L’intelligence artificielle avance à grands pas dans les différents métiers de la finance, y compris dans la gestion d’actifs. AI for Alpha, une fintech parisienne créée il y a cinq ans et qui se révèle très présente sur le marché suisse fait appel à l’apprentissage machine pour répliquer des indices.

Béatrice Guez, CEO d’ AI for Alpha, après avoir fait carrière dans la structuration de produits au sein de différentes banques d’investissement, répond aux questions d’Allnews:

Quel était votre objectif à la création d’AI for Alpha en 2020?

La société a été créée en 2020 grâce à la synergie deux fondateurs que sont Eric Benhamou, un ancien responsable de la recherche dans des banques d’investissement, avec un profil très académique et une expertise en intelligence artificielle (IA), et Jean-Jacques Ohana, précédemment responsable de la gestion d’une société qui désirait tester les applications de l’IA dans la gestion d’actifs. Nous avions fait une mission de conseil pour la société de gestion de ce dernier afin de détecter des régimes de crise à partir d’un très grand nombre de données de marché à l’aide d’un apprentissage supervisé.

Ce modèle est encore mis en œuvre dans la société de gestion, laquelle l’utilise parmi les piliers de son processus d’allocation. Le modèle alloue en fonction des régimes de risque («on» ou «off»). Il est utilisé par d’autres clients soit comme un investissement soit comme une aide à la décision.

Jean-Jacques nous a ensuite rejoints au printemps 2021.

Aujourd’hui, que vous apporte l’IA?

Nous utilisons plusieurs modèles d’IA. Le premier est destiné à la détection de crises. Le but consiste à utiliser un très grand nombre de données, qui n’est pas gérable avec des systèmes quantitatifs classiques. Le deuxième consiste à avoir un modèle qui s’adaptera en fonction des conditions de marché, contrairement aux modèles quantitatifs, et dans lesquels les règles sont prédéfinies. Ici le modèle apprend en permanence et prend des décisions en fonction de l’évolution des conditions. Il peut changer son modèle de détection de crises ou sa stratégie d’allocation dynamique, sans qu’existe une règle prédéfinie.

L’intérêt de l’approche provient de la possibilité de demander à la machine, avec l’ensemble des données disponibles, parfois contradictoires, un modèle qui va déterminer la façon d’interpréter les résultats de ces données. On peut prendre l’image d’un comité de gestion composé de gérants qui se disent positifs pour des raisons par exemple macros, et d’autres gérants, par exemple des analystes chartistes, qui se révéleraient négatifs.

L’issue du comité sera le résultat d’un vote de tous ses membres. Le modèle correspond à l’interaction de ces données positives et négatives et qui se traduit par une vision agrégée de l’ensemble des opinions. Lors de la crise du Covid, pour un gérant humain, il était très compliqué de faire la part des choses face à des signaux contradictoires et de synthétiser les informations.

Quel est l’autre type de modèle?

Très vite, ceux qui ont voulu utiliser ce modèle nous ont demandé de développer une stratégie sur cette base afin de suivre les signaux de façon systématique et d’investir directement. Nous avons créé des partenariats avec des banques d’investissement qui exécutent les décisions d’allocation pour leurs clients finaux.

En termes de technologie, la deuxième grande technologie qui suscite un vif intérêt auprès de nos clients consiste à utiliser l’IA pour améliorer la précision des modèles de régression. Ces derniers ont longtemps été utilisés pour répliquer des stratégies à partir de facteurs déterminés pour comprendre les biais d’investissement d’une stratégie ou pour les répliquer, à l’image des hedge funds. La limite des modèles précédents était liée à une précision et à une granularité insuffisante. Il en résultait un manque de stabilité sur la réplication donnée par le modèle au cours du temps ou entre des facteurs potentiellement corrélés entre eux.

Quelle a été la solution?

Dans l’apprentissage machine, il existe diverses solutions utilisées soit en médecine soit dans un dialogue avec Siri pour détecter le langage. Elles sont plus précises parce qu’elles vont modéliser des séries temporelles comme des graphes, avec des nœuds et des connexions. Le modèle tient compte des interactions entre toutes les séries temporelles pour améliorer la précision. Dans notre cas, les séries temporelles sont les facteurs sur lesquels nous faisons la réplication de stratégies. Nous pouvons ainsi répliquer une stratégie complexe sur différents facteurs de marché. Et même s’ils sont corrélés entre eux, le modèle a suffisamment de granularité pour tenir compte des interactions entre ces facteurs.

Vous vous êtes dirigés vers le monde des Hedge Funds et des CTA. Quels sont les résultats?

Nous répliquons avec une corrélation de 80 à 85%, voire de 95%, selon les stratégies. La première stratégie que Société Générale nous avait demandé de répliquer portait sur leur indice de CTA, fondé sur la performance des dix CTA mondiaux gérant le plus d’actifs. Cet indice suit la performance et n’est pas investissable et il fait absolument référence dans le monde des CTA. Ce modèle était plus pertinent que les modèles du passé.

La réplication atteint 85% de corrélation avec le Benchmark de CTA.

«Dans le cas des CTA, nous utilisons les signaux de tendance comme intrants du modèle de réplication.»

Les CTA ont présenté une très bonne performance en 2022. Ensuite, les tendances étaient inégales. Durant la période volatile et chahutée des négociations de tarifs douaniers avec les Etats-Unis, le modèle a continué de répliquer de façon très stable. Même durant les périodes de plus faible performance, la corrélation reste très élevée.

Qu’en est-il de la qualité des données et de leur temporalité?

Dans la réplication, nous utilisons des données journalières pour calculer les signaux pour répliquer les facteurs. Dans le cas des CTA, nous utilisons les signaux de tendance comme intrants du modèle de réplication. Chaque jour, nous voyons l’évolution de l’exposition sur chacun des facteurs, soit les marchés de Futures sur les différents sous-jacents (actions, obligations, devises, matières premières). Les données sont envoyées quotidiennement à la banque d’investissement, et l’équipe de trading procède à l’exécution. L’objectif est de permettre à l’investisseur final qui souhaite investir dans des stratégies alternatives, difficiles d’investissement en raison des limites minimales d’investissement, de liquidité et de transparence, et d’investir avec une forte corrélation. Le format d’investissement possible peut être celui de certificats.

Avez-vous procédé à d’autres réplications?

On nous a demandé de répliquer des fonds Global macro, qui s’avèrent plus diversifiés que les CTA. Nous avons aussi répliqué, avec une corrélation de 95%, des fonds plus simples tels que des fonds patrimoniaux ou des fonds flexibles (global balanced). Récemment nous avons lancé une réplication de private equity. Les difficultés sont ici évidentes: les investisseurs sont «lockés» cinq à dix ans et les valorisations sont difficiles. Nous avons utilisé un indice de la Société Générale qui investit dans des small caps et qui va répliquer le profil de risque des sociétés investies par les fonds de private equity. Nous capturons les tendances en termes de secteurs des fonds de private equity et, pour réduire l’ampleur des pertes associées aux corrections de marché, la stratégie utilise des stratégies de couverture diversifiée, intervenant sur l’ensemble des marchés de Futures Liquides, sur les indices boursiers, les devises, les matières premières ou les taux d’intérêt. Le modèle parvient ainsi à présenter une performance lissée en ligne avec celle des fonds de private equity.

Je note qu’en termes d’utilisation de l’IA en finance, je ne connais pas d’autres acteurs qui emploieraient le «machine learning» pour améliorer leur réplication.

Êtes-vous satisfait de votre premier semestre?

Oui. Nous avons reçu beaucoup de demandes, en particulier à propos des CTA, estimant que notre modèle de réplication est pertinent. Comme l’indice est public depuis près de trois ans, les clients constatent que la réplication fonctionne bien avec une corrélation élevée.

«Nous sommes en train de considérer le meilleur des deux mondes, dans le sens où nous voudrions répliquer l’indice S&P avec des signaux afin d’améliorer la réplication.»

La proposition de valeur qui est de répliquer un benchmark fonctionne. Comme alternative, de nombreux clients ont demandé des réplications d’autres stratégies. Nous sommes en train de considérer le meilleur des deux mondes, dans le sens où nous voudrions répliquer l’indice S&P avec des signaux afin d’améliorer la réplication et surperformer les indices. Nous pourrions employer le «machine learning» et demander au modèle comment allouer pour améliorer la réplication. Nous employons par exemple l’«information ratio». Le modèle est prêt à réduire la corrélation avec la stratégie de base, à condition d’améliorer la performance.

Dans un monde marqué par les incertitudes politiques, est-ce un défi majeur de tenter de répliquer un indice?

La réplication fonctionne aussi dans ce cadre géopolitique complexe. Sur les CTA, nous avons observé énormément de faux signaux et de fausses tendances, suite à des événements politiques. Il en est résulté une sous-performance pour les CTA, lesquels ont besoin de stabilité dans les évolutions de marché. En revanche, la réplication elle-même fonctionne.

Quelles sont vos perspectives?

En termes de recherche, nous voulons commercialiser la réplication du private equity. Et nous voulons développer différentes réplications améliorées (enhanced réplications) d’indices tels que le S&P ou d’autres indices classiques. Cela nous permettrait de maintenir notre offre historique dans l’alternatif et d’aller vers le développement des signaux et prédictions pour une offre traditionnelle.

Est-ce que votre plus-value se situe dans l’humain ou dans la machine, en l’occurrence dans un logiciel?

Le partenariat entre Eric, spécialiste du machine learning, et Jean-Jacques, un spécialiste de la gestion d’actifs, est crucial. Nous pouvons facilement utiliser un modèle de machine learning, mais si nous n’avons pas les intuitions financières sur les données à utiliser, sur le contrôle de risque, il est à craindre que nous n’obtenions qu’un modèle qui ne s’adapte qu’à des bruits (overfitting). L’interaction entre la machine et l’humain est essentielle pour construire le modèle, bien qu’en définitive, toutes nos stratégies soient entièrement pilotées par la machine. Nous n’avons pas la main sur le modèle lorsqu’il est délivré, mais la création du modèle est un processus d’intelligence humaine.