L’univers investissable
Les actions que le modèle examine à chaque rééquilibrage mensuel, et ce que ce choix implique pour l’intégrité des résultats.
Deux univers distincts, deux usages distincts
Approximation du Russell 3000 : les 3 000 plus grandes capitalisations cotées aux États-Unis (NASDAQ + NYSE), actualisées chaque année. Alimenté par les fondamentaux gratuits de SEC EDGAR. Utilisé par le rééquilibrage mensuel qui produit la page Live.
Base point-in-time SimFin : environ 5 000 entreprises cotées aux États-Unis couvertes chaque année, y compris les tickers radiés, fusionnés et en faillite. La seule source réaliste de fondamentaux historiques sans biais à ce niveau de prix.
📈 Univers en direct : le Russell 3000 aujourd’hui
Un instantané des 3 000 plus grandes actions ordinaires cotées aux États-Unis (NASDAQ + NYSE) par capitalisation, destiné à approcher l’indice FTSE Russell 3000. Les ETF, trusts, actions de préférence, warrants, unités et SPAC sont exclus. Actualisé chaque année à partir des cotations publiques.
Les 6 premiers secteurs (en nombre de tickers)
📚 Univers du backtest historique : est-il assez large ?
Une question légitime pour tout backtest de long terme : la première période (2007-2008) contient-elle vraiment assez d’entreprises pour calculer des statistiques en coupe transversale rigoureuses ? Ou ne classe-t-on qu’une poignée de méga-capitalisations ?
Réponse courte : oui, et largement. Voici le nombre réel d’entreprises de la base SimFin utilisée dans le backtest : toutes celles qui ont un compte de résultat annuel complet, un bilan et un chiffre d’affaires positif (1 M$ ou plus) à la clôture de l’exercice.
Taille de l’univers, année par année
Entreprises avec des fondamentaux annuels complets et un chiffre d’affaires positif (1 M$ ou plus). Pointillés = indices de comparaison.
📐 1 362 entreprises, est-ce statistiquement suffisant ?
Le pipeline QMJ repose sur des z-scores de rang en coupe transversale : on classe les entreprises les unes par rapport aux autres à une date donnée. La littérature statistique considère un échantillon assez grand pour l’approximation normale dès n ≥ 30. Notre plus petit univers de fin d’année compte n = 1 362 entreprises, soit 45 fois le seuil minimal.
Répartition sectorielle : la première période est-elle déséquilibrée ?
Question suivante, naturelle : même si 1 362 entreprises suffisent en nombre, sont-elles concentrées dans quelques secteurs ? Ci-dessous, la comparaison côte à côte de la première année (2007) et de l’année du pic (2020). Les 11 secteurs sont représentés dans les deux cas et les proportions restent assez stables : la couverture croissante de SimFin n’est donc pas biaisée en faveur d’un secteur.
Comment se situe notre univers de 2007 ?
Une confrontation avec les univers académiques de référence :
Même l’année la plus faible (2007), l’univers est 2,7 fois plus large que le S&P 500 et 36 % plus large que le Russell 1000. À partir de 2017, il égale ou dépasse le Russell 3000 lui-même.
⚠️ Limite à signaler : la couverture de SimFin s’est étendue avec le temps
L’univers passe de 1 362 entreprises (2007) à 3 167 entreprises (2020), soit une hausse de 130 %. Une partie reflète la croissance réelle du marché (la vague d’introductions en Bourse dans les biotechs a fait passer à elle seule le secteur Santé de 206 à 909 entreprises sur la période). Une autre partie reflète le complément progressif de sa base par SimFin. Le contrôle de l’équilibre sectoriel ci-dessus est notre principale garantie : si les entreprises ajoutées étaient systématiquement différentes (par exemple toutes des valeurs technologiques de croissance), les proportions sectorielles seraient fortement déformées. Ce n’est pas le cas : les 11 secteurs progressent à peu près proportionnellement, ce qui indique que l’extension tient à la maturité de la couverture de SimFin plutôt qu’à un biais de sélection.
Biais du survivant
C’est la principale précaution méthodologique. Un backtest naïf qui utilise le Russell 3000 actuel pour évaluer des rendements passés surestime systématiquement la performance : il ignore toutes les entreprises radiées de la cote, tombées en faillite ou rachetées pendant la période. Ces exclusions concernent surtout des entreprises de moindre qualité aux cours décevants, précisément celles qu’un filtre de qualité aurait évitées. Les retirer de l’univers donne à la stratégie un vent arrière artificiel de +1,5 % à +4 % par an, selon la littérature.
Pour les signaux en direct
Utiliser le Russell 3000 d’aujourd’hui est le bon choix : ce sont littéralement les actions dans lesquelles on peut investir maintenant. Filtrer l’univers actuel pour émettre des signaux à venir n’introduit aucun biais.
Pour le backtest 2007-2026
SimFin conserve les tickers radiés et en faillite : l’univers est reconstruit à chaque date de rééquilibrage avec les seules entreprises réellement cotées à cette date. Aucun biais du survivant.
Pourquoi ne pas remonter le backtest jusqu’en 1996 ?
Question fréquente : SEC EDGAR contient des rapports depuis 1993, ne pourrait-on pas backtester 30 ans au lieu de 19 ? Trois obstacles :
- XBRL obligatoire seulement depuis 2009. Le format lisible par machine d’EDGAR (celui que lit notre pipeline) a été introduit progressivement à partir de 2009 pour les grands émetteurs, puis étendu jusqu’en 2011. Les rapports antérieurs à 2009 n’existent qu’en HTML ou en texte : exploitables mais bruités, ils demandent un important travail d’ingénierie supplémentaire (environ 2 à 3 semaines).
- La composition point-in-time des indices est propriétaire. Pour savoir qui faisait partie du Russell 3000, disons le 30 juin 2001, il faudrait les fichiers historiques de composition de FTSE Russell (abonnement de plus de 10 000 $ par an environ). Les sources gratuites ne donnent que la composition actuelle, ce qui réintroduirait le biais du survivant.
- Suffisance statistique. 19 ans couvrent deux crises majeures (crise financière mondiale, COVID) et trois régimes de taux distincts : c’est déjà plus large que bien des articles publiés de la famille QMJ. Le gain scientifique marginal d’une extension à 30 ans ne justifie pas le coût de données fiables pour un mémoire de master.
L’alternative professionnelle est CRSP + Compustat via WRDS (Wharton Research Data Services), qui fournit des données point-in-time propres depuis 1925. Le tarif institutionnel académique est d’environ 5 000 à 15 000 $ par an : vérifiez si votre université y est abonnée.
Impact concret sur la construction du portefeuille
Sur tout l’horizon 2007-2026, l’entonnoir de chaque rééquilibrage mensuel ressemble à peu près à ceci :
Comment actualiser l’univers en direct
Depuis la racine du dépôt, une fois par an :
python algo/universe/refresh.py
Cette commande régénère algo/universe/russell3000.json à partir des
dernières cotations NASDAQ/NYSE, filtrées et classées par capitalisation.