Méthodologie

Modèles IA, données nettoyées puis enrichies par notre recherche, structure des prompts, garde-fous anti-hallucination, et la façon dont sont construits le Top Databourse et les portefeuilles Databourse.

L’ingénierie IA n’est pas dans le prompt, elle est dans le code. Les chiffres sont calculés en amont par le backend (Python), les sources sont structurées, le modèle ne fait que synthétiser. Cette discipline d’ingénieur est ce qui rend les analyses fiables et reproductibles, pas l’IA seule.

Et surtout : le modèle ne travaille jamais sur sa culture générale des marchés. Il lit un dossier préparé, dont chaque indicateur a été retenu par nos propres travaux de recherche empirique. C’est cette couche-là, invisible pour l’utilisateur, qui fait la différence entre une analyse Databourse et un chatbot à qui l’on demande son avis sur une action.

1. Modèles IA utilisés

Claude Opus 5 (Anthropic) — copilotes value, croissance, portefeuille, synthèse de thèses d’investissement. Utilisé pour les analyses qui demandent un raisonnement structuré sur plusieurs centaines de points de données financières.
Grok 4.5 (xAI) — analyse newsflow, catalyseurs récents, recherche d’information factuelle datée. Utilisé pour son accès en temps réel à des sources d’actualité.
Modèles complémentaires — synthèses courtes, classification, rerank. Le choix du modèle dépend de la tâche (raisonnement long vs synthèse courte vs recherche datée).

2. Sources de données

Toutes les données financières viennent de fournisseurs reconnus, jamais d’IA. Les copilotes sont connectés en temps réel à des API financières professionnelles :

API financières professionnelles — fondamentaux, prix, ratios, opérations d’initiés (formulaires SEC), 13F des fonds US, consensus analystes. Données récupérées en temps réel à chaque analyse.
Calculs internes — Altman Z-score, momentum (Jegadeesh & Titman), équation de Bogle, etc., calculés à partir des données brutes.
Univers d’étude — actions cotées sur les principaux indices mondiaux (S&P 500, Nasdaq, CAC 40, DAX, FTSE 100, Nikkei 225, etc.).

3. De la donnée brute au dossier d’analyse

Aucune donnée ne part telle quelle vers un modèle. Elle traverse trois étages, et c’est le troisième qui nous appartient en propre.

Étage 1 — Collecte. États financiers, prix, volumes, opérations d’initiés, déclarations 13F et consensus analystes proviennent de fournisseurs professionnels, ceux qu’utilisent les institutionnels. Jamais d’une IA, jamais d’un forum.

Étage 2 — Nettoyage et normalisation. Le backend Python remet tout sur la même base avant toute lecture : devise d’origine conservée et jamais convertie à la volée, agrégats sur douze mois glissants, historiques alignés sur le même référentiel, retraitement des divisions d’actions, comparaisons au secteur, à l’industrie et aux pairs calculées en code. Une valeur manquante reste manquante et est signalée comme telle : elle n’est jamais remplacée par une approximation silencieuse.

Étage 3 — Enrichissement par la recherche Databourse. C’est notre cœur de métier. Nous menons nos propres backtests sur un univers reconstitué à la date, sociétés délistées et sorties d’indice comprises, en n’utilisant à chaque instant que l’information réellement publiée à cet instant. Ces travaux tranchent, indicateur par indicateur, ce qui a une valeur prédictive et ce qui n’en a pas. Le dossier envoyé au modèle est le produit de ce tri : un indicateur qui ne démontre rien en est retiré, et ceux qui restent sont accompagnés du sens dans lequel les lire et du terrain sur lequel ils cessent d’être valables.

Autrement dit, le modèle n’a pas à décider quels critères comptent : la question a été tranchée avant lui, sur données historiques, et se rejoue à mesure que la recherche avance. Nos règles de mesure sont fixées avant l’étude et non après les résultats : performance en rendement total dividendes inclus, comparaison au même indice de référence, et prise en compte de l’ensemble des cas détectés plutôt que des seuls cas favorables. Un travail qui contredit une conviction interne est appliqué, pas rangé au fond d’un tiroir. Le détail des seuils et des pondérations qui en découlent n’est pas public : c’est précisément ce qui distingue Databourse d’un écran de ratios.

4. Structure des prompts

Chaque copilote IA reçoit un contexte structuré strict :

Données brutes — chiffres actuels et historiques, déjà calculés et vérifiés côté backend.
Méthodologie — le copilote sait quels indicateurs comptent et comment les pondérer. Ces règles ne sont pas des opinions : elles viennent de la littérature académique et de nos rapports de recherche internes, qui disent pour chaque indicateur quand il informe et où il perd sa valeur.
Cadre de sortie — JSON structuré ou format pédagogique court, avec instruction explicite de citer les chiffres exacts.
Disclaimer obligatoire — chaque sortie rappelle qu’il s’agit d’un service d’information et non d’un conseil personnalisé.

5. Garde-fous anti-hallucination

Les copilotes ne reçoivent jamais la mission de chercher des chiffres : les données sont injectées en amont par le backend.
Quand une donnée manque, le prompt instruit explicitement de l’indiquer (« donnée non disponible »), pas de l’inventer.
Les calculs quantitatifs (ratios, scores, classements) sont effectués en code, pas par l’IA. Le rôle du modèle est de synthétiser, pas de calculer.
Pas d’interprétation post-hoc, pas de prédiction de prix, pas d’objectif de cours chiffré.

6. Le Top Databourse et les portefeuilles Databourse

Deux espaces où la méthode se vérifie au lieu de se raconter : ce que nous publions est daté, figé, et jamais réécrit après coup.

Le Top Databourse

Un classement quotidien des sociétés passées par l’analyse de fond, établi sur deux lectures distinctes : le potentiel de hausse rapporté au risque de perte, et le potentiel brut pour qui accepte davantage de risque.

Le classement du jour est un calcul, pas une sélection éditoriale : aucune main humaine ne remonte ni ne descend un titre.
Aucun modèle IA n’intervient au moment du classement. Il ordonne des notes déjà produites et déjà archivées.
Une fiche d’analyse trop ancienne sort automatiquement du classement, pour qu’un avis périmé ne tienne pas la première place.
Les montées et descentes de rang sont calculées sur l’univers entier, pas sur les seules places visibles : une entrée depuis le bas du classement s’affiche correctement.
Chaque classement est archivé avec le prix de chaque titre figé ce jour-là, et n’est jamais écrasé. Le track record se relit, il ne se raconte pas.

Les portefeuilles Databourse

Deux portefeuilles fictifs suivis publiquement, l’un logeable dans un PEA, l’autre ouvert aux marchés internationaux. Ils ne sont pas pilotés à la main : chacun est géré de bout en bout par une intelligence artificielle qui applique le protocole Databourse, la même grille de lecture et les mêmes critères de décision que ceux servis dans l’application. À échéance régulière, l’IA réexamine chaque ligne sur des données fraîches, décide de conserver, renforcer, alléger ou vendre, et motive chaque arbitrage par écrit.

L’objectif est pédagogique et démonstratif. Pédagogique, parce qu’on voit une méthode se dérouler ligne à ligne, y compris quand elle se trompe et qu’elle corrige. Démonstratif, parce qu’une grille d’analyse ne vaut que si elle tient devant le marché : en la laissant décider seule, sans reprise humaine des choix, ce qui s’affiche est la performance de la procédure elle-même, pas le talent d’un gérant ni le récit qu’on en fait après coup.

Chaque ligne est publiée avec son prix d’entrée, son poids, sa thèse et le journal daté de tous ses arbitrages.
La performance affichée est la performance réellement obtenue depuis la création, arbitrages compris : les gains et les pertes déjà réalisés restent dans le compteur, on ne repart jamais d’une page blanche après une vente.
Elle est comparée à un indice de référence sur exactement la même période, à partir de la même date de départ.
Les cours utilisés sont des clôtures complètes, jamais un cours intraday choisi au bon moment.
Aucune reprise humaine des décisions, et aucune ligne effacée après coup : un arbitrage raté reste au journal et dans la performance.
Ces portefeuilles sont fictifs et sans argent réel engagé. Ils démontrent une méthode de décision, ils ne constituent pas une recommandation d’achat ni un conseil personnalisé.

7. Limites et disclaimers

Databourse est un service d’information uniquement. Les analyses produites ne constituent pas un conseil en investissement personnalisé au sens de l’article L. 321-1 du Code monétaire et financier. Investir comporte un risque de perte en capital ; les performances passées ne préjugent pas des performances futures. Avant toute décision, consultez un conseiller en investissement financier (CIF) agréé.

← Retour à l’accueil