L’analyse financière a longtemps consisté à lire des documents et à tenir des tableaux. Les rapports annuels arrivaient par courrier, les cours étaient relevés à la main, et la contrainte principale était l’accès à l’information. Cette contrainte a presque disparu. Celle qui l’a remplacée porte sur le tri : les données sont abondantes, leur qualité inégale, et l’essentiel du travail consiste désormais à décider lesquelles méritent attention.
Cet article décrit ce que les outils informatiques ont changé dans ce métier, ce qu’ils automatisent réellement et les limites qui subsistent.
Du document au flux de données
Le premier changement est de nature. Une information financière n’est plus un document que l’on consulte, mais un flux que l’on interroge. Les publications réglementaires, les statistiques des instituts nationaux comme l’INSEE ou Eurostat, les communiqués des banques centrales et l’historique des cours sont disponibles sous des formes directement exploitables par un programme.
Cette distinction commande l’essentiel. Le traitement automatique d’un tableau de résultats trimestriels est un problème résolu depuis longtemps ; l’extraction fiable d’un sens à partir d’un texte reste un travail délicat, et c’est là que se concentrent les efforts récents.
Ce que l’automatisation prend en charge
Trois familles de tâches se sont déplacées vers la machine.
La collecte et la mise en forme viennent en premier. Récupérer une série de cours, la nettoyer de ses valeurs manquantes, la rapprocher d’une série économique publiée à une autre fréquence : ce travail préparatoire occupait une part importante du temps disponible, il est aujourd’hui largement scripté.
Le calcul répétitif suit. Appliquer une même mesure à des milliers de titres, recalculer un indicateur à chaque nouvelle donnée, comparer une valeur à son historique sur vingt ans : la difficulté n’est plus le volume, elle est le choix de la mesure.
La surveillance vient enfin. Détecter la publication d’un document, repérer un écart inhabituel dans une série, signaler qu’un seuil défini à l’avance a été franchi : autant d’opérations qu’un programme exécute sans interruption, là où une attention humaine se relâche.
Un effet moins visible mérite d’être ajouté : la reproductibilité. Une analyse écrite sous forme de programme peut être relancée à l’identique des mois plus tard, sur des données mises à jour, et vérifiée par un tiers qui en suivra chaque étape. Une analyse conduite à la main dans un tableur laisse rarement cette trace, ses étapes intermédiaires étant écrasées à mesure que le travail avance.
Ce qui ne s’automatise pas
Le jugement sur la pertinence d’une donnée reste humain, parce qu’il dépend du contexte. Une série qui change de méthodologie, une entreprise qui modifie son périmètre de consolidation, une statistique révisée deux mois après sa publication : ces événements ne se voient pas dans les chiffres eux-mêmes.
L’interprétation d’un résultat ne s’automatise pas davantage. Un modèle peut établir qu’une relation statistique existe entre deux séries ; il ne dit pas si l’une explique l’autre, si les deux dépendent d’une troisième, ou si la coïncidence est fortuite. Cette distinction relève du raisonnement économique, pas du calcul.
Les limites et les risques propres à ces outils
La première tient à la qualité des données. Un traitement rapide appliqué à des données erronées produit des résultats erronés, plus vite et avec plus d’assurance. L’automatisation ne corrige pas une erreur de source, elle la propage. La difficulté n’est d’ailleurs pas tant que la machine se trompe : c’est qu’elle ne signale pas qu’elle pourrait se tromper. Un traitement automatique présente son résultat avec la même apparence de fiabilité, que ses données d’entrée soient solides ou non, et rien dans la sortie ne distingue les deux cas.
La deuxième concerne l’ajustement excessif. En cherchant assez longtemps dans un historique, on finit toujours par trouver une règle qui aurait bien fonctionné sur cette période précise. Rien ne garantit qu’elle décrive autre chose que le hasard de l’échantillon, et les performances passées ne préjugent pas des performances futures.
La troisième tient à l’opacité. Certains modèles produisent des sorties qu’il est difficile de rattacher à une explication compréhensible. Une décision que l’on ne sait pas expliquer est une décision que l’on ne sait pas corriger lorsqu’elle se révèle fausse.
La quatrième, enfin, est la vitesse elle-même. L’automatisation raccourcit le délai entre un signal et une opération, et supprime au passage le temps de réflexion qui s’y logeait. Les mécanismes de suspension de cotation mis en place par les places boursières répondent en partie à cette accélération.
Ce qu’il faut retenir
- L’accès à l’information n’est plus la contrainte principale de l’analyse financière ; le tri et la vérification le sont devenus.
- Les données structurées se traitent automatiquement depuis longtemps ; l’extraction de sens à partir de textes reste le domaine difficile.
- Collecte, calcul répétitif et surveillance sont largement automatisés ; le jugement sur la pertinence et l’interprétation causale ne le sont pas.
- Un traitement automatique appliqué à des données erronées propage l’erreur au lieu de la corriger.
- Plus on teste d’hypothèses sur un même historique, plus le risque de retenir une régularité fortuite augmente.
- Un modèle dont on ne sait pas expliquer la sortie est un modèle que l’on ne sait pas corriger.