Laboratoire français de recherche quantitative
KASC Research conçoit des systèmes d’investissement actions qui combinent données point-in-time, signaux multi-horizons, détection de régimes, optimisation de portefeuille et contrôle des expositions. Notre travail couvre la gestion active benchmarkée comme les architectures long/short en performance absolue.
Nous sommes une jeune société. Nous ne revendiquons ni héritage institutionnel ni historique commercial que nous n’avons pas encore. Notre crédibilité repose sur une méthode documentée, des résultats de recherche identifiés comme tels et une architecture conçue pour passer du backtest à l’exploitation.
Pourquoi KASC existe
Le signal le plus séduisant perd toute valeur si l’univers contient un biais de survivance, si les coûts sont sous-estimés, si l’optimiseur concentre le risque ou si l’exposition au marché explique l’essentiel du rendement.
KASC Research travaille donc sur le système complet : qualité des données, causalité temporelle, stabilité des signaux, covariance, construction de portefeuille, exécution et monitoring.
Notre ambition n’est pas d’habiller un backtest. Elle est de produire une infrastructure de recherche capable d’être contestée, auditée et améliorée.
Programmes de recherche
Nous séparons clairement les stratégies benchmarkées, dont le risque est lu relativement à un indice, et les stratégies de performance absolue, dont la qualité doit survivre après neutralisation de l’exposition de marché choisie.
Active Equity
Sélection actions systématique, diversification scientifique et optimisation sous tracking error. Les déviations par titre, secteur et zone géographique sont intégrées directement dans le problème d’optimisation.
Absolute Sharpe
Le portefeuille long/short est construit indépendamment d’un benchmark commercial. L’exposition nette au marché est un paramètre de conception, au même titre que l’exposition aux facteurs, le bêta, le gross, la volatilité, la concentration et le turnover.
Risk Engineering
Scénarios, budgets de risque, attribution, expositions cachées, stress historiques et simulations Monte Carlo servent à vérifier qu’une performance ne dépend pas d’un unique pari implicite.
De la donnée aux ordres
Chaque couche produit un artefact contrôlable et transmet au niveau suivant seulement les informations disponibles à la date de décision.
| Couche | Travail réalisé | Techniques utilisées | Contrôle principal | Sortie |
|---|---|---|---|---|
| 1. Univers | Reconstitution des constituants et poids disponibles à chaque date | Historique point-in-time, corporate actions, mapping ISIN | Biais de survivance et disponibilité réelle | Univers investissable J |
| 2. Données | Nettoyage, alignement et contrôle des prix, volumes et métadonnées | Tests d’intégrité, winsorisation, contrôles croisés | Valeurs aberrantes, trous et décalages temporels | Panel validé |
| 3. Représentation | Lecture des structures communes et des régimes de marché | PCA, clustering hiérarchique, graphes, modèles de régimes | Stabilité temporelle et causalité du filtrage | État de marché et facteurs latents |
| 4. Alpha | Construction et combinaison de signaux multi-horizons | Momentum, volatilité, rangs, ML supervisé et ensembles | Purging, embargo, robustesse hors échantillon | Score et incertitude par titre |
| 5. Risque | Estimation des covariances et des expositions | Ledoit-Wolf, EWMA, facteurs, scénarios et stress | Conditionnement, concentration et rupture de corrélation | Matrice de risque et limites |
| 6. Optimisation | Arbitrage rendement attendu, risque, coûts et contraintes | Optimisation convexe, budgets d’exposition et turnover | Faisabilité, sensibilité et solutions de repli | Portefeuille cible |
| 7. Exécution | Conversion des écarts de poids en ordres | Contrôles pré-trade, calendrier, coûts et liquidité | Prix disponibles, capacité et taille minimale | Ordres proposés |
| 8. Monitoring | Surveillance de la dérive du modèle et du portefeuille | Logs, alertes, attribution et diagnostics de rupture | Intégrité, exposition, drawdown et dérive | Audit trail versionné |
Focus — Modèle Sharpe absolu
Dans notre architecture long/short, la part directionnelle est explicitement séparée de l’overlay de sélection. Le rendement utilisé pour juger le moteur alpha est corrigé de l’exposition nette au marché retenue. Cette discipline évite de présenter comme talent de sélection ce qui provient simplement d’un bêta élevé.
Le même principe s’étend aux expositions sectorielles, aux styles classiques et aux facteurs latents détectés dans les données. L’optimiseur ne reçoit donc pas uniquement une prévision de rendement : il reçoit un ensemble de budgets de risque et d’exposition.
Résultats et niveau de preuve
Les résultats visibles sur le site proviennent de travaux de recherche et de backtests historiques. Ils ne constituent ni un track record audité de fonds ni une promesse de rendement. Cette distinction est volontairement mise au premier plan.
Historique reconstruit, métriques absolues et relatives, drawdowns, coûts, turnover et expositions. La période, l’univers et les hypothèses sont documentés dans le dashboard.
DisponibleWalk-forward, sous-périodes, régimes, perturbation des paramètres, stress de coûts et analyse de sensibilité de l’optimiseur.
Intégrée au protocoleÉtape nécessaire pour établir un historique commercial vérifiable. Elle ne doit pas être confondue avec les résultats simulés actuellement présentés.
En constructionCe que nous publions
| Famille | Métriques | Question traitée |
|---|---|---|
| Performance absolue | Rendement annualisé, volatilité, Sharpe, Sortino | La rémunération du risque total est-elle suffisante ? |
| Performance relative | Alpha, tracking error, ratio d’information | La stratégie crée-t-elle de la valeur au-delà de son benchmark ? |
| Risque de perte | Max drawdown, durée de récupération, VaR et CVaR | Quelle perte historique ou simulée faut-il pouvoir absorber ? |
| Expositions | Net, gross, bêta, secteurs, styles et facteurs latents | D’où vient réellement la performance ? |
| Implémentation | Turnover, coûts, liquidité et concentration | Le résultat survit-il aux contraintes d’exécution ? |
Notre manière de construire la confiance
Univers, calendrier, coûts, règles de rebalancement et limites sont visibles ou explicitables.
Une stratégie abandonnée, une période faible ou une contrainte irréalisable font partie du processus de recherche.
Nous distinguons objectifs, résultats simulés, tests live et performance commerciale auditée.
Versionnement, logs, contrôles, reprise sur incident et monitoring sont conçus avec le modèle.
À propos
Notre équipe croise finance de marché, allocation d’actifs, ingénierie, data science et développement logiciel. Cette hybridation nous conduit à traiter une stratégie comme un système : hypothèses, données, modèles, contraintes, exécution et contrôle.
Nous avançons avec une feuille de route claire : consolider la recherche, suivre les modèles en conditions réelles, ouvrir la validation à des partenaires professionnels et construire progressivement l’infrastructure réglementaire adaptée.
Découvrir KASC Research →