Une sélection de titres par un modèle indépendant et l’utilisation d’un modèle quantitatif de pure intelligence artificielle, a dégagé une surperformance notable à l’un des derniers nés de la famille des fonds de la gamme Pictet AM. Ce succès a provoqué un engouement rare auprès des investisseurs. Le fonds a récolté plus d’un milliard d’euros d’actif en 14 mois…
Dans la recherche d’une route dans un voyage en voiture, la plus courte, la plus rapide ou encore la plus bucolique, le GPS utilise déjà l’intelligence artificielle. Malheureusement, il n’existe pas de GPS proprement dit en bourse pour dénicher la meilleure action de rendement ou de croissance. Car les données financières ne sont pas statiques (comme une route) et leur impact peut être aussi différent en fonction de la conjoncture. Créer un modèle de sélection d’actions efficace avec l’utilisation de l’intelligence artificielle peut-il marcher ?
Chez Pictet AM, l’expérience a été menée depuis quelques années et les premiers résultats sont probants. Depuis son lancement en mars 2024, la stratégie Quest AI-Driven Global Equities utilise cette technique.
En effet, l’équipe QUEST (Quantitative Equities & Solutions Team) a développé son propre modèle basé sur l’intelligence artificielle avec l’objectif de parvenir à la sélection des actions la plus optimale, pour générer, de façon systématique et progressive, une surperformance qui peut avoir un impact profond à long terme. Un différentiel de performance de 1,5 % par an après frais sur un indice actions internationales (MSCI World), ce sont plus de 15% de rendements supplémentaires en dix ans », commente David Wright, co-responsable de QUEST et responsable des investissements quantitatifs chez Pictet AM.
Mais avant d’atteindre de tels résultats, une quantité énorme de données, presque autant de tests, de la patience et plusieurs années de travail ont été nécessaire. « Pour chaque action et pour tenter d’isoler son potentiel de performance future, nous avons besoin d’un large éventail de données, à une fréquence élevée, sur de longues périodes que seule l’intelligence artificielle peut traiter, » explique David Wright.
Construire, former et surtout tester méticuleusement des modèles d’apprentissage automatique à partir d’un large arsenal de données, constitué entre autres des fondamentaux, de sentiment des analystes, des prix et de l’activité du marché est un travail de longue haleine. Le brassage de cette multitude de données, que seule l’IA est capable de traiter,, a permis d’analyser les marchés boursiers et de les mettre pratiquement en « boite , utilisant ces nouvelles capabilités afin de prédire avec autant de précision que possible l’évolution de ces marchés.
Et finalement, la mise en musique des composants qui déterminent les évolutions de chaque valeur, a abouti à la composition d’un portefeuille optimisé comprenant les titres les plus susceptibles d’offrir de la surperformance.
Ce portefeuille d’actions mondiales a aussi pour objectif de fournir une surperformance, indépendamment de l’étape du cycle économique et des marchés.
Mais il n’est pas facile de modéliser. Car les données financières sont en perpétuelle évolution et des données identiques peuvent mêmes faire pencher les cours des actions dans les deux sens. Logiquement, les mauvaises nouvelles économiques impactent négativement le marché, mais paradoxalement, elles peuvent aussi provoquer un effet positif dans d’autres circonstances. Par exemple, des données économiques médiocres peuvent favoriser des baisses de taux et la hausse des actions. Un modèle de prédiction doit pouvoir gérer de telles situations, mesurer leur impact selon les circonstances.
Un modèle qui évolue automatiquement dans le temps
Pour y parvenir, le modèle s’adapte, se corrige. L’utilisation du concept de machine learning s’est imposé. Cette technologie vise à apprendre aux machines à tirer des enseignements des données et à s’améliorer avec l’expérience, au lieu d’être reprogrammées afin de prendre en compte ces modifications. Avec cette technique, le modèle a gagné en efficacité et est capable de capturer les relations entre les données sur un large horizon historique, avec des tests rigoureux.
L’échelle du temps influence différemment
Il a été observé et considéré que chaque action est influencée dans un premier temps, par le sentiment des investisseurs plutôt que l’aspect fondamental. Cependant, le cycle macro-économique reprend le dessus à long terme. L’intelligence artificielle via le machine learning est capable d’estimer cet impact à court terme à travers une multitude de données, même la plus petite, dont chacune est pondérée, comme l’activité des marchés, les effets du calendrier, le positionnement des investisseurs. Exemple, une valeur entourée de pessimisme, avec une position vendeuse élevée et/ou avec de multiples avis négatifs d’analystes, va bénéficier d’un rebond plus solide avec l’effet de surprise en cas de bonne nouvelle (donc d’une meilleure performance). Le rebond sera plus violent que si elle avait déjà été choyée par les analystes.
Aux côtés de ces données macroéconomiques, les actions ont aussi leur propre univers, souvent encore plus complexe, rendant difficile la construction de modèles, avoue David Wright.
Le modèle d’aujourd’hui n’est peut-être pas celui de demain
Les échelles de temps ont été aussi décortiquées. Les caractéristiques qui influencent une action à court et à long terme ne sont pas les mêmes. « Nous croyons que, sur des horizons à court terme, le comportement des investisseurs plutôt que les fondamentaux de la société est le principal moteur des rendements boursiers . »
Le cygne noir
Cependant, malgré une collecte de données très large, certains événements restent imprévisibles et absents du modèle, c’est ce que l’on appelle le cygne noir… United Healthcare, la valeur américaine, en a été une illustration récente. La société a affronté plusieurs vents contraires dont l’assassinat de son manager, un événement évidemment imprévisible. L’action a immédiatement chuté. Lorsqu’un risque invisible et non quantifié apparait, la valeur est automatiquement retirée de la liste des valeurs.
Lancé exactement le 28 mars 2024, la stratégie Quest AI-Driven Global Equities, a connu un bon départ, avec une performance cumulée de 14,88% la première année versus 13,71% pour le benchmark MSCI World EUR. Fin mai de cette année, sur une année glissante, le fonds affichait une plus-value de 11,08 % contre 8,74 % pour son benchmark, soit 2,34 % de mieux. A noter que la surperformance s’est maintenue lors du retournement des marchés de ce printemps.
En tête de pont du portefeuille, il n’est pas étonnant de retrouver trois champions de l’intelligence artificielle aux perspectives hautes : Microsoft, Apple et Nvdia.
« Le franchissement rapide du cap du milliard de dollars de Quest AI-Driven Global Equities est impressionnant mais ce n’est pas la première stratégie chez Pictet Asset Management a l’avoir accompli Cependant, elles sont peu nombreuses à l’avoir fait », a spécifié Bruno Hellemans, Head of Distribution Belgium-Luxembourg chez Pictet AM.
Enfin, une nouvelle stratégie (long/short) utilisant la même technique a été ajoutée à la gamme, offrant un rendement absolu et une diversification, sans corrélation avec le marché boursier mondial.
