Un certain nombre de banques d'investissement proposent désormais des produits qui reproduisent ces stratégies de primes de risque alternatives. Ces produits donnent aux investisseurs un accès à des solutions liquides et peu onéreuses qui viennent compléter les classes d'actifs traditionnelles. Ils présentent ainsi un potentiel de diversification. En général, ces produits s’accompagnent d’historiques de performances convaincants qui reposent sur des simulations («back-tests»).

Toutefois, dans la pratique, ces produits n'ont pas dégagé des performances conformes à ces simulations. Cet article analyse un univers complet de produits à primes de risque alternatives proposés par 11 banques d'investissement afin de répondre aux questions suivantes : pourquoi les performances réelles sont-elles décevantes, et les bénéfices de la diversification ont-ils perduré dans la réalité? Notre analyse nous amène à nous interroger sur la performance des primes de risque alternatives dans différentes conditions économiques.

Des décennies d'études académiques ont permis d’améliorer notre compréhension des facteurs fondamentaux qui sous-tendent les performances des investissements. Nous comprenons par exemple que les investisseurs en actions peuvent espérer des performances supérieures à celle du marché à long terme grâce à l'exposition à différents facteurs tels que: value, quality, momentum, small cap et low volatility.

Les stratégies d’investissement systématique sont capables d'isoler de nombreuses sources de rendement. Cela permet aux investisseurs de construire des portefeuilles diversifiés sur un certain nombre de primes de risque alternatives. Des approches systématiques similaires peuvent être appliquées à d'autres classes d'actifs et à des stratégies Multi-Asset. Beaucoup d’entre elles peuvent être mises en œuvre à l'aide d'instruments liquides négociés en bourse.

Afin d'avoir accès à une gamme complète de primes de risque alternatives, l'investisseur doit disposer:

• d’un niveau raisonnable de connaissances sur les marchés
• de systèmes de négociation adéquats
• de l’infrastructure appropriée à la bonne exécution des transactions
• de systèmes de gestion du collatéral
• d’un accès à l'emprunt ; et
• d’outils de gestion du risque.

Les banques d'investissement sont bien placées pour répondre à ces besoins. Elles ont fait la promotion d’un grand nombre de produits qui ont été lancés au cours des dernières années.

Des ensembles de règles à la fois mathématiques et non discrétionnaires déterminent la sélection des investissements et la construction de portefeuille de ces produits. Cela permet aux banques d'investissement de présenter des données de performances théoriques («back-tests») aux clients potentiels. La plupart des produits ne disposent ainsi que d’historiques courts de performance réelle, au contraire des performances théoriques qui sont souvent impressionnantes.

Cependant, les investisseurs ont découvert que la performance en environnement réel est rarement aussi bonne que dans les back-tests. L'analyse de l'auteur vise à en comprendre les raisons, et à savoir si les bénéfices de la diversification ont perduré dans la réalité.

Plusieurs articles de recherche font part de leurs doutes sur les simulations de performances publiées pour ces stratégies d'investissement. Trois études identifient les principaux problèmes.

McLean et Pontiff [2016] ont évalué la performance de 97 stratégies identifiées par la recherche académique comme offrant des performances alternatives au marché actions. Ils ont constaté que 26% d’entre elles avaient généré des performances hors échantillon inférieures, et que 58% avaient généré des performances plus faibles après publication des simulations. Ils ont suggéré que le surcroit de performance était plus faible une fois que les investisseurs avaient pris conscience des anomalies de valorisation grâce aux recherches académiques.

Harvey et consorts [2016] soutiennent que l’exploration intensive de données («data mining») signifie qu'il n'est pas logique d'utiliser les critères habituels pour déterminer la valeur statistique de facteurs qui prétendent expliquer les performances attendues. Les auteurs font valoir qu’une contrainte beaucoup plus forte est nécessaire, et que la plupart des résultats revendiqués en matière de recherche économique et financière sont probablement erronés.

Suhonen et consorts [2016] ont mené une étude similaire à la nôtre. Ils ont analysé 215 produits à primes de risque alternatives proposés par des banques d'investissement. Ils ont constaté que le ratio de Sharpe chutait, passant de 1,2 pendant leurs périodes respectives de back-tests à 0,31 une fois les produits lancés. C'est cette étude qui nous a conduits à nous poser la question suivante: ce résultat est-il entièrement expliqué par les problèmes de data mining, ou pourrait-il y avoir une explication plus fondamentale? En outre, qu’est-il arrivé à la diversification dans l’environnement réel par rapport aux back-tests?

L'auteur a créé une base de données composée de 747 stratégies de primes de risque alternatives, proposées par 11 banques d'investissement. Il a passé en revue cet échantillon afin de supprimer les doublons, à savoir les stratégies reposant sur un même facteur sous-jacent et ne se différenciant que par des nuances dans la construction de portefeuille. Une fois ces doublons identifiés, l'auteur a retenu le marché le plus liquide, l’actif le plus liquide, et/ou la stratégie la plus ancienne. Toute stratégie se révélant être une combinaison d'autres stratégies a en outre été écartée. L'échantillon a ainsi été réduit de 747 à 218 stratégies indépendantes.

L'auteur a alors mené quatre analyses: deux visant à examiner les performances, deux autres visant à examiner la diversification.

Premièrement, il a calculé le ratio de Sharpe de chaque stratégie, en distinguant les périodes de back-test des périodes réelles. Deuxièmement, il a examiné le ratio de Sharpe moyen de l'ensemble de l'échantillon au cours du temps, soit de 1995 à 2018.

Troisièmement, il a utilisé une analyse de facteurs statistiques (analyse en composantes principales) afin d’isoler les moteurs de performance de l'ensemble des stratégies de primes de risque proposées par chacune des banques. Cela lui a permis de comparer ces moteurs entre périodes de back-tests et environnement réel.

Chaque banque d'investissement propose un nombre différent de stratégies. Pour comparer les résultats de leur panier de stratégies, il a calculé un ratio de concentration ajusté en fonction du nombre de stratégies. Cette analyse conduit à une mesure de diversification pour le panier de stratégies offertes par les banques dans les environnements de test et dans la réalité.

Quatrièmement, il a comparé les mesures de concentration de l'ensemble de l'univers au cours du temps. Il a calculé le Ratio de Diversification de Meucci entre 1991 et 2018 (somme pondérée des volatilités de chaque stratégie divisée par la volatilité totale du panier) afin d’analyser l'évolution du niveau de diversification.

Le ratio de Sharpe moyen a baissé, passant de 0,81 au cours des back-tests à 0,20 dans la réalité. Ce ratio de Sharpe est inférieur au résultat de 0,31 trouvé par Suhonen et consorts dans leur étude de 2016. Alors que les univers de données sont différents, ces résultats sont conformes à nos attentes compte tenu de la faible performance de la plupart des primes de risque en 2018.

Environ 20% des stratégies ont vu leur ratio de Sharpe augmenter dans l'environnement réel.

Le ratio de Sharpe moyen de l'échantillon global eu tendance à baisser au cours de la dernière décennie. Par conséquent, cette détérioration a commencé avant que la majorité des primes de risque alternatives ne soient disponibles sous forme d’indices gérés.

Les investisseurs ont ainsi fait l’expérience de résultats réels différents de ceux obtenus lors des back-tests. Cet article propose un débat plus complet sur l'utilisation du sur-ajustement («over-fitting»).

L'analyse en composantes principales a abouti à des résultats très semblables entre périodes de back-tests et périodes réelles. De même, lorsque les résultats sont compilés sous la forme d’un ratio de concentration et comparés entre les 11 banques, il n'existe pas de différence significative entre les résultats des back-tests et ceux des périodes réelles.

Le Ratio de Diversification de Meucci a d’abord augmenté, passant d’un niveau proche de sa moyenne à long terme en 2009 à un sommet atteint en juin 2015, avant de refluer régulièrement par la suite. À la fin de l'étude, en juillet 2018, cette mesure était proche de sa moyenne à long terme.

La détérioration du ratio de Sharpe entre l’environnement de back-tests et la réalité est compatible avec les études précédentes. Ce résultat est donc compatible avec l’hypothèse selon laquelle cette détérioration s'explique (en partie) par l'influence du data mining.

Les propres vérifications de l’auteur sur les stratégies de primes de risque proposées par les banques d’investissement ont permis de déterminer que la majorité d’entre elles utilisaient des règles logiques simples associées à un nombre limité de paramètres. Cela réduit l'influence potentielle du sur-ajustement («over-fitting»).

Le fait que la détérioration des ratios de Sharpe ait débuté avant que bon nombre des stratégies ne soient lancées suggère que le data mining n'est pas la seule explication de cette baisse. Cela nous amène à la question de la cause de la détérioration. D'autres facteurs, tels que des conditions économiques différentes, peuvent influer sur la performance des primes de risque.

Un principe fondamental de l’investissement factoriel est que les facteurs doivent être robustes, intuitifs, persistants et étayés par des preuves empiriques. Amenc et consorts [2015] fournissent deux définitions de la robustesse : la robustesse relative (capacité à dégager des performances similaires dans des conditions de marché similaires) et la robustesse absolue (capacité à surperformer quelles que soient les conditions de marché).

Nous notons que le facteur value au sein des actions a sous-performé au cours de la dernière décennie. Il s'agit d'un facteur répandu au sein des produits à primes de risque proposés par les banques d'investissement. Cela suggère qu’une partie de la détérioration des ratios de Sharpe peut être due à des facteurs cycliques plutôt que structurels. En d'autres termes, le facteur value aurait pu présenter une robustesse relative dans un environnement défavorable à la stratégie. Les influences cycliques sur la performance des primes de risque alternatives représentent un bon thème de recherche pour l’avenir.

L'auteur a constaté que les bénéfices de la diversification issue d’un investissement dans un panier diversifié de primes de risque alternatives étaient robustes, et en grande partie stables entre les back-tests et les résultats réels. L'étude constate que le ratio de Sharpe moyen est resté positif dans l'environnement réel, quoique nettement inférieur à celui suggéré par les résultats des back-tests. Cela conduit l'auteur à conclure qu'un portefeuille de primes de risque alternatives, diversifié par classes d'actifs et par stratégies, pourrait générer d’attrayantes performances corrigées du risque.