L’impact de l’intelligence artificielle sur la gestion

Déjà en très forte croissance ces dernières années, tant dans le domaine de la recherche académique que dans la réalité du monde de l’entreprise, l’intérêt pour l’Intelligence Artificielle (IA) connaît une augmentation exponentielle depuis le lancement de ChatGPT-3.5 à la fin de l'année dernière. Avec une vitesse d’adoption record de 100 millions d’utilisateurs en moins de 2 mois ⁽¹⁾ et une simplicité d’accès déconcertante, le système d’intelligence artificielle conversationnelle de la société OpenAI électrise en effet les investisseurs, et les annonces des entreprises dans ce domaine se multiplient depuis.

Flashback

 Si des caps décisifs sont actuellement franchis en matière d’IA, ils s’appuient sur des travaux de recherche et développement de plusieurs décennies. Le concept d’intelligence artificielle est apparu en 1950 avec la publication des travaux d’Alan Turing ⁽²⁾ dans laquelle il décrit son fameux test éponyme visant à évaluer la faculté d’une machine à égaler les réponses qu’un humain pourrait formuler. Compte tenu de la disparité des techniques mises en œuvre depuis, définir l’IA a donné lieu à des formulations très différentes. Pour décrire les caractéristiques communes à tous les systèmes d’IA, Yann Le Cun ⁽³⁾, qui dirige la recherche fondamentale en matière d’IA au sein du groupe Meta Platforms, retient que « l’intelligence artificielle est la capacité, pour une machine, d’accomplir des tâches généralement assurées par les humains : percevoir, raisonner et agir. Elle est inséparable de la capacité à apprendre, telle qu’on l’observe chez les êtres vivants ».

Ainsi l’apprentissage automatique (machine learning) est souvent mentionné en conjonction avec l’IA dont il est un sous-ensemble. Il s’agit du processus qui consiste à utiliser des modèles mathématiques de données pour permettre à un ordinateur d’apprendre sans le programmer explicitement. Le machine learning utilise des algorithmes pour identifier des patterns (des motifs récurrents) dans les données et développer ainsi des modèles à caractère prédictif.

Accélération

Plusieurs développements majeurs ont permis l’essor de l’IA : tout d’abord l’augmentation permanente de la puissance de calcul et de traitement des données des ordinateurs qui, selon la loi de Moore ^(4), a doublé tous les 2 ans depuis la création des semi-conducteurs. Par ailleurs, le volume et l’étendue des données (Big Data) pouvant être utilisées pour entraîner les modèles d’IA ainsi que la capacité de stockage ont également augmenté de manière spectaculaire : 90% des données actuellement disponibles dans le monde ont été générées seulement durant les deux dernières années ⁽⁵⁾.

Déjà présente dans de nombreux domaines, l’IA va continuer à modifier en profondeur la plupart des secteurs d’activité et la manière de travailler dans l’avenir : 300 millions d’emplois pourraient être impactés à terme à l’échelle mondiale, mais le gain de productivité devrait permettre de générer une croissance économique globale d'environ 7 000 milliards de dollars sur 10 ans ⁽⁶⁾.

Quels impacts sur l’industrie de la gestion ?

L’adoption de l’IA n’est clairement pas nouvelle au sein de l’industrie de la gestion financière, et si elle s’est bien développée ces dernières années, elle reste néanmoins à ce stade plutôt cantonnée à certains acteurs spécifiques, principalement parmi les hedge funds, les sociétés de gestion offrant des solutions quantitatives, les grands bureaux de recherche et les acteurs de la fintech⁽⁷⁾.  

Les champs d’applications apparaissent déjà nombreux :

• Tout d’abord en matière de gestion de portefeuilles, l’IA peut être utilisée dans le cadre de l’analyse fondamentale. Certaines techniques d’IA s’inscrivent pleinement dans le prolongement des techniques quantitatives de gestion : à partir d’un important volume de données pouvant concerner les fondamentaux des entreprises cotées, l’environnement macroéconomique ou encore l’environnement de marché, les algorithmes de machine learning permettent d’identifierdes relations non linéaires complexes entre les différentes variables et de détecter des tendances pas facilement repérables humainement. Les modèles d’analyse prédictive ainsi développés sont des outils d’aide à la décision qui ont pour objectif de prédire les rendements attendus sur différentes catégories d’actifs afin de générer des idées d’investissement ou des opportunités d’arbitrages
• L’analyse textuelle est un autre exemple d’application de l’IA dans le domaine de l’analyse fondamentale : à partir de différentes sources de textes, comme les rapports de publications de résultats des entreprises, les communiqués de banques centrales ou encore les dépêches et articles de presse, les techniques d’IA via le traitement automatique du langage naturel (natural language processing) sont en effet capables de faire ressortir les informations significatives sur le plan économique et financier, et d’en fournir une mesure quantitative et systématique complémentaire des interprétations humaines
• Au sein de la gestion de portefeuilles, les méthodes d’optimisation de construction de portefeuille constituent un autre champ d’application de l’IA. L’un des cadres théoriques en la matière est la théorie moderne du portefeuille de Harry Markovitz⁽⁸⁾. Celui-ci définit le concept de portefeuille efficient : il s’agit d’optimiser l’allocation entre les différents actifs qui composent le portefeuille de manière à en minimiser le risque pour une espérance de rendement donnée. Là encore le machine learning trouve un terrain fertile en la matière, et peut aider à fournir de meilleures estimations des données (rendements attendus, risque, matrice de corrélations) utilisées dans les cadres classiques de construction de portefeuille. Il peut aussi permettre de développer de nouvelles approches d’optimisation tenant compte de contraintes complexes
• Par ailleurs, la gestion des risques dans le cadre des activités de gestion de portefeuilles est également un domaine dans lequel l’IA peut faciliter le travail de modélisation, notamment en obligeant les investisseurs à intégrer des scenari probables mais peu « souhaités », voire jugés irréalistes
• L’IA peut aussi apporter des solutions efficaces pour les activités de trading pour lesquelles il est en effet primordial de savoir concilier rapidité et traitement de la complexité. Le recours à l’IA permet de faciliter le trading algorithmique, appelé ainsi lorsqu’au moins une partie du processus de transaction est automatisée, et qui représente aujourd’hui une part significative du volume des transactions traitées sur les marchés financiers. Dans une première phase, l’IA peut ainsi aider à identifier des signaux d’achat ou de vente, généralement sur la base d’analyse technique (par opposition à l’analyse fondamentale) à partir d’une très grande quantité de données de marchés, principalement les évolutions de cours et les volumes traités. L’IA va ensuite permettre d’établir et d’activer automatiquement des stratégies d’exécution optimales visant à obtenir les meilleurs prix tout en minimisant les coûts de transaction
• L’IA a également contribué à l’émergence des plateformes de robo-advisors qui offrent des solutions numériques dont l’objectif est de fournir un service de conseil sur-mesure en matière d’investissement. Ces solutions suscitent un intérêt croissant de la part du grand public pour qui l’accès à des services de conseil en investissement est ainsi possible, à un tarif abordable. L’IA est au cœur des algorithmes qui vont permettre d’analyser les données de marché en temps réel et de faire des recommandations d’investissement visant à tendre vers un portefeuille jugé optimal pour un client donné, en fonction de ses objectifs en termes de rendement, de profil de risque et d’éventuelles contraintes personnelles. Les robo-advisors intègrent également les services d’exécution des ordres sur les marchés, comme vu précédemment.

Plus largement

Au-delà des applications dédiées à l’investissement, les possibilités de développement de l’IA au sein de l’industrie de la gestion financière nous semblent vastes. Mais, si nous percevons intuitivement le potentiel d’automatisation de certaines tâches à différents niveaux de la chaîne opérationnelle, il reste difficile d’anticiper totalement le pouvoir de disruption de l’IA, qui devrait donner lieu à de nouveaux champs d’application au gré des nouvelles innovations. 

En dépit des avancées technologiques et des gains de productivité permis par l’IA, il convient néanmoins d’être conscient de ses limites ou des risques qu’elle présente pour certaines dimensions de la gestion de portefeuilles. Tout d’abord, les techniques d’IA et de machine learning sont dépendantes des données qui alimentent les algorithmes d’apprentissage. Outre le besoin d’un volume de données très important et qui n’est pas toujours disponible, il est primordial que celles-ci soient de qualité en termes de mise à jour, d’exactitude, d’exhaustivité et de représentativité. Dans le cas inverse, les résultats qui ressortent des modèles prédictifs manquent de fiabilité et de robustesse.

Il peut arriver également que les algorithmes repèrent des tendances non pertinentes dans les données analysées, conduisant à de mauvaises déductions. Un risque important est que plusieurs opérateurs de marchés utilisant les mêmes algorithmes d’IA puissent commettre la même erreur simultanément, ou réagir de manière identique à un événement, cela pourrait contribuer à amplifier les mouvements de marchés, accroître fortement la volatilité ainsi que la possibilité de mini krach systémique.

Enfin, un défi que les gérants ayant recours à l’IA doivent relever est la difficulté potentielle à expliquer leurs résultats compte tenu de la complexité des modèles utilisés. C’est l’un des arguments mis en avant dans un rapport du régulateur européen des marchés financiers (ESMA) pour expliquer le faible nombre des fonds européens revendiquant actuellement l’usage de l’IA dans leur processus d’investissement : 54 fonds (à fin septembre 2022) sur 22 000 fonds domiciliés dans l’Union européenne ⁽⁹⁾.

L’IA semble ainsi aujourd’hui encore loin de supplanter complètement l’être humain dans les métiers de la gestion financière pour lesquels la transparence, la relation de confiance et les interactions entre clients et professionnels de la gestion restent des critères essentiels. L’IA apporte cependant de nouveaux outils pouvant être utilisés dans la chaîne de valeur et dont le potentiel pourrait modifier en profondeur la physionomie du secteur.

Gageons que l’être humain saura en limiter les inconvénients et en réguler les dérives avant qu’elle ne devienne omniprésente dans ce domaine...

--------------------------------------------------------------------------------------------------------------------------------------------------

^{1 - À titre de comparaison, le seuil des 100 millions d’utilisateurs avait été atteint en 9 mois pour TikTok, et en 2,5 ans pour Instagram.} 

^{2 - Mathématicien britannique considéré comme l’un des pères fondateurs de l’informatique. Il publie « Computing machinery and intelligence » en 1950 et contribue ainsi à l’émergence de l’intelligence artificielle.}

^{3 - Auteur de « Quand la machine apprend. La révolution des neurones artificiels et de l’apprentissage profond ». Lauréat du Prix Turing en 2018.}

^{4 - Gordon Moore, l’un des fondateurs d’Intel, avait évoqué pour la première fois cette loi empirique en 1965.}

^{5 - Source : BofA Global Research}

^{6 - Source : Goldman Sachs}

^{7 - Fintech : Une fintech est une entreprise mettant à profit les avancées technologiques et numériques pour les appliquer aux secteurs financier ou bancaire.}

^{8 - Economiste américain, il publie son article fondateur « Portfolio Selection » en 1952.}