Risque lié au portefeuille de l'industrie du conseiller-robot : efficacité ou coupe-file ?

Les robots-conseillers ont pris de l'importance au cours de la dernière décennie, le sous-secteur des technologies financières encourageant une participation plus active des jeunes investisseurs et des masses à l'épargne et à l'investissement. Les robots-conseillers visent à démocratiser les conseils financiers et à apporter des services de haute qualité, auparavant réservés exclusivement aux investisseurs fortunés et sophistiqués. En un mot, le robo-advising est une forme de gestion d'investissement qui externalise la stratégie de portefeuille à un algorithme. La construction et le rééquilibrage des portefeuilles sont automatisés à l'aide d'ordinateurs, offrant des solutions de gestion de patrimoine plus abordables et une réduction potentielle des erreurs humaines et des biais.

De nombreuses startups dans le domaine ont du mal à atteindre le seuil de rentabilité et à montrer la différenciation de la marque. Quelle est la meilleure façon pour les robots-conseillers de continuer à démocratiser l'investissement et à générer des bénéfices tout en transmettant les vrais risques d'un portefeuille ?

D'où vient le Robo-advising ?

Betterment et Wealthfront sont deux des robots-conseillers les plus importants, le premier étant le premier à avoir été lancé en 2008. En 2019, on estimait que le secteur avait 440 milliards de dollars d'actifs sous gestion dans le monde et, au fil du temps, les gestionnaires de patrimoine traditionnels, comme Vanguard, ont également adopté de telles techniques. Bien que complètement différent des plates-formes de négociation d'exécution uniquement, comme Robinhood, le message d'autonomisation financière des deux secteurs a été adopté par les jeunes investisseurs, qui ne s'intéressent traditionnellement à l'épargne-retraite que plus tard dans leur carrière.

L'une des principales propositions de valeur des robots-conseillers populaires est qu'ils aident les clients à comprendre les risques et les coûts associés aux portefeuilles, au lieu de se concentrer uniquement sur les rendements. Les arguments contre la gestion de patrimoine traditionnelle dirigée par un conseiller financier sont le désalignement des incitations, où des actifs coûteux et peu performants sont acheminés vers des investisseurs, qui sont incapables d'analyser objectivement les chiffres pour avoir une ligne de vue sur les performances. Pour cela, les robots-conseillers ont été les partisans de l'investissement passif, évitant les fonds coûteux à gestion active pour les fonds indiciels économiques et les fonds négociés en bourse (ETF).

Gestion des risques et Robo-conseillers

Alors que la plupart des robots-conseillers utilisent généralement la théorie moderne du portefeuille (parfois en conjonction avec d'autres méthodologies bien documentées) pour construire des portefeuilles d'investisseurs, ils utilisent différentes façons d'exprimer les niveaux de risque associés à ces portefeuilles. La plupart des professionnels de l'investissement conviennent que le risque est une considération aussi importante que le rendement dans la sélection du portefeuille. En fait, la grande majorité des praticiens continuent d'être inspirés par le cadre d'optimisation moyenne-variance illustré par la thèse de 1952 du lauréat du prix Nobel Harry Markowitz sur la sélection de portefeuille.

Cependant, le risque n'est généralement pas aussi bien compris par l'investisseur moyen que les rendements attendus. En effet, la tolérance au risque d'un individu est déterminée non seulement par ses performances passées et ses attentes rationnelles, mais également par des circonstances personnelles uniques et d'autres facteurs émotionnels tels que les espoirs et les peurs. De plus, la tolérance au risque d'un individu n'est guère une mesure statique. La plupart des individus percevraient décidément que leur tolérance au risque serait plus faible en 2020, en raison des incertitudes présentées par COVID-19, qu'à tout moment au cours de la dernière décennie. L'opportunité d'un portefeuille recommandé est évaluée par un investisseur en partie par sa propre perception du degré de risque du portefeuille. C'est pourquoi il est vital pour un robot-conseiller d'illustrer clairement le risque afin que les investisseurs puissent comprendre le risque et le relier à leur propre tolérance, objectifs et préférences émotionnelles.

Les robots-conseillers utilisent des mesures quantitatives ou qualitatives pour aider les clients à comprendre le risque. Chaque mesure a ses avantages et ses limites.

Niveaux de risque qualitatifs : croissance agressive ou élevée ?

La plupart des robots-conseillers attribuent une cote de risque qualitative en fonction de la façon dont les investisseurs répondent à une liste prédéfinie de questions psychométriques. Cela ira généralement sur une échelle numérique allant de "très conservateur" à "très agressif".

Une cote de risque qualitative présente des avantages évidents, en ce sens qu'elle permet à l'investisseur de percevoir facilement le degré de risque de divers portefeuilles les uns par rapport aux autres. Par exemple, un portefeuille auquel est attribuée une cote « Agressif » peut être intrinsèquement plus risqué qu'un portefeuille étiqueté « Conservateur ». Les questions psychométriques aident à réduire la tolérance des investisseurs aux pertes et à identifier le niveau de risque approprié.

Cependant, une notation qualitative peut ne pas fournir une compréhension claire de la variabilité attendue du portefeuille. Il n'est peut-être pas évident de savoir à quel point un portefeuille agressif est plus volatil qu'un portefeuille modéré. Très probablement, une cote de risque de 6 ne signifie pas que le portefeuille est deux fois plus risqué qu'un portefeuille noté 3. De plus, la perception du risque peut varier en fonction de la façon dont la cote de risque est verbalisée. Les investisseurs peuvent percevoir différemment un portefeuille à haut risque, selon qu'il est étiqueté « Croissance élevée » ou « Très audacieux ». Par conséquent, une telle catégorisation introduit une couche de subjectivité dans l'attractivité perçue d'un portefeuille.

Ma préoccupation avec les robots-conseillers qui mettent trop l'accent sur le risque qualitatif est que cela peut donner aux investisseurs un faux sentiment de sécurité quant à la performance continue de leurs portefeuilles. Un score de risque arbitraire dans une fourchette agressive/conservatrice peut être trop large et aboutir finalement à des décisions de planification de financement sous-optimales par des investisseurs dont les circonstances peuvent être plus complexes qu'on ne le pensait auparavant. Les préoccupations concernant les risques trop simplifiés se retrouvent dans les appels réglementaires concernant les conseillers-robots se livrant à des ventes abusives systémiques, les investisseurs ne comprenant pas la véritable nature du produit.

L'adoption accrue de mesures de risque quantitatives institutionnelles (utilisées par les banques, les fonds et les family offices) avec l'éducation des clients pourrait être la clé de la prochaine étape du robo-advising. Cela pourrait vraiment faire avancer l'industrie et correspondre aux mouvements nationaux pour une meilleure éducation à la littératie financière.

Mesures quantitatives du risque pour les portefeuilles de placement

Maîtriser la volatilité : valeur à risque

La valeur à risque, ou VaR, est la mesure la plus populaire de la volatilité d'un portefeuille. En termes simples, la VaR est une mesure des pertes minimales attendues sous la forme d'un certain niveau de probabilité (également appelé niveau de confiance ou centile). Par exemple, si la VaR à 99 % d'un portefeuille est de 12 %, cela signifie qu'il y a 99 % de chances que les pertes du portefeuille ne dépassent pas 12 % au cours d'une période donnée. En d'autres termes, il y a 1 % de chance que les pertes du portefeuille soient supérieures à 12 %. La VaR est déjà appliquée par certains robots-conseillers, un exemple d'utilisation étant celui de StashAway de Singapour, qui marque une ligne directrice de 99 % dans une mesure appelée « indice de risque ».

La VaR peut être calculée selon différentes méthodes. La méthode historique trie les rendements historiques d'un portefeuille par ordre de grandeur et identifie le rendement observé à un certain centile (généralement 95 % ou 99 %). La méthode de la variance-covariance suppose que les rendements sont normalement distribués et utilise l'écart type du portefeuille pour estimer où se situeront les pires rendements de 5 % ou 1 % sur la courbe en cloche. La VaR peut également être estimée à l'aide de la simulation de Monte Carlo, qui génère les pires rendements de 5 % ou 1 % sur la base de résultats probabilistes.

La popularité de la VaR vient du fait qu'elle permet à un investisseur de comprendre facilement la variabilité d'un portefeuille et de la relier à sa tolérance personnelle aux pertes. Cependant, nous pouvons obtenir des résultats différents selon les entrées et la méthodologie utilisée pour calculer la VaR, affectant la fiabilité de la mesure. De plus, la VaR repose fortement sur de nombreuses hypothèses, telles que des rendements normalement distribués et alignés sur les rendements historiques. Enfin, une VaR à 99% de 12% (décrite ci-dessus) n'informe pas l'investisseur sur le montant des pertes auxquelles il peut s'attendre dans le pire des cas.

Les diverses mises en garde derrière la VaR peuvent limiter son importance dans les plateformes de conseil robotique, car elle est considérée comme une métrique compliquée à comprendre pour les utilisateurs. L'exemple de StashAway en le transformant en une métrique plus digeste montre comment ces barrières peuvent être brisées de manière plus convaincante.

Valeur à risque conditionnelle

Pour combler l'une des lacunes de la VaR, la valeur à risque conditionnelle, ou CVaR, fournit la perte attendue à un investisseur dans le pire des cas. À un niveau de confiance de 99 %, la CVaR est calculée comme les rendements moyens du portefeuille dans les 1 % les plus défavorables des scénarios. La CVaR est estimée à l'aide de méthodes similaires à la VaR. Bien qu'il puisse aider à donner une image plus claire du pire scénario par rapport à la VaR, il peut souffrir de lacunes similaires en raison des hypothèses et des méthodologies utilisées dans l'estimation.

Les déconnexions du marché de 2020 ont tendance à déchirer les schémas de distribution normaux, démontrant que l'ajout de mesures de risque de portefeuille plus « tridimensionnelles », comme CVar, peut être avantageux. En conjonction avec la mesure VaR standard, les données CVaR amélioreraient les offres de gestion des risques d'un conseiller-robot et seraient bien adaptées, étant donné que la majorité des actifs-robots sont des fonds indiciels (paniers d'actions).

Les meilleurs et les pires retours

Les meilleurs et les pires rendements concernent les rendements périodiques glissants d'un titre ou d'un portefeuille sur un horizon temporel donné. Le rendement peut être calculé sur une base quotidienne, mensuelle ou annuelle, selon l'horizon temporel de l'investisseur. La période est généralement déterminée par la disponibilité des données, mais elle peut avoir un impact sur les meilleurs et les pires rendements observés si nous n'utilisons pas un horizon temporel suffisamment long.

Meilleurs et pires rendements des actifs américains : 1973-2016

La mesure utilise les rendements historiques pour donner aux investisseurs une indication des meilleurs et des pires scénarios. Un avantage évident est que, contrairement à la VaR, elle fait la distinction entre les rendements positifs et négatifs, au lieu de supposer une distribution normale. Les investisseurs ont tendance à ne pas se soucier de la volatilité positive et s'inquiètent surtout des risques de baisse absolue. De plus, contrairement à la CVaR, il affiche les pires rendements absolus observés au lieu de prendre une moyenne des rendements, ce qui peut sous-estimer le scénario le plus défavorable. Cependant, comme d'autres mesures quantitatives, cela a tendance à être rétrospectif et dépend également de l'ensemble de données des résultats observés.

Les mesures de risque du meilleur et du pire rendement sont bien adaptées aux plateformes de robots-conseillers car elles communiquent clairement avec les investisseurs sans s'appuyer sur des ratios financiers intimidants. L'un de ces risques, cependant, est qu'ils peuvent jouer sur des biais irrationnels et encourager la vente de panique sur un marché en baisse ou s'accrocher obstinément aux perdants.

Mesurer soi-même le risque quantitatif

Voyons comment la VaR, la CVaR et les meilleurs et pires rendements peuvent être calculés pour un portefeuille à un seul actif. L'actif pris en considération est SPY, qui est un ETF qui suit les actions américaines à grande capitalisation.

Les données utilisées pour les calculs ci-dessous concernent la valeur liquidative et les rendements mensuels de SPY de juillet 2007 à juin 2020. Les calculs peuvent être effectués à l'aide des fonctions Excel ou Google Sheets.

VaR - 11,8 % La VaR implique que la probabilité que SPY perde plus de 11,8 % au cours d'un mois donné est de 1 %. En d'autres termes, SPY a fourni de meilleurs rendements mensuels qu'une perte de 11,8 % pendant 99 % des mois. Étapes (Google Sheets/Excel) :

1. Calculez les rendements mensuels historiques à partir des données sur le cours de l'action/la valeur liquidative.
2. Utilisez la fonction PERCENTILE.INC en utilisant le tableau des rendements historiques et le centile souhaité (par exemple, 1 % pour un intervalle de 99 %) comme entrées.

CVaR - 14,5 % CVaR implique que la perte mensuelle attendue en SPY pendant les 1 % de pires résultats est de 14,5 %. Cela peut être déterminé dans Google Sheets/Excel en utilisant la fonction AVERAGEIF pour calculer la moyenne des rendements inférieurs au résultat VaR.

Meilleurs et pires rendements - Comme le montre le tableau, les meilleurs et les pires rendements mensuels observés dans SPY au cours de la période 2007-2020 étaient de +13 % et -16 % respectivement. Ceux-ci peuvent être calculés rapidement à l'aide des fonctions MIN et MAX .

Comme mentionné, il est important de noter que ces mesures peuvent donner des valeurs différentes, selon la méthode ainsi que la période d'observation. Le choix de la méthodologie et de la période doit être basé sur des facteurs tels que la disponibilité des données, l'horizon d'investissement prévu et le jugement personnel.

Différenciation par des mesures quantitatives

Le fondement de la gestion de patrimoine traditionnelle consiste à adapter les portefeuilles aux besoins individuels, que ce soit sur la durée, l'éthique, l'appétit pour le risque et les besoins basés sur le revenu ; pour cela, chaque approche est sur mesure. Ce qui rend le robo-advising attrayant, c'est la façon dont ses méthodes automatisées peuvent fonctionner sur de nombreuses bases de clients.

Cependant, les conseillers-robots doivent aider les clients à comprendre clairement les compromis risque-rendement de leurs offres de portefeuille afin qu'ils puissent choisir les bons portefeuilles qui répondent à leurs besoins personnels. Les mesures de risque qualitatives sont une « montée en puissance » facile à comprendre pour le conseil robotisé, mais avec le temps, leurs paramètres peuvent devenir redondants. Cependant, lorsqu'elles sont utilisées conjointement avec les mesures de risque quantitatives décrites ici, elles aident à fournir des directives de gestion des risques plus holistiques et une sensibilisation à la performance du portefeuille.