose que l’investissement discrétionnaire : nous traitons de l’information pour prendre des décisions d’investissement. »

La différence principale a trait à comment l’information est traitée. L’approche systématique fait davantage appel, selon elle, à la technologie et aux outils à leur disposition pour articuler leur processus d’investissement. « Il y a tellement de données disponibles de nos jours que sans la technologie il serait très difficile de les traiter adéquatement. » Elle croit pour cette raison qu’il y a de la place pour une certaine convergence entre les deux approches. « Il y a d’ailleurs plus de gestionnaires discrétionnaires qui utilisent les services de Quants [analystes quantitatifs].»

Chad Langager, le PDG de Alpha Layer, croit aussi que cette convergence est bien engagée et que le milieu a déjà passablement changé, particulièrement ces dernières années avec le développement de l’IA et du ML (Machine Learning ou apprentissage automatique). « C’est beaucoup plus accessible avec de moins grandes barrières à l’entrée. »

Selon lui, les discussions ont eu lieu, notamment avec leurs clients et les firmes avec lesquelles il travaille, se poursuivent de façon plus marquée et ont même pris une tournure de type Quantamental [stratégie d’investissement mélangeant approche fondamentale et utilisation de l’AI et ML]. « Je crois que chaque groupe ou firme n’a pas intérêt à se cantonner dans un rôle donné, après tout, chacun essaie de tirer son épingle du jeu dans le marché et de procurer de meilleurs rendements sur l’investissement à leurs clients. »

Tous les bons investisseurs ont un côté systématique à leur processus, fait remarquer Leda Braga. « Prenez Warren Buffett, écoutez quelques-unes de ses vieilles entrevues, vous verrez à quel point il est systématique dans sa façon de voir les choses et d’approcher l’investissement. »

Elle croit qu’une approche systématique permet de traiter plus de données et ce faisant, d’en tirer un avantage. « On a tous entendu parler de l’histoire du type basé à New York qui payait un extra pour obtenir sa copie du Financial Times livré par jet au petit matin. C’est fini. Il n’y a pas plus d’avantages à cela. Les données sont aujourd’hui livrées instantanément et mondialement. Il existe même des algorithmes pour traduire les nouvelles chinoises ! »

Les capacités de négocier toutes sortes de classes d’actifs de façon électronique ne cessent également de se multiplier. « C’est un développement fantastique, à peu de frais, et plus transparent qui, avec la quantité de données disponibles, a participé à la création de conditions propices à l’investissement systématique », a-t-elle souligné.

L’IA dans le processus d’investissement

« L’intelligence artificielle ne date pas d’hier. L’expression IA a été créée en 1956, c’est donc dire que l’engouement que l’on observe actuellement s’est fait quelque peu attendre », précise Chad Langager d’Alpha Layer. La différence, selon lui, entre la programmation traditionnelle et celle dite de ML (Machine Learning ou apprentissage automatique) est l’inversion des rôles. « L’ordinateur ne se limite plus à exécuter des tâches, comme le traitement de données. Il apprend par des exemples et construit en quelque sorte les règles qui optimisent le traitement des données. »

En investissement systématique, l’idée est d’utiliser l’IA et le ML pour aider à soutenir et améliorer le processus humain de prise de décisions. Ce n’est pas nouveau, selon lui, car de tout temps les gens ont essayé d’utiliser les nouvelles technologies pour améliorer leurs investissements. « Pensons aux investisseurs hollandais qui, à l’époque du premier marché boursier, utilisaient un télescope pour voir les bateaux entrer au port et spéculer sur le prix des marchandises. »

Même si les possibilités semblent infinies, Leda Braga voit néanmoins quelques limites à l’IA sur le plan de l’automatisation de l’investissement – à l’image des véhicules autonomes. « Un fonds autopiloté, à qui l’on demanderait par exemple de négocier des actions mondiales et de procurer un niveau de volatilité de 8 %, avec un ratio de Sharpe de 2, en lui fournissant des données qu’il devrait traiter avec des algorithmes, est encore loin dans la pratique, voire inatteignable. L’étendue des données est trop grande et celles-ci trop aléatoires. »

Ce que l’investissement systématique ajoute cependant à la construction d’un portefeuille est, à ses yeux, de plus bas frais de gestion ainsi qu’une meilleure diversification. « Si vous jetez un œil à une base de données de types de fonds de couverture et que vous sélectionnez les fonds systématiques, vous verrez qu’ils sont naturellement non corrélés avec ceux discrétionnaires. Si bien que celui qui construit un portefeuille serait bien avisé de considérer cela comme une dimension bien réelle. » Ce sont là, selon elle, quelques-uns des aspects qui sont mis de l’avant pour convaincre les futurs clients du bien-fondé de l’approche quantitative.

« Pour certains moins au fait sur la nature de notre travail, cela passe par un travail d’éducation afin d’expliquer les tenants et aboutissants de nos processus d’investissement et démystifier notre approche, démontrer comment la technologie fonctionne », a expliqué Chad Langager. « Il n’y a aucune question à laquelle nous ne répondrons pas », renchérit la PDG de Systematica Investments. « Ce n’est pas une boîte noire, c’est même une boîte de verre, tout à fait transparente. » Tout notre processus décisionnel est structuré, codé et bien établi. « Toutes les vérifications sont faites au préalable (Due Diligence). Le contrôle est peut-être même plus serré », conclut-elle.

L’article La gestion systématique est apparu en premier sur Finance et Investissement.