Actions
1Obligations
1Flexibles
1Perf. absolue
1L'essentiel de l'actualité patrimoniale et financière pour les CIF, chaque matin dans votre boîte mail.
L'équipe Systematic Equities de Jupiter AM a exploré un projet d'apprentissage statistique pour découvrir des interactions non linéaires entre les signaux afin d'exploiter de nouvelles sources d'alpha. Le premier succès de ce projet est un nouveau signal relatif à la direction de l'entreprise (Company Management), conçu pour capter les interactions non linéaires entre l'effet informationnel des signaux de la direction et l'impact comportemental de l'évolution des cours.
Par Matus Mrazik et Amadeo Alentorn, Gestionnaires d’investissement, Systematic Equities
Les modèles d'actions systématiques sont souvent construits en combinant différents signaux, tels que la valeur, le momentum et la qualité, en un score unique. Dans la plupart des cas, celui-ci est construit de manière linéaire, où chaque signal contribue de façon indépendante et proportionnelle au résultat final. Bien que cette approche soit simple et efficace, elle suppose que chaque signal fonctionne de la même manière, quel que soit le contexte général. En réalité, ce n'est pas toujours le cas.
Dans le cadre de la recherche sur l'apprentissage statistique au sein de notre programme académique, nous avons exploré comment les interactions non linéaires entre les signaux d'investissement peuvent être captées plus efficacement en utilisant, par exemple, des arbres de décision et des réseaux de neurones ainsi que des techniques plus traditionnelles. Dans ce cas précis, nous avons opté pour un modèle qui capte les non-linéarités tout en restant interprétable, et où nous pouvons valider la thèse d'investissement mise en œuvre.
Les interactions non linéaires, ou la dépendance d'état, permettent au modèle de capter des situations où l'efficacité d'un signal dépend d'un autre. Au lieu de traiter les signaux de manière isolée, le modèle peut reconnaître que certaines combinaisons de caractéristiques sont particulièrement importantes.
L'avantage de cette approche est qu'elle permet au modèle de se concentrer sur les segments du marché où les signaux sont les plus significatifs. Plutôt que de répartir le pouvoir prédictif de manière uniforme sur tous les titres, les approches non linéaires aident à identifier des conditions spécifiques où les rendements sont plus prévisibles. Cela peut fournir un signal plus ciblé et informatif, mieux aligné avec le comportement réel des marchés. En substance, les relations non linéaires offrent un moyen d'extraire des informations supplémentaires à partir des signaux existants, sans avoir besoin de données entièrement nouvelles, en comprenant comment ces signaux fonctionnent ensemble plutôt que séparément. Non-linear interactions can capture patterns that evade linear models.
Une relation linéaire entre une variable de réponse et un prédicteur signifie que la réponse attendue est modélisée comme une fonction linéaire de ce prédicteur, en maintenant les autres termes fixes. Avec un prédicteur, cela donne une ligne droite ; avec deux prédicteurs, un plan ; avec plusieurs, un hyperplan.
De nombreuses relations dans le monde réel sont non linéaires, ce qui signifie qu'une courbure offre un meilleur ajustement. Un exemple analysé par James et al. (2023, chapitre 3) est la relation entre la consommation de carburant (miles par gallon) et la puissance (chevaux) des voitures. L'efficacité énergétique tend à diminuer à mesure que la puissance augmente, mais le déclin n'est pas parfaitement rectiligne. C'est un exemple de non-linéarité.
Les polynômes sont un moyen de modéliser la courbure, mais ce n'est pas le seul : les fonctions en escalier, les polynômes par morceaux et les splines font partie d'autres approches possibles.
Un autre exemple est la relation entre la température et les ventes de glaces. Une température plus élevée favorise les ventes, mais pas à un taux constant. Une augmentation de 1 degré lors d'une journée froide peut avoir peu d'effet, alors que la même augmentation lors d'une journée chaude peut faire grimper considérablement les ventes. À des températures très élevées, les ventes peuvent stagner.
Les effets d'interaction sont courants dans la vie quotidienne et en économie. Un exemple analysé par James et al. (2023, chapitre 3) utilise la publicité à la radio et à la télévision pour prédire les ventes de produits. Supposons que chaque canal ait un effet positif sur les ventes individuellement, mais que l'effet de la publicité radio soit plus important lorsque la publicité télévisée est déjà élevée, et vice versa. Dans ce cas, un modèle incluant un terme d'interaction entre la radio et la télévision peut mieux s'ajuster aux données qu'un modèle n'incluant que les effets principaux. L'idée clé est que l'effet d'un prédicteur dépend du niveau d'un autre prédicteur.
Notre nouveau signal non linéaire s'inscrit dans notre stratégie de sélection de titres basée sur la direction de l'entreprise (Company Management), qui cherche à évaluer la qualité d'une équipe dirigeante à travers les données issues de leurs prises de décision. Le nouveau signal fusionne des signaux existants en un terme d'interaction conçu pour enrichir l'information déjà présente dans chaque composante. Plus précisément, il combine l'effet informationnel des signaux de la direction avec l'impact du comportement des cours.
L'idée centrale est que les interdépendances entre ces deux effets peuvent être plus informatives que chaque signal pris séparément. Il peut capter une divergence ou une convergence significative entre les perceptions externes des acteurs du marché et la conviction interne de la direction. Les cas de divergence sont, par exemple, plus susceptibles de révéler une erreur d'évaluation des prix.
En modélisant explicitement des relations structurelles subtiles, notre nouveau signal est capable d'identifier les cas où la divergence ou la convergence sont les plus significatives. Le modèle peut mieux capter les situations où les attentes du marché et les fondamentaux sous-jacents pourraient être désalignés. Cela conduit à un signal plus riche et plus intuitif sur le plan économique. Par exemple, un comportement des prix faible combiné à des signaux de direction médiocres (convergence) pourrait renforcer les attentes d'un résultat négatif ; tandis qu'un comportement des prix faible combiné à des signaux de direction solides (divergence) pourrait, dans certains cas, indiquer une erreur d'évaluation et potentiellement un résultat positif.
L'ajout de la nouvelle interaction relative aux signaux de la direction au sein de la stratégie de sélection de titres « Company Management » du modèle représente une extension significative. En captant les relations conditionnelles et les dépendances fonctionnelles économiquement intuitives entre les signaux, elle permet d'accéder à un alpha incrémental qui n'est pas entièrement saisi par les cadres linéaires. Lorsqu'elle est mise en œuvre avec soin, cela peut :
Au cœur de la philosophie systématique de Jupiter se trouve un effort de recherche continu et discipliné pour garantir que notre processus d'investissement s'améliore au fil du temps. Depuis plus de 20 ans, cette philosophie a donné lieu à un flux régulier de changements évolutifs dans notre processus d'investissement, menant à une amélioration de nos rendements ajustés au risque attendus au fil du temps. Nous avons actuellement plusieurs autres projets de recherche passionnants en cours, notamment le développement d'autres signaux non linéaires, et nous avons hâte de vous en présenter les détails en temps voulu.
Le processus d'investissement de l'équipe est mis en œuvre depuis plus de deux décennies et fait l'objet d'affinements continus. Les améliorations récentes sont présentées ci-dessous. Ces améliorations font suite à des recherches approfondies menées par l'équipe.
Stock selection characteristics
Directors’ Deals (Apr-2020): new component added to Company Management to extract information from directors’ trades in own company shares.
ESG (Jun-2020): new component added to Company Management to incorporate granular E, S and G metrics, while avoiding accidental tilts.
Management sentiment (Nov-2020): new component added to Sentiment to capture sentiment and quality signals from transcripts of management earnings calls.
Fund Flows (Nov-2021): new component to extract information from flows into equity funds and ETFs.
Global Industry Fund Flow (Oct-2023): new signal to enhance a component in Price Action to benefit from industry-level equity fund flow.
Patent data (Nov-2024): a new signal added to Company Management to measure the efficiency of a company’s innovation.
Short-term dislocations (Sep-2025): enhancement to an existing Sentiment component.
Management signalling (Mar-2026): capturing the non-linear impact of management decisions on price action trends.
Dynamic weighting scheme
Conditional Downside Risk (Sep-2019): improving the process of dynamic allocation between factors to include consideration of the conditional downside risk of factors in different types of market environment.
Value Quality decoupling (Sep-2019): allowing more flexibility in the deployment of Value and Quality within Dynamic Valuation, to better navigate periods where both styles are out of favor.
High conviction rotation (Mar-2021): better identification of relationships between market environment indicators and factor return expectations, allowing larger rotations where model has higher conviction.
Dynamic Valuation (Mar-2025): enhancement to better navigate more extreme market environments when investors are focusing on either deep value or expensive quality stocks.
Portfolio construction and risk management framework
Statistical risk model (Sep-2019): addition of PCA-based risk model to bolster existing factor-based risk model framework to identify and control transitory sources of risk without the need to pre-specify them.
Revised constraints (Jan-2020): enhancements to how country, sector and industry effects are controlled at the factor design stage, portfolio construction stage, to improve risk-adjusted returns.
Reputational Risk (Dec-2022): Monitoring of ESG-related reputational risk based on news items to identify stocks driven by non-factor-based characteristics.
Expansion of trading universe (Oct-2023): expansion of trading universe by 500+ stocks to benefit from market liquidity and breadth for alpha opportunity.
Volume forecasting (Dec-2025): better capturing of volume fragmentation across trading venues.
Trade thresholds (Feb-2026): increase efficiency of alpha implementation by optimising sizing of trades.
Références
James G, Witten D, Hastie T, Tibshirani R & Taylor J. An Introduction to Statistical Learning, 2023. Available at https://www.statlearning.com/s’ouvre dans un nouvel onglet
Alentorn A & Mrazik M. Fooled by noise? Why statistical learning, not hype, drives our process, Jupiter, 2025. Available at https://www.jupiteram.com/uk/en/professional/insights/why-statistical-learning-not-hype-drives-our-process/s’ouvre dans un nouvel onglet