Analyse de la performance d’un robot-conseiller : le cas d’Easyvest

Les robots-conseillers sont des conseillers financiers d’un nouveau genre. Ils allient les concepts connus de la finance et la technologie récente pour fournir des recommandations d’investissement sur internet. Concrètement, leurs clients répondent à un questionnaire en ligne et se voient proposer un portefeuille déterminé par un algorithme comme étant en adéquation avec leur profil. Il existe aujourd’hui une grande diversité de robots-conseillers utilisant des modèles différents. La littérature à leur sujet est par ailleurs encore peu développée. Fort des constats que (1) les robots-conseillers sont fréquemment évoqués pour leurs conseils rationnels excluant les émotions et les sentiments et que (2) les conseillers financiers sont avant tout évalués sur base de leur performance financière, nous avons décidé d’analyser la performance de ces nouveaux conseillers en prenant deux perspectives : celle de la finance comportementale et celle de la finance néoclassique. Pour ce faire, nous avons choisi d’étudier le cas d’Easyvest, un robot-conseiller belge faisant la part belle à l’investissement passif et à l’utilisation de fonds indiciels. Nous distinguons ainsi deux questions de recherche (L’approche d’Easyvest permet-elle d’éviter ou de surpasser des biais cognitifs ? et Fournit-elle une performance supérieure à celle des conseillers traditionnels ?) et utilisons deux méthodologies différentes. Dans le premier cas, nous avons préféré une approche qualitative en nous basant sur des documents internes et publics, sur des entretiens avec les fondateurs du robot-conseiller et sur nos observations. Dans le second cas, nous avons mené une analyse quantitative sur les rendements des fonds d’Easyvest sur une période de 6 ans (2011-2017). Notre étude a pu montrer que les conseils d’Easyvest sont globalement non-biaisés au sens de la finance comportementale. Nous suggérons également qu’Easyvest pourrait aller plus loin dans la prise en compte de certains concepts tels que la théorie des perspectives ou la comptabilité mentale. Ensuite, nous nous sommes intéressé à la façon dont Easyvest aide ses clients à surpasser leurs biais dans leurs décisions finales, un aspect important étant donné que ce robot-conseiller ne propose pas de gestion discrétionnaire. Nous avons conclu que l’approche générale du robot permettait à ses clients d’éviter les biais dans une large proportion mais que certains biais pouvaient subsister. Dans ces cas, le contenu en ligne s’avère utile mais la possibilité d’interaction humaine offerte par Easyvest reste primordiale. Enfin, en ce qui concerne la performance pure, notre comparaison des fonds d’Eayvest avec ceux de six grandes banques belges montre via un large panel de mesures (absolues et ajustées pour le risque) que le robot est plus performant de manière quasi systématique. En conclusion, nous avançons que nos résultats peuvent s’expliquer par l’approche mathématique et automatique d’Easyvest. Néanmoins, nous mettons en avant qu’il ne serait pas opportun de les étendre à tous les robots-conseillers compte tenu de la diversité qui existe en leur sein. Finalement, ces résultats ont un grand nombre d’implications pour les investisseurs, l’industrie financière en général et peuvent être utilisés comme la source de futures recherches.