Comprendre la bulle boursière du Covid – Une réponse des modèles de Machine Learning

Partager sur facebook
Partager sur google
Partager sur twitter
Partager sur linkedin

La Fintech Ai for Alpha et la société de gestion Homa Capital se sont associées sur un projet de recherche afin d’apporter un éclairage sur les évolutions des marchés actions

 

 

Voir l’article complet

 

En 2020, les marchés boursiers ont connu un parcours totalement atypique dans l’histoire financière. Entre mi-février et mi-mars 2020, le S&P 500 s’est effondré de 34% en un mois pour récupérer l’intégralité de la baisse de marché en cinq mois puis afficher jusqu’à aujourd’hui un rebond insolent de 75% depuis ses plus bas, venant à présent dépasser les niveaux pré Covid de plus de 15%. Ce chemin singulier du S&P 500 comporte non seulement le krach le plus bref, mais aussi la reprise la plus vive de l’histoire mondiale des marchés. Ces mouvements sont d’autant plus inédits qu’ils ont été, pour une très large part, concertés sur tous les actifs risqués, du crédit aux actions, des marchés émergents aux devises et aux matières premières.

 

La déconnexion entre les mouvements boursiers et l’économie réelle interpelle. Tous les indicateurs de valorisation des marchés ont tourné au rouge et caractérisent aujourd’hui une exubérance de marché encore supérieure à celle qui prévalait lors de la bulle tech des années 2000 : l’indicateur de Warren Buffet (capitalisation boursière rapportée au PIB mondiale), de Shiller (cours des actions rapporté à la moyenne des bénéfices sur 10 ans ajustés du taux d’inflation) ou encore le rapport cours sur chiffre d’affaires[1] des indices boursiers.

 

L’exubérance des marchés est d’autant plus édifiante au regard des anecdotes récentes caractéristiques d’un emballement d’investisseurs à la recherche insatiable de gains importants à très court terme : liquidation forcée des positions vendeuses des Hedge Funds et hausse astronomique du cours boursiers de sociétés pourtant lourdement impactées par la crise du Covid, envolée des prix du Bitcoin pour une utilité sociale[2] faible et un impact environnemental controversé, émission record de ces véhicules vides (« SPACs [3]») qui collectent, de la part des investisseurs boursiers, un « chèque en blanc » pour mener à bien des opérations de rapprochement capitalistique avec des structures de frais opaques et souvent pénalisantes pour l’investisseur. Plus récemment encore, nous assistons à la jonction entre ces différentes bulles associant notamment le Bitcoin et Tesla, transition énergétique et rupture technologique : c’est le déterminisme nominatif qui explique désormais les perspectives boursières de plusieurs sociétés, en fonction de leur nom ou de leur simple appartenance à une catégorie à la mode.

 

Dans ce contexte que le jugement humain échoue à comprendre, Ai for Alpha, une fintech spécialisée dans les méthodes d’apprentissage machine appliquées à la gestion d’actifs, et Homa Capital, une société de gestion spécialisée dans la gestion crédit et l’allocation d’actifs, se sont associées et ont développé un projet de recherche afin d’apporter un éclairage sur les évolutions des marchés actions à l’aide d’outils à la pointe du Machine Learning. Plus précisément, plus de 150 facteurs ont été extraits et analysés quotidiennement : variables de prix (rendement, volatilité…), aversion au risque (volatilités implicites, spreads de crédit…), indicateurs techniques ou de sentiment comme le put/call ratio le comportement agrégé des actions individuelles constituant un indice, courbe de taux d’intérêts, variables financières comme les perspectives bénéfices ou de chiffres d’affaires des entreprises, ratios de valorisation financière ou encore indicateurs de surprise macro-économique. Il s’agit de mettre à jour les relations non linéaires éventuelles entre les krachs boursiers et les variables de différents types.

 

Contrairement aux approches statistiques traditionnelles qui sont utiles pour valider des hypothèses ou des intuitions de relations entre des variables et un résultat, les approches de Machine Learning n’ont aucun a priori sur les relations éventuelles entre les variables analysées et le résultat à prédire : la probabilité de krach des marchés boursiers sur un horizon de 15 jours. Cette approche est très adaptée pour comprendre la dynamique des marchés boursiers pendant la crise du Covid à la lumière des indicateurs analysés.

 

Notre projet, qui est expliqué dans un article plus détaillé[4], utilise une technique de fouille de données phare en apprentissage automatique supervisé : les arbres ensemblistes de décision à apprentissage par descente de gradient. Il s’agit de constituer un ensemble de modèles apprenants et de les pondérer afin de classifier des données à partir des 150 facteurs analysés. A chaque itération de l’analyse, la variable qui discrimine le mieux les régimes de krachs boursiers est sélectionnée et la prédiction de classification des krachs boursiers, issue de l’étape précédente, est améliorée récursivement. La contribution de la recherche est multiple :

 

– Pour la première fois, une technique d’arbres ensemblistes par apprentissage par descente de gradient a été mise en œuvre pour anticiper les krachs boursiers ;

– Le projet a permis de mettre au point une technique de sélection des facteurs les plus explicatifs qui permet de ne conserver qu’un tiers environ des facteurs. Nous montrons que la sélection parcimonieuse des facteurs est une étape clé pour améliorer le caractère prédictif de l’algorithme.

– Nous comparons cette approche à d’autres méthodes d’apprentissage automatique comme des modèles de deep learning avec architecture dense ou avec LSTM et montrons que l’approche utilisée domine les autres en termes de performance mesurée par les courbes ROC.Enfin, nous utilisons une méthode d’analyse de la contribution des facteurs (valeurs Shapley) qui permet de donner des clés de compréhension du modèle. Ainsi, le krach des marchés et la bulle qui s’en est suivie peuvent être expliqués à l’aide des relations qui ont été identifiées par le modèle.

 

 

Nous avons donc calibré le modèle de Machine Learning de 2003 à 2018. Le modèle est ensuite testé sur les données de marché réelles en dehors de l’échantillon de calibration du modèle.

 

Nous constatons que la probabilité de krach identifiée par le modèle est prédictive en février-mars 2020 et permet d’anticiper le krach des marchés boursiers. De plus, le modèle change son positionnement à partir du mois d’avril 2020 (la probabilité de krach diminue). Malgré une hésitation exprimée à la fin du mois d’octobre (juste avant l’incertitude associée à l’élection présidentielle américaine), le modèle est resté positif sur le S&P 500 tout au long de l’année 2020.

 

Enfin, nous fournissons une compréhension des relations identifiées par le modèle grâce aux valeurs de Shapley du modèle. Ainsi, dans le cas du S&P 500, l’augmentation du P/E est un indicateur qui diminue la probabilité de krach sur le S&P 500. En effet, l’augmentation du P/E traduit un cycle d’anticipation d’amélioration économique et de perspectives bénéficiaires des entreprises. Le modèle cherche plutôt à identifier des régimes porteurs ou au contraire négatifs pour les marchés. De même, l’augmentation des taux à long terme traduit, selon le modèle, une amélioration des perspectives économiques et par la même, des conditions de marché positives pour les actions. Il est de même sur l’évolution des métaux industriels. Cependant, d’autres variables sont utilisées par l’approche avec un point de vue contrariant. Ainsi, la diminution du put/call ratio traduit un environnement complaisant avec des investisseurs insuffisamment protégés contre les baisses : la baisse du put/call ratio est donc associée à une augmentation de la probabilité de krach. Le même raisonnement contrariant est utilisé vis-à-vis des indicateurs d’évolution de prix domestiques dont les exagérations à la hausse sont utilisées pour anticiper les corrections des actions.

Importance marginale des facteurs par ordre d’importance et nature de la relation avec la probabilité (corrélation négative avec les krachs boursiers en vert, corrélation positive en rouge)

 

La démarche de décryptage du modèle peut être aussi utilisée localement à chaque date pour analyser les contributions des différentes variables et comprendre le signal du modèle à chaque date. Juste avant la crise du Covid, le modèle anticipe un krach avec une probabilité de 61%. Les principaux facteurs conduisant à cette anticipation sont la baisse des taux, la chute des métaux de base, la baisse des bénéfices des entreprises et le faible niveau de couvertures contre la baisse des marchés utilisé par les investisseurs. Au contraire, en août 2020, le modèle anticipe une faible probabilité de krach de 6%. Un certain nombre de facteurs haussiers prédomine, notamment la baisse des taux réels américains, la hausse des P/E anticipés par les analystes, le rebond des métaux de base et l’amélioration des perspectives de chiffre d’affaire des entreprises.

 

Sous l’impulsion des interventions monétaires de la Réserve Fédérale et de la relance budgétaire sans précédent, l’aversion au risque s’est détendue, les taux réels ont chuté, le sentiment des investisseurs s’est amélioré. Ce sentiment positif des marchés est aussi associé à un rebond du cycle industriel, une amélioration des indicateurs de surprise économique et donc des perspectives plus favorables sur l’économie réelle. L’interventionnisme public, les plans de sauvetage à répétition et les chèques budgétaires destinés à endiguer les effets négatifs de la crise du Covid ont permis d’éviter des défauts et sont responsables de la frénésie spéculative qui prévaut aujourd’hui sur les marchés. Il n’en demeure pas moins, qu’à court terme, la perspective de la réouverture économique, l’amélioration du cycle des matières premières et le rebond industriel constituent le moteur principal de la hausse actuel des marchés.

 

Cela ne signifie pas que les marchés vont monter au ciel et qu’il faille ignorer « l’exubérance irrationnelle des marchés ». Cependant, c’est en comprenant les mécanismes qui guident l’évolution des marchés que nous serons le plus à même d’identifier le moment critique d’implosion de la bulle.

 

Contribution marginale standardisée des facteurs en date du 2 mars 2020.

 

Contribution marginale standardisée des facteurs en date du 3 aout 2020.

 

[1] Ultra-Simple Shiller’s CAPE: How One Year’s Data Can Predict Equity Market Returns Better Than Ten, the journal of Portfolio Management

[2] Morningstar – SPACs : Be Careful

[3] FT – Nouriel Roubini: bitcoin is not a hedge against tail risk

[4] Is the Covid equity bubble rational? A machine learning answer.

 

 

A propos d’Ai For Alpha :

Ai for Alpha est une société de logiciels financiers spécialisée en machine learning pour aider les gérants sur les problématiques d’allocation d’actifs.

Notre solution consiste à trouver la meilleure allocation en s’adaptant de manière dynamique à l’évolution des conditions de marché.

L’objectif est d’anticiper les changements de régime et s’adapter à l’environnement de marché afin de déterminer le timing optimal d’investissement.

Nous travaillons avec des gestionnaires d’actifs, des banques et des conseillers en investissements.

Nous fournissons des indicateurs quotidiens et les allocations en temps réel sur les stratégies données, ainsi que les explications des résultats du modèle.

Plus d’informations sur www.aiforalpha.com

A propos d’Homa Capital :

HOMA CAPITAL est une société de gestion indépendante agréé par l’AMF début 2011. Les moyens mis en œuvre lui permettent de compter sur le soutien significatif d’Investisseurs Professionnels qui représentent plus de 90% de son encours. La société bénéficie de ressources quantitatives propriétaires qui fournissent à ses gérants un signal continu sur plus de 500 marchés.

En termes de gestion, les portefeuilles obéissent à un processus itératif qui conjugue des inductions fondamentales et quantitatives à des fins de stratégies Obligataires, Multi-Actifs et Overlay.

Depuis toujours, les équipes d’HOMA CAPITAL consacrent d’importants moyens à la recherche ; celle-ci donne lieu à des publications et à la création d’indices de marché en partenariat avec des banques d’investissement ou des fintech.

Ces dernières années, l’ESG et les Actions sont au cœur des efforts de recherche et développement.

Plus d’informations sur www.homacapital.fr