L’Intelligence artificielle (IA) et l’apprentissage automatique sont à l’origine d’une transformation rapide des entreprises et de leurs pratiques. Les marchés financiers pourraient bien définir les gagnants et les perdants de la course à l’IA un peu trop rapidement, alors même que tous les impacts économiques de cette nouvelle technologie prendront plus de temps à se matérialiser. En tant qu’investisseur de long terme et gérant d’actifs responsable, nous visons à trouver un équilibre de notre utilisation de l’IA avec l’objectif de maximiser la performance et de réduire les risques, à la fois dans nos processus d’investissement mais aussi dans les pratiques des entreprises dans lesquelles nous investissons.
Les grands modèles de langage (Large Language Models, LLM), comme ChatGPT, ont nettement accéléré l’adoption de l’IA à travers le monde. À l’instar de la machine à vapeur, de l’électricité ou encore de l’ordinateur, l’IA est la nouvelle technologie à usage général (General-Purpose Technology, GPT) qui promet de révolutionner la vie quotidienne et le monde des affaires en dopant la productivité. Grâce à un codage et à une innovation plus rapides, les premiers utilisateurs de l’IA renforcent d’ores et déjà leur avantage concurrentiel en réduisant les coûts et en stimulant les ventes.
L’apprentissage automatique au service des prévisions et de l’allocation d’actifs
Chez Generali Investments, les équipes de Recherche s’appuient de plus en plus sur le potentiel de l’apprentissage automatique (Machine Learning, ML) pour définir leurs prévisions et leurs recommandations d’allocation.
Ainsi, dans le cadre de notre Allocation d’Actifs Tactique, nous intégrons l’apprentissage automatique pour l’optimiser. En analysant les données macroéconomiques historiques, nous cherchons à prévoir la performance des obligations et des actions « sans risque ». Cette analyse guide nos décisions d’allocation d’actifs et contribue à garantir le bon équilibre de nos positions.
Par ailleurs, en ce qui concerne la sélection de modèles de régression, nous avons amélioré notre sélection de modèles économétriques traditionnels à l’aide d’Algorithmes Génétiques (AG). Cette méthode efficace fondée sur la recherche réduit le temps de développement des modèles tout en améliorant le pouvoir prédictif. Elle imite la loi de la « survie du plus apte » pour affiner les modèles d’investissement, ce qui facilite notre processus de sélection des secteurs et des styles dans l’univers des actions.
Nous avons aussi fait évoluer notre modèle interne de notation des obligations d’État avec l’apprentissage automatique comme deuxième pilier de l’approche « classique » fondée sur la régression. En utilisant un algorithme de regroupement des indicateurs économiques, nous attribuons des catégories de notation aux pays. Notre approche, axée sur les données, garantit l’absence de lien avec des seuils prédéfinis qui répartissent les pays en groupes ou avec des indicateurs spécifiques (comme les notations des agences), mais se base sur les données elles-mêmes, ce qui en fait une mesure totalement indépendante.
Obligations : le deep learning transforme le processus d’investissement
Dans l’univers des obligations, les technologies d’IA et d’apprentissage automatique, notamment les réseaux de neurones du deep learning et les méthodes d’ensemble comme le gradient boosting, stimulent l’innovation. Les modèles de deep learning imitent la prise de décision humaine via des couches interconnectées de neurones artificiels, tandis que les méthodes d’ensemble combinent les prédictions de plusieurs modèles moins performants − généralement des arbres de décision − afin de créer un modèle final solide et précis.
Nous intégrons activement ces technologies de pointe dans nos processus d’investissement obligataire, ce qui nous permet d’optimiser la construction des portefeuilles. Elles s’appuient sur les données historiques des cours, sur les caractéristiques des obligations et la volatilité du marché afin d’évaluer les probabilités de performance de chaque titre.
Dans un paysage financier en constante évolution, nous explorons des approches innovantes visant à améliorer l’Allocation d’Actifs Tactique grâce à des techniques de traitement avancé du signal et d’apprentissage automatique. Ces dernières années, ces technologies ont permis aux investisseurs d’analyser de vastes quantités de données, ce qui s’est traduit par des hypothèses de marché des capitaux (CMA) affinées, qui sont désormais au cœur de l’optimisation des portefeuilles.
Notre nouveau modèle de facteurs de risque, combiné à un regroupement de séries de données chronologiques, offre une compréhension plus approfondie du comportement du marché, fournissant des informations nuancées sur la dynamique des risques et des rendements. La synergie du traitement avancé du signal, de l’apprentissage automatique et des CMA améliorées, transforme notre processus d’investissement, inaugurant une ère plus stratégique et plus réactive pour la gestion de portefeuille.
L’intégration de la technologie de traitement du langage naturel (NLP) dans la finance ouvre d’autres portes à la transformation. Generali Investments s’appuie désormais sur des modèles internes de traitement du langage naturel pour extraire des tendances thématiques de l’immense corpus d’informations financières, offrant ainsi de précieuses indications sur le sentiment de marché. Le NLP traite efficacement d’autres données textuelles volumineuses, ce qui constitue un gain de temps et donne la possibilité d’intégrer ou d’extraire des informations essentielles pour une meilleure prise de décision.
Il peut également faciliter l’automatisation de la génération de rapports en interrogeant intelligemment les documents et en contextualisant les données, réduisant ainsi la charge de travail des analystes.
Ces innovations soulignent le rôle central que joue le traitement du langage naturel dans la modernisation du secteur financier et l’optimisation des opérations.
Que ce soit dans la construction de portefeuille, les modèles d’allocation d’actifs ou l’analyse du sentiment de marché, on ne soulignera jamais assez l’importance de la quantité de données et de la répartition entre les ensembles d’apprentissage et de test. En se basant sur un ensemble de données d’apprentissage solide, les modèles sont en mesure de saisir les tendances et relations complexes sur les marchés financiers, tandis qu’un ensemble de tests définis valide leur capacité de généralisation.
C’est pourquoi nous pensons qu’au cours des mois et des années à venir, nous assisterons à une accélération de l’innovation et de l’adoption de l’IA dans tous les secteurs, à mesure que les technologies émergeront.
Par ailleurs, l’IA offrira selon nous des opportunités d’investissement, qui se trouveront non seulement dans le secteur de la technologie, mais aussi des services à forte intensité de connaissances ainsi que dans les entreprises manufacturières, qui peuvent améliorer leur efficacité grâce à l’adoption de l’IA.
