#104 - Béatrice Guez (Ai For Alpha) - Générer de l’alpha grâce à l’Intelligence Artificielle
CEO et co-fondatrice d'Ai For Alpha
Après 20 ans en Banque d’Investissement, Béatrice nous explique pourquoi elle a décidé de se lancer dans l’entrepreneuriat. La start-up qu’elle a co-fondée développe des solutions d’IA adaptées au monde de la finance pour aider les gérants à mieux prendre leurs décisions.
Exploitée dans beaucoup d’industries, vous comprendrez que l’IA est particulièrement complexe à déployer en finance, notamment à cause de ses données. Nous revenons sur les problématiques majeures auxquelles sont confrontés les gérants, qu’il s’agisse de gestion qualitative ou quantitative.
Souffrant d’une orgie de données, les gérants sont parfois totalement aveugles dans l’analyse granulaire de leur performance, ils peinent à prendre de décision en connaissance de cause. Pour comprendre le decoding de performance, nous prenons le cas d’un fonds avec un biais de croissance. Nous revenons sur la manière dont l’apprentissage par renforcement fonctionne par rapport à d’autres méthodes plus connues comme le supervisé et le non supervisé. Nous terminons sur les partenariats avec les gérants Lombard Odier Investment Managers et Société Générale.
C’est un épisode un peu plus technique qui réjouira les gérants de fonds et de patrimoine.
Les fonds “Growth” vs “Value”
“Growth” et “Value” sont deux styles de gestion bien distincts. Ces deux styles se complètent, ils contribuent à la diversification d’un portefeuille actions.
Les investisseurs “Growth” recherchent des sociétés qui offrent une forte croissance des bénéfices et sont censées surperformer le marché considéré dans le temps en raison de leur potentiel à venir (Tech, BioTech,…).
Les investisseurs “Value” recherchent quant à eux des actions qui semblent sous-évaluées sur le marché, qui se négocient en dessous de leur valeur réelle (Bancaire, Pétrolières, …).
Lorsque Béatrice nous parle d’un biais de croissance, il s’agit du fruit des résultats d’analyse de performance d’un gérant dont le fonds présentait un biais important en valeurs “Growth”. Prendre conscience de ce biais lui a permis de réajuster de manière beaucoup plus fine sa stratégie d’allocation.
La gestion quantitative
L’origine de la gestion quantitative remonte à un siècle avec les travaux de nombreux mathématiciens dont Bachelier, Markowitz ou encore Black & Scholes. L’approche ‘quant’ a par la suite évolué et donné naissance à des stratégies de fonds spéculatifs parmi lesquels certains auront probablement plus marqué les esprits que d’autres. Je pense en particulier LTCM sur lequel je ne reviendrai par en détail (un peu hors sujet). Ceci dit, si cela n’évoque rien chez vous, je vous laisse en prendre connaissance 👉 ici.
Il existe de nombreuses stratégie quantitatives, l’une des plus connues étant la gestion algorithmique haute fréquence. De nombreux gérants de Hedge Funds ‘quant’ se sont développés ces dernières décennies. Je pense notamment à Renaissance ou Two Sigma.
La gestion quantitative permet d’être très systématique et de s’affranchir, autant que faire se peut, de ses biais comportementaux.
Les CTA
“Commodity Trading Advisors” (CTA) qualifie un gérant qui investit dans un ensemble spécifique d'actifs. Les CTA négocient généralement des contrats à terme cotés (par opposition aux produits de gré à gré). Ce terme : “CTA” est souvent utilisé plus largement pour saisir les stratégies d'investissement que les gestionnaires utilisent dans certaines classes d'actifs.
L'utilisation plus large du terme englobe de nombreux types de stratégies allant de discrétionnaire à systématique, et de nombreux types d'actifs, non seulement les matières premières, mais aussi les devises, les actions et les obligations.
L'analyse fondamentale, en conjonction avec le trading systématique et le suivi des tendances permet à ces fonds de générer des performances assez incroyables dans certains cas.
L’apprentissage par renforcement
L'apprentissage par renforcement profond (DRL) a atteint un niveau sans précédent sur des tâches complexes comme la résolution de jeux (Jeu de Go par exemple) et la conduite autonome. Cependant, les applications aux actifs financiers sont encore largement inexplorées et la question reste ouverte de savoir si le DRL peut atteindre un niveau “surhumain”. Dans un travail de recherche publié par Ai For Alpha, des méthodes de DRL ont permis - sur l'ensemble de tests - de démontrer que cette approche pouvait surpasser les méthodes traditionnelles d'optimisation de portefeuille classiques. Plus d’informations 👉 ici.
Ai For Alpha
Créée en 2020, Ai For Alpha produit un logiciel basé sur des méthodes d'apprentissage automatique pour améliorer les stratégies des gestionnaires et optimiser leur allocation d'actifs.
Une dizaine de collaborateurs,
Clientèle cible : Gérants d’actifs, Banques d’investissement, Investisseurs institutionnels, Gérants de Patrimoine,
Parmi les clients : Homa Capital, Lombard Odier, Société Générale, Meilleur placement.
💡Partages
🤓 Cette semaine :
“The Layer 2 Token Endgame”. Une réflexion sur les éléments à considérer dans la valorisation des L2 tokens. 👉 Read
“11 laws driving success in tech: Amazon’s 2-pizza rule, the 80/20 principle, & more”. Une étude CB insights qui revient sur les 11 lois qui font le succès de la tech’ : loi de Moore (1965), loi de Metcalfe (1980), principe de Pareto, etc… 👉 Get the report
“Fintech and the Future of Finance”. Ce rapport de la Banque mondiale Ce rapport explore les implications , les ‘drivers’ de la FinTech et de la transformation numérique des services financiers : ses impacts sur l’industrie mais également la réglementation et la supervision et comment ceux-ci interagissent. 👉 Get the report
📗 Ce que nous propose Béatrice cette semaine :
Les déracinés de Catherine Bardon
🧐 Si vous souhaitez approfondir :
“How to harness machine learning for investment strategies” 👉 Read
“Common Hedge Fund Strategies” 👉 Read