L'essor des fonds spéculatifs basés sur l'IA
L'intelligence artificielle occupe une place de plus en plus importante dans la recherche, les opérations de trading et la gestion des risques des fonds spéculatifs. Preqin indique que le nombre de fonds utilisant l’IA a augmenté de 20% au cours des cinq dernières années. Cette technologie permet aux gestionnaires d’analyser davantage de données et de réagir plus rapidement, mais elle ne résout pas les problèmes les plus anciens liés à l’investissement : signaux peu fiables, transactions surchargées et changements soudains dans le comportement des marchés.
Les hedge funds ont toujours cherché à obtenir un avantage en matière d'information ou d'analyse. Certains s'appuyaient sur le jugement de sélectionneurs de titres expérimentés. D'autres ont mis au point des cadres macroéconomiques, des stratégies axées sur les événements ou des modèles statistiques.
L'intelligence artificielle s'inscrit dans la lignée de la tradition quantitative. Les systèmes d'apprentissage automatique sont capables d'analyser de vastes ensembles de données, de détecter des tendances et d'actualiser leurs conclusions à mesure que de nouvelles informations sont disponibles.
Cette capacité est particulièrement intéressante sur les marchés qui génèrent davantage de données que n'importe quelle équipe d'investissement humaine ne peut en analyser à elle seule.
Pour autant, traiter davantage d'informations ne revient pas à mieux comprendre les marchés. L'IA peut faciliter la recherche d'opportunités, mais la qualité de ses décisions dépend toujours des données, des objectifs et des hypothèses intégrés au système.
L'investissement quantitatif est apparu en premier
L'utilisation des ordinateurs dans la gestion des investissements est antérieure à l'engouement actuel pour l'intelligence artificielle.
Les fonds spéculatifs quantitatifs ont recours à des méthodes mathématiques et statistiques depuis des décennies. Ils recherchent des corrélations récurrentes entre les titres, les variables économiques et le comportement des investisseurs, puis transforment ces corrélations en règles de négociation.
Renaissance Technologies est devenue l'un des exemples les plus marquants. Ses fonds s'appuyaient sur de vastes ensembles de données et des modèles systématiques plutôt que sur des analyses d'entreprises classiques ou des prévisions de marché discrétionnaires.
Le succès de cette société a contribué à faire de l'investissement quantitatif un segment à part entière et très rentable du secteur des fonds spéculatifs.
L'IA représente une évolution de cette approche plutôt qu'une rupture totale avec celle-ci. Les modèles traditionnels partent souvent de relations sélectionnées par les chercheurs. Les systèmes d'apprentissage automatique peuvent examiner un ensemble plus large de variables et identifier des tendances avec moins d'instructions directes.
Cela élargit la portée de l'analyse. Cela peut également rendre la stratégie qui en résulte plus difficile à expliquer.
L'avantage lié aux données devient de plus en plus difficile à maintenir
Les premiers fonds quantitatifs ont tiré parti d'informations et de capacités informatiques dont la plupart de leurs concurrents ne disposaient pas.
Cet écart s'est réduit.
Les cours boursiers, les rapports d'entreprise, les données économiques et les ensembles de données alternatifs sont désormais accessibles à un plus grand nombre d'entreprises. Le cloud computing a permis de réduire le coût du traitement de l'information, tandis que des prestataires externes proposent des outils de learning automatique prêts à l'emploi.
Les obstacles à l'expérimentation ont disparu. Ce n'est pas le cas de ceux qui entravent la génération de rendements durables.
Lorsque plusieurs fonds analysent des données similaires à l'aide de modèles comparables, ils peuvent identifier la même opportunité. Des capitaux sont alors injectés dans la position, les cours s'ajustent et le rendement attendu diminue.
L'avantage ne réside plus dans le fait de disposer d'un algorithme, mais dans celui de disposer de meilleures données, d'une recherche plus approfondie et d'une exécution plus rapide.
Même les informations confidentielles ne conservent pas indéfiniment leur valeur. Dès que les concurrents se rendent compte qu'un ensemble de données particulier contient une information utile, ils chercheront à le reproduire.
L'IA peut accélérer la découverte. Elle peut également accélérer la disparition de l'opportunité ainsi découverte.
Les données alternatives élargissent le champ d'action
Les fonds basés sur l'IA sont capables de traiter des informations que l'analyse d'investissement traditionnelle pourrait négliger.
Les images satellites permettent d'estimer l'activité dans les usines, les ports ou les parkings des magasins. Les prix en ligne peuvent fournir des indices précoces sur l'inflation. Les données sur le transport maritime peuvent révéler des évolutions dans les flux commerciaux, tandis que les offres d'emploi peuvent indiquer où les entreprises se développent.
Le traitement du langage naturel permet aux fonds d'analyser à grande échelle les documents publiés par les entreprises, les conférences téléphoniques sur les résultats, les articles de presse et l'activité sur les réseaux sociaux.
Ces sources peuvent aider les dirigeants à identifier certaines tendances avant même qu'elles n'apparaissent dans les états financiers traditionnels.
Ils génèrent également un bruit important.
Le sentiment exprimé sur les réseaux sociaux peut être manipulé. Les observations satellitaires doivent être interprétées. Une augmentation des discussions en ligne peut refléter une controverse plutôt qu'une force commerciale.
Les données alternatives doivent donc être validées à l'aune des résultats économiques réels. Le caractère novateur d'un ensemble de données ne prouve pas pour autant qu'il contienne un signal rentable.
Plus un modèle utilise d'informations, plus il est nécessaire de distinguer les variations utiles des coïncidences.
Le mot « prédiction » reste un mot dangereux
On dit souvent que les fonds spéculatifs basés sur l'IA prédisent les fluctuations du marché avec une précision exceptionnelle.
Cette affirmation exagère les capacités de la plupart des systèmes.
Les modèles d'apprentissage automatique estiment généralement les probabilités en se basant sur les relations mises en évidence dans les données historiques. Ils peuvent ainsi constater que certaines combinaisons de prix, de volatilité et d'activité boursière ont déjà été suivies d'un résultat particulier.
Ces relations ne sont pas des lois de la nature.
Les marchés s'adaptent. Les investisseurs réagissent les uns aux autres, les réglementations évoluent et les régimes économiques changent. Dès qu'une tendance est largement reconnue, les opérations de marché elles-mêmes peuvent l'affaiblir, voire l'inverser.
Un modèle entraîné pendant une période de taux d'intérêt bas peut rencontrer des difficultés lorsque les coûts d'emprunt augmentent fortement. Les relations qui s'observent sur des marchés liquides peuvent disparaître en période de crise.
L'IA permet d'établir des prévisions plus détaillées et de les mettre à jour plus fréquemment. Elle ne peut toutefois pas garantir que la situation de demain correspondra aux données sur lesquelles elle a été entraînée.
Bridgewater illustre une autre utilisation
Bridgewater Associates est surtout connue pour ses stratégies d'investissement macroéconomiques systématiques plutôt que pour son activité de fonds spéculatif fonctionnant exclusivement à l'aide de l'intelligence artificielle.
Son processus d'investissement repose depuis longtemps sur des règles explicites, des relations économiques et une analyse approfondie des données. L'IA peut soutenir cette structure en aidant les chercheurs à examiner les informations, à tester des hypothèses et à surveiller le risque lié au portefeuille.
Cette distinction est importante.
Certains fonds spéculatifs ont recours à l'apprentissage automatique pour générer directement des transactions. D'autres l'utilisent comme un élément parmi d'autres au sein d'un cadre d'investissement plus large. L'IA peut faciliter la recherche, l'exécution ou la gestion des risques sans pour autant contrôler l'ensemble du portefeuille.
L'approche de Bridgewater montre comment la technologie peut venir renforcer une philosophie d'investissement bien établie plutôt que de la remplacer.
Un cadre clair peut également faciliter la remise en question des analyses automatisées. Lorsqu’une conclusion tirée par un modèle va à l’encontre de la perception qu’a le fonds de la conjoncture économique, les chercheurs peuvent alors examiner les raisons de cette divergence.
L'IA est particulièrement utile lorsqu'elle génère non seulement des réponses, mais aussi des questions.
La vitesse modifie l'équilibre des forces
Les systèmes d'apprentissage automatique sont capables de traiter de grands ensembles de données bien plus rapidement que des analystes humains.
Cela revêt une importance particulière dans les stratégies où l'information perd rapidement de sa valeur. Les fonds peuvent analyser un communiqué de résultats, en évaluer le ton et passer des ordres avant même qu'une équipe d'analyse traditionnelle n'ait achevé son examen.
Les algorithmes peuvent également surveiller des milliers de titres et ajuster les positions en fonction de l'évolution des cours, des corrélations ou de la volatilité.
Une telle rapidité ne constitue un avantage que si le signal est fiable et si les coûts d'exécution sont maîtrisés.
Effectuer des transactions trop fréquemment peut réduire les rendements en raison des frais, des écarts de cours et de l'impact sur le marché. Des réactions trop rapides peuvent également aggraver les erreurs si un modèle interprète mal les nouvelles informations.
Un faux signal sur lequel on réagit en quelques millisecondes reste un faux signal.
Les fonds spéculatifs doivent donc déterminer quelles opérations doivent être exécutées immédiatement et lesquelles doivent faire l'objet de contrôles supplémentaires.
Le modèle le plus rapide n'est pas forcément le plus rentable.
L'IA n'élimine pas les préjugés humains
Les partisans de l'IA affirment souvent que celle-ci permet de prendre des décisions d'investissement plus objectives en limitant le rôle des émotions et de l'intuition.
Cela peut limiter certaines erreurs comportementales. Un algorithme ne cède pas à la panique après une chute des marchés, ne s'attache pas à une entreprise préférée et ne modifie pas sa stratégie sous l'influence d'un PDG persuasif.
Mais les modèles reflètent les choix de leurs créateurs.
Les chercheurs sélectionnent les données, définissent l'objectif et déterminent comment le système doit trouver le juste équilibre entre rendement et risque. Ils déterminent également quelle période historique est pertinente et comment traiter les prévisions erronées.
Un biais peut donc provenir de la conception du modèle plutôt que des émotions du gestionnaire de portefeuille.
Il existe également un risque de « biais d'automatisation ». Les employés peuvent se fier à un système complexe simplement parce que ses résultats semblent scientifiques, même lorsque les hypothèses sur lesquelles il repose sont peu fondées.
Le jugement humain n'a pas disparu. Il s'est simplement déplacé vers la conception, l'interprétation et la supervision du modèle.
Les allégations relatives aux performances doivent s'appuyer sur des preuves plus solides
Selon des rapports du secteur, les fonds spéculatifs basés sur l'IA surperformeraient les fonds traditionnels de 5% en moyenne.
De telles comparaisons doivent être faites avec prudence.
La notion de « fonds géré par l'IA » n'est pas définie de manière uniforme. Un gestionnaire peut recourir à l'apprentissage automatique pour la construction de son portefeuille, tandis qu'un autre ne l'utilise que pour l'exécution des ordres ou le suivi des risques.
La performance dépend également de la stratégie, des conditions de marché, de l'effet de levier et de la période considérée.
Les fonds performants peuvent rendre publiques leurs méthodes, tandis que ceux qui ont échoué disparaissent des bases de données. Cela crée un biais de survie et peut donner l'impression que les performances historiques sont meilleures qu'elles ne l'étaient en réalité.
L'IA peut contribuer à une performance supérieure dans certaines stratégies. Elle ne constitue pas en soi un facteur de rendement.
Les investisseurs doivent comprendre comment cette technologie influe sur le processus d'investissement et déterminer si l'avantage invoqué a résisté aux coûts de transaction, à l'évolution des marchés et à la concurrence.
Le recours à l'apprentissage automatique ne doit pas entraîner un relâchement des normes en matière de diligence raisonnable.
Le risque lié au modèle devient un risque d'investissement
Tout fonds quantitatif est exposé au risque de modèle : la possibilité que sa représentation du marché soit incomplète ou erronée.
L'IA peut aggraver ce problème, car les systèmes complexes peuvent se comporter de manière difficile à prévoir.
Un modèle peut donner de bons résultats lors des tests parce qu'il a identifié des tendances fortuites dans les données historiques. C'est ce qu'on appelle le surapprentissage. La stratégie semble précise jusqu'à ce qu'elle soit confrontée à des informations qu'elle n'a jamais rencontrées auparavant.
Les modèles peuvent également se détériorer progressivement à mesure que les conditions du marché évoluent. Un signal peut rester rentable tout en perdant de son intensité, ce qui conduit le système à prendre davantage de risques pour obtenir le même rendement.
Les fonds spéculatifs doivent vérifier si les résultats réels restent conformes aux analyses initiales.
Une validation indépendante est indispensable. L'équipe chargée d'élaborer un modèle ne doit pas être la seule à décider de sa fiabilité.
Les gestionnaires ont également besoin de seuils clairs pour réduire leur exposition ou mettre fin à une stratégie.
On ne devrait pas défendre un modèle simplement parce qu'il est trop complexe pour être compris.
Les modèles très utilisés peuvent amplifier les fluctuations des marchés
Le développement du trading basé sur l'IA pourrait avoir des répercussions sur le comportement du marché au-delà des fonds individuels.
Si plusieurs modèles réagissent aux mêmes signaux, ils peuvent acheter et vendre à peu près au même moment. Cela peut entraîner une concentration des positions et des fluctuations brutales des cours lorsque la tendance s'inverse.
Une stratégie peut sembler diversifiée parce qu'elle négocie de nombreux titres. En réalité, ses positions peuvent dépendre du même facteur sous-jacent que celles détenues par d'autres fonds quantitatifs.
Cette concentration latente se manifeste en situation de stress.
Un désendettement forcé peut amplifier cet effet. Lorsque les pertes s'alourdissent ou que la volatilité augmente, les systèmes de gestion des risques peuvent exiger que plusieurs fonds réduisent simultanément leur exposition.
Chaque fonds peut agir de manière rationnelle selon son propre point de vue, tout en contribuant à l'instabilité de l'ensemble du marché.
L'IA n'est pas nécessairement à l'origine de ce comportement, mais une automatisation accrue et la similitude des modèles peuvent le favoriser.
Les responsables de la gestion des risques doivent donc tenir compte non seulement des données dont dispose leur propre système, mais aussi de la manière dont leurs concurrents pourraient réagir face à ces mêmes informations.
La gestion des risques est l'un des domaines d'application les plus importants
L'IA pourrait présenter des avantages plus évidents dans la gestion des risques que dans la prévision des marchés.
Ces systèmes permettent de surveiller les expositions d'un portefeuille, de détecter des corrélations inhabituelles et d'identifier les variations de liquidité. Ils permettent également d'analyser la manière dont des positions apparemment sans rapport entre elles pourraient réagir à un même choc.
L'apprentissage automatique peut également aider les fonds à tester un éventail plus large de scénarios et à identifier des vulnérabilités que les catégories de risques traditionnelles ne prennent pas en compte.
Le résultat doit encore être interprété.
Les données historiques peuvent ne comporter que peu d'exemples de perturbations graves du marché. Un modèle ne peut estimer la probabilité de pertes extrêmes qu'à partir des événements ou des hypothèses dont il dispose.
L'analyse de scénarios devrait donc inclure des situations qui ne se sont pas produites dans les données d'entraînement.
La gestion des risques n'est pas seulement un exercice statistique. Elle exige de faire preuve d'imagination pour anticiper les défaillances possibles des marchés, des contreparties et des infrastructures.
L'IA peut élargir l'éventail des éléments pris en compte. Elle ne peut toutefois pas définir toutes les crises plausibles.
Les compétences deviennent de plus en plus interdisciplinaires
L'investissement basé sur l'IA ne se limite pas aux ingénieurs en informatique.
Les équipes performantes allient des compétences en mathématiques, en informatique, en analyse des marchés, en construction de portefeuille et en gestion des risques. Un modèle techniquement sophistiqué peut s'avérer inefficace si ses concepteurs ne maîtrisent pas les coûts de négociation ou ne comprennent pas comment la liquidité du marché évolue en situation de tension.
Les professionnels de l'investissement doivent également disposer de connaissances techniques suffisantes pour remettre le système en question. Ils doivent comprendre comment les données ont été sélectionnées, ce que le modèle optimise et dans quels domaines ses conclusions sont les moins fiables.
La concurrence pour attirer ces talents coûte cher.
Les fonds spéculatifs recrutent au sein des entreprises technologiques, des universités et des cabinets de recherche spécialisés. Les rémunérations peuvent être très élevées, en particulier pour les collaborateurs qui allient une expertise en apprentissage automatique à une expérience des marchés financiers.
Les gestionnaires de plus petite taille peuvent avoir du mal à rivaliser avec les ressources dont disposent les grandes sociétés de gestion quantitative.
Les technologies externes peuvent réduire l'écart, mais elles ne peuvent pas se substituer à une compréhension interne. Un fonds qui s'appuie sur un système qu'il n'est pas en mesure d'évaluer s'expose à un nouveau risque opérationnel plutôt qu'à un avantage en matière d'investissement.
Les dépenses en technologie ne garantissent pas de rendement
Les investissements des fonds spéculatifs dans les technologies d'intelligence artificielle devraient atteindre $2 milliards d'ici 2025.
Ces dépenses peuvent contribuer à améliorer les infrastructures, la recherche et la mise en œuvre. Elles peuvent également servir à financer des projets qui ne déboucheront jamais sur une stratégie viable.
Les initiatives en matière d'IA peuvent échouer en raison de la mauvaise qualité des données, d'une question de recherche mal définie ou de l'incapacité du modèle à fonctionner efficacement sur les marchés réels.
Un test concluant ne tient pas automatiquement compte des coûts de transaction, des contraintes de capacité ou des changements de comportement des investisseurs.
Les fonds devraient donc évaluer les projets technologiques à l'aune d'objectifs d'investissement ou opérationnels clairement définis.
Un système destiné à réduire les coûts d'exécution peut faire l'objet d'une évaluation. Un modèle conçu pour améliorer la détection des fraudes peut être comparé aux contrôles existants. Une promesse générale de transformer la performance des investissements est quant à elle beaucoup plus difficile à évaluer.
La sophistication de la technologie n'a aucune importance si elle ne permet pas d'améliorer les rendements ajustés au risque ou de réduire un coût mesurable.
La gouvernance doit s'adapter à la complexité
Les fonds basés sur l'IA doivent assumer clairement la responsabilité de leurs modèles et de leurs résultats.
La direction doit savoir à quel niveau les décisions automatisées sont prises, quels systèmes permettent d'exécuter des ordres et quels contrôles limitent leurs pouvoirs.
Toute modification apportée aux modèles doit être documentée et testée avant leur mise en service. Les sources de données doivent faire l'objet d'un examen juridique et éthique, en particulier lorsqu'elles contiennent des informations à caractère personnel ou des données qui n'ont pas été collectées à des fins d'investissement.
La cybersécurité constitue un autre sujet de préoccupation. Les modèles et les ensembles de données propriétaires constituent des actifs précieux. Leur vol ou leur manipulation pourrait entraîner des pertes financières considérables.
Les fonds doivent également se préparer à d'éventuelles défaillances techniques. Les systèmes de négociation doivent être dotés de dispositifs de sécurité, de procédures d'intervention manuelle et de la capacité de fonctionner lorsque les services externes ne sont plus disponibles.
L'automatisation peut réduire les erreurs humaines dans les décisions courantes. Elle peut toutefois entraîner des erreurs plus graves lorsqu'un processus défaillant est mis en œuvre à grande échelle.
C'est la gouvernance qui détermine si la rapidité constitue un atout ou une vulnérabilité.
Les investisseurs doivent se poser d'autres questions
Les investisseurs institutionnels qui évaluent un fonds spéculatif basé sur l'IA devraient ne pas se limiter aux seuls arguments technologiques.
La question centrale est celle de la source du rendement.
Les investisseurs doivent comprendre quelle inefficacité du marché la stratégie exploite, pourquoi celle-ci devrait perdurer et ce qui pourrait entraîner sa disparition. Ils doivent examiner la qualité des données, la validation du modèle et les performances du fonds en dehors de la période utilisée pour son élaboration.
La taille du portefeuille a également son importance. Une stratégie peut fonctionner avec un capital limité, mais perdre de son efficacité lorsque les actifs augmentent et que les transactions influencent le marché.
Les investisseurs devraient se demander à quelle vitesse les modèles évoluent, qui approuve ces changements et comment les employés interviennent lorsque les résultats semblent déraisonnables.
Ils doivent également faire la distinction entre un véritable avantage concurrentiel et l'utilisation d'outils largement accessibles.
Une démonstration impressionnante ne saurait se substituer à un processus d'investissement pérenne.
L'avenir appartient aux fonds hybrides, et non aux fonds autonomes
Les investissements dans l'IA dans le secteur financier devraient continuer à croître rapidement. Gartner prévoit une croissance annuelle de 30%, bien que ce chiffre doive être vérifié et puisse s'appliquer à l'ensemble du marché des services financiers.
Au cours des trois à cinq prochaines années, l'apprentissage automatique devrait s'imposer comme un élément incontournable de la recherche et des opérations des fonds spéculatifs.
Cela ne signifie pas pour autant que les fonds entièrement autonomes vont s'imposer.
Les marchés sont des systèmes adaptatifs façonnés par les politiques, le comportement des institutions et des événements pour lesquels il existe peu de précédents historiques. Les stratégies purement automatisées peuvent afficher de solides performances, mais elles restent tributaires d'hypothèses susceptibles de se révéler erronées sans crier gare.
Le modèle le plus pérenne devrait associer une analyse automatisée à des recherches menées par des humains et à un suivi rigoureux.
Les algorithmes permettent d'analyser de vastes ensembles de données, de suivre les positions et d'exécuter des transactions. Les gestionnaires de portefeuille et les équipes chargées de la gestion des risques doivent déterminer si les corrélations identifiées sont économiquement pertinentes et si le fonds peut survivre lorsque celles-ci cessent de s'appliquer.
L'IA élargira l'éventail des signaux que les hedge funds peuvent exploiter. Elle accélérera également la vitesse à laquelle les stratégies sont copiées, suivies en masse et invalidées.
La technologie peut améliorer les mécanismes de l'investissement. Elle n'élimine toutefois pas la concurrence, l'incertitude ni les fluctuations du marché.
Pour les fonds spéculatifs, ces problèmes restent les plus épineux.
