C’est la première fois qu’en « gestion d’actifs on manipule des données non financières », souligne Paul Bureau, responsable développement de Manaos. La diffusion de l’investissement durable oblige les gérants à capter et intégrer d’autres types de data. Gestion des déchets, réduction des émissions de gaz à effet de serre, mais aussi respect du droit des employés et du dialogue social, prévention des accidents du travail ou encore lutte contre la corruption, transparence de la rémunération des dirigeants, relation entre les actionnaires… constituent les trois piliers de l’ESG (environnement, social et gouvernance). Leur provenance est très diverse : recherche interne, agences extra-financières, associations et organisations non gouvernementales (ONG) et entreprises elles-mêmes. Grande différence avec les data financières, ici pas de normes IFRS, de normes comptables qui structurent et rendent comparables les données extra-financières entre elles. C’est là que l’intelligence artificielle (IA) devient incontournable pour travailler des data hétérogènes et protéiformes. « La technologie permet de traiter de très forts volumes de données et donc de mutualiser les recherches fondamentales, loue Laurent Clavel, responsable multi-assets d’Axa IM. Les ONG proposent leurs données gratuitement la plupart du temps. Il est donc impossible d’exiger une continuité d’informations et d’analyses, contrairement à une agence de rating. La technologie vient à notre secours. Des algorithmes ‘avalent’ en quelque sorte ces data notamment par flux RSS, un format de données standardisé qui favorise la diffusion et l’échange de contenus sur le web. »
Nettoyage
Des fintechs se sont légitimement positionnées sur le créneau. StarQube fournit à ses clients « des boîtes à outils leur permettant de choisir leurs sources de données », explique Guillaume Sabouret, son fondateur. Les data sont privées ou disponibles en open source, issues d’agences gouvernementales, de banques mondiales, des sites web des entreprises… de fournisseurs spécialisés sur le risque réputationnel, les données de genre, les émissions carbone, etc. « Elles parviennent de façon fragmentée et sont parfois de qualité médiocre », soulève-t-il. Ces millions de points de données doivent donc être raffinés. « Il faut les contrôler pour éviter les faux amis, précise Edouard Legrand, chief digital officer chez BNP Paribas AM. Il existe des sets de contrôle simples qui permettent d’identifier les données manquantes sur un émetteur ou un portefeuille et des tests ‘mass pattern’ (récurrence) pour jauger notamment les décalages. Des interfaces permettent ensuite à nos équipes d’experts de tout vérifier. » Et de rectifier le tir, le cas échéant. « Si la technologie permet de repérer des erreurs, elle ne peut pas toujours les corriger. C’est là que la combinaison à l’expertise humaine prend tout son sens », appuie-t-il.
Une fois ces jeux de data collectés et raffinés, « on doit faire en sorte qu’ils se parlent entre eux », illustre Guillaume Sabouret. Autrement dit, il faut établir des liens de parenté entre des informations disparates autour d’une même entreprise ou entre les différentes filiales d’un même groupe. « Cette mise en cohérence peut parfois bénéficier d’un identifiant commun, tel que le code Isin mais, de plus en plus souvent, elle nécessite l’utilisation d’algorithmes complexes lorsqu’un tel lien n’existe pas », poursuit-il. Ensuite, elles sont agrégées. « Comme un jeu de Lego, il faut construire un guide de lecture », complète Xavier Desmadryl, responsable recherche ESG et PRI de HSBC AM. Un assemblage qui rendra les données utilisables.
L’intelligence artificielle permet aussi de combler les « trous dans la raquette ». Certains segments de la cote sont mal couverts par les agences de notation, comme les sociétés émergentes, les petites capitalisations, les émetteurs high yield. « Le ‘natural language processing’ (NLP), une branche de l’intelligence artificielle, permet de transformer en data quantitatives des éléments de textes : commentaires issus de réseaux sociaux, reportings ESG d’entreprises, articles de presse internationale… », expose Xavier Desmadryl. Mieux encore, un algorithme peut mettre au point un modèle prédictif en utilisant des données historiques de marchés. « Par exemple, les algorithmes utilisés dans le traitement des images sont très utiles pour la prédiction en finance. Restaurer une image avec des pixels manquants, par exemple, est un problème similaire à celui qui consiste à essayer de ‘prédire’ l’évolution future des marchés à partir des seules informations connues à ce jour », compare-t-il. L’IA permet de capter de nouveaux signaux.
Le poids réglementaire
Le recours à des « robots » apparaît même indispensable à mesure que les réglementations en matière de finance durable se déploient. « La Sustainable Finance Disclosure Regulation (SFDR) demande que soient rapportées les incidences négatives sur les facteurs de durabilité (PAI) des décisions d’investissement, détaille Xavier Desmadryl. Or, derrière chaque PAI, il y a une donnée qui doit être traitée. Il nous est demandé de mesurer la durabilité des entreprises et leur impact sur le risque ESG, et inversement. Nous avons donc construit un score qui mesure cette double matérialité. Cet algorithme, qui s’appuie sur des séries de data retraitées, permet d’obtenir une vision homogène des liens de l’entreprise avec les Objectifs de développement durables (ODD) de l’Organisation des Nations unies, la taxonomie européenne… » La réglementation a-elle ouvert la boîte de Pandore ? « Il nous faut progresser vite pour aborder ces thématiques nouvelles », témoigne-t-il.
L’investissement durable peut-il exister sans IA ? La donnée extra-financière concerne non seulement les équipes de gestion mais aussi de reporting, de gestion du risque et réglementaires. « Lorsque que l’on construit un score ESG, on s’attend à une efficience de gestion, comme la création d’alpha, un abaissement de la volatilité… Sans technologie, il est aujourd’hui difficile de construire un scoring ESG pertinent, notamment si le nombre d’émetteurs est extrêmement étendu », juge l’expert de HSBC AM. Les petits gérants à la stratégie très resserrée pourraient dans une certaine mesure s’y soustraire.
Cependant, ces outils ne sont pas la panacée. Souvent est mis en avant le manque d’informations provenant d’entreprises chinoises. « Elles existent, sauf qu’elles sont rédigées en mandarin ou cantonais… », souffle le spécialiste. Devant les limites linguistiques des fournisseurs de données traditionnels et des programmes de NLP, HSBC GAM a dû sceller un partenariat avec une société technologique chinoise installée à Hong Kong. Autre limite du machine learning : « Si un ordinateur sait lire, les algorithmes de machine learning présentent malgré tout deux risques », prévient Laurent Clavel. Le premier est celui du surapprentissage : le modèle aura tendance à extrapoler. Le second est celui du reverse engineering. Ici, l’entreprise développe à son tour des outils technologiques afin de délivrer le meilleur message. « Cela passe par la redondance de certains thèmes durables, comme la répétition de vocables tels ‘l’égalité femmes/hommes’. Or il ne suffit pas de le dire pour le faire. » Une seule solution : le regard acéré d’hommes et de femmes.
