L'apprentissage automatique est un domaine de recherche consacré à la compréhension et à l'élaboration de méthodes qui exploitent les données pour améliorer les performances sans l'aide de l'homme. Il fait partie de l'intelligence artificielle.
Les algorithmes d'apprentissage automatique construisent un modèle basé sur des échantillons de données, appelés données d'entraînement, pour faire des prédictions ou prendre des décisions sans être explicitement programmés pour le faire. Ces algorithmes sont utilisés dans une grande variété d'applications, telles que la médecine, le filtrage du courrier électronique, la reconnaissance vocale et la vision par ordinateur, où il est difficile ou irréalisable de développer des algorithmes conventionnels pour effectuer les tâches nécessaires.
Alors que le trading algorithmique est largement appliqué depuis longtemps à l'investissement, l'IA pourrait également être utilisée pour prendre des décisions aux premiers stades de la formation d'un portefeuille. Les avantages potentiels de l'IA sont les suivants
- Une puissance de calcul supérieure permettant d'analyser une masse de données en peu de temps ;
- l'évitement des biais cognitifs auxquels les humains sont sensibles ; l'IA est plus rationnelle ;
- L'IA peut-elle remplacer les humains dans la prévision des rendements boursiers ou améliorer leurs prévisions ?
L'IA contre les analystes humains
Sean Cao, Wei Jiang, Junbo Wang et Baozhong Yang, auteurs de From Man vs. Machine to Man + Machine : The Art and AI of Stock Analyses, publiés dans le numéro d'octobre 2024 du Journal of Financial Economics, ont examiné les performances de l'IA par rapport à celles des analystes humains en matière de prévision des rendements boursiers. L'objectif était de déterminer:
- Dans quelles circonstances les analystes humains conservent-ils leur avantage sur l'IA ?
- Quel est l'impact de la combinaison des analystes humains et de l'IA sur la précision des prévisions boursières ?
- Quelles sont les implications de ces résultats pour l'application plus large de l'IA dans les professions qualifiées et les processus de prise de décision ?
Les auteurs ont construit leur propre modèle d'IA pour prédire les rendements boursiers à 12 mois (déduits des prix cibles à 12 mois) et les ont comparés aux prévisions des analystes faites au même moment sur les mêmes actions. Ils ont recueilli des variables macroéconomiques, sectorielles et au niveau de l'entreprise, ainsi que des informations textuelles provenant de la communication des entreprises, des actualités et des médias sociaux (mises à jour juste avant les prévisions des analystes), en excluant délibérément les informations provenant des prévisions des analystes eux-mêmes, afin que le modèle d'IA ne bénéficie pas des idées des analystes.
Leur échantillon de prévisions d'analystes a été constitué à partir de la base de données d'analystes Thomson Reuters Institutional Brokers Estimate System. Après fusion de l'IBES avec les données CRSP et Compustat, l'échantillon final se compose de 1 153 565 prévisions de prix à 12 mois pour 6 315 entreprises, émises par 11 890 analystes de 861 sociétés de courtage, et de 5 885 063 prévisions de bénéfices du premier au quatrième trimestre pour 8 062 entreprises, émises par 14 363 analystes de 926 sociétés de courtage. Leur modèle couvre la période 2001-18. Les auteurs ont trouvé :
1. Un analyste d'IA formé pour assimiler les informations sur les entreprises, les tendances sectorielles et les indicateurs macroéconomiques surpasse la plupart des analystes (54,5 %) en matière de prévisions de rendement des actions. L'avantage de la machine pourrait provenir soit de sa capacité supérieure à traiter l'information, soit de son immunité contre les biais humains prévisibles dus à des incitations ou à des traits psychologiques.
2. Par rapport aux analystes, le modèle d'IA a pu générer des rendements supérieurs, ou alpha, de l'ordre de 50 à 72 points de base par mois, statistiquement significatifs au niveau de 1 % dans presque tous les cas.
3. Le modèle d'IA a confortablement battu les analystes dans les quantiles de faible compétence et a été pratiquement à égalité avec les analystes (ratio de battement des analystes de 49,3 %) qui ont démontré une performance supérieure au cours de chacune des cinq dernières années, une excellence atteinte par seulement 7,3 % de l'ensemble des analystes.
4. Les variables macroéconomiques et les rendements des entreprises ont contribué le plus (27,6 % et 24,4 %, respectivement) aux prouesses du modèle d'IA, suivies par les variables des caractéristiques de l'entreprise (22 %) et les informations textuelles (9,3 %) - ce qui souligne l'importance des informations qualitatives. Les informations tirées des bénéfices représentent la part la plus faible (2 %).
5. Les humains l'emportent sur l'IA lorsque les connaissances institutionnelles sont cruciales, par exemple lorsqu'il s'agit d'actifs incorporels et de difficultés financières. Par exemple, les analystes humains sont plus performants lorsqu'il s'agit de prédire les rendements d'entreprises plus petites et moins liquides. Ils sont également plus performants en présence d'actifs incorporels, dans les secteurs ou les entreprises connaissant des changements rapides ou une forte dynamique concurrentielle, et dans les cas où les entreprises sont confrontées à un risque de détresse plus élevé ou subissent des tensions financières importantes.
6. L'IA est gagnante lorsque l'information est transparente mais volumineuse.
7. Après avoir ajouté les prévisions des analystes à l'ensemble d'informations des modèles d'apprentissage automatique sous-jacents à leur analyste d'IA, le modèle résultant a surpassé 54,8 % des prévisions du modèle d'IA seul, tout en réduisant également les erreurs extrêmes.
8. Les analystes et le modèle d'IA étaient à peu près aussi susceptibles de commettre des erreurs extrêmes (9,3 % et 7,8 %, respectivement, en utilisant le seuil du 90e percentile) - le modèle combiné a évité environ 90 % des erreurs extrêmes commises par les analystes humains et 40 % de celles commises par l'IA seule.
9. Le modèle combiné exploite les forces complémentaires de l'homme et de l'IA. L'IA excelle dans le traitement de grands volumes de données et l'identification de modèles, tandis que les analystes humains apportent une compréhension nuancée et des informations contextuelles, ce qui permet d'obtenir un outil de prévision plus robuste et plus fiable.
10. Les analystes rattrapent les machines lorsque des « données alternatives » deviennent disponibles et que leurs employeurs développent des capacités d'IA.
11. Les synergies documentées entre les humains et les machines indiquent comment les humains peuvent tirer parti de leur avantage pour mieux s'adapter aux prouesses croissantes de l'IA.
Swedroe : l'ère de la dormance pour les actions japonaises est-elle terminée ?
Augmentées par l'IA
La conclusion la plus intéressante est peut-être que si le modèle a surpassé les analystes en matière de prévision des rendements, lorsqu'il s'agit de prédire les bénéfices, les analystes ont battu la machine avec une probabilité de 69,2 %. Toutefois, le modèle combinant les analystes et l'IA a surpassé 55 % des prévisions des analystes.
Ces résultats ont conduit les auteurs à conclure : « Dans l'ensemble, cette étude soutient l'hypothèse selon laquelle les capacités des analystes pourraient être renforcées par l'IA et, plus important encore, que le travail des analystes possède une valeur ajoutée et des synergies avec la modélisation de l'IA, en particulier dans des situations inhabituelles et en évolution rapide. »
Ils ajoutent : « Bien que l'avenir de l'IA reste incertain, les parties des compétences humaines qui s'ajoutent à l'IA, comme nous l'avons documenté, permettent une collaboration et une augmentation prometteuses entre l'homme et la machine. »
Recherche empirique sur les performances des fonds d'IA
Il existe une étude que nous pouvons examiner sur la performance en direct des fonds communs de placement alimentés par l'IA.
Rui Chen et Jinjuan Ren, auteurs de l'étude « Do AI-Powered Mutual Funds Perform Better ? » publiée dans le numéro d'août 2022 de Finance Research Letters, ont évalué les performances des fonds communs de placement alimentés par l'IA. Leur échantillon de données provenait de la base de données CRSP Survivor-Biasree US Mutual Fund Database et couvrait la période de 26 mois allant de novembre 2017 à décembre 2019.
Ils ont étiqueté les fonds alimentés par l'IA comme ceux qui utilisent des technologies d'apprentissage automatique pour sélectionner activement les actions dans le choix du portefeuille ; les fonds quantitatifs comme ceux qui utilisent des règles fixes et des méthodes numériques pour générer des modèles pilotés par ordinateur et prendre des décisions d'investissement ; et les fonds discrétionnaires comme les fonds traditionnels qui sélectionnent les actions et prennent des décisions d'investissement principalement grâce au jugement humain. Voici un résumé de leurs conclusions :
1. La performance des fonds communs de placement alimentés par l'IA ne s'est pas distinguée statistiquement de l'ensemble du marché au cours de 25 des 26 mois de la période d'échantillonnage.
2. Les fonds alimentés par l'IA n'ont pas généré de rendements significatifs ajustés au risque et n'ont montré que des compétences marginalement supérieures en matière de sélection de titres (uniquement par pondération égale) et aucune compétence en matière d'anticipation du marché.
3. Les fonds alimentés par l'IA ont surperformé leurs homologues gérés par des humains en raison d'un taux de rotation plus faible (31 % contre 72 %), ce qui a permis de réduire les coûts de transaction et d'améliorer légèrement les compétences en matière de sélection des titres.
4. Les fonds alimentés par l'IA détenaient moins d'actions (149 contre 197) - leurs portefeuilles étaient donc plus concentrés.
5. Les fonds alimentés par l'IA ont évité certains biais comportementaux courants (tels que l'effet de disposition).
Apports pour les investisseurs
Cao, Jiang, Wang et Yang ont montré qu'il était possible d'améliorer les prévisions boursières en intégrant les forces de l'IA et des analystes humains, ce qui permet d'obtenir de meilleurs résultats que si l'on s'en remettait uniquement à l'un ou à l'autre. Ils ont démontré que l'IA et les analystes humains se complètent : l'IA excelle dans le traitement de grands volumes de données et l'identification de modèles, tandis que les humains apportent une compréhension contextuelle, de l'intuition et des perspectives nuancées. La reconnaissance de ces synergies aide à concevoir des systèmes où les apports de l'IA et de l'homme sont maximisés. Toutefois, rien ne prouve à ce jour que les fonds alimentés par l'IA soient plus performants sur une base ajustée au risque.
L'enseignement le plus important est peut-être que les modèles d'IA permettent d'éviter les biais humains, rendant les prévisions plus précises, ce qui devrait rendre les marchés plus efficaces, réduisant ainsi la possibilité de générer de l'alpha grâce à la sélection des titres.
Larry Swedroe est l'auteur ou le coauteur de 18 ouvrages sur l'investissement, dont son dernier Enrich Your Future.
