De l'alternative data aux signaux d'alpha

# De l'alternative dataalternative dataDonnées non-traditionnelles utilisées pour l'analyse d'investissement ou le renseignement concurrentiel : images satellites, transactions bancaires, géolocalisation, scraping web, mentions sociales. aux signaux d'alpha

Un parking compté depuis l'espace racontait une histoire discrète avant la publication des résultats. Au milieu des années 2010, des hedge funds ont commencé à acheter des images satellites de parkings de distributeurs, à compter les voitures semaine après semaine et à en déduire la fréquentation avant les ventes trimestrielles. Les desks qui le faisaient bien avaient une lecture du chiffre d'affaires avant le marché. C'est la promesse de l'alternative dataalternative dataDonnées non-traditionnelles utilisées pour l'analyse d'investissement ou le renseignement concurrentiel : images satellites, transactions bancaires, géolocalisation, scraping web, mentions sociales. : une information absente des documents financiers standards, transformée en edge exploitable.

Cette leçon détaille comment un desk long/short equity (un fonds qui achète les actions qu'il attend en hausse et vend à découvert celles qu'il attend en baisse) convertit des données brutes désordonnées en signal : un score numérique qui classe les actions par rendement attendu. Le plus difficile 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 live.

Ce qui compte comme alternative dataalternative dataDonnées non-traditionnelles utilisées pour l'analyse d'investissement ou le renseignement concurrentiel : images satellites, transactions bancaires, géolocalisation, scraping web, mentions sociales.

L'alternative dataalternative dataDonnées non-traditionnelles utilisées pour l'analyse d'investissement ou le renseignement concurrentiel : images satellites, transactions bancaires, géolocalisation, scraping web, mentions sociales. désigne tout jeu de données hors sources traditionnelles (états financiers, estimations d'analystes, prix et volumes). Grandes catégories :

• Géospatial : imagerie satellite et aérienne, comptage de voitures, de navires, ombres des réservoirs de stockage pétrolier, santé des cultures.
• Panels transactionnels : 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'apps, offres d'emploi.
• Texte : transcripts de conference calls, dépôts 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 la présentation de l'alternative data par le CFA Institute.

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 → les données brutes en features

Une feature est une variable mesurable unique, par exemple « 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 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

Vous ne voyez jamais les transactions individuelles. Le fournisseur livre les dépenses agrégées par commerçant. Vous mappez les commerçants sur 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 (étape non triviale : « SBUX » couvre des milliers d'enseignes et de franchisés), puis calculez la croissance hebdomadaire en glissement annuel. La feature : la croissance de chiffre d'affaires implicite aux cartes par rapport au même trimestre l'an dernier.

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 agrégez en un indice au niveau de l'entreprise. La feature : variation de l'indice de fréquentation par rapport à sa moyenne glissante.

NLP sur les conference calls

Vous récupérez le transcript, séparez les propos du management de la session 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 à la baseline propre à l'entreprise est déterminante. Certaines équipes de direction sont chroniquement optimistes. Un signal construit sur le ton absolu ne classe que des personnalités.

Les trois pièges qui tuent la performance en live

C'est là que la plupart des projets alt-data échouent en silence. Un backtest (simulation d'une stratégie sur des données historiques) peut paraître spectaculaire tout en restant une illusion.

Piège 1 : le lookahead bias

Le lookahead bias consiste à utiliser dans son backtest une information que l'on n'aurait pas eue à cet instant dans la réalité. C'est l'erreur la plus courante et la plus fatale.

Version concrète : un fournisseur « horodate » un enregistrement de dépenses 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 du futur.

La solution : utiliser des données point-in-time, qui enregistrent ce que l'on savait à chaque date, y compris le délai de livraison. Demandez toujours au fournisseur : « Quelle est la latence de livraison, et pouvez-vous fournir des snapshots point-in-time ? » S'il ne peut pas, retenez le pire délai possible.

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 on teste 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.

La solution :

• Figez votre hypothèse avant de tester. « Les dépenses carte anticipent le chiffre d'affaires publié » est une hypothèse. « La combinaison qui score le mieux » 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 carte ne couvre que les entreprises encore existantes et ignore celles qui ont fait faillite, votre backtest hérite d'un échantillon flatteur. Idem si le fournisseur satellite n'a ajouté la 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 → d'un distributeur en vogue qu'après son succès. Vérifiez toujours à quelle date chaque nom 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 aux 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. Si tous vos noms les mieux classés sont des distributeurs small-cap, vous avez un pari sectoriel, pas un edge alt-data. Les desks neutralisent les expositions en classant à l'intérieur du secteur et en ajustant de la capitalisation, pour que le signal restant soit spécifique à l'action.

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

Étape 4 : mesurer la décroissance. Les edges alt-data s'érodent quand 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. Passez le signal finalisé sur les données mises de côté, puis paper tradez-le en live avant d'engager du capital.

Gouvernance, compliance et coût

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

Material nonpublic information (MNPI). Les régulateurs interdisent de trader sur des MNPI (informations importantes non disponibles pour le public). Si le panel d'un fournisseur 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 rester à l'écart. Chaque jeu de données doit passer une revue juridique.

Données personnelles. Les panels carte et de localisation peuvent tomber sous les règles de protection de la vie privée. 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 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 et l'historique de sanctions de la SEC sur l'alternative dataalternative dataDonnées non-traditionnelles utilisées pour l'analyse d'investissement ou le renseignement concurrentiel : images satellites, transactions bancaires, géolocalisation, scraping web, mentions sociales. 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'edge

La plupart des signaux alt-data pris isolément sont faibles. Un signal seul peut avoir un information coefficient bas (une corrélation entre rendements prédits et réalisés souvent de l'ordre de quelques pour cent). La valeur vient de la combinaison de nombreux signaux faibles et décorrélés au sein d'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

• L'alternative dataalternative dataDonnées non-traditionnelles utilisées pour l'analyse d'investissement ou le renseignement concurrentiel : images satellites, transactions bancaires, géolocalisation, scraping web, mentions sociales. ne devient de l'alpha qu'après avoir été nettoyée, mappée sur des tickers et convertie en features point-in-time comparées à la baseline propre à chaque entreprise.
• Le lookahead bias est le piège le plus mortel : modélisez toujours le vrai délai de livraison et utilisez des snapshots point-in-time, jamais des données retraitées ou horodatées dans le futur.
• Prémunissez-vous du data-snooping en figeant les hypothèses à l'avance, en gardant une période out-of-sample de côté et en pénalisant les résultats selon le nombre de stratégies testées.
• Neutralisez les expositions sectorielles et de taille et intégrez des coûts réalistes, sinon vous prendrez un pari de bêta pour un véritable edge.
• Traitez la compliance (MNPI, vie privée, provenance) et le rapport coût/capacité comme des contraintes de conception de premier ordre, pas comme des points annexes.