Sélectionner les fonds par apprentissage automatique sous une marée d'alpha descendante

1.Données

Référentiel de production d'un gestionnaire de patrimoine digital français : 11 209 fonds actifs éligibles en assurance-vie, 360 fonds de la sélection conseillée, 3 876 ETF candidats comme références et 18 ETF de référence : 15 463 instruments. Valeurs liquidatives quotidiennes, dividendes réinvestis, en euros, sur 2000-2026, sans remplissage des trous. Après filtres de qualité, 5 000 à 6 000 fonds sont notés par millésime trimestriel. Les 33 catégories de référence (couverture 99,7 %) sont attribuées par les rendements eux-mêmes, jamais par l'indice de référence déclaré par le fonds.

Ce périmètre n'est pas un choix de commodité : dans un PER, une assurance-vie ou un contrat de capitalisation, l'assureur impose son univers de fonds, un menu fermé de quelques dizaines à quelques centaines de supports, où les ETF sont parfois rares ou absents. L'épargnant ne choisit pas librement ; il choisit au mieux dans le menu. Le classement ordonne donc tous les fonds du contrat, et l'alternative pratique n'est pas un indice mais le meilleur sous-ensemble du même menu.

Une convention d'alpha unique sert aux caractéristiques, aux cibles et à l'évaluation : bêtas estimés par corrélation partielle multi-ETF avec garde d'inflation de variance, gelés à la formation du millésime ; alpha = moyenne annualisée du résidu. Chaque chiffre est ainsi re-dérivable depuis les prix bruts, et il l'est (section 3).

Pour chaque fonds et chacune des 86 fenêtres de 60 mois (pas trimestriel), environ 960 caractéristiques : la distribution de ses alphas glissants (quantiles, dispersion, asymétrie, stabilité), ses expositions aux cinq facteurs de Fama-French (jeu européen), ses moments de rendement. Verdict d'ablation pré-enregistré : où se situe la distribution est un anti-signal, comment elle est formée est le signal.

2.Ce qui se prédit, et ce qui ne se prédit pas

Prédire le niveau d'alpha futur avec une chaîne de traitement naïve donne un R² de test de 0,27 : spectaculaire, et faux. Ce chiffre repose sur trois fuites d'information : des classes de parts d'un même portefeuille (corrélation de rendements > 0,995) réparties entre entraînement et test, si bien que le modèle « reconnaît » le fonds au lieu de le prédire ; des fuites d'information future dans les caractéristiques ; une calibration des hyperparamètres sur la période d'évaluation. Sans ces fuites, le R² tombe à −0,06 : le niveau n'est pas prévisible.

Le problème est donc posé autrement : le modèle (gradient boosting d'histogrammes, régresseur, graine fixée) apprend une cible dé-marée, l'alpha à 12 mois du fonds moins la médiane de sa période. Il produit un ordre, consommé strictement comme un ordre. La marée elle-même pèse peu dans la variance d'un alpha individuel, mais beaucoup dans celle de l'alpha du panier de tête : elle décide de la comparaison à l'ETF de référence, pas du tri.

3.Protocole anti-fuite

Cinq garde-fous, dans l'ordre d'importance mesurée :

1. Walk-forward strict. Le modèle ne voit que des trimestres strictement antérieurs au millésime qu'il note.
2. Purge égale à l'horizon de la cible (12 mois). Un trimestre n'entre en apprentissage que lorsque sa cible à 12 mois est entièrement réalisée. Une purge plus courte que l'horizon fabrique de l'alpha : sur nos données, environ trois quarts de l'écart naïf obtenu avec une purge de 3 mois provient d'une fuite d'information future (figure 2). Question opérationnelle : « ce job d'entraînement aurait-il pu tourner à sa date, avec les données de sa date ? »
3. Partages groupés par identité. Les classes de parts d'un même portefeuille ne chevauchent jamais entraînement et test (assignation par programme linéaire en nombres entiers) ; chaque chiffre officiel doit tenir sur au moins deux réalisations disjointes du partage : trois sur la configuration de référence.
4. Mesure depuis les prix bruts. Chaque écart officiel est recalculé depuis les valeurs liquidatives par un chemin de code indépendant : accord de 96,5 à 100 % sur 341 fonds-millésimes (critère d'acceptation : 95 %, sinon publication bloquée).
5. Calibration hors pli uniquement, à l'intérieur de la boucle walk-forward.

Gouvernance : 101 expériences pré-enregistrées (critères chiffrés de succès et d'échec fixés avant calcul), 54 décisions d'architecture journalisées, résultats en fourchettes inter-réalisations, et chacun des 507 passages de citation du papier vérifié contre sa source (373 soutenus, 105 resserrés, 25 contredits puis réécrits, 3 invérifiables). Le biais du survivant est mesuré plutôt qu'écarté : re-classer dans les seuls survivants déplace les écarts d'au plus 0,22 point ; la limitation principale (fonds disparus du référentiel) reste non quantifiable et signalée comme telle. Le cadre général de la méthode Ploovers (univers liquide, risque de perte extrême, optimisation sous contrainte) est décrit dans la méthodologie Ploovers.

4.Résultats officiels

Toutes les fourchettes sont des min-max sur trois réalisations indépendantes du partage apprentissage/test, sur l'ère de confirmation 2015-2025. Les comparaisons à l'ETF de référence se font à risque de perte extrême identique (CDaR 0,90 sur 60 mois glissants, la moyenne des 10 % pires baisses depuis un plus haut), en mélangeant l'ETF de référence et un fonds monétaire, jamais un panier prudent contre un ETF actions pur.

La structure apprise est lente. Un modèle entraîné jusqu'en 2015 puis figé conserve 91 % de l'avantage tête − queue et 64 % du tête − médian sur les 34 millésimes 2017-2025 : le réentraînement trimestriel achète de la fraîcheur, pas l'existence du signal.

5.Le tri contre les étoiles, et contre les frais

Les étoiles. Une réplique de la mécanique Morningstar (MRAR 36 mois, utilité CRRA, classement intra-catégorie, distribution 10/22,5/35/22,5/10 %) donne une échelle parfaitement monotone : +1,7 à +2,6 %/an entre cinq et une étoile, réussite 71-79 %. Mais la plus grande marche est entre une et deux étoiles, et même les fonds cinq étoiles gardent un alpha futur moyen négatif (−0,7 à −0,9 %/an). À taille de panier égale, le modèle fait +2,4 à +3,3 contre +0,6 à +1,8 ; le recouvrement des paniers de tête est de 7 à 14 %, la corrélation de rang des scores de 0,06 à 0,16. Les deux se complètent : les étoiles élaguent le bas, le modèle choisit le haut.

Les frais. Trier par frais et retenir les 25 fonds les moins chers donne +1,54 / +1,04 / +1,17 %/an de tête − médian selon la réalisation, contre +1,95 / +1,24 / +0,82 pour le modèle : sur cette mesure, le tri par frais rivalise, et nous l'écrivons. Sur tête − bottom, le modèle est bien plus régulier (+2,93 à +3,42 contre +1,82 à +3,90) ; neutraliser les frais lui coûte au plus 0,35 point : le modèle n'est pas un proxy de frais. Ce que les frais font à un fonds, expliqué simplement : ce que votre fonds vous rapporte vraiment.

6.La marée des fonds actifs

La marée, l'alpha moyen à 12 mois de tout l'univers noté, vaut environ −0,4 %/an avant 2020, touche un plancher de −4,0 % en 2021, puis un plateau de −1,7 à −2,0 % depuis 2023. Elle n'est pas un artefact de notre base : les rapports SPIVA la mesurent indépendamment.

Deux systèmes de mesure indépendants, un même régime, sans inflexion en 2025 ; Morningstar aboutit au même constat par une méthode différente (taux de succès des gérants actions actifs entre 25 et 35 % chaque année depuis 2022, 31,2 % en 2025). À dix ans, SPIVA compte 97 % de fonds actions Europe battus par leur indice, 98 % en France. La littérature propose des mécanismes qui se cumulent : l'arithmétique de la gestion active (Sharpe 1991), l'asymétrie extrême des rendements individuels des actions (Bessembinder 2018) aggravée dans des marchés menés par quelques méga-capitalisations, l'érosion de l'alpha disponible avec la taille de l'industrie (Pástor, Stambaugh & Taylor 2015), et l'équilibre information-passif (Grossman & Stiglitz 1980 ; Gârleanu & Pedersen 2018).

Attribution 2021-2025 : une marée, pas un pari. Les poids de catégories du panier sont stables entre les ères, aucune position ne pèse sur l'écart, et cinq des six grandes catégories de l'univers perdent de l'alpha moyen entre 2015-2020 et 2021-2025 : crédit euro investment grade compris. Le terrain n'est pas uniforme : la dispersion intra-catégorie est la plus forte en petites capitalisations, la prévisibilité la plus forte en crédit, et le crédit euro investment grade court est la seule poche à marée positive.

7.Cadence et enveloppe

Le signal est frais au premier trimestre. En brut, rééquilibrer chaque trimestre rend +2,06 %/an sur le fonds médian contre +1,31 en annuel, au prix d'une rotation de 305 % par an. L'enveloppe décide donc de la cadence optimale, pas le modèle : gratuite en assurance-vie (arbitrages internes), l'avantage trimestriel se referme à 25 points de base par rotation et s'inverse à 50.

Avantage tête − médian brut et net par cadence et coût de bascule (réalisation canonique, ère de confirmation). Une hystérésis de rang, garder un fonds tant qu'il reste parmi les 100 premiers, ramène la rotation annuelle de 75-79 % à 47-49 % sans coût mesuré.

8.Ce qui ne marche pas

• Le niveau est inapprenable. La note est un ordre ; converti en niveau, il fait pire que prédire zéro. Toute lecture du type « ce fonds fera +X % » est exclue du produit.
• Le panier ne bat pas l'ETF de référence en marée basse. M2 chevauche zéro sur la décennie et est clairement négatif en 2020-2025 ; la réponse à Q3 est conditionnelle à un régime que nous mesurons et refusons de prédire.
• Les hyperparamètres bougent peu, la purge bouge tout. Le balayage d'hyperparamètres déplace l'écart d'au plus ±0,13 point ; écrêter les queues de la cible coûte 0,4 à 0,7 point ; le boosting vaut +1,3 point face à une régression ridge.
• Les fourchettes publiées sous-estiment la dispersion. Deux reconstructions du partage ne partagent que 283 des 1 543 fonds de test canoniques ; un quatrième tirage donne +0,84 %/an de tête − médian et +1,45 de tête − queue (contre +1,96 et +3,39 canoniques). La revendication défendue est le signe et la stabilité des écarts, pas leur magnitude ponctuelle.

9.Limites

• Tout est simulation historique : les performances simulées ne préjugent pas des performances futures. Une vingtaine d'observations annuelles indépendantes seulement.
• Les fenêtres 2024-2025 (+7,8 à +13,6 %/an d'écart) sont chevauchantes et indicatives ; elles ne doivent jamais être extrapolées ni présentées comme un régime permanent.
• Biais du survivant partiellement non quantifiable (il jouerait plutôt en faveur des écarts et contre la marée) ; métadonnées actuelles (frais, type de gestion) appliquées à l'historique.
• Périmètre : fonds en euros éligibles à l'assurance-vie française ; l'implémentabilité repose sur des arbitrages gratuits (rotation ≈ 73 %/an du panier de production), non transposable telle quelle en compte-titres taxé.
• Le bas du classement n'est publié qu'en agrégats : le produit ne nomme pas les plus mauvais fonds.

10.Suivi en conditions réelles

Deux paniers officiels de 25 fonds (détention 12 mois) : le panier « relatif » (top libre, une classe de parts par portefeuille, indiciels exclus, trois fonds au plus par catégorie) et le panier « comparable ETF » (corrélation à l'ETF de référence ≥ 0,6, volatilité ≥ ½ de la sienne). Le protocole de suivi est engagé à l'avance : métriques calculées uniquement depuis les prix, seuils publiés avant le premier relevé.

• Confirmation : écart tête − queue ≥ +1,5 %/an et M2 ≥ 0 sur deux trimestres consécutifs.
• Alerte : écart < 0 ou M2 < −2 %/an.

Les relevés trimestriels sont publiés au fil de l'eau, y compris s'ils déclenchent l'alerte. Le classement alimente aussi les fiches fonds du site : chaque fonds y porte son rang, vérifiable par ISIN. La version grand public de cette méthode : la démarche expliquée simplement.

Questions fréquentes

Ce qu'un expert demande à cette méthode

Que prédit exactement le modèle ?

Un ordre, jamais un niveau. Le modèle apprend l'alpha à 12 mois d'un fonds moins la médiane de sa période, puis classe 5 000 à 6 000 fonds par trimestre. Reconstituer des niveaux depuis ce classement donne une erreur absolue moyenne de 5,5 %, pire que prédire zéro pour tous (4,1 %). Toute lecture du type « ce fonds fera +X % » est exclue du produit.

Le panier de fonds sélectionnés bat-il l'ETF de référence ?

Pas de façon inconditionnelle. Face à un ETF de référence pris au même risque de perte extrême (mesure M2), le panier fait −0,4 à +0,9 %/an sur 2015-2025 et −2,5 à −0,6 %/an sur 2020-2025. L'avantage n'apparaît qu'en marée moyenne ou haute : quand la marée est supérieure ou égale à −0,5 %/an, la stratégie a rendu +2,4 %/an avec 77 % de réussite (n = 22). Ce critère n'est pas atteint dans le régime actuel.

Qu'appelle-t-on la « marée » ?

L'alpha moyen à 12 mois de tous les fonds notés, c'est-à-dire ce que rapporte le fonds actif typique face à son panier d'ETF de référence. Elle vaut environ −0,4 %/an avant 2020, touche un plancher de −4,0 % en 2021 et se stabilise entre −1,7 et −2,0 % depuis 2023. Les rapports SPIVA la mesurent indépendamment : 75 à 87 % des fonds actions Europe sont battus par leur indice à un an sur 2021-2025.

Pourquoi la purge d'entraînement est-elle égale à l'horizon prédit ?

Parce qu'une purge plus courte fabrique de l'alpha à partir de rien. Dans un monde synthétique où rien n'est prévisible, une purge de 3 mois sous des cibles à 12 mois produit jusqu'à +9,2 %/an avec 100 % de réussite ; une purge de 12 mois ramène l'écart à zéro. Sur nos données, l'écart de confirmation passe de +6,1 à +1,3 %/an entre les deux réglages : environ trois quarts de l'écart naïf provient d'une fuite d'information future.

Le modèle fait-il mieux que les notations en étoiles ?

Oui, et il leur est presque orthogonal. Une réplique de la mécanique des étoiles sépare bien les fonds (+1,7 à +2,6 %/an entre cinq et une étoile, réussite 71-79 %), mais les fonds cinq étoiles gardent un alpha futur moyen négatif (−0,7 à −0,9 %/an). À taille de panier égale, le modèle fait +2,4 à +3,3 %/an contre +0,6 à +1,8 pour les étoiles ; les deux paniers de tête ne se recouvrent qu'à 7-14 % et la corrélation de rang des scores est de 0,06 à 0,16.

À quelle cadence le panier est-il rebalancé ?

Chaque année en production. En brut, la cadence trimestrielle rend +2,06 %/an de tête − médian contre +1,31 en annuel, mais elle impose une rotation de 305 % par an contre 83 %. À 50 points de base de coût par rotation, le net trimestriel tombe à +0,54 contre +0,89 en annuel : l'enveloppe décide de la cadence, pas le modèle. Une hystérésis de rang (garder un fonds tant qu'il reste parmi les 100 premiers) ramène la rotation annuelle de 75-79 % à 47-49 % sans coût mesuré.

Quelles sont les limites de la méthode ?

Tout est simulation historique : une vingtaine d'observations annuelles indépendantes, des fenêtres 2024-2025 chevauchantes et indicatives, un biais du survivant partiellement non quantifiable. Les fourchettes publiées sous-estiment la dispersion : un quatrième tirage du partage apprentissage/test donne +0,84 %/an de tête − médian et +1,45 de tête − queue, contre +1,96 et +3,39 pour la réalisation canonique. La revendication défendue est le signe et la stabilité des écarts, pas leur magnitude ponctuelle.

Comment le suivi en conditions réelles est-il jugé ?

Deux paniers officiels de 25 fonds sont suivis avec des seuils fixés avant le premier relevé. Confirmation : écart tête − queue supérieur ou égal à +1,5 %/an et M2 supérieur ou égal à zéro sur deux trimestres consécutifs. Alerte : écart négatif ou M2 inférieur à −2 %/an. Les relevés trimestriels sont publiés, y compris s'ils déclenchent l'alerte.

À quoi sert un classement de fonds si les ETF font mieux ?

À faire au mieux dans un univers que l'on ne choisit pas. Dans un PER, une assurance-vie ou un contrat de capitalisation, l'assureur impose son menu de fonds : quelques dizaines à quelques centaines de supports, où les ETF sont parfois rares ou absents. Le classement ordonne tous les fonds du contrat : le panier de tête bat le fonds médian de +0,9 à +2,0 %/an et le panier de queue de +2,4 à +3,2 %/an (2015-2025), et le panier de queue rend −2,8 %/an. L'alternative pratique n'est pas un indice mais le meilleur sous-ensemble du même menu ; quand l'enveloppe le permet (compte-titres, PEA), les ETF restent le socle par défaut.

Définitions

Glossaire

Alpha

Rendement d'un fonds au-delà de ce qu'expliquent ses expositions à son panier d'ETF de référence, annualisé et mesuré ici après frais.

Marée

Alpha moyen à 12 mois de l'ensemble des fonds notés ; elle décide de la comparaison à l'ETF de référence, pas du tri.

Cible dé-marée

Alpha à 12 mois d'un fonds moins la médiane de sa période ; c'est la grandeur que le modèle apprend.

Purge d'entraînement

Délai entre le dernier trimestre d'entraînement et le millésime évalué ; il est égal à l'horizon prédit, soit 12 mois.

Walk-forward

Protocole où le modèle ne voit que des trimestres strictement antérieurs au millésime qu'il note.

Fuite d'information future

Utilisation involontaire, à l'entraînement, d'une information qui n'existait pas encore à la date simulée.

Millésime

Trimestre de formation d'un classement ; chaque millésime note 5 000 à 6 000 fonds à partir d'une fenêtre de 60 mois.

Réalisation du partage

Un tirage du partage apprentissage/test groupé par portefeuille ; chaque chiffre officiel tient sur trois réalisations indépendantes.

M1

Écart entre le panier de tête et le panier de queue comparés à risque de perte extrême égal (à CDaR égal).

M2

Écart entre le panier de tête et un mélange d'un ETF de référence et d'un fonds monétaire de même risque de perte extrême ; la mesure « comparable à l'ETF de référence ».

À CDaR égal

Comparaison à risque égal, le risque étant le CDaR 0,90 : la moyenne des 10 % pires baisses depuis un plus haut, sur 60 mois glissants.

Évitement

Part de l'écart obtenue en ne détenant pas le panier de queue (−2,8 %/an) plutôt qu'en détenant le panier de tête (+0,3 %/an).

Classe de parts

Version d'un même portefeuille distribuée sous un ISIN distinct ; jamais séparée entre entraînement et test.

Références

Travaux académiques

1. Sharpe, W. F. (1966). Mutual Fund Performance. The Journal of Business, 39(1), 119-138. [lien]
2. Jensen, M. C. (1968). The Performance of Mutual Funds in the Period 1945-1964. The Journal of Finance, 23(2), 389-416. [lien]
3. Grossman, S. J., & Stiglitz, J. E. (1980). On the Impossibility of Informationally Efficient Markets. The American Economic Review, 70(3), 393-408. [lien]
4. Sharpe, W. F. (1991). The Arithmetic of Active Management. Financial Analysts Journal, 47(1), 7-9. [lien]
5. Grinblatt, M., & Titman, S. (1992). The Persistence of Mutual Fund Performance. The Journal of Finance, 47(5), 1977-1984. [lien]
6. Hendricks, D., Patel, J., & Zeckhauser, R. (1993). Hot Hands in Mutual Funds: Short-Run Persistence of Relative Performance, 1974-1988. The Journal of Finance, 48(1), 93-130. [lien]
7. Brown, S. J., & Goetzmann, W. N. (1995). Performance Persistence. The Journal of Finance, 50(2), 679-698. [lien]
8. Malkiel, B. G. (1995). Returns from Investing in Equity Mutual Funds 1971 to 1991. The Journal of Finance, 50(2), 549-572. [lien]
9. Gruber, M. J. (1996). Another Puzzle: The Growth in Actively Managed Mutual Funds. The Journal of Finance, 51(3), 783-810. [lien]
10. Elton, E. J., Gruber, M. J., & Blake, C. R. (1996). The Persistence of Risk-Adjusted Mutual Fund Performance. The Journal of Business, 69(2), 133-157. [lien]
11. Carhart, M. M. (1997). On Persistence in Mutual Fund Performance. The Journal of Finance, 52(1), 57-82. [lien]
12. Daniel, K., Grinblatt, M., Titman, S., & Wermers, R. (1997). Measuring Mutual Fund Performance with Characteristic-Based Benchmarks. The Journal of Finance, 52(3), 1035-1058. [lien]
13. Rockafellar, R. T., & Uryasev, S. (2000). Optimization of Conditional Value-at-Risk. Journal of Risk, 2(3), 21-41. [lien]
14. Wermers, R. (2000). Mutual Fund Performance: An Empirical Decomposition into Stock-Picking Talent, Style, Transactions Costs, and Expenses. The Journal of Finance, 55(4), 1655-1695. [lien]
15. Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189-1232. [lien]
16. Berk, J. B., & Green, R. C. (2004). Mutual Fund Flows and Performance in Rational Markets. Journal of Political Economy, 112(6), 1269-1295. [lien]
17. Bollen, N. P. B., & Busse, J. A. (2005). Short-Term Persistence in Mutual Fund Performance. The Review of Financial Studies, 18(2), 569-597. [lien]
18. Chekhlov, A., Uryasev, S., & Zabarankin, M. (2005). Drawdown Measure in Portfolio Optimization. International Journal of Theoretical and Applied Finance, 8(1), 13-58. [lien]
19. Kosowski, R., Timmermann, A., Wermers, R., & White, H. (2006). Can Mutual Fund “Stars” Really Pick Stocks? New Evidence from a Bootstrap Analysis. The Journal of Finance, 61(6), 2551-2595. [lien]
20. Cremers, K. J. M., & Petajisto, A. (2009). How Active Is Your Fund Manager? A New Measure That Predicts Performance. The Review of Financial Studies, 22(9), 3329-3365. [lien]
21. Barras, L., Scaillet, O., & Wermers, R. (2010). False Discoveries in Mutual Fund Performance: Measuring Luck in Estimated Alphas. The Journal of Finance, 65(1), 179-216. [lien]
22. Fama, E. F., & French, K. R. (2010). Luck versus Skill in the Cross-Section of Mutual Fund Returns. The Journal of Finance, 65(5), 1915-1947. [lien]
23. Petajisto, A. (2013). Active Share and Mutual Fund Performance. Financial Analysts Journal, 69(4), 73-93. [lien]
24. Berk, J. B., & van Binsbergen, J. H. (2015). Measuring Skill in the Mutual Fund Industry. Journal of Financial Economics, 118(1), 1-20. [lien]
25. Fama, E. F., & French, K. R. (2015). A Five-Factor Asset Pricing Model. Journal of Financial Economics, 116(1), 1-22. [lien]
26. Pástor, Ľ., Stambaugh, R. F., & Taylor, L. A. (2015). Scale and Skill in Active Management. Journal of Financial Economics, 116(1), 23-45. [lien]
27. Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. [lien]
28. Heaton, J. B., Polson, N. G., & Witte, J. H. (2017). Why Indexing Works. Applied Stochastic Models in Business and Industry, 33(6), 690-693. [lien]
29. Bessembinder, H. (2018). Do Stocks Outperform Treasury Bills? Journal of Financial Economics, 129(3), 440-457. [lien]
30. Gârleanu, N., & Pedersen, L. H. (2018). Efficiently Inefficient Markets for Assets and Asset Management. The Journal of Finance, 73(4), 1663-1712. [lien]
31. Harvey, C. R., & Liu, Y. (2018). Detecting Repeatable Performance. The Review of Financial Studies, 31(7), 2499-2552. [lien]
32. Gu, S., Kelly, B., & Xiu, D. (2020). Empirical Asset Pricing via Machine Learning. The Review of Financial Studies, 33(5), 2223-2273. [lien]
33. Jones, C. S., & Mo, H. (2021). Out-of-Sample Performance of Mutual Fund Predictors. The Review of Financial Studies, 34(1), 149-193. [lien]
34. DeMiguel, V., Gil-Bazo, J., Nogales, F. J., & Santos, A. A. P. (2023). Machine Learning and Fund Characteristics Help to Select Mutual Funds with Positive Alpha. Journal of Financial Economics, 150(3), 103737. [lien]
35. Kaniel, R., Lin, Z., Pelger, M., & Van Nieuwerburgh, S. (2023). Machine-Learning the Skill of Mutual Fund Managers. Journal of Financial Economics, 150(1), 94-138. [lien]
36. Kelly, B., & Xiu, D. (2023). Financial Machine Learning. Foundations and Trends in Finance, 13(3-4), 205-363. [lien]

Études récentes et rapports de place (2024-2026)

37. Darpeix, P.-E. (2024). Analyse des frais des fonds de droit français. Autorité des marchés financiers, mai 2024. [lien]
38. S&P Dow Jones Indices (2025). SPIVA Global Scorecard : Year-End 2024. S&P Global. [lien]
39. Investment Company Institute (2025). 2025 Investment Company Fact Book, 65^e édition. ICI. [lien]
40. EFAMA (2025). EFAMA Fact Book 2025. European Fund and Asset Management Association, Bruxelles. [lien]
41. ESMA (2025). Report on Total Costs of Investing in UCITS and AIFs (ESMA50-1949966494-3918). European Securities and Markets Authority. [lien]
42. Fausch, J., Frigg, M., & Ruenzi, S. (2025). Machine Learning Mutual Fund Flows. Document de travail. [lien]
43. Fausch, J., Frigg, M., Johann, T., Mussbach, E., Westheide, C., & Drobetz, W. (2025). Does Machine Learning Really Help to Select Mutual Funds with Positive Alpha? Document de travail, SSRN. [lien]
44. Hu, X., Rohrer, M., & Zhang, H. (2025). Active Machine Learning Based Trading and Mutual Fund Performance. Document de travail, SSRN. [lien]
45. ESMA (2026). Market Report : Costs and Performance of EU Retail Investment Products 2025 (ESMA50-1949966494-4065). European Securities and Markets Authority. [lien]
46. Morningstar (2026). European Active/Passive Barometer : Year-End 2025. Morningstar Manager Research. [lien]
47. S&P Dow Jones Indices (2026). SPIVA Europe Scorecard : Year-End 2025. S&P Global. [lien]

Travaux Ploovers Research (2026)

48. Rousseau, M. (2026). Machine-Learning Fund Selection Under a Falling Alpha Tide: A Pre-Registered, Replication-First Protocol for European Life-Insurance Fund Universes. Ploovers Research. Source de cette page.
49. Rousseau, M. (2026). Predicting Mutual Fund Alpha: A Survey of Six Decades of Evidence. Ploovers Research.
50. Rousseau, M. (2026). The Optimism Premium: Tuning a Production Portfolio Optimizer So That What the Client Sees Is What the Client Gets. Ploovers Research.
51. Rousseau, M. (2026). The Distribution Behind the Number: Estimating, Stressing, Guaranteeing and Simulation historiqueing the Sampling Distribution of Path-Based Drawdown Risk. Ploovers Research.
52. Rousseau, M. (2026). From Correlation to Co-Crash: Tail Dependence in Retail Fund Menus. Ploovers Research.

Versions intégrales (anglais) disponibles sur demande à contact@ploovers.com. Information à caractère non publicitaire, fournie à titre indicatif ; ne constitue ni un conseil en investissement personnalisé, ni une recommandation, ni une offre. Les performances simulées ou passées ne préjugent pas des performances futures ; tout investissement comporte un risque de perte en capital.