Solutions Investissements

• Interview Michael Geke
• Fondateur & CEO
• Quantmade

« La demande pour des modèles quantitatifs augmente »

Le développement des dernières générations de modèles quantitatifs modernes tendent de plus en plus vers la Market Phase Neutrality. Le principe consiste à identifier des modèles dans des unités de temps plus petites à partir de plus grands ensembles de données et de prévoir ainsi l’évolution des trades, comme l’explique Michael Geke.

Comment les modèles quantitatifs ont-ils évolué au cours des dernières années ?

Les modèles quantitatifs permettant d’identifier des opportunités de trading ont fait des progrès considérables ces dernières années, notamment grâce à l’intégration du Big Data et de l’apprentissage automatique. Cependant, hormis les quants dans le trading à haute fréquence, de nombreux modèles basés sur l’algo utilisent encore des méthodes statistiques simples, souvent dans le domaine du suivi de tendance.

Le développement des modèles quantiques modernes vise de plus en plus la Market-Phase Neutrality. L’objectif principal est ici de réduire les corrélations dans l’évolution de la performance et d’effectuer des transactions plus précises afin d’obtenir de meilleurs indicateurs de performance ajustés du risque. Les modèles actuels sont en mesure d’identifier des schémas même dans des unités de temps plus petites à partir de grands ensembles de données et de prévoir l’évolution des trades avec une probabilité relativement élevée. Il est ainsi possible d’atteindre des valeurs bêta de portefeuille inférieures à 0,1 avec des systèmes « long only » dans le domaine des actions. Des progrès significatifs dans la puissance de calcul permettent d’évaluer plus de données de manière plus efficace, ce qui conduit à des prévisions plus robustes.

Comment voyez-vous la demande du point de vue des investisseurs et quelles sont les considérations qui entrent en jeu compte tenu de l’environnement de marché actuel ?

L’environnement de marché est toujours une question d’interprétation. Le fait est que de nombreux investisseurs craignent le risque, mais cherchent en même temps à obtenir des rendements supérieurs à la moyenne – idéalement sur un horizon de 3 à 5 ans. Une gestion de portefeuille active sur la base de titres individuels est donc nécessaire. C’est là qu’interviennent les quants, qui peuvent réduire les risques et les fluctuations du portefeuille grâce à une gestion active. Cette robustesse à travers différentes phases de marché a entraîné une demande accrue de modèles quantitatifs, car ils permettent de prendre des décisions cohérentes, basées sur des systèmes et non sur l’émotion.

Comment utilisez-vous les modèles quantiques en tant que gestionnaire d’actifs ?

Nous utilisons les modèles quantiques pour calculer l’allocation d’actifs entre les systèmes low-beta et higher-beta. Nous contournons ainsi la problématique liée à l’évaluation de l’environnement et à l’évolution du marché, dans la mesure où nos modèles s’adaptent aux changements de manière adaptative et systémique. L’univers d’investissement que nous utilisons est principalement constitué de titres individuels américains très liquides issus des indices S&P 100 et NASDAQ 100. Au total, nous calculons six portefeuilles avec différentes valeurs alpha et bêta. Nous sommes ainsi en mesure de concevoir le rendement, le risque et les corrélations en fonction des exigences du client et de l’environnement de marché, grâce à une combinaison judicieuse de systèmes.

Comment composer un portefeuille comprenant des quants ?

Les quants n’entrent pas en conflit avec l’approche fondamentale. Ils viennent en complément des méthodes classiques dans  un portefeuille bien géré. Chaque investisseur doit ensuite décider lui-même de la pondération.

Quelles sont les principales sources de données que vous utilisez pour vos modèles quantitatifs et comment garantissez-vous la précision et la fiabilité de ces données ?

Nos sources de données primaires sont les données historiques à long terme des cours des actions individuelles. Nous assurons la précision et la fiabilité de ces données par plusieurs moyens : nous travaillons avec des fournisseurs de données renommés, nous utilisons des techniques de nettoyage et de validation des données et nous avons un processus digital d’assurance qualité.

Dans quelle mesure l’apprentissage automatique et l’intelligence artificielle ont-ils influencé vos stratégies d’investissement quantitatives ?

L’apprentissage automatique a élargi nos stratégies d’investissement quantitatives du point de vue du système, en permettant d’identifier des modèles et des relations complexes dans les données de prix, d’évaluer des modèles de corrélation plus avancés que les méthodes traditionnelles pourraient manquer. C’est particulièrement important pour l’évaluation simultanée de différents niveaux temporels. 

Cela nous a permis d’améliorer la performance ajustée au risque des portefeuilles quantiques, en nous permettant de gérer encore mieux les fluctuations grâce à une meilleure sélection des transactions. L’apprentissage automatique et l’intelligence artificielle sont toutefois des méthodes et nous avons pour objectif de réaliser des rendements attrayants avec des fluctuations minimales. C’est pourquoi nous ne nous focalisons pas sur l’utilisation de l’apprentissage automatique ou de l’intelligence artificielle dans les systèmes quantiques, simplement parce que c’est à la mode. Nous avons déjà vu des systèmes qui utilisent l’IA mais dont les résultats sont nettement moins bons.

Michael Geke

Quantmade

Michael Geke est le CEO et le fondateur de la wealthtech Quantmade depuis 2018. Pendant son doctorat à l’EPF de Zurich, il s’est intéressé de près aux modèles de simulation mathématiques. Avant la création de Quantmade, il avait déjà monté avec succès deux entreprises. Après sa dernière sortie en 2012, il a été partenaire chez KPMG jusqu’à fin 2014.