Gestion d'actifs · De la donnée alternative aux signaux d'alpha

Un parking compté depuis l'espace racontait discrètement une histoire avant la publication des résultats. Au milieu des années 2010, des hedge funds ont commencé à acheter de l'imagerie satellite des parkings de distributeurs, à compter les voitures semaine après semaine, et à en déduire la fréquentation avant les ventes trimestrielles. Les desks qui l'ont bien fait avaient une lecture du chiffre d'affaires avant le marché. C'est la promesse de la donnée alternative : une information absente des documents financiers standards, transformée en avantage négociable.

Cette leçon détaille comment un desk long/short equity (un fonds qui achète les actions dont il attend une hausse et vend à découvert celles dont il attend une baisse) convertit des données brutes désordonnées en un signal : un score numérique qui classe les actions par rendement attendu. Le plus dur n'est pas la donnée. C'est d'éviter les pièges qui font qu'un signal paraît brillant en backtest et ne vaut rien en réel.

Ce qui compte comme donnée alternative

La donnée alternative désigne tout jeu de données hors sources traditionnelles (états financiers, estimations d'analystes, prix et volumes). Catégories courantes :

• Géospatial : imagerie satellite et aérienne, comptage de voitures, de navires, d'ombres de réservoirs de stockage pétrolier, ou santé des cultures.
• Panels de transactions : dépenses agrégées et anonymisées par carte de crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édit et de débit, proxy des ventes d'une entreprise.
• Données web et applicatives : pages de prix scrapées quotidiennement, classements de téléchargements d'applications, offres d'emploi.
• Texte : transcriptions de conference calls, documents réglementaires, actualités, analysés par NLP (natural language processing, logiciels qui extraient du sens du langage).

Les écosystèmes FactSet et Eagle Alpha référencent des milliers de fournisseurs de ce type. Pour une bonne introduction à la catégorie, voir l'aperçu du CFA Institute sur la donnée alternative.

TransformerTransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → la donnée brute en features

Une feature est un input mesurable unique, par exemple « la croissance en glissement annuel des dépenses carte pour l'entreprise X cette semaine ». Trois exemples rapides de la façon dont chaque source brute devient une feature.

Panels de cartes de crédit

Vous ne voyez jamais les transactions individuelles. Le fournisseur livre les dépenses agrégées par commerçant. Vous rapprochez les commerçants des tickers cotcotTechnique de prompting qui amène un modèle de langage à produire des étapes de raisonnement intermédiaires avant de donner sa réponse finale, ce qui améliore la précision sur les tâches complexes.Voir la définition complète →és (une étape non triviale : « SBUX » couvre des milliers de marques d'enseignes et de franchisés), puis vous calculez la croissance hebdomadaire en glissement annuel. La feature : la croissance du chiffre d'affaires implicite des cartes par rapport au même trimestre de l'année précédente.

Imagerie satellite

Un modèle de computer vision compte les voitures sur les parkings d'un distributeur sur des centaines de sites. Vous normalisez par site et par saison (décembre ne ressemble en rien à février), puis vous agrégez en un indice au niveau de l'entreprise. La feature : la variation de l'indice de fréquentation par rapport à la moyenne glissante.

NLP sur les conference calls

Vous récupérez la transcription, séparez les propos du management de la séance de questions des analystes, et notez le ton. Une approche simple utilise un dictionnaire de sentiment spécifique à la finance. Une approche moderne utilise un modèle de langage pour noter l'incertitude, les précautions de langage et les changements de sujet.

# Simplified: sentiment delta on an earnings-call transcript
from transformers import pipeline

clf = pipeline("sentiment-analysis", model="ProsusAI/finbert")

remarks = [
    "Demand accelerated across all regions this quarter.",
    "We are seeing some softness we cannot yet fully quantify.",
]
scores = clf(remarks)
# Feature = moyenne(positif) - moyenne(négatif), puis comparaison avec
# la baseline du call précédent de la même entreprise, PAS avec un seuil absolu.

La comparaison avec la propre baseline antérieure de l'entreprise compte. Certaines équipes de direction sont chroniquement optimistes. Un signal construit sur le ton absolu ne fait que classer des personnalités.

Les trois pièges qui tuent la performance en réel

C'est là que la plupart des projets alt-data échouent discrètement. Un backtest (simulation d'une stratégie sur données historiques) peut sembler spectaculaire et n'être qu'une illusion.

Piège 1 : le lookahead bias

Le lookahead bias consiste à utiliser dans votre backtest une information que vous n'auriez pas eue à cet instant dans la vraie vie. C'est l'erreur la plus fréquente et la plus fatale.

Version concrète : un fournisseur de données « horodate » un enregistrement de dépense carte à la date de la transaction. Mais cet enregistrement n'a été livré aux abonnés que deux semaines plus tard. Si votre backtest agit à la date de transaction, vous tradez sur des données venues du futur.

La correction : utiliser des données point-in-time, qui enregistrent ce qui était connu à chaque date, y compris le délai de livraison. Demandez toujours à un fournisseur : « Quelle est la latence de livraison, et pouvez-vous fournir des snapshots point-in-time ? » S'il ne peut pas, retenez le délai le plus défavorable.

Même piège avec les fondamentaux : une entreprise peut retraiter ses résultats des mois plus tard. Backtester sur le chiffre retraité fait fuiter le futur.

Piège 2 : le data-snooping (tests multiples)

Le data-snooping survient quand vous testez tant de variantes que l'une paraît excellente par pure chance. Testez 200 formules de signal et quelques-unes afficheront de solides rendements historiques même si toutes ne sont que du bruit aléatoire.

La correction :

• Figez votre hypothèse avant de tester. « Les dépenses carte anticipent le chiffre d'affaires publié » est une hypothèse. « La combinaison qui score le plus haut » est du snooping.
• Réservez une période out-of-sample (des données que le modèle n'a jamais touchées pendant le développement) pour un unique test final.
• Ajustez pour le nombre d'essais. Les praticiens utilisent le deflated Sharpe ratio, qui pénalise la qualité apparente d'une stratégie en fonction du nombre de stratégies testées. Voir les travaux de Marcos Lopez de Prado sur l'overfitting des backtests.

Piège 3 : biais de survie et de couverturecouvertureLe nombre de personnes uniques exposées à votre message sur une période donnée. Contrairement aux impressions, le reach compte chaque personne une seule fois, quel que soit le nombre d'expositions.Voir la définition complète →

Si votre panel de cartes ne couvre que des entreprises encore en vie et omet celles qui ont fait faillite, votre backtest hérite d'un échantillon flatteur. Idem si le fournisseur satellite n'a ajouté la couverture d'un distributeur en vogue qu'après qu'il soit devenu populaire. Vérifiez toujours à quel moment chaque titre est entré dans le jeu de données.

🎬 [VIDEO: "Backtesting and the Dangers of Overfitting" - youtube.com - une explication claire de la façon dont les tests multiples gonflent les résultats de backtest et de comment s'en prémunir]

Construire et valider le signal

Une fois les features propres et point-in-time, le workflow est discipliné.

Étape 1 : combiner les features en un score. Classez les actions chaque semaine selon, par exemple, la croissance implicite des cartes plus la variation de fréquentation satellite plus le delta de ton du call. Les scores fondés sur des rangs sont plus robustes que les valeurs brutes car ils résistent aux valeurs extrêmes.

Étape 2 : neutraliser l'évident. Un signal brut ne fait souvent que parier sur des secteurs ou des tailles de capitalisation. Si tous vos titres les mieux classés sont des distributeurs small-cap, vous avez un pari sectoriel, pas un avantage alt-data. Les desks neutralisent les expositions en classant à l'intérieur du secteur et en ajustant pour la capitalisation, de sorte que le signal restant soit spécifique au titre.

Étape 3 : simuler de façon réaliste. Incluez les coûts de transaction, les coûts d'emprunt de titres pour les ventes à découvert, et le turnover. Un signal qui doit trader quotidiennement peut être dévoré par les coûts. Modélisez l'impact de marché de vos propres ordres.

Étape 4 : mesurer le decay. Les avantages alt-data s'érodent à mesure que davantage de fonds achètent la même donnée. Testez si le signal s'est affaibli ces dernières années. Le trade du parking est bien plus encombré aujourd'hui qu'il y a dix ans.

Étape 5 : out-of-sample et paper trading. Faites tourner le signal finalisé sur les données mises de côté, puis paper tradez-le en réel avant d'engager du capital.

Gouvernance, conformité et coût

L'alt-data n'est pas seulement un problème quant. Elle porte un risque juridique et réputationnel.

Information privilégiée non publique (MNPI). Les régulateurs interdisent de trader sur la base de MNPI (information importante non accessible au public). Si le panel d'un fournisseur de données carte est si granulaire qu'il révèle de fait les chiffres de ventes internes d'une entreprise, l'utiliser peut franchir une ligne. Les fournisseurs sérieux agrègent et anonymisent pour s'en tenir à distance. Chaque jeu de données doit passer une revue juridique.

Données personnelles. Les panels de cartes et de géolocalisation peuvent relever des règles de confidentialité. Les données doivent être agrégées pour que les individus ne soient pas identifiables. La provenance compte : comment le consentement a-t-il été obtenu, et le scraping respectait-il les conditions d'utilisation du site.

Coût contre capacité. L'alt-data est chère, et un seul jeu de données peut coûter six chiffres par an. Un signal ne justifie ce coût que s'il fonctionne à la taille d'actifs du fonds. Un signal brillant qui ne fonctionne que sur quelques millions de dollars de positions n'a aucun intérêt pour un grand fonds.

Les orientations de la SEC et son historique de sanctions sur la donnée alternative et les expert networks méritent d'être suivis ; la salle de presse de la SEC publie les actions qui façonnent ce que les desks considèrent acceptable.

Une image réaliste de l'avantage

La plupart des signaux alt-data pris isolément sont faibles. Un signal unique peut avoir un information coefficient bas (une corrélation entre rendements prédits et réalisés souvent de quelques pourcents à peine). La valeur vient de la combinaison de nombreux signaux faibles et décorrélés dans un portefeuille, et d'une exécution disciplinée. Aucun jeu de données ne fabrique de l'argent à lui seul, et tout desk qui le promet vend une histoire.

Points clés

• La donnée alternative ne devient de l'alpha qu'après avoir été nettoyée, rapprochée des tickers, et convertie en features point-in-time comparées à la propre baseline de chaque entreprise.
• Le lookahead bias est le piège le plus mortel : modélisez toujours le délai de livraison réel et utilisez des snapshots point-in-time, jamais des données retraitées ou horodatées dans le futur.
• Protégez-vous du data-snooping en figeant les hypothèses à l'avance, en réservant une période out-of-sample, et en pénalisant les résultats pour le nombre de stratégies testées.
• Neutralisez les expositions sectorielles et de taille et intégrez des coûts réalistes, sinon vous prendrez un pari de beta pour un véritable avantage.
• Traitez la conformité (MNPI, confidentialité, provenance) et l'arbitrage coût/capacité comme des contraintes de conception de premier ordre, pas comme des considérations tardives.