Marchés

Exploiter la révolution de l’information

Les gérants de fonds modernes sont aux prises avec un flot de données susceptibles d’être analysées selon des méthodes inconnues il y a 30 ans. Pour conserver une longueur d’avance, ils doivent canaliser ce déluge et exploiter sa puissance afin de générer de l’alpha autrement.

10/04/2018

Ben Wicks

Ben Wicks

Responsable Recherche et Innovation

Mark Ainsworth

Mark Ainsworth

Responsable Analyse des Données

Autrefois, les gérants n’avaient qu’un volume limité d’informations à traiter – les rapports et comptes des entreprises, la recherche sell-side et les données du secteur. La puissance de traitement était limitée aux tableurs Excel, mais cela suffisait pour accomplir la tâche et prendre les bonnes décisions à partir des données.

La situation a significativement évolué depuis, notamment au cours des trois ou quatre dernières années, avec la croissance exponentielle du volume d’informations dont dispose le secteur de l’investissement. Si ces évolutions posent des défis disruptifs, elles constituent aussi une opportunité majeure pour les organisations bien structurées et capables de s’adapter.

D’importants volumes de données auparavant non disponibles peuvent désormais être exploités pour la sélection de titres. Parmi les très nombreux exemples, on peut citer : les données du trafic Internet, les données liées aux smartphones, les données gouvernementales publiques, la masse des données d’enquêtes auprès des consommateurs, ainsi que les données cartographiques et météorologiques. Contrairement à d’autres secteurs, celui de la finance n’a pas véritablement appris à traiter ces informations.

 

Canaliser le déluge de données

Quelle est donc la source de ce déluge de données ? Avant tout, il s’agit du processus toujours plus envahissant de numérisation qui est en cours. Les transactions entre consommateurs et entreprises, ou entre entreprises elles-mêmes, sont de plus en plus numérisées et disponibles pour l’analyse à un niveau agrégé et abstrait.

Deuxièmement, il faut citer la transparence croissante exigée par les marchés publics, notamment en Occident, mais aussi sur les marchés émergents. Les interactions entre gouvernements et entreprises sont, par exemple, de plus en plus divulguées. Troisièmement, l’augmentation de la puissance de calcul joue un rôle clé, alors que les coûts de stockage et de traitement des données ne cessent de chuter.

Du point de vue des gérants de fonds, il est désormais nécessaire de gérer ces données de manière systématique, en s’appuyant sur des compétences en programmation et ingénierie des données pour créer un outil d’analyse des « Big Data ». Selon nous, les gérants qui investissent judicieusement dans ce domaine détiendront un « avantage informationnel ».

Loin de créer une situation équitable, dans laquelle des informations plus facilement accessibles entraîneraient simplement une efficience accrue du marché, cette révolution de l’information a l’effet inverse.

Pour être efficace, cet outil devra aller au-delà des informations de marché actuellement disponibles et découvrir de nouvelles sources d’informations alternatives, non prises en compte par l’ensemble du marché. Deuxièmement, il devra donner un sens aux données et proposer des clés d’analyse au jugement des gérants de fonds. L’enjeu n’est pas de remplacer les gérants, mais de les assister ; c’est pourquoi les partenariats sont le troisième pilier de tout nouvel outil. Si l’on ne comprend pas les questions auxquelles les équipes d’investissement sont confrontées, il sera impossible de savoir où appliquer la science des données.

Au sein de Schroders, nous avons établi la Data Insights Unit (DIU), qui emploie plus de 20 spécialistes des données ayant des formations diverses et provenant de différents secteurs. Nous avons fourni des preuves concrètes de l’utilisation efficace du Big Data en appui de la recherche fondamentale.

 

Applications pratiques

Un des premiers exemples concernait la fusion entre les groupes de paris britanniques Ladbrokes et Coral. Au moment de la fusion, Schroders détenait une participation significative dans Ladbrokes. La question clé, pour l’équipe d’investissement, concernait le nombre de boutiques qui devaient être cédées afin que les autorités de la concurrence acceptent le principe de la fusion. Les estimations initiales des analystes envisageaient la vente de 100 à 1 800 boutiques, sur un total combiné de 4 000 – trop vague pour permettre à un analyste de conseiller un gérant sur l’impact éventuel de la fusion pour Ladbrokes.

Cependant, en collaborant avec l’équipe d’investissement, la DIU est parvenue à identifier des sources de données susceptibles de fournir certaines réponses. Nous avons alors traité ces données afin de définir comment les règles de la concurrence pourraient s’appliquer à chaque boutique de paris. Cela a nécessité le calcul de toutes les distances entre les différentes boutiques – à partir de 70 millions de permutations, ce qui n’est pas faisable sur un tableur Excel – et a permis de conclure que 400 boutiques devraient être cédées. Un an plus tard, le régulateur a rendu un jugement initial concernant la cession de 350 et 400 boutiques.

Il serait impossible de traiter certains fichiers de données très importants, comme les énormes historiques de navigation Internet du monde entier, avec la technologie analytique actuelle. Cela nécessite le recours à de nouvelles techniques de calcul sur le cloud et à des méthodes d’interrogation des données plus agiles. Ces données peuvent prendre la forme de texte plutôt que de nombres, et nos gérants de fonds sont très demandeurs de données non structurées et très difficiles à manipuler. Cela peut inclure une analyse des brevets d’entreprise, qu’ils n’ont pas le temps de consulter étant donné que plusieurs centaines de milliers de brevets sont déposés chaque année dans les grands pays occidentaux.

Les données concernant les brevets sont très complexes. Cependant, il est essentiel de les connaître, car les entreprises dépensent généralement 5 % à 10 % de leur chiffre d’affaires en recherche et développement (R&D). Grâce à l’analyse sémantique, on peut comparer les textes des différents brevets afin de les regrouper par type, ce qui est relativement rapide avec l’informatique sur le cloud.

Le graphique ci-dessous illustre les divers types de brevets déposés par un constructeur automobile depuis 2008, regroupés en cinq « catégories » allant des systèmes de piles à combustible aux systèmes avancés d’aide à la conduite (ADAS). Un tel classement ne peut être réalisé par une simple recherche, car les textes des brevets sont complexes et très mal indexés. Ce graphique ne le montre pas, mais la véritable valeur ajoutée consiste à pouvoir comparer les données de divers constructeurs, en vue d’identifier les segments sur lesquels ils concentrent leurs efforts de R&D.

Avantage de la taille

D’autres industries se sont adaptées à ce nouveau monde plus rapidement que la finance, habituée à s’appuyer essentiellement sur les informations fournies par des terminaux spécialisés. Contrairement à l’industrie pharmaceutique, par exemple, les gérants de fonds n’ont pas appris à gérer les choses par eux-mêmes ; c’est pourquoi tout nouvel outil d’analyse des Big Data devra faire appel à l’expertise acquise hors du secteur.

Cette approche aurait également l’avantage d’apporter de nouvelles idées et des méthodes innovantes, tout en favorisant le développement d’un réseau – mettre en contact des acteurs de diverses industries facilite les recrutements clés.

Concernant le recours au Big Data en appui de la recherche fondamentale, nous estimons que les sociétés de gestion traditionnelles de taille importante disposent d’un avantage significatif sur les entreprises plus petites et les hedge funds. En effet, comme elles détiennent des équipes étoffées d’analystes bien informés, la génération d’hypothèses peut s’y révéler plus judicieuse et plus fiable. Saisir la problématique clé d’une entreprise particulière à un moment donné est une tâche complexe ; elle ne peut être accomplie que par un analyste ayant une connaissance approfondie de l’entreprise ou du secteur. Dans ce but, l’association d’un questionnement robuste et d’une exploitation des données performante s’avère plus efficace que chaque aspect isolé.

Le recours au Big Data comme soutien de la recherche fondamentale devrait, selon nous, accroître la transparence d’un processus d’investissement. Il devrait être plus simple de vérifier la validité d’une hypothèse si les données sur lesquelles fonder sa conviction sont plus nombreuses.

Certes, cela ne va pas sans risque : on pourrait attribuer un degré de certitude excessif à des analyses provenant de fichiers de données novateurs et pas totalement maîtrisés. Des fichiers de données alternatifs très importants peuvent se révéler moins précis ou propres que les « données de marché » traditionnelles, car les informations sont susceptibles d’émaner d’organisations ou d’établissements dont l’objectif premier n’est pas la fourniture de données complètes et fiables aux acteurs des marchés d’actions. Toutefois, lorsque des intervalles de confiance appropriés sont appliqués, l’avantage de disposer d’informations supplémentaires est indéniable.

Les organisations capables de s’adapter avec succès à ce monde riche en données seront celles tournées vers l’innovation et la collaboration. Elles seront aussi suffisamment importantes et bénéficieront d’une maîtrise technologique les rendant concurrentielles. Celles qui évoluent et restent assez agiles pour accepter le changement permanent tout en évitant ses pièges seront dans une position idéale pour offrir à leurs clients des performances différenciées durables.

Réservé exclusivement aux investisseurs et aux conseillers professionnels.

Ce document exprime les opinions du gérant ou de l'équipe citée et ne représente pas nécessairement les opinions formulées ou reflétées dans d’autres supports de communication, présentations de stratégies ou de fonds de Schroders.

Ce document n’est destiné qu’à des fins d’information et ne constitue nullement une publication à caractère promotionnel. Il ne constitue pas une offre ou une sollicitation d’achat ou de vente d’un instrument financier quelconque. Il n’y a pas lieu de considérer le présent document comme contenant des recommandations en matière comptable, juridique ou fiscale, ou d’investissements. Schroders considère que les informations contenues dans ce document sont fiables, mais n’en garantit ni l’exhaustivité ni l’exactitude. Nous déclinons toute responsabilité pour toute opinion erronée ou pour toute appréciation erronée des faits. Aucun investissement et/ou aucune décision d’ordre stratégique ne doit se fonder sur les opinions et les informations contenues dans ce document.

Les performances passées ne sont pas un indicateur fiable des performances futures. Les cours des actions ainsi que le revenu qui en découle peuvent évoluer à la baisse comme à la hausse et les investisseurs peuvent ne pas récupérer le montant qu’ils ont investi.

Les prévisions contenues dans le présent document résultent de modèles statistiques, fondés sur un certain nombre d'hypothèses.

Elles sont soumises à un degré élevé d'incertitude concernant l'évolution de certains facteurs économiques et de marché susceptibles d'affecter la performance future réelle. Les prévisions sont fournies à titre d'information à la date d'aujourd'hui. Nos hypothèses peuvent changer sensiblement au gré de l'évolution possible des hypothèses sous-jacentes notamment, entre autres, l'évolution des conditions économiques et de marché. Nous ne sommes tenus à l'obligation de vous communiquer des mises à jour ou des modifications de ces prévisions au fur et à mesure de l'évolution des conditions économiques, des marchés, de nos modèles ou d'autres facteurs.

Ce document est produit par Schroder Investment Management (Europe) S.A., succursale française, 1, rue Euler, 75008 Paris, France.