Un analyste quant m'a envoyé la semaine dernière un backtest avec un IC moyen de 0,11. Il était content. Moi, j'ai regardé la courbe d'IC par période avant de regarder la performance : trois mois à 0,4, puis six mois collés à zéro. Le signal n'était pas bon. Il avait juste eu un accident heureux au bon moment. Le coefficient d'information est l'une des métriques les plus mal comprises de la finance quantitative — pas parce qu'elle est compliquée, mais parce qu'on lui demande de répondre à une question qu'elle ne peut pas trancher seule.

Dans cet article, je vous explique ce que mesure vraiment l'information coefficient, comment l'interpréter sans se raconter d'histoires, et surtout comment l'articuler avec le ratio d'information — parce que c'est là que la plupart des praticiens se plantent.

Points clés à retenir

  • L'IC est une corrélation, pas une performance : il mesure la qualité d'un classement de prévisions, pas le gain
  • La corrélation de Spearman est presque toujours le bon choix en pratique, pour une raison précise liée aux queues épaisses
  • Un IC moyen de 0,05 sur des centaines de périodes est exploitable. Un IC de 0,30 sur dix périodes ne prouve rien
  • La loi fondamentale de la gestion active relie l'IC au ratio d'information via la racine du nombre de paris indépendants
  • Un IC annualisé flatteur masque souvent une variance énorme entre périodes — regardez la série, pas la moyenne
  • La significativité statistique de l'IC dépend du nombre d'observations, pas de la magnitude du chiffre

L'information coefficient, ou pourquoi votre score n'est pas votre rendement

L'IC répond à une question très précise : quand mon modèle classe les actifs du meilleur au moins bon, ce classement correspond-il au classement des rendements réellement obtenus sur l'horizon qui suit ? C'est une corrélation entre deux vecteurs, calculée période par période.

Rien de plus. En particulier, l'IC ne dit rien sur l'amplitude des gains, ne tient pas compte du coût de transaction, et ignore complètement le dimensionnement des positions. Un modèle avec un IC de 0,08 et un turnover absurde peut perdre de l'argent ; un modèle avec un IC de 0,04 et des positions tenues six mois peut en gagner. J'y reviens plus bas.

La formule, sans mystère

Sur chaque période t, vous calculez :

ICt = corr( scorei,t , rendementi,t+1 )

où i parcourt les actifs de l'univers. Puis vous agrégez les ICt sur l'historique — moyenne simple, médiane, ou IC annualisé si vous voulez comparer des fréquences différentes.

  • La corrélation de Pearson suppose une relation linéaire et se laisse tirer par les valeurs extrêmes
  • La corrélation de Spearman travaille sur les rangs et ne s'intéresse qu'à l'ordre
  • Un IC proche de 0 signifie aucune relation linéaire détectable — pas nécessairement aucune relation tout court
  • Un IC négatif systématique n'est pas un échec : c'est un signal inversé, et donc un signal (à vérifier avec prudence, souvent c'est du bruit)

Spearman ou Pearson : le choix qui change vos conclusions

Je plaide pour Spearman, sans hésiter. La raison est mécanique : les rendements d'actions ont des queues épaisses, et une seule valeur aberrante peut faire basculer un IC de Pearson de +0,15 à −0,02. Sur un univers de 500 titres, un titre qui double sur la période pèse énormément en Pearson. En Spearman, il compte comme un rang, point final.

Mais il y a un piège : si votre score de signal est lui-même très concentré (beaucoup de titres avec des scores quasi identiques), Spearman crée des rangs arbitraires sur ces ex-aequo et le bruit augmente. Dans ce cas de figure, j'ai déjà vu des IC de Spearman plus instables que ceux de Pearson. Testez les deux, comparez la stabilité temporelle, et gardez celui dont la série est la moins erratique. Ce n'est pas élégant comme méthode, mais c'est honnête.

IC et ratio d'information : la relation qu'il faut connaître

Là, on touche au cœur du sujet. Beaucoup de gens calculent un IC, le trouvent « faible », et jettent le modèle. Or l'IC n'a de sens qu'en regardant combien de paris indépendants votre stratégie prend par an.

IC et ratio d'information : la relation qu'il faut connaître

La loi fondamentale de la gestion active

La relation s'écrit :

IR ≈ IC × √breadth

Le breadth est le nombre de paris indépendants réalisés sur l'année. Un gérant qui prend 50 positions mensuelles avec un IC moyen de 0,03 affiche un ratio d'information théorique de 0,03 × √600 ≈ 0,73. Un autre, avec un IC de 0,10 mais seulement 12 paris annuels, obtient 0,10 × √12 ≈ 0,35. Le second a un IC trois fois meilleur et un IR deux fois pire.

Voilà pourquoi juger un modèle sur son IC seul est une erreur de débutant. Je l'ai faite. En 2023, j'ai écarté un modèle de sélection sectorielle parce que son IC plafonnait à 0,035. Six mois plus tard, un confrère l'a repris avec un turnover quotidien : son ratio d'information approchait 1,1. J'avais lu le bon chiffre et posé le mauvais diagnostic.

Profil de stratégie IC moyen Nombre de paris par an IR théorique
Stock picking long terme, 30 positions, rebalancement trimestriel 0,06 ~120 0,66
Modèle multifacteur hebdomadaire, 300 titres 0,025 ~15 600 3,12
Market timing mensuel sur indice 0,09 12 0,31
Sélection de 50 actions, rebalancement mensuel 0,04 600 0,98

Le deuxième cas paraît extravagant — IC de 0,025, donc « nul » selon l'intuition courante. Sauf que 15 600 paris indépendants, ça transforme un murmure en signal. Attention toutefois : cette formule suppose des paris réellement indépendants. Si vos 300 titres bougent ensemble parce qu'ils partagent le même facteur de risque, votre breadth effectif s'effondre. C'est l'erreur classique — je détaillerai plus loin.

Faut-il annualiser l'IC ?

Techniquement, oui : IC annualisé = IC moyen × √(nombre de périodes par an). Pratiquement, je trouve cette métrique dangereuse. Elle transforme un IC de 0,03 hebdomadaire en 0,22 annualisé, ce qui donne une fausse impression de solidité. Un lecteur non averti voit 0,22 et pense « excellent modèle ». Il ne voit pas que la série sous-jacente oscille entre −0,15 et +0,20.

Mon conseil : gardez l'IC moyen par période comme chiffre de travail, et affichez l'IC annualisé uniquement pour comparer des stratégies de fréquences différentes. Jamais pour communiquer une performance.

Qu'est-ce qu'un bon IC, concrètement ?

La question qu'on me pose à chaque audit. Voici les ordres de grandeur que j'utilise, avec la mise en garde qui va avec : ce ne sont pas des lois, ce sont des repères empiriques de praticien.

Qu'est-ce qu'un bon IC, concrètement ?
  • 0,02 à 0,05 en moyenne sur des centaines de périodes : c'est un signal exploitable dans un cadre à forte breadth
  • 0,05 à 0,10 : solide pour un facteur actions classique, à condition de vérifier la stabilité
  • Au-delà de 0,15 en moyenne : méfiance immédiate, cherchez la fuite de données. J'ai vu ce chiffre trois fois dans ma carrière, deux fois c'était un look-ahead bias
  • 0,30 sur une seule période : bruit. Rien d'autre
  • Négatif pendant dix périodes consécutives : votre facteur est probablement mort, ou inversé

Un détail qui compte : l'IC dépend fortement de l'horizon. Un facteur momentum peut afficher 0,08 sur un horizon mensuel et 0,01 sur un horizon quotidien, sans que l'un des deux chiffres soit faux. Comparez ce qui est comparable.

Un IC de 0,04 est-il statistiquement significatif ?

Ça dépend entièrement du nombre d'observations. Sur 20 périodes, un IC moyen de 0,04 avec un écart-type de 0,12 donne un t-statistique d'environ 1,5 — non significatif au seuil usuel de 5 %. Sur 500 périodes, le même IC moyen produit un t-stat de l'ordre de 7,4 — largement significatif.

Autrement dit : la magnitude de l'IC ne veut rien dire seule. Il faut toujours l'accompagner de son erreur standard. Et attention à l'autocorrélation des IC entre périodes : si vos rendements se chevauchent (fenêtres glissantes de 20 jours), vos observations ne sont pas indépendantes et votre t-stat est gonflé artificiellement. J'ai vu des backtests « significatifs à 1 % » qui, une fois les chevauchements corrigés, tombaient à peine sous le seuil de 10 %.

Les pièges que je vois le plus souvent

Trois erreurs reviennent systématiquement dans les modèles qu'on me soumet.

Le breadth gonflé

Prendre 500 actions ne signifie pas prendre 500 paris indépendants. Si votre modèle charge un facteur commun (par exemple une exposition au secteur bancaire), le breadth effectif peut tomber à 50 ou moins. Dans ce cas, la loi fondamentale promet un IR que vous n'atteindrez jamais. La correction passe par l'analyse en composantes principales de la matrice de covariance des résidus de votre modèle — pas glamour, mais nécessaire.

L'IC gonflé par l'optimisation

Si vous avez testé 4 000 variantes de votre signal et retenu celle qui affichait le meilleur IC, votre IC est biaisé à la hausse par construction. Sur un univers où le vrai IC est nul, un test de 4 000 candidats produit mécaniquement des IC apparents de 0,05 à 0,08 sur les meilleurs. La correction : testez sur un échantillon tenu à l'écart dès le début, ou appliquez une correction de comparaisons multiples. Avouons-le, personne ne le fait vraiment, moi le premier — mais il faut au moins le savoir.

La moyenne qui masque tout

Un IC moyen de 0,06 avec un écart-type de 0,04 et un IC moyen de 0,06 avec un écart-type de 0,18 sont deux animaux différents. Le premier est un moteur. Le second est une loterie dont le ticket gagnant a déjà été tiré. Tracez la série d'IC par période, regardez la distribution, vérifiez le signe sur les sous-périodes. C'est dix minutes de travail qui évitent des mois de désillusion.

Ce que je retiens après toutes ces années

L'information coefficient n'est pas une métrique de performance. C'est un thermomètre de cohérence : il vous dit si votre modèle sait classer, pas s'il sait gagner. Un praticien sérieux le regarde toujours en série temporelle, jamais en moyenne seule, et le met systématiquement en regard du breadth effectif et du ratio d'information.

Et si vous ne devez retenir qu'une chose : un IC de 0,03 sur 600 paris indépendants vaut infiniment mieux qu'un IC de 0,20 sur 15 observations. Le premier est un métier. Le second est une anecdote.

La prochaine fois qu'un backtest vous tend un IC de 0,25, ne demandez pas si le modèle est bon. Demandez combien de périodes, quelle erreur standard, et quel breadth réel. Les réponses vous en apprendront plus que le chiffre lui-même.