Catégories
Info investissements

IA et Big Data: peuvent-ils guider les investisseurs à travers la pandémie?

Larry Cao, CFA, est l'auteur de Pionniers de l'IA dans la gestion des investissements. Il présentera au “L'IA et le Big Data peuvent-ils aider les investisseurs à naviguer dans la pandémie?»Webinaire le jeudi 13 août à 19 h HKT.


La défaite du meilleur joueur humain de Go par l'intelligence artificielle (IA) AlphaGo en 2017 a révélé au public le monde des possibilités que les scientifiques de l'IA exploraient tranquillement depuis des années. Les voitures sans conducteur, les médecins IA et les robots-conseillers, entre autres innovations, semblaient tous à portée de main.

Au milieu de telles promesses et possibilités, la célèbre loi de Roy Amara méritait d'être rappelée:

«Nous avons tendance à surestimer l'effet d'une technologie à court terme et à sous-estimer l'effet à long terme. »

En effet, l'histoire que nous entendons dans les médias trois ans plus tard est plus celle d'un potentiel non réalisé et de la déception face à la lenteur de l'adoption de l'IA, que d'une transformation révolutionnaire.

Par exemple, dans le ÉconomisteLe récent Technology Quarterly intitulé "Intelligence artificielle et ses limites", les rédacteurs ont affirmé que "les données peuvent être plus rares que vous ne le pensez et pleines de pièges". Cette limitation, entre autres facteurs, les a incités à conclure: «Certains des rêves de plein été disparaîtront avec le froid automnal.»

Bouton d'inscription

Ce raisonnement est aussi ancien que l'IA. Mais la pandémie mondiale offre une occasion rare de mesurer les performances des applications de l'IA et du Big Data en matière d'investissement. Étant donné que la crise du COVID-19 est d'une ampleur «une fois dans un siècle», les chercheurs n'auraient pas pu tricher en équipant leurs modèles avec des données de période pandémique jamais vues auparavant.

Alors, comment ont-ils réussi pendant ces mois tumultueux? Les programmes d'IA ont-ils complètement échoué les investisseurs? Ou les ont-ils bien servis?

Les tests les plus simples proviennent de modèles de trading – des programmes d'IA qui prédisent les signaux de trading que les traders peuvent utiliser pour décider quand, où et comment trader. Compte tenu de leur caractère à court terme, ces modèles ont tendance à s'appuyer sur des données très récentes et peuvent s'adapter rapidement aux changements. David Wang, CFA, qui travaille à l'amélioration des programmes de trading avec AI en tant que directeur général de State Street Bank, l'a confirmé. «Le processus à faible latence que nous privilégions a particulièrement bien fonctionné», a-t-il déclaré. Ils disposent également d'un matériel puissant pour traiter les données très rapidement.

Cela devient moins simple à partir de là. Pour les modèles d'apprentissage automatique qui nécessitent des séries de données à plus long terme, les nouveaux environnements présentent un défi. Bien sûr, ce n’est pas unique aux programmes d’IA. Tous les modèles quantitatifs font face à ce défi. (Je m'en suis rendu compte lorsque je développais des modèles «quantiques» il y a des années: mes choix dans le processus de développement ont été influencés par mon expérience sur le marché même si je n'ai pas adapté mes modèles avec des données historiques. En ce sens, une pandémie d'une telle Les proportions sont vraiment un territoire inconnu pour nous tous. Mais c'est une histoire pour un autre jour.)

Pionniers de l'IA dans la gestion des investissements

Alors, comment les investisseurs devraient-ils s'adapter au nouveau casse-tête des données? Quelques options se démarquent, qui sont pratiquement toutes cohérentes avec notre philosophie selon laquelle les futures équipes d'investissement suivront un modèle «IA plus intelligence humaine (HI)». Les programmes d'IA ne remplacent pas les gestionnaires de portefeuille et les analystes, mais plutôt une source de meilleur soutien. En période de crise et d'incertitude, les investisseurs s'appuieront naturellement autant que jamais sur leur expérience et leur jugement.

La chose la plus importante que les investisseurs doivent réaliser dans une période comme celle-ci est que l'incertitude est au cœur de cette activité. Nous devons être constamment à l'affût des changements de l'environnement de marché. Ou comme Ingrid Tierens, directrice générale de Goldman Sachs, l'a dit: «Tous les modèles d'IA (et quant) devraient être accompagnés d'une sorte d'avertissement sanitaire.»

Si nous détectons des changements, nous devrions reculer notre dépendance aux données historiques. Étant donné que les modèles d'apprentissage automatique sont formés sur des données, si nous ne pensons pas que l'environnement à partir duquel les données ont été obtenues est compatible avec les modèles du marché, nous devrions essayer des modèles plus simples. Ces modèles reposent sur moins de fonctionnalités ou de variables expliquant la sortie ou le résultat des modèles. La réduction du nombre de fonctionnalités nous aide à comprendre ce qui fonctionnera toujours dans le nouvel environnement et ce qui ne fonctionnera pas, afin que nous soyons moins susceptibles d'être induits en erreur par un ensemble de données douteux.

Nous pourrions également vérifier si les fourchettes des fonctionnalités restent globalement similaires à ce que nous avons testé précédemment. Il s'agit peut-être d'un nouvel environnement, mais si les fonctionnalités restent dans la même gamme, nos modèles pourraient encore tenir le coup. «Bien que le comportement récent du marché ait été volatil, les fonctionnalités exploitées par nos modèles d'apprentissage automatique n'étaient pas à des niveaux sans précédent», a déclaré Anthony Ledford, scientifique en chef chez Man AHL à Londres. "En d'autres termes, nos modèles ML ne se sont pas retrouvés" au-delà des données "sur lesquelles ils ont été formés."

Pourtant, Ledford a ajouté qu'ils utilisent des contrôles de risque stricts qui réduisent les positions dans les périodes de volatilité accrue telles que celles observées récemment. Ce sont des pratiques exemplaires de bon sens, quels que soient les modèles ou l'approche que nous appliquons dans la gestion de nos portefeuilles.

Graphique du rapport Investment Professional of the Future

Howard Marks, CFA, d'Oaktree Capital, a récemment souligné l'importance cruciale d'identifier les changements de régime lors de sa présentation à la 73e Conférence annuelle virtuelle du CFA Institute. Il pense qu'Oaktree a connu son plus grand succès en passant d'un régime à un autre. Ce thème semble s'appliquer également aux modèles d'apprentissage automatique. Comme l'a déclaré Mark Ainsworth, responsable de l'analyse et de l'analyse des données chez Schroders: «Si vous pouvez détecter des changements de régime dans votre modèle, vous devriez en être largement récompensé.»

Ce qui est plus encourageant pour l'IA, c'est que les investisseurs sont allés au-delà des stratégies «d'adaptation» décrites ci-dessus. Ils ont activement recherché de nouvelles applications, en particulier des applications Big Data, qui aident à capturer des informations en temps réel ou du moins de manière plus opportune. Tierens, par exemple, a déclaré avoir constaté une demande accrue pour ses services de la part des équipes d'investissement au cours de cette période. «Nous avons utilisé plus de données alternatives ces derniers mois qu'auparavant», a-t-elle expliqué. «Les investisseurs sont naturellement plus préoccupés par cet environnement, et ils recherchent tous des données alternatives en raison de leur actualité.»

«La pandémie nous a vraiment donné l'occasion de briller alors que les investisseurs se tournent vers nous pour expliquer ce qui se passe sur le marché», a confirmé Ainsworth. "Nous avons suivi une approche scientifique et essayé d'expliquer divers développements (en utilisant des modèles plus simples) plutôt que d'utiliser des modèles d'apprentissage automatique classiques qui correspondent aux données, ce qui est plus typique de l'approche d'un ingénieur."

Publicité pour The Future of Investment Management

Le battage médiatique sur l'IA provoqué par AlphaGo s'estompe depuis 2018 selon Google Trends. C’est un bon signe si nous croyons au cycle de battage publicitaire de Gartner. Cela signifie simplement que certains pionniers sont passés du battage médiatique à l'action. Invariablement, certains ont échoué, mais l'adoption générale n'aura lieu qu'après que la phase du «creux de la désillusion» aura ébranlé les sceptiques.

AI plus HI reste le cadre global pour l'adoption de l'IA. Comme cette pandémie l'a démontré, l'importance des investisseurs professionnels n'a fait qu'augmenter. Et cela ne devrait pas être une mauvaise nouvelle ou une déception pour personne.

Pour en savoir plus sur ce sujet, rejoignez Larry Cao, CFA et d'autres experts du secteur pour le webinaire "L'IA et le Big Data peuvent-ils aider les investisseurs à naviguer dans la pandémie?»Le jeudi 13 août à 19 h HKT.

Si vous avez aimé ce post, n'oubliez pas de vous abonner à la Investisseur entreprenant.


Tous les articles sont l'opinion de l'auteur. En tant que tels, ils ne doivent pas être interprétés comme des conseils d’investissement et les opinions exprimées ne reflètent pas nécessairement les vues du CFA Institute ou de l’employeur de l’auteur.

Crédit d'image: © Getty Images / KTSDESIGN / SCIENCE PHOTO LIBRARY

Larry Cao, CFA

Larry Cao, CFA, directeur principal de la recherche industrielle, CFA Institute, mène des recherches originales en mettant l'accent sur les tendances du secteur de l'investissement et son expertise en matière d'investissement. Ses intérêts de recherche actuels incluent les stratégies multi-actifs et les FinTech (y compris l'IA, le big data et la blockchain). Il a dirigé le développement de publications populaires telles que FinTech 2017: China, Asia and Beyond, FinTech 2018: The Asia Pacific Edition, Multi-Asset Strategies: The Future of Investment Management et AI Pioneers in Investment management. Il est également un conférencier fréquent lors de conférences de l'industrie sur ces sujets. Pendant son séjour à Boston pour poursuivre des études supérieures à Harvard et en tant que chercheur invité au MIT, il a également co-écrit un article de recherche avec le lauréat du prix Nobel Franco Modigliani qui a été publié dans le Journal of Economic Literature de l'American Economic Association.
Larry a plus de 20 ans d'expérience dans le secteur des placements. Avant de rejoindre le CFA Institute, Larry a travaillé chez HSBC en tant que senior manager pour la région Asie-Pacifique. Il a débuté sa carrière à la Banque populaire de Chine en tant que gestionnaire de portefeuille de titres à revenu fixe en USD. Il a également travaillé pour les gestionnaires d'actifs américains Munder Capital Management, gérant des portefeuilles d'actions américaines et internationales, et Morningstar / Ibbotson Associates, gérant des programmes d'investissement multi-actifs pour une clientèle d'institutions financières mondiales.
Larry a été interviewé par un large éventail de médias commerciaux, tels que Bloomberg, CNN, le Financial Times, le South China Morning Post et le Wall Street Journal.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *