Comprendre les données alternatives

Voyages de chefs d’entreprises, mots-clics en tête sur les réseaux sociaux, transcriptions de conférences sur les résultats, images satellite de parcs de stationnement... Il ne fait aucun doute que les données alternatives constituent la dernière tendance en matière d’investissement.

Elle est bien révolue, l’époque où les gestionnaires d’actifs s’amusaient à analyser, en une fraction de seconde, des montagnes de données tirées d’états financiers. Ils préfèrent aujourd’hui puiser et décortiquer des sources d’informations moins traditionnelles, et ce, afin d’obtenir un angle de vue unique, de même qu’un avantage concurrentiel.

Pourtant, malgré la promesse de changement et d’alpha, les données alternatives comportent des défauts. Les gestionnaires les plus astucieux sauront faire la part des choses et établir des paramètres appropriés, afin d’intégrer l’utilisation de ces données à un processus d’investissement complet de plus grande envergure.

Si les données alternatives semblent finalement prendre leur essor, leur avènement s’inscrit dans le cadre de l’évolution des mégadonnées, un concept qui remonte à 1890, lorsque les cartes perforées ont commencé à être utilisées pour aider au recensement en temps opportun aux États-Unis.

Dès le début, et pendant la majeure partie du siècle dernier, les ensembles de données se composaient d’informations qui, à l’instar des statistiques du recensement, étaient clairement définies et enregistrées de façon précise. Peu à peu, ces ensembles structurés ont gagné en complexité, au rythme des grandes avancées technologiques.

Dernièrement, l’univers des données s’est élargi pour inclure d’autres sources d’informations alternatives nettement moins structurées. Cette explosion est due au développement de l’Internet et de l’Internet des objets, mais aussi à l’apprentissage machine et à l’intelligence artificielle (IA), autant d’innovations qui aident à relier de façons inédites et intéressantes des informations disparates.

On distingue généralement deux types de données alternatives : les non structurées, c’est-à-dire les informations sans organisation ni définition claire, comme les formats audio, vidéo et les publications sur les réseaux sociaux; et les semi-structurées, qui présentent certains éléments d’organisation facilitant leur analyse, mais qui sont dépourvues d’une définition claire ou qui se présentent dans un ordre aléatoire.

Les investisseurs jouent un rôle de premier plan dans la mise à l’épreuve de ces données. Selon les dernières estimations du cabinet de recherche Aite Group, les dépenses des marchés des capitaux liées aux données relatives devraient atteindre 901 millions $US d’ici 2021 (contre 252 millions $US en 2013). Dans une enquête récente, le cabinet fait remarquer que ces données deviennent de plus en plus essentielles pour ceux qui « cherchent à gagner un avantage concurrentiel, à l’heure où les informations financières sont omniprésentes et où les analyses d’investissement demeurent sensiblement homogènes. »

Au début, l’intérêt pour les informations non structurées s’est principalement concentré sur l’imagerie satellite de terres agricoles ou de parcs de stationnement de centres commerciaux, car celle-ci peut permettre de mesurer en temps réel l’offre et la demande, pour ensuite déclencher des signaux relatifs aux marchés.

On voit également un intérêt croissant pour les données obtenues à partir des transcriptions des conférences des sociétés sur leurs résultats, qui servent à évaluer la confiance des dirigeants. Une étude publiée en début d’année par Bank of America Merrill Lynch note qu’un type d’algorithme servant à décoder les éléments de langage flous est utilisé comme marqueur fiable pour déclencher la vente d’un titre et qu’il pourrait accroître les rendements annualisés de 6 %.

D’autres algorithmes déjà utilisés ou en cours de conception visent des objectifs similaires, mais suivent des approches légèrement différentes. AGFiQ met au point son propre modèle, qui consiste à traiter simultanément des milliers de transcriptions de conférences sur les résultats par le prisme du langage, de façon à établir un barème de la confiance au sein d’un univers de titres propre à chaque secteur. La note obtenue dans le cadre de ce barème dépend du ton général du discours, à savoir si le vocabulaire employé est plutôt optimiste ou pessimiste.

Si l’imagerie satellite et les transcriptions des résultats ont acquis une certaine crédibilité auprès des investisseurs, d’autres sources de données semi ou non structurées accessibles au moyen de recherches sur Internet ou sur les réseaux sociaux sont jugées moins fiables dans l’ensemble, en raison de la grande difficulté à déterminer s’il s’agit d’informations exploitables ou d’un simple « bruit ».

Par exemple, l’accès à des millions de commentaires Twitter publiés par tout autant de contributeurs pourrait constituer une source particulièrement attrayante pour prendre la température des marchés. Mais à l’ère des fausses nouvelles, comment les investisseurs peuvent-ils s’assurer de la véracité de ces commentaires?

Le service Google Flu Trends illustre par ailleurs les limites du moteur de recherche en matière de prédiction des épidémies de grippe. Cet outil, censé aider à la gestion de la santé publique, avait été présenté en 2008 dans un article de la revue Nature et prévoyait de recenser le nombre et la portée des recherches liées à la grippe dans certaines zones géographiques. Or, les résultats se sont souvent révélés erronés, notamment parce que la mesure portait uniquement sur les recherches effectuées, et non pas sur les raisons de ces recherches.

Cet exemple met en lumière les difficultés inhérentes au traitement des données alternatives, particulièrement pour les investisseurs faisant appel à des tiers. S’il peut être utile, voire souvent nécessaire, de s’en remettre à des tiers, les investisseurs doivent parfois accorder leur confiance à l’aveugle, compte tenu d’un manque de transparence et de compréhension des paramètres utilisés pour la collecte des données. Par ailleurs, les données fournies par des tiers étant vendues à grande échelle, et non de façon exclusive, elles peuvent entraîner un risque de concentration et miner le potentiel qu’elles présentent au fil du temps.

Forts de 20 ans d’expérience en investissement quantitatif, nous estimons que le fait de constituer et d’alimenter nos propres ensembles de données est souvent le seul gage de légitimité et de fiabilité concernant l’exactitude des informations. Il s’agit certes d’une tâche titanesque pour certains, mais les gestionnaires qui visent au delà de leurs compétences actuelles et qui envisagent d’employer des chercheurs ou de constituer leur propre équipe de traitement des données bénéficieront certainement d’un avantage.

À vrai dire, c’est dans le facteur humain – et non informatique – que pourrait résider la clé qui permet de traiter la montagne d’informations accessibles en un seul clic. En diversifiant leurs compétences, les équipes de gestion de placements sont bien mieux préparées à compiler, analyser et exploiter efficacement les données. Mais comme tout autre outil, les données alternatives, une fois qu’elles sont vérifiées et approuvées, ne valent que ce que le processus d’investissement en place est capable d’en tirer.

Enfin, à mesure que la connaissance de ce domaine s’améliore, les nouveaux ensembles de données à tester et les secteurs dignes d’intérêt s’imposent avec plus d’évidence. Il sera notamment possible de déterminer dans quelle mesure les données alternatives doivent peser dans le processus de décisions par rapport aux autres formes de données, ou de savoir s’il vaut mieux utiliser ces données à des fins stratégiques ou tactiques, selon la conjoncture. Quoi qu’il en soit, les gestionnaires en mesure de trouver le juste équilibre obtiendront les résultats les plus probants.