Research

Les chercheurs chez RAM AI explorent sans relâche de nouvelles façons d'extraire des informations afin de découvrir de nouvelles sources de rendement, d’accroître la diversification et d’améliorer la liquidité de nos portefeuilles. 

Notre conviction dans les fondamentaux et la non-linéarité de leurs interactions nous a conduits à développer une infrastructure de Deep Learning, qui permet de révéler le pouvoir prédictif du volume d'informations en croissance exponentielle dont nous disposons.

En exploitant des données financières réelles issues de divers univers d'investissement, notre équipe de recherche affine les modèles de langage (LLM) tels que DeBERTa, Mistral et Llama pour les transformer en experts dans l'évaluation de l'impact des flux de nouvelles sur les rendements des actions. Ces modèles, ainsi optimisés, génèrent des prévisions de rendement précises qui se traduisent par une performance de portefeuille nettement supérieure, surpassant les approches basées sur les modèles de sentiment traditionnels. Lire l'article complet ici. En anglais uniquement.

Les grands modèles de langage (LLM) ont révolutionné le traitement du langage naturel et peuvent être exploités dans plusieurs applications du secteur de la gestion des investissements. L'étude de cas ci-dessous, menée par Tian GUO, PhD, montre les avantages des LLM modernes dans l'extraction d'informations ayant un pouvoir prédictif significatif sur les rendements boursiers futurs, en particulier pour les actions à petite et moyenne capitalisation. Lire l'article complet ici. En anglais uniquement.

De nos jours, les Large Language Models font partie des techniques de traitement du Natural Language Processing les plus efficaces et ont gagné en popularité dans diverses applications, telles que la traduction automatique, la compréhension du langage, etc. Ces modèles de langage peuvent être affinés sur des ensembles de données spécifiques à un domaine pour les adapter aux applications correspondantes. Notre cadre d'apprentissage profond, développé en interne, est capable de modéliser les interactions entre les différentes caractéristiques d'entrée et facilite la comparaison des combinaisons de caractéristiques. Lire l'article complet ici. En anglais uniquement.

Dans cet article, nous examinerons la popularité croissante de l'intelligence artificielle et le potentiel de la finance à prospérer grâce à ce que représente un outil comme le deep learning. La technologie continuant à repousser les limites de notre imagination, de nouvelles dimensions apparaîtront sans aucun doute au fil du temps. Lire le document complet ici. En anglais uniquement.

Les données traditionnelles sur les marchés sont généralement structurées en termes numériques sous une forme qui peut être digérée par des modèles statistiques. Une plateforme de Machine Learning peut aider à traiter l'abondance de données textuelles riches glanées dans les flux d’actualités financières, les rapports de résultats et les transcriptions, et d’analyser la corrélation de ces flux avec les mouvements du marché, actuellement moins exploitée par les gérants quantitatifs. Nous nous plongeons dans les techniques de traitement automatique du langage naturel (TALN) et leurs méthodes d'intégration chez RAM AI dans le Q&A suivant. Un Q&A avec le Data Scientist de RAM, Tian Guo. En anglais uniquement.

L'intégration des considérations environnementales, sociales et de gouvernance (ESG) dans les investissements systématiques a suscité une grande attention récemment. Dans cet article, nous nous concentrons sur les événements ESG présents dans les flux d’actualités financières et nous explorons le pouvoir prédictif de ce contenu financier sur la volatilité des actions. En particulier, nous développons un pipeline d'extraction d’actualités ESG, de représentations de ce contenu, et d'inférence bayésienne de modèles d'apprentissage. L’analyse faite sur des données réelles au travers de différents marchés démontre un pouvoir prédictif sur la performance ainsi que sur la volatilité. Elle s’attarde également sur les perspectives prometteuses offertes par cet outil sur diverses données textuelles. Lire le document complet ici. En anglais uniquement.

Suite au pic intraday sans précédent du VIX le 5 août, provoqué par une couverture de panique et le débouclage des positions courtes sur la volatilité par les courtiers, nous analysons le rôle de l'évolution du paysage des produits de volatilité et explorons l'attractivité de la prime de risque de volatilité. Lire l'article complet ici. En anglais uniquement.

Chez RAM AI, nous avons développé un cadre d'apprentissage profond afin de prévoir les rendements boursiers sur la base d'un large éventail de séries chronologiques. Cet article illustre comment les caractéristiques intrinsèques des stratégies court terme peuvent bénéficier aux portefeuilles rebalancés plus lentement. Lire l'article complet ici. En anglais uniquement.

Les bénéfices qu'une entreprise génère peuvent être distribués à ses actionnaires sous forme de dividendes/rachats d'actions, rembourser une partie de sa dette ou être utilisés pour investir. Une entreprise investit dans sa croissance organique future soit par la recherche et le développement (R&D), soit par des dépenses en capital (Capex). Dans un précédent document de recherche, nous avions étudié l'effet des annonces de Capex sur les rendements futurs d’une action. Le présent document analyse l'activité de R&D et son impact sur les fondamentaux de l'entreprise. Lire le document complet ici. En anglais uniquement.

Les bénéfices qu'une entreprise génère peuvent être distribués à ses actionnaires par le biais de dividendes/rachats d'actions, réduire sa dette ou être utilisés pour investir. Une entreprise investit dans sa future croissance organique, soit par la recherche et le développement, soit en engageant des dépenses en capital (Capex). En janvier 2021, le ratio des dépenses d'investissement nettes sur les ventes atteignait 2,54 % pour les entreprises américaines. Lire le document complet ici. En anglais uniquement.

RAM AI a rejoint l'initiative Net-Zero Asset Manager's en 2021 et s'est engagé à atteindre des émissions nettes nulles d'ici 2050. Nous nous sommes également engagés à atteindre des objectifs intermédiaires avec une réduction de l'intensité des émissions de carbone de 33 % d'ici 2025 et de 50 % d'ici 2030. Trois approches complémentaires ont été déployées pour atteindre ces objectifs :
- L'atténuation des risques climatiques grâce à la construction d'univers
- L’intégration des opportunités climatiques
- La propriété active
Dans cet article, nous nous concentrons sur la construction de l'univers et analysons l'impact de la réduction de l'empreinte carbone sur les performances financières et les biais de style. Lire l'article complet ici. En anglais uniquement.

La Sustainable Finance Disclosure Regulation (SFDR) est une réglementation européenne introduite en 2019 et applicable à partir du 10 mars 2021 pour améliorer la transparence sur le marché des produits d'investissement durable, prévenir l'écoblanchiment et accroître la transparence autour des déclarations de durabilité faites par les acteurs des marchés financiers. Dans cet article, nous analysons l'impact qu'un cadre de gouvernance SFDR peut avoir sur les biais de rendement et de style. Lire l'article complet ici. En anglais uniquement.

Ces dernières années, les données mesurant les caractéristiques de durabilité des entreprises ont proliféré. Un défi important que les gestionnaires d'investissement rencontrent est la combinaison de l'ESG et des facteurs traditionnels tels que la valeur, la croissance et le momentum. Cette combinaison est cruciale pour une sélection optimale des actions et un processus de construction de portefeuille. L'équipe Systematic Equities de RAM AI a développé un cadre d'apprentissage profond qui modélise l'interaction entre les différentes caractéristiques d'entrée. Dans cet article, nous évaluerons l'efficacité de ce cadre lorsqu'il est réglé pour combiner les facteurs ESG et traditionnels pour une tâche de prédiction du rendement des actions. Lire l'article complet ici. En anglais uniquement.

La prise en compte de considérations climatiques dans l'analyse des portefeuilles et dans les approches systématiques a suscité récemment une grande attention. Elle est motivée par des recherches ambitieuses ayant pour objectif une rapide transition dans un monde zéro carbone. Dans cet article, nous proposons d'intégrer des données structurées et non structurées liées au climat dans une approche quantitative sur des titres actions, en utilisant par exemple des scores d'émissions de carbone, l’analyse d’événements climatiques provenant des flux d’actualités. Nous développons une plateforme de deep learning permettant d'intégrer ces données afin d'évaluer les opportunités et les risques actions face à la problématique du climat. Les études faites  sur des données réelles montrent qu’un portefeuille actions investissant sur des titres à plus faible intensité de carbone peut offrir des rendements attractifs. Lire le document complet ici. En anglais uniquement.

Ces dernières années, la prolifération des données ESG communiquées par les entreprises a permis à notre équipe de recherche quantitative de renforcer son expertise en matière d'investissement ESG. Elle a ainsi pu développer une compréhension approfondie des mécanismes fondamentaux. Nous visons désormais une intégration ESG totale dans nos stratégies, c'est-à-dire une inclusion systématique et explicite des risques et opportunités ESG dans l'ensemble de nos moteurs quantitatifs. Nous présentons ici un aperçu de nos sources de données, de notre méthodologie et de nos résultats. Lire le document complet ici. En anglais uniquement.

Le crédit carbone est un terme générique pour tout certificat négociable représentant une certaine quantité d'émissions de carbone. Un gouvernement, une entreprise ou tout individu souhaitant compenser une quantité définie de carbone émise par ses activités, peut acheter des crédits pour une quantité spécifique de CO² afin d'équilibrer ses émissions. Lire le document complet ici. En anglais uniquement.