L'analyse comparative peut aider à démystifier les compétences et les talents des gestionnaires d'actifs, mais elle soulève des inquiétudes quant aux dissuasions d'acquérir de nouvelles informations. Des recherches antérieures ont montré qu'à mesure qu'une action devient plus référencée, les professionnels de l'investissement peuvent devenir moins intéressés par cette action, car la demande pour celle-ci devient davantage une question de couverture du risque et moins d'offre d'actifs est disponible pour que les investisseurs puissent spéculer sur les fondamentaux de l'entreprise. Selon ce point de vue, l'analyse comparative encourage la substitution de l'investissement passif à l'investissement actif.

Bo Hu, professeur adjoint de finance au Donald G. Costello College of Business de l'Université George Mason, affirme que cette vision de l'analyse comparative ne prend pas en compte de manière précise la manière dont les gestionnaires d'actifs se familiarisent avec les marchés.

"La théorie existante suppose que les gestionnaires d'actifs n'acquièrent des informations que sur un seul actif à la fois, et non sur un portefeuille", explique Hu. "Ce n'est pas la réalité. L'objectif des gestionnaires d'actifs est d'optimiser le rendement de leur portefeuille."

Son document de travail co-écrit dans le SSRN Electronic Journal illustre ce principe en modélisant et en comparant deux types distincts de technologies d’apprentissage. L'apprentissage séparatif considère chaque atout de manière isolée.

Comme l'explique Hu :« Avec l'apprentissage séparatif, l'information globale révélée par les prix est additive. Un plus un égale deux. » L'apprentissage intégratif permet aux investisseurs de traiter les signaux à l'échelle du portefeuille, obtenant ainsi un « effet d'information sur plusieurs actifs » dans lequel le marché dépasse, sur le plan informationnel, la somme de ses parties.

Les chercheurs quantifient l’efficacité informationnelle des marchés grâce à une nouvelle utilisation de la théorie de l’information. Hu explique :« Nous utilisons une mesure d'information mutuelle qui peut vous indiquer dans quelle mesure l'incertitude concernant tous les gains boursiers peut être réduite si vous observez tous les cours boursiers. Ceci est différent de la mesure standard du caractère informatif des prix, qui repose sur un modèle de régression ou peut ne capturent que les relations linéaires. À ma connaissance, nous sommes les premiers à utiliser cette mesure pour quantifier l'efficacité des prix à différents niveaux. "

Comme prévu, la relation inverse entre le niveau de référence d’un actif et son caractère informatif sur les prix s’est maintenue dans le cadre d’un apprentissage séparatif. Mais les résultats en matière d’apprentissage intégratif étaient plus nuancés. À mesure que l'incertitude entourant les rendements éventuels d'un actif augmentait (comme cela pouvait se produire au cours des premiers mois du mandat d'un PDG ou de tout autre changement majeur imminent au sein de l'entreprise), celui-ci a attiré davantage l'attention des investisseurs, en raison des effets multi-actifs susmentionnés. P>

Dans une économie multi-actifs, les chercheurs ont montré que l’analyse comparative pouvait réellement améliorer l’efficacité globale du marché. En d’autres termes, l’efficacité du marché peut être supérieure à la somme des informations sur les prix de tous les actifs. Cela se produit dans le cadre de l’apprentissage intégratif, car les investisseurs continuent d’accorder davantage d’attention aux actions à haut risque. Cependant, lorsque le niveau de référence d'un actif risqué dépasse un certain seuil, l'efficacité du marché peut diminuer car cet actif attire trop l'attention des investisseurs malgré son offre réduite.

Les chercheurs ont également étudié l’impact combiné des effets ci-dessus sur les prix des actifs non référencés. Ils ont constaté que dans le cadre d’un apprentissage séparatif, une augmentation du niveau de référence pour un titre faisait toujours augmenter le prix de l’autre. Mais avec l'apprentissage intégratif, le prix de l'actif non référencé pourrait diminuer, encore une fois, selon que l'actif référencé était plus ou moins volatil que son homologue. L'actif le moins risqué pourrait être relativement ignoré étant donné l'attention limitée des investisseurs.

"Je pense que l'on peut considérer beaucoup de choses comme des systèmes de traitement de l'information. Le marché financier est un écosystème gigantesque et complexe qui produit constamment des données et accumule des informations dispersées provenant des investisseurs. Leur technologie d'apprentissage est cruciale pour la manière dont leurs informations sont incorporées dans les prix", explique Hu. . La dynamique multi-actifs de l'apprentissage intégratif semble plus proche de ce que souhaitent les investisseurs du monde réel que la logique additive de l'apprentissage séparatif.

L'introduction de nouvelles technologies telles que de grands modèles de langage comme ChatGPT peut rendre l'apprentissage intégratif encore plus bénéfique.

"Les machines peuvent nous aider à extraire des informations utiles à un niveau cohérent avec l'objectif de gestion de portefeuille", explique Hu. "Je pense que l'apprentissage intégrateur devient plus réalisable de nos jours et semble être le meilleur choix."