Groupama AM s’appuie sur l’intelligence artificielle et les données alternatives pour renforcer ses stratégies de gestion

12/11/2020

Visuel 1

L'AM Tech Day est devenu en quelques années le rendez-vous incontournable des avancées technologiques au cœur du métier d'asset manager. Lors de cette 11ème édition, les discussions ont porté en général sur le big data, le machine learning et la blockchain, et plus particulièrement sur le rôle de l'intelligence artificielle (IA) et des fintechs dans l'industrie financière.

Lors de l’AM Tech Day 2020, Groupama Asset Management a participé à une table ronde dédiée aux nouveaux usages de l’intelligence artificielle et des données dans la gestion d’actifs. C’est dans ce cadre que Selim Boughalem, gérant actions et Romain Faure, data scientist, ont pu témoigner sur l’approche de Groupama Asset Management et les cas d’usage en cours d’exploration.

 

Selim Boughalem, gérant actions
[Selim Boughalem, gérant actions]
Romain Faure, Data scientist
[Romain Faure, Data scientist]
 

 

 

 

 

 

 

 

 

Quel point de départ et quels objectifs ?

Les projets d’IA/nouvelles données chez Groupama AM ont été lancés dès 2017, suite à la volonté de renforcer les savoir-faire et pratiques opérationnelles de nos équipes, en s’appuyant notamment sur le potentiel des données alternatives.

Nous poursuivons deux grands types d’objectifs :

  • Renforcer nos stratégies de gestion, par :
    • La recherche de nouvelles sources d’alpha (génération de signaux stand-alone),
    • La génération d’arbitrages (acquisition d’information sur les entreprises en portefeuille),
    • La génération de nouvelles idées d’investissements

 

  • Accroître la productivité des gérants, notamment par la mise en valeur d’informations pertinentes au sein d’un volume en croissance constante

 

Quels cas d’usage ?

Les cas d’usage explorés visent à enrichir les processus de décision par des signaux complémentaires et améliorer la productivité des gérants et analystes, en ligne avec les objectifs définis.

Nous pouvons citer deux axes de travail, qui s’enrichissent mutuellement et ont en commun leur dimension exploratoire et leur aspect « test & learn » :

  1. Tester des données alternatives, plus précisément des indicateurs de sentiment, basés sur des contenus textuels (news, transcripts) concernant différentes entités (sociétés, pays ou thèmes macroéconomiques…), en collaboration avec des fintechs,

 

  1. Développer nos propres indicateurs conjoncturels basés sur l’analyse algorithmique de sentiment de contenus textuels spécifiques, en partenariat avec la recherche interne

 

Quelle stratégie ?

Pour atteindre nos objectifs, notre stratégie a été :

  • de choisir parmi les données alternatives celles couvrant un maximum de types de gestion, compte tenu de leurs coûts d’utilisation (acquisition, traitement, restitution…)
  • d’acquérir des savoir-faire en data-science, afin d’approfondir notre connaissance de la fabrication et de l’exploitation de ces données, et ainsi de recruter une ressource spécialisée,
  • d’adopter une solution semi-aboutie, c’est-à-dire ni des données brutes ni des indicateurs finalisés directement utilisables, tant la fabrication des indicateurs finaux implique des choix structurants sur leur qualité.
  • de nous appuyer sur un groupe de travail à la fois transversal (profils diversifiés) et agile (évolutif).

 

Quelle organisation ?

Notre démarche s’est structurée autour de binômes data scientist + métier (gérant, analyste, économiste…), sous la supervision d’un comité pluridisciplinaire, en veillant à associer la DSI aux différentes étapes des projets.

Il s’agit de maximiser la complémentarité technique et métier des équipes, d’ancrer les initiatives dans la réalité opérationnelle quotidienne, enclenchant ainsi une forme de fertilisation croisée.

En matière de données alternatives, nous avons dû procéder à une cartographie de l’offre, très hétérogène qu’il s’agisse du type de données, des fournisseurs mais aussi des modes d’accès. Par exemple, Bloomberg BEAP référence aujourd’hui une offre de plus de 500 datasets différents de données alternatives.

Côté technologies, le langage Python s’est peu à peu imposé, s’appuyant notamment sur l’initiative BQuant de Bloomberg. Nous avons également commencé à explorer le champ des bases de données NoSQL, en particulier les bases orientées documents, comme MongoDB.

De plus, nous nous sommes rapprochés de la fintech française SESAMm (spécialisée dans l’analyse de sentiment de données textuelles). Cette collaboration nous a permis de suivre tout le déroulement de la chaîne partant de données textuelles pour aboutir à des indicateurs de sentiment.

 

Quelles prochaines étapes ?

Nous ne manquons pas d’idées pour la suite, mais notre priorité à court-terme est d’aller au bout des initiatives les plus avancées et de passer en production, afin d’apporter une valeur ajoutée aux métiers. En phase d’industrialisation, une stratégie d’amélioration continue devra être mise en place.

Nous pourrions poursuivre notre exploration et tester l’apport d’autres types de données alternatives, comme les données satellites, de recherches Google Trends…

Enfin, au-delà de la sélection des données alternatives, il s’agira de déterminer où et comment Groupama AM souhaite s’améliorer et se différencier avec les solutions appropriées.

 

AVERTISSEMENT

Ce document est conçu exclusivement à des fins d’information.

Groupama Asset Management et ses filiales déclinent toute responsabilité en cas d’altération, déformation ou falsification dont ce document pourrait faire l’objet.

Toute modification, utilisation ou diffusion non autorisée, en tout ou partie de quelque manière que ce soit est interdite.

Les informations contenues dans cette publication sont basées sur des sources que nous considérons fiables, mais nous ne garantissons pas qu’elles soient exactes, complètes, valides ou à propos.

Ce document a été établi sur la base d’informations, projections, estimations, anticipations et hypothèses qui comportent une part de jugement subjectif. Les analyses et conclusions sont l’expression d’une opinion indépendante, formée à partir des informations publiques disponibles à une date donnée et suivant l’application d’une méthodologie propre à Groupama AM. Compte tenu du caractère subjectif et indicatif de ces analyses, elles ne sauraient constituer un quelconque engagement ou garantie de Groupama AM ou un conseil en investissement personnalisé.