Plateforme Stocktwits : Comment les données alternatives nuisent aux prévisions des analystes financiers

Depuis le début du XXIe siècle, le nombre de satellites en orbite autour de la Terre a connu une augmentation de plus de 800 %, passant de moins de 1 000 à plus de 9 000. Cette augmentation massive a entraîné plusieurs conséquences étranges et inquiétantes. Par exemple, certaines entreprises commercialisent désormais des données issues de l’imagerie satellite de parkings à des analystes financiers. Ces derniers utilisent ces informations pour évaluer le trafic piétonnier des magasins, comparer un détaillant à ses concurrents et estimer ses revenus.

Ceci n’est qu’un exemple de ce qu’on appelle les « données alternatives », des informations nouvelles disponibles pour les analystes afin de les aider à faire des prédictions sur la performance future des actions. Auparavant, les prévisions se basaient principalement sur les états financiers publics des entreprises.

Un courriel hebdomadaire en anglais qui met en avant l’expertise des chercheurs et universitaires. Il offre une introduction à la diversité des recherches réalisées sur le continent et examine certains des enjeux majeurs auxquels les pays européens sont confrontés. Abonnez-vous à la newsletter!

Selon nos recherches, l’abondance de nouvelles sources de données a amélioré les prévisions à court terme mais a détérioré l’analyse à long terme, ce qui pourrait avoir des conséquences profondes.

Des tweets, des twits et des données de cartes de crédit

Dans une étude sur l’impact des données alternatives sur les prévisions financières, nous avons identifié plus de 500 entreprises vendant des données alternatives en 2017, un chiffre qui a explosé par rapport aux moins de 50 en 1996. Aujourd’hui, le courtier en données alternatives Datarade répertorie plus de 3 000 ensembles de données alternatives à vendre.

Outre les images satellites, les nouvelles sources d’informations incluent Google, les statistiques des cartes de crédit et les réseaux sociaux tels que X ou Stocktwits, une plateforme populaire semblable à X où les investisseurs partagent des idées sur le marché. Par exemple, les utilisateurs de Stocktwits partagent des graphiques montrant l’évolution du prix d’une action donnée (par exemple, l’action Apple) et des explications sur la façon dont cette évolution prévoit une hausse ou une baisse du prix. Ils mentionnent également le lancement d’un nouveau produit par une entreprise et si cela les rend optimistes ou pessimistes quant à l’avenir de l’action de l’entreprise.

En utilisant les données du système I/B/E/S (Institutional Brokers’ Estimate System) et des analyses de régression, nous avons mesuré la qualité des prévisions de 65 millions d’analystes en actions de 1983 à 2017 en comparant les prévisions des analystes avec les bénéfices réels par action des entreprises.

Nous avons constaté, comme d’autres avant nous, que la disponibilité de plus de données explique pourquoi les analystes sont devenus progressivement meilleurs pour faire des projections à court terme. Cependant, nous avons également examiné comment ces données alternatives affectaient les projections à long terme. Nous avons découvert que sur la même période qui a vu une hausse de la précision des projections à court terme, il y avait une baisse de la validité des prévisions à long terme.

Plus de données, mais une attention limitée

De par sa nature, les données alternatives – informations sur les entreprises à un moment donné – sont surtout utiles pour les prévisions à court terme. L’analyse à long terme – projetant un à cinq ans dans le futur – est un jugement bien plus important.

Des études précédentes ont prouvé la proposition de bon sens selon laquelle les analystes disposent d’une quantité limitée d’attention. Si les analystes couvrent un grand portefeuille d’entreprises, par exemple, leur concentration dispersée commence à produire des rendements décroissants.

Nous avons voulu savoir si l’augmentation de la précision des prévisions à court terme et la baisse de celle des prédictions à long terme – que nous avons observée dans notre analyse des données I/B/E/S – étaient dues à une prolifération concomitante de sources alternatives d’informations financières.

Pour étudier cette proposition, nous avons analysé toutes les discussions sur les actions sur Stocktwits qui ont eu lieu entre 2009 et 2017. Comme on pouvait s’y attendre, certaines actions comme celles d’Apple, Google ou Walmart ont généré beaucoup plus de discussions que celles de petites entreprises non cotées sur le Nasdaq.

Nous avons supposé que les analystes qui suivaient les actions très discutées sur la plateforme – et donc, qui étaient exposés à beaucoup de données alternatives – connaîtraient une plus grande baisse de la qualité de leurs prévisions à long terme que les analystes suivant des actions peu discutées. Après avoir contrôlé des facteurs tels que la taille des entreprises, les années d’activité et la croissance des ventes, c’est exactement ce que nous avons découvert.

Nous avons déduit que parce que les analystes avaient un accès facile aux informations pour l’analyse à court terme, ils y consacraient leur énergie, ce qui signifiait qu’ils avaient moins d’attention pour la prévision à long terme.

Les conséquences plus larges de la faible prévision à long terme

Les conséquences de cette inondation de données alternatives peuvent être profondes. Lors de l’évaluation de la valeur d’une action, les investisseurs doivent prendre en compte les prévisions à court et à long terme. Si la qualité des prévisions à long terme se détériore, il est probable que les prix des actions ne reflètent pas correctement la valeur d’une entreprise.

De plus, une entreprise aimerait voir la valeur de ses décisions reflétée dans le prix de son action. Mais si les décisions à long terme d’une entreprise ne sont pas correctement prises en compte par les analystes, elle pourrait être moins encline à réaliser des investissements qui ne rapporteront que dans plusieurs années.

Dans l’industrie minière, par exemple, il faut du temps pour construire une nouvelle mine. Cela peut prendre peut-être neuf ou dix ans avant qu’un investissement commence à générer des flux de trésorerie. Les entreprises pourraient être moins disposées à réaliser de tels investissements si, disons, leurs actions peuvent être sous-évaluées parce que les participants du marché ont des prévisions moins précises de l’impact de ces investissements sur les flux de trésorerie des entreprises – sujet d’un autre article sur lequel nous travaillons.

L’exemple de l’investissement dans la réduction du carbone est encore plus alarmant. Ce type d’investissement a également tendance à porter ses fruits à long terme, lorsque le réchauffement climatique sera encore plus problématique. Les entreprises pourraient avoir moins d’incitations à investir si la valeur de cet investissement n’est pas rapidement reflétée dans leur évaluation.

Applications pratiques

Les résultats de notre recherche suggèrent qu’il pourrait être judicieux pour les entreprises financières de séparer les équipes qui recherchent des résultats à court terme de celles qui font des prévisions à long terme. Cela atténuerait le problème d’une personne ou d’une équipe inondée de données pertinentes pour les prévisions à court terme et ensuite également attendue pour effectuer des recherches sur les résultats à long terme. Nos découvertes sont également notables pour les investisseurs à la recherche de bonnes affaires : bien qu’il y ait des inconvénients à une faible prévision à long terme, cela pourrait représenter une opportunité pour ceux capables d’identifier des entreprises sous-évaluées.