[ad_1]
Frank J. Fabozzi, CFA, est l’une des voix les plus prolifiques, les plus convaincantes et les plus perspicaces de la finance moderne. En tant qu'académicien, , , et , il a contribué à façonner notre compréhension de la discipline et ses contributions lui ont valu la du et le prix C. Stewart Sheppard du CFA Institute, entre autres récompenses. En effet, les titulaires de la CFA et ceux qui ont étudié à l’examen connaîtront bien son travail. Il est responsable de la création d'une partie importante du programme.
Un thème commun dans sa bourse a été la . Il a longtemps critiqué avec éloquence l’enseignement de la finance et de l’économie dans les collèges et universités et le fait que la théorie conventionnelle n’explique pas le comportement réel du marché. Pour en savoir plus sur son point de vue, nous lui avons parlé en personne des faiblesses qu’il constate et de leurs solutions éventuelles.
Vous trouverez ci-dessous une transcription légèrement modifiée de notre conversation.
CFA Institute: Au cours des deux dernières décennies, vous avez vivement critiqué l’économie et la finance universitaires. Quel est le problème avec ces disciplines?
Frank J. Fabozzi, CFA: Ma critique de l'économie universitaire est que les modèles construits par les économistes traitent essentiellement les agents du marché comme des robots. Ils prennent des décisions selon des règles définies et les modèles construits sont qualifiés de «modèles rationnels». La finance étant un domaine au sein de l’économie, les mêmes critiques s’appliquent aux modèles construits par les économistes financiers. Les outils clés utilisés par les économistes sont le calcul et l'analyse mathématique de haut niveau.
Les «modèles rationnels» en finance ont été attaqués par le camp de la finance comportementale, qui a démontré le décalage entre le comportement du modèle et le comportement des investisseurs dans le monde réel. La préoccupation de l'économie académique vient aussi des praticiens. Par exemple, en 2003, : «Si vous voulez vivre votre vie comme un homme unijambiste dans un concours de coups de pied au cul, pourquoi être mon invité? Mais si vous voulez réussir, comme un homme fort avec deux jambes, vous devez maîtriser ces astuces, y compris faire de l'économie tout en connaissant la psychologie. "
Le problème posé par le recours à des modèles rationnels et leur traitement en tant que fondement de la finance réside dans le fait que de nouvelles constatations incompatibles avec les théories de base sont rejetées. . Il est révélateur qu'en économie financière, les écarts de prix empiriques ou les rendements des modèles théoriques sont qualifiés d '«anomalies». Une véritable science empirique réviserait ses modèles pour les adapter aux données empiriques. Cependant, l’économie financière adopte l’approche opposée et considère les écarts par rapport à une rationalité économique idéalisée comme des anomalies des véritables processus de prix empiriques.
Dans les années 1970 et 1980, un universitaire ne pouvait pas être publié dans une revue financière à comité de lecture si ses recherches étaient en contradiction avec la théorie dominante, telle que le modèle de valorisation des actifs immobilisés (CAPM). Par exemple, à la fin des années 1970, une prestigieuse revue financière a sollicité des articles rédigés conjointement par des universitaires et des praticiens. Pensant que le comité de rédaction de la revue était sincère, j'ai co-écrit un article avec le président de Merrill Lynch White Weld, Tom Chrystie. Notre thèse était que les titres peuvent être structurés / personnalisés pour les investisseurs en utilisant l'actif du bilan. Fondamentalement, il fournissait le plan général pour le financement structuré. L'examen que nous avons reçu en réponse était bref et donnait l'impression que les idées présentées dans le document n'avaient aucun sens, car elles étaient incompatibles avec le CAPM!
Un peu plus tôt, vous avez décrit l’utilisation abusive du calcul et de l’analyse mathématique de haut niveau en économie. Pourquoi sont-ce les mauvais outils?
Le recours excessif au calcul est symptomatique de la stagnation du sujet et rend un mauvais service aux étudiants qui aspirent à travailler dans la gestion de fortune. Les économistes devraient combiner des outils mathématiques sophistiqués et des techniques empiriques, tout en reconnaissant les limites d'un domaine où les expériences sont rarement possibles. Dans "Marcos López de Prado et moi avons expliqué pourquoi l’adoption du calcul par les économistes était un accident historique et remettait en question la vision mécanique du monde des économistes.
Fondamentalement, les économistes ont reconnu que le calcul était extrêmement fructueux en physique et en ingénierie, où il a acquis ses antécédents. Ils espéraient répéter ce succès extraordinaire en adoptant le même cadre conceptuel. Et les connaissances cumulatives dans l'application du calcul à des problèmes réels sont impressionnantes. Charlie Munger, dans sa liste des faiblesses de l'économie universitaire, qualifiait cela «d'envie de physique». Il a souligné que «ce terme a été emprunté à (un autre type) d'envie, décrit par l'un des plus grands idiots du monde, Sigmund Freud . "
En fin de compte, le calcul n’a pas été efficace pour décrire les phénomènes économiques et financiers. Focardi et moi-même proposons plusieurs explications sur les raisons pour lesquelles les économistes semblent préférer le calcul sûr au calcul par rapport au calcul dangereux de la réalité. Quand un physicien a demandé à Kenneth Arrow, lauréat du prix Nobel d'économie de 1972, pourquoi les économistes utilisaient des mathématiques aussi sophistiquées étant donné qu'ils disposent de rares données justificatives, le professeur Arrow a répondu: «C'est simplement parce que nous ne disposons pas d'assez de données nous utilisons des mathématiques sophistiquées. ”Il a ensuite ajouté:“ Nous devons assurer la cohérence logique de nos arguments. ”Cette proposition est plus invalide aujourd'hui que jamais, car toutes sortes d'ensembles de données sont devenues disponibles ces dernières années.
À l'heure actuelle, il n'y a aucune excuse pour ne pas utiliser d'autres ensembles de données, qui nous informent en détail sur les activités quotidiennes de centaines de millions d'individus.
Les économétriciens appliquent des statistiques à toutes sortes de données. Leur approche est-elle fondée sur des preuves?
C'est une fausse impression. Les modèles économétriques sont tout à fait inappropriés pour modéliser la complexité même des systèmes économiques. Les économistes ne peuvent pas adopter aveuglément des techniques statistiques conçues pour la biologie expérimentale. Comme López de Prado et moi-même l'avons expliqué, les sciences économiques ne permettent pas les expériences basées sur de grands échantillons de données tirés de manière indépendante à partir d'un système stationnaire. Il faut 50 ans pour produire un nouvel ensemble de données d'une durée de 50 ans. À ce moment-là, le système aura «évolué» beaucoup plus rapidement que les systèmes naturels.
Le paradoxe en économie est que les chercheurs utilisent des outils non empiriques – calcul et mathématiques sophistiquées – ou des outils paléo-statistiques conçus avant l'avènement de l'informatique. Comparez un populaire , avec un manuel de chimiométrie, . D'autres domaines ont englobé l'apprentissage automatique et d'autres méthodes de calcul. Mais ces méthodes sont rejetées dans les revues économiques en tant que «boîtes noires».
L'économétrie a perdu le train de l'innovation et est devenue un sujet stagnant, à la surprise de nombreux statisticiens hors de notre domaine. C’est comme si les économistes avaient choisi de n’utiliser que l’économétrie car c’était la seule boîte à outils qui leur permettait de confirmer leurs biais CAPM ou d’investissement facteur.
Les théories des sciences exactes, par exemple, la théorie de la relativité d’Einstein, sont des modèles qui prédisent et ne sont pas contredites par la réalité. Le CAPM et d’autres théories économiques échouent tout le temps aux praticiens. Pourquoi alors le prix Nobel d'économie a-t-il toujours le mot «Science» dans le titre?
Ce que moi et mon coauteur, Sergio Focardi, avons soutenu, c’est que l’économie traditionnelle telle qu’elle est connue aujourd’hui n’est pas une science au sens des sciences physiques, car elle ne décrit pas l’économie réelle, mais plutôt un monde idéalisé «économiquement rationnel». .
L'échec de la vulgarisation de l'éconophysique, une discipline défendue par le physicien H. Eugene Stanley au milieu des années 1990, est plutôt révélateur. Au lieu d'adopter une approche interdisciplinaire qui adhère strictement aux principes de la science empirique dans ses recherches, les économistes l'ont écartée en la qualifiant de «non conventionnelle».
Dans le monde pseudo-rationnel idéalisé de la théorie économique actuelle, il n'y a pas de place réelle pour les crises majeures. L'économie financière, en particulier, repose sur l'hypothèse selon laquelle les quantités économiques pourraient s'écarter de leur valeur théorique, mais que les forces du marché les réaligneront rapidement sur des valeurs théoriques. Cette hypothèse s'est révélée inadéquate. Cet échec a empêché les économistes d’aider la gestion de fortune à s’établir comme un casino. Ce qu’il faut, c’est une vision scientifique de l’économie validée empiriquement.
Rien d’étonnant à rétablir la confiance des investisseurs – comme nous l’avons démontré dans CFA Institute Research Foundation – reste l’un des plus grands défis de la profession.
Diriez-vous alors que l'économie est une science en devenir?
Nous devons essentiellement reconstruire l’économie en tant que science empirique. Certains résultats ont été obtenus. La théorie des réseaux a considérablement progressé dans la représentation des interactions entre agents économiques. Les modèles chaotiques et leurs relations avec les statistiques sont maintenant mieux compris. Les méthodes d’apprentissage automatique ont permis de fournir des portefeuilles qui surpassent la solution de Markowitz en dehors de l’échantillon. Un nouveau type de statistiques peut être nécessaire pour travailler avec le niveau d’incertitude qui caractérise l’économie et la finance. Nous faisons la distinction entre des statistiques robustes pour l’ensemble des données et la théorie des valeurs extrêmes pour modéliser les queues. Nous avons appris à faire des prévisions approximatives sur des résultats potentiellement très importants, jamais obtenus auparavant. Mais nous n’avons pas d’outil pour faire face à des niveaux d’incertitude très élevés.
Récemment, l’accent a été mis sur l’intégration de plus en plus de données de données dans les programmes de finance, Nous soulignons certains des avantages de ce domaine pour la gestion pratique des investissements. Cette année, Marcos, Joe et moi avons co-fondé publié par Pageant Media. Le numéro inaugural est sorti en janvier.
L'apprentissage automatique, une branche de la science des données, comprend une famille de techniques informatiques facilitant l'apprentissage automatisé de modèles et la formation de prédictions à partir de données. Bien qu’il n’existe pas de définition universelle de la science des données, elle associe statistiques et informatique pour découvrir ou imposer un ordre dans des données complexes afin d’améliorer la prise de décision en connaissance de cause. Il s’agit donc d’une tâche intrinsèquement pratique, au même titre que la finance, qui convient particulièrement aux applications d’investissement qui devraient figurer dans le programme de tous les programmes financiers.
Comme Marcos et moi avons noté dans notre éditorial newtonien sur la finance, il existe, outre la science des données, des sujets utiles rarement enseignés dans les programmes d'économie et de finance, notamment la combinatoire, la théorie des graphes / réseaux, la théorie des noyaux, la théorie de l'information, les mathématiques expérimentales, les algorithmes, etc. théorie de la complexité et structures de données. Nous pensons que les informaticiens sont peut-être mieux formés que les étudiants en finance pour traiter des problèmes de finance. C'est l'une des raisons pour lesquelles les banques et les fonds spéculatifs embauchent des scientifiques et des physiciens spécialisés dans les données pour des postes auparavant réservés aux diplômés en finance.
Comment le monde universitaire devrait-il changer son enseignement de la finance?
C'est une question ouverte sur laquelle les départements de l'économie et des finances des universités doivent avoir une conversation. En règle générale, les programmes universitaires en économie et en finance sont divisés: il existe des programmes avec mathématiques et des programmes sans mathématiques. Les mathématiciens enseignent le calcul sophistiqué et le calcul stochastique. Ceux qui n’ont pas de mathématiques le sentent toujours nécessaire et essaient d’enseigner des versions diluées et simplifiées du calcul et du calcul stochastique, principalement sous forme d’économétrie. Cette situation n'est pas satisfaisante. Les étudiants de cursus hautement mathématiques finissent par se sentir comme dans une tour d'ivoire et ne développent pas la discipline des données empiriques des sciences empiriques. En revanche, les étudiants des programmes non mathématiques en viennent à croire que la logique et les mathématiques sont facultatives et ne s'appliquent pas à la vie réelle.
Dans la pratique, les deux positions sont déraisonnables. Dans la pratique de la gestion de placements, le calcul hautement sophistiqué est utilisé principalement dans le secteur des dérivés financiers. Aujourd'hui, les étudiants qui veulent être des «quants» ont besoin de connaître le calcul et le calcul stochastique. Mais ils devraient garder à l'esprit que l'évolution des économies modernes et des théories des marchés financiers nécessitera probablement de nouveaux concepts mathématiques, éventuellement différents. Ils devraient garder un esprit très ouvert aux nouvelles idées.
Mais la position opposée, à savoir que les mathématiques sont une option inutile, est également très dangereuse. La gestion des investissements nécessite une réflexion logique rigoureuse et le traitement de grandes quantités de données non structurées. Le défi des universités et des écoles de commerce est, comme le dit Gilbert Strang, professeur de mathématiques de renommée mondiale au MIT, de: Ces enseignements aideront les étudiants à raisonner de manière rigoureuse sans la camisole de force contraignante du calcul.
Pour plus de Frank J. Fabozzi, CFA, ne manquez pas de co-auteur avec Sergio M. Focardi et Caroline Jonas, la dernière de nombreuses contributions à la.
Si vous avez aimé cet article, n'oubliez pas de vous abonner à la .
Tous les messages sont l'opinion de l'auteur. En tant que tels, ils ne doivent pas être interprétés comme un conseil en investissement, et les opinions exprimées ne reflètent pas nécessairement les vues du CFA Institute ou de l’employeur de l’auteur.
Crédit image: © Getty Images / hannahgleg
Formation continue pour les membres du CFA Institute
Certains articles sont éligibles pour un crédit de formation continue. Enregistrez facilement des crédits en utilisant l’application CFA Institute Members, disponible sur et.