Ploovers
Recherche · Note interne

Classer les fonds par probabilité d'alpha positif : un protocole sans fuite d'information

Équipe recherche Ploovers Juillet 2026 Statut : validé — suivi en conditions réelles en cours

Mise à jour — juillet 2026 (validation formelle)

Depuis la rédaction de la note ci-dessous (protocole trimestriel initial), la recherche a franchi trois étapes, chacune validée par des critères chiffrés archivés avant calcul :

  • Horizon annuel (détention 12 mois, paniers de 25) et nouveau moteur (gradient boosting, cible d'entraînement relative : « meilleur que la médiane de sa période ») — le spread top-25 − bottom-25 passe à +4,1 à +4,7 %/an selon la réalisation du partage train/test (hit 89-100 %, IC95 bootstrap [+2,86 ; +5,34], intercept FF5 +4,24 %/an, t = 4,21, aucun facteur chargé). Chaque alpha consommé par le backtest a été répliqué depuis les prix bruts (correspondance 96,5-100 %, 2012-2025).
  • Face à un simple indice à risque égalisé (CDaR ex-ante, panier contraint aux fonds comparables, construction propre : une seule part par fonds, trackers exclus, 3 fonds maximum par catégorie) : +1,5 à +1,8 %/an sur la décennie (hit 62-67 %) et +0,4 à +1,0 %/an sur les 5 dernières années — redevenu positif malgré le pire passage à vide des fonds actifs depuis 20 ans, que nous documentons en fenêtres de 5 ans glissantes plutôt que de le lisser.
  • Objectif ordinal (bascule du 28 juillet 2026) : le modèle prédit désormais le rang percentile du fonds dans son millésime (régression ordinale) au lieu du seul « meilleur que la médiane » — l'information de classement complète que le label binaire jetait. Validé sur trois réalisations du partage train/test : spread top-bottom +5,7 à +6,7 %/an (IC95 bootstrap [+3,8 ; +8,7] selon la réalisation, P(>0) = 100 %), panier top-bottom construit +3,5 à +4,2 %/an, comparable-indice +1,8 à +2,5 %/an sur la décennie et +1,2 à +1,8 %/an sur 2020-2024 ; aucune métrique dégradée. Les figures ci-dessous reflètent cette configuration.
  • Suivi en conditions réelles : deux paniers officiels (millésime avril 2026, régénérés le 28 juillet sous l'objectif ordinal avant le démarrage du suivi) sont suivis trimestriellement selon un protocole pré-enregistré — métriques calculées uniquement depuis les prix, seuils de confirmation et d'alerte fixés à l'avance.

La note initiale ci-dessous (horizon trimestriel, +1,35 %/an) est conservée telle quelle pour traçabilité : c'est l'état de la recherche qui a conduit aux résultats actuels.

0.Résultats actualisés (juillet 2026)

0.1 — Le jeu de données

L'univers de calcul couvre 15 463 instruments : 11 209 fonds du référentiel assurance-vie (« funds_all »), 360 fonds de la sélection Ploovers, 3 876 ETF (candidats benchmarks) et le panier de référence de 18 ETF « diamond ». Valeurs liquidatives quotidiennes (dividendes bruts réinvestis, EUR) mensualisées, 2000-2026. La base de caractéristiques compte 86 fenêtres de 60 mois (pas de 3 mois, dernière fenêtre avril 2021 → mars 2026) et ~960 caractéristiques par fonds × fenêtre : distribution des alphas roulants (méthode de corrélation partielle multi-indices, contrôle VIF), expositions Fama-French 5 (facteurs européens), rendements, régularité. Après filtres de qualité (données manquantes, plausibilité des quantiles d'alpha), ~5 000 à 6 000 fonds sont scorés par millésime.

0.2 — La solution, dans les grandes lignes

Un modèle en gradient boosting apprend une cible ordinale et relative : « à quel rang (percentile) ce fonds finira-t-il dans sa période sur les 12 prochains mois ? » — une formulation immunisée contre la dérive moyenne de l'univers (la « marée »), qui s'est révélée le facteur d'instabilité dominant, et qui conserve toute l'information de classement que l'ancienne cible binaire (« meilleur que la médiane », utilisée jusqu'au 28 juillet 2026) résumait en oui/non. Entraînement en walk-forward strict (seules les étiquettes déjà réalisées sont visibles), évaluation sur des fonds jamais vus (séparation par groupes de classes de parts, corrélation > 0,995), critères de succès archivés avant chaque calcul, et — depuis l'audit de juillet — chaque alpha consommé par le backtest est répliqué depuis les prix bruts (correspondance 96,5-100 % sur 2012-2025). En production, le classement alimente deux paniers de 25 fonds (détention 12 mois) : le panier « relatif » (top libre) et le panier « comparable indice » (top restreint aux fonds de corrélation ≥ 0,6 et de volatilité ≥ ½ de celle de l'indice — la stratégie top-tracker ci-dessous).

0.3 — La stratégie top-tracker : évolution, distribution, trimestre par trimestre

Figure 0a — Écart annuel vs indice à risque égalisé, fenêtres de 5 ans glissantes (pas de 1 an)

Ce qu'il faut voir : 16 fenêtres, 15 positives. Montée régulière jusqu'à +4,2 pts/an (2016-2020), puis reflux des fenêtres récentes (−1,0 sur 2021-2025) : le passage à vide généralisé des fonds actifs, affiché plutôt que lissé. Moyenne des fenêtres : +1,7 pt/an. Fenêtres chevauchantes — lecture de trajectoire, pas 16 mesures indépendantes ; validation sur trois réalisations du partage train/test — la décennie récente est robuste à toutes.

Figure 0a-bis — Écart annuel top − bottom à risque égalisé, mêmes fenêtres de 5 ans glissantes

Ce qu'il faut voir : la même lecture, appliquée à la stratégie top − bottom (les 25 fonds retenus contre les 25 écartés, risque de perte égalisé) : 16 fenêtres sur 16 positives, de +2,4 à +5,9 pts/an, moyenne +3,8 — et la fenêtre 2021-2025 (+4,7) est l'une des toutes meilleures : pendant que la comparaison à l'indice traverse la marée basse, le pouvoir de tri du moteur atteint son maximum historique. Seule la comparaison à l'indice (figure 0a) subit la marée.

Figure 0a-ter — L'indicateur réaliste : le top-25 contre quatre profils d'investisseurs

Ce qu'il faut voir : l'écart top − bottom (figure 0a-bis) mesure l'ampleur du signal, mais personne n'achète volontairement les 25 pires fonds. Cette figure répond à la question réaliste : que gagne le top-25 face à ce que différents profils d'investisseurs détiendraient vraiment ? Quatre cohortes de 25 fonds prélevées dans le même classement : le bottom-25 (borne théorique) ; le 3ᵉ quartile (rang ~3n/4) — figure de l'investisseur novice orienté par un conseiller à fort conflit d'intérêt : +2,6 pt/an d'avantage pour le top en moyenne 2006-2025 ; le milieu du classement (rang ~n/2, p. ex. 400ᵉ sur 800) — l'investisseur expérimenté mais sans outils ni données : +1,9 pt/an, positif sur les 16 fenêtres de 5 ans ; le 2ᵉ quartile (rang ~n/4) — un investisseur déjà « plutôt bon » : +1,0 pt/an, l'avantage le plus mince mais qui reste positif jusque dans la marée basse (+0,2 sur 2021-2025). L'échelle est strictement ordonnée sur toutes les ères — bottom > 3ᵉ quartile > milieu > 2ᵉ quartile — et sur la période récente c'est face aux profils les moins outillés que l'avantage résiste le mieux (3ᵉ quartile +2,4 sur 2021-2025) : le tri protège d'abord de la moitié basse du classement. Même égalisation du risque de perte que les figures précédentes ; méthode des cohortes pré-enregistrée (EXP-057, validée sur la config précédente : +1,23 pt/an contre un seuil de +1,0), chiffres ci-dessus recalculés sous la configuration ordinale du 28 juillet (EXP-064s).

D'où vient le reflux 2021-2025 ? L'attribution, fonds par fonds

Nous avons décomposé la performance du panier « comparable indice » face à son tracker sur les 18 millésimes 2021-2025 (écart moyen −1,4 %/an sur la configuration d'alors ; −1,0 sous la configuration ordinale actuelle), fonds par fonds et catégorie par catégorie. Les constats structurels — indépendants de la configuration — restent :

  • Pas de pari caché. Les poids des catégories sont restés quasi identiques à ceux de 2015-2020 (monde : 11 % des positions, Europe large cap : 9 %, petites capitalisations zone euro : 10 → 12 %) — et les mêmes poches qui contribuaient positivement avant 2021 sont passées négatives (monde : +0,4 → −0,4 pt/an ; Europe : +0,2 → −0,3 ; petites capitalisations : +0,2 → −0,3). Aucun fonds ne pèse plus de −0,2 pt/an : l'effet est diffus, proportionnel aux poids.
  • Deux inflexions modestes ont aggravé, sans expliquer. L'immobilier coté (0,7 → 4 % des positions, −0,2 pt/an avec le choc de taux) et le crédit euro investment grade (nouvelle poche, 3 %, −0,3 pt/an) : ensemble ~−0,4 pt sur les −1,4.
  • La marée est générale. Dans l'univers complet (pas seulement le panier), 5 des 6 grandes catégories perdent 0,8 à 1,7 pt d'alpha moyen entre les deux ères : les fonds actifs Europe passent de −1,3 à −3,0 %/an, monde de −1,5 à −3,2, petites capitalisations zone euro de −2,5 à −3,8. C'est le passage à vide documenté par SPIVA et Morningstar (réf. 38, 46-47) — pas un artefact de notre sélection, comme le montre la figure 0a-bis.

Figure 0b — Distribution des 78 observations (fenêtres de 12 mois, formation trimestrielle)

Ce qu'il faut voir : une distribution centrée à droite de zéro — médiane +1,19 %, moyenne +1,26 %, 63 % des observations positives — avec des queues épaisses des deux côtés (de −6,9 à +16,0 %) : l'avantage existe mais il est cyclique, pas régulier. C'est la raison pour laquelle nous le communiquons en fourchette et le suivons en réel.

Figure 0c — Les 78 observations dans l'ordre chronologique

Ce qu'il faut voir : chaque barre est l'écart vs l'indice d'un panier formé ce trimestre-là et détenu 12 mois. Les régimes se lisent directement : 2008-2009 favorable (les fonds amortissent), 2012-2020 largement positif (pic +16,0 au millésime avril 2020), 2021-2025 le creux (plancher −6,9 mi-2021, derniers millésimes 2025 à −6,8 et −3,5) — nettement moins profond qu'en sélection libre grâce à la construction diversifiée du panier. Fenêtres de 12 mois chevauchantes d'un trimestre à l'autre.

0.4 — La marée des fonds actifs : validation externe, explications, et fenêtres d'un an

La « marée » — la sous-performance moyenne de l'ensemble des fonds actifs face à leurs indices — n'est pas un artefact de notre base : les scorecards SPIVA la mesurent indépendamment, catégorie par catégorie. Sur les fonds actions Europe (vs S&P Europe 350, réf. 47), la part de fonds battus par leur indice sur un an s'établit à 75 % (2021), 87 % (2022), 83 % (2023), 85 % (2024) et 82 % (2025) : le régime s'est installé en 2022 et ne s'est pas inversé 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, réf. 46).

La littérature propose des mécanismes qui se cumulent : l'arithmétique de la gestion active — après frais, le fonds actif moyen sous-performe nécessairement le marché qu'il détient collectivement (Sharpe 1991, réf. 4) ; l'asymétrie extrême des rendements individuels des actions — une poignée de titres concentre l'essentiel de la création de richesse (Bessembinder 2018, réf. 29), si bien qu'un portefeuille concentré rate probablement les rares grands gagnants (Heaton, Polson & Witte 2017, réf. 28), un effet aggravé dans les marchés menés par quelques méga-capitalisations, comme le relève S&P DJI pour 2025 ; la taille de l'industrie elle-même, qui érode l'alpha disponible à mesure que la gestion active grossit (Pástor, Stambaugh & Taylor 2015, réf. 26) ; et l'équilibre information-passif — la part indicielle croissante retire du marché les contreparties « faciles », l'alpha résiduel se concentrant sur moins d'acteurs (Grossman & Stiglitz 1980, réf. 3 ; Gârleanu & Pedersen 2018, réf. 30). Notre attribution (section 0.3) est cohérente avec ces mécanismes : baisse généralisée, à pondérations constantes, la plus marquée sur les petites capitalisations.

Figure 0d — Fenêtres d'un an : marée, top-tracker et top − bottom, par année de formation des millésimes

Ce qu'il faut voir : en fenêtres d'un an, la marée (barres grises) touche son creux en 2021 (−4,0 %/an), se redresse en partie, puis plafonne vers −1,7 à −2,0 % depuis 2023 — au-dessus du creux, mais loin du régime d'avant 2020 (−0,3 à −1,0 %) : le critère de retour que nous suivons (marée ≥ −0,5 %/an) n'est pas atteint — quand elle l'est, historiquement, le top-tracker rend +2,3 %/an avec 82 % de millésimes positifs (22 observations). Le top-tracker (bleu) suit la marée en l'atténuant (2022 : +0,5 ; 2023-2024 : −1,3/+0,5) ; les deux millésimes 2025 (*, fenêtres courant jusqu'à début 2026) ressortent nettement négatifs (−5,1 %) — deux observations chevauchantes, à confirmer, cohérentes avec un marché 2025 mené par quelques grandes valeurs. Le top − bottom (marine), lui, est positif chaque année depuis 2009 (2021-2025 : +3,8 à +6,7) : la marée pèse sur la comparaison à l'indice, pas sur le tri.

Résumé

Sur un univers d'environ 10 000 fonds accessibles en assurance-vie française (2000-2025), nous estimons des alphas nets roulants de 12 mois sous plusieurs spécifications (panier d'ETF sélectionné par corrélation partielle sur ~35 candidats, contrôle de multicolinéarité par VIF, modèle à cinq facteurs de Fama-French), puis entraînons un classifieur de la probabilité d'alpha futur positif, P(α > 0), en validation walk-forward stricte avec séparation des groupes de classes de parts (corrélation > 0,995). L'AUC hors échantillon est modeste mais robuste (0,575-0,588). Le classement ne bat pas la réplication indicielle en absolu — le quartile le mieux classé rend −0,28 %/an contre −0,91 %/an pour l'univers — mais le spread top-bottom constitue un alpha économiquement et statistiquement significatif : +1,35 %/an (IC bootstrap [+0,69 ; +2,17], hit rate trimestriel 66 %, ratio d'information 0,81, intercept FF5 +1,27 %/an, t = 3,07, drawdown maximal 2,5 %), stable sur la sous-période 2015-2025 (+1,21 %/an, hit 60 %) et porté par l'évitement : le quartile le moins bien classé perd de −1,71 à −2,13 %/an selon l'ère, avec 84-88 % de trimestres négatifs.

Version grand public de cette démarche : la démarche expliquée simplement.

1.Données et mesure d'alpha

L'univers couvre environ 10 000 fonds distribués dans l'assurance-vie française, valeurs liquidatives mensuelles de 2000 à 2025. Pour chaque fonds, l'alpha est le résidu moyen annualisé d'une régression de ses rendements mensuels sur un panier d'indices, estimée sur des fenêtres roulantes de 12 mois à pas mensuel. Les fenêtres adjacentes se recouvrant à 11/12, l'inférence statistique n'utilise que des fenêtres non chevauchantes ; le pas mensuel ne sert qu'à la description (distribution, quantiles, régularité).

Quatre spécifications sont estimées en parallèle : (i) sélection stepwise du panier par corrélation partielle (seuil 0,1) parmi ~35 ETF couvrant les grandes classes d'actifs ; (ii) la même avec filtre de multicolinéarité par VIF ; (iii) le modèle à cinq facteurs de Fama-French (FF5) ; (iv) une sélection des indices par corrélation simple avec seuil (spécification historique de l'équipe). Le R² de chaque régression est conservé comme pondération de fiabilité : un alpha estimé sur un fonds mal expliqué par les indices (R² faible) pèse moins dans les agrégats et est signalé comme tel dans nos interfaces.

2.Protocole anti-fuite

Le résultat central de cette note n'est pas une performance : c'est un effondrement. Une première version « naïve » du pipeline prédisait l'alpha futur avec un R² test de 0,27 — un chiffre spectaculaire pour ce domaine, et, comme souvent, trop beau pour être vrai. Trois fuites d'information l'expliquaient intégralement.

Figure 1 — L'effondrement du R² hors échantillon

Ce qu'il faut voir : le pouvoir prédictif apparent (R² test 0,27) disparaît entièrement — et devient légèrement négatif (−0,06) — quand on corrige les trois fuites : ① classes de parts — 14 561 paires de parts quasi identiques (corrélation > 0,995) du même fonds se retrouvaient de part et d'autre du split train/test ; le split se fait désormais par groupes de classes de parts ; ② look-ahead d'entraînement — des fenêtres d'alpha postérieures à la date de prédiction contaminaient les features ; ③ calibration contemporaine — les hyperparamètres étaient calés sur la période évaluée : recalibré en walk-forward, un panier passait de +0,75 à −0,61 %/an. La barre de gauche est hachurée : c'est un artefact, pas un résultat. La plupart des backtests positifs de la littérature grise meurent à cette étape.

La magnitude de l'alpha futur n'est donc pas prédictible dans notre cadre (R² test ≈ 0). Nous reformulons le problème en classification : estimer P(α > 0) à 12 mois, en validation walk-forward stricte — à chaque date, le modèle n'est entraîné que sur l'information antérieure, hyperparamètres compris.

3.Résultats

L'AUC hors échantillon du classifieur est de 0,575 à 0,588 selon l'ère — un signal modeste en coupe transversale, mais systématique. Agrégé en portefeuilles par quartile de score, il produit une structure monotone :

Figure 2 — Alpha réalisé par quartile de classement

Ce qu'il faut voir : de Q4 à Q1, la masse des distributions se déplace vers le zéro et le franchit plus souvent — Q1 est le seul quartile dont une part substantielle des fenêtres est positive, mais sa médiane reste légèrement négative : le classement ordonne correctement les fonds sans rendre l'univers gagnant. Densités stylisées reconstruites depuis des quantiles cohérents avec les moments estimés (médianes ≈ −0,3 / −0,8 / −1,3 / −2,1 %/an) ; échelle commune, aiguille = médiane.

En absolu, le quartile le mieux classé rend −0,28 %/an net face à sa réplication indicielle, contre −0,91 %/an pour l'univers : le classement ne bat pas la réplication. En relatif, le spread top-bottom est en revanche un alpha significatif : +1,35 %/an, intervalle de confiance bootstrap [+0,69 ; +2,17], hit rate trimestriel 66 %, ratio d'information 0,81, drawdown maximal 2,5 %. Il est stable sur la sous-période 2015-2025 (+1,21 %/an, hit 60 %) et porté par la jambe courte : le quartile le moins bien classé perd de −1,71 à −2,13 %/an selon l'ère, avec 84 à 88 % de trimestres négatifs. Le signal est donc avant tout un détecteur de destruction de valeur persistante.

Figure 3 — Spread cumulé top−bottom, 2005-2025

Ce qu'il faut voir : une accumulation régulière — +27,4 % sur 77 trimestres — sans dépendance à une seule période : le repli maximal (2008-2009) est de 2,5 points. Série réelle du protocole walk-forward, jalons annuels reportés, interpolation trimestrielle linéaire entre jalons. Spread long-short théorique, avant coûts de mise en œuvre.

L'attribution du spread sur les cinq facteurs de Fama-French confirme qu'il ne s'agit pas d'une exposition factorielle déguisée : seul l'intercept est significatif au seuil de 1 %.

Tableau 1 — Attribution FF5 du spread top−bottom

Termet de StudentLecture
Intercept (alpha)3,07 +1,27 %/an — significatif à 1 %
Marché (Mkt−RF)1,06non significatif
Taille (SMB)0,24non significatif
Value (HML)−1,47non significatif
Profitabilité (RMW)−0,03non significatif
Investissement (CMA)2,06marginal (5 %)

Régression des rendements trimestriels du spread sur les facteurs FF5 européens. Seuils usuels : |t| > 1,96 (5 %), |t| > 2,58 (1 %).

4.Ce qui ne marche pas

Trois résultats négatifs méritent d'être énoncés aussi clairement que les positifs. (a) La magnitude n'est pas prédictible : le rang des fonds est informatif, la valeur de leur alpha futur ne l'est pas (section 2) ; toute promesse chiffrée fonds par fonds excéderait ce que les données supportent. (b) Le tuning n'est pas transférable entre ères : des hyperparamètres optimaux sur 2005-2015 se dégradent sur 2015-2025 ; seule la version recalibrée en walk-forward, sans réglage rétrospectif, est retenue. (c) Les frais n'apportent pas de signal additionnel : travaillant sur des alphas nets, l'information des frais est déjà encodée dans la variable expliquée ; les ajouter en feature n'améliore pas la classification.

5.Limites et travaux futurs

Biais du survivant. L'univers inclut les fonds fermés lorsqu'ils sont observables, mais une fraction de l'attrition reste invisible ; l'effet est borné par construction (il flatte surtout la jambe longue, or le résultat est porté par la jambe courte), sans être nul. Frais anachroniques. Les frais courants disponibles sont les frais actuels, appliqués rétrospectivement ; les niveaux historiques différaient. Hystérésis de turnover. La composition des quartiles tourne (64 % de renouvellement annuel) : un portefeuille réel lisserait ces rotations, au prix d'un écart de suivi vis-à-vis du spread théorique. Prochaine étape : un suivi en paper trading, horodaté et hors échantillon par construction, pour confronter le spread aux conditions réelles de mise en œuvre.

Statut de ce document

Note préliminaire issue d'une recherche interne en cours ; les chiffres pourront être révisés au fil des travaux. Elle est partagée dans un souci de transparence méthodologique et ne constitue ni un conseil en investissement, ni une recommandation, ni une offre. Résultats fondés sur des données historiques : les performances passées ne préjugent pas des performances futures. Tout investissement comporte un risque de perte en capital.

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)

  1. Darpeix, P.-E. (2024). Analyse des frais des fonds de droit français. Autorité des marchés financiers, mai 2024. [lien]
  2. S&P Dow Jones Indices (2025). SPIVA Global Scorecard — Year-End 2024. S&P Global. [lien]
  3. Investment Company Institute (2025). 2025 Investment Company Fact Book, 65e édition. ICI. [lien]
  4. EFAMA (2025). EFAMA Fact Book 2025. European Fund and Asset Management Association, Bruxelles. [lien]
  5. ESMA (2025). Report on Total Costs of Investing in UCITS and AIFs (ESMA50-1949966494-3918). European Securities and Markets Authority. [lien]
  6. Fausch, J., Frigg, M., & Ruenzi, S. (2025). Machine Learning Mutual Fund Flows. Document de travail. [lien]
  7. 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]
  8. Hu, X., Rohrer, M., & Zhang, H. (2025). Active Machine Learning Based Trading and Mutual Fund Performance. Document de travail, SSRN. [lien]
  9. ESMA (2026). Market Report — Costs and Performance of EU Retail Investment Products 2025 (ESMA50-1949966494-4065). European Securities and Markets Authority. [lien]
  10. Morningstar (2026). European Active/Passive Barometer — Year-End 2025. Morningstar Manager Research. [lien]
  11. S&P Dow Jones Indices (2026). SPIVA Europe Scorecard — Year-End 2025. S&P Global. [lien]

← La démarche expliquée simplement · Les fiches fonds