En images
Chaque image illustre une étape de notre travail : définir les régimes, analyser les
facteurs, produire des rapports lisibles et maintenir un dialogue constant avec les
équipes de contrôle et de gouvernance.
On nous demande souvent si l’IA remplace l’analyse humaine. Notre réponse est toujours la même : non, surtout pas dans un contexte de marché complexe et régulé. Nous voyons l’IA comme un filtre qui met en avant les régimes et les facteurs qui méritent un examen humain approfondi.
Nous construisons nos modèles en partant des questions des équipes risques et des
comités d’investissement internes, pas l’inverse. Nous cherchons à savoir ce qui rend un
signal crédible à leurs yeux : transparence des hypothèses, sens économique, stabilité
relative par régime, sensibilité aux données manquantes. À partir de là, nous adaptons
nos modèles pour produire des sorties qui répondent à ces questions, sous forme de
graphiques simples, de tableaux de sensibilité et de scénarios contrastés. Nous évitons
les promesses globales, nous préférons des réponses ciblées à des questions précises,
avec un rappel constant : Results may vary.
Nous nous appuyons sur des travaux académiques publiés et sur des retours d’expérience
de praticiens. Nous citons nos sources, nous indiquons où nous nous en écartons et
pourquoi. Quand une idée vient d’un article, nous le mentionnons. Quand elle vient d’une
pratique de terrain, nous décrivons le contexte. Cette transparence aide les équipes
conformité à évaluer si le modèle reste dans le cadre de leur politique interne et à
documenter leurs propres revues périodiques.
Nous considérons chaque modèle comme une hypothèse de travail, jamais comme un verdict.
Nous prévoyons des indicateurs simples pour signaler quand un modèle dérive, par exemple
une performance très différente entre régimes ou une sensibilité inattendue à un facteur
secondaire. Dans ces cas, nous recommandons de réduire la confiance accordée au modèle
et d’ouvrir une revue ciblée. Past performance doesn't guarantee future results, et
nous traitons cette phrase comme une règle de conception, pas comme une simple mention
légale.
Notre façon de travailler avec les équipes internes
Nous ne promettons pas que nos modèles détecteront chaque changement de régime ni que
chaque facteur restera pertinent. Nous expliquons comment ils se comportent, où ils sont
fiables, où ils deviennent fragiles, et comment les équipes peuvent garder le contrôle.
Ce que nous faisons et ce que nous ne faisons pas
Nous décrivons des dynamiques de marché et des relations de facteurs dépendantes des
régimes. Nous ne proposons pas de conseils individuels, ni de schémas de décision clé en
main, et nous insistons sur les limites de toute analyse basée sur des données passées.
Un autre point revient souvent : où placez-vous la frontière entre analyse de marché et
conseil individuel ? Nous tenons à ce que cette frontière reste nette, pour des raisons à la
fois réglementaires et éthiques.
Nous produisons des analyses de régimes de marché et de relations entre facteurs. Nous ne donnons pas de recommandations personnalisées, nous ne définissons pas d’objectifs patrimoniaux et nous ne proposons pas de plans d’action individuels. Nos livrables sont conçus pour des équipes professionnelles qui disposent déjà de leurs propres cadres de décision et de leurs propres responsabilités réglementaires. Ils restent responsables de la manière dont ils utilisent ou non nos analyses dans leurs processus internes.
Nous rappelons systématiquement que nos travaux reposent sur des données historiques et sur des hypothèses qui peuvent se révéler inexactes. Les marchés peuvent changer pour des raisons qui échappent à nos modèles. Past performance doesn't guarantee future results, et nous l’indiquons de façon visible. Nos modèles de facteurs dépendants des régimes doivent être vus comme un outil de lecture des dynamiques de marché, pas comme un moyen d’anticiper de façon certaine les évolutions futures.
Nous invitons enfin chaque client institutionnel à confronter nos analyses à ses propres contraintes de gouvernance, de risques et de conformité. Quand un doute existe, nous recommandons de privilégier la prudence et la clarté documentaire. Nos équipes sont disponibles pour expliquer la méthodologie, les limites et les zones d’ombre, mais la décision finale reste toujours du côté des organes compétents. Results may vary selon les hypothèses retenues, les horizons considérés et les choix opérationnels faits en interne.
Notre équipe
Nous avons appris à douter des signaux qui semblent trop stables. Plusieurs membres de l’équipe ont travaillé dans des environnements où un même modèle était appliqué partout, sans tenir compte des régimes. Nous avons vu ce que cela produisait pendant des phases de stress. Cette expérience nous pousse aujourd’hui à concevoir des outils qui rendent visibles les changements de régime avant qu’ils ne deviennent évidents dans les résultats globaux.
Notre équipe réunit des analystes quantitatifs, des spécialistes risques, des profils data et des personnes passées par des fonctions conformité. Nous parlons le langage des comités, pas seulement celui des modèles. Nous utilisons une méthode interne simple : observer, segmenter, tester, contester. Chaque membre a le droit explicite de remettre en cause une hypothèse centrale si les données le justifient. Cette culture du doute encadré est au cœur de notre travail sur les régimes et les facteurs.
Notre méthode
Comment nous passons d’un marché perçu comme homogène à une lecture par régimes successifs, avec des facteurs qui montent ou baissent en importance selon le contexte et la liquidité disponible.
Un responsable risques nous a résumé son besoin ainsi : nous ne cherchons pas une nouvelle boîte noire, nous voulons un outil qui nous aide à poser de meilleures questions. Nous avons bâti notre travail autour de cette phrase. Nous analysons les régimes de marché, nous estimons les facteurs dominants par régime, puis nous montrons comment ces facteurs interagissent avec des indicateurs de liquidité, de volatilité et de concentration. Chaque rapport précise la période, les hypothèses et les points faibles. Nous fournissons aussi des scénarios simples : que se passe-t-il si le régime change selon tel critère défini à l’avance ? Nous ne donnons pas de consignes de transaction, nous fournissons un cadre pour challenger les décisions existantes.
Nous écrire
Nous traitons chaque critique comme une hypothèse à tester, surtout quand elle porte sur la
stabilité des régimes, la robustesse des facteurs ou la lisibilité pour les équipes de
contrôle.
Répondre aux questions et aux objections
Un lecteur sceptique nous a écrit : votre approche semble intéressante, mais comment
êtes-vous sûrs de ne pas suradapter les régimes ? Nous avons apprécié cette question, parce
qu’elle touche un point central de notre travail.
Pour limiter le risque de suradaptation, nous utilisons des règles simples pour
définir les régimes et nous testons leur stabilité sur des périodes distinctes. Nous
évitons les partitions trop fines qui donnent une impression de précision, mais qui
ne se retrouvent pas dans la pratique. Nous préférons quelques régimes robustes,
reliés à des phénomènes observables comme des changements de volatilité, de
liquidité ou de corrélation entre grandes classes d’actifs. Cela rend les
discussions plus concrètes pour les équipes risques et pour les organes de contrôle
internes.
Nous séparons clairement la phase de recherche de la phase d’usage. Pendant la recherche, nous explorons plusieurs façons de découper les régimes et de combiner les facteurs. Pendant l’usage, nous figeons une version documentée et nous suivons ses performances dans le temps. Quand une mise à jour est nécessaire, nous la traitons comme une nouvelle version, avec ses propres tests et sa propre revue. Cette discipline évite que des changements fréquents brouillent la lecture des résultats et compliquent les audits ultérieurs.
Nous travaillons aussi sur la sobriété des indicateurs produits. Plutôt que d’ajouter des scores et des alertes, nous cherchons à réduire le bruit et à mettre en avant quelques signaux de changement de régime qui méritent une discussion humaine. Nos rapports sont conçus pour être lus par des personnes qui n’ont pas construit le modèle : responsables risques, conformité, direction. S’ils ne comprennent pas en quelques pages ce que le modèle fait et ne fait pas, nous considérons que notre travail n’est pas terminé.
Notre cadre de travail en quatre temps
Nous avançons par étapes courtes. D’abord nous décrivons le marché tel qu’il est, ensuite nous testons des hypothèses simples sur les régimes, enfin nous relions ces régimes aux facteurs que les équipes suivent déjà. Ce travail ne remplace pas les comités, il leur fournit des scénarios structurés et des angles de contrôle supplémentaires.
-
01
Cartographier les régimes
Nous commençons toujours par un diagnostic de données : provenance, qualité, transformations appliquées. Nous définissons ensuite des segments de marché par période, volatilité et profondeur, puis nous testons si ces segments correspondent à des régimes stables ou transitoires. Nous préférons des critères de segmentation faciles à expliquer et à auditer plutôt que des découpages complexes difficiles à valider.
-
02
Analyser les facteurs
Une fois les régimes définis, nous estimons la contribution relative de différents facteurs dans chaque état. Nous observons comment leur importance change quand le régime bascule et nous signalons les zones de fragilité, par exemple une dépendance excessive à un petit nombre de signaux. L’objectif n’est pas de produire un score unique, mais une lecture structurée que les équipes risques et recherche peuvent discuter.
-
03
Relier aux usages
Nous relions ensuite régimes et facteurs à des cas d’usage concrets : surveillance des expositions, revue périodique des signaux, préparation de scénarios internes. Nous proposons une matrice simple qui indique où le modèle est informatif, où il devient incertain et où il ne doit pas être utilisé seul. Chaque usage reste sous le contrôle des équipes internes, qui gardent la main sur les décisions finales.
-
04
Documenter et auditer
Enfin, nous documentons nos modèles comme nous documenterions une procédure de contrôle : hypothèses, limites, tests de robustesse, versions. Nous gardons un historique des changements pour permettre des revues ultérieures et des audits indépendants. Cette discipline ralentit parfois le déploiement, mais elle réduit les malentendus et les attentes irréalistes autour de l’IA appliquée aux marchés.
Notre approche
On nous a dit un jour que nos modèles étaient trop prudents pour être utiles. Nous avons pris cette critique au sérieux et nous avons décidé de montrer, pas de promettre. Nous travaillons sur l’IA pour la recherche de marché financier avec une idée fixe : comprendre comment les relations de facteurs changent selon les régimes plutôt que chercher une formule magique. Nous testons chaque hypothèse, nous gardons la trace des erreurs et nous documentons les limites avant de parler des gains possibles.
Nous venons d’équipes risques, quant et conformité. Nous avons vu des signaux
fonctionner, puis s’effondrer quand le régime de marché changeait. Nous construisons
donc des modèles de facteurs dépendants des régimes qui visent d’abord la lisibilité
pour un comité de risques. Nous préférons une métrique simple, traçable, à un score
opaque difficile à expliquer en comité d’investissement.
Notre travail porte sur la détection de régimes, la sélection de facteurs robustes et la
cartographie de leurs interactions au fil du temps. Nous utilisons des jeux de données
publics et des flux institutionnels, toujours avec des procédures de contrôle qualité
explicites. Nous séparons clairement recherche, test et usage en production, afin que
chaque équipe puisse contester un résultat, le reproduire et décider en connaissance de
cause. Past performance does not guarantee future results.
