L’investissement factoriel promettait d’apporter une précision scientifique aux marchés en expliquant pourquoi certaines actions surperforment. Pourtant, après des années de résultats décevants, les chercheurs découvrent que le problème ne vient peut-être pas du tout des données ; c’est la façon dont les modèles sont construits. Une nouvelle étude suggère que de nombreux modèles factoriels confondent corrélation et causalité, créant ainsi un « mirage factoriel ».
L’investissement factoriel est né d’une idée élégante : les marchés récompensent l’exposition à certains risques non diversifiables – valeur, dynamique, qualité, taille – qui expliquent pourquoi certains actifs surperforment d’autres. Des milliards de {dollars} ont depuis été alloués à des produits construits sur ce principe.
Les données racontent une histoire qui donne à réfléchir. L’indice Bloomberg-Goldman Sachs US Fairness Multi-Issue Index, qui swimsuit la efficiency long-short des primes de type classique, a généré un ratio de Sharpe de seulement 0,17 depuis 2007 (t-stat=0,69, p-value=0,25), statistiquement unimaginable à distinguer de zéro avant coûts. En termes simples : l’investissement factoriel n’a pas apporté de valeur aux investisseurs. Pour les gestionnaires de fonds qui ont construit des produits autour de ces modèles, ce déficit se traduit par des années de sous-performance et de perte de confiance.
Pourquoi les backtests induisent en erreur
L’explication conventionnelle blâme le surajustement du backtest ou le « p-hacking » – les chercheurs extraient le bruit jusqu’à ce qu’il ressemble à de l’alpha. Cette explication est correcte mais incomplète. Une recherche récente de l’ADIA Lab publiée par la CFA Institute Analysis Basis identifie un défaut plus profond : une spécification erronée systématique.
La plupart des modèles factoriels sont développés selon un canon économétrique – régressions linéaires, assessments de signification, estimateurs à deux passes – qui confond affiliation et causalité. Les manuels économétriques enseignent aux étudiants que les régressions doivent inclure toute variable associée aux rendements, quel que soit le rôle que joue la variable dans le mécanisme causal.
Il s’agit d’une erreur méthodologique. L’inclusion d’un collisionneur (une variable influencée à la fois par le facteur et les rendements) et/ou l’exclusion d’un facteur de confusion (une variable qui affect à la fois le facteur et les rendements) biaise les estimations des coefficients.
Ce biais peut inverser le signe du coefficient d’un facteur. Les investisseurs achètent alors des titres qu’ils auraient dû vendre, et vice versa. Même si toutes les primes de risque sont stables et correctement estimées, un modèle mal spécifié peut produire des pertes systématiques.
Le facteur Mirage
Le « zoo des facteurs » est un phénomène bien connu : des centaines d’anomalies publiées qui échouent hors échantillon. Les chercheurs de l’ADIA Lab pointent du doigt un problème plus subtil et plus dangereux : le « mirage du facteur ». Elle ne résulte pas de l’exploration de données mais de modèles mal spécifiés, bien qu’ils aient été développés selon les canons économétriques enseignés dans les manuels scolaires.
Les modèles avec collisionneurs sont particulièrement préoccupants, automotive ils présentent un R² plus élevé et souvent aussi des valeurs p inférieures à celles correctement spécifiées. Le canon économétrique favorise ces modèles mal spécifiés, confondant un meilleur ajustement avec l’exactitude.
Dans un modèle factoriel avec collisionneur, la valeur du retour est définie avant la valeur du collisionneur. En conséquence, l’affiliation plus forte dérivée du collisionneur ne peut pas être monétisée. Les bénéfices promis par ces articles universitaires ne sont qu’un mirage. En pratique, cette erreur méthodologique a des conséquences qui se chiffrent en milliards de {dollars}.
Par exemple, considérons deux chercheurs estimant un facteur de qualité. L’un des chercheurs contrôle la rentabilité, l’effet de levier et la taille ; l’autre ajoute le rendement des capitaux propres, une variable influencée à la fois par la rentabilité (le facteur) et la efficiency des actions (le résultat).
En incluant un collisionneur, le deuxième chercheur crée un lien fallacieux : une qualité élevée est désormais en corrélation avec des rendements passés élevés. Lors d’un backtest, le deuxième modèle semble supérieur. Dans le buying and selling en direct, la state of affairs s’inverse, le backtest est une phantasm statistique qui draine discrètement le capital. Pour les gestionnaires individuels, ces erreurs peuvent discrètement éroder les rendements ; pour les marchés dans leur ensemble, ils faussent l’allocation du capital et créent des inefficacités à l’échelle mondiale.
Quand une spécification erronée devient un risque systémique
Une mauvaise spécification du modèle a de multiples conséquences.
Mauvaise allocation du capital : des milliards de {dollars} sont dirigés par des modèles qui confondent affiliation et causalité, une erreur statistique aux conséquences financières énormes. Corrélation cachée : les portefeuilles construits sur des facteurs similaires mal spécifiés partagent les expositions, augmentant ainsi la fragilité systémique. Érosion de la confiance : chaque backtest qui échoue lors d’un buying and selling en direct mine la confiance des investisseurs dans les méthodes quantitatives dans leur ensemble.
Les travaux récents d’ADIA Lab vont plus loin : ils montrent qu’aucun portefeuille ne peut être efficace sans modèles de facteurs causals. Si les facteurs sous-jacents sont mal spécifiés, même des estimations parfaites des moyennes et des covariances donneront lieu à des portefeuilles sous-optimaux. Cela signifie que l’investissement n’est pas simplement un problème de prédiction, et que l’ajout de complexité n’améliore pas le modèle.
Que peuvent faire les investisseurs différemment ?
La state of affairs difficile de l’investissement factoriel ne sera pas résolue avec davantage de données ou des méthodes plus complexes. Ce qui est le plus nécessaire, c’est le raisonnement causal. L’inférence causale suggest des étapes pratiques que chaque allocateur peut appliquer dès maintenant :
Exigez une justification causale. Avant d’accepter un modèle, demandez-vous : les auteurs ont-ils déclaré le mécanisme causal ? Le graphique causal correspond-il à notre compréhension du monde ? Le graphique causal est-il cohérent avec les preuves empiriques ? Les contrôles choisis sont-ils suffisants pour éliminer les biais de confusion ? Identifiez les facteurs de confusion et évitez les collisionneurs. Les facteurs de confusion doivent être contrôlés ; les collisionneurs ne devraient pas le faire. Sans graphique causal, les chercheurs ne peuvent pas faire la différence. Les outils de découverte causale peuvent aider à affiner l’ensemble des graphiques causals cohérents avec les données. Le pouvoir explicatif est trompeur. Un modèle qui explique moins de variance mais s’aligne sur une construction causale believable est plus fiable qu’un modèle avec un R² éblouissant. En pratique, une affiliation plus forte ne signifie pas une plus grande rentabilité. Testez la stabilité causale. Un facteur causal devrait rester significatif quel que soit le régime. Si une « prime » change de signe après chaque crise, le coupable est probablement une mauvaise spécification, et non une rémunération changeante du risque.
De l’affiliation à la compréhension
La finance n’est pas seule dans cette transition. La médecine est passée de la corrélation à la causalité il y a plusieurs décennies, transformant les conjectures en traitements fondés sur des preuves. L’épidémiologie, l’analyse politique et l’apprentissage automatique ont tous adopté le raisonnement causal. C’est désormais au tour de la finance.
Le however n’est pas la pureté scientifique ; c’est une fiabilité pratique. Un modèle causal identifie les véritables sources de risque et de rendement, permettant aux investisseurs d’allouer efficacement le capital et d’expliquer la efficiency de manière crédible.
La voie à suivre
Pour les investisseurs, ce changement est plus qu’académique. Il s’agit d’élaborer des stratégies qui résistent au monde réel – des modèles qui expliquent pourquoi elles fonctionnent, et pas seulement qu’elles fonctionnent. À l’ère de l’abondance de données, la compréhension des causes et des effets est peut-être le seul véritable avantage qui reste.
L’investissement factoriel peut encore remplir sa promesse scientifique initiale, mais seulement s’il laisse derrière lui les habitudes qui ont conduit au mirage factoriel. La prochaine génération de recherche en investissement doit être reconstruite sur des bases causales :
Déclarez des graphiques causals, basés sur une combinaison d’experience de domaine et de méthodes de découverte causale. Justifiez chaque inclusion de variable avec une logique économique, cohérente avec le graphique causal et l’utility des règles de calcul. Évaluez les stratégies à l’aide d’un raisonnement contrefactuel : quels auraient été les rendements si les expositions avaient été différentes ? Surveiller les ruptures structurelles dans la relation causale : une fois que la rupture apparaît dans la efficiency, il est déjà trop tard. Aujourd’hui, les marchés regorgent de données mais manquent de compréhension. L’apprentissage automatique peut cartographier les associations entre des hundreds of thousands de variables, mais sans causalité, il conduit à de fausses découvertes. Le véritable avantage à l’ère de l’IA ne viendra pas de jeux de données plus volumineux ou d’algorithmes plus complexes, mais de meilleurs modèles causals qui attribuent avec précision les rendements à leurs véritables causes.
Si l’investissement factoriel veut regagner la confiance des investisseurs, il doit évoluer de la description phénoménologique des modèles vers leur explication causale, en déplaçant l’accent de la corrélation vers la causalité. Ce changement marquera le second où l’investissement quantitatif deviendra non seulement systématique, mais véritablement scientifique.
Adapté de « Causality and Issue Investing : A Primer », de Marcos López de Prado et Vincent Zoonekynd.
