La plupart des investisseurs ne commencent pas par une formule.
Ils commencent par une idée : trouver des entreprises rentables, générant du cash, peu endettées et capables de croître durablement.
La difficulté vient ensuite.
Comment transformer cette idée en une méthode de sélection réellement exploitable ? Quel indicateur utiliser pour mesurer la rentabilité ? Quel niveau d’endettement accepter ? Faut-il exclure une entreprise simplement parce qu’elle est chère, ou seulement réduire son score ? Et comment combiner plusieurs critères sans leur donner arbitrairement le même poids ?
Dans ce tutoriel, nous allons utiliser PrimeStrider pour transformer une idée d’investissement simple en :
- filtres quantitatifs,
- modèle de scoring pondéré,
- univers d’actions classées,
- et backtest historique.
L’objectif n’est pas de trouver une formule magique. Il s’agit de rendre une idée d’investissement explicite, mesurable et reproductible.
1. Commencer par la thèse d’investissement
Pour cet exemple, nous voulons identifier des entreprises établies présentant plusieurs caractéristiques :
- une forte rentabilité,
- une bonne génération de cash,
- un endettement raisonnable,
- une croissance positive à long terme,
- et suffisamment d’historique boursier pour pouvoir les analyser correctement.
La valorisation doit également compter, mais nous ne voulons pas éliminer automatiquement une excellente entreprise simplement parce qu’elle se paie plus cher que la moyenne.
Le momentum et le risque de baisse historique peuvent être pris en compte, mais ils doivent rester secondaires par rapport aux fondamentaux.
Notre hiérarchie est donc simple :
qualité de l’entreprise → solidité financière → croissance → valorisation → comportement boursier
2. Décrire la stratégie en langage naturel
Au lieu de sélectionner manuellement chaque ratio financier, l’assistant IA de PrimeStrider permet simplement de décrire le type d’entreprise recherché.
Prompt de scoring
Find high-quality companies with strong profitability, good cash flow, low debt and steady revenue growth. Prioritize fundamentals, keep valuation important but secondary, and give only a small weight to price momentum and downside risk.
PrimeStrider traduit ensuite cette demande en un modèle de scoring explicite.
Dans notre exemple, l’IA a construit un modèle composé de 11 facteurs :
| Facteur | Poids |
|---|---|
| ROIC | 20% |
| Debt / Equity | 13% |
| ROE | 13% |
| FCF / OCF | 13% |
| Revenue Growth (5Y) | 10% |
| Net Margin | 10% |
| Net Debt / EBITDA | 10% |
| Revenue Growth CV (5Y) | 7% |
| P/E | 3% |
| Momentum Score | 1% |
| Max Drawdown (5Y) | 1% |
La structure reflète bien la demande initiale : la rentabilité, la génération de cash et la solidité du bilan dominent le score, tandis que la valorisation, le momentum et le risque de baisse jouent un rôle plus limité.
Prompt de filtres
Le scoring sert à déterminer quelles entreprises nous préférons. Les filtres servent à définir les conditions minimales qu’une entreprise doit respecter avant même d’être classée.
Keep only established, financially healthy and profitable companies with good cash flow, reasonable debt and positive long-term revenue growth. Exclude very small companies and businesses with weak balance sheets. Listed for at least 5 years.
PrimeStrider convertit ensuite cette demande qualitative en règles quantitatives :
- ancienneté minimale en bourse,
- capitalisation minimale,
- rentabilité minimale,
- croissance positive à long terme,
- endettement maximal,
- niveau minimum de conversion du cash-flow,
- et indicateurs minimums de qualité financière.
3. Filtres et scoring ne servent pas au même objectif
Cette distinction est essentielle.
Un filtre est binaire : une entreprise passe ou ne passe pas.
Un score est relatif : une entreprise peut être excellente sur certains critères et moins bonne sur d’autres tout en restant dans l’univers sélectionné.
Imaginons deux entreprises.
- L’entreprise A affiche une excellente rentabilité, peu de dette et une forte croissance, mais elle est relativement chère.
- L’entreprise B est moins chère, mais présente une rentabilité et une croissance plus faibles.
Si nous utilisons un filtre strict de valorisation, l’entreprise A pourrait être totalement exclue.
Pourtant, notre thèse d’investissement indique que la qualité compte davantage que le prix. Il est donc plus logique d’intégrer la valorisation dans le scoring avec un poids limité, plutôt que de supprimer automatiquement toutes les entreprises plus chères.
Une règle simple à retenir :
Les filtres définissent ce que vous refusez. Le scoring définit ce que vous préférez.
4. Classer les entreprises restantes
Une fois les filtres appliqués, il reste généralement un univers assez large d’entreprises éligibles.
C’est volontaire.
Les filtres servent à éliminer les sociétés qui ne correspondent clairement pas à la stratégie. Ils ne doivent pas nécessairement réduire immédiatement l’univers à dix ou vingt actions.
PrimeStrider calcule ensuite le score pondéré de chaque entreprise restante et classe l’univers du meilleur au moins bon score.
Les données financières restent visibles à côté du score afin que le classement ne soit pas une boîte noire. On peut notamment comparer :
- Debt / Equity,
- capitalisation boursière,
- Net Margin,
- P/E,
- ROE,
- et score global.
5. Pourquoi utiliser un Top 20 plutôt que sélectionner une seule action ?
L’objectif d’un screener systématique n’est généralement pas de trouver une hypothétique « meilleure action ».
Les données financières sont imparfaites. Les structures comptables diffèrent selon les secteurs. Les entreprises évoluent. Et même une excellente société peut connaître plusieurs années de mauvaises performances boursières.
Un portefeuille Top 10 ou Top 20 permet donc d’évaluer le comportement de la méthodologie de sélection, plutôt que de dépendre d’une seule entreprise.
Pour cet exemple, nous utilisons le Top 20 des actions selon le score.
Une pondération équipondérée est particulièrement adaptée à une analyse, car aucune entreprise ne domine artificiellement les résultats.
Avec vingt positions, chaque action représente initialement environ 5% du portefeuille.
6. Backtester la stratégie obtenue
La sélection obtenue peut ensuite être envoyée directement dans le module de backtest de PrimeStrider.
Le workflow complet devient donc :
idée d’investissement → scoring IA → filtres IA → actions classées → backtest historique
Le portefeuille peut ensuite être comparé à un benchmark comme le MSCI World et analysé selon plusieurs métriques :
- performance totale,
- CAGR,
- maximum drawdown,
- volatilité,
- ratio de Sharpe,
- et performance relative par rapport au benchmark.
7. Ne pas juger une stratégie uniquement sur sa performance finale
Un backtest devient réellement utile lorsqu’on regarde au-delà de la performance totale.
Le maximum drawdown permet d’observer l’ampleur des pertes historiques.
La volatilité donne une indication sur l’instabilité du parcours.
Le ratio de Sharpe permet de replacer la performance historique dans le contexte du risque pris.
La comparaison avec un benchmark permet également de vérifier si la surperformance a été relativement régulière ou concentrée sur quelques périodes seulement.
La bonne question n’est donc pas simplement :
Quelle stratégie affiche le CAGR historique le plus élevé ?
Mais plutôt :
Est-ce que cette méthodologie d’investissement s’est comportée historiquement comme je l’imaginais ?
8. Un backtest n’est pas une prévision
De bons résultats historiques ne doivent jamais être interprétés comme une promesse de performance future.
Un backtest peut être influencé par de nombreux éléments :
- la date de début et de fin choisie,
- la qualité et la disponibilité des données historiques,
- la construction de l’univers d’investissement,
- le biais de survivance,
- le biais d’anticipation ou look-ahead bias,
- les hypothèses de rebalancement,
- les frais de transaction,
- la liquidité,
- et les opérations sur titres.
Il existe aussi une différence importante entre sélectionner des entreprises à partir des données disponibles aujourd’hui et reconstruire exactement ce qu’un investisseur aurait pu connaître à chaque date historique.
Un véritable backtest point-in-time nécessite des fondamentaux historiques et des sélections construites uniquement avec les informations disponibles à l’époque.
Le backtest doit donc être considéré avant tout comme un outil de recherche et de stress-test, et non comme un moteur de prédiction.
9. Éviter d’optimiser la stratégie après avoir vu le backtest
L’un des pièges les plus fréquents en investissement systématique consiste à modifier continuellement les règles jusqu’à obtenir une courbe historique très attractive.
On augmente le ROIC minimum.
On modifie le seuil de croissance.
On retire un critère et on en ajoute un autre.
Puis on relance le backtest.
À force de répétitions, on peut finir par trouver une combinaison qui aurait parfaitement fonctionné dans le passé, simplement parce qu’elle a été ajustée aux données historiques.
Une approche plus disciplinée consiste à :
- définir la thèse d’investissement,
- la traduire en règles explicites,
- vérifier la logique de ces règles,
- figer les principales hypothèses,
- et seulement ensuite regarder les résultats historiques.
C’est la logique utilisée dans cet exemple.
10. L’IA construit un point de départ, vous gardez le contrôle
Le modèle généré par PrimeStrider reste entièrement modifiable.
Vous pouvez par exemple estimer que :
- le ROIC possède trop de poids,
- la valorisation devrait compter davantage,
- le momentum devrait être supprimé,
- deux métriques d’endettement font doublon,
- la capitalisation minimale devrait être supérieure,
- ou qu’un indicateur de qualité financière n’est pas adapté à votre univers.
Les facteurs, pondérations et seuils peuvent être modifiés manuellement.
L’IA agit donc comme un assistant de construction de stratégie, et non comme un stock picker opaque.
11. Appliquer le même workflow à d’autres styles d’investissement
La même méthode peut être utilisée pour construire de nombreux autres screeners.
Value
Find profitable companies trading at inexpensive valuations relative to earnings and cash flow. Prioritize strong balance sheets and avoid highly leveraged businesses.
Growth
Find companies with strong and consistent revenue growth, improving profitability and healthy balance sheets. Growth quality should matter more than short-term price momentum.
Dividendes
Find established companies with sustainable dividends, strong free cash flow, reasonable payout ratios and resilient balance sheets.
Quality at a reasonable price
Find highly profitable companies with strong returns on capital and reliable cash generation, but penalize companies trading at excessive valuations.
Le processus reste toujours le même :
décrire → générer → vérifier → filtrer → classer → tester.
D’une idée d’investissement à une méthode reproductible
Un bon screener ne devrait pas simplement proposer des centaines de filtres.
Il devrait aider l’investisseur à transformer une idée en méthode explicite, modifiable et testable.
Dans cet exemple, nous sommes partis d’une demande très simple :
Find high-quality companies with strong profitability, good cash flow, low debt and steady revenue growth.
À partir de cette idée, PrimeStrider a généré :
- un modèle de scoring pondéré basé sur 11 facteurs,
- des conditions minimales quantitatives,
- un univers mondial d’actions classées,
- une sélection Top 20,
- et un portefeuille pouvant être testé historiquement face à un benchmark.
Le point important est que chaque étape reste visible et modifiable.
L’investisseur peut contester les choix de l’IA, modifier les hypothèses, comparer différentes stratégies et analyser si le portefeuille obtenu correspond réellement à son idée initiale.
Créez votre propre screener avec l’IA
Vous pouvez reproduire ce workflow directement dans PrimeStrider.
Commencez par décrire le type d’entreprise recherché. Laissez ensuite l’IA construire une première version du scoring et des filtres, vérifiez les règles proposées, modifiez ce avec quoi vous n’êtes pas d’accord, puis classez et testez la sélection obtenue.
Avertissement : Cet article est fourni uniquement à titre informatif et pédagogique. Il ne constitue ni un conseil en investissement, ni une recommandation, ni une offre d’achat ou de vente de titres financiers. Les résultats de screening et les backtests historiques dépendent des données, des hypothèses et de la méthodologie utilisées. Les performances passées et les simulations historiques ne préjugent pas des performances futures.