Le visage humain de l'investissement par l'intelligence artificielle (Pictet AM)

Physicienne devenue gérante d’actifs, Alexandra Nagy incarne la rencontre entre expertise scientifique et innovation financière. Son parcours éclaire la genèse et l’évolution de QuestAI, la stratégie d’investissement quantitative de Pictet Asset Management fondée sur l’intelligence artificielle. 

À retenir

1. QuestAI s’appuie sur un modèle d’IA complexe mais interprétable, fondé sur 400 attributs et des techniques avancées.

2. La contribution scientifique d’Alexandra Nagy est à la base de la stratégie, qu’elle continue d’accompagner de près.

3. L’IA ne remplace pas l’humain : supervision, expertise et jugement restent au cœur du processus d’investissement.

Une rencontre décisive entre IA et investissement

La carrière d'Alexandra Nagy dans le monde de l'investissement doit beaucoup à l'intelligence artificielle. Et la stratégie de Pictet Asset Management fondée sur l'intelligence artificielle quantitative, QuestAI, doit beaucoup à Alexandra Nagy.
Aujourd'hui gérante d'actifs, en 2021, Alexandra Nagy était Graduate dans le service risque du groupe Pictet, lorsqu'elle a été détachée auprès de l'équipe de stratégie quantitative dirigée par Stéphane Daul. L'association s'est faite naturellement. L’équipe quantitative commençait à développer un modèle d’investissement utilisant l’IA. Alexandra était physicienne et ses études étaient axées sur l'apprentissage automatique.

Les fondements scientifiques de QuestAI

Le modèle sur lequel l'équipe travaillait utilisait l’IA pour analyser des millions de points de données liés au marché afin de trouver comment tirer des performances supplémentaires d’un portefeuille pour un niveau de risque donné. Ses premiers travaux ont donné lieu à un article scientifique qui a constitué la clé de voute théorique pour la stratégie QuestAI: «Performance Attribution of Machine Learning Methods for Stock Returns Prediction» (L'attribution des performances par les méthodes d'apprentissage automatique pour la prédiction des performances des actions), co-écrit par Alexandra Nagy avec Stéphane Daul et Thibault Jaisson, un autre collaborateur de Pictet Asset Management.
Ce document était crucial car l’équipe de stratégie quantitative de Pictet AM a rapidement compris qu’il ne suffisait pas de créer un modèle d’apprentissage automatique opaque générant des prévisions précises sur la performance des actions à partir des données fournies.
Elle savait également que pour que l’IA soit appliquée avec succès à une stratégie d’investissement, elle devait être en mesure d'identifier l'origine des performances anticipées. En d’autres termes, elle devait savoir en détail comment le modèle générait ses recommandations de titres.

C’est là qu'Alexandra est intervenue.

Du CERN à Pictet : un parcours scientifique appliqué

Ses travaux menés dans le cadre de son doctorat portaient sur l'accélération des processus d'apprentissage automatique, permettant de former des modèles de plus en plus complexes, ce qui était devenu essentiel alors que les experts quantitatifs de Pictet Asset Management augmentaient la complexité de leurs propres modèles.
Sa thèse de doctorat à l'École Polytechnique Fédérale de Lausanne (EPFL) était axée sur l'apprentissage automatique et la physique quantique. Elle l'a menée à bien après avoir travaillé comme chercheuse au CERN, le plus grand laboratoire de physique des particules au monde, situé juste non loin de Genève. Au CERN, elle a développé des simulations à grande échelle, géré de grands ensembles de données et mis au point des solutions mathématiques à des systèmes très complexes et incertains.
Mais ses travaux étaient purement théoriques. Elle cherchait des applications réelles, ce qui l’a amenée chez Pictet. Elle disposait de l'expérience idéale pour le type de recherche réalisée par l’équipe quantitative de Pictet Asset Management: la transformation d’échantillons de données en prévisions précises sur la performance future des actions.

Les données, carburant du modèle

«Par exemple, nous utilisons les données de l'IBES recensant les prévisions de bénéfices des analystes et le sentiment à l’égard des entreprises», explique-t-elle. «Elles aident nos modèles à détecter des signaux et des tendances subtils que les données de prix ou de volume seules ne permettraient pas nécessairement de voir.»

Une architecture basée sur les boosted trees

L’approche de la modélisation que l’équipe a finalement adoptée est appelée «boosted trees» (arbres amplifiés). Elle consiste à générer plusieurs arbres de décision – des modèles structurés comme des organigrammes – puis à répertorier et à améliorer les arbres dans les domaines où leurs pouvoirs de prévision sont les plus faibles grâce à une formation répétée.

«C’est comme aller chez l’optométriste», explique Alexandra. «Chaque nouveau verre qu'il essaie a pour but d'affiner un peu plus votre vision jusqu'à obtenir la bonne prescription.»

Un travail fondateur… suivi d’une parenthèse

Bien que son travail avec l’équipe de recherche quantitative ait été suffisamment important pour qu'elle puisse cosigner statut l’article de recherche fondamentale de QuestAI, elle a fini par quitter Pictet en raison d'une opportunité au sein de l’équipe de recherche quantitative d’une autre société d’investissement.
«Je suis tout de même restée en contact étroit avec l’équipe. Je déjeunais régulièrement avec Stéphane», explique-t-elle. «Je voulais voir comment le modèle se développait – j’avais l’impression que c’était un peu mon bébé.»

Retour chez Pictet et lancement réussi de QuestAI

Au lancement de QuestAI, l’équipe lui a demandé de revenir. Pour Alexandra, le retour chez Pictet était une étape évidente. Dès le départ, la stratégie a été un grand succès, avec une collecte de 1,7 milliard de dollars d’actifs sur 18 mois. Alexandra explique pourquoi: «Les résultats du modèle sont largement conformes à ce que nous avions prévu.»

Un modèle complexe : 400 attributs et interactions multiples

Les performances sont claires, mais le modèle est tout sauf simple. D’une part, il est entraîné sur environ 400 caractéristiques que l’équipe appelle des «attributs»: des éléments issus de séries de données chiffrées, telles que les bénéfices par action et les ratios cours/valeur comptable, ainsi que les données de sentiment des analystes.
Le modèle capture à la fois des relations directes et d'autres plus complexes entre les attributs et les performances des actions. Elle observe parfois des effets linéaires, pour lesquels un attribut a un impact directement proportionnel sur les performances prévues. D’autres sont non linéaires: l’effet est plus compliqué mais peut souvent encore être capturé par des modèles traditionnels. Les plus complexes sont les interactions entre les attributs pour lesquels l’influence combinée d'au moins deux attributs ne peut être détectée qu’avec des techniques d’IA de pointe.

Rendre l’IA interprétable

L’équipe consacre de nombreux efforts à décomposer les prédictions du modèle pour estimer la contribution de chacune de ces sources à la prévision finale. En attribuant soigneusement des parties de la prédiction à différents effets, elle peut interpréter plus efficacement les signaux du modèle et avoir davantage confiance dans ses recommandations.

Le rôle indispensable de l’humain

Néanmoins, de vraies personnes, intelligentes et expérimentées, sont toujours nécessaires pour développer et affiner en continu le modèle. Par exemple, au cours de la phase de construction du portefeuille, les gérants ont la possibilité d’ajuster les positions s’ils estiment que la situation actuelle d’une entreprise est trop particulière pour faire confiance à la prédiction du modèle, par exemple lors de fusions et d’acquisitions. Ensuite, vient la supervision du modèle: l'exécution de toute transaction qu'il recommande doit être précédée d'une validation par les gérants d’investissement. Cette supervision est également nécessaire pour préciser les contraintes d’un portefeuille, le cas échéant. Il peut, par exemple s'agir de veiller au maintien d'une stratégie neutre vis-à-vis des facteurs, des secteurs et des régions.

Une évolution continue

Une développement rigoureux et continu.
«Le modèle est réentraîné et mis à jour tous les trois mois, tandis que de nouvelles évolutions sont introduites tous les six à dix mois. Nous prenons beaucoup de temps pour comprendre son fonctionnement au sein du portefeuille», affirme Alexandra. «C’est un processus exigeant.»
D'une certaine façon, la carrière d'Alexandra dans la gestion d’investissement s’est développée parallèlement au modèle QuestAI. Tous deux poursuivent leur évolution ensemble, l’IA s’imposant de plus en plus comme une troisième voie pour l’investissement, aux côtés des gestions active et passive.

Conclusion

Pour nous, la performance générée par les modèles fondés sur l’IA devrait être en grande partie indépendante de celle que génèrent les approches quantitatives ou fondamentales traditionnelles. En ce sens, nous considérons l’IA comme un complément: sa réelle valeur réside dans sa capacité à apporter une perspective supplémentaire, qui contribue à équilibrer davantage l’allocation de capital.
Alexandra Nagy, Investment Manager