La qualité des données financières de long terme
Quand les « données alternatives » compromettent la qualité des prévisions à long terme des analystes financiers ( dans The Conversation)
par
Thierry Foucault
Professeur de Finance, HEC Paris Business School
À rebours de ce que l’on pourrait croire, la multiplication des données n’améliore pas mécaniquement la qualité des prévisions. Cela se vérifie pour l’analyse financière, un savoir-faire clé qui influence l’évolution des marchés. Les nouvelles plateformes comme Stockwits ont des effets ambigus sur la qualité des prévisions.
Depuis le début du siècle, le nombre de satellites en orbite autour de la Terre a explosé de plus de 800 %, passant de moins de 1 000 à plus de 9 000. Cette prolifération entraîne des dérives étonnantes, et parfois inquiétantes. Exemple parmi d’autres : certaines entreprises vendent aux analystes financiers des images satellites de parkings. Ces derniers s’en servent pour évaluer la fréquentation des magasins, comparer les enseignes entre elles et estimer leur chiffre d’affaires.
Ce n’est là qu’un exemple des nouvelles informations, ou « données alternatives », désormais à la disposition des analystes pour les aider à prédire les performances boursières futures. Auparavant, les analystes fondaient leurs prévisions sur les seuls états financiers publics des entreprises.
D’après nos recherches, la multiplication de ces nouvelles sources de données améliore les prévisions à court terme, mais détériore l’analyse à long terme – un déséquilibre aux conséquences potentiellement majeures.
Tweets, messages sur les réseaux sociaux et données de cartes bancaires
Dans une étude consacrée à l’impact des données alternatives sur les prévisions financières, nous avons recensé plus de 500 entreprises qui en vendaient en 2017 – contre moins de 50 en 1996. Aujourd’hui, le courtier en données Datarade propose plus de 3 000 jeux de données alternatives à la vente.
En plus des images satellites, de nouvelles sources d’information incluent Google, les statistiques issues des cartes de crédit et les réseaux sociaux comme X ou Stocktwits – une plateforme populaire de type X où les investisseurs partagent leurs analyses du marché.
Sur Stocktwits, par exemple, les utilisateurs publient des graphiques illustrant l’évolution du cours d’une action (comme celle d’Apple) accompagnés de commentaires expliquant pourquoi cette tendance augure, selon eux, d’une hausse ou d’une baisse. Ils évoquent aussi le lancement de nouveaux produits et précisent si cela les rend optimistes (ou pessimistes quant à l’évolution de l’action de l’entreprise.
En nous appuyant sur les données du système I/B/E/S (Institutional Brokers’ Estimate System) et sur des analyses de régression, nous avons évalué la qualité de 65 millions de prévisions réalisées par des analystes financiers entre 1983 et 2017, en comparant leurs anticipations aux bénéfices par action effectivement réalisés par les entreprises.
Comme d’autres chercheurs avant nous, nous avons constaté que la multiplication des données disponibles explique en partie pourquoi les analystes financiers sont devenus de plus en plus performants dans leurs prévisions à court terme. Mais nous avons poussé l’analyse plus loin, en nous demandant quel était l’impact de ces données alternatives sur les prévisions à long terme. Résultat : sur la même période où la précision des prévisions à court terme s’est améliorée, la fiabilité des projections à long terme, elle, a reculé.
Plus de données, mais une attention limitée
En raison de sa nature, la donnée alternative – c’est-à-dire une information en temps réel sur les entreprises – s’avère surtout utile pour les prévisions à court terme. Les analyses à plus long terme, sur un horizon d’un à cinq ans, relèvent en revanche d’un exercice de jugement bien plus exigeant.
Des travaux antérieurs ont confirmé ce que le bon sens laissait entendre : les analystes disposent d’une capacité d’attention limitée. Lorsqu’ils doivent suivre un large portefeuille d’entreprises, leur concentration se disperse et leurs performances commencent à décroître.
Nous avons voulu savoir si la progression de la précision des prévisions à court terme, parallèlement à la dégradation des prévisions à long terme – telles que nous les avions constatées dans notre analyse des données I/B/E/S – pouvait s’expliquer par la prolifération concomitante de sources alternatives d’information financière.
Pour explorer cette hypothèse, nous avons analysé l’ensemble des discussions portant sur des actions publiées sur Stocktwits entre 2009 et 2017. Sans surprise, certaines entreprises comme Apple, Google ou Walmart ont suscité un volume bien plus important d’échanges que des sociétés de plus petite taille, parfois même non cotées sur le Nasdaq.
Nous avons émis l’hypothèse que les analystes suivant des actions largement commentées sur la plateforme – et donc exposés à une forte densité de données alternatives – verraient la qualité de leurs prévisions à long terme décliner plus fortement que ceux couvrant des titres peu discutés. C’est précisément ce que nous avons constaté après avoir contrôlé des variables telles que la taille des entreprises, leur ancienneté ou leur croissance des ventes.
Nous en avons déduit que, bénéficiant d’un accès facilité à des informations utiles pour l’analyse à court terme, les analystes concentraient leurs efforts sur ce type de prévisions – au détriment de l’attention consacrée aux projections à long terme.
Les conséquences plus larges d’une mauvaise prévision à long terme
Les conséquences de cette surabondance de données alternatives pourraient être considérables. Lorsqu’ils évaluent la valeur d’une action, les investisseurs doivent prendre en compte à la fois les prévisions à court terme et celles à long terme. Si la qualité des prévisions à long terme se détériore, il y a de fortes chances que les prix des actions ne reflètent plus fidèlement la valeur réelle des entreprises.
Par ailleurs, une entreprise souhaite généralement que la valeur de ses décisions se reflète dans le cours de son action. Mais si les décisions à long terme sont mal intégrées par les analystes, elle pourrait être moins encline à investir dans des projets dont les retombées ne se matérialiseront que dans plusieurs années.
Dans l’industrie minière, par exemple, construire une nouvelle mine prend du temps. Il faut parfois neuf ou dix ans avant qu’un investissement commence à générer des flux de trésorerie. Les entreprises pourraient être moins enclines à engager de tels investissements si, par exemple, leurs actions risquent d’être sous-évaluées, parce que les acteurs du marché disposent de prévisions moins précises sur les effets de ces investissements à long terme sur les flux de trésorerie – un sujet que nous explorons dans un autre article en cours de rédaction.
L’exemple des investissements dans la réduction des émissions de carbone est encore plus préoccupant. Ce type d’investissement ne produit généralement des bénéfices qu’à long terme, à un moment où le réchauffement climatique sera un enjeu encore plus critique. Les entreprises pourraient être moins incitées à les réaliser si la valeur de ces investissements n’est pas rapidement intégrée dans leur valorisation.
Applications concrètes
Les résultats de notre recherche suggèrent qu’il serait judicieux, pour les entreprises financières, de séparer les équipes chargées des prévisions à court terme de celles dédiées aux projections à long terme. Cela permettrait d’éviter qu’un même analyste ou qu’une seule équipe soit submergée par des données utiles au court terme tout en devant simultanément évaluer des perspectives à plusieurs années. Nos conclusions présentent également un intérêt pour les investisseurs en quête de bonnes affaires : si les prévisions à long terme perdent en qualité, cela peut ouvrir des opportunités à ceux capables de repérer des entreprises sous-évaluées.