High Yield: armée d’analystes ou armée d’algorithmes?

527
0
Share:

Par Aymeric Converset, responsable de la gestion quantitative, ONE swiss bank et Marcin Brynda, gérant de portefeuille senior, ONE swiss bank

La sélection est souvent le maître mot lorsque l’on envisage d’investir dans des obligations à haut rendement. Mais est-ce vraiment le meilleur moyen de générer de la performance?

Les obligations High Yield, qui bénéficient d’un des meilleurs couples rendement/risque sur le long terme parmi les actifs financiers cotés, sont de plus en plus intégrées dans les portefeuilles multi-actifs. Leurs atouts sont nombreux. Duration courte, équilibre sectoriel, faible superposition avec les actions, rendement attractif et une situation macroéconomique favorable. Cette classe d’actifs attire par conséquent l’œil de plus en plus d’investisseurs qui souhaitent tirer parti de ces avantages en s’appuyant sur une gestion fondamentale, axée sur la sélection des obligations. Ce parti pris est motivé par l’observation des pertes maximales (max drawdowns) fréquemment observées pour ce type d’obligations. On constate en effet des décrochages importants, impromptus et surtout communs dans cet univers. Dès lors, l’idée selon laquelle il est nécessaire d’analyser de fond en comble les sociétés pour anticiper ces sauts est tout à fait naturelle. On peut également penser que ce marché est moins efficient et se prête encore plus à l’analyse fondamentale. Cependant, cette vision des choses ne se reflète pas dans la réalité avec une écrasante majorité des gérants fondamentaux qui sous-performent les indices globaux.

Alors, comment expliquer cette observation qui va à l’encontre même d’un raisonnement finalement assez logique ? Tout d’abord, les chutes d’obligations sont très violentes et les analystes ont énormément de difficultés à anticiper ces ruptures de prix. Ces dynamiques sont renforcées par le coté binaire du refinancement de la dette, mais également par un biais psychologique humain de positivisme et d’espérance. La liquidité parfois déficiente contraint la gestion et ampute la performance de couts de transaction non négligeables et très variables. La complexité de ce segment d’obligations (clauses optionnelles diverses) rend l’analyse fondamentale difficile et ajoute encore une dimension particulière à la gestion. Enfin, la taille des sociétés présentes dans l’univers – beaucoup plus petites que pour les sociétés représentées dans les indices actions- rend les informations émises moins standardisées et plus rares.

Comment donc aborder ce marché d’une autre manière et prendre en considération ces observations? Une des réponses pourrait découler de l’inverse de la sélection restreinte et pourrait être associée à une large diversification. La diversification a l’énorme avantage d’annihiler très fortement le risque idiosyncratique, tout en permettant de bénéficier des traits distinctifs du segment. En allant au bout de la démarche, ce principe impose de considérer l’entièreté de l’univers, ce qui engendre plusieurs répercussions. Tout d’abord, en prenant le plus grand univers disponible, nous obtenons une exposition globale avec une diversité dans les régimes de croissance au niveau géographique. Cela amène beaucoup de robustesse au portefeuille.

La deuxième conséquence de cette diversification et la prise en compte de titres non traitables, car ne disposant pas de liquidité. Cette illiquidité partielle de l’univers peut être abordée avec une technique d’échantillonnage optimisé permettant d’avoir le même profil de risque que l’univers avec un portefeuille liquide. Enfin, la troisième conséquence est la nécessité d’avoir une gestion du risque poussée afin de prendre en compte toutes ces obligations de manière fine. Afin d’examiner plus de 4’000 titres comme dans l’indice ICE Global High Yield, une approche Quant est quasiment incontournable pour gérer cette quantité de données. Elle présente également un bénéfice important pour l’investisseur, celui de la sérénité appliquée à une des classes d’actifs des plus rémunératrices. Elle permet aussi la transparence et la réalisation d’une gestion des risques aboutie. Il semble donc que la révolution Quant ne fasse pas exception sur ce marché qui paraissait encore réservé à l’analyse humaine.

Aymeric Converset
Aymeric est un expert des approches de gestion par modélisation et est responsable de l’équipe de gestion quantitative chez Dynagest by ONE. Aymeric a rejoint Dynagest en 2013 en tant que gestionnaire quantitatif, puis a été promu responsable de la gestion quantitative obligataire et enfin responsable de la gestion quantitative. En 2018, Dynagest a rejoint la Banque Profil de Gestion. Dans ce cadre, Aymeric a conservé la responsabilité de la gestion quantitative. Il est titulaire d’un M.Sc. en finance des HEC Lausanne, Neuchâtel et Genève. En 2010, il a rédigé son mémoire de Master sur des processus de sélection quantitatifs à l’aide de réseaux de neurones et d’algorithmes génétiques.

Marcin Brynda
Spécialiste en recherche quantitative et en optimisation de portefeuille, Marcin Brynda est gestionnaire de portefeuille senior chez Dynagest by ONE. De 2002 à 2008, il a travaillé à l’Université de Californie en tant que chercheur en chimie et biophysique et a publié de nombreux articles scientifiques dans des revues internationales spécialisées. En 2009, il rejoint le département de recherche de Lloyds PB à Genève. Depuis 2013, il contribue activement au développement de l’approche Computational Portfolio Management chez Dynagest. Marcin est titulaire d’un diplôme en chimie computationnelle et d’un doctorat en chimie-physique de l’Université de Genève.

Share: