Vendredi 17 juillet 2020

Points experts

Recherche : Choisir pour vous le meilleur régime ! 

Les investisseurs ont depuis bien longtemps admis que les marchés sont fréquemment assujettis à des changements de régimes. En effet ils oscillent souvent entre des phases de croissance marquées par de faibles volatilités et des phases de paniques caractérisées par des performances négatives et une volatilité extrême. Ces changements de régimes sont évidemment liés à des évènements économiques (crise des subprimes, crise de la dette, …) ou sanitaires (crise de la covid 19) et représentent un risque systématique majeur pour les portefeuilles. Ainsi, savoir les identifier permet de protéger les portefeuilles de risques extrêmes et même de tirer profit de ces évènements. Ils permettent aussi d’enrichir les connaissances sur les mécanismes du changement de régimes et de fait les modèles d’investissement pour mieux aborder les crises suivantes. Fort de ces constats, nous avons développé de nouveaux outils de détection des changements de régimes basés des techniques de machine Learning (apprentissage automatique) avec un double objectif : détecter les périodes risk on / risk off sur le marché dans une approche performance absolue, mais aussi identifier les régimes favorables aux différents facteurs de style sur les marchés actions (Momentum, Low volatilité, croissance, Value, size,..) dans une approche benchmarkée. 

La problématique des changements de régimes a été largement abordée dans la littérature académique. Dans une étude publiée en 1999 sur la turbulence des marchés, Chow, Jacquier, Kritzman, and Lowry (1999) ont justifié l’existence de ces régimes. En 2002, Ang et Bekaert ont démontré que dans les régimes de forte volatilité, les corrélations entre les actifs augmentent fortement et la diversification au sein des portefeuilles n’est pas effective. En 1998, Clarke et de Silva ont montré que dans un monde avec plus d’un régime, il existe d’avantage d’opportunités pour les investisseurs qui adaptent leurs expositions en fonction des régimes de marché.

Le développement des techniques de Machine Learning et du « big data » a permis d’appliquer aux séries financières des modèles mathématiques sophistiqués ( « Hidden Markov switching model » que nous verrons plus loin) pour identifier les régimes de marché. Tout cela constitue un champ d’innovation pour l’industrie de la gestion d’actifs.

Les techniques de « Machine learning », qui se basent sur des modèles statistiques ou mathématiques en général, sont un domaine de l’intelligence artificielle qui permet d’identifier et de caractériser les liens pouvant exister au sein d’un large ensemble de données classiques (séries temporelles) comme alternatives (images, textes, flux d’informations, requêtes dans les réseaux sociaux, données transactionnelles, géolocalisation, etc.). Le « machine learning » est constitué de 2 parties : une partie apprentissage au cours de laquelle le modèle choisi va apprendre les relations entre les variables et une partie application dans laquelle le modèle va mettre en évidence ces relations et répondre à la problématique posée.

Aussi, en fonction de la nature des données, les méthodes statistiques utilisées en machine learning sont divisées en quatre branches : 

  • L’apprentissage supervisé pour les données labellisées (informations sur la donnée fournie) ;
  • L’apprentissage non-supervisé sur des données brutes ;
  • L’apprentissage profond, basé sur la réplication d’un réseau de neurones et l’apprentissage en couches ;
  • Des approches mixtes regroupant notamment l’apprentissage renforcé, semi-supervisé ou encore l’apprentissage actif.

 

Retrouvez le document en intégralité ci-dessous.

David Usemma

Ingénieur Recherche, Responsable projets Actions

Noémie Hadjadj-Gomes

Responsable de la Recherche

Document