Les fonds spéculatifs, comme l'expliquent les auteurs, sont « des fonds d'investissement communs qui pratiquent la vente à découvert, l'effet de levier et les produits dérivés dans le but d'améliorer la performance de la gestion des risques ». Ces fonds sont souvent utilisés par des investisseurs institutionnels, tels que des régimes de retraite et des fonds de dotation universitaires, ainsi que par des particuliers fortunés.
Selon un rapport de 2020, le montant total des actifs gérés par les fonds spéculatifs dans le monde s'élève à 3,87 billions de dollars, un chiffre qui devrait atteindre 4,28 billions de dollars d'ici 2025. Le secteur emploie également environ 18 000 gestionnaires de fonds spéculatifs dans le monde.
L'automatisation dans le secteur des fonds spéculatifs
Les tendances de ce secteur de plus en plus concurrentiel représentent un défi majeur. Et cette concurrence incite les fonds spéculatifs à s'appuyer de plus en plus sur des avantages technologiques. Bien que les systèmes de négociation informatisés et automatisés existent depuis plusieurs décennies, ils deviennent de plus en plus sophistiqués chaque année.
L'étude actuelle visait à déterminer si le fait de donner plus de contrôle à des algorithmes de négociation avancés permettait d'obtenir de meilleurs rendements, et si les fonds spéculatifs pouvaient éventuellement évoluer vers une « prise de décision entièrement automatisée ».
Ils ont également exclu tous les fonds qui n'ont pas fourni à la base de données des informations sur leur style de négociation. Ils ont ainsi obtenu un échantillon final de 826 fonds spéculatifs. L'étude a examiné les résultats des fonds sur 173 mois consécutifs, de septembre 2006 à janvier 2021.
Les auteurs de l'étude ont classé chacun de ces 826 fonds spéculatifs dans l'une des quatre catégories suivantes, en fonction du « niveau d'implication humaine dans le processus décisionnel » du fonds, comme l'écrivent les auteurs.
- Discrétionnaire ;
- Systématique ;
- combinée ou AIML (qui signifie « intelligence artificielle et apprentissage automatique »)
La procédure de catégorisation s'est appuyée sur les données de la base de données Preqin. Et cette base de données elle-même est fondée sur des informations recueillies auprès de diverses sources, notamment des entrepôts de données ouverts, des divulgations de la SEC et d'autres dépôts réglementaires, ainsi que des informations fournies par les fonds eux-mêmes.
Presque tous les fonds inclus dans la base de données indiquent qu'ils utilisent un certain type de style de négociation (par exemple systématique, discrétionnaire ou combiné), et indiquent également s'ils utilisent des méthodes d'IA dans leurs stratégies de négociation.
Les fonds les moins automatisés des quatre catégories de fonds sont les « fonds discrétionnaires », qui reposent principalement sur des règles de négociation mécaniques exécutées par des humains. Ces fonds mettent davantage l'accent sur les gestionnaires en général, notamment sur leur professionnalisme et leurs compétences.
L'avant-dernier type de fonds le moins automatisé est le « fonds systématique », qui utilise généralement un cadre quantitatif sophistiqué basé sur des méthodes statistiques. Cette catégorie est suivie par les « fonds combinés », qui mettent par exemple l'accent sur un style de négociation systématique, mais choisissent manuellement le moment où les transactions sont clôturées.
Enfin, la plus automatisée des quatre catégories de fonds spéculatifs est celle des « fonds AIML ». Comme l'expliquent les auteurs, ces fonds d'IA « sont simplement dotés d'une entrée et d'une sortie souhaitée, et le modèle lui-même détermine le meilleur plan d'action via une fonction mathématique. » Sur les 826 fonds de l'échantillon des chercheurs, ils en ont identifié 36 comme étant des fonds AIML.
Les fonds spéculatifs basés sur l'IA auraient obtenu les meilleurs résultats
Les auteurs ont constaté que les fonds spéculatifs ayant le plus haut niveau d'automatisation (en termes d'utilisation de l'IA et de l'apprentissage automatique dans leur processus d'investissement) génèrent les meilleurs rendements.
Ces fonds ont obtenu un rendement moyen de 74 à 79 points de base par mois (un « point de base » correspond à un centième de point de pourcentage, ce qui équivaut donc dans ce cas à un rendement mensuel moyen de 0,74 % à 0,79 %).
En revanche, les rendements moyens de la catégorie de fonds la moins automatisée - les fonds discrétionnaires - n'étaient que de 0,23 à 0,28 point de base, soit une différence d'environ 0,5 % par mois par rapport aux fonds AIML. Plus précisément, les auteurs indiquent que l'utilisation d'une stratégie reposant sur les fonds pilotés par l'IA génère « des gains moyens statistiquement significatifs allant de 50 à 56 points de base par mois ».
Les fonds combinés seraient les moins performants
Curieusement, les auteurs ont également constaté que les fonds dits « combinés », avec un niveau moyen d'automatisation et d'implication humaine, ont obtenu les pires résultats parmi les quatre types de stratégies de fonds spéculatifs.
« Nous en déduisons que le fait de mélanger la prise de décision humaine avec des processus automatisés, écrivent-ils, est inférieur au fait de se fier principalement à la prise de décision humaine ou à la machine. Cette énigme est laissée aux recherches futures. »
En résumé, ils ont constaté que les fonds AIML « ont généré des rendements moyens supérieurs à ceux des fonds spéculatifs avec des niveaux plus élevés d'implication humaine. » Les auteurs ajoutent qu'à leur connaissance, il s'agit de la première étude à effectuer ce type de comparaison des performances des fonds spéculatifs.
Et vous ?
Quel regard portez-vous sur l'IA en termes de fonctionnement pour les marchés et les fonds spéculatifs ?
Voir aussi :
Intelligence artificielle : la feuille de route du Parlement européen, l'UE veut porter les investissements dans le secteur de l'IA à 20 milliards d'euros d'ici 2030
Clearview AI, le spécialiste controversé de la reconnaissance faciale, a accepté de freiner ses ventes aux Etats-Unis, au terme d'un procès retentissant
Des chercheurs développent une IA capable de détecter les vidéos deepfake avec une précision allant jusqu'à 99 %, cette méthode détecte les expressions faciales manipulées et les échanges d'identité
Les modèles d'IA restent racistes, même avec une formation plus équilibrées, selon un rapport du NIST