Personne ne sait vraiment d'où vient l'alpha

Cet article est une version sur site de notre newsletter Unhedged. Les abonnés premium peuvent s’inscrire ici pour recevoir la newsletter chaque jour de la semaine. Les abonnés standard peuvent passer à Premium ici, ou explorer toutes les newsletters du FT.

Bonjour. Le gestionnaire de crédit privé Blue Owl a suspendu les rachats d’un de ses fonds destiné aux investisseurs particuliers, et tous types de gestionnaires d’actifs privés ont vendu hier en réponse. Que le désir de liquidité de ces investisseurs particuliers s’avère être un mélange difficile avec le modèle d’investissement du crédit privé était attendu universellement (même Unhedged avait anticipé le problème). La relation peut-elle être sauvée ? Envoyez-nous vos réflexions : unhedged@ft.com.

En finance, « ne pas penser, mais regarder ! »

De bons articles académiques donnent souvent, paradoxalement, l’impression d’être à la fois évidents et très intéressants. La lecture intéressante d’Unhedged il y a quelques jours — « La recherche évaluée par des pairs aide-t-elle à prédire les rendements boursiers » — en est un bon exemple.

L’article, d’Andrew Chen, Alejandro Lopez-Lira et Tom Zimmermann (que j’appellerai CLZ), examine deux ensembles de prédicteurs de rendements boursiers supérieurs au marché, ou « alpha ». Le premier ensemble comprend 200 signaux documentés dans des revues prestigieuses d’économie, de finance et de comptabilité ; ils incluent des éléments tels que l’augmentation des investissements, l’émission élevée de dettes ou de capitaux propres, et les surprises de bénéfices. Dans la littérature, ces signaux sont accompagnés de preuves historiques de surperformance et, dans de nombreux cas, d’une explication économique. Les explications tendent à proposer soit que les investisseurs sont rémunérés pour prendre des risques, soit qu’une forme persistante d’irrationalité des investisseurs est à l’œuvre.

Le second ensemble de prédicteurs a été généré par ordinateur. CLZ a pris un ensemble de 29 000 ratios comptables et a « exploré » les données, cherchant ceux qui prédisaient une surperformance de manière statistiquement significative.

CLZ a ensuite testé ces deux ensembles de prédicteurs contre des données historiques hors échantillon. Ce qu’ils ont trouvé, c’est que les deux groupes performaient presque exactement de la même façon. Les tests ont été réalisés en construisant des stratégies longues-courtes de manière à ce que le rendement attendu soit nul en l’absence de pouvoir prédictif. Dans le graphique ci-dessous, le rendement supplémentaire démontré par chaque prédicteur est ramené à 100 pour permettre la comparaison. Les prédicteurs académiques et ceux issus de l’exploration de données ont perdu environ la moitié de leur pouvoir prédictif lors des tests hors échantillon, et ils l’ont perdu à peu près au même rythme. Leur graphique :

Comme le dit CLZ,

Après l’échantillon, la performance des deux types de prédicteurs se dégrade à environ 50 % des moyennes de l’échantillon initial. Les rendements issus de l’exploration de données se dégradent un peu plus que ceux publiés, mais la différence est faible, tant économiquement que statistiquement. Sur la majeure partie du graphique, la référence issue de l’exploration de données se trouve dans un intervalle d’une erreur standard des prédicteurs publiés… La performance post-échantillon des prédicteurs évalués par des pairs et issus de l’exploration de données est remarquablement similaire.

L’explication de l’alpha dans les études académiques — risque, irrationalité, peu importe — n’a pas non plus d’importance. En fait, « seule la recherche qui reste neutre quant à l’origine théorique de la prévisibilité montre une surperformance cohérente par rapport à l’exploration de données » ; même cet effet est « modeste ». Comme Lopez-Lira me l’a résumé, « il ne semble pas y avoir quelque chose de particulier dans les prédicteurs de rendement découverts par les universitaires par rapport à ceux statistiquement robustes ». Pour généraliser le propos : savoir pourquoi une stratégie d’investissement quantitative fonctionne, psychologiquement ou économiquement, ne semble pas apporter grand-chose aux investisseurs.

Ce qui évoque (comme d’autres l’ont souligné) Jim Simons, fondateur de Renaissance Technologies, le fonds quantitatif le plus réussi de tous les temps. Il est connu pour dire que la seule règle de son fonds était « ne jamais override l’ordinateur » (voir la minute 49 et suivantes de cette vidéo). Si l’ordinateur vous indique qu’il existe une relation statistique exploitable sur les marchés, ne cherchez pas à l’expliquer — tradez-la. Parce que s’il y avait une explication claire, la relation aurait déjà été arbitrée. La faille serait fermée.

Le résultat de CLZ me paraît intuitif et naturel. Nous savons que dans la mesure où le marché crée des opportunités exploitables, celles-ci sont exploitées et se dégradent. Plus une opportunité est couverte par une explication économique ou psychologique claire, plus elle disparaîtra rapidement. Ce qui serait surprenant, c’est si n’importe quelle opportunité de rendements ajustés au risque supérieurs au marché, captée par une théorie économique ou psychologique cohérente, perdurait à long terme. Les investisseurs, dans la mesure où ils adoptent une approche quantitative du marché boursier, devraient suivre Wittgenstein, regarder d’abord et penser ensuite. Le résultat de CLZ suggère que la théorie est au mieux un guide faible pour la surperformance, et au pire un guide inutile.

Que penseront les investisseurs quantitatifs du travail de CLZ ? J’ai demandé à Rob Arnott, fondateur du conseiller en investissements « smart beta » Research Affiliates. Il a répondu que si vous

mettez 29 000 universitaires cherchant la titularisation à travailler, à fouiller dans les données pour trouver des « facteurs » prédictifs, il n’est pas du tout surprenant qu’un ordinateur examinant 29 000 facteurs hypothétiques obtienne des résultats quasi identiques…

La méthode scientifique consiste à développer une hypothèse, puis à utiliser des données historiques pour la tester, puis à rechercher des données hors échantillon (par exemple, non américaines, ou d’une époque pré-moderne, ou post-échantillon) pour la valider davantage. La finance académique a tendance à développer l’hypothèse qui correspond aux données, ce qui n’est pas la méthode scientifique. Ensuite, le backtest est utilisé pour améliorer le backtest et l’hypothèse est ajustée en conséquence. C’est la fouille de données par excellence.

Arnott soutient que la recherche sur un prédicteur ou des facteurs donnés devrait diviser tout rendement excédentaire en ce qu’il appelle « alpha de réévaluation » et « alpha structurel ». L’alpha de réévaluation correspond à ce qui se produit lorsque des actions avec un certain facteur deviennent plus ou moins chères par rapport au marché, mesuré par des ratios prix/bénéfices et autres. L’alpha structurel est le rendement supplémentaire restant lorsque l’alpha de réévaluation est éliminé, indiquant « que le facteur est prédictif d’une amélioration des fondamentaux, pas seulement d’un meilleur rendement ». L’alpha de réévaluation devrait être « non récurrent au mieux » ; l’alpha structurel pourrait perdurer.

Selon Arnott, une rigueur intellectuelle accrue pourrait nous aider à trouver des explications durables des sources d’alpha. Il reste du travail à faire.

Une bonne lecture

Avez-vous assez d’actions ?

Podcast FT Unhedged

Vous ne vous lassez pas d’Unhedged ? Écoutez notre nouveau podcast, pour une plongée de 15 minutes dans l’actualité des marchés et les gros titres financiers, deux fois par semaine. Rattrapez les éditions précédentes de la newsletter ici.

Newsletters recommandées pour vous

Due Diligence — Les meilleures histoires du monde de la finance d’entreprise. Inscrivez-vous ici

Le changement IA — John Burn-Murdoch et Sarah O’Connor explorent comment l’IA transforme le monde du travail. Inscrivez-vous ici