Parallèlement, des fournisseurs tiers tels que WorldQuant, Quantopian et FactSet continuent de gagner en importance auprès des gestionnaires centrés sur les fondamentaux et qui veulent obtenir de l’aide pour optimiser leurs paramètres en matière de données, ainsi que des sociétés axées sur les stratégies quantitatives qui accordent davantage de valeur à l’impartition de certaines de leurs activités.

Cette tendance est particulièrement apparente du côté des besoins « de base », comme les états financiers et les statistiques économiques, mais touche aussi plus régulièrement des sources non traditionnelles d’information devenues plus présentes comme les images satellites, les communications sur les résultats et les micromessages.

Dans cet environnement en évolution, les investisseurs sont, à divers degrés, tant consommateurs que producteurs de jeux de données et de modèles. Dans les deux cas, les équipes d’investissement possédant les compétences en interne de codage ou de programmation sont largement avantagées en regard de leurs pairs qui n’en sont pas dotés.

À tout le moins, ce savoir-faire peut aider à distinguer la bonne source externe de données de la mauvaise, et à mieux assurer l’exactitude et la ponctualité de l’information extraite. Qui plus est, cela permet aux gestionnaires de fonds d’alimenter et de bâtir leurs propres jeux de données et algorithmes et, par le fait même, de se distinguer.

Toutefois, ces avantages potentiels peuvent être perdus, si les aptitudes en matière de codage et de programmation ne sont pas accompagnées des compétences et de l’expertise nécessaires pour traiter des données sur l’ensemble du processus d’investissement.

Par exemple, dans le cadre de notre démarche en tant qu’investisseurs factoriels, nous visons à élaborer des stratégies d’investissement qui consistent à d’abord établir une base de données globale dont les sources sont les fondamentaux et autres informations non traditionnelles; et en définitive, à concevoir un portefeuille optimisé en fonction de contraintes préétablies et de participations recherchées.

Notre bibliothèque de codes représente le cœur de notre approche, car elle traite des données brutes par l’intermédiaire d’une série de codes bien définis, déjà rédigés et qui ont été vérifiés; ceux-ci sont également compatibles avec des techniques traditionnelles ainsi que de pointe d’apprentissage automatique pour découvrir des facteurs. Résultat? La normalisation efficiente d’importantes quantités de données ainsi que l’établissement de facteurs alpha et de risques sur mesure non offerts par des sources tierces.

En créant un cadre de travail qui permet de traiter les données de manière plus efficace, les gestionnaires de fonds sont mieux en mesure d’incorporer de nouveaux moyens d’analyser de grandes quantités d’information, y compris ceux relatifs aux progrès soutenus dans le domaine de l’intelligence artificielle (IA).

Cela ne signifie pas qu’il faut à tout prix posséder le modèle ou l’optimiseur le plus complexe qui soit. Il s’agit plutôt d’avoir la capacité de traiter des données assez rapidement pour pouvoir s’adapter aux conditions changeantes du marché, afin d’être en mesure de saisir les occasions plus vite et plus souvent lorsqu’elles se présentent.

Il ne fait aucun doute que les données occupent désormais une place prépondérante lors des prises de décisions de tous les jours des investisseurs. Les gestionnaires d’actifs qui ne s’adaptent pas et qui ne maîtrisent pas le codage et l’élaboration de modèles et d’algorithmes seront laissés pour compte. Ceux qui viennent compléter ces compétences essentielles par des processus d’investissement solides maintiendront une longueur d’avance.