# Screener d’investissement value : le modèle explique, Python calcule

Un screener value a lu 2 691 nouveaux plus bas sur 52 semaines en 20 séances ; Python a calculé chaque chiffre, le modèle les a seulement expliqués.

- Auteur : Dan Mocan (https://www.linkedin.com/in/dan-mocan-9424421a/)
- Publié : 2026-11-16
- Genre : Article
- Page : https://x2labs.ai/fr/notes/model-explains-code-calculates

**En bref**

- Sur 20 séances de bourse, un screener d’investissement value a lu 2 691 entrées de la liste du WSJ des nouveaux plus bas sur 52 semaines et en a rejeté 92 % avant toute notation.
- Le modèle n’écrit jamais un chiffre. Python filtre, note et fait les calculs ; le modèle se contente d’expliquer des chiffres déjà calculés.
- L’essentiel de l’ingénierie a porté sur les façons dont les données financières vous induisent en erreur : capitaux propres négatifs, ratios faussés, divisions d’actions non ajustées, tickers erronés.
- C’est un tri, pas une recommandation, et les pondérations de la notation sont encore provisoires.

Sur 20 séances de bourse cet automne, un processus de screening d’investissement value que nous avons construit a lu 2 691 entrées de la liste quotidienne des nouveaux plus bas sur 52 semaines publiée par le Wall Street Journal. Il en a rejeté 2 473 avant toute notation. Il en a analysé entièrement 218, soit 81 entreprises distinctes, et 23 d’entre elles ont obtenu au moins 8 sur 12, assez pour mériter un examen plus attentif de leur actionnariat.

L’IA n’a produit aucun de ces chiffres.

Si vous avez utilisé un modèle de langage pour un vrai travail, vous connaissez ce moment. La réponse se lit à merveille, vous vérifiez un chiffre, et il est faux, énoncé avec exactement le même calme que tout ce qui l’entoure. Un adjectif inventé est une gêne. Un chiffre inventé dans une analyse financière est un risque, parce qu’il ressemble trait pour trait à un vrai.

Nous n’avons donc pas cherché à rendre le modèle meilleur avec les chiffres. Nous les lui avons retirés.

## L’essentiel du travail consiste à dire non

Le pipeline est simple à décrire. Chaque jour de bourse, le système prend la liste du WSJ (les actions qui viennent de toucher leur plus bas cours de l’année écoulée, terrain de chasse classique des investisseurs value) et écarte tout ce qui n’est pas une action ordinaire américaine de plus de 2 milliards de dollars de capitalisation. Pour ce qui reste, il récupère trois ans de comptes de résultat et de bilans annuels auprès de Financial Modeling Prep, une API de données financières, et note chaque entreprise sur 11 critères à la manière de Benjamin Graham : rentabilité, solvabilité, cours rapporté à la valeur comptable. Le résultat est un rapport HTML, classé, qui indique réussite ou échec pour chaque seuil.

Le chiffre qui nous a surpris, c’est 92 %. C’est la part des entrées qui n’ont jamais atteint la notation. 1 580 n’étaient pas du tout des actions ordinaires : notes, obligations, actions de préférence, fonds fermés, ETF, bons de souscription et SPAC atterrissent tous sur la même liste. 796 autres se situaient sous le plancher de 2 milliards de dollars, que nous avons choisi parce que les grandes entreprises ont des données plus fiables et plus de liquidité. 48 étaient des entreprises non américaines ou des ADR. 25 avaient des tickers que nous n’avons pas pu confirmer : nous les avons donc exclues plutôt que de deviner. Les 24 restantes étaient des exclusions manuelles. (Il s’agit d’apparitions quotidiennes : la même obligation peut donc figurer plusieurs jours.)

Un screener se rend utile par la discipline de cet entonnoir bien plus que par sa formule de notation. Et l’entonnoir est audité par le code lui-même : à chaque exécution, les entrées analysées plus les entrées exclues doivent égaler la longueur de la liste du WSJ. Rien ne disparaît sans raison énoncée, et chaque exclusion figure dans le rapport à côté de sa raison.

![L’entonnoir d’une exécution sur une liste de 754 lignes issue du NYSE et du Nasdaq : 370 écartées par le filtre sur le nom, 13 tickers non confirmés, 353 sous 2 milliards de dollars de capitalisation, 3 écartées après vérification du profil et 15 entreprises analysées en entier.](https://x2labs.ai/_astro/run-summary.CfoflddA_Z1SI82F.webp)

L’entonnoir d’une exécution sur la liste de 754 lignes. Une sortie réelle, pas des données d’exemple.

## Règle zéro : le modèle n’écrit jamais un chiffre

Le projet repose sur un document de règles d’environ 5 800 mots. C’est à la fois le mode d’emploi de l’agent et la spécification de la méthode, avec à côté de chaque règle une brève note expliquant pourquoi. La première règle est signalée comme ne souffrant aucune exception : n’utiliser que des données provenant des sources configurées, c’est-à-dire l’API financière et la liste du WSJ. Ne jamais compléter, estimer ou « se souvenir » d’un chiffre concernant une entreprise.

Ce mot, « se souvenir », résume à lui seul tout le problème. Un modèle entraîné sur le web ouvert a vu quantité de bilans, et il en citera volontiers un de mémoire. Le chiffre est au mieux périmé, et vous n’avez aucun moyen de savoir à quel point.

Tout le reste découle de cette règle. Le filtrage, la notation et chaque calcul s’exécutent en Python : même entrée, même sortie, à chaque fois. Les modèles de langage se trompent encore de temps en temps en arithmétique ; Python, non. Le modèle a une seule tâche : rédiger en langage clair des explications de chiffres déjà calculés et validés. Chaque chiffre de son texte doit pouvoir être retrouvé dans le tableau des données sources, la valeur exacte étant citée à côté de l’affirmation. Quand un champ manque, le rapport indique « data unavailable ». Un trou visible est plus sûr qu’une supposition qui a l’air juste.

Deux décisions plus discrètes pèsent lourd. Les réponses brutes de l’API sont enregistrées en JSON : nous pouvons ainsi régénérer un rapport avec d’autres pondérations sans réinterroger l’API et sans que les données changent d’une exécution à l’autre. Et la capitalisation provient d’un seul instantané horodaté par exécution, si bien que chaque ligne d’un rapport décrit le même moment.

Le réflexe habituel avec l’IA est de la rendre plus intelligente. Nous l’avons rendue plus étroite. C’est de cette répartition du travail que vient la fiabilité.

## Quand les données mentent

Retirer les chiffres au modèle ne les a pas rendus justes. Cela a déplacé le risque vers un endroit où nous pouvions le voir : les données. L’essentiel de la véritable ingénierie a consisté à recenser les façons dont les données financières vous induisent en erreur. Quatre cas tirés de nos exécutions de test illustrent le schéma. Ce sont des exemples de qualité des données, pas des avis sur les actions.

AutoZone a des capitaux propres négatifs, et le fournisseur de données renvoie son ratio cours/valeur comptable à 0 ou vide. Un filtre naïf lit « P/B de 0, sous la limite de 10, réussi » et la classe comme bon marché. Notre règle désormais : des capitaux propres négatifs disqualifient d’emblée une entreprise.

Clorox est ressortie avec un P/B d’environ 129×. L’action n’est pas chère ; le ratio divise par des capitaux propres proches de zéro. Règle : signaler la distorsion, ne jamais la lire comme une valorisation.

Adient semblait bon marché d’après son bilan, avec une valeur comptable égale ou supérieure au cours, tout en perdant de l’argent. C’est la forme classique d’un piège à valeur. Règle : le faible prix ne compte qu’accompagné de la rentabilité, et le rapport écrit « possible value trap » en toutes lettres.

Stifel a procédé à une division d’actions 3:2 le 27 février 2026, après son rapport d’exercice, et le fournisseur n’en a pas toujours tenu compte. Nombre d’actions, valeur comptable par action et BPA se sont retrouvés sur une base différente de celle du cours. Pire, l’erreur de 1,5× qui en résultait passait sous le contrôle de cohérence à 2× dont nous disposions déjà. Règle : toute division postérieure à la clôture de l’exercice rend les données suspectes.

« Suspect » est désormais un état défini dans le code. Une entreprise le reçoit quand notre P/B calculé et celui du fournisseur diffèrent de plus de 3×, quand la valeur comptable dépasse 5× le cours, quand le BPA et le résultat net divisé par le nombre d’actions divergent de plus de 3×, quand le nombre d’actions déclaré et la capitalisation divisée par le cours divergent de plus de 2×, ou quand une division est intervenue après la clôture de l’exercice. Une entreprise suspecte perd les 3 points accordés pour une valeur comptable égale ou supérieure au cours (la plus forte pondération de la notation) et le bonus de la « zone idéale », où la valeur comptable vaut de 1 à 2× le cours. Tout ce qui affiche une décote de 2× ou plus reçoit un signalement distinct, « extreme discount, verify », et aucune récompense. Le plus souvent, c’est une erreur de données plutôt qu’une affaire.

Même les tickers sont traités comme des propositions, pas comme des faits. Un ticker erroné importe en silence les chiffres d’une autre entreprise, et rien en aval ne le remarquerait. Chaque ticker est donc vérifié auprès du fournisseur de données : place boursière américaine et nom correspondant. Les cas ambigus sont tranchés en comparant le cours au cours de clôture du WSJ, à un demi-cent près. Si cela échoue, l’entreprise est écartée avec la mention « ticker not confirmed », ce qui s’est produit 25 fois en 20 exécutions. Les correspondances confirmées sont conservées : 311 à ce jour.

Confiez n’importe lequel de ces cas à un modèle sans contraintes et vous obtenez une phrase assurée, fluide et fausse. « Se négocie à zéro fois sa valeur comptable » se lit parfaitement bien.

## Un tri, pas une recommandation

Le système trie. Il ne recommande pas, et la définition de son rôle le dit clairement : aucune recommandation d’investissement, seulement un tri selon des critères explicites. C’est une personne qui décide.

Nous sommes tout aussi clairs sur ce qui n’est pas terminé. Les pondérations de la notation sont provisoires. La méthode doit encore être revue par une personne expérimentée en données financières, et les règles précisent le premier contrôle de cohérence : les entreprises reconnues comme saines doivent être bien classées, celles à capitaux propres négatifs, mal classées. Le document de règles comporte une section intitulée « décisions encore ouvertes » qui liste les parties provisoires, de l’ampleur des pénalités et des seuils jusqu’au choix entre bilans annuels ou trimestriels et entre valeur comptable totale ou tangible. Chaque rapport rappelle les mises en garde importantes, notamment que les banques et les REIT sont notées mécaniquement (la méthode de Graham ne leur convient pas vraiment) et que les objectifs des analystes sont des opinions, souvent optimistes. Nous voyons cette honnêteté comme l’une des raisons pour lesquelles on peut faire confiance à l’outil, pas comme des petits caractères.

Le jugement humain a aussi une place attitrée. Un fichier de décisions en texte brut est lu à chaque exécution, appliqué avant les valeurs par défaut et affiché dans le rapport. Il contient aujourd’hui les 311 correspondances de tickers confirmées, 5 exclusions manuelles de fonds fermés, 3 inclusions manuelles d’entreprises domiciliées hors des États-Unis, un nouveau motif de filtre et un contrôle de lacunes confirmé. Quand une personne passe outre la machine, cela se voit.

Certaines données sont affichées uniquement pour le contexte et n’influent jamais sur le classement. Les objectifs de cours des analystes apparaissent sous la mention « analyst consensus », jamais comme une prévision, avec le potentiel de hausse calculé par le code et un signalement « weak coverage » quand moins de 3 objectifs ont été publiés dans le trimestre. Pour les entreprises notées 8 ou plus (8 au maximum par rapport), le code rassemble aussi l’actionnariat : les principaux détenteurs institutionnels et l’évolution de leurs positions sur le trimestre, plus six mois de transactions d’initiés tirées des formulaires Form 4 déposés auprès de la SEC. Les ventes réalisées dans le cadre de plans de négociation 10b5‑1 programmés à l’avance sont comptées à part, car une vente prévue des mois plus tôt n’est pas un signal.

C’est là que le contrôle anti-fabrication est le plus strict. Chaque valeur extraite porte son URL source, la date de sa collecte et l’extrait exact de la réponse brute dont elle provient. Le code vérifie ensuite que la valeur figure bien dans cet extrait. Sinon, la valeur est rejetée et le rapport affiche « data unavailable ». Le langage a lui aussi ses garde-fous. Pas de « l’argent intelligent achète », pas de « signal positif » : les grands fonds détiennent beaucoup d’entreprises pour des raisons d’indexation, pas par conviction.

## Un test sur le papier, pour l’instant

Un screener qui ne fait que se noter lui-même ne prouve rien : nous lui avons donc donné un arbitre extérieur. Le 9 octobre, nous avons ouvert un portefeuille de démonstration sur Yahoo Finance et acheté des entreprises avec de l’argent fictif, en appliquant les mêmes seuils d’achat que le screener. Nous gardons les positions pour nous ; ce qui compte ici, c’est le décompte, pas les choix.

À son sommet, le portefeuille affichait une plus-value latente de 13 %. Le 14 novembre, elle s’établissait à 8,52 %. Quelques positions ont été clôturées en cours de route, elles aussi avec un gain.

Sur la même période, le S\&P 500 est allé dans l’autre sens. Il a clôturé à 7 811,54 le 9 octobre et à 7 561,67 le 13 novembre, soit une baisse de 3,2 %. Cela fait un écart de près de 12 points de pourcentage, et nous enfreindrions nos propres règles si nous lui donnions plus de portée qu’il n’en a. Il s’agit de cinq semaines de trading fictif, et le chiffre de l’indice exclut les dividendes. Nous maintenons le portefeuille, et la comparaison figurera dans chaque mise à jour, flatteuse ou non.

Ce que nous pouvons affirmer avec certitude, c’est l’origine des deux chiffres. Yahoo a calculé le nôtre à partir des positions que nous avons saisies, les niveaux de l’indice proviennent d’un fournisseur de données de marché, et le modèle n’a touché ni à l’un ni à l’autre.

## Même l’étape ennuyeuse doit faire ses preuves

Jusqu’à cette semaine, la liste quotidienne du WSJ arrivait sous forme de captures d’écran. Celle du 13 novembre a nécessité six captures qui se chevauchaient, dédoublonnées à la main, et le rapport portait un avertissement permanent sur des « possibly untranscribed rows » jusqu’à ce qu’une personne confirme qu’il ne manquait rien.

Le 14 novembre, nous avons remplacé cette étape. Claude lit désormais directement la page du WSJ dans Chrome, extrait le tableau des plus bas des onglets NYSE et Nasdaq, et compare le nombre de lignes à celui qu’indique l’en-tête du WSJ. Un script d’import distinct refuse d’écrire la liste si les chiffres ne concordent pas, et la liste précédente est d’abord sauvegardée. La première exécution a récupéré 306 lignes sur 306 pour le NYSE et 448 sur 448 pour le Nasdaq : 754 lignes, alors que nous ne couvrions auparavant que le NYSE, avec environ 222.

Un détail de cette exécution en dit plus sur la conception que n’importe quelle règle. L’agent est tombé sur un paramètre du navigateur concernant les autorisations de téléchargement. Il ne l’a pas modifié de lui-même. Il s’est arrêté et a laissé cette décision à une personne.

L’ensemble du système représente environ 2 400 lignes de Python, construites avec Claude Code, plus ce document de règles. Le modèle était Claude Opus 5.5. Rien de tout cela n’est exotique. Ce qui le fait fonctionner, c’est que chaque partie a dû répondre à la même question avant que nous lui fassions confiance : d’où vient exactement ce chiffre, et pouvez-vous me le montrer ?

Posez cette question à la prochaine analyse par IA qui vous impressionnera. Si elle ne peut pas désigner une ligne dans un tableau, vous lisez une supposition bien rédigée.
