Insiders comme septième facteur d'un modèle multi-factoriel
Les facteurs canoniques d'un equity quant fund, value, momentum, quality, low-vol, size, profitability, sont fatigués. Ils marchent encore, mais leur ratio signal/bruit s'érode chaque année. L'ajout d'un facteur insider, correctement construit, peut apporter un alpha décorrélé. Voici comment intégrer le score Sigma à un pipeline existant en moins d'une journée, sur 5 marchés.
Schéma de données : ce que retourne l'API
Chaque déclaration Sigma est un enregistrement normalisé : identifiant, marché (FR/US/DE/CH/UK), date de transaction et de publication, ticker, ISIN, CIK (si US), nom du dirigeant, rôle harmonisé (CEO/CFO/Chairman/Director/Other), nature (Acquisition/Cession/Option/Award), volume, prix unitaire, montant total normalisé en EUR et USD, % de la capitalisation, score composite sur 100. Les déclarations sont disponibles via l'endpoint `/api/v1/declarations` avec filtres `market`, `score_gte`, `pubDate_gte`.
Construction du facteur
Sur chaque ticker, agrégez les achats nets des 60 derniers jours, pondérés par le score Sigma. Normalisez par capitalisation. Z-scorez cross-sectionnellement par marché et par secteur (pour éviter qu'un seul marché ou secteur domine). Vous obtenez un facteur InsiderZ par ticker, mis à jour quotidiennement, comparable aux autres z-scores de votre modèle. Combinez-le linéairement (ou via un meta-learner) avec value, momentum et quality. Le sous-ensemble Sigma filtré (signalScore ≥ 40, cluster, mid-cap, rôle dirigeant, n=196) affiche un win rate à T+90 de 77 % et un rendement moyen de +13,2 %/an sur 2022-2025, à lire comme borne supérieure (Sharpe déflaté Bailey-Lopez de Prado négatif, voir /methodologie#disclosure).
Sizing et turnover
Les achats d'initiés sont rares, quelques centaines par mois à score élevé sur l'ensemble des 5 marchés. Cela impose deux contraintes : (1) un sizing modéré du facteur dans votre meta-modèle (5–15 % du risque total est raisonnable), (2) un turnover plus faible que pour le momentum. Une fenêtre de portage de 60 à 90 jours par signal correspond à la fenêtre où la majorité de l'alpha apparaît dans nos backtests. Un signal high-score qui n'a pas performé à T+120 jours doit être sorti, le run-up post-filing est généralement consommé.
Pièges à éviter
Trois biais classiques. (1) Look-ahead : utilisez la `pubDate` (date publique), pas la `transactionDate` (le marché ne savait pas encore). Sigma expose les deux. (2) Survivorship : les sociétés délistées doivent rester dans le backtest avec leur dernier prix connu. Sigma conserve l'historique des entités délistées. (3) Cluster trades : un même dirigeant qui split son achat sur trois jours ne compte pas pour trois signaux. Le champ `insiderId` permet le déduplication.
Intégration concrète
Sur le tier Quant (99 €/mois), un cron quotidien à 17h00 UTC tire les déclarations des dernières 24h sur les 5 marchés en un seul appel, écrit dans votre data lake, et alimente votre pipeline de scoring du matin. Webhooks illimités, exports CSV/Parquet en bulk, 5 sièges utilisateurs, attribution portefeuille. Pour les funds plus structurés, un tier Enterprise sur mesure expose un dump Parquet historique complet (2020+) en S3, refresh quotidien.
Démarrage
Créez un compte Free pour parcourir le site (50 profils/jour, lecture seule). Pour reproduire nos backtests et mesurer la corrélation du facteur InsiderZ avec votre modèle, l'API démarre sur Pro (19 €/mois, 10 000 req/mois, MCP, 5 ans d'historique). Quant (99 €/mois) ajoute exports Parquet bulk et attribution portefeuille. La méthodologie complète (formule, bornes, biais documentés) est sur /methodologie. Toute question : sales@insiders-trades-sigma.app.