Neda Saiah
La symbiose entre l’intelligence artificielle et l’investissement ESG au sein des marchés émergents
Il est crucial pour les investisseurs de se renseigner sur les investissements ESG. Afin de prendre des décisions plus éclairées sur les risques et les opportunités présentés par les questions de durabilité (telles que la transition de l’industrie vers une économie nette zéro), les investisseurs durables s’appuient sur les données ESG mais sont confrontés à de multiples défis. Après tout, les données sont la pierre angulaire du bon fonctionnement des marchés financiers. Cependant, nous ne pouvons pas nier le fait qu’il existe des lacunes, des problèmes de disponibilité et des inexactitudes dans les données ESG. Pendant ce temps, les données ESG prolifèrent. En effet, de plus en plus d’entreprises rapportent des données et des sources alternatives de données deviennent de plus en plus disponibles via entre autres des forums, des plateformes de médias sociaux et des conférences téléphoniques. Cet article explorera comment les investisseurs peuvent utiliser l’IA pour naviguer dans ce domaine et prendre des décisions plus éclairées.
Aujourd’hui, il n’y a plus de débat sur l’intégration de l’ESG dans les stratégies d’investissement générant des rendements significatifs. Selon le marché choisi et la manière dont les investisseurs intègrent l’ESG, la demande en stratégies ESG évolue. Cela étant dit, cela ne signifie pas que la question des données ESG est un problème résolu en soi, car lorsque vous essayez d’intégrer au mieux l’ESG à vos investissements, cela reste difficile pour de multiples raisons telles que la couverture des entreprises et fournisseurs de données. C’est la raison principale pour laquelle nous avons vu que les produits libellés ESG dans les marchés émergents représentent des parts de marché relativement faibles du total de cette classe d’actifs. Cependant, c’est un bon moment pour que cela change radicalement. En effet, la part relative des produits ESG sur les marchés d’actions et d’obligations devrait prospérer dans les marchés émergents dans les années à venir. D’où la forte volonté des investisseurs d’intégrer des données ESG de meilleure qualité au sein des classes d’actifs émergentes, car c’est là que l’on pense générer le maximum d’impact. Par conséquent, le véritable besoin actuel est que les données soient de moins en moins rétrospectives, et plutôt plus prospectives, ce qui est crucial lorsqu’une décision est nécessaire pour un investissement futur dans un futur marché émergent. Le dernier élément qui va affecter massivement le type de données sera l’impact de la réglementation. Maintenant, la question principale est « Comment pouvons-nous créer des données ESG beaucoup plus prospectives et facilement accessibles ? » Comme les données ESG sont le carburant des investissements dans les stratégies ESG, il est prévu que les données ESG deviendront un bien public commun. Pour créer ce type d’offre, les entités publiques sont nécessaires pour aider à sa création et aborder de nouvelles façons de collecter les données et de les mettre à la disposition des investisseurs, d’où l’intérêt d’exploiter les technologies d’IA. Avant de couvrir les applications de l’IA sur le traitement des données ESG, il est important de comprendre les différentes terminologies qui seront employées dans les sections suivantes de l’article :
Figure 1: Revue de la terminologie en Intelligence artificielle
L’IA en action : utiliser le traitement du langage naturel (NLP) pour déverrouiller les données ESG
Les problèmes de qualité des données et de divulgation des données de durabilité restent à résoudre, mais surtout, ce sont les sources non structurées de données ESG qui sont sous-utilisées en raison de la complexité de leur interprétation. Les algorithmes de Machine Learning sont la clé de ces problématiques. Cela peut aider à analyser les informations à grande échelle et fournir des informations. En particulier, l’utilisation du « traitement automatique du langage naturel » et de « l’analyse assistée par ordinateur de textes non structurés » est mise à profit pour former des modèles et stocker des données afin de lire des textes techniques tout en gardant à l’esprit l’identification des risques environnementaux, sociaux et de gouvernance afin d’effectuer des analyses de sentiments. Ainsi, il indique si un terme de risque apparaît dans le texte de manière positive, neutre ou négative. Aujourd’hui, les modèles sont capables d’analyser toutes ces métriques avec une précision de 87%, ce qui est une bonne performance par rapport aux standards de l’industrie. Les principaux constats à tirer de ces modèles sont :
- Problèmes avec le plus grand sentiment négatif
- Initiative positive lorsqu’il est temps de se concentrer sur les opportunités de transition
Maintenant, pourquoi tout cela est-il important ? Prenons par exemple le mot « fatalité ». Il pourrait automatiquement être associé à un contexte négatif et les analystes pourraient sauter rapidement aux conclusions. Cependant, les analystes pourraient passer à côté d’une négation et où il n’y avait justement aucune fatalité. Au même rythme, le traitement du langage naturel ne commettra pas la même erreur qu’un humain pourrait faire face à une quantité massive d’informations.
Figure 2: Traitement automatique du langage naturel appliqué aux données ESG
La prise de décision peut être assez difficile à comprendre ici. Si ces modèles sont censés avoir un impact, il est essentiel qu’ils soient dignes de confiance et qu’ils soient efficaces. La création d’une fonctionnalité explicative est importante, ainsi que le suivi, la gestion et la transparence concernant le biais des données et la performance du modèle. Aujourd’hui, il est difficile de prédire l’impact potentiel du partage de données et de trouver des moyens d’utiliser l’IA pour étendre les analyses. Il est donc important de rechercher des moyens de tirer profit de la science des données afin de soutenir l’investissement.
Pourquoi les marchés émergents souffrent-ils plus particulièrement des lacunes des données que les marchés développés ?
Nous sommes principalement confrontés à un problème de couverture lorsque nous essayons de tirer parti des données de durabilité des marchés émergents. En effet, lorsqu’ils ne sont pas couverts par de plus grandes institutions de fournisseurs de données, c’est un défi supplémentaire pour les analystes d’extraire des informations et de prédire leur prochain mouvement avec ou sans modèles d’IA. Cependant, l’IA a le potentiel de rassembler différentes sources d’informations pour combler cette lacune. De plus, cet écart reflète fortement la structure de l’industrie qui est extrêmement centrée sur l’Amérique et l’Europe. Jusqu’à présent, il y a peu ou pas de gestionnaires d’actifs dans les pays émergents, de sorte que la plupart des CAPEX concernant les développements ESG dans le passé ont été réalisés dans les principaux marchés où se trouve l’industrie. La bonne chose est que cette tendance va probablement changer, car nous voyons de plus en plus d’acteurs financiers majeurs dans les pays émergents développer et déployer leurs propres stratégies d’IA pour répondre aux questions ESG sur leurs propres marchés.
Comment ces techniques d’Intelligence artificielle peuvent-elles mettre à profit les données ESG ?
Aujourd’hui, il est important de développer des modèles qui interpréteront les données ESG actuellement disponibles, mais aussi des modèles qui créeront les données nécessaires pour combler les trous et résoudre ce problème de qualité dont nous avons parlé tout au long de cet article. L’objectif est de rassembler toutes les sources d’informations non conventionnelles et de traiter des informations ESG de bonne qualité.
À l’heure actuelle, les données disponibles aujourd’hui, plus particulièrement les données climatiques, sont méconnaissables par rapport au point où nous étions il y a 2 ans. Nous pouvons donc prédire que d’ici 2 ans, la disponibilité aura complètement changé une fois de plus. L’IA et les techniques d’investissement quantitatives en général ont un rôle important à jouer pour aider les investisseurs à gérer la nature de ce point d’inflexion. Aujourd’hui, une large gamme d’ensembles de données durables est disponible, allant des données hautement structurées rapportées par une entreprise et des enquêtes menées par des professionnels à des ensembles de données non structurés basés sur l’imagerie satellitaire et diverse source de texte. Mais même au sein de ces catégories (structurées ou non structurées), les intrants bruts ne sont pas d’accord, racontent des histoires différentes, comme la quantité de carbone émise par l’entreprise X. Et donc, les techniques d’IA aident à articuler et à naviguer au travers de ces incohérences. L’objectif est de savoir quelles sources d’informations sont plus appropriées pour concentrer ses recherches et quelles sources peuvent être combinées et améliorer la collecte d’information tout en étant de bonne qualité.
D’autre part, les techniques NLP peuvent aider à identifier de nouvelles informations ESG qui étaient autrefois considérées comme des données simples. Il est important de comprendre la façon dont les entreprises parlent de durabilité et de croiser cette dernière avec des données non textuelles pour comprendre ce que font réellement les entreprises (discours, médias sociaux, etc.). L’objectif principal est de rechercher des opportunités où il existe des accords et des désaccords entre ces deux types d’informations via le traitement du langage naturel.
Exemples sur la façon dont les entreprises utilisent l’Intelligence artificielle pour mieux comprendre les enjeux ESG
Imapact Cubed
Fournissant des analyses ESG et des solutions d’investissement pour créer des portefeuilles plus durables avec un plus grand impact, Impact Cubed utilise des technologies pour rechercher, récolter et nettoyer des données ainsi que pour créer des analyses basées sur de grands ensembles de données déjà récoltés. La technologie leur permet de fournir une couverture à la demande de toutes les actions listées au niveau mondial. Un domaine particulier qui a été exploité par les technologies de pointe concerne les problèmes de dette souveraine dans les marchés émergents. En regardant leurs scores ESG, il y a un net biais de richesse pour les pays comme la Norvège ou la Suède par exemple. Certes, il y a d’autres pays émergents qui investissent, mais peut-être ont-ils commencé à un niveau inférieur et ont un long chemin à parcourir pour rattraper leur dette souveraine. Ainsi, afin d’évaluer les véritables scores ESG de ces investissements, Impact Cubed a développé un quantum qui a récolté une quantité massive de données filtrant sur une durée de 20 ans et ayant une étendue de 190 pays et de 29 facteurs ESG pour créer une série appliquée d’algorithmes transformant les données qui décrivent le taux de variation attendu pour tout niveau de dette souveraine pour chaque pays. Désormais, les investisseurs obligataires ont une manière beaucoup plus différenciée et nuancée d’envisager l’ESG dans les marchés émergents, et un plus grand panier de pays émergents à prendre en compte dans leur portefeuille. Par exemple, certains pays du Moyen-Orient avancent à un rythme beaucoup plus rapide sur ces voies en matière d’égalité des sexes que ce que montrerait un score ESG conventionnel.
AMUNDI
Amundi se concentre sur des besoins spécifiques qui ne sont pas encore nécessairement couverts par des solutions publicisées. En utilisant la technique NLP, ils souhaitent collecter des informations, par exemple sur les engagements des entreprises ou bien leurs plans d’élimination du charbon. Il est assez compliqué de collecter ce type d’informations. Même si cela peut sembler simple, il n’y a pour l’instant rien de vraiment bien structuré de la part des entreprises. Alors, Amundi développe des techniques pour faire gagner du temps à ses analystes. Au lieu de se focaliser sur la collecte des données, ils sont davantage orientés vers le processus d’analyse et tentent d’atteindre leurs engagements promis sur la décarbonation des portefeuilles tout en consacrant du temps à l’éducation des entreprises dans l’objectif de faire parler les données d’une tout autre manière.
En conclusion, l’investissement ESG gagne de plus en plus en popularité auprès des investisseurs et engage un fort appel à la disponibilité de données financières ESG pour évaluer les risques et améliorer leurs décisions d’investissement. Jusqu’à aujourd’hui, il était nécessaire de fournir des données ESG meilleures et plus rapides pour aider les investisseurs à élaborer des stratégies d’investissement solides. Les technologies d’intelligence artificielle (IA), telles que l’apprentissage automatique et la technique NLP, émergent dans la pratique financière, et il est important que les investisseurs comprennent comment aborder ces technologies et interpréter les données ESG pour une meilleure utilisation.
Références
https://www.spglobal.com/en/research-insights/articles/how-can-ai-help-esg-investing
https://www.impact-cubed.com/newsandpublications
https://www.weareworldquant.com/en/thought-leadership/using-ai-to-tackle-the-esg-data-challenge/
https://www.spglobal.com/en/research-insights/articles/how-can-ai-help-esg-investing