{"id":5984,"date":"2021-06-07T07:00:15","date_gmt":"2021-06-07T05:00:15","guid":{"rendered":"http:\/\/variances.eu\/?p=5984"},"modified":"2021-06-07T07:51:33","modified_gmt":"2021-06-07T05:51:33","slug":"sculpter-lallocation-dun-portefeuille-avec-de-lia","status":"publish","type":"post","link":"https:\/\/variances.eu\/?p=5984","title":{"rendered":"Sculpter l\u2019allocation d\u2019un portefeuille avec de l\u2019IA"},"content":{"rendered":"

Coupl\u00e9s aux derni\u00e8res innovations financi\u00e8res, les progr\u00e8s de l\u2019intelligence artificielle red\u00e9finissent la construction d\u2019allocations strat\u00e9giques \u00e0 destination des \u00e9pargnants individuels. Explications.<\/strong><\/p>\n

Comme son nom le sugge\u0300re, Active Asset Allocation (AAA)<\/a><\/span><\/span> s\u2019inte\u0301resse ge\u0301ne\u0301ralement aux strate\u0301gies d\u2019allocations d\u2019actifs dynamiques. Une fois n\u2019est pas coutume, nous nous penchons aujourd\u2019hui sur la construction d\u2019allocations strate\u0301giques a\u0300 destination des e\u0301pargnants, et sur les nouvelles perspectives offertes par l\u2019intelligence artificielle en la mati\u00e8re.<\/p>\n

L\u2019approche traditionnelle confront\u00e9e \u00e0 ses propres limites<\/strong><\/h3>\n

Pour construire le portefeuille strate\u0301gique d\u2019un \u00e9pargnant, l\u2019approche traditionnelle n\u00e9cessite de d\u00e9terminer son profil de risque, puis d\u2019identifier le risque optimal du portefeuille.<\/p>\n

Formalis\u00e9e par Markowitz (1952, 1959)[1], cette approche est connue sous le nom de The\u0301orie Moderne du Portefeuille (TMP). Elle fait valoir que le risque du portefeuille (mesure\u0301 comme sa volatilite\u0301) et son rendement sont interde\u0301pendants ; le portefeuille optimal est alors celui pre\u0301sentant le meilleur rapport rendement espe\u0301re\u0301\/volatilite\u0301.<\/p>\n

Simple et polyvalente, la TMP est rapidement devenue la norme pour re\u0301soudre le proble\u0300me complexe de l\u2019optimisation d\u2019un portefeuille. Toutefois, elle pre\u0301sente plusieurs inconve\u0301nients.<\/strong><\/p>\n

Parmi eux, le besoin de formuler un certain nombre d\u2019hypothe\u0300ses concernant les rendements attendus et la variance-covariance des classes d\u2019actifs, mais \u00e9galement la sensibilite\u0301 de ses re\u0301sultats a\u0300 l\u2019ensemble de ces hypothe\u0300ses.<\/p>\n

Qui plus est, comme la TMP ne prend en compte que les rendements attendus sur un horizon donne\u0301, elle re\u0301duit le parcours d’investissement a\u0300 une simple trajectoire de point a\u0300 point. Elle ignore donc de nombreux aspects du parcours d\u2019e\u0301pargne, qui influent pourtant sur l’e\u0301volution des investissements.<\/p>\n

En voici trois exemples.<\/p>\n

De l\u2019importance du calendrier des versements et rachats<\/strong><\/em><\/h5>\n

Il est rare qu’un investisseur effectue un unique versement, suivi d’un seul rachat. En effet, les versements et les retraits sont plus souvent re\u0301alise\u0301s au fil du temps.<\/p>\n

Conside\u0301rons deux investisseurs inde\u0301pendants, \u00ab A \u00bb et \u00ab B \u00bb, investissant le me\u0302me montant de 60\u00a0000\u20ac. L\u2019investisseur \u00ab A \u00bb effectue un seul versement, tandis que l\u2019investisseur \u00ab B \u00bb re\u0301partit ses versements dans le temps, a\u0300 raison de 500\u20ac par mois sur 10 ans. \u00ab A \u00bb et \u00ab B \u00bb investissent dans le me\u0302me support, ge\u0301ne\u0301rant un rendement annuel constant de 2 %.<\/p>\n

Sur 10 ans, leurs \u00e9conomies respectives \u00e9volueraient comme suit\u00a0:<\/p>\n

\"\"

Figure 1: \u00c9volution compar\u00e9e de deux placements ayant des calendriers de versements diff\u00e9rents.<\/p><\/div>\n

M\u00eame si les deux e\u0301pargnants ont investi dans le m\u00eame actif, la manie\u0300re d\u2019effectuer leurs versements a influe\u0301 sur le re\u0301sultat. L\u2019e\u0301pargne de l\u2019investisseur \u00ab A \u00bb a en effet surpasse\u0301 celle de l\u2019investisseur \u00ab B \u00bb, ayant be\u0301ne\u0301ficie\u0301 de l\u2019effet cumulatif des rendements.<\/p>\n

Si deux investisseurs visent un me<\/strong>\u0302<\/strong>me objectif d\u2019investissement mais n\u2019entendent pas e\u0301pargner de la me\u0302me manie\u0300re, ne devrions-nous pas proposer une allocation d\u2019actifs adapte\u0301e a\u0300 chacun ?\u00a0<\/strong>Dans cet exemple, l\u2019investisseur \u00ab B \u00bb aurait eu besoin d\u2019une strate\u0301gie d\u2019investissement offrant une performance supe\u0301rieure a\u0300 celle de \u00ab A \u00bb pour arriver au me\u0302me re\u0301sultat.<\/p>\n

De l\u2019influence de la dynamique des placements<\/strong><\/em><\/h5>\n

L\u2019approche traditionnelle ne\u0301cessite d\u2019estimer le \u00ab rendement attendu \u00bb de l\u2019investissement, qui est par simplicite\u0301 suppose\u0301 constant dans le temps. En pratique cependant, de\u0300s lors que le portefeuille est expose\u0301 a\u0300 des actifs risque\u0301s, sa performance cesse d\u2019e\u0302tre line\u0301aire. Cette caracte\u0301ristique joue un ro\u0302le non ne\u0301gligeable sur le re\u0301sultat des placements.<\/p>\n

Dans l\u2019exemple suivant, nous nous plac\u0327ons sur un horizon de 19 ans, a\u0300 nouveau avec les investisseurs \u00ab A \u00bb et \u00ab B \u00bb. Contrairement a\u0300 l’exemple pre\u0301ce\u0301dent, ceux-ci ont maintenant le me\u0302me calendrier de versements : un de\u0301po\u0302t initial de 10 000\u20ac et des contributions mensuelles de 500\u20ac. L\u2019investisseur \u00ab A \u00bb a investi dans le S&P 500, de janvier 2000 a\u0300 de\u0301cembre 2018. Dans le m\u00eame temps, l\u2019investisseur \u00ab B \u00bb a investi dans un instrument e\u0301voluant de manie\u0300re r\u00e9guli\u00e8re, avec un rendement similaire a\u0300 celui du S&P 500 sur toute la pe\u0301riode. Atteignent-ils le me\u0302me montant final ? Dans ce nouvel exemple, l\u2019investisseur \u00ab A \u00bb a surperforme\u0301 l\u2019investisseur \u00ab B \u00bb, car il a subi des pertes plus to\u0302t et a profite\u0301 de la tendance a\u0300 la hausse qui a suivi.<\/p>\n

\"\"

Figure 2 : \u00c9volution compar\u00e9e de deux placements investis sur des supports diff\u00e9rents mais avec le m\u00eame rendement sur la p\u00e9riode d\u2019\u00e9pargne<\/p><\/div>\n

Gardons ce re\u0301sultat en te\u0302te et conside\u0301rons maintenant que les me\u0302mes investisseurs souhaitent effectuer des rachats pe\u0301riodiques, comme le feraient des retraite\u0301s cherchant a\u0300 comple\u0301ter leur pension de retraite. Supposons que les deux investisseurs disposent d\u2019un capital initial d\u2019un million d’euros, sur lequel ils pre\u0301voient de retirer 5 000\u20ac par mois. \u00ab A \u00bb et \u00ab B \u00bb restent investis dans les m\u00eames supports que pr\u00e9c\u00e9demment et la chronologie est inchange\u0301e.<\/p>\n

\"\"

Figure 3 : \u00c9volution compar\u00e9e de deux placements investis sur des supports diff\u00e9rents mais avec le m\u00eame rendement sur la p\u00e9riode d\u2019\u00e9pargne<\/p><\/div>\n

Contrairement au cas pre\u0301ce\u0301dent, l\u2019investisseur \u00ab A \u00bb est moins bien loti que \u00ab B \u00bb et finit par e\u0301puiser son capital bien avant l\u2019horizon fixe\u0301. La strate\u0301gie qui l\u2019avait porte\u0301 en pe\u0301riode d\u2019e\u0301pargne lui aurait cou\u0302te\u0301 tre\u0300s cher en pe\u0301riode de retraits.<\/p>\n

Parce que les trajectoires emprunt\u00e9es par les investissements ont un impact direct sur la performance, il n’est pas optimal de construire un portefeuille en r\u00e9duisant l\u2019analyse a\u0300 une trajectoire lin\u00e9aire.<\/strong><\/p>\n

De la probabilit\u00e9 d\u2019atteindre l\u2019objectif d\u2019investissement<\/strong><\/em><\/h5>\n

La construction de portefeuille par la The\u0301orie moderne du portefeuille ignore \u00e9galement la probabilite\u0301 que l’investisseur atteigne son objectif.<\/strong><\/p>\n

Inde\u0301pendamment de l’horizon d’investissement et intuitivement, si un investisseur s’approche de son objectif d’investissement, il devrait s’abstenir de prendre trop de risques. A\u0300 l\u2019inverse, s\u2019il est loin de son objectif d’investissement, seule une allocation dynamique peut lui donner une chance d’atteindre son but.<\/p>\n

Conside\u0301rons les investisseurs \u00ab A \u00bb et \u00ab B \u00bb, qui visent tous deux un capital de 10 000\u20ac. L\u2019investisseur \u00ab A \u00bb dispose aujourd\u2019hui d\u2019un capital de 9 500\u20ac, tandis que l\u2019investisseur \u00ab B \u00bb n\u2019a que 5 000\u20ac. L\u2019investisseur \u00ab A \u00bb a de meilleures chances d\u2019atteindre son objectif d\u2019investissement et pourrait s\u2019abstenir de s’exposer a\u0300 des actifs trop risque\u0301s. Au contraire, seule une exposition a\u0300 des actifs risque\u0301s pourrait donner a\u0300 l\u2019investisseur \u00ab B \u00bb une chance d\u2019atteindre son objectif d\u2019investissement, a\u0300 condition que ces actifs correspondent a\u0300 son profil de risque.\u00a0Toutefois, dans l\u2019approche conventionnelle de\u0301crite ci-dessus, les investisseurs \u00ab A \u00bb et \u00ab B \u00bb se verraient attribuer les m\u00eames portefeuilles, la probabilite\u0301 d\u2019atteindre l\u2019objectif n\u2019e\u0301tant tout simplement pas prise en compte.<\/p>\n

Ignorant le projet de l\u2019e\u0301pargnant et la re\u0301alite\u0301 de l\u2019investissement, les me\u0301thodes de construction de portefeuille actuelles sont inadapte\u0301es a\u0300 la mise en place de strate\u0301gies de placement individualise\u0301es.<\/strong><\/p>\n

Les nouvelles perspectives offertes par l\u2019Intelligence Artificielle<\/strong><\/h3>\n

Pour s\u00e9lectionner l\u2019allocation optimale au sens de l\u2019\u00e9pargnant, nous devons disposer d\u2019un crit\u00e8re objectif afin d\u2019\u00e9valuer son ad\u00e9quation \u00e0 un projet donn\u00e9. Pour ce faire, nous avons d\u00e9velopp\u00e9 une nouvelle mesure : le \u201ctaux de succ\u00e8s\u201d.<\/p>\n

Le taux de succ\u00e8s indique dans quelle mesure une allocation est adapt\u00e9e \u00e0 la r\u00e9alisation des objectifs de l\u2019investisseur, dans un large \u00e9ventail de conditions de march\u00e9. Une allocation avec un taux de succ\u00e8s \u00e9lev\u00e9 a ainsi de fortes chances d’atteindre l’objectif donn\u00e9.\u00a0<\/strong><\/p>\n

Le taux de succ\u00e8s \u00e9tant un indicateur probabiliste, il ne peut pas \u00eatre bas\u00e9 sur des donn\u00e9es historiques. C’est pourquoi, pour chaque actif potentiellement inclus dans le portefeuille, nous simulons une batterie de sc\u00e9narios, allant des plus optimistes aux plus pessimistes. Nous d\u00e9taillons la m\u00e9thodologie choisie pour g\u00e9n\u00e9rer ces simulations ainsi que leurs avantages dans notre Risk Letter – How do you make your paths?<\/em><\/p>\n

Pour une allocation donn\u00e9e et \u00e0 l\u2019aide de nos simulations d\u2019actifs, nous calculons N<\/em> \u00e9volutions possibles du capital de l\u2019investisseur. Puis, pour chaque sc\u00e9nario projet\u00e9, nous \u00e9valuons si l’investisseur sera capable d’atteindre ou non son objectif d’investissement. Le taux de succ\u00e8s correspond alors \u00e0 la proportion de sc\u00e9narios dans lesquels l’objectif d’investissement est atteint.<\/p>\n

Cette approche permet de surmonter les faiblesses de la TMP \u00e9voqu\u00e9es pr\u00e9c\u00e9demment : les flux de tr\u00e9sorerie et leur date sont pris en compte en int\u00e9grant l\u2019\u00e9ch\u00e9ancier financier de l\u2019investisseur dans les simulations, la d\u00e9pendance du parcours des investissements est prise en compte dans la m\u00e9thode de calcul du taux de succ\u00e8s et l\u2019allocation choisie d\u00e9pend de la probabilit\u00e9 qu\u2019a l\u2019investisseur d\u2019atteindre son objectif.<\/p>\n

\"\"

Figure 4 : Le taux de succ\u00e8s de l’allocation utilis\u00e9e est de 68.7 % \u00e0 horizon 10 ans pour le projet analys\u00e9<\/p><\/div>\n

En conclusion, en s\u00e9lectionnant un portefeuille en fonction de son ad\u00e9quation \u00e0 un projet donn\u00e9 plut\u00f4t qu\u2019en optimisant une m\u00e9trique \u00ab aveugle \u00bb, cette m\u00e9thode permet de construire un portefeuille v\u00e9ritablement individualis\u00e9.<\/p>\n

Apr\u00e8s avoir \u00e9tabli que le taux de succ\u00e8s r\u00e9sout le probl\u00e8me d\u2019optimisation, nous sommes maintenant confront\u00e9s \u00e0 un autre d\u00e9fi. Si nous devons par exemple classer 100 000 portefeuilles sur la base de leur taux de succ\u00e8s, et que chaque taux de succ\u00e8s n\u00e9cessite par exemple 0,1 seconde de calculs, le r\u00e9sultat nous parviendra au bout de 17 minutes seulement\u2026<\/p>\n

Or, comme nous cherchons \u00e0 s\u00e9lectionner le meilleur portefeuille en temps r\u00e9el, ce d\u00e9lai doit \u00eatre consid\u00e9rablement r\u00e9duit, sans compromettre la qualit\u00e9 des r\u00e9sultats.<\/p>\n

Faisant appel \u00e0 nos experts en Intelligence Artificielle, nous avons compar\u00e9 diverses techniques d\u2019optimisation en examinant la qualit\u00e9 de leurs r\u00e9sultats et la r\u00e9duction du temps d\u2019ex\u00e9cution qu\u2019elles permettaient. Nous avons alors choisi de \u00ab benchmarker \u00bb ces diff\u00e9rentes approches \u00e0 la plus compl\u00e8te d\u2019entre elles (mais la plus consommatrice de temps)\u00a0: la \u00ab force brute \u00bb.\u00a0Celle-ci teste une \u00e0 une toutes les allocations possibles, et mesure pour chacune leur taux de succ\u00e8s pour un objectif d\u2019investissement donn\u00e9. Cette \u00e9tude nous a conduits \u00e0 retenir un algorithme d\u2019optimisation avantageux, tant en termes de r\u00e9sultats que de r\u00e9duction du temps d\u2019ex\u00e9cution.<\/p>\n

Allocation d\u2019actifs\u00a0: Force brute vs Intelligence artificielle <\/strong><\/h3>\n

Avec l\u2019approche en force brute, de tr\u00e8s nombreuses combinaisons peuvent \u00eatre form\u00e9es, en fonction de la granularit\u00e9 des allocations avec lesquelles nous travaillons.<\/p>\n

Par exemple, 203 millions de portefeuilles diff\u00e9rents peuvent \u00eatre form\u00e9s avec 10 actifs, si le poids de chacun peut varier entre 2,5 % et 40 % par pas de 2,5 %\u00a0; et le nombre de portefeuilles possibles augmente de mani\u00e8re exponentielle, \u00e0 mesure que nous ajoutons plus d\u2019actifs ou augmentons la finesse du pas d\u2019\u00e9chantillonnage.<\/p>\n

\"\"<\/p>\n

Lorsque l\u2019on cherche \u00e0 identifier l\u2019allocation avec le meilleur le taux de succ\u00e8s possible, on identifie rapidement plusieurs maxima locaux. Il s\u2019agit l\u00e0 d\u2019un probl\u00e8me d\u2019optimisation classique, que notre algorithme de s\u00e9lection doit \u00e9viter, en cherchant le maximum global, sans tomber dans le pi\u00e8ge des maxima locaux. L\u2019algorithme d\u2019intelligence artificielle que nous avons retenu parvient-il effectivement \u00e0 trouver la meilleure solution possible en un temps r\u00e9duit\u00a0?<\/p>\n

Pour comparer les r\u00e9sultats de l\u2019algorithme d\u2019optimisation \u00e0 ceux fournis par la force brute ou par une recherche individuelle du portefeuille optimal, nous avons mis en concurrence les deux solutions. Dans les exemples suivants, ceux-ci ont pour objectif de maximiser le taux de succ\u00e8s pour deux projets d\u2019\u00e9pargne distincts, avec 10 actifs diversifi\u00e9s \u00e0 leur disposition.<\/p>\n

Exemple 1\u00a0:<\/u> Un \u00e9pargnant souhaite se constituer un capital de 250 000\u20ac \u00e0 horizon 25 ans. Pour cela, il fait un premier versement de 5 000\u20ac, puis des versements mensuels de 500\u20ac. Ci-dessous sont indiqu\u00e9s les taux de succ\u00e8s les plus \u00e9lev\u00e9s obtenus par les deux approches, o\u00f9 \u201cApproche IA<\/em>\u201d d\u00e9signe l\u2019algorithme d\u2019optimisation.<\/p>\n

\"\"<\/p>\n

* SRRI\u00a0: Synthetic Risk and Reward Indicator – en fran\u00e7ais, indicateur synth\u00e9tique de risque et de rendement, qui \u00e9value le profil de risque d\u2019un investissement et par extension le profil de risque correspondant au profil de l\u2019\u00e9pargnant.<\/p>\n

Exemple 2\u00a0:<\/u> Un \u00e9pargnant souhaite compl\u00e9ter sa retraite pendant 15 ans, par des rachats mensuels de 1 700 \u20ac. Il fait un premier versement de 10 000 \u20ac, puis des versements mensuels de 500 \u20ac pendant 20 ans.<\/p>\n

\"\"<\/p>\n

Dans les exemples ci-dessus, l\u2019approche par Intelligence Artificielle produit des r\u00e9sultats comparables, et parfois meilleurs que ceux de la force brute. M\u00eame si cette derni\u00e8re teste virtuellement toutes les combinaisons possibles (203 millions test\u00e9es en l\u2019occurrence avec un pas de 2,5 % pour les allocations de chaque actif), l\u2019IA peut converger vers de meilleurs r\u00e9sultats gr\u00e2ce \u00e0 la pond\u00e9ration plus fine qu\u2019elle attribue aux diff\u00e9rents actifs.<\/p>\n

\"\"

Figure 5 : Le graphique de droite repr\u00e9sente tout l\u2019univers de rendement vs drawdown que l\u2019algorithme d\u2019optimisation g\u00e9n\u00e9tique sous contraintes (Machine Learning) a explor\u00e9 avant de restreindre la pond\u00e9ration optimale. Toutes les pond\u00e9rations qui ne respectent pas la limite de max. drawdown et le profil de risque sont \u00e9limin\u00e9s et l\u2019algorithme se concentre uniquement sur les pond\u00e9rations acceptables. Chacune de ces pond\u00e9rations acceptables est ensuite progressivement optimis\u00e9e pour am\u00e9liorer le couple rendement\/drawdown tout en respectant la contrainte de tirage, formant ainsi la fronti\u00e8re efficiente.<\/p><\/div>\n

Notre m\u00e9thode est bas\u00e9e sur l\u2019approche multicrit\u00e8re et multi-objectifs interactive avec la recherche de la fronti\u00e8re efficiente. Elle est adapt\u00e9e a\u0300 cette probl\u00e9matique car elle ne n\u00e9cessite pas de d\u00e9finir une fonction sp\u00e9cifique.<\/p>\n

\"\"

Figure 6 : Allocation optimale identifi\u00e9e sur la fronti\u00e8re efficiente<\/p><\/div>\n

Contrairement \u00e0 l’approche par force brute, l’algorithme d’optimisation retenu r\u00e9duit son pas d’\u00e9chantillonnage \u00e0 mesure qu\u2019il converge vers la solution optimale afin de tester des pond\u00e9rations plus fines susceptibles d’accro\u00eetre la qualit\u00e9 des r\u00e9sultats.<\/strong><\/p>\n

Ces performances valident l\u2019approche retenue, \u00e0 la fois en termes de taux de succ\u00e8s et de temps d\u2019ex\u00e9cution. Alors que l\u2019approche en force brute n\u00e9cessite des heures de calculs, l\u2019algorithme d\u2019optimisation est en mesure de fournir des r\u00e9sultats comparables, voire meilleurs, en quelques secondes seulement.<\/p>\n

CONCLUSION<\/strong><\/h3>\n

La TMP sugg\u00e8re que le portefeuille optimal est celui qui maximise les rendements pour un niveau de risque donn\u00e9. Bien que ce principe soit largement utilis\u00e9 pour construire des portefeuilles d\u2019actifs financiers, il n\u2019est pas adapt\u00e9 \u00e0 la d\u00e9finition d\u2019une solution d\u2019\u00e9pargne individualis\u00e9e faute de prendre suffisamment en compte l\u2019investisseur, son projet et la r\u00e9alit\u00e9 de son parcours d\u2019\u00e9pargne.<\/p>\n

Nous avons en revanche propos\u00e9 de placer le projet de l\u2019investisseur au c\u0153ur du processus de construction de portefeuille. Gr\u00e2ce \u00e0 l\u2019Intelligence Artificielle, cette approche innovante permet en effet de s\u00e9lectionner en temps r\u00e9el l\u2019allocation donnant \u00e0 un \u00e9pargnant les meilleures chances de r\u00e9aliser un objectif pr\u00e9cis.\u00a0Encapsul\u00e9e dans un outil ergonomique \u00e0 destination des conseillers et disponible en marque blanche, cette technologie permet d\u00e8s \u00e0 pr\u00e9sent aux conseillers de proposer une exp\u00e9rience 100 % individualis\u00e9e \u00e0 leur client\u00e8le, tout en \u00e9conomisant leur temps.<\/p>\n

Au-del\u00e0 de l’\u00e9pargne individuelle, le champ d’application de la solution peut \u00e9galement \u00eatre \u00e9tendu, afin de faire b\u00e9n\u00e9ficier de cette approche des fonds institutionnels tels que ceux des fondations, mutuelles, fonds de dotation et autres.<\/p>\n

Enfin, L’IA sera de plus en plus int\u00e9gr\u00e9e \u00e0 notre technologie et transformera tous les aspects de la gestion de portefeuille, la prise de d\u00e9cision, l’optimisation du projet client pour un meilleur rendement et un risque moindre.<\/p>\n

Mots-cl\u00e9s : Allocation d\u2019actifs dynamique – optimisation de portefeuille – simulation de placements \u00e0 long terme – intelligence artificielle – maximum drawdown<\/em><\/p>\n

 <\/p>\n

* Retrouvez l\u2019int\u00e9gralit\u00e9 de ce papier de recherche \u00e9crit par les membres d\u2019AAA en suivant ce lien\u00a0: https:\/\/aaa.docs-view.com\/p\/ed5d421d81<\/span><\/span><\/a><\/em><\/p>\n

\n

[1] Markowitz H.M. (1952) : Portfolio Selection, Journal of Finance 7 77-91.
\nMarkowitz H.M. (1959) : Portfolio Selection, New York : John Wiley and Sons, Inc<\/p>\n","protected":false},"excerpt":{"rendered":"

Coupl\u00e9s aux derni\u00e8res innovations financi\u00e8res, les progr\u00e8s de l\u2019intelligence artificielle red\u00e9finissent la construction d\u2019allocations strat\u00e9giques \u00e0 destination des \u00e9pargnants individuels. Explications. Comme son nom le sugge\u0300re, Active Asset Allocation (AAA) s\u2019inte\u0301resse ge\u0301ne\u0301ralement aux strate\u0301gies d\u2019allocations d\u2019actifs dynamiques. Une fois n\u2019est pas coutume, nous nous penchons aujourd\u2019hui sur la construction d\u2019allocations strate\u0301giques a\u0300 destination des e\u0301pargnants, […]<\/p>\n","protected":false},"author":362,"featured_media":5998,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[5,164],"tags":[],"class_list":["post-5984","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-gestion-dactifs","category-intelligence-artificielle","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/5984","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/users\/362"}],"replies":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=5984"}],"version-history":[{"count":0,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/5984\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/media\/5998"}],"wp:attachment":[{"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=5984"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=5984"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=5984"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}