Les gestions traditionnelles de patrimoines, quelle que soit la forme proposée (fonds, Sicav ou lignes de gestion), n'obtiennent généralement pas mieux que
l'indice de référence (tout en se fixant des objectifs plus ambitieux), résultat facilement obtenable par un investisseur privé par la simple possession d'un ETF
répliquant l'indice lui-même, avec des coûts beaucoup plus bas.
En effet, il est très difficile, dans le contexte de marchés de plus en plus dynamiques et réactifs, d'élaborer une stratégie d'investissement à moyen/long
terme suffisamment stable. Le choix de suivre l'indice est alors privilégié afin d'éliminer le risque opérationnel, mais ce faisant, on ne réduit pas le risque de
marché qui reste inchangé et toujours élevé.
Up-Down Forecast se propose en revanche de contrer le risque de marché grâce à une méthodologie qui le limite de manière systématique à travers des
modèles spécifiques conçus pour le contenir dans des intervalles prédéfinis. L'un des paramètres de Up-Down Forecast qui permet de contrôler le risque
est le nombre maximum de titres pouvant être détenus par le système à un moment donné. Un exemple: sur le marché boursier italien on a été
en mesure de contenir le risque au niveau de celui classique de l'indice de référence en détenant seulement 5 titres en même temps, obtenant un rendement moyen
de plus de 20% par an au cours de la période de 2012 à aujourd'hui.
Le système UDF utilise des techniques de prise de décision tout à fait différentes de toutes celles inspirées par l'analyse technique traditionnelle. Inspiré à la théorie des ponts topos-théoriques, il recherche des invariants dans l'environnement apparemment chaotique des marchés boursiers, et les utilise pour construire des "ponts" entre des titres différents qui réalisent, à divers moments, le même invariant. La gestion s'opère à travers de sortes de " crochets " engendrés par des "ponts", dans lesquels un titre qui réalise un certain invariant jusqu'à un certain moment est remplacé par un autre qui réalise ce même invariant à partir de ce moment-là. Comme dans le cas de la théorie des topos, un grand nombre d'invariants importants, identifiés par le système grâce à une analyse statistique des séries historiques, sont géométriques ou topologiques; ils se révèlent efficaces d'un point de vue prévisionnel parce qu'ils sont capables de saisir de manière qualitative des aspects essentiels de l'état d'un titre à un instant donné.
Une métaphore peut aider à comprendre le sens du changement de paradigme qui nous a permis d'observer les marchés de manière radicalement nouvelle. Pensons par exemple d'observer le mouvement de la planète Mercure; nous verrons un chemin très étrange et difficile à comprendre. Maintenant, imaginez d'être au centre du soleil pour faire les mêmes observations: comme par magie le parcours de Mercure devient très régulier, plus précisément une trajectoire elliptique. Un changement de point de vue a suffi pour extraire une connaissance à partir du chaos apparent. Plus simplement, on pourrait dire que, souvent, la réalité apparaît comme un "vêtement" qui cache ses caractéristiques. De même, le marché boursier, vu comme un lieu de rencontre d'actions multiples souvent confuses et contradictoires, se présente à nous comme un phénomène chaotique, sans régularités. Mais si nous adoptons un nouvel angle de vue orienté vers l'identification de la complexité relationnelle du phénomène, viennent à la lumière des invariants qui nous permettent de "dénouer" la réalité en mettant en évidence ses caractéristiques centrales. Up-Down Forecast est né d'une mise en œuvre concrète de cette philosophie.
Le système expert peut être utile à quiconque doit gérer des patrimoines composés principalement d'actions. La EOS cible des entreprises institutionnelles (banques, SGR, SIM, etc.) ou des entreprises intéressées à optimiser leurs propres investissements financiers, ainsi que des particuliers qui disposent de patrimoines importants. Les petits investisseurs peuvent profiter indirectement de Up-Down Forecast grâce à des sociétés qui ont un partenariat avec EOS.
Les analystes tentent généralement d'identifier le potentiel d'un titre donné ou de certains titres spécifiques par une évaluation fondée sur des méthodes qui peuvent être très différentes. Malheureusement, le bien-fondé d'une telle évaluation peut se manifester très tardivement du fait que l'intérêt des investisseurs se déplace rapidement d'un titre à un autre ou d'un groupe de titres à d'autres en laissant souvent dormant le titre considéré comme prometteur. Il résulte en effet de nos analyses que les grands mouvements sur les titres se déroulent dans des temps très courts et concentrés. On pourrait dire qu'un titre reste endormi pendant le 90% du temps, et n'attire l'attention des investisseurs que dans de courtes périodes difficiles à prévoir. Rester en attente des moments où se manifeste un exploit est donc peu pratique. Up-Down Forecast observe plutôt avec attention le marché et "saute" d'un titre à un autre en essayant d'identifier les titres qui font objet de l'intérêt des investisseurs. Ce faisant il commet fréquemment des erreurs (jusqu'à 50% des cas), mais il est prêt à se débarrasser rapidement des titres pas encore mûrs, encaissant le plus souvent des pertes de montant très limité par rapport au gain résultant des signaux confirmés. L'ampleur des gains dépasse souvent celui des pertes de 4 ou 5 fois, ce qui assure au fil du temps des gains importants, bien que dans un contexte très variable.
Le système ne vise pas à se comparer à chaque instant aux indices de référence et dans des périodes particulières il peut s'en détacher de manière significative (à la fois en positif et en négatif). Cela est dû au choix d'un nombre limité de titres et à la volonté de réduire le nombre d'opérations effectuées. L'objectif principal reste toutefois de dépasser l'indice, et même de manière significative, si les marchés le permettent, mais pas à court terme où peuvent même se produire de fortes décorrélations.
Le système vise à optimiser le rapport rendement / risque une fois choisi le niveau maximal de risque acceptable par le client. Si ce niveau est celui de l'indice de référence des actions, le choix optimal du nombre de titres sur lesquels le système peut opérer simultanément se révèle égal à cinq. Si on préfère réduire le risque en acceptant un rendement attendu plus faible, il est possible d'utiliser un modèle plus 'ouvert', qui opère par exemple sur un maximum de 10 titres ou plus.
La condition sine qua non pour saisir un trend sa manifestant sur un titre est qu'un tel trend existe. Parfois surviennent des périodes d'incertitude politique ou économique qui induisent les investisseurs à rester dans l'expectative. Dans une telle situation, les titres oscillent dans une zone de bruit dépourvue de trend et le système alterne de façon aléatoire les pertes avec les gains sans avoir la possibilité de suivre un trend inexistant. En résumé, l'expérience montre que le système dépasse à moyen/long terme l'indice de référence de manière significative à la fois sur les marchés euphoriques et sur les marchés déprimés, en se limitant à osciller autour de l'indice de référence dans les périodes sans trend.
Up-Down Forecast utilise essentiellement deux méthodes d'évaluation de l'efficacité de ses modèles relativement à l'aspect du risque. La
première méthode se fonde sur le calcul de la déviation standard par rapport à la equity line de ses rendements. L'objectif est de ne pas trop dévier des
valeurs de ce paramètre relatives à l'indice de référence; des écarts peuvent être tolérés seulement dans le contexte de modèles
spécifiques conçus pour ceux qui acceptent de s'exposer à des pertes potentielles de capital à court terme afin d'obtenir un meilleur rendement à long terme. La
deuxième méthode, plus empirique et en tant que telle peut-être plus intuitivement compréhensible, est celle du draw-down maximal. Il s'agit de mesurer les pertes
maximales subies au cours du temps par un investisseur hypothétique qui suivrait les instructions du système. Classiquement on considère les draw-down maximaux quinquennaux
mais il peut être utile de connaitre le draw-down maximal absolu sur une longue période. Une mesure indicative de ce point de vue est la suivante: dans la période de test
(1997-2011) les modèles appliqués au marché italien sur des titres non "petits" ont montré un draw-down maximal absolu d'environ 33%, à comparer
avec la valeur correspondante de l'indice "FTSE All-actions" qui est de 69,71%. L'avantage est également resté important dans la période d'exploitation (2012- juin 2017):
environ 23% contre 35% pour l'indice.
Un outil qui aide à comprendre l'exposition au risque des modèles opérationnels utilisés par le système expert consiste en les tables statistiques qui montrent la
probabilité d'exposition à un gain et celle d'exposition à une perte d'un pourcentage fixé un an après l'investissement. Ces tables répondent à des
questions telles que: quelle est la probabilité de perdre 10% du patrimoine investi à distance d'un an? La réponse est pour le marché italien et pour la période de
2012 à aujourd'hui (Juin 2017) de 4.36% contre 18,94% pour l'indice de référence. Si en revanche nous nous interrogeons sur le gain probable de 10% nous obtenons les valeurs de
73,57% pour le système contre 44,04% pour l'indice.
Les principales variables sont les suivantes:
Le système est de type quantitatif, et en tant que tel, il semble totalement incompatible avec les gestions qui s'inspirent de l'analyse fondamentale. Cependant sa
généralité extrême inspirée par la théorie des ponts topos-théoriques et sa modularité permettent de construire des modèles alternatifs
qui laissent une place aux opérateurs qui sont inspirés par l'analyse fondamentale. La compatibilité est facilitée par le fait que le système, comme les analystes
fondamentaux, effectue ses opérations à une fr´quence peu élevé. Une première approche pour construire un tel modèle "mixte" serait de confier
les décisions d'achats aux opérateurs humains et de laisser les décisions de vente au système, ce qui permettrait d'évaluer le résultat des choix
effectués par les opérateurs d'une manière plus objective en l'accompagnant dans le temps ou en l'interrompant en cas de manque manifeste d'intérêt du marché
pour les titres choisis. Un autre modèle pourrait incorporer des éléments fournis par les gestionnaires traditionnels sous forme de réponses à des questionnaires
qui conduiraient à une quantification de leurs orientations et fourniraient donc au système un critère objectif de sélection tout en respectant les choix autonomes des
gestionnaires. Dans les deux cas, les gestionnaires traditionnels disposeraient d'un outil capable de contrôler le risque de leurs choix.
Dans ces cas, on parlerait de modèles semi-quantitatifs.
EOS, à ce jour, n'a pas développé ces modèles hypothétiques essentiellement en raison de l'impossibilité d'évaluer leur efficacité historique;
cependant, il est naturel de penser que le fait de combiner la gestion de l'expérience humaine avec la polyvalence des modèles Up-Down peut conduire à une rentabilité
élevée.
Le système UDF a été créé de façon très abstraite et il est donc adaptable à tout marché et en mesure d'effectuer des tests sur de très longues périodes de temps. Son fonctionnement est programmé par des "styles" qui définissent les règles de comportement en fonction de l'amplitude et des caractéristiques du panier de référence (ensemble de titres sur lesquels le système opère), du niveau souhaité de risque et des procédures opérationnelles y compris celles de money management, qui sont utiles, entre autres, pour contrôler le risque de concentration sur les titres gérés.
Le choix des paramètres est l'étape la plus délicate de l'optimisation du système. Il s'agit d'explorer un espace immense de variables dépendantes ou indépendants entre elles à la recherche de paramètres qui soient suffisamment abstraits pour assurer un rendement adéquat également dans la phase opérationnelle du système. Dans cette phase exploratoire, nous nous sommes toujours laissé guider par l'intuition et l'expérience acquise au cours des années de recherche passées à optimiser les versions précédentes du système. Récemment, cependant, nous avons réalisé que cette activité était en train de devenir extrêmement lourde; pour cette raison, EOS a développé un outil qui automatise complétement cette opération de recherche en déléguant les décisions à un modèle mathématique sophistiqué qui opère de façon autonome en utilisant des techniques d'intelligence artificielle. La complexité de cet instrument dépasse largement celle de tout le processus décisionnel qui est à la base de UDF, et elle est essentielle pour réduire considérablement l'élément subjectif inhérent à la personne effectuant les tests. Les résultats n'ont pas tardé à venir: dès la phase initiale de l'expérimentation nous avons obtenu des résultats très significatifs qui nous encouragent à poursuivre dans le sens de l'automatisation de l'ensemble du processus décisionnel, y compris l'évaluation des critères utilisés pour l'optimisation.
Non, surtout s'il s'agit de modèles fonctionnant avec un nombre maximal très limité de titres (par exemple <7). Dans ces cas-là, à certains moments, un plus grand nombre de titres peuvent satisfaire les conditions pour être achetés mais seulement une fraction d'entre eux seront effectivement choisi par le système. Dans de tels cas, les titres écartés mais qui satisfont les conditions pourraient faire partie de modèles alternatifs aussi rentables que le modèle primaire. Être en mesure d'avoir des modèles alternatifs peut devenir un élément stratégique pour réduire l'impact simultané sur le marché de trop d'opérations dans une même journée.
Up-Down Forecast a toujours été utilisé et optimisé pour le marché boursier italien mais il est applicable à n'importe quel marché. Afin de vérifier la robustesse des modèles dans différents contextes géographiques et temporels, de nombreux tests ont été menés dans le temps sur les marchés français et américain avec des résultats très satisfaisants.
Oui, UDF serait également applicable dans ce domaine. À ce jour, cependant, on n'a pas réalisé d'analyses sur les fonds car pour ces instruments financiers on ne dispose pas des prix d'ouverture ni du minimum ou du maximum de la journée, et presque certainement ce manque de données affecterait négativement la fiabilité des critères opérationnels utilisés par le système. Des expériences ont en revanche été faites sur les ETF avec d'excellents résultats, pas comparables à ceux obtenus sur les marchés boursiers, mais toujours bien au-dessus de l'indice de référence. Cela est dû au fait que les valeurs moyennes des EFT obscurcissent les trend sous-jacentes et rendent difficile leur identification.
Certainement. EOS a développé une plate-forme logicielle complexe qui permet au système de fonctionner simultanément dans différents contextes comme s'il travaillait sur un marché unique. À ce jour, des expériences dans cette direction n'ont pas encore été menées, mais les résultats ne feront certainement que confirmer et probablement dépasser ceux obtenus sur les différents marchés. En effet, plus le panier dans lequel le système choisit ses titres est large, plus grande est la probabilité d'obtenir des performances élevées.
Certainement oui, mais on ne pourrait pas tirer profit de la capacité unique d'identifier le trend à court terme, ce qui est crucial pour assurer une rentabilité élevée. À ce jour, EOS n'a donc expérimenté aucun modèle sur les marchés obligataires.
Certainement. À ce jour, il serait suffisant de programmer le système pour gérer la composante en actions selon le modèle choisi en laissant à l'opérateur humain la possibilité de forcer le système à fonctionner sur les obligations choisies par lui selon un modèle semi-quantitatif. Il est certainement souhaitable de créer dans un avenir proche un modèle qui soit entièrement quantitatif, c'est-à-dire totalement autonome, et qui gère simultanément les marchés boursiers et obligataires.
Non, le moment initial est toujours très délicat et ses effets peuvent se répercuter pour plusieurs mois sur le rendement global des investissements. UDF est toutefois conçu pour récupérer dans le plus bref délai possible les éventuelles pertes initiales dues au marché ou à des retracements causés par l'éloignement naturel du système des indices de référence. Les investissements fondés sur le système doivent nécessairement être de moyen ou long terme (par exemple 3-5 ans) de façon à lui permettre de s'adapter au mieux à la volatilité des marchés d'actions en absorbant l'effet des périodes moins porteuses.
Pas nécessairement, même si la rapidité joue un rôle très important. De toute façon, les retards de deux ou trois jours sont encore compatibles avec une rentabilité adéquate.
Normalement, on attend la fermeture officielle des marchés afin d'élaborer les données définitives de la journée. Si nécessaire, il est possible d'obtenir des calculs provisoires à tout moment de la journée mais dans de tels cas les signaux pourraient, à la clôture, suggérer des choix d'investissement différents et incompatibles avec ceux résultant des données provisoires.
Cela dépend de la configuration appliquée au modèle. Les configurations qui suggèrent très peu d'opérations par an (par exemple moins de 10) conduisent à une rentabilité très variable et doivent donc être considérées comme plus risquées alors que les modèles avec un plus grand nombre d'opérations (par exemple plus de 40 par an) sont exposés à un risque moindre mais doivent subir un impact du marché plus important et cela pourrait réduire la rentabilité réelle, parfois considérablement. L'expérience nous enseigne qu'il est nécessaire de faire un compromis et que ce choix dépend dans une large mesure de la nature du marché de référence.
Up-Down Forecast se base exclusivement sur les cours d'ouverture et fermeture, les maxima et minima du jour et contrevaleurs, éventuellement provisoires pour la journée quand on désire des simulations spot. Le système est toutefois modulaire et apte à intégrer des informations de toute nature portant sur des titres analysés et à les prendre en compte dans le modèle mathématique adopté. A chaque titre est en effet associé une table spécifique qui recueille les informations pertinentes sur lui qui peuvent être utilisées si cela est jugé nécessaire. Un modèle semi-quantitatif pourrait utiliser cet outil de façon efficace.
Oui, mais seulement dans de rares cas d'urgence. Le système est en effet capable de détecter une baisse d'intérêt pour un titre bien avant que ne se produise une éventuelle chute.
Les premiers modèles testés implémentaient une approche simple qui prévoyait le désinvestissement total d'un titre en cas de signal de vente. Récemment on a testé des modèles qui prévoient une augmentation ou diminution des quantités investies afin d'optimiser le money management. Certains de ces modèles utilisent à cette fin une forme modifiée de Optimal-f, qui s'est révélée capable de très bien contrôler le risque de concentration des patrimoines sur peu de titres.
Cela dépend du niveau de confiance que l'on a dans la capacité du système à continuer de faire croître les patrimoines. Un désinvestissement
sans une stratégie de réintégration appropriée et spécifique est un non-sens. De plus quiconque disposerait d'une telle stratégies aurait probablement des
capacités prévisionnelles ou gestionnaires meilleures que celles du système lui-même et pourrait donc s'en passer.
Une rentabilité anormale réalisée par le système ne doit pas être interprétée comme si on était entré dans une bulle qui justifierait la
cession totale ou au moins un désinvestissement important. Les bulles sont caractérisées par des croissances anormales dans des milieux statiques. En revanche, les investissements
réalisés par UDF ne sont pas statiques, car le système cherche systématiquement de nouvelles opportunités de gain qui, selon les statistiques, sont souvent
présentes avec une certaine continuité dans n'importe quel marché.