La question fondamentale de tout investisseur
Combien en actions, combien en obligations, combien en or ? La répartition entre les classes d’actifs, appelée allocation d’actifs (asset allocation), compte parmi les décisions les plus importantes de toute stratégie de placement. Depuis plus de 70 ans, l’approche de référence est celle issue des travaux du prix Nobel Harry Markowitz. Elle comporte deux étapes : on estime d’abord les rendements et la volatilité attendus de chaque classe d’actifs, ainsi que les interactions entre les placements. On en calcule ensuite le mélange optimal. La faiblesse se situe à la première étape. Les rendements futurs ne peuvent être estimés qu’avec une précision limitée, et même de petites erreurs d’estimation peuvent conduire à des portefeuilles fortement biaisés, sans que cela soit visible au premier coup d’œil.
L’idée : apprendre directement de l’expérience
L’équipe de recherche, composée du Dr Simon Broda (Institut des services financiers de Zoug IFZ de la Haute école de Lucerne), du Prof. Dr Gianluca De Nard (Université du Liechtenstein et Université de Zurich) et du Dr Patrick Walker (OLZ AG et Université de Zurich), a choisi une autre voie. Son modèle repose sur une approche simple issue du reinforcement learning (apprentissage par renforcement). Ici, un programme informatique n’apprend pas à partir de solutions prédéfinies, mais à partir des résultats de ses propres décisions : il teste des répartitions sur des données historiques, reçoit en retour une évaluation de la qualité de l’équilibre entre rendement et risque, et adapte son comportement pas à pas.
La différence avec l’approche classique peut être illustrée par une question simple. L’approche classique demande : quel rendement l’or procurera-t-il l’an prochain ? Le nouveau modèle demande : lorsque les taux montent et que les marchés sont nerveux, quel mélange a fait ses preuves dans de telles situations ? Le détour par la prévision, source d’erreurs, disparaît.
Le modèle s’appuie sur l’évolution des cours et les caractéristiques de risque des classes d’actifs, ainsi que sur des indicateurs économiques tels que les taux d’intérêt, l’inflation, le chômage ou la volatilité des marchés. Il en déduit une nouvelle répartition une fois par mois. L’étude porte sur six classes d’actifs larges, à dominante américaine, qui peuvent toutes être répliquées à moindre coût au moyen de fonds indiciels cotés (ETF) : actions, or, immobilier coté, matières premières, obligations d’État et obligations d’entreprises (figure 1).
Pourquoi une approche simple suffit
Le reinforcement learning s’est fait connaître grâce à des programmes qui maîtrisent les échecs ou le go. Ces systèmes sont complexes, car chaque coup modifie la suite de la partie. Sur les marchés financiers, il en va autrement : un investisseur dont le volume de transactions est faible par rapport au marché n’influence pas les cours. Sa décision d’aujourd’hui ne modifie donc pas la situation de départ de demain. Les chercheurs en tirent parti et traitent chaque mois comme une décision indépendante. Le modèle se passe ainsi de la lourde mécanique des systèmes habituels de reinforcement learning et peut être entraîné de manière légère et rapide.
À cela s’ajoute une seconde astuce : le modèle ne part pas de zéro, mais de la solution classique de Markowitz, qu’il cherche à améliorer progressivement à l’aide des données.