ESG et intelligence artificielle

L'un des problèmes les plus urgents est le manque de données ESG fiables et cohérentes. L'absence de normes de données ESG est un obstacle majeur à l'adoption accrue de l'investissement durable. En conséquence, les investisseurs sont contraints d'interpréter eux-mêmes les données non structurées, ce qui entrave l'investissement et le discrédite.
et le discrédite. L'intelligence artificielle (IA) est un meilleur moyen de relever ce défi en matière de données.
Par conséquent, dans cet article, nous répondrons aux questions suivantes: Comment l'IA peut-elle optimiser l'investissement ESG aujourd'hui?

Plusieurs thèmes environnementaux, sociaux et de gouvernance ont émergé après le Sommet de la Terre de Rio en 1992, tels que les impacts sur la biodiversité, le respect des droits de l'homme, l'éthique des affaires et bien sûr le changement climatique et la pandémie de Covid-19. Mesurer avec précision les impacts économiques et financiers associés à ces sujets nécessite d'avoir accès à des données pertinentes, ce qui peut parfois s'avérer difficile.
En effet, les informations disponibles sont souvent insuffisantes et hétérogènes. Par conséquent, la collecte et l'utilisation de ces données est un processus complexe et important qui peut être grandement facilité par l'utilisation appropriée des technologies dérivées de l'intelligence artificielle (IA).

Définition de l'intelligence artificielle (IA)

L'intelligence artificielle (IA) est un terme générique qui couvre une variété de méthodes et de technologies qui permettent aux machines d'effectuer des tâches qui relèvent généralement du domaine de l'intelligence humaine. Cela signifie que les machines peuvent effectuer des tâches automatisées (comme dans la finance,
L'intelligence artificielle (IA) est un terme générique qui couvre une variété de méthodes et de technologies qui permettent aux machines d'effectuer des tâches qui relèvent généralement du domaine de l'intelligence humaine. Cela signifie que les machines peuvent effectuer des tâches automatisées (comme dans la finance, "exclure les titres de l'investissement tant que le ratio
dette/EBITDA est supérieur à 6"), mais aussi prendre en charge des fonctions plus complexes telles que la reconnaissance vocale ou faciale ,Le développement des voitures autonomes, ou en finance, "décider de conserver les titres en portefeuille malgré le ratio créances douteuses/résultat d'exploitation total si cela a du sens", en reprenant l'exemple précédent. L'intelligence artificielle regroupe différentes techniques, notamment le "Machine Learning" (ou "processus d'apprentissage automatique"), particulièrement important dans le métier de la gestion d'actifs.L'intelligence artificielle n'est pas aussi nouvelle que les gens le pensent. Lestravaux sur ce sujet ont commencé à la fin des années 1950. Mais aujourd'hui, son utilisation est devenue une réalité du fait de l'abondance de données disponibles et accessibles ("open data"), la capacité à recueillir des informations a été renforcée parle développement de processeurs de plus en plus puissants et
plus rapides, des capacités de stockage à faible coût Croissance exponentielle,enfin grâce à la mise à disposition de logiciels « open source » (dont le code est librement disponible).

Le principe du «Machine Learning»:

L'apprentissage automatique est un sous-ensemble de l'intelligence artificielle et une branche de l'informatique et des statistiques. Il s'appuie sur des algorithmes, des programmes informatiques qui traitent de grandes quantités de données, pour permettre aux machines et/ou aux systèmes "d'apprendre" par l'expérience de manière automatisée afin d'améliorer leurs capacités de résolution de problèmes sans que les humains aient besoin de programmer explicitement pour le faire.

Les apports de l'IA dans le domaine du développement durable et de l'ESG

Elles sont multiples, mais l'une des utilisations les plus pertinentes est sans doute de « combler les lacunes », c'est-à-dire de trouver ou de construire des données manquantes. Par exemple, il est parfois difficile d'obtenir des informations détaillées sur les petites entreprises ou les entreprises non cotées, réduisant les obligations de communication ou de publication des données ESG. D'autre part, ces entreprises ne communiquent généralement que dans la langue locale et répondent à des obligations et normes locales uniques. C'est le cas en Chine, où les gestionnaires d'actifs sont souvent confrontés à peu ou pas d'informations sur ces entreprises. Pour éviter ces difficultés, des techniques de « machine Learning » peuvent être utilisées, à l'aide d'algorithmes de recherche, des informations manquantes ou à normaliser peuvent être collectées ou complétées. Ces algorithmes peuvent être mis en œuvre par des agences de notation traditionnelles ou des fournisseurs de recherche ESG, voire par des Fintechs.

En revanche, l'un des principaux avantages des technologies issues de l'intelligence artificielle est de fournir aux équipes dirigeantes une approche véritablement sur mesure. En ajustant les algorithmes, des systèmes de notation propriétaires peuvent être construits en trouvant les informations jugées les plus pertinentes et donc les plus susceptibles d'aider à générer des performances financières (appelées «alpha») ou à réduire les niveaux de risque. Place de marché ("Bêta"). Dans le cadre de l'approche d'investissement ESG, où les enjeux clés identifiés par les secteurs économiques étaient préalablement définis en interne, l'IA peut contribuer à alimenter la grille de lecture en accédant à des informations provenant de nombreuses sources, dont la plupart sont librement accessibles, notamment sur internet, enrichissant ainsi la base de données en temps réel.

Le principal apport de l'IA en termes de décisions d'investisse

Idéalement, l'IA permettra de prendre des décisions de gestion plus intelligentes. L'idée est de développer une approche ESG davantage motivée par la recherche d'opportunités d'investissement que par la simple identification des risques. En effet, laperformance boursière positive des entreprises est souvent corrélée à leur excellence en matière de stratégie ESG, mais surtout à leur
progression par rapport à ces critères (ce que nous appelons « MomentumESG » ou « dynamique ESG »). A partir deIAaurale potentiel de surpasser les approches actuelles qui sont principalement basées sur le risque ESG.

Étant donné que diverses technologies d'IA peuvent identifier plus rapidement les opportunités et les risques économiques et financiers, cela devrait également améliorer la précision et la rapidité des décisions d'investissement, augmentant ainsi l'efficacité globale. Cela signifie que l'organisation interne permet une intégration rapide de ces informations dans les processus décisionnels des managers. Une identification plus précise des opportunités et des risques financiers devrait également améliorer la qualité des décisions de gestion, souvent lors de
l'utilisation d'informations qui ne sont pas explicitement divulguées par l'entreprise, ou lorsque les informations publiques peuvent contenir des biais. Enfin, une identification plus large et plus précise des opportunités et des risques financiers devrait en fait conduire à des horizons d'investissement plus larges.

Les capacités de l'IAet les spécificités de facteurs ESG

C’est vrai quel'IA peut sans aucun doute aidermais elle ne peut pas non plus tout faire. C'est un complément très utile, mais d'autres éléments sont également nécessaires, comme la définition de normes ESG internationales, qui n'en sont encore qu'à leurs débuts.
Par exemple, les facteurs sociaux sont les plus difficiles à recueillir des données géographiquement comparables. L'IA devrait aider à évaluer les piliers sociaux de l'ESG, car même sur des métriques de base comme les accidents du travail et leur probabilité d'occurrence, les données que les entreprises communiquent sont très hétérogènes.
En appliquant ses modèles, l'IA peut réaliser un rapprochement des données entre les régions géographiques.