Le big data s'impose dans la gestion d'actifs

 |   |  668  mots
(Crédits : DR)
Le big data est d'ores et déjà exploité dans le métier de la gestion d'actifs pour offrir des retours sur investissement plus robustes. Par Sylvain Favre Gilly, directeur général chez BlackRock, en charge la clientèle institutionnelle pour la France, la Belgique et le Luxembourg

Selon IBM, 90% des données sur les réseaux ont été créées ces deux dernières années ; une croissance exponentielle. A lui seul le volume de données générées en une minute par les recherches d'utilisateurs sur Google ou les messages sur Facebook est énorme. Dans ce flux, certaines données peuvent renseigner sur les indicateurs fondamentaux d'une économie ou d'une entreprise : par exemple les indicateurs d'opinions ou les indices de confiance, ou encore les préférences (recherches) des consommateurs en termes de marques, de produits.

Le secteur de la gestion d'actifs utilise déjà ce flux depuis quelques années. Il peut capturer les tendances sur Facebook ou analyser de grandes quantités de texte provenant des documents ou présentations des résultats d'une entreprise. Il applique ensuite les techniques de la « science des données » pour faire la différence entre les signaux générés et le bruit de fond. Cela passe souvent par de l'apprentissage automatique, dans lequel des algorithmes détectent et contrôlent les corrélations faussées. Cette analyse efficace des données suppose l'utilisation de systèmes informatiques de pointe.

Obtenir une surperformance

L'équipe scientifique (« Scientific Equity ») de BlackRock utilise des algorithmes développés en interne pour exploiter des informations de manière systématique dans le but d'obtenir une surperformance. Ses recherches sont d'ores et déjà intégrées dans plusieurs fonds « actions » de BlackRock, comme par exemple le « BSF Blackrock Systematic European Equity » ou le BSF BlackRock Systematic Global Equity Fund... Mais à terme elles pourraient aussi être appliquées aux fonds « obligataires » (composés d'obligations).

Ensuite, l'équipe analysera les données historiques à sa disposition sur le sujet retenu structurées ou nons (données d'analystes, évolution de cours, tableaux d'indicateurs économiques...) ou non (recherches Google, emails...).. Elle va tester la thèse pour mieux comprendre son mécanisme et voir dans quelle mesure il est possible de prévoir des évolutions sur cette base. Par exemple, les thèmes des recherches sur Internet permettent-elles de prévoir des changements notables dans la confiance des consommateurs?

Ainsi si indicateurs macro-économiques traditionnels éclairent surtout des faits passés, l'exploitation des données non structurées permet de connaitre en temps réel la confiance des consommateurs et des entreprises. Par exemple, le flot des recherches effectuées sur Google indiquent l'évolution de la consommation actuelle ou à venir des ménages : une hausse des requêtes sur les vacances, les voitures neuves ou les crédits immobiliers sont le signe d'une économie en bonne santé. Il est possible de suivre ces tendances de l'économie au niveau mondial ou par pays. Et de comparer cet indicateur de confiance des ménages entre l'Allemagne et la France par exemple. Donc de décider de modifier notre portefeuille et notre exposition à ces économies.

Se reposer sur des gestionnaires

L'intervention reste toutefois capitale dans le processus de recherche au moment de développer les thèses d'investissement. Si les modèles nous guident jour après jour, nous devons encore nous reposer sur les gestionnaires, qui savent analyser et reconnaître les avantages de certains titres en particulier, ainsi que gérer le risque global lié au portefeuille. C'est eux qui s'assurent que les « signaux » envoyés par le modèle sont effectivement pris en compte dans les portefeuilles.

Notre approche cherche à combiner au mieux les connaissances tirées des données traditionnelles et celles issues du big data. Ce qui permet d'établir des prévisions macro et micro-économiques plus solides. En utilisant ces deux types de connaissances nous obtenons des retours sur investissement plus élevés et plus constants que si nous n'utilisions qu'un seul type d'informations. Les marchés sont relativement efficients : leurs prix s'ajustent aux informations nouvelles. Cela signifie que de nombreuses opportunités, qu'elles soient liées au big data ou non, subissent généralement des opérations d'arbitrage sur le long terme.

Réagir

Votre email ne sera pas affiché publiquement
Tous les champs sont obligatoires

Merci pour votre commentaire. Il sera visible prochainement sous réserve de validation.

 a le à :