Utilité de l’article :Cette note vise à mettre en lumière les limites et la véritable nature du risque porté par les stratégies quantitatives d’Alternative Risk Premia dont l’objectif est de délivrer un rendement régulier non corrélé avec celui des actifs traditionnels. L’article explicitera notamment les principales raisons qui ont conduit à la déroute de ces stratégies lors du krach de février/mars 2020.
Résumé :
- Cette note est une version étendue et détaillée de l’article intitulé « Les stratégies quantitatives d’alternative risk premia à l’épreuve de la réalité » initialement paru dans l’AGEFI Hebdo N.772, 23-29 septembre 2021, p.31 ;
- Apparu au début des 2010, les stratégies quantitatives d’alternative risk premia (ARP) se proposent de délivrer des rendements réguliers non corrélés avec ceux des actifs traditionnels en tirant profit de multiples primes de risque sur différentes classes d’actifs ;
- La baisse de la performance de la plupart de ces stratégies à partir de 2015/2016 et leur effondrement lors du krach de février/mars 2020 remet en question à la fois leur capacité à délivrer des rendements réguliers et leur décorrélation vis-à-vis des actifs traditionnels ;
- Les stratégies d’ARP exploitent les facteurs expliquant la performance des actifs risqués au-delà de la sensibilité au marché de référence (primes de risque) ;
- Les différentes stratégies d’investissement élémentaires, dont l’objectif est de tirer profit des différentes primes de risque identifiées, suivent des algorithmes fondés sur des historiques de données de marché. La gestion du portefeuille de stratégies d’ARP est réalisée le plus souvent par le biais d’un processus quantitatif ;
- Un effet de surinvestissement et les biais affectant les stratégies d’investissement fondées sur l’utilisation de données historiques expliquent certainement la baisse des performances à partir de 2015/2016 ;
- Enfin, le krach de février/mars 2020 a rappelé que la recherche de stratégies décorrélées des actifs traditionnels et délivrant un rendement régulier conduit à privilégier un profil de risque sensible au risque extrême et caractérisé par une asymétrie entre un gain limité et des pertes potentiels bien plus élevées,
Au début des années 2010, dans le sillage de la crise des subprimes et de ses conséquences sur les marchés financiers, l’univers de la gestion systématique et quantitative voyait apparaître les stratégies et fonds de primes de risque alternatives ou « alternative risk premia » (ARP).
Ces stratégies proposent d’exploiter les facteurs (ou sources de rémunération) qui expliquent pourquoi, au-delà de la sensibilité au marché de référence (ou « beta »), certains secteurs/valeurs ou stratégies d’investissement bénéficient à long terme d’une performance supérieure. Ces facteurs, ou sources de performance identifiables sur les principales classes d’actifs traditionnelles, peuvent être liés, par exemple, à l’effet de portage (carry), de « momentum » (tendance), « value » ou encore à la volatilité (voir partie Définition en fin d’article). Dans le cas des primes de risque alternatives, chaque source de performance est en principe exploitée au travers de positions « long/short » (acheteuses/vendeuses)de façon à annuler l’exposition au marché sous-jacent (stratégies dites « market neutral »).
L’objectif des fonds et stratégies d’alternative risk premia est alors d’offrir aux investisseurs une performance régulière non corrélée avec celles des actifs traditionnels en investissant dans un portefeuille composé de multiples primes de risque alternatives portant sur différents sous-jacents.
La rationalité de l’approche et les performances enregistrés par ces stratégies dans la première partie des années 2010 leur ont permis de rencontrer un certain succès commercial. Toutefois, les stratégies d’ARP ont pourtant quasiment toutes été prises à contrepied lors du krach de février/mars 2020 alors même que leur performance tendait déjà à s’essouffler en amont de cet évènement. Pour comprendre les raisons de ce revers, il convient de revenir sur la conception même de ces stratégies et la réalité du risque porté.
1) Présentation et performance des stratégies quantitatives d’alternative risk premia
1.1 Fondement et principe de fonctionnement des stratégies d’ARP
Les stratégies d’ARP s’appuientnotamment sur les travaux fondateurs de Fama et French (1993) et Carhart (1997)[1] qui ont mis en lumière que le beta -ou prime de risque de marché- n’était pas le seul facteur permettant d’expliquer la performance des actifs risqués. D’autres primes de risque pouvaient être identifiées comme autant de moteurs de performance potentiels.
Ainsi, Fama et French (1993) ont par exemple mis en avant que le facteur lié à la capitalisation relativement faible de certains titres (appelé « Small Minus Big » où SMB) permettait d’expliquer, au-delà du risque de marché, la performance d’un portefeuille d’actions (les auteurs considèrent également un troisième facteur dans leur modèle à 3 facteurs). Cette source de performance représente donc la prime de risque rémunérant les opérateurs investis dans les actions de faible capitalisation. La persistance de cette source de rémunération conduit ainsi à considérer que les actions de petite capitalisation ont tendance à avoir à long terme de meilleures performances que les actions de plus importante capitalisation. Il s’agit du facteur ou de la prime SMB.
Pour tirer parti de cette prime dans le cadre d’un fond d’ARP, la stratégie d’investissement cherchera à systématiquement acheter les actions de petite capitalisation et à vendre à découvert les actions de large capitalisation. Ce faisant, l’exposition au marché sera en principe minimum et la stratégie sera dite « market neutral ». L’objectif de ces prises de positions est de tirer profit de la prime de risque portée par les actions de petite capitalisation par rapport à celle, plus faible, des larges capitalisations. Pour cela, la performance des valeurs de petite capitalisation devra dépasser celle des valeurs de plus large capitalisation. Le fait d’avoir une exposition neutre par rapport au marché permet en principe de répondre à l’objectif qui est de proposer une stratégie d’investissement non corrélée avec la performance des actifs traditionnels tout en étant pourtant investie dans ces derniers.
Cet exemple montre comment est construite une stratégie d’ARP en particulier. Dans les faits, les gérants de stratégies d’ARP cherchent à identifier un grand nombre de primes de risques de façon à investir dans de multiples stratégies d’ARP. Chaque stratégie particulière d’ARP (exploitant une prime de risque en particulier) constitue alors une brique d’investissement élémentaire dans le cadre de la construction d’un portefeuille composé de multiples stratégies d’ARP.
L’identification des sources de performance à exploiter et le développement des stratégies financières les exploitants sont fondés sur l’analyse d’historiques de données de marché. Les stratégies élémentaires d’ARP suivent ainsi un algorithme dont la performance a été testée et optimisée en fonction d’historiques de cours (backtest).
La gestion du portefeuille de stratégies d’ARP et des expositions est également le plus souvent opérée au travers d’un processus systématique fondé sur l’analyse quantitative de données historiques. Ces analyses doivent notamment permettre d’établir un portefeuille diversifié de primes de risque alternatives (non ou faiblement corrélées les unes par rapport aux autres) dont la combinaison offrira, en principe, une performance à la fois persistante et non corrélée à celle des classes d’actifs traditionnelles.
Cette approche doit permettre de réaliser non seulement l’objectif de gestion mais également d’offrir une alternative aux stratégies de hedge funds traditionnelles (gestion alternative) voire à la gestion active en systématisant la capture de « l’alpha structurel », autrement dit la part de performance non expliquée par le « beta » ou le talent du gérant[2].
1.2 Les performances des stratégies d’ARP à l’épreuve de la réalité
En proposant des solutions d’investissement adaptées, les banques d’investissement ainsi que les gérants d’actifs (dont notamment Eraam, BlackRock, Allianz GI, AQR, CFM, La Française IS) sont parvenus à susciter l’intérêt des investisseurs et ont ainsi permis aux stratégies fondées sur les primes de risque alternatives de rencontrer un certain succès.
L’observation de l’indice Eurekahedge Multi-Factor Risk Premia Index nous indique que la forte performance affichée par les stratégies d’alternative risk premia entre 2010 et 2015 (performance supérieure à 40 % entre juillet 2010 –lancement de l’indice- et juillet 2015) a certainement contribué à leur succès commercial et a donc permis le lancement en Europe de plusieurs fonds dédiés autour du milieu de la dernière décennie. En dépit de ces débuts encourageants, la performance de l’indice s’est progressivement s’émoussée à partir de 2015/2016 avant d’entrer dans une tendance baissière à partir de 2018.
Alors que la promesse de la persistance de rendements réguliers commençait à être remise en cause[3], l’effondrement en février/mars 2020 de la plupart des fonds et stratégies d’alternative risk premia (y compris ceux qui réussissaient jusque-là à maintenir une tendance positive) a jeté une lumière crue sur la réalité de la sensibilité aux fluctuations de marché, et ce au pire des moments, lors de la chute. Enfin, « le calice a été bu jusqu’à la lie » au regard de l’incapacité de la plupart de ces stratégies à tirer parti dans les mêmes proportions du fort rebond des marchés actions et obligataires survenu à la suite du krach.
2) Limite de l’approche et réalité du profil de risque
Cette déroute peut être expliquée par plusieurs facteurs.
2.1 L’effet de surinvestissement
Premièrement, les stratégies d’alternative risk premia ont certainement été victimes de leur succès. Les investissements concomitants et relativement importants dans les multiples primes de risque ont à la fois réduit leur potentiel de gain tout en ayant eu tendance à augmenter leur potentiel de recorrélation. En devenant surinvesties ou « overcrowded » (voir notamment Bouchaud et al. (2020) sur ce point[4]), les alternatives risk premia n’étaient plus en mesure de délivrer le niveau de performance historique qui avait contribué à attirer les investisseurs[5].
Le fait d’investir massivement et concomitamment sur les mêmes actifs à tendu à rendre plus cher ceux qui étaient achetés et à rendre moins cher ceux qui étaient vendus. Le potentiel de performance des primes de risque sous-jacentes à ces stratégies a donc eu tendance à se réduire. L’effet réflexif explique donc certainement l’épuisement des performances voire la tendance négative à partir de 2018.
2.2 L’effet de « backtest overfitting »
Deuxièmement, comme notamment souligné par Harvey et al. (2019)[6] et Arnott et al. (2019)[7], les biais liés à l’utilisation de données historiques – « backtest overfitting » – peuvent également expliquer les écarts entre les rendements attendus et ceux effectivement constatés. L’optimisation quantitative fondée sur les données passées peut conduire au choix de stratégies sélectionnées davantage pour leur capacité à « coller » aux données historiques et en tirer parti que pour leur réel potentiel de performance dans le futur. Alors même que la réglementation impose de rappeler le cas échéant que « les performances passées ne préjugent pas des performances futures », investir sur la foi d’un backtest suppose pourtant d’espérer que ce sera bien le cas…
Comme noté par Bailey et al. (2016)[8], le phénomène de « backtest overfitting » peut être considérécomme la principale raison expliquant pourquoi des stratégies quantitatives d’investissement qui paraissent attractives sur le papier (autrement dit dans les simulations sur données historiques) se révèlent souvent décevantes en pratique. Par ailleurs, investir dans des stratégies affichant de fortes performances historiques peut conduire à « acheter » certains comportements de marché sur leur point haut.
2.3 Risque extrême et asymétrie des potentiels de gain et de perte
Troisièmement, la recherche de primes de risque délivrant une performance régulière à long terme (primes de risque qui peuvent être assimilées à autant de briques élémentaires servant à constituer le portefeuille global) conduit à rechercher des stratégies dont le profil de rendement/risque est caractérisé par un skew (coefficient d’asymétrie) négatif[9]. Autrement dit, les stratégies ou briques élémentaires constituant le portefeuille auront pour particularité de délivrer des gains réguliers tout en étant soumises à un risque rare ou peu probable de très forts mouvements adverses. Il s’agit du risque de queue ou « tail risk ».
Dans l’univers de la gestion traditionnelle, les stratégies de crédit (fixed income) sont un exemple de stratégie caractérisée par un skew négatif. Ces stratégies investissent dans des titres de dettes offrant un certain taux de rémunération contre le risque de subir un évènement de défaut pouvant entrainer une perte potentiellement largement supérieure à la rémunération du titre.
De façon similaire, la plupart des stratégies élémentaires d’ARP tendent à privilégier un rendement régulier en contrepartie d’un risque de perte proportionnellement nettement plus important mais en principe peu probable.
Naturellement, les gérants chercheront à sélectionner les stratégies rémunérant « suffisamment » le risque de queue. Par ailleurs, la construction d’un portefeuille bâti sur un nombre important de primes de risque (en principe faiblement corrélées entre elles) doit permettre de limiter le tail risk de l’ensemble du portefeuille. Enfin, certaines stratégies élémentaires utilisées (momentum par exemple) sont en principe caractérisées par un skew positif[10].
L’optimisation quantitative et le processus d’investissement systématique doivent donc in fine permettre d’obtenir un portefeuille constitué de multiples primes de risque alternatives, délivrant un rendement régulier non corrélé avec celui des actifs traditionnels et dont le risque de queue est en principe dilué. Pourtant, ce risque qui est lié aux événements rares de marché (tels que la faillite de Lehman Brothers en 2008 ou le krach de février/mars 2020) et qui est par essence imprévisible demeure même s’il n’apparaît pas dans les données historiques.
Les risques de recorrélation, d’inefficacité des couvertures, de cygnes noirs ou « black swan » affectant plusieurs stratégies élémentaires simultanément n’ont pas disparu simplement parce que les analyses quantitatives de risque ne peuvent les mettre en évidence. La célèbre formule de Lavoisier : « Rien ne se perd, rien ne se crée : tout se transforme » s’applique également au risque en finance de marché.
Le risque est en réalité transformé, transféré. La sensibilité aux fluctuations de marché (qui est associée à une certaine symétrie entre le potentiel de gain et de perte et des probabilités de réalisation respectives proches) est transformée au profit d’une relative insensibilité en « conditions normales » (de façon à privilégier une probabilité élevée de rendements réguliers) au prix d’un risquede perte peu probable mais très élevé par rapport aux gains.
Privilégier un portefeuille générant des rendements réguliers peu sensibles aux fluctuations des actifs traditionnels sous-jacents revient donc à accepter une asymétrie entre un montant de gain régulier -relativement faible par rapport au risque encouru – et une perte potentielle nettement supérieure en cas de situation défavorable (quand bien même cette situation serait estimée comme peu probable).
Ainsi, l’asymétrie persistante entre potentiel de gain et de perte – ainsi que les limites de risque parfois atteintes – ont empêché les stratégies d’alternative risk premia de pleinement profiter du fort rebond des marchés à la suite du krach février/mars 2020. En effet, l’objectif de gestion des stratégies d’ARP reste constant même au plus fort de la baisse des marchés. Ainsi, pour compenser rapidement les lourdes pertes subies lors du krach, il aurait fallu privilégier une exposition directe au marché (beta) sans toutefois avoir la certitude que celui-ci allait remonter. Or, l’objectif de ces stratégies demeure de délivrer des performances régulières non corrélées aux actifs traditionnels et implique donc de rester « market neutre » et donc de minimiser l’exposition au marché. Les gérants et les algorithmes de gestion des expositions ont donc continué de privilégier une exposition réduite ou nulle en cohérence avec l’objectif de gestion.
Nous pouvons ajouter que les algorithmes de gestion systématique sont le plus souvent calibrés pour fonctionner de façon optimale sur le long terme et donc dans les conditions de marché les plus souvent observés dans le passé. Ils ne sont donc le plus souvent pas calibrés pour tirer profit d’un évènement rare, hautement improbable et imprévisible qui n’apparait pas dans les données historiques.
Conclusion
L’optimisation quantitative – ou biais de backtest – ainsi que la recherche de rendements réguliers non corrélés aux actifs traditionnels ont conduit les stratégies d’ARP à être investies dans des portefeuilles caractérisés par une asymétrie entre des gains possibles relativement faibles et des pertes potentielles nettement plus élevés (bien que peu probables en principe). Le krach de février/mars 2020 a ainsi eu pour effet de rappeler une nouvelle fois les limites de ce type d’approche et de révéler la véritable nature du risque – extrême – présent dans les portefeuilles.
Victime à la fois de leur succès, de certains biais inhérents à la gestion quantitative mais également de l’incertitude radicale propre à la réalité des marchés financiers, les stratégies d’alternative risk premia devront certainement se réinventer en privilégiant un meilleur contrôle des risques extrêmes et en assumant davantage d’exposition aux marchés sous-jacents.
Définition
Stratégies « momentum » :stratégie consistant à acheter les actifs les plus performants et à vendre les moins performants en fonction de divers indicateurs techniques et/ou quantitatifs.
Stratégie « value » :stratégie consistant à acheter les titres dont le prix de marché parait faible par rapport à leur valeur intrinsèque ou « book value ».
Stratégie « carry » :stratégie notamment utilisée sur le marché des changes et consistant à emprunter dans une devise à faible taux d’intérêt et à placer dans une devise à rendement plus élevé.
Stratégie de volatilité :plusieurs stratégies de volatilité existent ; l’une d’elle consiste à acheter les actions ayant une volatilité faible et à vendre celles ayant une volatilité plus élevée, les actifs peu volatiles ayant tendance en principe à se montrer plus performants.
Stratégie « market neutral » :portefeuille géré de façon à ce que l’exposition au marché induite par les positions longues soient couvertes par des positions courtes sur la même classe d’actif.
Backtest :réaliser un backtest consiste à utiliser des données de marchés historiques pour développer ou tester une ou plusieurs stratégies quantitatives d’investissement.
Effet réflexif :comme notamment mis en avant par George Soros (1998)[11], les actions des opérateurs de marché fondées sur une observation particulière influencent cette même observation. Le fait d’agir pour profiter d’une opportunité d’investissement influence le potentiel de cette même opportunité d’investissement. Il s’agit d’un effet réflexif.
Black Swan :développé et défini par Nassim Nicholas Taleb (2008)[12], un Black Swan ou Cygne Noir est un évènement aléatoire, hautement improbable et imprévisible dont l’impact est particulièrement important.
[1]Fama, E.F. and French, K.R. (1993). « Common risk factors in the returns on stocks and bonds », Journal of Financial Economics 33: 3-56.
Carhart, M. (1997). « On persistence in mutual fund performance », The Journal of Finance 52 (1): 57-82.
Voir également:
Fama, E.F. and French, K.R. (2015). « A five-factor asset pricing model », Journal of Financial Economics 116: 1-22.
Fama, E.F. and French, K.R. (2017). « International tests of a five-factor asset pricing model », Journal of Financial Economics 123: 441-463.
[2]https://www.agefi.fr/asset-management/actualites/hebdo/20160504/risk-premia-lance-defi-a-gestion-active-180723
[3]https://www.ft.com/content/5e911254-00d4-4d5b-8be6-4479a8bcddc1
[4]Bouchaud, J.; Volpati, V.; Benzaquen, M. ; Eisler, Z. ; Mastromatteo, I. and Toth, B. (2020). « Zooming In on Equity Factor Crowding », CFM Insight. https://www.cfm.fr/assets/Uploads/Zooming-in-on-equity-factor-crowding.pdf
[5]https://www.institutionalinvestor.com/article/b1nhshlm3x8j2f/Risk-Premia-Gets-Crushed
[6]Harvey, C. and Liu, Y. (2019). « A census of the factor Zoo », SSRN Electronic Journal. https://ssrn.com/abstract=3341728
[7]Arnott, R.; Harvey, C.; Kalesnik, V. and Linnainmaa, J. (2019). « Alice’s Adventures in Factorland: Three Blunders That Plague Factor Investing », The Journal of Portfolio Management 45 (4): 18-36.
[8]Bailey, D.; Borwein, J.; Salehipour, A.; Lopez de Prado, M.; and Zhu, Q. (2016). « Backtest overfitting in financial markets », https://www.davidhbailey.com/dhbpapers/overfit-tools-at.pdf
[9]https://www.institutionalinvestor.com/article/b19dtzbxbgx9qb/everything-you-think-you-know-about-risk-premia-is-wrong
[10]Reid, P. and Van Der Zwan, P. (2019). « An introduction to alternative risk premia », Morgan Stanley Investment Insight. https://www.morganstanley.com/im/publication/insights/investment-insights/ii_anintroductiontoalternativeriskpremia_us.pdf
[11] Soros, G. (1998), L’alchimie de la finance, Valor Editions.
[12] Taleb, N. (2008), Le cygne noir, Les belles lettres.