Une approche axée sur la technologie pour investir de l’argent n’est pas nouvelle, mais les outils de l’intelligence artificielle offrent aux entreprises de nouvelles opportunités de surperformance.

Jeff Shen, co-directeur des investissements basé à San Francisco et co-responsable des actions systématiques actives, affirme que les modèles d'apprentissage des langues deviennent des outils puissants.

« Nous sommes en pleine révolution », a-t-il déclaré. « Le Big Data, les données alternatives et désormais l’IA générative transforment tous les secteurs, y compris la gestion d’actifs. Il existe davantage de données disponibles et de meilleurs algorithmes pour capturer ces données, ce qui rend l'investissement systématique passionnant.

Quatre décennies de quant

Les origines de l'équipe systématique proviennent de l'activité Barclays Global Investors que BlackRock a acquise en 2009. L'accord a été conclu lorsque Barclays, durement touché par la crise financière mondiale, a abandonné ses activités d'investissement pour survivre – et a fait de BlackRock le plus grand gestionnaire d'actifs au monde, avec une valeur de 2.7 XNUMX milliards de dollars. .

Les racines de BGI remontent à 1985 et constituent ce qui pourrait aujourd'hui être considéré comme une fintech : une opération basée dans la Silicon Valley utilisant le Big Data et des formes primitives d'apprentissage automatique, bien avant que ces termes ou capacités ne soient à la mode. Il s’agit d’un magasin quantitatif, qui utilise des informations basées sur les données pour se concentrer sur de nombreux petits paris rapides arbitreant un titre contre un autre – Coca-Cola contre Pepsi.

Cela fonctionne même si l’industrie ou le marché se porte mal – Country Garden contre Evergrande. Ce qui compte, c'est de trouver un petit avantage de courte durée que le gestionnaire peut négocier rapidement, à grande échelle, puis clôturer la position. Multipliez ces transactions par centaines ou milliers dans un portefeuille et l'entreprise crée une stratégie d'actions à grande échelle avec une faible corrélation avec les indices de référence.

Avec plus de données, de meilleurs algorithmes, une puissance de calcul croissante et l'électronisation des marchés boursiers, BGI est devenu une puissance de pointe et continue d'être la branche systématique de BlackRock.

Depuis lors, le monde des ETF a décollé, faisant de BlackRock le plus grand gestionnaire d'actifs au monde. En septembre 2023, la société déclarait 3.1 2.6 milliards de dollars de fonds négociés en bourse (une entreprise de détail) et XNUMX XNUMX milliards de dollars supplémentaires de fonds indiciels (pour les institutions). Le groupe de services technologiques de l'entreprise, y compris son système de risque de portefeuille Aladdin, est un autre contributeur important aux revenus.

Les progrès de l'IA

Dans ce contexte, l'activité systématique d'actions, une activité institutionnelle, est modeste, avec 237 milliards de dollars d'actifs sous gestion. Shen est bien sûr optimiste quant à sa division. « L’investissement quantitatif systématique connaît désormais un âge d’or », a-t-il déclaré.

Mais l'enthousiasme suscité par l'IA générative, qui inclut des modèles de langage naturel tels que ChatGPT, donne une certaine crédibilité à l'optimisme de Chen.

Autrefois, les tactiques quantitatives consistaient à classer les actions américaines à grande capitalisation selon des indicateurs traditionnels (cours/bénéfice, rendement des dividendes). Déjà à cette époque, les plus grands hedge funds quantitatifs construisaient des entrepôts de données d’une taille étonnante. Cela leur a donné la capacité de générer des performances quelles que soient les tendances du marché. Les entreprises les plus prospères ont gagné beaucoup d’argent, notamment Renaissance Technologies, qui, de 1988 à 2018, était la société d’investissement la plus rentable (et la plus secrète) au monde.

Les étapes impliquées dans l’exécution de stratégies actives, quantitatives ou autres, se sont progressivement automatisées. Les informations sont désormais lisibles par machine, telles que les rapports des courtiers, les données financières des entreprises, les articles des médias et les statistiques gouvernementales. Le traitement du langage naturel a permis de rendre lisibles par machine des données non structurées (du PDF à la signature d'un avocat). L’Internet des objets et l’imagerie satellitaire ont élargi la liste des éléments pouvant être mesurés et quantifiés. De plus, ceux-ci donnent désormais aux gestionnaires de fonds accès à des vues en temps réel.

Shen cite le mouvement des camions. Le marquage géospatial, les balises WiFi et les images satellite permettent aux acheteurs de ces données de suivre les flottes de camions. Cela leur donne une idée du trafic entre les fournisseurs et les magasins, un point de données pour déterminer la situation d'une entreprise. Créez-en suffisamment et une entreprise peut élargir son champ d’action pour obtenir une vision macro de l’économie.

Entrez GenAI

Aujourd’hui, l’IA générative ajoute un nouvel ensemble d’outils au mix. Mais il ne s’agit pas simplement d’une autre façon d’analyser les données. Cela change en fait la façon dont les gestionnaires de portefeuille comprennent les informations.

Shen donne l'exemple d'un reportage sur la démission d'un PDG. Au cours des vingt dernières années, les entreprises à la pointe de la technologie ont utilisé l'apprentissage automatique pour suivre une approche « sac de mots ». La machine analyserait un texte et rechercherait des concentrations de mots ou d’expressions en corrélation avec le bien ou le mal, l’achat ou la vente.

Dans l’exemple du PDG perdant son emploi, la machine pourrait identifier sept formulations pertinentes dans le paragraphe d’ouverture. Il s'agirait de groupes négatifs tels que « alerte », « quitter l'entreprise », « remplacé », « frustration » et « plus faible ». Il mettrait également en évidence deux expressions optimistes, « surprenant » et « répondre positivement », mais globalement, le poids de la négativité conduirait l'ordinateur à recommander une vente.

Si cette société faisait partie d’un duo Coca-Cola contre Pepsi, BlackRock pourrait décider qu’il s’agit d’un signal pour vendre l’un et acheter l’autre, avec effet de levier. L'échange pourrait durer quelques heures ou quelques jours, mais la rapidité de l'analyse donnerait à l'équipe un résultat différent de celui de la masse d'acteurs fondamentaux actifs s'appuyant sur une interprétation humaine.

"C'était l'état de l'art en 2007", a déclaré Shen. Depuis lors, les données et les aglos se sont améliorés, mais l’approche du sac de mots restait la norme. Les LLM tels que ChatGPT changent cela.

Les LLM prennent le même paragraphe et, dans l'exemple de Shen, concluent qu'il s'agit d'une très bonne nouvelle plutôt que d'une mauvaise nouvelle. En effet, il ne s'agit pas seulement de traduire un texte, mais de le comprendre dans son contexte. Le LLM sait que, même s'il y a un tas de mots négatifs en haut, la phrase clé se trouve en bas : « nous nous attendons à ce que le titre réagisse positivement ».

"Bien qu'il s'agisse d'une nouvelle concernant la démission d'un PDG, le LLM comprend l'essentiel du communiqué de presse - il comprend la punchline", a déclaré Shen.

Données et algorithmes

Bien que cet exemple soit conçu pour les présentations de BlackRock aux journalistes, l'implication est qu'un magasin systématique ajoutant des LLM au mix devrait être plus performant. En fait, dans cet exemple coquet, le gestionnaire de portefeuille reçoit une réponse complètement différente.

La vraie vie n'est pas si soignée, mais Shen dit que les LLM sont la prochaine vague d'outils conçus pour donner un petit avantage à un manager. Des entreprises telles que BlackRock utilisent désormais des LLM sur des ensembles de données propriétaires, afin de former les modèles sur des données financières et d'autres types de données spécifiques. Il dit que BlackRock trouve que ses LLM propriétaires ont un avantage sur ChatGPT (qui est formé sur Internet au sens large).

Cela ramène les quants aux mêmes vieilles bases : qui possède les meilleures données et les meilleurs moyens de les nettoyer ; et puis qui a les algorithmes les plus intelligents. Mais les LLM ajoutent également une autre difficulté ici, en aidant les humains à améliorer leurs moyens de jugement.

La touche humaine

Même si certains magasins quantitatifs tels que RenTec étaient connus pour se contenter de suivre leurs ordinateurs, Shen affirme que les stratégies systématiques nécessitent toujours des décisions humaines. Cela devient évident lorsque les données historiques sont incomplètes ou n'existent pas. Par exemple, modéliser une entreprise pendant la Covid était difficile car la dernière pandémie mondiale de cette ampleur s’est produite il y a un siècle. Il n’existe aucune donnée fiable datant de 1918 à utiliser aujourd’hui. Ainsi, même si les quants utilisaient des données en temps réel sur le trafic ou les offres d'emploi pour obtenir une vue, il fallait toujours un humain pour extrapoler ce que cela signifiait dans un avenir proche. Les mégadonnées, à elles seules, ne constituent pas un indicateur fiable.

Mais avec les LLM, les humains peuvent poser à la machine des questions nuancées qu’il serait impossible de poser à un système d’apprentissage automatique. Cela transforme le LLM en un outil de productivité, et différentes questions conduisent à des résultats différents. Les anciens modèles Big Data des années 1980 et 1990 reposaient sur l’analyse des valorisations et, dans les années 2010, ils ont ajouté des éléments tels que le sentiment du marché. Désormais, le champ des questionnements est large, ce qui permet la créativité humaine.

"La question peut être celle d'un avantage concurrentiel", a déclaré Shen.

Étant donné ce que Shen décrit comme un avenir brillant, cela suggère-t-il que les styles de gestion active commenceront à surperformer par rapport aux stratégies passives ? Les investissements systématiques sont-ils sur le point de récupérer une partie des actifs qui ont afflué vers le côté ETF de la maison ?

Shen est resté évasif. Selon lui, les gagnants du secteur sont les entreprises qui adoptent l’IA, quel que soit le produit. Une réponse sûre. Par conséquent, on peut supposer que la nouvelle concurrence utilisant la technologie profitera aux entreprises disposant des ressources nécessaires pour mettre la main sur autant de données que possible.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://www.digfingroup.com/blackrock-llm/