L’IA, alliée ou concurrente de l’Asset Management ?

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

On a assisté depuis le début des années 2010 à l’émergence de nouvelles technologies d’Intelligence Artificielle. Cette dernière, a participé à l’essor de la finance quantitative, avec la multiplication des fonds systématiques. D’abord utilisé par les professionnels de l’investissement, les stratégies multi-factorielles se sont démocratisées avec l’apparition des robo-advisors.

 

Voir l’article initial, de Jean-Régis de Vauplane

 

Ces logiciels promettent une analyse complète des données disponibles, et un conseil personnalisé d’investissement aussi qualitatif que le ferait un humain. Plus besoin de payer des professionnels de l’investissement, l’IA s’occupe de tout ! Pourtant, 5 ans après leur émergence, ces solutions peinent à s’adresser au plus grand nombre. Preuve de leur limite : il n’y a jamais eu autant d’argent géré par des SGP, et autant de SGP en France !

 

Jusque là, si l’IA a pu apparaître dans un premier temps comme une menace, cette-dernière semble bien contenue. Mais la menace se situe-t-elle vraiment de ce côté là ? Si les encours de l’Asset Management continuent structurellement de croître, on observe deux dynamiques différentes en son sein. Aussi, pour la première fois en 2020, il y a eu plus d’argent placé dans la gestion passive que la gestion active. Pourtant il y a 30 ans, la gestion active gérait encore 95% des encours. Que cela signifie-t-il ? Cela signifie que la gestion indicielle attire de plus en plus, et ceci grâce à des frais de gestion ultra-compétitifs. Si jusqu’alors elle était réservée aux professionnels ou quelques investisseurs avertis, elle commence à faire ses gammes auprès du grand public. C’est tout le pari d’un startup comme Nalo, qui se positionne comme un robo-advisor spécialisé sur la gestion indicielle. L’IA est alors utilisé comme un moyen pour gagner en productivité dans les process, et donc en compétitivité.

 

C’est cette révolution qui s’annonce aujourd’hui au sein de l’asset management fondamental. Comment utiliser les nouvelles technologies pour en faire des armes à leur service, qui permettent de faire face à la pression sur les fees exercée par la gestion passive ?

 

 

Un process d’investissement inchangé pour la gestion active fondamentale

 

Le process de recherche fondamental, dans le monde de la gestion d’actif, n’a pas beaucoup évolué ces 30 dernières années. La principale variable qui a bougé, c’est la quantité de données à analyser, et la diversification des sources de données.

 

La masse d’informations à traiter, accentuée ces dernières années par l’alternative data et les données ESG, poussent les asset managers à trouver des solutions pour traiter plus rapidement, mais tout aussi qualitativement les données qu’ils ont à disposition. Si le traitement de la donnée financière classique est relativement bien balisé par de nombreuses solutions, ce n’est pas encore le cas de la donnée extra-financière, non structurée.

 

C’est bien sur ce dernier point que l’IA en général, et le NLP / OCR en particulier, ont un rôle à jouer. le Natural Language Processing (NLP) pour automatiser le traitement de texte, ou encore l’Object Character Recognition (OCR) pour traiter les graphiques et les tableaux. Ces deux technologies, apparues dans les années 2010 ont tous les atouts pour faire leur trou dans la finance, gourmande en données textuelles, graphiques et tableaux.

 

En effet, elles semblent en mesure d’aider les fund managers et analystes à traiter de manière qualitative de la donnée extra-financière en grande quantité. Ce faisant, l’intérêt est double : gains de temps, mais aussi élimination d’un certain nombre de biais cognitifs dans la sélection de l’information. En effet, un humain, dans son process de recherche d’investissement, devra irrémédiablement filtrer les informations, et sélectionner celles qui à ses yeux sont les plus pertinentes. Pourtant, ce filtre n’est pas sans biais. Le recours à un algorithme pour l’assister dans cette tâche permet donc aussi d’améliorer qualitativement le process.

 

La croissance du nombre de sources de données entraîne l’émergence de nouvelles applications qui se basent sur l’Intelligence Artificielle. Les gestionnaires de portefeuille et les analystes, qui jusque maintenant passaient manuellement au crible de grands volumes de données non structurées, peuvent désormais tirer parti de la puissance d’outil se basant sur le traitement du langage naturel (NLP) et l’Object Character Recognition (OCR) pour simplifier leurs tâches.

 

Recueillir et analyser des informations à partir d’articles de presse, de rapports de brokers, de rapports ESG, d’états financiers, de pitchs et de présentations, de mails, et des terminaux de données est un effort herculéen qui prend beaucoup de temps. En effet, il faut à chaque fois nettoyer la donnée, agréger les sources, faire de la (re)saisie manuelle, enchaîner les “control+f “, etc. Les nouveaux outils d’extraction de données basés sur l’IA permettent d’automatiser en grande partie ces tâches chronophages à faible valeur ajouté.

 

Les solutions d’IA qui commencent à émerger ont pour objectif d’extraire de toutes les sources de données les insights les plus pertinents, en un temps record. Ces outils restent des aides permettant “d’augmenter” le gérant. Il gagne en productivité et en qualité dans son travail, et peut se concentrer là où il a le plus de valeur : l’analyse des données filtrées, agrégées, et nettoyées, pour ensuite prendre une décision d’investissement éclairée.

 

 

La donnée ESG, nouvelle problématique, nouveaux outils ?

 

Aujourd’hui, la plupart des entreprises cotées sont notées sur leur performance environnementale, sociale et de gouvernance (ESG). Les entreprises communiquent généralement chaque année leurs principales initiatives ESG sur leur site web sous forme de documents PDF. Des sociétés se sont également spécialisées dans la collecte et la production de ce type de données, qu’ils revendent ensuite aux fonds d’investissement.

 

Les fonds ont ensuite un travail conséquent d’étude des données ESG. Les décisions d’investissement peuvent dépendre de ces notations, et il faut donc veiller à traiter les informations avec soin. En général, les notations ESG plus élevées sont positivement corrélées à la valorisation et à la rentabilité, tout en étant négativement corrélées à la volatilité.

 

Malgré un poids prépondérant et croissant des données ESG dans la décision d’investissement, ces rapports et notations, qui sont mis à disposition par des fournisseurs tiers, ne sont pas uniformes, contrairement aux autres états financiers. Les prestataires ont tendance à avoir leur propre méthodologie pour déterminer les notations. Le format d’un rapport ESG varie d’un fournisseur à l’autre, ce qui complique le processus d’interprétation et d’analyse de ces rapports. Par exemple, Bloomberg couvre arbitrairement 120 indicateurs ESG – des émissions de carbone et des effets du changement climatique à la rémunération des dirigeants et aux droits des actionnaires. Les analystes ESG passent des heures de recherche à lire des rapports et à gérer des rubriques d’analyse complexes pour évaluer ces mesures, avant de prendre des décisions d’investissement éclairées.

 

Les outils de nettoyage des données et de traitement du langage naturel (NLP) peuvent extraire des informations concises, telles que les principales initiatives ESG à partir de documents PDF, et réduire considérablement la quantité de texte à lire. Le NLP peut également aider à extraire des ratios, ou consolider les rapports en bribes d’informations bien définies qui peuvent ensuite être intégrées à des modèles analytiques, y compris des évaluations des risques de marché.

 

 

Conclusion

 

La gestion active se trouve aujourd’hui dos au mur face à la gestion passive qui gagne chaque année des parts de marché. L’émergence de nouvelles technologies permettant des gains de productivité, et une amélioration des rendements apparaît comme une opportunité à ne pas manquer pour rester dans la course pour les prochaines décennies. Certains acteurs l’ont bien compris, et déjà des départements systématiques commencent à collaborer avec des départements fondamentaux au sein de grands asset managers afin de trouver le meilleur des deux mondes : une automatisation des tâches à faible valeur ajoutée, et un recentrage de l’humain sur là où il peut battre la machine.