Apeas
[ad_1]
Par
Nous pensons généralement au terme «technologie» dans des contextes très modernes, voire futuristes. Pourtant, le mot a une longue histoire, dérivant du grec tekhnologia, signifiant «science de l'artisanat» ou «traitement systématique» des actions. Ces traits de caractère nous accompagnent depuis que les humains ont découvert les outils. En fait, la profession d’analyste en investissement a émergé d’approches d’investissement ad hoc, utilisant des processus systématiques pour analyser et évaluer la santé et la valeur des entreprises.
De plus en plus, ces processus sont entrepris par ce que nous entendons habituellement par «technologie»: matériel informatique et logiciels. Les méthodes d'analyse et de sélection des investissements, ainsi que la gestion de portefeuille, sont fortement influencées par les «quants» depuis des décennies. La prochaine frontière consiste-t-elle à automatiser toutes les actions humaines dans les sociétés d’investissement ou les ordinateurs et les ordinateurs auront-ils besoin de la technologie pour générer de bons investissements – et une performance commerciale?
L'ancien gestionnaire de fonds de couverture, Clare Flynn Levy, fondateur et PDG d'Essentia Analytics à Londres, explore ce nouveau terrain. Elle est passée de la finance à la technologie dans la mode de la Silicon Valley. En tant que gestionnaire de fonds spécialisée dans les technologies de l'information pendant la bulle Internet, elle souhaitait l'analyse de décision et les incitations à adopter des comportements efficaces fournis par son entreprise. «Je voulais que quelqu'un me dise de me concentrer sur la chose la plus importante selon laquelle les données sont importantes», déclare Levy. «Personne ne pourrait jamais me dire ça dans l'instant. ensuite, les données ne rapportent que ce qui s'est passé au cours du dernier trimestre ou de l'année dernière. "
Les douze années écoulées entre le désir et la fourniture de la solution ont vu le développement de la puissance de calcul nécessaire pour effectuer des analyses complexes sur des «données volumineuses» assez rapidement pour que les praticiens de l'investissement puissent les utiliser immédiatement. Par exemple, les produits Essentia Analytics utilisent des journaux d’investissement numériques pour analyser les données des transactions et trouver des informations permettant d’améliorer le processus de décision. La société propose également du coaching et des consultations sur demande. «Nous disposons de données et d’analyses visant à une sorte de changement de comportement», explique Levy. «Nos clients utilisent ces connaissances et font quelque chose de différent."
Les changements d'habitudes vont de décisions d'investissement consistant à garder les perdants trop longtemps à des préoccupations quotidiennes telles que le nombre optimal de réunions chaque jour. Les rappels pour mettre en pratique des habitudes optimales passent par le logiciel sous forme de «coups de pouce».
«Même lorsque nous commençons une nouvelle habitude avec une pratique parfaite, nous avons besoin de nous rappeler de prendre des décisions», dit Levy. "Nous ne sommes pas programmés pour faire la chose la plus rationnelle."
Processus répétitifs
Même dans les entreprises purement quantitatives qui externalisent la distribution de leurs nouveaux comptes à un dépositaire et utilisent des robots-conseillers, les gens restent impliqués. Cambria Investments à Los Angeles, une entreprise quantitative qui gère actuellement huit FNB, a ouvert un compte Cambria Digital Advisor l’automne dernier. , «Ce n’est pas un service robotisé passif. Loin de là. Nous sommes plutôt un conseil en investissement numérique axé sur les personnes. Et nous sommes toujours ici pour discuter de votre portefeuille si vous souhaitez un jour parler au téléphone ou en personne dans notre bureau.
«L'élément humain sera toujours impossible à sous-traiter», poursuit Faber. «Même en utilisant l'ordinateur pour la gestion de portefeuille, les investisseurs ont besoin de quelqu'un à qui parler. Je ne pense pas que dans ma vie cela sera perturbé. "
Cela étant dit, depuis que Faber a créé Cambria en 2006, les fonctions administratives de l'entreprise ont été remplacées par des processus activés par ordinateur et par Internet. Cambria gère toujours des comptes séparés, comme il l'a fait depuis le début, mais la société sous-traite maintenant les comptes d'intégration, en utilisant Betterment comme dépositaire. Sept personnes, toutes des cadres, travaillent chez Cambria (PDG, CIO, COO, vice-président des opérations de portefeuille, vice-président des opérations, directeur du développement des affaires et directeur des communications), gérant un actif de 400 millions de dollars. Faber et son cofondateur, Eric Richardson, ont passé leurs journées à peaufiner leur philosophie de placement et à construire de nouveaux FNB. «Les dépositaires traditionnels manquaient d'ouverture de compte en ligne, de financement de compte en ligne, de gestion de portefeuille automatisée et de collecte des impôts», explique Faber. "Depuis que nous avons lancé les comptes Digital Advisor, nous avons accompli un exploit impossible avec l'intégration traditionnelle des entreprises: nous ouvrons 50 comptes par mois, avec un actif de 25 millions de dollars au cours des cinq premiers mois."
Certaines entreprises d’investissement plus récentes sous-traitent tout sauf la technologie. Numer.ai et Kaggle organisent des compétitions pour les scientifiques de données, en prévoyant des prédictions de crowdsourcing basées sur les jeux de données fournis par les sociétés. Kaggle propose une large gamme de jeux de données couvrant tous les domaines, des finances à la santé publique, en passant par l’utilisation des produits, alors que les concours Numer.ai s’appuient sur les fluctuations des cours passés des marchés et des actions. Fondé en 2015, Numer.ai utilise l’apprentissage automatique pour allouer des fonds à des modèles qui fonctionnent mieux à l’heure actuelle. La société innove en utilisant non seulement des ordinateurs et des logiciels, mais également la technologie de paiement de Bitcoin pour compenser les émetteurs anonymes.
Quantifier le non quantifiable
La quantification des décisions d’investissement a commencé par la capacité des ordinateurs à exécuter des algorithmes sur d’énormes quantités de données économiques et de marché, leur permettant de générer des analyses ou des ordres. Les fournisseurs ont adopté différentes approches. Prenons les exemples de Numer.ai et Kaggle. Numer.ai data fournit à quants les données «nettes» générées par des transactions boursières transparentes et une activité économique calculée à partir de sources et de méthodes cohérentes. Les ensembles de données de Kaggle ont une portée plus large, ils sont collectés auprès de sources variées avec des méthodes bonnes à mauvaises et expriment des conditions de comportement humain et démographique plus difficiles à quantifier. Les scientifiques travaillant avec Numer.ai et Kaggle commentent cette différence. Est-il possible d'obtenir des données aussi nettes que les cours des actions pour mesurer et prédire le comportement humain au sens large dans les entreprises d'investissement?
Des efforts sont en cours dans de nombreux secteurs afin de «quantifier le comportement non quantifiable» du comportement de l’investissement humain. Considérons les recherches récentes entreprises par le CFA Institute en collaboration avec le Center for Applied Research, le groupe de réflexion indépendant de State Street. Après avoir interrogé 7 000 investisseurs professionnels et particuliers sur ce que signifie gagner dans l’investissement, les auteurs de l’étude ont abouti à une conclusion surprenante. Les résultats, publiés dans “” ont déterminé que le phi, dérivé des “forces de motivation du but, des habitudes et des incitations qui régissent nos comportements et nos actions”, est ce qui conduit au succès de l'investissement. La recherche montre qu'une augmentation d'un point du phi est associée à une probabilité supérieure de 28% d'obtenir un excellent rendement organisationnel, une probabilité supérieure de 55% d'obtenir une excellente satisfaction de la clientèle et une probabilité supérieure de 57% d'obtenir un excellent engagement des employés.
Selon l’étude, l’augmentation du phi oblige les gestionnaires à «prendre de nouvelles habitudes de prise de décision telles que. . . les préjugés comportementaux cognitifs et émotionnels (sont) maintenus en échec. »Bien que la réforme de nos habitudes semble simple, cependant,« cela peut être extrêmement difficile. . . parce que les habitudes sont par définition largement dans notre inconscient. Le processus d'habitude commence par un signal, puis il y a une routine, et finalement une récompense est reçue en fonction de cette habitude. »Peut-être avec le plus de pertinence:« Dans notre secteur, nous devons rompre l'habitude de déclencher une action de peur. »
L’intérêt porté aux aspects comportementaux de la gestion des placements a lentement pris de l’élan. Le désir des professionnels de perfectionner leurs compétences en investissement ou en gestion du temps n’est pas nouveau, mais les événements éducatifs sur la méditation ou la pleine conscience parrainés par la CFA Society sont certainement un phénomène nouveau. Autre nouveauté: le nombre croissant d’entraîneurs, dont beaucoup possèdent des diplômes de psychologie professionnelle et d’entraîneur et une expérience en investissement. En dépit de ces tendances, Levy indique que le coaching dans le secteur des investissements n’est pas généralisé. «Peut-être qu'un tiers (de mes clients) travaille avec des entraîneurs, mais beaucoup de spécialistes des finances ne sont tout simplement pas à l'aise avec le concept», dit-elle. "Ils pourraient être à l'aise avec le traitement de leurs données comportementales, mais avoir un entraîneur leur fait peur."
La recherche phi montre également que la performance des investissements repose sur une harmonisation des comportements humains entre l’accent mis sur la performance à court terme et la collecte d’actifs sur les intérêts mutuels du professionnel de l’investissement, de la société d’investissement et du client. Cela inclut les fonctions de service à la clientèle ainsi que la gestion des processus dans les portefeuilles et les investissements. Les ordinateurs pourraient-ils prendre en charge ces processus en plus de choisir et de gérer les investissements? La demande pour de telles solutions pourrait être élevée. «Nous sommes constamment sollicités pour une application de nos produits aux décisions commerciales générales», déclare Levy.
Un important fonds spéculatif a récemment fait les gros titres de son plan visant à développer un système d'intelligence artificielle (IA) qui englobera (mais ne remplacera pas) toutes les décisions du personnel. Avec 42 ans d'histoire, Bridgewater Associates à Westport, dans le Connecticut, est l'un des hedge funds les plus anciens et a bâti sa réputation en s'appuyant sur la technologie pour ses décisions d'investissement. Outre de bonnes performances, la société a efficacement exploité le talent humain grâce aux ordinateurs. La société emploie 1 500 personnes pour gérer un actif de 160 milliards de dollars.
La «transparence radicale» qui, selon Bridgewater, est à la base de son succès, décrit une culture similaire à celle que Levy dit être courante chez ses clients. Les entreprises qui utilisent Essentia ont «une culture de la sécurité et la volonté de leurs employés de se prendre en main et de regarder de plus près». Cela est particulièrement vrai pour les clients qui utilisent les outils Essentia pour améliorer les performances de leur équipe. Le chef d'équipe, généralement le gestionnaire de portefeuille, voit des données sur toutes les décisions prises par les membres de l'équipe. «Dans les entreprises classiques, si un programme comme Essentia Analytics (était) intégré, l’employé pourrait être jugé – mais ne verrait probablement jamais – des données», affirme Levy. «Les utilisateurs d’Essentia n’ont pas peur de regarder dans le miroir pour voir ce qui fonctionne et ce qui ne fonctionne pas. Les membres de l'équipe partagent un état d'esprit de croissance. Ils nous disent qu’ils sont intéressés à s’améliorer. "
Bridgewater décrit une pratique de quantification des processus humains inhérente à ses pratiques d’embauche. La société mesure les personnes pour déterminer si elles correspondent à une fonction et à la culture de Bridgewater. Selon Ray Dalio, président du conseil et chef de l'information, «en recueillant des données sur les personnes, nous pouvons savoir comment elles sont, les emplois pour lesquels elles conviennent le mieux et comment elles pourraient travailler ensemble de manière plus efficace.» Une vidéo sur le site Web de Bridgewater décrit visuellement le processus. , illustrant les embauches potentielles sous forme de configurations de Legos qui s’insèrent parfaitement dans les trous du mur de la société.
Corporate America s’appuie sur la collecte de données sur les personnes pour quantifier ses décisions en matière d’embauche depuis les années 1960 (par exemple, pour réduire la partialité des intervieweurs). Mais les problèmes avec de tels tests d'embauche sont légion. Comme la plupart des recherches en sciences sociales et biologiques, les résultats sont rarement reproduits. Outre les défis statistiques, les tests doivent être administrés de manière cohérente pour permettre la comparabilité des résultats, ce qui signifie une pièce avec le même mobilier, la même température, la même interface informatique et le même niveau sonore pour chaque testeur. Les tests doivent être administrés au même moment de la journée et les participants doivent avoir déjà mangé des repas similaires dans des délais similaires. Si le test est effectué hors site, l’identité du preneur doit être établie, puis les entreprises doivent reconnaître que les candidats à l’embauche ont peut-être pris conseil auprès d’un site de recrutement populaire et appris à «surpasser» les tests psychométriques des banques d’investissement. Si ces conditions ne sont pas remplies ou prises en compte, les entrées ne peuvent pas être approuvées à 100%.
Pour Essentia, obtenir les données nécessaires à leur travail n’est pas une tâche facile. Ce n'est pas un problème de maths; c’est un gros problème de données. Essentia a mis en place un processus discipliné mais complexe pour intégrer un client. Bien que les bases puissent être capturées par téléphone ou lors de réunions en personne, il faut faire confiance aux nouveaux utilisateurs pour leur permettre d'exprimer clairement leurs pensées. «Il n’ya pas d’empreinte de données avant que quelqu'un prenne une décision», déclare Levy. «Nous devons leur demander et examiner de nombreux facteurs pour comprendre le contexte dans lequel la personne prend ses décisions. Une fois que nous avons compris le contexte, nous pouvons définir le changement de comportement et le déplacer pour ce changement. C’est le problème que nous résolvons, vraiment.
Plus humain qu'humain?
Le Big Data est présenté comme une solution aux lacunes laissées par les méthodes de recherche traditionnelles. Dans un article récent publié dans la revue Perspectives sur la science psychologique, auteur Tal Yarkoni énonce une ordonnance pour résoudre le problème de réplicabilité. Son article, co-écrit avec justement le nom «», met au défi la profession de reconnaître que les études réalisées avec des échantillons de petite taille à l'aide de modèles de «meilleur ajustement» ne peuvent qu'expliquer, mais non pas prédire, le comportement. De plus, soutient Yarkoni, seuls les mégadonnées et l’apprentissage automatique peuvent raisonnablement être utilisés pour faire des prédictions.
On pourrait attribuer à la difficulté d'appliquer les résultats de la finance comportementale et de la neuroéconomie la petite taille des échantillons et l'analyse selon le meilleur ajustement. La taille des échantillons est infime par rapport aux données disponibles. Prenons l'exemple de G.E. Article de Wimmer en 2012 «.» Publié dans la revue Science, l’article comprenait des données d’imagerie cérébrale ainsi que des données comportementales de laboratoires contrôlés. Les chercheurs ont examiné de nombreuses données issues des mesures IRMf et des expériences de comportement et ont conclu que les gens choisissaient des éléments qu'ils connaissaient bien plutôt que des éléments totalement nouveaux – un élément clé pour les gestionnaires de placements et les spécialistes du marketing. Mais ces conclusions ont été tirées de la participation de seulement 28 sujets. Ou bien considérez le papier de finance comportementale, lauréat du prix Nobel «» de Daniel Kahneman et Amos Tversky, qui forme la base de nombreuses applications de praticiens et comprend plusieurs études avec des preuves surprenantes et concluantes que les hypothèses qui sous-tendent l’économie classique sont fausses. La taille des échantillons pour ces études va de 50 à 100 personnes.
Ce que Yarkoni propose à propos de l’utilisation du Big Data est désormais possible avec l’informatique cognitive et d’énormes jeux de données toujours en cours de renouvellement et souvent accessibles au public. Avec l'informatique commerciale ou marketing comme résultat habituel, l'informatique cognitive permet aux machines d'apprendre à partir de données basées sur la façon dont les humains pensent et détectent des modèles. Des modèles de recherche peuvent déterminer le sexe, les revenus, les tendances politiques et les états émotionnels parmi des millions de sujets et des millions de publications sur des flux Facebook ou Twitter ou d'autres écrits en ligne. Une source de recherche et d’applications commerciales est le résultat de la collaboration entre l’Université de Stanford et l’Université de Cambridge, appelée «,», qui permet à leur «moteur de prévision des traits» d’apprendre à partir de multiples sources de données afin d’identifier les traits de personnalité et la psychographie.
Le terme «informatique cognitive» est un terme IBM et les utilisateurs peuvent accéder à une analyse psychométrique via le. En utilisant vos écrits en ligne (auxquels vous devez donner l'autorisation à l'entreprise) ou tous les 3 000 mots que vous fournissez, vous pourrez mieux comprendre vous-même ou les autres. Les modèles d’IBM sont construits à partir de données de vérité du terrain – informations tirées d’une observation directe plutôt que d’une inférence – fournies par des enquêtes psychométriques standard auprès d’un grand nombre de personnes, ainsi que par l’écriture en ligne des sujets. Le logiciel utilise le modèle de personnalité Big Five (basé sur l’agréable, le sérieux, l’extraversion, la portée émotionnelle et la franchise), qui est la mesure la plus utilisée par les chercheurs universitaires, ainsi que sur d’autres ensembles de valeurs et de besoins.
L'apprentissage automatique résout le problème du meilleur ajustement et des échantillons de petite taille, mais pose ses propres problèmes. L'une consiste à trouver des ensembles de données comparables. Les voitures autonomes s'améliorent parce que les chercheurs utilisent maintenant les environnements urbains plutôt que les banlieues, les parkings et les environnements confinés des premiers modèles. Dans un contexte d’investissement, les ordinateurs laissés libres d’agir sur la base des leçons tirées des actions d’autres personnes – même des meilleurs collaborateurs – pourraient présenter des erreurs d’omission et de commission notoires. «Si l'on se contente de modéliser le personnel actuel et d'en tirer des enseignements, la répétition pourrait déboucher sur une médiocrité sans nouveaux intrants», explique Levy. "Cependant, si quelqu'un veut le faire, (Bridgewater) a certainement les bonnes personnes pour commencer."
En effet, Bridgewater a recruté David Ferrucci chez IBM en 2013, où il dirigeait des équipes d'analyse sémantique et d'intégration pour le projet Watson. Cette décision pourrait fournir des indices sur ce que Bridgewater a prévu de faire pour utiliser des mesures de données volumineuses au-delà de la simple embauche, pour un meilleur ajustement.
Une préoccupation encore plus grande que de trouver les bons jeux de données est que les machines ne peuvent pas aller au-delà des biais inhérents aux critères de décision du programme. Les applications de l'IA reflètent notoirement les biais des groupes de sujets. Même les biais émotionnels ou cognitifs détectés dans les données de vérité sur le terrain pourraient saper tous les processus. Selon Dan Ariely, professeur de psychologie et d’économie comportementale à l’Université Duke et auteur du livre séminal, la technologie est souvent utilisée pour tirer parti de certaines de nos plus grandes faiblesses – telles que le stimulant provoquant une dépendance qui suscite l’appréciation. demandes d'amis remplies sur les médias sociaux.
Contrôle parental suggéré
Pourrait-on créer un système pour toutes les décisions de l'entreprise, avec un comportement plus évolué que les actions ivres et désordonnées des algorithmes d'investissement? Les ordinateurs, livrés à eux-mêmes, ont fait du crédit public et les marchés boursiers ressembler à un week-end sauvage dans un casino. Nous avons déjà vu des algorithmes se déchaîner et créer des ravages à plusieurs reprises: contrats à terme sur indice Crash of87, crash flash à haute fréquence et obligations garanties par des créances. L'intelligence artificielle peut-elle être intelligente?
Cette inquiétude est partagée par de nombreux scientifiques et leaders technologiques, y compris Stephen Hawking, Elon Musk et Bill Gates, et est traitée par des sociétés du secteur de l'IA. DeepMind, le laboratoire d'IA basé à Londres, est réputé pour son travail sur le terrain. Lorsque Google a racheté la société en 2014, les nouvelles de l'époque alternaient entre le prix payé pour la société et les craintes de voir ce que la technologie d'apprentissage en profondeur pourrait faire subir au monde entre les mains de Google. Selon nos informations, DeepMind est également concerné et "" selon Interne du milieu des affaires et d'autres sources.
Dans l'apprentissage automatique, la terminologie indique une sorte de rôle parental. Les modèles qui recherchent des relations massives dans des ensembles de données volumineux pour des relations prédéterminées sont appelés modèles supervisés, tandis que ceux qui recherchent des modèles de processus mentaux et émotionnels chez l'homme sont appelés modèles non supervisés.
Peut-être une prochaine étape dans la saga «ordinateur contre homme» est-elle pour l’industrie fintech et les experts de créer une liste très similaire à la série «» de Faber. Parmi sa liste initiale (bulletin d’information public, vérificateur quantitatif, collecte d’impôts, boutique de recherche en investissements axée sur les sociétés de financement participatif privées et bulletin d’investissement axé sur les meilleures idées), trois des cinq ont été adressées par de nombreux fournisseurs. La nouvelle liste pourrait s'appeler «78 milliards de dollars d'opportunités en matière de technologie financière» et répertorier des idées pouvant générer une richesse considérable sans menacer simultanément le PIB mondial dans son ensemble.
Comme dans d'autres industries, lorsqu'il s'agit des ordinateurs par rapport aux humains, les ordinateurs gagnent de nombreux emplois, et les humains remplacés devront redéfinir leurs compétences pour pouvoir être employés. Mais l’aspect comportemental de l’équation ne peut être négligé et restera essentiel au succès. Les dirigeants d'entreprises qui trouveront comment combiner phi avec les nouvelles technologies seront vraisemblablement les gagnants du jeu.
Cynthia Harrington, CFA, est directrice chez Cynthia Harrington & Associates, une société basée à Los Angeles qui fournit un coaching de dirigeants à des professionnels de l'investissement. Cet article a été initialement publié dans le numéro de juin 2017 de.
Si vous avez aimé cet article, n'oubliez pas de vous abonner à la Investisseur entreprenant.
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 d'image: © Getty Images / monsitj
