Sous le capot — ce que fait réellement BeRich

1. Vue d'ensemble

BeRich estime, pour chaque actif, une probabilité de tendance haussière à horizon de quelques jours (pas d'intraday) : la chance que la barrière haute (objectif) soit touchée avant la barrière basse (stop) dans les N prochains jours. Ce n'est PAS une prédiction de prix.

Règle d'or non négociable : un modèle n'est « promu » (servi en production) que s'il bat à la fois la baseline LightGBM ET le simple « acheter et garder », en walk-forward, hors échantillon, avec frais et slippage réalistes. Tant que ce n'est pas le cas, tout est affiché comme indicatif. À ce jour, aucun modèle ne franchit cette barre — c'est volontaire et honnête.

2. Acquisition des données

Tout part de données quotidiennes (barres journalières), récupérées et mises en cache localement (Parquet).

• Prix OHLCV (ouverture, haut, bas, clôture, volume) via yfinance, depuis 2010, ajustés des splits/dividendes.
• Univers : ~274 actions US (10 méga-caps + ~113 mid + ~151 small), plus 8 actions FR, 5 paires forex, 3 cryptos, 3 matières premières.
• Calendrier de résultats (earnings) : dates passées et futures, surprises EPS.
• Actualités via Alpha Vantage, puis score de sentiment par FinBERT (voir §4).
• Fondamentaux trimestriels (CA, résultat net, actifs, capitaux propres, dette) — historique court (~5 ans chez yfinance), donc usage prospectif.

3. Feature engineering

À partir des prix, on calcule des indicateurs « causaux » (ils n'utilisent que le passé jusqu'à la date t — jamais le futur). Le jeu de base compte 22 features ; des familles optionnelles s'ajoutent.

Important : les scalers (normalisation) sont calibrés uniquement sur la portion d'entraînement, jamais sur le test — pour éviter toute fuite d'information. La recherche d'hyperparamètres (§8) choisit elle-même quelles familles garder ; le modèle US actif utilise actuellement momentum + calendrier + microstructure.

4. FinBERT (sentiment des actualités)

FinBERT est un modèle de langage spécialisé en finance. Chaque actualité (titre + résumé) est classée en négatif / neutre / positif sur GPU. On en dérive un score de sentiment et des features (sentiment moyen sur 5 jours, intensité, divergence avec le prix). C'est le seul endroit où une IA de type « grand modèle de langage » intervient ; le reste repose sur des modèles tabulaires/séquentiels.

5. Comment on définit « gagner » (labellisation)

Méthode de la triple barrière : pour chaque jour, on ouvre un long hypothétique et on regarde les 10 jours suivants. Objectif = entrée + 2×ATR ; stop = entrée − 1×ATR ; barrière de temps = 10 jours.

• Touche l'objectif en premier → label 1 (gagné).
• Touche le stop en premier → label 0 (perdu).
• Ni l'un ni l'autre en 10 jours → résolu par le signe du rendement final.

Le modèle apprend P(gain) = probabilité de toucher l'objectif avant le stop. Comme le ratio gain/risque est 2:1, le seuil de rentabilité n'est pas 50 % mais ~33 % : au-dessus de 33 % de chances de gain, l'espérance est positive.

6. Les modèles

Tous respectent une interface commune (entraînement / prédiction de probabilité), donc interchangeables.

• LightGBM : arbres de décision boostés (CPU, rapide) — c'est la baseline et le modèle US actuellement servi.
• LSTM, PatchTST (transformeur), TFT : réseaux profonds sur GPU (pur PyTorch), lisant l'historique récent par séquences.
• Ensemble (stacking) : un méta-modèle combine les avis des modèles de base, sans fuite (validation croisée temporelle).
• Modèles dédiés par classe d'actif : un modèle propre à la crypto, au forex, aux matières premières, aux actions FR (avec son proxy de régime : Bitcoin pour la crypto, indice dollar pour le forex).
• Rankers long/short : versions « régression » pour classer les actifs entre eux (voir §11).

7. Entraînement, validation et choix du modèle

On utilise une validation « walk-forward » : on entraîne sur le passé, on prédit sur une fenêtre future jamais vue, on avance, et on répète. Un embargo (égal à l'horizon) sépare entraînement et test pour éviter tout chevauchement. C'est ainsi qu'on obtient des métriques honnêtes hors échantillon (AUC, Sharpe).

Le choix du modèle passe par la « guard rule » : la promotion est refusée automatiquement si le candidat ne bat pas à la fois la baseline ET le buy & hold (pour le long-only), ou s'il n'affiche pas un Sharpe positif et statistiquement significatif (Sharpe dégonflé / DSR, pour le market-neutral). Impossible de servir un modèle pire sans forçage explicite.

8. Recherche d'hyperparamètres (HPO)

Avec Optuna, on cherche automatiquement les meilleurs réglages — ET les meilleures features (chaque famille peut être activée/désactivée par la recherche). L'objectif n'est pas le Sharpe brut (trop sensible au biais de sélection) mais la VRAIE compétence de classement :

• Tâche US (binaire) : on maximise l'AUC out-of-sample (pouvoir de discrimination).
• Long/short : on maximise le rank-IC (corrélation de rang entre prédiction et réalité).

Les essais sont suivis dans MLflow et partagés dans une base commune entre les 2 GPU. Les meilleurs paramètres trouvés alimentent automatiquement le ré-entraînement nocturne.

9. Calibration et méta-étiquetage

Le modèle brut est souvent trop optimiste. La calibration (isotonique, ajustée hors échantillon) corrige la probabilité pour qu'elle colle à la réalité : si le modèle disait 0,63 mais ne gagnait en fait que 34 % du temps à ce niveau, la probabilité affichée devient 0,34. C'est cette probabilité honnête qui décide du signal.

Méta-étiquetage (optionnel) : un second modèle juge si le signal principal est fiable et peut rétrograder un ACHAT douteux en NEUTRE — un filtre de précision.

10. Cadence de ré-entraînement (automatique)

Tout tourne seul, chaque jour ouvré (heure de Paris) :

11. Stratégie marché-neutre (long/short)

Au lieu de parier « le marché monte », on classe ~274 actions chaque jour, on achète le meilleur décile et on vend à découvert le pire, à montants égaux (dollar-neutre). On ne gagne alors que sur l'écart entre bons et mauvais titres — le mouvement global du marché est neutralisé. Rééquilibrage tous les ~5 jours, pondération inverse-vol, gate sur le Sharpe dégonflé. À ce jour, le rank-IC est ≈ 0 (pas de compétence de tri exploitable) — donc aucun edge validé, affiché comme tel.

12. Comment lire les signaux (achat / stop / objectif)

Pour chaque actif, le tableau de bord montre une probabilité de gain calibrée P(win) et un verdict :

Point crucial : NEUTRE ne veut PAS dire « vends ». Cela signifie « pas de signal franc ». Le seuil d'achat (0,35) tient compte du payoff 2:1 (point mort ~0,33).

• Prix d'entrée : la dernière clôture.
• Stop-loss (où couper la perte) : entrée − 1×ATR × facteur de volatilité. Le facteur élargit le stop quand le marché est agité, le resserre quand il est calme (SL/TP adaptatifs). Quand un modèle distributionnel est disponible, le stop peut aussi venir du quantile bas (q10) du rendement prévu.
• Take-profit (où prendre le bénéfice) : entrée + 2×ATR × facteur de volatilité (ou quantile haut q90).
• Taille de position : calculée pour ne risquer qu'1 % du capital jusqu'au stop.
• Bande q10–q90 : quand affichée, c'est l'éventail de rendements prévus (incertitude).

13. Honnêteté & limites

BeRich ne prétend pas avoir un edge. La meilleure discrimination US actuelle (AUC ≈ 0,536) reste faible (0,5 = hasard), et rien ne bat le buy & hold sur le Sharpe. La microstructure est le levier de features le plus prometteur à ce jour ; les fondamentaux ne sont pas validables faute d'historique. Les signaux sont des aides à la décision, PAS des conseils financiers. La bannière « indicatif / expérimental » est affichée partout, et la guard rule empêche toute promotion non méritée.