Publié le 6 novembre 2025 à 06h49. L’investissement quantitatif entre dans une nouvelle ère grâce à l’intelligence artificielle, promettant des prédictions plus précises et une meilleure gestion des risques, mais suscitant également des interrogations sur la transparence des modèles.
- L’IA permet d’analyser des volumes de données massifs et de détecter des relations complexes, allant au-delà des modèles quantitatifs traditionnels.
- Pictet Asset Management a développé une approche de l’IA basée sur des modèles internes rigoureusement testés, conçus pour éviter le surapprentissage et s’adapter aux fluctuations du marché.
- L’entreprise met l’accent sur la transparence de ses modèles d’IA, cherchant à comprendre comment les résultats sont obtenus pour garantir la fiabilité et l’explicabilité des décisions d’investissement.
L’investissement quantitatif, une approche systématique de sélection des investissements basée sur des algorithmes, existe depuis les années 1980. Initialement axée sur des facteurs simples comme la capitalisation boursière ou la valeur d’une action, cette méthode a évolué avec l’augmentation de la puissance de calcul et la disponibilité de données massives. Aujourd’hui, l’intelligence artificielle (IA) propulse cette approche vers une nouvelle génération, baptisée « Quant 2.0 ».
La puissance de l’IA réside dans sa capacité à traiter des quantités considérables de données et à identifier des relations de plus en plus complexes. Les premiers modèles quantitatifs se limitaient à des connexions linéaires entre les variables, mais l’IA permet désormais de prendre en compte les relations non linéaires et les interactions entre différents ensembles de données. Cette combinaison offre un signal plus clair pour anticiper la performance future d’un titre.
Cependant, l’engouement pour l’IA a conduit à une prolifération de produits d’investissement étiquetés « IA », dont certains sont considérés comme purement marketing. Pictet Asset Management se distingue en développant ses propres modèles d’IA, fruit de nombreuses années de recherche par des experts titulaires de doctorats en physique et en mathématiques. Ces modèles ont été entraînés sur environ 400 caractéristiques issues de diverses sources de données sur une période d’environ 15 ans, puis soumis à des tests rigoureux dans différentes conditions économiques.
L’objectif est non seulement de maximiser le potentiel prédictif, mais aussi de garantir que les modèles ne soient pas surajustés, c’est-à-dire qu’ils ne se contentent pas de mémoriser les données passées mais qu’ils soient capables de fonctionner efficacement dans un environnement économique en constante évolution. De nouvelles sources de données sont constamment évaluées et intégrées aux modèles après des tests approfondis.
Les modèles d’IA étaient autrefois considérés comme des « boîtes noires », en raison de la difficulté à comprendre leur fonctionnement interne. Pictet Asset Management s’efforce de lever cette opacité en analysant en détail comment les résultats sont obtenus, en distinguant les contributions des relations linéaires, non linéaires et des interactions entre les données. Cette transparence permet d’expliquer les sources de la performance des investissements et d’identifier les éventuels dysfonctionnements du modèle.
L’investissement basé sur l’IA n’est pas entièrement automatisé. Les prédictions du modèle servent de guide aux gestionnaires de placements, qui prennent les décisions finales d’achat ou de vente. Cependant, le développement et l’amélioration continue du modèle nécessitent l’expertise de professionnels qualifiés. Des restrictions sont également imposées au portefeuille, notamment en matière de neutralité par rapport aux facteurs, aux secteurs et aux régions.
Pour les clients, l’approche « Quest AI-Driven » de Pictet Asset Management vise à offrir une stratégie présentant un profil de risque similaire à celui du marché dans son ensemble, tout en offrant un potentiel de rendement supplémentaire. Même une petite amélioration du rendement annuel peut avoir un impact significatif sur le long terme. De plus, cette approche nécessite moins de personnel que la gestion active traditionnelle, ce qui se traduit par des coûts de gestion inférieurs, comparables à ceux d’une stratégie passive.
Lexique de l’IA : les termes clés
Algorithme |
Facteurs d’investissement |
Apprentissage automatique |
Relations linéaires |
|
Séquence d’instructions qu’un ordinateur exécute pour résoudre un problème ou prendre une décision. En investissement, les algorithmes analysent les données et aident à déterminer quelles actions acheter ou vendre. |
Caractéristiques spécifiques qui expliquent pourquoi certaines actions ont tendance à mieux performer, comme la valeur, le momentum (tendance à la hausse) ou la qualité (solidité financière). |
Technologie permettant aux ordinateurs d’apprendre à partir des données et d’améliorer leur prise de décision sans programmation explicite. C’est comme apprendre à un ordinateur à apprendre de l’expérience. |
Connexion directe entre deux variables où un changement dans l’une entraîne un changement proportionnel dans l’autre (ligne droite sur un graphique). |
Relations non linéaires |
Interactions |
Surapprentissage |
Boîte noire |
|
Relations complexes où les changements dans une variable n’entraînent pas de changements proportionnels dans une autre. La relation peut être courbe, fluctuante ou dépendre d’autres facteurs. |
Situations où l’effet d’un facteur dépend du niveau d’un autre. Deux ou plusieurs facteurs interagissent et affectent le résultat différemment que s’ils agissaient seuls. |
Lorsqu’un modèle apprend non seulement le modèle général mais aussi le bruit aléatoire des données passées, le rendant trop adapté aux informations historiques et performant mal sur de nouvelles données. |
Système où les entrées et les sorties sont visibles, mais dont le fonctionnement interne est caché ou trop complexe à comprendre. En investissement, cela signifie ne pas savoir exactement comment les décisions sont prises. |
Transparence de l’IA |
Facteur neutre |
Neutre sectoriel |
|
|
Degré d’ouverture, de compréhension et d’explicabilité des processus et des décisions de l’IA. Une plus grande transparence renforce la confiance des investisseurs. |
Approche de portefeuille qui équilibre les effets des facteurs d’investissement courants pour que la performance du portefeuille soit déterminée par d’autres informations spécifiques. |
Stratégie dans laquelle les investissements sont équilibrés entre les secteurs pour éviter un risque supplémentaire ou un biais excessif. Cela garantit que les résultats du portefeuille ne sont pas indûment influencés par la performance d’un secteur particulier. |
Par David Wright, responsable des investissements quantitatifs chez Pictet Asset Management
Autres messages populaires :