Comment les Fintechs ont bousculé l’asset management : l’exemple du trading algorithmique

Depuis quelques années, nous sommes témoins de campagnes promotionnelles de la part de certaines sociétés de gestion en ligne (Yomoni, Nalo, WeSave, etc.) offrant à la fois des perspectives de rendement élevé et des frais de gestion faibles. On a aussi beaucoup entendu parler du trading algorithmique et haute fréquence, et notamment des craintes qu’ils suscitent. Derrière ce phénomène se cachent ce que l’on appelle les fintechs (contraction de finance et de technologie). Ce terme illustre les sociétés innovantes et disruptives qui utilisent la technologie (intelligence artificielle, big data, machine learning, etc.) pour réaliser de l’optimisation de portefeuilles, détecter les opportunités d’investissement, réduire les coûts et les risques… Des organisations qui révolutionnent la finance traditionnelle en captant des parts de marché aux acteurs historiques spécialistes de la prise de décision en matière d’investissement.

Les fintechs couvrent également un spectre beaucoup plus large intégrant le big data, la blockchain et le DLT (Distributed Ledger Technology ou Registre Distribué). Thématiques qui ont déjà fait et feront l’objet de nombreux articles sur le blog de Meritis et d’événements Meetup Meritis. Nous nous intéressons ici à comment la rencontre des fintechs et de l’asset management démocratise aujourd’hui le trading algorithmique.

Cet article a vocation à aborder les fintechs sous l’angle de la gestion des investissements, et à présenter les applications offrant des services de robo-advisory, d’interprétation de textes, de trading algorithmique et d’analyse de risques. Apps qui, in fine, bouleversent la gestion des investissements telle qu’on la connaissait jusqu’alors.

Les robo-advisors pour gérer l’épargne de tous

Depuis une dizaine d’années, nous assistons à un essor de start-ups ou de grands assets managers offrant des solutions de robo-advisory (robots-conseillers) à leurs clients par le biais d’applications ou de plateformes web : ce sont des gérants de patrimoine automatisés. Leur business modèle est assez simple : confier les décisions d’investissement à des machines permet de cibler une gamme plus large de clients (notamment les jeunes plus tech friendly et à revenus plus modestes). Comment y parviennent-ils ? À travers une stratégie sur-mesure adaptée à chaque profil de client-investisseur, menée à moindre coût et accompagnée d’une promesse de performances supérieures grâce à des algorithmes objectifs reposant sur des données quantitatives.

Tout comme un conseiller en gestion de patrimoine ou de fortune, ces plates-formes répondent au besoin de chaque client avec un questionnaire qui permettra de déterminer le profil de l’investisseur et de lui proposer une solution d’investissement adaptée.

Chez Yomoni par exemple, 23 questions sont nécessaires pour déterminer les contraintes et les objectifs de chaque client, à commencer par la première ci-dessous :

Source : https://app.yomoni.fr/#/souscription/analyse

Ce questionnaire permettra notamment de déterminer l’horizon temporel de l’investisseur, son goût et sa tolérance aux risques, sa capacité financière, etc.

D’après une étude menée par Michael Tertilt et Peter Scholtz en 2017 sous le titre To Advise, or Not to Advise – How Robo-Advisors Evaluate the Risk Preferences of Private Investors, il semblerait que les robo-advisors ne prennent pas en compte l’intégralité des réponses fournies mais proposent toutefois un investissement dans des poches d’actifs suffisamment diversifiés, et ce tout en ayant le souci d’optimiser le portefeuille en fonction de l’évolution des marchés. En raison de leur structure de coûts réduits, les robo-advisors vont essentiellement orienter les investissements vers des produits à faible coût tels que les trackers d’indice (ETF), les fonds diversifiés mais aussi les matières premières, voire même l’immobilier. De même, ils vont rebalancer et optimiser régulièrement le portefeuille des investisseurs.

Ce type de gestion par robo-advisors suscite toutefois quelques critiques, notamment de la part des assets managers traditionnels qui prônent une gestion active des portefeuilles et un véritable savoir-faire de leur part. Contrairement aux clients fortunés qui peuvent s’offrir les conseils avisés de spécialistes en gestion active, le recours aux robo-advisors implique une gestion passive avec une fréquence de rebalancement plus faible pour limiter les frais. Cela peut empêcher les investisseurs de profiter d’opportunités intéressantes sur les marchés qu’un analyste financier (humain) aurait pu détecter pour en faire profiter ses clients.

L’analyse de textes et le traitement automatique du langage naturel

L’Analyse de textes (Text Analytics en anglais) fait référence à tous les outils informatiques permettant d’analyser et d’interpréter les extraits de rapports, d’enquêtes, de publications sur internet, ainsi que les communications écrites ou orales des managers des entreprises. Ces programmes permettent de retirer certaines informations de ces différentes sources, données qui seront utilisées dans le processus de prise de décision en matière d’investissement. Cela recouvre à la fois l’analyse lexicale, la fréquence des mots et la reconnaissance des mots clés qui fourniront des informations utiles supplémentaires.

Le traitement automatique du langage naturel (TALN ou NLP en anglais pour Natural Language Processing) est un domaine de l’analyse de textes qui recoupe à la fois l’intelligence artificielle, la science informatique et la linguistique. De plus, il s’intéresse également au développement de programmes permettant d’analyser et d’interpréter le langage humain. Il concerne à la fois l’analyse de textes, de discours et même des sentiments, la traduction, les tweets et les appels téléphoniques des managers.

Source : https://towardsdatascience.com/tensorflow-vs-pytorch-vs-keras-for-nlp-exxact-  8e51dd13c3f5

Ce travail d’analyse de milliers de pages, d’heures de conversation et de discours n’aurait pas pu être effectué aussi rapidement par une équipe d’analystes « humaine ». Il permet notamment de dégager certaines tendances sur le marché en examinant les nuances et les subtilités des commentaires contenus dans les recommandations des analystes financiers. Cette notion de subtilité est particulièrement évidente dans les discours des dirigeants de la FED et de la BCE au cours desquels les mots sont soigneusement sélectionnés, pesés puis interprétés. Un TALN élaboré peut mettre aussi en perspective tout un historique de discours en s’appuyant sur certains mots clés.

Le trading algorithmique

Les marchés financiers ont complétement été bouleversés par le trading algorithmique à travers le traitement permanent des informations en temps réel. De quoi s’agit-il ? Le trading algorithmique (automatisé ou automatique) désigne l’achat ou la vente de produits financiers par des plates-formes électroniques au moyen d’algorithmes sans avoir recours à une intervention humaine. Il s’applique essentiellement à des ordres volumineux qui sont ensuite découpés et exécutés sur différents marchés. Son attrait réside dans la rapidité d’exécution, la diminution des frais et l’anonymat des transactions. Les paramètres des algorithmes sont modifiés en permanence en fonction de l’évolution des volumes, des prix et de la volatilité sur les différents marchés.

Le trading haute fréquence (HTF en anglais) est une forme de trading algorithmique qui s’appuie sur une très grande quantité de données de toutes sortes pour déclencher des ordres de manière automatique et extrêmement rapidement (on parle de nanosecondes !). Ces algorithmes, en détectant les mispricings sur les marchés, permettent de déterminer sur quelles valeurs, où et comment exécuter des ordres d’achat ou de vente de titres afin de tirer profit des opportunités d’arbitrage.


Source : Fotolia

Big data, machine learning et intelligence artificielle dans la gestion des risques

Sous l’effet d’une réglementation sans cesse renforcée, les acteurs du secteur financier ont dû prendre des mesures pour évaluer plus précisément les risques et mettre en place des stress-tests. Cela s’applique à tout un ensemble de données quantitatives – telles que les données de bilan, les calculs d’exposition, divers ratios pour estimer les risques de crédit ou de liquidité… – et de données qualitatives (non chiffrées).

On assiste aussi à un intérêt croissant pour la data utilisée en temps réel dans les modèles de risques ou pour établir des reportings. Le big data est ainsi utilisé pour anticiper les changements de tendance, cartographier au mieux les risques et se prémunir contre eux. En ce sens, l’analyse en temps réel des données de marché peut permettre aux analystes financiers de détecter les titres susceptibles de voir leur valeur monter ou baisser sur les marchés grâce au machine learning. Ce dernier améliore aussi la data quality en détectant les erreurs ou les valeurs aberrantes des données lorsque celles-ci sont ensuite intégrées dans des modèles ou des outils de gestion des risques.

Enfin, l’intelligence artificielle est quant à elle utilisée dans la gestion de portefeuilles, en particulier pour les stress-tests, dans l’analyse des scénarios « what-if » et du backtesting. Des simulations sont ainsi faites pour que les gérants voient les conséquences sur la rentabilité ou sur la liquidité de leur portefeuille, ou sur le fait de détenir ou de vendre rapidement telle ou telle valeur dans des conditions de marché extrêmes (crise financière, forte volatilité, etc.).

Conclusion

Nous avons assisté ces dernières années à une véritable disruption des marchés financiers à travers l’apparition et l’essor des fintechs qui ont peu à peu damé le pion aux acteurs traditionnels. Comment ? En favorisant une prise de décision beaucoup plus rapide, moins coûteuse et globalement efficace en matière d’investissements. Ces fintechs, en ayant largement recours au big data, au machine learning et à l’intelligence artificielle, ont investi les différents domaines de la finance : gestion de portefeuilles et des risques, trading, reporting… Elles complètent ainsi totalement la finance traditionnelle en améliorant les techniques de gestion des produits financiers et d’exécution des ordres, et facilitent l’accès à un plus grand nombre d’investisseurs. En conséquence, la finance telle que nous la connaissions il y a 10 ans encore est désormais révolue. Il faudra rester vigilant sur son évolution dans les prochaines années pour détecter les tendances et anticiper les changements profonds en matière de besoins, de régulation, d’emplois, de cybersécurité, etc.

Sources

Du même auteur

Laisser un commentaire

MERITIS ICI. ET LÀ.

Carte Meritis

Meritis Paris

5 – 7, rue d’Athènes
75009 Paris

+33 (0) 1 86 95 55 00

contact@meritis.fr

Meritis Sophia Antipolis

Les Algorithmes – Aristote B
2000 Route des Lucioles
06901 Sophia Antipolis Cedex

+33 (0) 4 22 46 31 00

contact@meritis-paca.fr

Meritis Aix-en-Provence

240 Rue Paul Langevin
13290 Aix-en-Provence

+33 (0) 4 22 46 31 00

contact@meritis-paca.fr

Meritis Nantes

Immeuble Skyline
22 mail Pablo Picasso
44000 Nantes

contact@meritis-technologies.fr

+33 (0)2 85 67 07 00


Contactez-nous

Pour connaître et exercer vos droits, concernant l'utilisation des données collectées par ce formulaire, veuillez consulter la page sur notre politique de confidentialité.