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. Un facteur insider peut apporter un signal de sélection décorrélé. Sigma surveille 43 sources déclaratives et classe les achats éligibles dans leur propre marché. Aucun marché ne remplit actuellement les critères historiques d'allocation, les signaux restent en veille. Aucun alpha net de coûts ni rendement attendu n'est revendiqué.
Schéma de données : ce que retourne l'API
Chaque déclaration Sigma disponible suit un schéma commun : identifiant, marché, dates, ticker, ISIN ou CIK lorsque disponible, nom, rôle, nature, volume, prix et montants normalisés lorsque la source les fournit. Les achats éligibles exposent aussi un score composite local au marché sur 100. Les déclarations de 43 sources surveillées sont servies par `/api/v1/declarations` avec les 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=3864) affiche un win rate à T+90 de 51.5 % et un rendement moyen de +2,6 % par trade (T+90, pas annualisé) 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 et les échantillons locaux peuvent rester limités. Utilisez le label de preuve publié pour évaluer la maturité, pas pour déduire un rendement attendu. Testez vos propres règles de sortie et de sizing avant tout usage en capital réel.
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 les filings historiques des entités délistées, mais leur historique de prix n'est plus disponible après délisting et elles sortent donc des agrégats de performance publiés : contrôlez ce biais avec votre propre référentiel de prix. (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 (129 €/mois), un cron quotidien à 17h00 UTC tire les déclarations disponibles des 43 marchés configurés, les écrit dans votre data lake et alimente votre pipeline du matin. Webhooks illimités, exports CSV/Parquet en bulk, 5 sièges utilisateurs, attribution portefeuille. Un tier Enterprise sur mesure expose un dump Parquet historique sur S3, actualisé chaque jour.
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 (39 €/mois, 10 000 req/mois, MCP, 5 ans d'historique). Quant (129 €/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.