L’apprentissage automatique est de plus en plus utilisé pour déceler les inefficacités sur les marchés des petites et moyennes capitalisations. Cependant, si davantage d’investisseurs utilisent la même technologie, il pourrait devenir plus difficile de générer de l’alpha.
Depuis l’introduction de la directive MiFID II en 2018, la couverture des petites et moyennes capitalisations par les analystes a diminué, ce qui a accru les inefficiences dans ce segment. C’est précisément dans ces parties moins efficientes du marché que les investisseurs voient des opportunités pour des stratégies pilotées par la technologie.
De nombreux investisseurs en petites capitalisations utilisent désormais l’IA ou l’apprentissage automatique (machine learning ou ML) pour identifier des opportunités et soutenir les décisions d’investissement des gestionnaires de portefeuille. Invesco, DPAM et Robeco, entre autres, déploient la technologie pour analyser de plus grandes quantités de données afin de trouver plus rapidement des petites capitalisations prometteuses dans le cadre de stratégies quantiques existantes.
« Nous pouvons faire plus avec la même équipe », a déclaré Michel Bourgon, gestionnaire de fonds chez DPAM, lors d’un entretien avec Investment Officer.
Chez Robeco, l’apprentissage automatique est utilisé pour déterminer de manière dynamique quelles caractéristiques sont importantes pour les actions individuelles. Sur cette base, le modèle sélectionne des petites capitalisations qui peuvent ensuite être intégrées dans le NextGen Global Small Cap ETF, récemment lancé. « Le modèle de ML voit des dynamiques non linéaires que l’œil humain peut facilement manquer », explique Mike Chen, responsable de l’équipe Next Generation Quant chez Robeco.
Selon Nick King, responsable des ETF chez Robeco, de tels outils contribuent en fin de compte à rendre les marchés plus efficients. « En exploitant les inefficiences, ces modèles rendent le marché plus efficient. »
M. Bourgon constate également cet effet. « Les investisseurs peuvent prendre des décisions mieux informées. » Parallèlement, il pense qu’il faudra encore des années avant que les inefficiences des petites et moyennes capitalisations ne diminuent de manière réellement perceptible.
Générer du rendement dans un marché efficient
Un marché plus efficient peut rendre la génération d’alpha plus difficile pour les investisseurs actifs. Dès qu’une technologie devient plus largement disponible, la concurrence augmente généralement. « Parce que de nouveaux acteurs s’empressent aussi de l’utiliser », explique Mike Chen.
Michel Bourgon pense que cela n’ira pas si vite. « Il y a actuellement relativement peu de concurrence au niveau des petites et moyennes capitalisations. De nombreux investisseurs continuent à se concentrer sur les grandes capitalisations. Pour que les inefficacités disparaissent réellement, il faudrait qu’un nombre nettement plus important de fonds se tournent vers les petites capitalisations. Je ne pense pas que cela se produise pour l’instant. »
Selon Viorel Roscovan, directeur de la recherche chez Invesco, il est encore trop tôt pour dire dans quelle mesure l’IA peut réduire structurellement les inefficacités du marché, car les régimes de marché changent et les problèmes de mise en œuvre peuvent occulter la situation. Il souligne par ailleurs les conditions de marché dans lesquelles de nombreux modèles ont été testés.
Influence du régime et de la qualité des données
Dans les années qui ont suivi la crise financière, la volatilité sur les marchés financiers est restée relativement faible et la liquidité élevée pendant longtemps. En raison d’une politique monétaire accommodante, les primes de risque étaient sous pression, ce qui a poussé les investisseurs à prendre plus de risques pour obtenir du rendement. « C’est précisément pendant cette période de faible volatilité que l’apprentissage automatique est devenu populaire dans la gestion d’actifs, explique M. Roscovan. Dans un tel régime, les modèles peuvent sembler plus stables qu’ils ne le sont réellement, ce qui devient évident lorsque la volatilité et l’incertitude macroéconomique réapparaissent. »
Depuis la crise du Covid-19, la volatilité est plus élevée et l’incertitude macroéconomique est plus grande. Selon lui, il est donc difficile de faire la distinction entre les changements structurels réels des inefficiences et l’évolution des conditions de marché et des primes de risque.
En outre, il existe des contraintes pratiques. Selon M. Roscovan, les modèles ML ont souvent tendance à adopter un comportement de type momentum. Les stratégies de momentum présentent généralement une rotation élevée, ce qui peut être problématique sur des marchés illiquides tels que celui des petites capitalisations. « De ce fait, les backtests paraissent souvent bien meilleurs que ce que montre le trading dans le monde réel. »
La technologie peut également identifier des modèles qui n’existent pas dans la réalité. « Il y a encore beaucoup de fioritures dans les données, explique M. Roscovan. Cela nécessite une évaluation approfondie et une supervision humaine pour distinguer les vrais signaux d’alpha des résultats trompeurs. »
L’humain reste indispensable
Selon les experts, le jugement humain reste crucial lors de l’utilisation de l’IA dans les processus d’investissement. « Nous déléguons l’identification des moteurs de rendement à la machine, mais pas la responsabilité », déclare M. Chen. M. King souligne qu’il y aura toujours besoin d’humains qui comprennent et contrôlent la technologie.
Pour les gestionnaires d’actifs, la compréhension de la technologie a également été un obstacle pendant longtemps. Robeco a testé et affiné le modèle pendant plusieurs années avec ses propres fonds, avant la création du NextGen Global Small Cap ETF, afin de s’assurer de pouvoir comprendre et expliquer pleinement le processus de décision de la machine. Selon M. Chen, « la technologie est passée d’une boîte noire à un cube de verre au cours de cette période ».
M. Roscovan estime donc nécessaire de manipuler l’apprentissage automatique avec prudence. « La question n’est pas de savoir si nous devons utiliser le ML, mais comment nous la mettons en œuvre afin de créer des modèles robustes, exploitables et fiables. »
Si l’IA devait finalement conduire à un marché des petites capitalisations plus efficient, rendant ainsi la génération d’alpha plus difficile, les experts ne s’en inquiètent d’ailleurs que très peu. « En tant qu’investisseur actif, on ne peut jamais se reposer sur ses lauriers, déclare M. Chen. Nous devons constamment nous réinventer pour rester à la pointe. » M. King ajoute : « Nous voulons également être capables de détecter les inefficiences de demain. »