Information coefficient : la mesure qui sépare les traders qui durent de ceux qui ont eu de la chance
Je vais commencer par une confession qui va probablement énerver quelques puristes : j'ai passé mes deux premières années de gestion quantitative à calculer mon information coefficient de travers. Et le pire, c'est que je ne le savais pas.
Le problème, c'est qu'on m'avait donné la formule toute simple — la corrélation entre mes prévisions et les rendements réels — et que je m'étais arrêté là. Résultat : je pensais avoir un IC de 0,35, ce qui est excellent. Sauf que cet IC n'avait aucune signification statistique. J'aurais aussi bien pu lancer une pièce.
Alors, spoiler : l'information coefficient est un outil redoutable, mais seulement si vous comprenez ce qu'il mesure réellement, comment il se calcule proprement, et surtout ce qu'il ne vous dit pas.
Points clés à retenir
- L'information coefficient mesure la corrélation entre vos prévisions et la réalité — mais le diable est dans le choix de la méthode (Spearman ou Pearson).
- Un IC de 0,30 sur une seule période ne vaut presque rien. La robustesse temporelle prime sur la valeur absolue.
- Un IC moyen de 0,05 sur des centaines d'observations peut être bien plus utile qu'un pic à 0,20 isolé sur douze points de données.
- L'IC seul ne suffit pas : il faut le croiser avec le ratio d'information et l'alpha pour comprendre d'où vient votre performance.
- Un IC proche de zéro ne signifie pas que votre modèle ne fonctionne pas — ça peut signifier que vous mesurez au mauvais horizon.
Information coefficient : la formule, mais surtout les pièges de calcul
La définition mathématique de l'information coefficient est simple sur le papier :
Autrement dit, on mesure la corrélation de Pearson entre les scores attribués à chaque actif (vos prévisions de rendement relatif) et les rendements réellement observés sur la période suivante.
Une valeur positive signifie que, globalement, ce que vous avez classé en tête a effectivement surperformé. Une valeur négative, c'est le signe que votre signal est non seulement inutile, mais activement contre-productif — vos "meilleures idées" sont systématiquement vos pires trades.
Une valeur autour de zéro ? Aucune relation linéaire entre vos notes et les résultats.
Bon. Sauf que cette formule cache trois pièges que j'ai mis des mois à identifier.
Premier piège : Pearson vs Spearman, ce n'est pas un détail
La corrélation de Pearson mesure une relation linéaire entre deux variables continues. Elle est sensible aux valeurs extrêmes. Une seule prévision aberrante qui se réalise peut tirer tout le coefficient vers le haut.
Le rank information coefficient (RIC), lui, utilise le coefficient de corrélation de Spearman : on ne corrèle plus les valeurs brutes, mais les rangs. Concrètement, vous classez vos actifs du plus prometteur au moins prometteur, et vous regardez si l'ordre réel des rendements correspond.
En pratique, pour une stratégie de classement de titres, le RIC est presque toujours plus approprié. Parce que ce qui compte en gestion, ce n'est pas la précision absolue de votre prévision — c'est l'ordre relatif.
Prenons un exemple chiffré : vous prévoyez +5% pour l'actif A, +2% pour l'actif B, et -1% pour l'actif C. Les rendements réels sont respectivement de +3%, +6% et -4%. Votre corrélation de Pearson est faible, parce que vous vous êtes trompé sur l'ampleur. Mais votre classement relatif est parfait : A a battu B, qui a battu C. Le Spearman, lui, vous donnera un coefficient parfait de 1.
J'ai appris ça à mes dépens après avoir optimisé un modèle pendant trois mois sur la base du Pearson, pour découvrir que mon signal marchait beaucoup moins bien hors échantillon. Quand je suis passé au RIC, oh surprise : il était déjà bien meilleur que ce que je croyais. Le problème n'était pas mon modèle, c'était ma méthode de mesure.
Deuxième piège : l'horizon temporel et la fréquence de mesure
Autre erreur classique que j'ai commise : calculer mon IC quotidiennement pour une stratégie qui était pensée pour un horizon de plusieurs semaines.
Vous voyez le problème ? Si vos prévisions visent le mois à venir, les mesurer au jour le jour revient à comparer des pommes et des kiwis. Le bruit intradien va noyer votre signal.
La règle que j'utilise maintenant, et que j'aurais aimé connaître en 2019 : l'horizon de calcul de l'IC doit correspondre à l'horizon d'investissement réel de la stratégie. Le calcul du ratio d'information (RI) a le même problème, d'ailleurs.
Troisième piège : la taille d'échantillon minimum
C'est LE point que personne ne mentionne dans les formations que j'ai suivies.
Un IC calculé sur 5 observations ne veut rien dire. Sur 20, c'est à peine mieux. Statistiquement, il vous faut un nombre conséquent de périodes pour que la mesure soit stable.
Dans mon expérience, en dessous de 30 à 40 observations distinctes, la marge d'erreur est tellement large que le coefficient devient presque décoratif. Une règle approximative que j'utilise : vérifier que l'IC moyen est significativement différent de zéro avec un test de Student, en calculant l'écart-type des IC sur les sous-périodes.
Ce qui m'amène à un point que je considère comme le plus important de tout cet article.
Qu'est-ce qu'un bon information coefficient ? (Réponse : ce n'est pas si simple)
Quand on pose cette question à un quant, on obtient souvent des chiffres qui circulent dans le métier : un IC au-dessus de 0,05 est utile, en dessous de 0,03 c'est faible, et n'importe quel IC supérieur à 0,10 sur la durée est excellent.
Attendez, je reformule parce que c'est trompeur. La vraie question n'est pas "est-ce que mon IC est élevé" mais "est-ce que mon IC est stable".
Un IC de 0,30 sur une seule période ? Ça arrive avec un simple coup de chance. D'ailleurs, il faut vous méfier comme de la peste des périodes trop courtes qui affichent des IC stratosphériques — c'est presque toujours du bruit, pas du signal.
Et là, je reviens à mon anecdote du début. Mon fameux IC de 0,35 sur la période de test ? Quand j'ai découpé cette période en sous-échantillons, j'ai découvert que l'essentiel de la performance venait d'un unique mois aberrant. Le reste du temps, mon IC oscillait entre -0,02 et +0,04, c'est-à-dire : rien du tout.
Franchement, j'ai mis du temps à digérer cette réalité. Mon ego en a pris un coup. Mais ça m'a sauvé d'une stratégie qui aurait été catastrophique en conditions réelles.
Le point crucial, c'est donc la robustesse temporelle : un bon information coefficient doit être positif de manière relativement régulière, pas exploser par intermittence. C'est pour ça que je conseille toujours de regarder la distribution des IC sur des sous-périodes avant de se fier à la moyenne.
Information coefficient en pratique : évaluer un analyste ou un modèle quantitatif
L'IC a deux usages principaux en finance, et les confondre mène à des discussions sans fin.
Le premier usage, c'est l'évaluation individuelle. Un gérant de portefeuille ou un analyste peut avoir un IC calculé sur ses recommandations passées. Si un analyste recommande systématiquement des actions qui surperforment leur secteur, son IC sera positif. C'est un indicateur de compétence de sélection de titres.
Le deuxième usage, c'est l'évaluation d'un modèle quantitatif. Là, l'IC mesure si le modèle classe correctement les actifs, du plus prometteur au moins prometteur.
Mais attention : cette métrique ne dit rien sur l'ampleur des rendements. Un analyste peut avoir un IC élevé tout en générant des recommandations qui ne se traduisent pas par du rendement exploitable après coûts de transaction. L'IC mesure la qualité du classement, pas la profitabilité.
L'IC en gestion du risque : le parent pauvre des applications
Un angle qu'on voit rarement, et que j'utilise de plus en plus dans mon travail : l'IC appliqué à la gestion du risque plutôt qu'à la sélection de titres.
Le principe est le même, mais au lieu de prévoir les rendements, on prévoit les risques — ou plutôt, on classe les expositions de la plus risquée à la moins risquée. Un modèle de risque efficace aura un IC élevé : les positions qu'il identifie comme dangereuses sont effectivement celles qui perdent le plus quand le marché tourne mal.
Ça change complètement la lecture. Un portefeuille peut avoir un faible ratio d'information en conditions normales — parce que le modèle ne génère pas d'alpha spectaculaire — mais un excellent IC sur le classement des risques. Et en période de stress, c'est ça qui vous sauve.
Les limites de l'IC : ce que cette métrique ne vous dira jamais
J'aimerais pouvoir dire que l'IC est la réponse universelle à toutes vos questions d'évaluation de performance. Ce serait mentir.
L'IC ne capture que la relation linéaire (ou monotone, avec Spearman) entre vos prévisions et la réalité. Si votre modèle produit une relation non linéaire utile — par exemple, il identifie correctement les extrêmes mais se trompe au milieu de la distribution — l'IC peut rester désespérément bas alors que la stratégie est rentable.
Deuxième limite : l'IC est calculé à un horizon donné. Un modèle qui fonctionne à un horizon de 20 jours peut afficher un IC proche de zéro à 5 jours et inversement. Changer la fréquence de calcul change le résultat, et il n'y a pas de règle universelle pour déterminer le "bon" horizon — ça dépend de la stratégie.
Troisième limite, et elle est importante : l'IC mesure la prévision, pas la mise en œuvre. Un IC parfait ne garantit pas des rendements parfaits. Les coûts de transaction, le slippage, la capacité de marché, la liquidité — tout ça intervient entre la prévision et le profit réel. J'ai vu des stratégies avec des IC très honorables perdre de l'argent en raison de frais disproportionnés.
Le tableau suivant résume les métriques complémentaires que j'utilise systématiquement avec l'IC :
| Métrique | Ce qu'elle mesure | Quand elle est utile | Limite principale |
|---|---|---|---|
| Information coefficient (IC) | Corrélation entre prévisions et réalité | Évaluer la qualité d'un signal de classement | Ne dit rien sur l'ampleur des rendements |
| Ratio d'information (RI) | Excès de rendement par unité de risque actif | Comparer des stratégies entre elles | Pénalise les stratégies à faible volatilité même si performantes |
| Alpha de Jensen | Rendement excédentaire ajusté du risque de marché | Isoler la performance du gérant par rapport au benchmark | Dépend fortement du modèle d'évaluation utilisé |
| Taux de sélection correcte | Proportion de prévisions directionnellement justes | Vérifier la robustesse intuitive du signal | Ignore l'ampleur des gains et des pertes |
Combiner l'IC et le ratio d'information : mon approche actuelle
Après des années d'erreurs, voici l'approche que j'utilise désormais sur mes propres modèles :
- Je calcule l'IC en Spearman sur l'horizon exact de la stratégie, pas un autre.
- Je découpe la période en sous-échantillons d'au moins 30 observations chacun.
- Je calcule un IC moyen et je vérifie sa significativité statistique avec un test de Student.
- Je croise avec le ratio d'information pour savoir si la qualité du classement se traduit en performance exploitable.
- Et je regarde le drawdown en période de stress, parce qu'un IC qui fonctionne "en moyenne" mais vous tue dans les moments critiques, ça ne sert à rien.
Une précision : l'information coefficient et le CFA. Si vous préparez l'examen, sachez que l'IC est effectivement abordé dans le programme, notamment dans le cadre de l'évaluation des compétences de gestion active et de l'attribution de performance. La définition attendue reste la corrélation entre les prévisions et les réalisations. Mais ce que le programme n'insiste pas assez, c'est la dimension statistique que je viens de décrire. L'IC théorique est simple ; l'IC pratique est un terrain miné.
Les erreurs que j'ai commises pour que vous ne les fassiez pas
Liste non exhaustive de mes propres bêtises, dans l'espoir que ça vous fasse gagner du temps :
- J'ai utilisé le Pearson quand le Spearman était nettement plus adapté, pendant des mois, sans m'en rendre compte.
- J'ai mesuré l'IC sur un horizon quotidien pour une stratégie mensuelle, et je me suis arraché les cheveux à comprendre pourquoi le signal semblait inexistant.
- J'ai trébuché sur des IC ponctuellement élevés en les prenant pour de la compétence, alors que c'était de la volatilité.
- J'ai négligé de vérifier la significativité statistique, parce que 40 points de données me semblaient "suffisants". Ça ne l'est pas toujours.
- J'ai comparé les IC de deux stratégies sans tenir compte du fait qu'elles n'avaient pas le même horizon de calcul. Sur ce coup, j'ai mis trois semaines à comprendre pourquoi les résultats semblaient incohérents.
Bilan de mes années de pratique : l'IC est un outil puissant, mais uniquement si on le manipule avec précaution. Une fois que j'ai corrigé ma méthodologie, j'ai pu identifier les signaux qui fonctionnaient réellement dans mes modèles et abandonner ceux qui n'étaient que du bruit. Ma performance ajustée du risque a nettement progressé, pas parce que mes modèles étaient devenus meilleurs du jour au lendemain, mais parce que je mesurais enfin correctement ce qu'ils faisaient.
Questions fréquentes sur l'information coefficient
Qu'est-ce qu'un bon information coefficient en pratique ?
Il n'existe pas de seuil universel, mais les ordres de grandeur communément admis dans le métier sont les suivants : un IC moyen au-dessus de 0,05 peut être utile, entre 0,03 et 0,05 c'est marginal, et en dessous de 0,03, il faut sérieusement questionner la valeur du signal. La condition indispensable, c'est la stabilité : un IC qui reste régulièrement positif sur de nombreux échantillons vaut bien mieux qu'un IC élevé mais volatile.
Que signifie un information coefficient négatif ?
C'est un signal très clair : vos prévisions sont non seulement inutiles, mais inversées. Si vous classez les actifs du plus prometteur au moins prometteur et que l'IC est négatif, vous obtenez les meilleurs rendements sur les actifs que vous classez le plus mal. Paradoxalement, un IC négatif stable peut parfois être exploité en inversant le signal. Mais c'est une situation rare, et il faut d'abord vérifier qu'il ne s'agit pas d'une erreur de calcul.
Quelle est la différence entre l'IC et le RIC ?
L'IC utilise la corrélation de Pearson, qui mesure une relation linéaire entre les valeurs brutes. Le RIC (rank information coefficient) utilise la corrélation de Spearman, qui mesure la relation entre les rangs des observations. Pour la plupart des stratégies de classement d'actifs, le RIC est plus pertinent, car ce qui compte c'est l'ordre relatif des prévisions, pas leur valeur absolue.
Voilà. J'aurais aimé qu'on m'explique tout ça quand j'ai commencé, au lieu de découvrir chaque piège à la dure. Si vous ne deviez retenir qu'une chose, la voici : un information coefficient n'a de valeur que s'il est calculé avec la bonne méthode, sur le bon horizon, et avec un échantillon suffisant pour être statistiquement significatif. Tout le reste, c'est de la littérature.
