BNP AM

Le blog officiel de BNP Paribas Asset Management

Séminaire Inquire Europe 2019 – Partie 1 : ‘machine learning’ et nouvelles techniques

Le séminaire d’automne 2019 d’Inquire Europe à Cracovie (Pologne), a réuni quelque 100 professionnels de l’investissement et universitaires pour discuter des avancées récentes dans le domaine de « l’investissement avec 'machine learning' et les nouvelles techniques ».

machine learning

Le séminaire d’automne 2019 d’Inquire Europe à Cracovie (Pologne), a réuni quelque 100 professionnels de l’investissement et universitaires pour discuter des avancées récentes dans le domaine de « l’investissement avec 'machine learning' et les nouvelles techniques ».


Discours liminaire : 'machine learning'

Il y a beaucoup de discussions dans les médias sur l’intelligence artificielle (IA) et sur la manière dont elle va changer nos vies. Les techniques 'machine learning, la branche la plus performante et prometteuse de l’IA, excellent à découvrir des relations non linéaires au sein de grandes quantités de données. Le thème du discours liminaire d’Inquire Europe de Stefan Nagel, professeur de finance à l’Université de Chicago et rédacteur en chef du Journal of Finance, a été la manière dont les techniques 'machine learning' peuvent être appliquées avec succès dans le domaine financier.

Nagel soutient que les techniques 'machine learning' conviennent moins bien au test d’hypothèses que l’économétrie. Même s’il existe de nombreux points communs entre les techniques 'machine learning' et l’économétrie traditionnelle, 'machine learning' est utilisé davantage pour les prévisions hors échantillon que dans les tests d’hypothèses. Il s’appuie sur des algorithmes pratiques plutôt que sur des fondements statistiques théoriques et demande peu d’hypothèses sur la nature des distributions.

Un autre point soulevé par Nagel est que les méthodes 'machine learning' standard appliquées par les géants de la technologie ne peuvent pas être directement utilisées dans l’évaluation des actifs. En effet, les modèles d’évaluation d’actifs sont caractérisés en particulier par de faibles ratios signal/bruit, des relations changeantes et des bases de données limitées dans leur dimension temporelle (dans la dimension transversale, il peut exister un grand nombre de données).

En outre, il existe un risque de surajustement. Stefan Nagel soutient que cela peut être géré en intégrant des connaissances a priori. En matière d’évaluation d’actifs, il est généralement admis, par exemple, que chacun des facteurs/signaux ne peut avoir que des effets modestes sur les prix (principe de contraction vers zéro) et que le nombre de facteurs prédisant conjointement les prix est susceptible d’être faible (principe de parcimonie).

Au bout du compte, Nagel se garde d’attendre trop des méthodes 'machine learning' avancées. Pour ce qui est du surajustement, il explique que des approches plus traditionnelles telles que l’analyse en composantes principales (ACP) et les techniques de régression régularisées (sous contraintes), comme RIDGE et LASSO, sont potentiellement bien adaptées pour produire des résultats conformes aux principes de contraction et de parcimonie.

Autres présentations

Les autres exposés ont porté sur l’utilisation des facteurs existants (voir ci-dessous) et sur la création de nouveaux facteurs, examinés dans la partie 2.

Facteurs existants : market timing

Les présentations de Daniele Bianchi (Queen Mary University of London) et Dominik Wolff (DekaBank, Francfort) comportaient de nombreux points communs. Toutes deux traitaient des prévisions à court terme culminant dans les stratégies de négociation active. Toutes deux ont également examiné divers modèles de prévision, allant des approches de régression linéaire conventionnelles telles que l’ACP, le RIDGE et le LASSO, aux approches non linéaires d’apprentissage automatique par arbres décisionnaires (comme les arbres boostés et les forêts aléatoires) et les réseaux neuronaux à la mode actuellement.

La présentation de Daniele Bianchi a porté en particulier sur la prévision des rendements des bons du Trésor américain à différentes échéances. Il a examiné deux ensembles de variables de prévision : un ensemble étroit, contenant uniquement les taux à terme intégrés dans la courbe des taux, et un ensemble plus large comportant 128 variables macroéconomiques et financières supplémentaires. La non-linéarité compte dans le sens où les réseaux neuronaux fournissent les meilleures prévisions et que les variables supplémentaires permettent d’obtenir de meilleures prévisions que les seuls taux à terme. Les variables macroéconomiques typiques telles que l’inflation et la croissance de la production sont importantes pour prévoir la partie longue de la courbe des taux, tandis que les variables financières, par exemple l’indice actions S&P 500 et le spread de crédit, comptent davantage pour la partie courte.

Wolff a sélectionné 28 facteurs pour prédire le S&P 500. Ceux-ci ont compris les fondamentaux (dividendes/bénéfices), des données macroéconomiques, la confiance et les risques. L’évaluation des erreurs de prévision a montré que de bons résultats sont atteints pour la plupart des régressions linéaires analysées. Les techniques 'machine learning' non linéaires basées sur les arbres sont cependant moins efficaces. Selon Wolff, cela s’explique peut-être par la période d’échantillonnage relativement courte et la faible dimension du problème (prévision d’un indice unique avec 28 variables explicatives).

Facteurs existants : couverture

Emmanuel Jurczenko (GLION Institute, Genève) a présenté son article sur la couverture des risques macroéconomiques. Il a souligné que les données macroéconomiques étaient souvent bruitées et fréquemment révisées, ce qui entraîne des erreurs de mesure et des biais d’omission de variables. En outre, il n’est généralement pas possible de négocier directement des indicateurs macroéconomiques.

Sa solution de couverture tient compte de ces problèmes. Il utilise les classes d’actifs (actions, bons du Trésor, obligations d’entreprises, obligations indexées sur l’inflation, matières premières et paniers de devises) comme éléments constitutifs de portefeuilles imitant des facteurs (« factor-mimicking portfolios »/FMP). La procédure de construction de ces portefeuilles adapte une technique relativement nouvelle. Jurczenko utilise une séquence de régressions linéaires : LASSO, ACP, LASSO et moindres carrés ordinaires successivement. Cela permet finalement de déterminer les poids des classes d’actifs nécessaires à la construction des FMP (par rotation). Un portefeuille de dotation américain typique a servi d’exemple pratique dans lequel les risques de croissance, d’inflation et de tension financière ont été couverts.

Principaux enseignements

Les exposés résumés ici ont examiné l’utilisation de facteurs « existants ». Les principaux enseignements que j’en ai tirés ont été :

  1. 'Machine learning' excelle à trouver des relations non linéaires dans les ensembles de données massives. Il utilise des algorithmes pratiques qui ne demandent que des hypothèses minimales sur les distributions.
  2. Les faibles ratios signal/bruit, l’évolution des relations au cours du temps et l’absence de longues séries chronologiques sont des obstacles à la découverte de modèles non linéaires dans les données d’évaluation d’actifs.
  3. Dans la pratique, la simplification de l’estimation des structures linéaires est souvent possible grâce à l’ACP et/ou à des régressions linéaires contraintes. Le travail de Jurczenko sur la couverture des risques macroéconomiques d’un portefeuille diversifié en est un exemple.
  4. Bianchi soutient que les techniques 'machine learning' ajoutent de la valeur lors de la prévision des rendements obligataires. En revanche, Wolff n’a pas été en mesure de le montrer pour le S&P 500.

Pour plus d'articles sur l'investissement quantitatif, cliquez-ici >

Pour lire plus d'articles d'Erik Kroon, cliquez-ici >

Pour découvrir nos fonds et sélectionner ceux qui répondent à vos besoins, cliquez ici >

Les opinions exprimées ici sont celles de l’auteur à la date de publication. Elles émanent des informations disponibles et sont susceptibles de changer sans préavis. Les équipes de gestion peuvent avoir des opinions différentes et prendre des décisions d’investissement autres en fonction des clients.

Sur le même thème

Weekly insights, straight to your inbox

A round-up of this week's key economic and market trends, and insights on what to expect going forward.

Veuillez saisir une adresse e-mail valide
Please check the boxes below to subscribe