//Marchés boursiers : Données alternatives, clé d’une meilleure génération d’alpha. par Alessandro Nilo.

Marchés boursiers : Données alternatives, clé d’une meilleure génération d’alpha. par Alessandro Nilo.

By | 2019-09-03T07:49:42+00:00 2 septembre 2019|Société|0 Comments

Thème du tiers inclus : Décision d’arbitrage boursier

Antagonismes en interaction : Données micro économiques ~  Données macro économiques, Sources d’information traditionnelles ( Données quantitatives) ~ Sources d’information non conventionnelles ( Données alternatives), Informations financières ~ Informations non financières, Temps court  ~ Temps long, Homme ~ Machine, Potentiel ~ Réel,  Achat ~ Vente,

—–

Jusqu’à présent les décisions d’arbitrage (vente et d’achat d’actions boursières) s’effectuaient au vu ou au su des bilans financiers trimestriels, semestriels ou annuels des entreprises, des annonces diverses et plus ou moins triées de leur gouvernance, de la situation économique générale, du contexte global, des données quantitatives *.  etc … Ces décisions étaient le fruit de la confrontation d’informations complexes, fluctuantes ou contradictoires au sens logique du terme. Ces décisions d’arbitrage étaient dépendantes du délai de publication ou de connaissance des informations. Hormis lors d’évènements majeurs ou brutaux (cataclysmes, attentats …) bousculant les marchés, ceux-ci subissaient la nervosité ou la volatilité ambiante et la valeur de l’action à l’instant de sa cotation reflétait une valeur en décalage par rapport à la situation réelle de l’entreprise.

Les données alternatives réduisent aujourd’hui considérablement ce délai, permettant ainsi de « tendre » vers une estimation en temps réel, plus fidèle et objective. Par la puissance des algorithmes, l’ « entre » de toutes ces données antagonistes se réduit qualitativement et temporellement pour plus de précision et de réactivité. La décision s‘affine au rythme de la puissance de récolte et d’analyse de ces données alternatives.

 

 

Vue sous l’angle de la logique du tiers inclus, la décision d’arbitrage – fût-elle est prise- ,  comme les données contradictoires dont elle émane, ne peut être considérée comme absolutisée. Elle n’est qu’une photographie, qu’un instantané d’une dynamique en mouvement.

Les interactions d’évènements ou phénomènes contradictoires dont elle est issue engendrent leur propre espace-temps. Celui des données relatives est différent de celui des données quantitatives.

La juxtaposition de ces données nourrit leur opérativité. Entre elles, la tension fait émerger de l’autre, le promeut en partenaire de la relation. L’écart qui en découle est producteur de sens, donc d’analyse. Il en est de même entre données quantitatives et données alternatives. Mais ces dernières s’inscrivent dans le mouvement général et continu de réduction du temps de l’information, en tension vers l’impossible instantanéité.

Ce temps du recul et de l’analyse humaine.

 

L’ homme restera-t-il au centre de la décision ou en laissera-t-il  le soin à la machine ?

Nous remercions très vivement Monsieur Alessandro NILO  

pour la  publication de cet article sur notre site tiersinclus.fr

 

—–

 

Données alternatives : La clé d’une meilleure génération d’alpha

Alessandro Nilo :  Responsable Stratégie quantitative *

Pictet Wealth Management

 

Les gérants d’actifs se tournent de plus en plus vers des sources de « données alternatives » afin de prendre de l’avance sur leurs concurrents, d’assurer une performance supérieure à leurs clients et d’en augmenter le nombre. La plupart d’entre eux sont actuellement recours à des techniques analytiques avancées et à des données alternatives. En effet, ces types de stratégie ont explosé ces derniers mois et, d’ici à 2020, le secteur devrait représenter 350 millions de dollars, avec des dépenses en données alternatives de plus de 1,7 milliard de dollars.

 

 

Les données alternatives sont devenues la ressource la plus précieuse du secteur.

Les professionnels de l’investissement ont commencé à comprendre l’utilité des données alternatives et qu’elles étaient appelées à bouleverser leur environnement. Mais de quoi s’agit-il exactement ?

Les données alternatives sont des informations collectées à partir de sources non conventionnelles. Leur analyse permet de se procurer des connaissances impossibles à puiser dans les sources traditionnelles. En général, ce sont des informations non financières susceptibles d’être exploitées pour mieux évaluer la performance future en termes de prix des actifs investis. Elles émanent de données internes des entreprises, d’installations technologiques physiques ou, plus fréquemment, d’outils de web scraping automatisant l’extraction de données à partir de sites internet. Les données puisées sur internet se présentent elles-mêmes sous de multiples formes, notamment les prix des produits, les tendances de recherche, les enseignements tirés de réseaux experts et de données variées relatives au trafic sur le web. Aux alentours de 2014, un groupe de Hedge funds très sophistiqués a commencé à opérer au sein de ce nouvel univers d’investissement riche de données, recherchant de manière offensive des avantages informationnels. Depuis lors, de nombreuses start-up se sont engouffrées dans ce créneau, avec l’espoir de monétiser cette abondance de données.

 

Pourquoi les données alternatives ? Nous avons identifié quatre raisons.

 

  1. Le premier facteur expliquant le besoin de données alternatives est lié à l’accroissement de la disponibilité des données au cours des dix dernières années grâce aux progrès technologiques.

    Environ 800 jeux de données sur un spectre de plus de 20 catégories liées au « buy side » sont actuellement disponibles.  Les cinq types de données les plus courants sont les suivants ; Social / sentiment, entreprises privées, cartes de crédit, chaîne d’approvisionnement et internet. A titre d’exemple, on peut citer les images satellites utilisées pour compter les voitures dans les parkings des magasins afin d’évaluer l’activité des ventes de détail, l’analyse géo-spatiale pour identifier la proximité géographique de concurrents, l’analyse des données sur les prix pour recueillir toutes sortes d’informations, depuis les offres groupées jusqu’au suivi des taux financiers.

 

  1. La deuxième raison relève de la volonté des sociétés  » buy side » d’exploiter l’univers à « faible latence » générant des données non traditionnelles afin de prendre des décisions d’investissement plus rapides et pertinentes, de tirer parti d’opportunités à un stade précoce et à atténuer des risques éventuels.

    En utilisant les données alternatives, les investisseurs peuvent surveiller la marche des affaires d’une entreprise sur une base hebdomadaire, voire quotidienne (plutôt que d’attendre ses publications mensuelles ou trimestrielles), ce qui leur confère un avantage incroyable par rapport aux autres investisseurs. Par exemple, au moyen « d’overlays » quantitatifs comme l’exploitation d’informations sur les paiements par carte de crédit, les analystes fondamentaux peuvent désormais comparer les chiffres des ventes aux prévisions bénéficiaires et anticiper très en amont leur possible impact sur le prix des actions.

  1. La troisième raison réside dans le retour sur investissement.

    Le recours aux données alternatives est onéreux et l’échec est souvent dû au fait qu’on consacre trop d’argent et de temps aux mauvaises sociétés de données. Mais l’investisseur suffisamment avisé pour sélectionner les bons fournisseurs peut tirer de données achetées un bénéfice appréciable et une excellente performance en termes des retour sur investissement.

 

  1. Et enfin, il y a ce qui s’appelle la « peur de manquer quelque chose » 

    Les sociétés « buy side » ne veulent pas rester à l’écart de la fête et tiennent à glaner des informations sur ce qui se passe dans le secteur. Tous les types d’investisseurs utilisent désormais des quantités croissantes de données et ceux qui ne se joignent pas à cette révolution ont de bonnes chances de sous performer et de rester à la traine.

 

La mise en œuvre des données alternatives présente des avantages mais aussi des défis.

Tout en reconnaissant le potentiel de génération d’alpha de ces nouveaux jeux de données, les entreprises sont confrontées à des défis comme la connectivité et le nettoyage des données, ainsi que leur qualité et leur facilité d’utilisation inégales. Parmi les principaux défis dans l’exploitation de données alternatives figurent l’absence d’intégration des flux de travail, des historiques courts, des systèmes de collecte évolutifs, l’intégrité et la fiabilité des informations ainsi que les politiques de protection des données.

A ce stade, il reste difficile d’assurer une protection réglementaire suffisante des personnes physiques. Et certains types de données que se procurent les « Hedge funds » ne sont pas anonymes en termes d’informations personnelles. Par exemple, l’Union européenne a récemment adopté le RGPD (Règlement Général sur la Protection des Données) afin de renforcer et de standardiser la protection (l’anonymat) des données personnelles de ses citoyens. La principale raison de cette réglementation réside dans la nature problématique de la gestion complexe des informations, qui se traduit par une gouvernance difficile du big data. Les données doivent en effet être gérées de manière appropriée, certifiées conformes à la législation locale au plan de la gestion de la vie privée et de la sécurité.

Malgré ces défis, l’utilisation de données alternatives peut offrir des avantages considérables. Très récemment, certaines sources de référence de premier plan en matière de données sur les prix ainsi que d’importantes sociétés d’investissement ont commencé à offrir à leurs clients un point d’accès unique à un grand nombre de fournisseurs leaders du marché dans le domaine des données alternatives, leur permettant ainsi de trouver et de recevoir des données fiables en éliminant les processus d’achat longs et coûteux. Cette offre génère un retour sur investissement plus rapide et permet aux investisseurs quantitatifs d’intégrer facilement et de manière efficace leurs bases de données ou systèmes existants en sélectionnant simplement leurs langages de programmation préférés (principalement Python) . Grâce à ce point d’accès, les investisseurs professionnels peuvent parcourir et examiner des métadonnées de qualité en ligne, tester des échantillons de jeux de données avant de les acquérir et de les exploiter immédiatement au sein de leur organisation.

 

 

Comment les analystes quantitatifs*  vont commencer à utiliser les données alternatives dans la pratique ?

 

Selon des études et enquêtes récentes, en moyenne plus de 80% des fonds utilisent ou vont utiliser des données alternatives. En ce sens, 2019 devrait marquer le début d’une phase plus mature pour ce secteur, d’une durée probable de cinq à sept ans supplémentaires, au cours de laquelle la majorité des analystes quantitatifs commenceront à intégrer les données alternatives dans leurs activités.

La catégorie la plus demandée de données alternatives appelée à émerger ces prochaines années devrait concerner celles des données liées aux transactions des consommateurs, domaine où le  » buy side «  bénéficie du meilleur retour sur investissement. La demande de données sur l’emploi connaitra probablement l’essor le plus important. Le premier défi de taille pour les analystes quantitatifs utilisant des données alternatives sera l’analyse ex post ( » backsetting  » ), de manière à disposer d’un mécanisme évaluant l’efficacité d’une stratégie de transaction par rapport aux données historiques. Actuellement, le  » backsetting «  de données alternatives est très difficile, ne serait-ce que parce que nous ne disposons pas d’une base suffisamment large de données historiques de bonne qualité.

 

Il en résulte aussi un besoin urgent de compétences et de capacités d’analyse avancée en vue de traiter cette grande quantité de données. Par conséquent, les études chargées de la gestion des données se multiplient partout : le nombre d’employés  » buy side «  à plein temps – principalement des scientifiques et des analystes – a ainsi augmenté d’environ 450 % au cours des cinq dernières années.

Afin de tirer pleinement profit de ce nouvel univers d’investissement basé sur des données abondantes, l’apprentissage automatique jouera un rôle crucial dans l’identification des tendances et corrélations, la gestion du risque et la transformation de ces connaissances en actions permettant aux sociétés  » buy side «  de se tailler un avantage concurrentiel.  » TensorFlow «  et  » Scikit-learn «  en Python sont les outils d’analyse du  » big data  » actuellement les plus en vogue dans la gestion d’actifs.

Presque tous les grands acteurs du secteur garnissent désormais leurs équipes quantitatives de physiciens et de scientifiques, leur donnent accès aux données et les laissent se débrouiller pour sortir des idées brillantes. Nous ne partageons pas cette approche : l’échec des gérants quantitatifs est programmé s’ils ne suivent pas une méthode plus « conservatrice » qui garde toutes les décisions et la gestion entre les mains de professionnels expérimentés de la finance. Discerner les informations de valeur dans le bruit de fond exige une vaste et réelle expérience financière. Les mathématiques et les statistiques ne suffisent pas.

 

L’objectif est alors de ne pas remplacer les professionnels de la finance par des mathématiciens, mais d’évaluer l’hypothèse d’un investisseur expérimenté et de la tester au moyen de machines pour obtenir des informations de meilleurs qualité, explicables et plus exploitables. L’extraction intelligente de ces données est essentielle pour éviter de se perdre dans des interprétations générées par une machine.  Il ne s’agit pas de l’être humain contre la machine, mais d’un professionnel expérimenté de la finance avec la machine.

 

En conclusion, la révolution du « big data » devrait augurer une nouvelle ère d’investissement qui, in fine, bénéficiera aux marchés en réduisant la volatilité au jour le jour, en limitant le nombre de surprises et en renforçant la confiance des investisseurs, ce qui améliorera la stabilité du marché. Le « big data » recèle un incroyable potentiel de simplification pour un grand nombre de décisions d’investissement. Les sociétés capables d’extraire de la valeur de données bénéficieront d’une avantage concurrentiel tant qu’elles veilleront à distinguer ce qui a de la valeur de ce qui n’en a pas.

                                                                                 

                                                                                              Alessandro NILLO

 

 

 

*  En finance, l’analyse quantitative est l’utilisation de mathématiques financières souvent dérivées des probabilités,  pour mettre au point et utiliser des modèles permettant aux gestionnaires de fonds et autres spécialistes financiers de s’attaquer à deux problèmes :

– Mieux évaluer la valeur des actifs financiers, et surtout leurs dérivés. Ces dérivés peuvent être des produits comme les warrants, les certificats ou tout autre type de dérivé ou d’option (contrats Futures sur matières premières, indices, etc.).

– Gérer plus scientifiquement leurs opérations en ajustant en permanence leurs portefeuilles dans une optique d’équilibre entre le risque et la rentabilité attendue. Les analystes cherchent à réduire les risques pris par les institutions financières dans leurs opérations de trading pour un niveau de rendement égal.

Les analystes quantitatifs, surnommés « quants », ont une formation à la fois mathématique et financière. Ils travaillent dans les banques, sociétés financières et autres institutions et entreprises ayant des activités liées à la finance. Les « quants» ont une solide formation en probabilités et calcul différentiel.

 

Leave A Comment

%d blogueurs aiment cette page :