Les données à court terme détourne l’attention des analystes du long terme

Meta publie ses résultats du deuxième trimestre après la clôture des marchés américains, le 29 juillet 2026. L’entreprise a indiqué viser un chiffre d’affaires compris entre 58 et 61 milliards de dollars sur le trimestre et prévoit des dépenses d’investissement de 125 à 145 milliards de dollars en 2026. Pour les plus grands groupes technologiques, S&P Global estime que les dépenses d’investissement des hyperscalers — les opérateurs de cloud à très grande échelle — pourraient passer de 384 milliards de dollars en 2025 à 682 milliards en 2026, puis à 878 milliards en 2027. Le chiffre d’affaires trimestriel peut être mesuré en quelques semaines. La rentabilité des infrastructures construites aujourd’hui ne se révélera que dans plusieurs années.

Cette distinction entre ce qui peut être observé immédiatement et ce qui doit être anticipé à plus longue échéance est au cœur des recherches de Thierry Foucault, Olivier Dessaint et Laurent Frésard. Leur étude examine si l’expansion des données alternatives améliore les prévisions financières. Elle montre que les données centrées sur l’activité présente peuvent accroître le contenu informationnel des prévisions à court terme des analystes, tout en réduisant celui de leurs prévisions à plusieurs années.

L’article scientifique, Does Alternative Data Improve Financial Forecasting? The Horizon Effect, développe un modèle expliquant comment les prévisionnistes répartissent leurs efforts entre différents horizons. Les auteurs en testent ensuite les prédictions à partir des prévisions de bénéfices formulées par les analystes des marchés actions américains et de l’essor de StockTwits, une importante plateforme sociale permettant aux investisseurs, aux traders et aux entrepreneurs d’échanger des idées. Les données couvrent plus de trois décennies et permettent de distinguer une tendance historique générale d’un test plus ciblé portant sur l’exposition des analystes aux informations issues des réseaux sociaux.

Comment davantage de données peuvent-elles réduire l’information ?

Les données alternatives comprennent notamment les publications sur les réseaux sociaux, le trafic web, les données de cartes de crédit et de points de vente, la géolocalisation, les images satellites ou encore les avis des salariés. Beaucoup de ces sources révèlent ce que font actuellement les consommateurs, les investisseurs ou les collaborateurs. Les travaux existants montrent donc qu’elles sont surtout utiles pour prévoir les résultats au cours de l’année suivante, tandis que les éléments démontrant leur capacité à améliorer les prévisions à plusieurs années sont beaucoup plus rares.

Les chercheurs modélisent le comportement d’un analyste chargé de prévoir les bénéfices à court et à long terme. Cet analyste peut recueillir des informations sur les actifs et les activités déjà en place, qui sont utiles aux deux horizons, ainsi que des informations sur les opportunités de croissance, qui comptent principalement pour le long terme. La collecte et le traitement de chacun de ces types d’informations demandent des efforts. La gestion simultanée de plusieurs tâches de prévision entraîne également un coût.

Lorsque les données orientées vers le court terme deviennent moins coûteuses et plus faciles à obtenir, les analystes sont incités à les utiliser davantage. La précision de leurs informations à court terme s’améliore. Mais cette évolution peut aussi détourner leurs efforts des informations exclusivement utiles aux prévisions à long terme. Le modèle prédit donc une réallocation de l’attention : des prévisions plus performantes à proximité du présent, accompagnées de prévisions moins informatives aux horizons plus éloignés.

Cette prédiction dépend de l’horizon couvert par les nouvelles données. Des informations portant sur des résultats à long terme devraient rendre les prévisions de long terme plus informatives, tout en pouvant détourner une partie des efforts consacrés aux horizons plus courts. L’argument de l’étude porte donc sur l’orientation temporelle de l’information, et non sur les données alternatives considérées comme une catégorie unique.

Comment la qualité des prévisions a-t-elle évolué ?

Les auteurs examinent d’abord les prévisions de bénéfices issues de l’Institutional Brokers’ Estimate System entre 1983 et 2017. Ils calculent l’informativité des prévisions pour chaque analyste américain, chaque jour et chaque horizon disponible, d’un jour à cinq ans. Ils obtiennent ainsi plus de 65 millions d’observations quotidiennes par analyste et par horizon.

Leur mesure évalue dans quelle mesure les prévisions d’un analyste, pour l’ensemble des entreprises qu’il suit, correspondent aux bénéfices finalement réalisés par celles-ci. Plus la valeur est élevée, plus les prévisions expliquent les différences entre les bénéfices effectivement réalisés et moins l’incertitude restante est importante après leur publication. Une valeur de 100 % signifierait que les prévisions éliminent toute incertitude de cette nature à l’horizon considéré.

Les prévisions deviennent naturellement moins informatives à mesure que leur horizon s’allonge. Sur l’ensemble de l’échantillon, leur informativité diminue d’environ 12 points de pourcentage par année supplémentaire. Le résultat le plus révélateur concerne toutefois l’évolution de cette relation. Depuis 2000, l’informativité moyenne à un an est passée d’environ 60 % à 70 %. À cinq ans, elle a suivi la trajectoire inverse, reculant d’environ 40 % à 30 %. L’écart entre les deux horizons a ainsi doublé, passant d’environ 20 à 40 points de pourcentage.

Cette divergence s’est accélérée après 2005 et apparaît dans la plupart des secteurs. Elle est également plus prononcée dans les secteurs suivis par des analystes utilisant davantage de données alternatives. Ces tendances historiques concordent avec le modèle, même si les auteurs soulignent que la tendance de long terme ne permet pas, à elle seule, d’établir que les données alternatives sont à l’origine de cette évolution.

Qu’a apporté StockTwits ?

Pour mener un test plus précis, les chercheurs étudient StockTwits, un réseau destiné aux investisseurs lancé en 2009. Ses utilisateurs publient de courts messages associés aux symboles boursiers des entreprises, indiquent si leurs anticipations sont haussières ou baissières et ajoutent des sociétés à leurs listes de surveillance. La plateforme s’est développée progressivement et de manière inégale selon les entreprises. Les analystes ont donc été exposés à des volumes différents d’informations nouvellement produites sur les réseaux sociaux, en fonction des sociétés qu’ils suivaient.

L’étude établit d’abord que ces informations sont orientées vers le court terme. Les évaluations publiées sur StockTwits permettent de prévoir la croissance ultérieure du chiffre d’affaires, du résultat avant intérêts, impôts, dépréciation et amortissement — l’EBITDA —, du résultat d’exploitation et du résultat net aux horizons rapprochés. Cette relation prédictive disparaît toutefois à plus longue échéance.

Les auteurs montrent également que les analystes utilisent ces informations. Ceux-ci publient plus fréquemment des prévisions lorsque l’activité augmente sur la plateforme, y compris les jours où les sources traditionnelles ne diffusent aucune nouvelle. Leurs révisions à la hausse ou à la baisse évoluent par ailleurs en phase avec les messages haussiers ou baissiers.

L’ampleur du test est considérable. L’analyse de StockTwits porte sur 31 623 819 observations quotidiennes par analyste et par horizon entre 2005 et 2017. Un analyste suit en moyenne 10,35 entreprises. Une fois la plateforme établie, chaque entreprise suivie compte en moyenne 321 abonnés sur StockTwits et génère l’équivalent de 4,6 messages hypothétiques par jour selon la mesure d’exposition construite par les chercheurs.

Les auteurs utilisent deux indicateurs destinés à isoler les informations produites par la plateforme, plutôt que celles provenant de l’actualité extérieure. Le premier suit l’augmentation du nombre d’utilisateurs ajoutant les entreprises couvertes à leurs listes de surveillance. Le second estime le nombre de messages à partir de la part fixe de chaque entreprise dans l’activité globale de la plateforme. Les deux indicateurs sont ramenés à zéro avant le lancement de StockTwits. L’analyse contrôle également les différences persistantes entre analystes et les événements affectant l’ensemble des analystes à une même date.

Une hausse d’un écart-type de l’exposition aux données de StockTwits accroît de 0,54 à 0,66 point de pourcentage l’informativité des prévisions à court terme, pour les horizons allant jusqu’à un an. Au-delà de deux ans, la même hausse réduit l’informativité de 1,51 à 1,92 point. Les chercheurs ne constatent aucun effet significatif entre un et deux ans, ce qui situe le point de bascule à l’intérieur de cet intervalle.

Le résultat se maintient lorsque les chercheurs figent le portefeuille d’entreprises suivies par chaque analyste à sa composition de 2009 et utilisent la croissance ultérieure de StockTwits autour de ces entreprises pour prédire l’exposition. La structure par échéance de l’informativité des prévisions pivote ainsi autour de l’horizon à un an : la partie courte s’améliore, la partie éloignée s’affaiblit et le point à un an varie peu.

Qui est le plus exposé à l’effet d’horizon ?

L’effet est plus important chez les analystes qui suivent davantage d’entreprises. Ce résultat correspond à la prédiction du modèle selon laquelle le déplacement des efforts entre les horizons a plus de conséquences lorsque le traitement simultané de plusieurs tâches est plus coûteux.

L’effet est également plus marqué lorsque les bénéfices des entreprises suivies sont moins persistants. Lorsque les bénéfices actuels renseignent moins sur les bénéfices futurs, un signal de court terme conserve moins de valeur pour les prévisions éloignées. La perte d’informations spécifiquement consacrées au long terme devient alors plus lourde de conséquences.

Les auteurs apportent d’autres éléments montrant que les données issues des réseaux sociaux avaient intégré l’environnement de travail des analystes. Des recherches antérieures citées dans l’étude classent les réseaux sociaux au deuxième rang des formes de données alternatives les plus utilisées par les analystes financiers, derrière les données d’utilisation des applications et au même niveau que les informations issues des points de vente. Dans le rapprochement effectué par les auteurs, 35 % des 7 655 noms d’analystes correspondent à des titulaires de comptes StockTwits.

L’effet de StockTwits reste modeste pour chaque prévision prise isolément, mais il est significatif au regard de l’évolution historique de la relation entre les différents horizons. La variation estimée de la pente représente environ 19 % de sa variation de long terme au niveau agrégé, 16 % entre les secteurs et 7 % entre les analystes.

Toute nouvelle source de données crée-t-elle le même arbitrage ?

L’effet dépend de ce que la nouvelle source permet de prévoir. Les résultats de l’étude portent sur des données informatives concernant des événements susceptibles de se produire dans un délai d’environ un an. Selon le modèle, une source apportant des informations sur des portefeuilles de projets de recherche, des investissements aux effets durables, le développement de produits ou tout autre résultat véritablement inscrit dans le long terme devrait améliorer les prévisions à longue échéance. Elle pourrait, en revanche, réduire les efforts consacrés aux informations à court terme.

Les résultats concernent également le contenu informationnel des prévisions comparées entre plusieurs entreprises, et non l’erreur absolue de chaque estimation prise isolément. L’échantillon historique s’arrête en 2017 et ne teste ni l’intelligence artificielle générative, ni les fournisseurs actuels de données, ni le cycle d’investissement en cours. StockTwits constitue un environnement dans lequel une source orientée vers le court terme est apparue progressivement et pouvait être mesurée, permettant aux chercheurs d’étudier l’allocation des efforts prédite par leur modèle.

La distinction centrale réside donc dans l’horizon de prévision qu’un jeu de données peut éclairer. Un volume plus important de signaux actuels peut améliorer la prochaine estimation des bénéfices, tout en laissant moins de place à l’analyse des opportunités de croissance, des investissements stratégiques et des bénéfices attendus plusieurs années plus tard.

Quelle place reste-t-il au long terme pendant la saison des résultats ?

Lorsque Meta publiera ses chiffres le 29 juillet, les analystes disposeront de données précises sur le chiffre d’affaires trimestriel, les coûts, les marges et les nouvelles perspectives communiquées par l’entreprise. Ces informations permettront de réviser rapidement les prévisions pour les mois à venir. En revanche, la rentabilité économique du programme d’investissement de 125 à 145 milliards de dollars restera une prévision portant sur plusieurs années.

L’étude n’analyse ni Meta ni les dépenses consacrées à l’intelligence artificielle. Le cycle actuel de publication des résultats illustre toutefois la même séparation entre les horizons que celle mesurée par les chercheurs. Alors que les dépenses d’investissement des hyperscalers devraient atteindre 682 milliards de dollars en 2026 et 878 milliards en 2027, la question décisive est de savoir si le flux croissant de données permettra d’éclairer les années au cours desquelles ces investissements devront générer des bénéfices — ou s’il affinera principalement la lecture du prochain trimestre.

Si, comme le montre l’étude, les prévisions à long terme des analystes sont devenues moins informatives, les investisseurs risquent davantage de mal évaluer les investissements dont les rendements ne se matérialiseront que plusieurs années plus tard. L’erreur peut aller dans les deux sens. Une surévaluation peut alimenter une bulle et entraîner un surinvestissement. Une sous-évaluation peut conduire au problème moins souvent évoqué du sous-investissement. Comprendre comment les analystes financiers élaborent leurs prévisions à différents horizons ne concerne donc pas seulement les opérateurs des marchés financiers, mais l’économie dans son ensemble : cela peut déterminer si l’investissement dans des projets à long terme dépasse ou reste en deçà de ce qui serait optimal.

Traduction assistée par LLM​