Copilote, pas pilote automatique : manière dont l’IA générative complète, mais ne remplace pas la gestion active

L’intelligence artificielle (IA) est communément définie comme des machines qui imitent les fonctions cognitives du cerveau humain. Dans certains cas, comme le jeu de dames, où les règles sont simples, la barre est relativement basse. C’est d’ailleurs l’un des premiers cas d’utilisation de l’IA qui a été présenté par Arthur Lee Samuel en 1952.¹ Cependant, la barre s’élève de manière exponentielle à chaque niveau de complexité. Ce n’est qu’en 1997 que Gary Kasparov a perdu un match complet contre Deep Blue.² Il a fallu près de deux décennies de plus, malgré les progrès exponentiels de la puissance informatique au cours de cette période, pour qu’AlphaGo batte le grand maître du go Lee Sedol en 2016.³ Ainsi, bien que les progrès de l’IA, y compris ceux dont nous parlerons dans cet article, augmentent la capacité cognitive collective de la Terre, il est prématuré de se mettre à l’abri de robots intelligents ou même de craindre qu’ils ne remplacent totalement de nombreux travailleurs du savoir, tels que les professionnels de l’investissement.

En revanche, avec l’avènement des grands modèles de langage (large language models ou LLM), qui sont des algorithmes d’apprentissage profond entraînés sur des ensembles de données gigantesques, les résultats de l’IA peuvent aller de résumés concis à des aperçus détaillés. La première chose qui vient à l’esprit est le GPT-3 d’OpenAI, dont ChatGPT est le résultat.⁴ Le GPT-3 a été formé sur la quasi-totalité de l’internet et sur la plupart des livres.⁵ Son réseau neuronal a ainsi été doté de 175 milliards de paramètres,⁶ qu’il utilise pour émettre des avis sur des sujets allant du banal au sublime. Avec des téraoctets de données d’entraînement, une grande puissance amplifiée par l’informatique distribuée et une certaine ingéniosité humaine de la vieille école, les applications de l’IA dans de nombreux domaines, y compris l’investissement, continueront à progresser rapidement. Bien que nombre d’entre elles dépassent le cadre de cet article introductif, nous présentons des cas d’utilisation de l’IA par différents investisseurs afin d’améliorer potentiellement les résultats et les flux de travail souhaités.

Capacités en matière d’IA : Analyse des données et pouvoir prédictif

En poussant l’investissement à l’extrême, nous pourrions dire qu’il s’agit de déterminer la juste valeur des actifs en analysant le maximum d’informations publiques disponibles, puis, si les prix du marché diffèrent des résultats, d’acheter ou de vendre ces actifs. La quantité de données pertinentes est énorme - documents financiers, transcriptions de résultats, dépôts réglementaires, articles de presse, témoignages d’une journée entière devant le Congrès et, aujourd’hui, même les conversations Reddit et les tweets. Ces données sont bruyantes, non normales et de plus en plus non structurées (c’est-à-dire difficiles à analyser). Les LLM peuvent à la fois consommer et, surtout, comprendre ces données à des taux supérieurs à ceux de n’importe quelle équipe d’analystes.

L’un des résultats de base de cette tâche est la capacité à résumer des informations pour la consommation humaine, qu’il s’agisse de milliers de fils de discussion sur les médias sociaux rédigés dans la langue vernaculaire des zoomers (« no cap »⁷) ou du jargon juridique dense d’une déposition d’entreprise (véritablement⁸). En outre, l’IA peut combiner différents ensembles de données pour en extraire des informations qui ne sont pas immédiatement visibles, même pour un investisseur humain chevronné.

Alors, devrions-nous tous prendre notre retraite et laisser les machines prendre le relais? Pas si vite. Lorsqu’ils sont correctement sollicités, les diplômés en droit sont prompts à donner des réponses avec l’assurance d’un économiste qui débite des points de vue à la télévision. Cela s’explique par le fait que les LLM sont formés, à un niveau pavlovien, à offrir des réponses auxquelles les humains font confiance. La plupart des algorithmes prévoient une fonction de récompense pour les réponses acceptables. Mais leur confiance est-elle justifiée? Cela dépend de nombreux facteurs, et même s’ils sont alimentés par des données de haute qualité, les algorithmes d’apprentissage profond sont faillibles. Par exemple, les modèles transformateurs (qui interprètent la plupart des LLM) peuvent facilement dévier de leur trajectoire, ou halluciner, parce qu’ils fonctionnent en prédisant séquentiellement le mot suivant le plus probable dans une phrase. Il s’agit d’un processus autorégressif, dans lequel les mots générés par le LLM lui-même sont utilisés pour prédire les suivants. À première vue, cela ressemble à la façon dont les humains pensent (après tout, les mots que nous prononçons ensuite sont basés sur ceux qui viennent de sortir de notre bouche) mais les LLM ont beaucoup plus de mal à se rendre compte qu’ils disent n’importe quoi. Reconnaître quand une IA confiante se trompe lourdement, lui poser des questions avec précision, affiner sa formation et l’alimenter avec les données les plus nutritionnelles sont autant de raisons pour lesquelles l’homme reste un élément crucial du processus. Nous proposons ci-dessous des exemples pratiques dans le monde de l’investissement.

Cas d’utilisation pour la gestion d’actifs, la gestion de patrimoine, les opérateurs et les épargnants

Les investisseurs de tous horizons peuvent potentiellement bénéficier de l’utilisation de l’IA. La technologie ne mettra pas les négociateurs de détail sur un pied d’égalité avec les investisseurs institutionnels, car ils n’ont pas accès aux données disproportionnellement coûteuses et souvent propriétaires sur lesquelles former un système d’IA que les investisseurs institutionnels cultivent depuis des décennies; ils ne sauraient généralement pas non plus comment affiner les algorithmes d’apprentissage en profondeur pour maximiser leur potentiel. L’IA peut néanmoins accroître l’échelle, la rapidité et la sophistication de la plupart des investisseurs.

Cas d’utilisation de la gestion des actifs :

Les gestionnaires de portefeuille peuvent former les LLM aux appels de résultats, à l’évolution du cours des actions, aux articles de presse et aux discussions sur les médias sociaux. Ils peuvent également saisir des informations sur les biais comportementaux (théorie selon laquelle les inefficacités du marché sont dues à l’irrationalité humaine), leurs propres notes de recherche, les notations de titres et les exécutions de transactions. Après l’entraînement, ces données peuvent être introduites dans le LLM en temps réel. Cela conduit à son tour à plusieurs nouvelles applications telles que :

• Combiner le sentiment exprimé par des informations non structurées (tweets, subreddits, rapports d’analystes, actualités, etc.) avec des données structurées (facteurs de base de l’entreprise, prévisions du consensus, indicateurs macroéconomiques) pour identifier les incongruités qui peuvent conduire à des mouvements de prix importants.
• L’IA peut aider les gestionnaires de risques en fournissant des alertes précoces sur les chocs du marché déduits des effets secondaires et tertiaires. Imaginons, par exemple, un portefeuille de titres à revenu fixe dans lequel les écarts de crédit de certaines positions commencent à s’élargir rapidement. Un gestionnaire humain comprendrait immédiatement le risque accru pour ces positions sous-jacentes, mais qu’en est-il du reste du portefeuille? Une IA dotée de milliards de synapses optimisées pourrait prédire quels émetteurs pourraient être le prochain domino sur la base d’une multitude de points de données - des corrélations de séries temporelles aux articles de presse en passant par les rapports annuels des entreprises. Un exemple récent, bien que tragique, serait l’invasion de l’Ukraine qui a entraîné une contraction soudaine des exportations de gaz de néon, un composant clé des semi-conducteurs automobiles affectant les fabricants de puces, ce qui a ensuite eu un impact sur les constructeurs automobiles. Un réseau neuronal bien entraîné pourrait trouver ce lien complexe au moment où le premier mortier a frappé Mariupol, ce que peu d’humains ont fait.
• L’IA peut alerter les gestionnaires de portefeuille si les transactions qu’ils souhaitent effectuer présentent des biais comportementaux. Par exemple, selon l’effet de disposition, certains investisseurs sont réticents à vendre des positions perdantes, mais heureux de se débarrasser d’actifs dont le prix vient de grimper en flèche. C’est en faisant la différence entre une décision prudente étayée par des valorisations et une décision motivée par des émotions, comme l’évitement des regrets, qu’une IA formée aux transactions précédentes et à la finance comportementale peut jouer le rôle d’un coach impartial.
• Comme les LLM peuvent traiter des requêtes conversationnelles, les fossés de connaissances pour effectuer des tâches d’investissement complexes - comme l’optimisation multi-période, la simulation de stratégie et la décomposition des facteurs - s’assèchent. D’une certaine manière, l’IA générative démocratise certains des superpouvoirs que les investisseurs quantitatifs (ou quant) détenaient auparavant. Bientôt, un gérant de portefeuille multiactifs pourra demander à son copilote IA de « construire un portefeuille qui résiste le mieux à un changement de cap de la Réserve fédérale américaine, mais qui pourrait encore offrir un rendement de 4 %, qui ne surpondère pas le facteur de croissance et dont le risque annualisé n’aurait pas été supérieur à 17 % au cours des cinq dernières années », et obtenir un modèle en retour. À condition, bien sûr, qu’il soit possible d’en construire un avec ces obstacles. Bien que nous sachions qu’il n’existe aucune garantie d’atteindre ces résultats, nous travaillons à la mise en place d’un tel outil chez Franklin Templeton Investment Solutions.

Cas d’utilisation dans l’investissement durable :

Les analystes environnementaux, sociaux et de gouvernance d’entreprise (ESG) pourraient former leur système d’IA à partir des déclarations de durabilité des entreprises publiques, des mesures ESG quantifiables et des communiqués de presse relatifs aux déclarations ESG d’une entreprise.

• L’IA pourrait alors tenter de déterminer si les croyances populaires concernant les pratiques ESG d’une entreprise correspondent à la réalité, ou si les entreprises mettent en pratique ce qu’elles prêchent en ce qui concerne un certain nombre d’indicateurs de viabilité, tels que l’égalité salariale, la réduction de l’empreinte carbone et l’indépendance du conseil d’administration.
• En analysant les données qui n’ont pas encore été publiées, l’IA peut identifier les entreprises qui améliorent leurs pratiques ESG. L’identification précoce de ces facteurs d’amélioration ESG peut permettre d’obtenir de meilleurs résultats d’investissement. Par exemple, que se passerait-il si une entreprise en proie à une controverse sur le traitement qu’elle réserve aux employés issus de minorités commençait à intégrer des termes relatifs à la diversité, à l’équité et à l’inclusion (DEI) dans ses dernières offres d’emploi? L’IA peut générer des inférences à partir de points de données comme celui-ci presque en temps réel lorsqu’elle est correctement réglée et entraînée.

Cas d’utilisation dans la gestion de patrimoine :

Les conseillers financiers peuvent utiliser les systèmes d’IA pour maximiser la capacité de leurs clients à atteindre les objectifs qui leur tiennent le plus à cœur, une tâche qui va souvent au-delà de la simple maximisation du rendement pour un niveau de risque donné.

• La détermination des objectifs d’investissement et de la tolérance au risque des clients se fait souvent par le biais de questions simples. Mais dans quelle mesure les clients se connaissent-ils eux-mêmes, en particulier sous la contrainte? Les conseillers reçoivent souvent des appels téléphoniques de clients paniqués après de petites baisses du marché, exigeant des mesures « correctives », même de la part de ceux qui disent pouvoir tolérer de grandes fluctuations du marché. Ces demandes vont souvent à l’encontre des intérêts des clients. L’IA formée sur les interactions passées peut aller au-delà des enquêtes et mieux prédire le comportement des clients pour suggérer les portefeuilles les plus susceptibles de les maintenir investis en cas de volatilité et même recommander des opportunités de contact proactif, avant que la panique ne s’installe.
• Tout comme la tolérance au risque déclarée par le client peut ne pas correspondre à la réalité, les objectifs financiers du client ne sont souvent pas correctement hiérarchisés. L’IA peut analyser les habitudes de consommation, les besoins et les désirs des clients afin de tracer un chemin dynamique susceptible de maximiser les chances d’atteindre leurs objectifs les plus prioritaires, tout en minimisant le risque de manquer d’argent. C’est un domaine où nous avons été pionniers dans l’utilisation de l’IA depuis 2020, en créant une solution qui fait des recommandations personnalisées en matière d’allocation d’actifs et de consommation.

Cas d’utilisation pour les investisseurs du secteur de la distribution :

La plupart des exemples ci-dessus requièrent de nombreuses données propriétaires et les connaissances nécessaires pour former et ajuster les modèles. Il convient de répéter que si l’IA est un pas vers la démocratisation de l’investissement, elle n’est pas un facteur d’égalité. Sans des téraoctets de données de qualité, des flux en temps réel et une puissance de calcul exceptionnelle, même les investisseurs individuels sophistiqués seront désavantagés par rapport aux institutions. Néanmoins, les modèles d’IA disponibles dans le commerce peuvent leur être utiles.

• Plus encore que les gérants de portefeuilles institutionnels, qui ont généralement des gestionnaires de risques qui surveillent leurs activités, l’IA peut alerter les investisseurs individuels sur les biais comportementaux qu’ils peuvent manifester en fonction du contexte entourant leurs transactions. Par exemple, entrent-ils dans une position d’option où le risque pourrait dépasser de loin les transactions sur actions auxquelles ils sont habitués?
• L’IA peut aider à créer des graphiques pertinents, avec des superpositions thématiques pour donner un contexte visuel aux annonces de résultats, aux régimes économiques, aux marges bénéficiaires sectorielles et aux paiements possibles pour une stratégie de négociation.
• Les LLM peuvent extraire des concepts clés de longs documents, tels que des commentaires de gestion ou des discours de banquiers centraux, afin d’aider les épargnants à saisir les concepts clés.

Conclusion

Il est compréhensible que l’avènement de l’IA suscite à la fois des craintes et de l’enthousiasme et, comme pour la plupart des percées, la vérité nuancée devrait susciter un peu de ces deux sentiments. Si l’IA peut créer des externalités négatives, il est peu probable que l’éradication de l’humanité devienne son programme; et si elle améliorera nos vies, elle ne créera pas d’utopie. Pour l’instant, dans le monde de l’investissement, il peut jouer le rôle d’un analyste junior infatigable ou d’un coach impartial, comme l’illustrent les études de cas ci-dessus. En s’associant à des algorithmes, les investisseurs peuvent obtenir de meilleurs rendements, atténuer les risques, réduire leurs impulsions irrationnelles et se rapprocher de leurs objectifs financiers.