Research

At RAM AI, we have developed a deep learning framework to forecast stock returns based on a wide array of time-series inputs. This paper illustrates how shorter-term strategies have attractive standalone characteristics and benefit lower-frequency books.  Read full paper here.

Les bénéfices qu'une entreprise génère peuvent être distribués à ses actionnaires sous forme de dividendes/rachats d'actions, rembourser une partie de sa dette ou être utilisés pour investir. Une entreprise investit dans sa croissance organique future soit par la recherche et le développement (R&D), soit par des dépenses en capital (Capex). Dans un précédent document de recherche, nous avions étudié l'effet des annonces de Capex sur les rendements futurs d’une action. Le présent document analyse l'activité de R&D et son impact sur les fondamentaux de l'entreprise. Lire le document complet ici. En anglais uniquement.

Les bénéfices qu'une entreprise génère peuvent être distribués à ses actionnaires par le biais de dividendes/rachats d'actions, réduire sa dette ou être utilisés pour investir. Une entreprise investit dans sa future croissance organique soit par la recherche et le développement, soit en engageant des dépenses en capital (Capex). En janvier 2021, le ratio des dépenses d'investissement nettes sur les ventes atteignait 2,54 % pour les entreprises américaines. Lire le document complet ici. En anglais uniquement.

RAM AI joined the Net-Zero Asset Manager’s initiative in 2021 and committed to meeting Net-Zero emissions by 2050. We also committed to interim goals with a carbon emission intensity reduction of 33% by 2025 and 50% by 2030. Three complementary approaches have been deployed to meet those targets:
- Climate risk mitigation through universe construction
- Climate opportunity integration
- Active ownership
In this paper, we will focus on universe construction and analyse how reducing the carbon footprint impacts financial performances and style biases. Read full paper here.

The Sustainable Finance Disclosure Regulation (SFDR) is a European regulation introduced in 2019 and applicable from 10th March 2021 to improve transparency in the market for sustainable investment products, prevent greenwashing and increase transparency around sustainability claims made by financial market participants. In this paper, we analyse the impact an SFDR governance framework can have on return and style biases. Read full paper here.

Over recent years, data measuring firms’ sustainability characteristics has proliferated. An important challenge that investment managers encounter is the combination of ESG and traditional factors such as value, growth and momentum, which is crucial for an optimal stock selection and portfolio construction process. RAM AI’s systematic equity team has developed a deep learning framework that models the interaction among different input features. In this paper, we will evaluate the efficacy of this framework when tuned to combine ESG and traditional factors for a stock return prediction task. Read full paper here.

La prise en compte de considérations climatiques dans l'analyse des portefeuilles et dans les approches systématiques a suscité récemment une grande attention. Elle est motivée par des recherches ambitieuses ayant pour objectif une rapide transition dans un monde zéro carbone. Dans cet article, nous proposons d'intégrer des données structurées et non structurées liées au climat dans une approche quantitative sur des titres actions, en utilisant par exemple des scores d'émissions de carbone, l’analyse d’événements climatiques provenant des flux d’actualités. Nous développons une plateforme de deep learning permettant d'intégrer ces données afin d'évaluer les opportunités et les risques actions face à la problématique du climat. Les études faites  sur des données réelles montrent qu’un portefeuille actions investissant sur des titres à plus faible intensité de carbone peut offrir des rendements attractifs. Lire le document complet ici. En anglais uniquement.

Ces dernières années, la prolifération des données ESG communiquées par les entreprises a permis à notre équipe de recherche quantitative de renforcer son expertise en matière d'investissement ESG. Elle a ainsi pu développer une compréhension approfondie des mécanismes fondamentaux. Nous visons désormais une intégration ESG totale dans nos stratégies, c'est-à-dire une inclusion systématique et explicite des risques et opportunités ESG dans l'ensemble de nos moteurs quantitatifs. Nous présentons ici un aperçu de nos sources de données, de notre méthodologie et de nos résultats. Lire le document complet ici. En anglais uniquement.

Le crédit carbone est un terme générique pour tout certificat négociable représentant une certaine quantité d'émissions de carbone. Un gouvernement, une entreprise ou tout individu souhaitant compenser une quantité définie de carbone émise par ses activités, peut acheter des crédits pour une quantité spécifique de CO² afin d'équilibrer ses émissions. Lire le document complet ici. En anglais uniquement.

Nowadays, large language models are among the most impactful natural language processing techniques and have gained popularity in various applications, such as machine translation, language understanding, etc. These language models can be fine-tuned on domain-specific datasets to fit into the corresponding applications. In this paper, we will study the effect of financial news articles’ sentiments and text embeddings on predicting stock returns. Our in-house developed deep learning framework is able to model interactions between different input features and facilitates the comparison of feature combinations. Read full paper here.

Dans cet article, nous examinerons la popularité croissante de l'intelligence artificielle et le potentiel de la finance à prospérer grâce ce que représente un outil comme le deep learning. La technologie continuant à repousser les limites de notre imagination, de nouvelles dimensions apparaîtront sans aucun doute au fil du temps. Lire le document complet ici. En anglais uniquement.

Les données traditionnelles sur les marchés sont généralement structurés en termes numériques sous une forme qui peut être digérée par des modèles statistiques. Une plateforme de Machine Learning peut aider à traiter l'abondance de données textuelles riches glanées dans les flux d’actualités financières, les rapports de résultats et les transcriptions, et d’analyser la corrélation de ces flux avec les mouvements du marché, actuellement moins exploitée par les gérants quantitatifs. Nous nous plongeons dans les techniques de traitement automatique du langage naturel (TALN) et leurs méthodes d'intégration chez RAM AI dans le Q&A suivant. Un Q&A avec le Data Scientist de RAM, Tian Guo. En anglais uniquement.

L'intégration des considérations environnementales, sociales et de gouvernance (ESG) dans les investissements systématiques a suscité une grande attention récemment. Dans cet article, nous nous concentrons sur les événements ESG présents dans les flux d’actualités financières et nous explorons le pouvoir prédictif de ce contenu financier sur la volatilité des actions. En particulier, nous développons un pipeline d'extraction d’actualités ESG, de représentations de ce contenu, et d'inférence bayésienne de modèles d'apprentissage. L’analyse faite sur des données réelles au travers de différents marchés démontre un pouvoir prédictif sur la performance ainsi que sur la volatilité. Elle s’attarde également sur les perspectives prometteuses offertes par cet outils sur diverses données textuelles. Lire le document complet ici. En anglais uniquement.