ESG

L’IA au service de l’analyse des données

Bruno Poulin, président d’Ossiam
Le monde de l’investissement est aujourd’hui confronté à la difficulté technique d’exploiter une masse de données extra-financières avec des outils traditionnels
Dans ce contexte, recourir à l’intelligence artificielle s’est imposé comme une démarche naturelle offrant une opportunité de génération de performance

D’après l’institut Global Sustainable Investment Alliance, le montant des actifs investis selon des critères ESG a atteint 55.133 milliards de dollars en 2018, une hausse de 33% en deux ans.  L’intégration accrue des critères ESG dans la gestion de portefeuille a eu peu d’impact sur les performances. Par ailleurs, la capacité à générer un alpha attribuable à l’ESG est un aspect vivement débattu. Si les approches les plus populaires, basées sur l’exclusion de certaines entreprises ou secteurs ou encore la sélection « best-in-class », permettent en général d’améliorer les profils ESG des portefeuilles, l’utilisation des informations contenues dans les analyses ESG reste trop sommaire pour permettre d’en améliorer les performances financières. Et si les performances des portefeuilles ne sont pas dégradées, comme le montrent les versions ESG de benchmarks traditionnels tels que le S&P 500, l’élaboration de stratégies d’investissement responsables, entrainant un surcroît de performance reste un défi.

Des données extra-financières à analyser individuellement. Comment, en effet, construire des stratégies robustes, capables d’identifier durablement les entreprises dont la démarche ESG a un impact positif sur la performance financière ? Il existe près de 150 indicateurs ESG pour chaque entreprise : de l’indépendance du conseil d’administration à la stratégie environnementale, de la maitrise ESG de la chaine d’approvisionnement à l’empreinte carbone, en passant par la durée de vie des usines. Chacune de ces données extra-financières doit être analysée individuellement afin de tenter de déterminer sa capacité à influencer le niveau de risque d’une entreprise. Le monde de l’investissement est aujourd’hui confronté à la difficulté technique d’exploiter cette masse de nouvelles données avec des outils traditionnels. La publication continue de nouveaux indicateurs, conséquence d’une transparence accrue et d’un cadre réglementaire plus strict, rend cette mission encore plus ardue.

Dans ce contexte, recourir à l’intelligence artificielle s’est imposé comme une démarche naturelle. Un algorithme de machine learning est ainsi capable d’absorber des échantillons de données extrêmement vastes et de s’adapter automatiquement dans le temps. L’ESG, en tant que critère d’investissement, est en effet en constante mutation et loin d’être arrivé à maturité. La dimension des bases de données va continuer à croître. Les critères de différentiation évoluent. Aujourd’hui, par exemple, de nombreuses variables ESG concernent les sujets environnementaux mais on peut imaginer que d’ici quelques années, l’enjeu portera davantage sur des variables sociales ou de gouvernance. 

De manière allégorique, l’algorithme de machine learning, développé par Ossiam, fonctionne à la façon d’un panel d’experts. Chaque expert observe les données et développe sa connaissance sur un aspect particulier de l’ESG, à savoir le profil spécifique des sociétés de l’univers d’investissement, par rapport à certaines variables ESG ainsi que les opportunités ou les risques financiers associés. Ces experts ont la capacité d’apprendre à partir de leurs observations. Ils deviennent alors « experts » d’un certain profil ESG et sont interrogés sur les perspectives financières associées. La décision finale d’investissement est fonction des réponses apportées par l’ensemble du panel. Plus il y a d’experts, meilleure sera la décision. Le développement de ces nouvelles techniques de gestion ESG n’aurait pas été possible sans l’évolution de la puissance de calcul. Il ne s’agit pas pour autant de laisser la gestion du portefeuille à une machine sans supervision humaine. Il est ainsi nécessaire de maitriser la modélisation mathématique et le contrôle des risques, en faisant, par exemple, le choix de limiter la complexité de l’algorithme utilisé pour garder transparents et traçables les critères sur lesquels il s’appuie lors de la construction de portefeuille.

Une contrainte devenue opportunité. L’intégration des critères ESG dans la gestion de portefeuille était souvent assimilée, jusqu’à présent, à une contrainte. Elle devient aujourd’hui une opportunité de génération de performance par l’application intelligente d’un algorithme de machine learning combinée à une gestion smart beta du portefeuille. 

 

(1) Baromètre annuel de l’Association française du family Office, mars 2019