A la une
Me contacter

La numérisation du placement opérée par des entreprises informatiques change la façon dont les détenteurs de capitaux placent leurs avoirs

Le secteur des services financiers a longtemps été à la pointe de l’innovation technologique mais des entreprises technologiques (informatiques), qui n’ont jamais fait de finance auparavant, ont introduit des innovations qui changent la façon dont les capitaux sont transférés, levés et investis (placés) et, ainsi, ils ont pris de plus en plus de fonctions financières.

C’est vrai pour les banques en ligne et moyens de payement (PayTech) ; aussi pour le marché des prêts personnels et des levées de fonds de financement (CreditTech), ainsi que pour les placements (InvestTech) créant la numérisation du placement.

 

Un premier article a été consacré à la numération du payement. (PayTech)

Un deuxième article a présenté la numérisation de la levée de fonds. (CreditTech).

Ce troisième article est consacré à la numérisation du placement ((InvestTech).

On examinera la modélisation de l’allocation d’actifs, le rôle des conseils financiers traditionnels, le fonctionnement du robot-conseiller, les limites de la numérisation du placement.

 

  1. La modélisation de l’allocation d’actifs.

L’allocation d’actifs est la répartition d’un placement entre les catégories d’actifs (actions, obligations, immobilier, etc.).

En principe, le détenteur de capitaux à placer se donne un objectif de capital à réunir à la fin du placement et recherche l’allocation d’actifs la plus susceptible d’atteindre cet objectif (il peut aussi faire cela de façon moins formelle et chercher simplement à accroitre son capital).

Par exemple, si l’objectif est de constituer un capital d’un million (pour la retraite par exemple) et que la capacité d’épargne est de 500 par mois pendant 40 ans, soit 480 mois, il faut trouver un placement qui rapporte 6% par an. C’est le rendement attendu.

Un autre important facteur de la décision est le risque du placement, risque qui grossit avec le rendement et se réduit avec la diversité des placements.

Pour un objectif et une capacité de placement donnés, la décision d’allocation va dépendre du rendement attendu, de la diversité du placement et du degré de risque accepté.

Si ces contraintes sont claires, on trouvera une allocation d’actifs optimale et on se constituera un portefeuille efficace, c’est-à-dire le meilleur compromis entre rendement et risque pour atteindre l’objectif.

 

  1. Les conseillers financiers traditionnels

Traditionnellement, l’approche ci-dessus a été et reste appliquée par le conseiller financier traditionnel. Ce dernier aide son client à définir son objectif, à évaluer sa capacité d’épargne ainsi que sa volonté d’assumer des risques et propose une allocation d’actifs adaptée.

En principe, un portefeuille se compose d’un ou de plusieurs actifs, en particulier des actions et obligations, mais il peut aussi se composer de fonds communs de placement négociés en bourses (FNB ou ETF = Exchange Traded Fund »).

Un ETF a la même composition qu’un indice boursier publié et vise à générer la même performance ou une performance meilleure.

Un manager de portefeuille d’ETF doit donc réaliser la performance suivante :  obtenir une performance plus élevée que celle de l’indice de référence en prenant des risques inférieurs à ceux de l’indice de référence.

La performance d’un manager de fonds communs de placements (FNB, d’ETF, c’est donc l’écart entre le rendement qu’il obtient et celui d’un actif sans risque ; mais c’est aussi le surplus de rendement qu’il obtient en changeant la pondération des actions composant l’ETF pour faire place à des actions supposées plus productives et moins risquées.

Pour sélectionner les actifs financier, le conseiller recoure aux habituels de rendements :

-la capitalisation boursière de l’entreprise (nombre d’actions en circulation multiplié par le cours)

-les rendement antérieurs réalisés au cours d’une ou quelques périodes choisies ;

-le rapport entre la valeur comptable (valeur nette des actifs figurant au bilan) et la valeur en bourse qui indique la valorisation donnée par les souscripteurs.

Et il utilise, sans doute, les outils informatiques et statistiques mis au point par son entreprise.

En contrepartie de ces services, il facture des frais auxquels s’ajoutent les frais de fonds communs de placement, ce qui, sur longue période, peut coûter près de la moitié du rendement.

On pressent les raisons pour lesquelles sont apparus les robots-conseillers : automatisation, puissance de calcul et faiblesse de prix.

 

  1. Les robots-conseillers (Robo Advisors)

Ce sont des plateformes numériques qui automatisent les fonctions de conseiller financier et, par suite, sont beaucoup moins chers.

Ils fournissent des services de placement automatisés basés sur des algorithmes avec peu ou pas de supervision humaine.

Un robot-conseiller doit connaître la situation financière, la capacité d’épargne, les objectifs et la tolérance au risque de son client mais il les obtient par des questionnaires en ligne.

Il utilise, en principe, les mêmes prédicteurs habituels de rendement d’une action mais peut les compléter par d’autres données et surtout les traiter en utilisant très rapidement les analyses statistiques, le « machine learning » et autres techniques d’intelligence artificielle.

Il fait payer ses services beaucoup moins cher (près de ¼ du tarif du conseiller financier)

La valeur ajoutée des robots-conseillers peut se résumer ainsi :

-fourniture d’un plan d’allocation optimale de placements compte tenu des contraintes posées par le client ;

-faiblesse des coûts (¼ du coût du conseil humain) ;

-mise à jour permanente du portefeuille en cours ;

-minimisation des obligations fiscales, éventuellement ;

-accessibilité 24h / 24 et 7j / 7 ;

– faible niveau de capital initial ;

– choix par le robot-conseiller d’un fonds commun de placement ou ETF ; ce qui limite la liberté de choix mais protège des initiatives hasardeuses.

 

  1. Le Fonctionnement des robots-conseillers.

Il en existe deux types principaux :

– le robot-conseiller dit hybride, parce qu’il ouvre la possibilité de recourir à un conseiller humain ;

– le robot-conseiller pur. (Deux exemples d’initiateurs : Wealthfront et Betterment.).  

Concernant le robot-conseiller pur, on a déjà, ci-dessus, amorcé les caractéristiques de sa collecte d’informations sur le client (collecte en ligne des informations nécessaires) ;

Et pour choisir le portefeuille d’actifs dont le rendement attendu est le plus élevé compte tenu d’un niveau de risque accepté ; le robot-conseiller calcule et cherche à prévoir les rendements attendus, les taux de volatilité des actifs (risque mesuré par l’écart-type des valeurs) et les taux de corrélations (pour la diversification) pour arriver à un portefeuille efficace, une allocation d’actifs efficaces pour chaque portefeuille d’investisseurs.

Voici un exemple de calcul utilisant les outils ci-dessus :

Numérisation du placement

 

 

 

 

 

 

 

On voit que l’immobilier résidentiel américain a produit, en moyenne par an, un rendement de 1,6 % et un écart-type de 5,82 % (volatilité), alors que les actions américaines ont eu un rendement moyen d’environ 11,5 et un écart type d’environ 18%.

On voit aussi que l’immobilier présente une corrélation négative avec les bons du Trésor (-0.27) et pas de corrélation avec les obligations de sociétés et une corrélation légèrement positive avec les actions.

Une corrélation non négligeable (0,7) s’observe entre les obligations des sociétés et les obligations du Trésor et une corrélation plus faible (0,47) s’observe entre obligations et actions de sociétés.

Les robots-conseillers utilisent ce type de modèles pour estimer et tenir à jour, rapidement, ces critères du placement ; et la croissance du nombre de souscripteurs laissent penser qu’ils le font mieux et moins cher que les conseillers humains.

Pour en savoir plus sur le robot-conseiller : https://www.investopedia.com/terms/r/roboadvisor-roboadviser.asp

 

 

  1. Les limites de la numérisation du placement.

Comme dans les autres domaines financiers, le payement (PayTech) et la levée de fonds (CreditTech), les modes de placements (InvestTech) ont vu se développer des plateformes informatiques et des technologies d’aide à la décision.

Aujourd’hui, même les tâches considérées comme exigeant un niveau cognitif élevé, comme l’allocation d’actifs, la sélection de titres, le trading et les prévisions économiques, sont de plus en plus entièrement confiées à des algorithmes avancés d’apprentissage automatique.

Ces nouveaux outils de « machine learning » peuvent repérer dans les données des modèles beaucoup plus nuancés et que les humains ne peuvent pas détecter.

L’IA et l’apprentissage automatique sont devenus des systèmes d’aide à la décision puissants et nécessaires en matière de placement.

On note, cependant, les deux limites suivantes aux robots-conseillers :

-le manque de transparence de leurs modèles qui sont devenus très complexes, très difficiles à comprendre et encore plus à répliquer. Cela crée entre la plateforme et ses utilisateurs une asymétrie d’information qui tend à saper la confiance des investisseurs et conforte ce qui restent réticents à confier complètement leurs placements à des algorithmes.

Malgré cette limite actuelle à l’adoption, le développement de l’automatisation du placement continuera de se développer, sans doute sur le mode de l’innovation incrémentale.

Il y aura plus en plus de données disponibles, d’ordinateurs puissants et rapides et d’analystes efficaces et l’automatisation des tâches cognitives se poursuivra et s’étendra probablement à d’autres domaines du secteur financier (les ventes et le marketing dans les banques, par exemple)

– « La malédiction de l’analyse prédictive ».

L’élaboration des modèles reposent, souvent, sur l’hypothèse implicite selon laquelle les données servant de base à l’analyse sont permanentes et constantes ; ce qui n’est pas vrai. Par ailleurs plus le modèle donnera des prédictions et plus il est probable que certaines d’entre elles seront correctes mais purement par hasard. La corrélation n’est pas une relation de causalité.

 

 

(Source : https://www.coursera.org/learn/invest-tech?specialization=financialtechnology

Pour consulter les articles précédents :

https://outilspourdiriger.fr/la-numerisation-du-paiement/

https://www.coursera.org/learn/credit-tech?specialization=financialtechnology

 

Aucune reproduction ne peut être faite de cet article sans l’autorisation expresse de l’auteur.  A. Uzan. 8/05 /2022.