Can AI Fixer, Ou Rompre, Les Prévisions De Bénéfices Des Entreprises? | Benzinga France

Benzinga
Apri Benzinga
Can AI Fixer, Ou Rompre, Les Prévisions De Bénéfices Des Entreprises? | Benzinga France
Share Facebook Twitter LinkedIn Pinterest Email

Les prévisions de bénéfices sont plus importantes que les bénéfices eux-mêmes. Les marchés évoluent souvent moins en fonction de ce qu’une entreprise rapporte que de la manière dont les résultats sont comparés aux attentes. À mesure que l’intelligence artificielle s’intègre dans les futures applications de trading, l’analyse financière et les prévisions sont de plus en plus façonnées non seulement par le jugement humain, mais aussi par des algorithmes entraînés sur d’immenses volumes de données historiques et de langage d’entreprise.

La promesse est claire : l’IA peut traiter plus d’informations, et de manière plus cohérente, que n’importe quel analyste humain. Le risque est plus subtil. L’IA peut améliorer la précision des prévisions dans certains cas tout en déformant simultanément les attentes par une fausse précision, des modèles corrélés et des boucles de rétroaction narrative.

Le fait que l’IA corrige ou détruit les prévisions de bénéfices dépend moins des modèles eux-mêmes que de la manière dont ils sont utilisés.

Là où l’IA améliore réellement les prévisions de bénéfices

La plus forte contribution de l’IA aux prévisions est l’échelle. Les analystes traditionnels sont limités par le temps et la couverture. Les modèles d’apprentissage automatique, non. Ils peuvent ingérer des dizaines d’années de données financières, des milliers d’appels de bénéfices et des flux de nouvelles et de divulgations sans se fatiguer.

La recherche universitaire soutient cet avantage. Une grande étude internationale publiée dans The Accounting Review a révélé que les modèles d’apprentissage automatique surpassaient les références statistiques traditionnelles, en particulier pour les entreprises aux bénéfices volatils, à la couverture des analystes limitée et aux inscriptions hors États-Unis, des contextes où l’attention humaine est faible et l’incertitude élevée. Dans ces environnements, l’IA réduit l’erreur de base en identifiant des relations non linéaires que les humains manquent souvent.

L’IA est également efficace pour convertir les divulgations qualitatives en entrées mesurables. Les modèles de langage naturel peuvent suivre les changements de ton, d’incertitude et de références concurrentielles à travers les appels aux bénéfices à grande échelle. LSEG a noté que l’analyse des transcriptions s’appuie de plus en plus sur le NLP avancé pour détecter les premiers signaux de risque difficiles à capturer manuellement (rapporté par Reuters, 2024).

En bref, l’IA améliore les prévisions lorsque le problème est une surcharge d’informations, et non un jugement stratégique.

Là où l’IA commence à fausser les attentes

La distorsion commence lorsque les résultats de l’IA sont traités comme une vérité objective plutôt que comme des estimations probabilistes.

La plupart des systèmes de prévision basés sur l’IA produisent des estimations ponctuelles qui semblent précises : BPA au centime près, croissance du chiffre d’affaires avec deux décimales. Cette précision apparente peut masquer une incertitude réelle. Lorsque ces résultats alimentent directement des modèles, des notes d’investisseurs ou des stratégies de trading, ils encouragent la surestimation, même lorsque l’erreur de prédiction sous-jacente reste élevée.

Il y a aussi un effet de saturation. Plus les fonds et les équipes de recherche s’appuient sur des ensembles de données et des modèles pré-entraînés similaires, plus les prévisions sont corrélées. Lorsque les attentes changent, elles changent ensemble. Cela augmente le risque de révisions nettes et synchronisées plutôt que d’un ajustement progressif.

Les commentaires sur le marché ont déjà commencé à refléter cette préoccupation. La croissance de l’utilisation des outils de sentiment et de bénéfices basés sur l’IA soulève des questions sur le fait que les marchés deviennent plus efficaces ou simplement plus rapides à réagir aux mêmes signaux. Une autre analyse a souligné que l’optimisme de l’IA est souvent intégré dans le prix des actions bien avant que les impacts des bénéfices ne se matérialisent, ce qui augmente le risque de baisse si les résultats déçoivent.

Les humains ont toujours l’avantage là où le jugement compte

Il est important de noter que l’IA ne surpasse pas systématiquement les analystes humains dans les entreprises bien couvertes. Une étude comparative des actions américaines de 2013 à 2016 a révélé que les modèles d’apprentissage automatique améliorés par gradient n’ont pas surpassé les prévisions consensuelles des analystes lorsque la couverture des analystes était forte et que l’accès à l’information était riche (Farrell et al., 2018).

Cela semble logique. Les analystes humains conservent des avantages qu’il est difficile de coder :

Interaction directe avec la direction Compréhension des points d’inflexion stratégiques Jugement lors de changements de régime (chocs de taux, perturbations de l’offre, changements réglementaires)

Pendant les périodes de changement structurel, les schémas historiques, qui sont à la base de la plupart des modèles d’IA, deviennent moins fiables. Les humains peuvent remplacer les modèles plus rapidement que les modèles ne peuvent réapprendre la réalité.

Le risque réel : les boucles de rétroaction narrative

Le risque le moins apprécié n’est pas l’erreur de modèle, mais la rétroaction.

Si les marchés récompensent les récits de croissance pilotés par l’IA, les entreprises adaptent leur langage. Si le langage change, les modèles s’adaptent à leur tour. Au fil du temps, les signaux se dégradent. Ce qui a commencé comme un aperçu devient du bruit, amplifié par la répétition.

Ceci n’est pas hypothétique. Les régulateurs financiers ont depuis longtemps mis en garde contre le risque de modèle dans l’évaluation et la prévision. La directive américaine sur la supervision bancaire (SR 11-7) souligne que les modèles utilisés dans la prise de décision financière doivent être encadrés, validés et remis en question, et ne doivent pas être traités comme des boîtes noires.

Les systèmes de prévision d’IA qui ne disposent pas de ces contrôles ne font pas que commettre des erreurs. Ils les institutionnalisent.

L’IA corrige ou détruit les prévisions de bénéfices ?

L’IA corrige les prévisions des bénéfices lorsqu’elle élargit la couverture, standardise l’extraction des signaux et quantifie l’incertitude.
L’IA détruit les prévisions lorsqu’elle crée une fausse précision, des attentes synchronisées et une confiance basée sur la narration, déconnectée des fondamentaux.

Les preuves indiquent un avenir hybride. L’IA réduit l’erreur de base et accélère l’analyse. Les humains conservent l’avantage en matière d’interprétation, de changement de régime et de responsabilité.

Les organisations qui en bénéficieront le plus ne se demanderont pas si l’IA peut remplacer les analystes. Elles se demanderont où l’IA doit s’arrêter et où le jugement doit commencer.

Conclusion

L’IA n’est ni un sauveur des prévisions ni un méchant du marché. C’est un multiplicateur de forces. Utilisée avec précaution, elle améliore la discipline et la cohérence. Utilisée sans précaution, elle accélère la surestimation.

Dans la prévision des bénéfices, la différence entre la correction et la rupture du système se résume à l’humilité : des plages de prévision au lieu de points, traiter les modèles comme des entrées plutôt que comme des réponses, et se rappeler que l’intelligence sans contexte a toujours été un mauvais guide pour les marchés.

Avertissement de Benzinga : Cet article provient d’un contributeur externe non rémunéré. Il ne représente pas le reportage de Benzinga et n’a pas été édité pour le contenu ou l’exactitude.