La perception de l’apprentissage automatique (ML) comme une “boîte noire” a longtemps constitué un obstacle majeur à son acceptation dans le secteur de la finance institutionnelle. Des chercheurs de Robeco, parmi lesquels Matthias Hanauer, Tobias Hoogteijling et Vera Roersma, remettent en question cette idée dans un récent livre blanc. Ils soutiennent que la complexité des modèles de ML ne se traduit pas nécessairement par une opacité. En utilisant des techniques d’interprétation telles que les valeurs SHAP, les graphiques ICE et les scores d’importance des caractéristiques, ainsi que des outils propriétaires, les auteurs démontrent comment comprendre les relations entre les entrées et les sorties ainsi que l’attribution de performance des stratégies d’investissement basées sur le ML. Cette approche transforme la boîte noire métaphorique en une boîte “transparente” ou “cristalline”, offrant une clarté sur l’influence du ML sur la construction de portefeuilles et les rendements.
Ce document se distingue par sa capacité à relier théorie et pratique, illustrant comment les outils d’interprétation sont appliqués directement aux décisions de portefeuille et comment les stratégies sont adaptées aux priorités de la gestion d’actifs. Il met l’accent sur la transparence et l’utilisation responsable du ML dans les stratégies de production, renforçant ainsi la confiance des comités d’investissement et des régulateurs. Cependant, le document pourrait bénéficier d’une analyse méthodologique plus approfondie et d’une discussion élargie sur la performance des outils d’interprétation dans différents régimes de données financières. Dans l’ensemble, ce travail marque un tournant dans l’investissement quantitatif, où l’explicabilité, la connaissance du domaine et le pouvoir prédictif sont considérés comme des éléments complémentaires de la conception réussie d’une stratégie.
