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, un réseau de neurones tabulaire (MLP) moyenné sur 5 initialisations, apprend une cible dé-marée, l'alpha à 12 mois du fonds moins la médiane de sa période ; le gradient boosting d'histogrammes de la génération précédente est conservé comme contrôle. Le modèle produit un ordre, consommé strictement comme un ordre. À partir de cet ordre, deux paniers sont construits par classe d'actifs, aux parts du fonds médian : le panier A et le panier B (section 10). C'est cette construction, plus que le modèle, qui fait le progrès de la v4. 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, lors de la construction du protocole, environ trois quarts de l'écart naïf obtenu avec une purge de 3 mois provenait 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 publié est l'intervalle interquartile de 19 réalisations reproductibles du partage.
4. Mesure depuis les prix bruts. Chaque écart officiel est recalculé depuis les valeurs liquidatives par un chemin de code indépendant (critère d'acceptation : 95 % d'accord, sinon publication bloquée).
5. Calibration hors pli uniquement, à l'intérieur de la boucle walk-forward.

Gouvernance : 124 expériences numérotées et pré-enregistrées (critères chiffrés de succès et d'échec fixés avant calcul), 57 décisions d'architecture journalisées, résultats en fourchettes interquartiles sur 19 réalisations, et les passages de citation du papier vérifiés contre leurs sources. Le biais du survivant est mesuré plutôt qu'écarté : avec la génération précédente du modèle, re-classer dans les seuls survivants déplaçait peu les écarts ; 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

Modèle v4 (réseau de neurones tabulaire moyenné sur 5 initialisations) et paniers construits par classe d'actifs aux parts du fonds médian (panier A : construction D4S ; panier B : construction D6S). Chaque fourchette est l'intervalle interquartile de 19 réalisations du partage apprentissage/test, c'est-à-dire leur moitié centrale, médiane entre parenthèses ; « 2015 et après » désigne les millésimes de l'ère de confirmation, « 2020 et après » les millésimes 2020 et suivants. Les comparaisons à l'ETF 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 MSCI Europe et un fonds monétaire, jamais un panier prudent contre un ETF actions pur. Ce sont des mesures de recherche (simulation historique walk-forward sur les réalisations de test) : le suivi réel des paniers v4 part de leur date de publication.

Extrêmes sur les 19 réalisations (millésimes 2015 et après) : +0,4 à +1,8 %/an pour les 25 premiers contre le fonds médian, +1,5 à +3,9 contre les 25 derniers, +0,9 à +2,9 pour M1 et +0,2 à +1,5 pour M2.

Ce qui a changé avec la v4. Sur les mêmes 13 réalisations de re-validation, la génération précédente (gradient boosting d'histogrammes, paniers non stratifiés) et la v4 (réseau de neurones, paniers stratifiés par classe d'actifs) se comparent ainsi :

Le classement au centre de la distribution n'a pas progressé : l'écart entre les 25 premiers fonds et le fonds médian reste du même ordre qu'avec la génération précédente, le réseau de neurones ne classant pas mieux que le gradient boosting à cet endroit. Le progrès vient de la construction stratifiée par classe d'actifs : il se lit sur M1 et sur la meilleure résistance de M2 depuis 2020.

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. Mais la plus grande marche est entre une et deux étoiles, et même les fonds cinq étoiles gardaient un alpha futur moyen négatif. Avec la génération précédente du modèle, à taille de panier égale, le modèle séparait nettement mieux les fonds que les étoiles, avec des paniers de tête qui se recouvraient peu et des scores quasi non corrélés : les étoiles élaguent le bas, le modèle choisit le haut. Cette comparaison n'a pas été recalculée avec le modèle v4 ; nous n'en publions donc pas de chiffre.

Les frais. Avec la génération précédente du modèle, trier par frais et retenir les 25 fonds les moins chers rivalisait avec le modèle sur l'écart au fonds médian, et nous l'écrivons ; sur l'écart aux 25 derniers, le modèle était bien plus régulier, et neutraliser les frais lui coûtait peu : le modèle n'est pas un proxy de frais. Comparaison non recalculée en v4. 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 −0,4 %/an en moyenne sur 2005-2014, −1,7 %/an sur les millésimes 2015 et après et −2,2 %/an depuis 2020. Elle n'est pas un artefact de notre base : les rapports SPIVA mesurent indépendamment le même régime.

Deux systèmes de mesure indépendants, un même régime ; 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. La baisse touche la plupart des grandes catégories de l'univers entre 2015-2020 et 2021-2025, crédit euro investment grade compris (attribution établie avec la génération précédente du modèle). 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 : rééquilibrer plus souvent capte davantage d'écart brut, au prix d'une rotation bien plus forte. L'enveloppe décide donc de la cadence optimale, pas le modèle : gratuite en assurance-vie (arbitrages internes), une cadence rapide perd son avantage dès que chaque bascule a un coût. En production, le rééquilibrage est annuel ; la rotation des paniers v4 est d'environ 70 % par an (environ 7,5 fonds gardés sur 25). La comparaison chiffrée par cadence et par coût de bascule, établie avec la génération précédente du modèle, n'a pas été recalculée en v4.

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 depuis 2020. À risque de perte égal, M2 est positif sur les millésimes 2015 et après (+0,6 à +1,1 %/an) mais chevauche zéro sur les millésimes 2020 et après (−0,8 à +0,1) ; en rendements bruts, le panier reste derrière l'ETF MSCI Europe (−3,4 à −4,0 %/an depuis 2020), pour deux tiers parce qu'il détient moins d'actions européennes que l'indice, pour un tiers par un résidu de l'ordre des frais d'un fonds actif. La réponse à Q3 dépend d'un régime que nous mesurons et refusons de prédire.
• Le modèle compte moins que la construction. Le réseau de neurones de la v4 ne classe pas mieux que le gradient boosting au centre de la distribution ; le progrès de la v4 vient de la construction des paniers par classe d'actifs, et une partie du gain de M1 tient à une exposition actions plus forte que celle du fonds médian, pas à de la sélection pure. La purge, elle, bouge tout (section 3).
• Les fourchettes ne disent pas toute la dispersion. Elles donnent la moitié centrale de 19 réalisations ; les extrêmes sont plus larges (+0,4 à +1,8 %/an pour les 25 premiers contre le fonds médian, +0,2 à +1,5 pour M2). 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.
• Ce sont des mesures de recherche (simulation historique walk-forward, réalisations de test) : le suivi réel des paniers v4 part de leur date de publication. Les chiffres des millésimes 2020 et après portent sur une période plus courte et ne doivent jamais être extrapolés ni présentés 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 ≈ 70 %/an des paniers v4), 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), construits à partir du classement par classe d'actifs, aux parts du fonds médian : le panier A (construction D4S), jugé face aux 25 derniers fonds (M1), et le panier B (construction D6S), jugé face à l'ETF MSCI Europe (M2). Les paniers publiés sont ceux du millésime 2026-04, revus avec la v4 ; leur suivi en conditions réelles part de leur date de publication. Le protocole de suivi est engagé à l'avance : métriques calculées uniquement depuis les prix, seuils publiés avant le premier relevé et inchangés avec la v4.

• Confirmation : écart tête − queue du panier A (contre les 25 derniers fonds) ≥ +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, un réseau de neurones tabulaire (MLP) moyenné sur 5 initialisations, 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 un tel classement fait pire que prédire zéro pour tous. Toute lecture du type « ce fonds fera +X % » est exclue du produit.

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

Pas depuis 2020. Le panier B, construit par classe d'actifs aux parts du fonds médian, est comparé à l'ETF MSCI Europe pris au même risque de perte extrême (mesure M2) : +0,6 à +1,1 %/an sur les millésimes 2015 et après (gagnant 59 % des années), mais −0,8 à +0,1 %/an sur les millésimes 2020 et après. En rendements bruts, sans égaliser le risque, un panier de fonds actifs reste derrière l'ETF : −1,0 à −1,3 %/an depuis 2015, −3,4 à −4,0 %/an depuis 2020. La promesse n'est donc pas de battre l'ETF, mais de remplacer, dans une même catégorie, un fonds faible par un meilleur.

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 −0,4 %/an en moyenne sur 2005-2014, −1,7 %/an sur les millésimes 2015 et après et −2,2 %/an depuis 2020. 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, lors de la construction du protocole (avec la génération précédente du modèle), l'écart de confirmation passait de +6,1 à +1,3 %/an entre les deux réglages : environ trois quarts de l'écart naïf provenait d'une fuite d'information future.

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

Avec la génération précédente du modèle, oui, et il leur était presque orthogonal. Une réplique de la mécanique des étoiles sépare les fonds de façon monotone, mais même les fonds cinq étoiles gardaient un alpha futur moyen négatif ; à taille de panier égale, le modèle séparait nettement mieux les fonds, et les deux paniers de tête se recouvraient peu. Cette comparaison n'a pas été recalculée avec le modèle v4 : nous n'en publions pas de chiffre.

À quelle cadence le panier est-il rebalancé ?

Chaque année en production. Un rééquilibrage plus fréquent capte un signal plus frais, mais multiplie la rotation et donc les coûts de bascule : l'enveloppe décide de la cadence, pas le modèle. En rééquilibrage annuel, la rotation des paniers v4 est d'environ 70 % par an (environ 7,5 fonds gardés sur 25). La comparaison chiffrée par cadence, établie avec la génération précédente du modèle, n'a pas été recalculée en v4.

Quelles sont les limites de la méthode ?

Tout est simulation historique : une vingtaine d'observations annuelles indépendantes, un biais du survivant partiellement non quantifiable. Les fourchettes publiées sont l'intervalle interquartile de 19 réalisations du partage apprentissage/test, c'est-à-dire leur moitié centrale ; les extrêmes sont plus larges (+0,4 à +1,8 %/an pour l'écart entre les 25 premiers fonds et le fonds médian). Le classement au centre de la distribution n'a pas progressé avec la v4 : le progrès vient de la construction des paniers, et une partie du gain de M1 tient à une exposition actions plus forte que celle du fonds médian. Ce sont des mesures de recherche : le suivi réel des paniers v4 part de leur date de publication.

Comment le suivi en conditions réelles est-il jugé ?

Deux paniers officiels de 25 fonds, A et B, sont suivis avec des seuils fixés avant le premier relevé et inchangés avec la v4. Confirmation : écart tête − queue du panier A (contre les 25 derniers fonds) 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. Le suivi des paniers v4 part de leur date de publication ; 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 : sur les millésimes 2015 et après, les 25 premiers fonds font mieux que le fonds médian de +0,7 à +1,5 %/an et que les 25 derniers de +2,6 à +3,6 %/an, et les 25 derniers rendent −3,7 à −3,3 %/an d'alpha. L'alternative pratique n'est pas un indice mais le meilleur sous-ensemble du même menu : remplacer, dans une même catégorie, un fonds faible par un meilleur. 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 ; les chiffres publiés sont l'intervalle interquartile (la moitié centrale) de 19 réalisations.

Panier A, panier B

Paniers officiels de 25 fonds construits à partir du classement, par classe d'actifs, aux parts du fonds médian (constructions D4S et D6S) ; le panier A sert à la mesure M1, le panier B à la mesure M2.

M1

Écart entre le panier A et les 25 derniers fonds du classement, comparés à risque de perte extrême égal (à CDaR égal).

M2

Écart entre le panier B et l'ETF MSCI Europe, mélangé à un fonds monétaire pour un même risque de perte extrême ; la mesure « comparable à l'ETF ».

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 les 25 derniers fonds (alpha de −3,7 à −3,3 %/an) ; les 25 premiers rendent −0,8 à 0,0 %/an : mieux que la marée, sans être positifs.

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 Backtesting 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.