FRANKLIN TEMPLETON MULTI-ASSET SOLUTIONS
Dans ce numéro
L'investissement obligataire a connu une évolution radicale cette dernière décennie. En laissant de côté certaines doctrines de la gestion active et grâce à l'adoption de nouvelles echnologies et techniques quantitatives, certains gérants sont mieux équipés à nos yeux pour développer une connaissance unique et obtenir des rendements excédentaires pour leurs clients. Plusieurs professionnels de l'investissement ont cependant formulé cette transformation sous la forme d'un choix binaire relevant d'une confrontation entre une approche quantitative éclairée et une gestion active « traditionnelle » dépassée, empesée dans les lois économiques fondamentales des marchés financiers. Nous estimons que ce débat entre quantitatif et actif pose une fausse dichotomie. Nous expliquons dans cet article en quoi notre approche active de connaissances obtenues de sources quantitatives distingue notre processus d'investissement « acti-quant ».
- Nous expliquons d'abord les origines de l'investissement factoriel et l'apparition des techniques de machine learning qui viennent bousculer l'ordre établi de la gestion de portefeuilles obligataires.
- Nous évoquons la recherche macroéconomique top-down et décrivons comment utiliser les algorithmes de machine learning pour introduire de l'objectivité et de la rigueur dans le processus d'estimation du prix des actifs dans un univers obligataire multisectoriel.
- Nous explorons le processus bottom-up de sélection des titres en comparant les méthodes factorielles qui s'appuient sur les moteurs de surperformance quantifiables à l'analyse crédit traditionnelle. Nous expliquons pourquoi la recherche crédit reste un élément critique du processus d'évaluation des primes de risque (à savoir le dépassement de la prévision de résultat par rapport au taux sans risque).