Balado TDAM Talks FNB: Investissement quantitatif - Naviguer dans l’océan des données

NARRATRICE: Gestion de Placements TD vous souhaite la bienvenue au balado de la semaine. À noter que ce balado ne peut être distribué sans le consentement préalable de Gestion de Placements TD.

 

Kristina Hostyuk: Bonjour et bienvenue au TDAM Talks de Gestion de Placements TD, une émission qui est focussée sur le marché et les fonds négociés en bourse au Canada. Je m’appelle Kristina Hostyuk et je suis vice-présidente, ici, chez Gestion de Placements TD. Dans cette diffusion, aujourd’hui, nous allons parler des stratégies quantitatives ainsi que des fonds négociés en bourse. Je suis ravie de vous annoncer que c’est le premier balado en français que nous avons la chance d’enregistrer, mais ça ne sera certainement pas le dernier. Aujourd’hui, j’ai le plaisir d’avoir avec moi Julien Palardy, qui est directeur général chez Gestion de Placements TD et chef de l’équipe des placements quantitatifs, ainsi que Walid Saab, qui est vice-président et responsable de la distribution des FNB. Donc, je vous remercie, messieurs, d’être ici avec nous, aujourd’hui.

 

Julien Palardy: Ça me fait plaisir. Merci beaucoup, Kristina. 

 

Walid Saab: Oui, merci, j’ai hâte d’avoir la discussion.

 

Kristina Hostyuk: Moi aussi. Et surtout, pour moi, quand on parle de tout ce qui est placement, investissement quantitatif, ça me fait penser quasiment à un algorithme ou à l’utilisation des modèles pour prédire le futur à travers des données passées. Cela me fait penser quasiment à des films tels que Big Short, où on voit des programmeurs informatiques, voire <? 0:01:18> quasiment l’intelligence artificielle pour prendre des décisions. Julien, je suis hyper contente de voir que tu n’es pas un robot, tu n’es pas une intelligence artificielle, mais tu es un vrai être humain.

 

Julien Palardy: <indiscernable 0:01:31>

 

Kristina Hostyuk: <indiscernable 0:01:32> Je sais que c’est la première fois qu’on fait cet enregistrement de balado, surtout en français. Parle-moi peut-être un petit peu de toi, Julien, puis de l’équipe. Parle-moi de qui vous êtes.

Julien Palardy: Oui, certainement. J’ai joint TDAM il y a 17 ans de ça maintenant, déjà. Ça passe plus vite que ça semble. J’ai passé presque toute ma vie à TD, puis dans l’équipe quantitative. J’ai gradué en économie financière, ici à Montréal, au HEC. Avant ça, j’avais une carrière aussi, une deuxième vie – ou plutôt une première vie, en réalité – en sécurité informatique, à trouver des vulnérabilités dans le software, puis j’ai passé éventuellement à trouver des vulnérabilités dans les marchés à la place. J’ai joint le Groupe Quantitatif. Il y a Jean Masson qui m’a engagé, à l’époque. Jean Masson était le chef du groupe jusqu’à il y a deux ans de ça, avant qu’il prenne sa retraite. Puis éventuellement, j’ai pris le relais sur le groupe. J’ai travaillé dans le développement des stratégies d’alpha. Après ça, j’ai pris en charge la gestion des portefeuilles, puis éventuellement j’ai remplacé Jean comme chef du Groupe Quantitatif. Le Groupe Quantitatif est là depuis bien plus longtemps encore que moi. Je pense que ça date d’environ 25 ans, que le groupe existe. C’est un groupe qui avait été acheté, une partie d’une entreprise qui avait été achetée par TD à l’époque. Je pense qu’on était parmi les premiers vraiment à faire des stratégies quantitatives au Canada. On a aussi quand même un groupe assez large, 17 personnes qui travaillent sur des stratégies quantitatives entre gestionnaires de portefeuille, les chercheurs quantitatifs, les données. Donc, c’est une assez grosse équipe au Canada, par des standards canadiens; à vrai dire, même en concurrence des gros joueurs aussi dans l’espace mondial.

Kristina Hostyuk: Wow! Ça fait qu’on voit qu’on est bien entouré puis que vous êtes vraiment une équipe avec plusieurs ressources, puis une équipe qui a quand même beaucoup d’années d’expérience.

Julien, souvent parler de l’investissement quantitatif, surtout dernièrement. Dans tes mots, pourrais-tu me démystifier <indiscernable 0:03:37> c’est quoi au juste l’investissement quantitatif? De façon très simple, dans tes propres mots, c’est quoi au juste?

 

Julien Palardy: Oui. La définition de stratégie quantitative est assez vaste, je dirais. On peut aller d’un côté spectrum vers des stratégies purement actives, avec des modèles relativement complexes qui sont faits pour battre les marchés, mais on peut aller dans l’autre direction aussi en termes de simplicité vers des stratégies qui sont pratiquement des stratégies indicielles, en fait, même si certains types de stratégie indicielle sont des stratégies quantitatives. Quand on parle répliquer un univers, mais sans avoir une application parfaite, c’est souvent par optimisation, où on a un optimiseur, un modèle de risque. Donc, ça tombe dans la définition de stratégies quantitatives, puis à l’intérieur de ça, entre ces deux choses-là dans le spectrum, on va avoir des stratégies factorielles, par exemple, où on réplique certains facteurs spécifiques pour essayer de livrer de la surperformance ou avoir moins de risques ou autre. Donc, le degré de complexité va varier, puis le degré de profondeur des modèles aussi va varier en conséquence. Le range est assez large, je dirais.

 

Walid Saab: Julien, les stratégies quantitatives sont devenues quand même assez répandues dans les dernières années, même du côté des SMB, si on parle justement de stratégies systématiques, dividendes ou l’investissement factoriel que tu as mentionné, mais on entend encore souvent des préconceptions ou des mythes par rapport à l’investisseur quantitatif. Est-ce qu’il y a certaines choses que tu entends souvent, que tu aimerais démystifier ou clarifier?

 

Julien Palardy: Oui, il y a pas mal de mythes, effectivement. Un des mythes, qui est le plus important, je pense, c’est la croyance que les stratégies quantitatives comparativement à la gestion – j’appellerais pleinement actives ou, disons, fondamentales – l’impression que c’est <indiscernable 0:05:22>, comme on dirait, c’est-à-dire que c’est plus facile à implanter ou à faire que des stratégies pleinement fondamentales. Je ne crois pas que ce soit le cas, en fait. Ça demande pas mal d’investissement en termes de données, en termes de technologies, en termes de recherche aussi, développer des modèles pour pouvoir livrer sur des stratégies quantitatives. Ça fait que ce n’est pas nécessairement un investissement qui est plus léger que construire des stratégies fondamentales. Ça, c’est la première chose que les gens ont tendance à croire, qui est généralement fausse. Une chose qui serait vraie peut-être, c’est que c’est plus scalable, par contre. Même s’il y a un coût fixe élevé ou un coût de démarrage élevé pour des stratégies quantitatives, après ça, c’est possible d’utiliser ça à travers plusieurs fonds puis, disons, une large gamme d’assets. Donc, on peut réutiliser ça à plusieurs sauces, à travers plusieurs types de stratégies. Par exemple, on construit des modèles ici qui sont utilisés à travers des stratégies à faible volatilité, des stratégies d’alpha. C’est les mêmes modèles qu’on réutilise, les mêmes composantes. On a tendance à être relativement scalable. Le coût marginal ou variable de grossir est plus bas que des stratégies fondamentales, souvent. C’est une chose qui est vraie, mais au total je ne dirais pas que c’est nécessairement plus bas. 

L’autre chose aussi que les gens ont souvent tendance à croire, c’est que c’est peut-être plus facile à faire que de la gestion fondamentale. Ça, j’aurais tendance à croire que ce n’est pas vrai. De façon générale, battre les marchés; de façon constante <indiscernable 0:06:56>, c’est difficile. Peu importe l’approche qu’on utilise, que ce soit une approche fondamentale ou quantitative, ce n’est pas facile. Les gens qu’on engage ici, je veux dire, vous les connaissez, c’est des gens, bon, souvent qui ont des PhD dans leur domaine, qui ont énormément d’années d’expérience à faire de la recherche théorique, pas juste en finances mais aussi en informatique ou en mathématiques. Donc, c’est des aides ou des individus qui connaissent énormément leur domaine. Ce n’est pas nécessairement des individus qui pourraient faire de la sélection de titres un par un, mais c’est un autre type de qualification que ça requiert, puis c’est un skill qui est assez difficile à obtenir aussi. Donc, encore là, pour battre les marchés, ce n’est pas gratuit; il faut aller chercher des gens qui ont un certain niveau de compétence. 

L’autre chose, peut-être que je dirais, c’est la croyance que les stratégies quantitatives, ça regarde vers le passé seulement, tandis que des gestionnaires actifs discrétionnaires regardent vers le futur. Même si c’est vrai que des modèles, des machines n’ont pas nécessairement d’imagination ou la même imagination que les êtres humains, les machines sont très bonnes à prendre les données historiques, puis essayer de généraliser le mieux possible pour prédire le futur et, en contraste, les êtres humains sont souvent très mauvais à faire ça, regarder ce qui s’est passé historiquement, puis réussir à généraliser sans avoir de biais; c’est souvent très difficile, je dirais.

 

Walid Saab: Je pense, justement, que tu as touché sur un point important. C’est que malgré l’investissement que ça prend, puis les grosses équipes de PhD et tout ça, les frais restent quand même assez bas. Pour un investisseur, on se rapproche de la gestion active, mais avec des frais qui restent entre le passif et l’actif. Quand on parle de frais plus bas, c’est sûr, ça permet à l’investisseur de garder une plus grosse part, une plus grosse part des rendements. Donc, c’est un des avantages des stratégies quantitatives.

 

Kristina Hostyuk: Julien, je vais revenir sur ce dont tu parlais tantôt. Tu parlais que contrairement à ce qu’on peut croire, c’est un modèle qui est quand même assez complexe et tus as souvent mentionné « battre les marchés ». Quand on parle de cet investissement, c’est quoi exactement l’alpha et comment est-ce que vous allez générer l’alpha dans ces stratégies?

 

Julien Palardy: Oui. Bon, il y a plusieurs définitions d’alpha auxquelles on peut se référer. À mon avis, c’est que l’alpha, en fait, c’est à des marchés de façon soutenue puis constante à travers le temps, puis avoir, disons, la croyance qu’on peut répéter cette performance dans le futur. C’est facile d’observer, par exemple, certains styles d’investissement qui ont surperformé dans le passé, mais si c’est un style qui est facile à appliquer, est-ce qu’on peut vraiment avoir une croyance ferme que ça va persister pour toujours? Généralement, ça ne va pas être le cas. Il y a des cycles à tout style. En théorie, l’alpha, c’est supposé être indépendant du genre de rendement qu’on pourrait obtenir juste en s’exposant passivement à un certain style d’investissement. Implicitement, dans la définition d’alpha il y a, disons, une croyance implicite qui a un certain degré d’habilité qui est appliqué à ça pour générer cette surperformance. Donc, je crois que c’est une des clés de la définition. Après ça, la question de comment on génère ça. Dans les stratégies quantitatives, c’est vraiment construire des modèles qui vont essayer d’identifier c’est quoi les styles d’investissement qui vont surperformer dans le futur, puis ça se fait à travers un processus d’apprentissage sur les données historiques. Du moins, c’est comme ça qu’on le fait dans l’espace quantitatif, je dirais.

Donc, pour les gens qui sont peut-être un peu plus nouveaux par rapport aux investissements quantitatifs puis qui écoutent ce balado, peux-tu nous parler un petit peu de la science qui est à l’arrière d’investissements quantitatifs, du modèle que tu as mentionné? Peux-tu nous éclairer un petit peu là-dessus?

 

Julien Palardy: Certainement. La majorité de ce qu’on fait dans la construction de stratégies quantitatives repose sur la science des statistiques, le même genre de statistiques que vous auriez appris à l’école secondaire ou peut-être un peu plus poussé que ça, peut-être en première année d’université. Après ça, sur ces statistiques-là, il y a beaucoup de choses qui ont été construites. Désolé, je n’ai pas nécessairement les traductions exactes, mais signal processing, par exemple, c’est quelque chose qu’on utilise beaucoup dans la construction de nos modèles. Tout l’apprentissage automatique aussi. Donc, machine learning ou l’intelligence artificielle, c’est des choses qu’on utilise dans nos stratégies. L’économétrie aussi. J’ai étudié l’économétrie quand j’étais à l’école. Il y a plusieurs personnes dans notre groupe qui ont étudié aussi l’économétrie. Donc, c’est des statistiques. Appliquer <? 0:11:29> souvent les problèmes de nature économique ou dans les marchés financiers. Donc, des choses aussi qu’on applique dans nos stratégies. Toutes nos stratégies ont été construites là-dessus. De façon générale, si je pouvais simplifier peut-être, la façon dont j’expliquerais le genre d’approche tactique utilisé pour les stratégies qu’on utilise, c’est vraiment la compression de données, c’est à dire on prend un historique de données, beaucoup de données historiques, puis on cherche à extraire l’information la plus pertinente de ces données-là. Donc, compresser ces données en un assemblage de données plus simples. Pas nécessairement plus simples, mais souvent plus complexes, à vrai dire, mais <indiscernable 0:12:10> en quantité pour utiliser cette information, pour généraliser dans le futur. Donc, tout ce qu’on fait, j’aimerais dire, même aujourd’hui tout ce qui est intelligence artificielle, ça repose souvent sur ce concept de compresser les données. Donc, avoir des modèles qui sont plus simples en termes de quantité d’information que les données initiales pour essayer d’en tirer quelque chose sur, ce qu’on pourrait dire, le futur.

 

Kristina Hostyuk: Ok, merci pour éclairer cette stratégie un peu. Si on reste sur le thème de l’intelligence artificielle, surtout dernièrement avec la création de ChatGPT, on entend très souvent parler de l’intelligence artificielle et de l’apprentissage automatique. Est-ce que vous utilisez ces outils dans vos stratégies quantitatives? Est-ce que tu pourrais nous en parler un petit peu?

 

Julien Palardy: Oui, certainement. Il y a plusieurs degrés de complexité à travers ce qui est utilisé en intelligence artificielle. Il y a certaines de ces choses qu’on utilise depuis longtemps. Par exemple, dans la modélisation de risque, on utilise quelque chose qu’on appelle – encore là, je suis désolé de ne pas avoir les termes français exacts – mais principal component analysis. J’imagine « analyse en composante principale », en français. C’est quelque chose qu’on utilise dans nos modèles de risque. Puis c’est utiliser, disons, l’étape 1 de la reconnaissance de patterns puis d’extraction de patterns dans des images. C’est des modèles linéaires. Les premiers modèles de reconnaissance visuelle utilisaient ce genre de choses-là. On utilise ça dans nos modèles de risques pour identifier des patterns aussi dans des données historiques, où on fait des fois de l’extraction ou de l’identification de features, comme on appelle, dans certains de nos modèles. Ceci est quelque chose qui est relativement commun aussi en apprentissage machine, donc apprentissage automatique. Donc, ca, c’est des choses relativement simples, par contre.

En ce moment, notre équipe de recherche est en train de travailler sur des choses qui sont beaucoup plus poussées que ça. Entre autres, faire du natural language processing sur de l’information textuelle, donc transformer l’information textuelle en information numérique qui peut être utilisée dans nos modèles de risque ou nos modèles de prédiction de rendement. Je dirais que la majorité de notre agenda de recherche, c’est de l’apprentissage automatique et de l’intelligence artificielle, en ce moment.

 

Walid Saab: On a déjà parlé un peu de données, puis maintenant, comme tu mentionnes, on utilise des nouveaux types d’information pour l’intelligence artificielle, machine learning, etc. Si tu pouvais me parler un peu de l’importance des données et peut-être comment on fait pour s’assurer qu’on a des bonnes données de bonne qualité pour avoir confiance dans les signaux qui sont générés par les modèles?

 

Julien Palardy: Je suis content que cette question vienne, parce que souvent les gens oublient les données; tout le monde parle des modèles. En intelligence artificielle, les gens pensent tout le temps que les modèles, c’est la clé. En réalité, il n’y a rien qui se fait sans les données. Ça fait 25 ans qu’on sait ça. Ça fait 25 ans qu’on accumule des données, qu’on nettoie nos propres données aussi. Puis ça, c’est extrêmement important parce que si on a des données dans lesquelles il y a des erreurs qui sont contenues, c’est presque sûr qu’on va se ramasser à transiger sur ces erreurs. C’est un petit peu comme quand vous échappez votre toast, ça tombe tout le temps sur le côté du beurre. S’il y a des erreurs dans nos données, dans le cas de nos stratégies, c’est presque sûr qu’on va transiger dessus, parce qu’on cherche des anomalies dans les marchés. S’il y a des anomalies dans les données, on va croire que c’est des anomalies dans les marchés. Donc, il faut s’assurer que nos données soient correctes et précises et qu’il n’y a pas d’erreurs dedans. Ça, c’est la première étape. 

On a une équipe de données avec nous dans l’équipe, dans le sein de l’équipe d’investissement, qui vont chercher de l’information de nos fournisseurs de données, puis qui passent à travers plusieurs tests ces données-là pour s’assurer que les données sont impeccables. Ça fait très longtemps qu’on fait ça. Ça, c’est la deuxième partie du processus. Il faut qu’on ait des données qu’on appelle point in time, c’est-à-dire « à chaque moment dans le temps ». Idéalement, on veut des données qui sont exactement telles qu’elles étaient à l’époque. Donc, si on remonte il y a 20 ans de ça, nous, on a des données historiques qui sont exactement telles qu’elles étaient lorsqu’elles ont été publiées par les fournisseurs de données, de sorte que si on les utilise dans la construction de nos stratégies, on va pouvoir avoir des stratégies qu’on appelle forward locking, c’est-à-dire qu’il va y avoir un billet qui va contenir l’information qu’on n’aurait pas dû avoir. Donc, si on ne veut pas avoir ça dans nos stratégies. Ça fait qu’avoir des données live, telles qu’elles étaient à l’époque, puis clean aussi, qui sont impeccables, qui ont été nettoyées, ça vaut son pesant d’or dans les stratégies quantitatives. 

Après ça, c’est extraire du mieux qu’on peut l’information, le plus d’information possible de ces données-là. Souvent, on parle comme on fait face à un océan de données. J’ai tendance à croire que les gestionnaires quantitatifs ont l’habileté de nager dans ces données-là plutôt que de couler, tandis que les êtres humains sont souvent « plus on leur donne des données, plus ils ont tendance à se noyer dans ces données ». Donc, les stratégies quantitatives doivent extraire l’information la plus importante de ces données pour pouvoir faire des prévisions sur le futur, encore à travers notre modélisation.

 

Kristina Hostyuk: Julien, je vais retourner un petit peu sur tout ce qu’on vient de se dire. On a parlé de l’équipe, de l’importance d’avoir la bonne équipe, les gens qui font partie de cette équipe, les modèles, l’importance des données. Mais quand on parle aux êtres humains, puis je veux vraiment retourner sur les investisseurs, puis qu’on parle de l’expérience des investisseurs, à quoi est-ce qu’on pourrait s’attendre de ces stratégies dans un marché haussier, un marché baissier ou, mettons, un marché latéral?

 

Julien Palardy: Ça dépend beaucoup parce qu’en réalité, une fois qu’on a les modèles, on peut les appliquer, comme je disais précédemment, à toutes les sauces possibles, de tous les types possibles de stratégies, donc on peut livrer sur toutes sortes d’objectifs. On a certaines stratégies qui sont là purement pour réduire le risque, dans quel cas on s’attend à surperformer dans les marchés baissiers, mais sous-performer dans les marchés haussiers, parce que c’est des stratégies moins volatiles, puis l’objectif, au total, ça va être livrer peut-être du rendement similaire au marché à long terme. Souvent, on parle de livrer des rendements similaires au marché avec moins de volatilité. Donc, la capture à la hausse va être quand on a des marchés haussiers, la capture à la hausse ne sera pas à 100 %, mais elle va être relativement élevée. Puis à la baisse, on va avoir une capture à la baisse qui va être beaucoup plus basse que notre capture à la hausse. Ça fait qu’on va avoir un certain degré d’asymétrie. Ça, c’est un type de stratégie. Ça serait les stratégies à faible volatilité. Mais on a aussi des stratégies où on a quand même une asymétrie entre la capture à la hausse puis la capture à la baisse, mais on va être plus centré autour du marché. C’est plus les stratégies d’alpha qui cherchent à livrer la surperformance de façon constante à travers le temps, puis battre les marchés, indépendamment que les marchés soient à la hausse ou à la baisse. Ça fait que, disons, peut-être 105 % de capture à la hausse, puis 95 % de capture à la baisse. Donc, de façon systématique, qu’on cherche tout le temps à battre les marchés par un peu, que ce soit les marchés haussiers ou les marchés baissiers. Puis il pourrait y avoir d’autres stratégies potentielles auxquelles on pourrait penser, où on aurait quand même cette asymétrie, mais de façon générale avec plus de capture à la hausse puis plus de capture à la baisse que les marchés. Ça serait, disons, des stratégies croissance mais qui livrent quand même de la performance ajustée au risque. C’est plus rare, des stratégies comme ça, mais on pourrait quand même imaginer que ça pourrait exister aussi. Donc, des stratégies quantitatives, on peut en avoir à toutes les sauces, en réalité. Il y a toutes sortes de formes sur lesquelles on peut implanter ces stratégies-là.

 

Kristina Hostyuk: Bien, merci, Julien, pour ta réponse. Ça tombe bien parce que, Walid, je voudrais te poser quelques questions, justement, sur les stratégies. Comme je viens de le mentionner, on a plusieurs stratégies quantitatives qui sont offertes chez Gestion de Placements TD, surtout du côté de nos fonds négociés en bourse. Est-ce que tu pourrais nous éclairer un petit peu là-dessus?

 

Walid Saab: Oui. On est chanceux, l’équipe de Julien gère sept SMB quantitatifs pour nous, puis on peut les mettre dans quatre grandes catégories. Une de mes préférées, c’est l’investissement à faible volatilité. Julien vient m’en parler un peu, mais c’est une erreur, anomalie dans les marchés qui persiste dans le temps. Donc, ici, comme Julien a mentionné, on cherche les rendements du marché, mais avec moins de risques ou moins de volatilité. Donc, on a TCLV pour les actions canadiennes, TILV pour les actions internationales et TULV pour les actions américaines. Ensuite, on a nos FNB de dividende. Ici, on cherche la qualité des bons bilans, la profitabilité et finalement des compagnies dont il va y avoir une croissance des dividendes. Ça peut être des bonnes stratégies pour des investisseurs qui veulent du revenu, mais aussi la croissance. On a TQCD pour les dividendes canadiens et TQGD pour les dividendes mondiaux. Ensuite, on a notre stratégie multifactorielle en actions mondiales TQGM. Ici, pour les investisseurs qui cherchent à surperformer le marché des actions mondiales, qui recherchent de l’alpha. Finalement, on a notre stratégie systématique d’alpha. Ici, on a beaucoup d’intérêt chez les conseillers en placement; on est dans le marché des petites et moyennes capitalisations américaines avec TQSL. C’est un marché où on voit quand même beaucoup d’inefficacité, donc on peut utiliser nos stratégies quantitatives pour aller ajouter de la valeur.

 

Kristina Hostyuk: Parfait. Je te remercie, Walid, de nous avoir éclairés un petit peu là-dessus. On voit qu’on a quand même une très belle diversité du côté des solutions qu’on offre chez TD. Walid et Julien, est-ce que vous avez peut-être des derniers commentaires que vous voulez aborder?

 

Julien Palardy: Peut-être, de mon côté, je dirais qu’on entend beaucoup parler d’intelligence artificielle récemment, puis les marchés en hausse sont vraiment… en réalité, c’est une poignée de stocks qui sont très liés à l’intelligence artificielle puis qui font usage d’intelligence artificielle. Je sais qu’il y a beaucoup de gens qui veulent s’exposer à ça, mais plutôt que d’acheter des titres peut être excessivement dispendieux, une des façons de s’exposer à ça indirectement <indiscernable 0:22:09> à travers le processus, tout au moins si les gens croient à l’intelligence artificielle puis à la valeur que ça peut générer à travers le temps, les stratégies quantitatives, c’est une bonne façon d’utiliser ça d’une façon ou d’une autre, je dirais.

 

Walid Saab: Pour un petit peu ajouter, les marchés sont volatils, on le voit. Il y a beaucoup d’information à analyser, c’est difficile de bien faire la sélection de titres et la gestion du risque. Il ne faut pas oublier le risque. Ça fait plus que 20 ans que TD gère des stratégies quantitatives. Donc, effectivement, je pense c’est une bonne idée de sous-traiter la gestion à Julien et son équipe qui vont vraiment agir comme des fiduciaires pour les investisseurs.

 

Kristina Hostyuk: Merci, Julien, merci, Walid. Vous avez tout à fait raison. Je pense que l’intelligence artificielle, c’est le mot préféré sur la bouche de tout le monde depuis les derniers mois, surtout avec le lancement de ChatGPT. Pour tous ceux qui nous écoutent aujourd’hui, je vous remercie d’être à l’écoute et de considérer les FNB de TD pour vos comptes d’épargne et de placement. Chez Gestion de Placements TD, vu que nous sommes l’un des gestionnaires les plus importants du coté institutionnel, nous sommes des fiduciaires et nous avons à cœur les intérêts des Canadiens. Nous gérons l’argent pour les Canadiens, par des Canadiens et, surtout, avec l’optique d’investisseurs canadiens. Tous les FNB ne sont pas créés égaux et nous mettons beaucoup, beaucoup de réflexion et de diligence pour mettre sur le marché des solutions qui répondent aux problèmes des investisseurs. Donc, merci, Julien, Walid. Merci d’avoir pris le temps aujourd’hui et d’avoir plongé un petit peu avec nous pour démystifier l’investissement quantitatif.

 

Julien Palardy: Merci beaucoup.

 

Walid Saab: Merci.