Comment FinSight produit ses analyses.

Dix nœuds orchestrés par LangGraph.

Le pipeline est implémenté avec LangGraph 0.6, une machine à états dirigée par un graphe. Chaque nœud est une fonction pure typée qui lit un état partagé FinSightState, produit un diff, et transmet au suivant. Les transitions conditionnelles permettent la tolérance aux pannes (fallback sources, retry LLM, court-circuit sur sortie invalide).

Détail des dix nœuds

Chaque nœud est wrappé dans un tracer qui logge latence, succès/erreur, provider LLM utilisé, et score de data quality dans Supabase (table analysis_log). Temps médian pipeline bout en bout sur société cotée : 45 secondes.

Constitution, agents observateurs, cascade LLM.

Un LLM non cadré hallucine, contredit les chiffres, surpromet. La production chez FinSight repose sur trois dispositifs complémentaires : une constitution écrite, une cascade de fallback entre providers, et quatre agents observateurs qui auditent chaque sortie.

Constitution — 7 articles

Quatre agents observateurs

En plus du pipeline principal, quatre agents secondaires auditent la production selon leur angle propre. Leurs sorties ne bloquent pas la livraison (pour ne pas casser l'UX en cas de faux-positif) mais alimentent un verdict compile dans la table sentinel_verdicts.

Cascade LLM providers

Aucun appel LLM ne dépend d'un seul provider. Chaque call traverse une cascade déterministe en cas d'échec :

1. Groq  → llama-3.3-70b-versatile      (principal, rapide, gratuit)
2. Mistral → mistral-small-latest        (fallback 1 — quota Groq saturé ou 401)
3. Anthropic → claude-haiku-4-5          (fallback 2 — synthèses sensibles)
4. Gemini → gemini-2.0-flash             (audit visuel PDF uniquement)

Critères de bascule :
- HTTP 5xx ou timeout > 30s  → provider suivant
- Quota journalier atteint    → provider suivant
- JSON output invalide 2 fois → synthesis_retry puis provider suivant
- Violation d'article de la constitution → rejet et logging

Paramètres LLM

Multi-sources avec cascade de fallback.

Aucune donnée financière n'est générée ou estimée. Toutes proviennent de sources tierces vérifiables, dans une logique de cascade avec fallback pour résister aux indisponibilités.

Un score composite 4 dimensions, 5 profils investisseur.

Le Score FinSight v2 note chaque société de 0 à 100 sur quatre dimensions indépendantes, puis agrège selon cinq profils investisseur différenciés. Les bornes sont calibrées sur les quartiles réels observés par secteur (pas de bornes universelles qui désavantageraient systématiquement certains secteurs).

Les quatre dimensions

Pondération par profil

composite = Σ (score_dim × weight_dim)   pour dim ∈ {Q, V, M, R}

recommendation = BUY  si composite ≥ 65
                HOLD si 40 ≤ composite < 65
                SELL si composite < 40

conviction = 0.55 + min(0.40, |composite − seuil| / 100)   puis clamp [0.30, 0.90]

Formules des indicateurs sous-jacents

Chaque sous-score des quatre dimensions est construit à partir d'indicateurs dont la formule est documentée et calculée de façon déterministe (pas d'estimation LLM).

WACC = (E / V) × Re + (D / V) × Rd × (1 − Tc)

Re  = Rf + β_levered × ERP + prime taille + prime pays
β_levered = β_unlevered × (1 + (1 − Tc) × D/E)

Rf  : taux sans risque (OAT 10Y pour FR, Treasury 10Y pour US) via FRED
ERP : Equity Risk Premium (Damodaran annuel, 5,5 % par défaut sur US)
Tc  : taux d'IS (25 % FR, 21 % US)
D/E : leverage cible = médiane sectorielle (source Damodaran)

V0 = Σ(t=1..5) FCFt / (1+WACC)^t  +  TV / (1+WACC)^5

TV   = FCF5 × (1+g) / (WACC − g)        [Gordon terminal]
g    ∈ [1,5 % ; 2,5 %]                   [TGR borné, LT inflation]
FCFt = EBITDA_t × (1 − taux_réinvestissement)

Monte Carlo : 1 000 tirages
- Croissance revenue : Normale(μ_histo, σ_histo)
- Marge EBITDA       : Normale(μ_LTM, σ / 3)
- WACC               : Uniforme(WACC_base − 0,5 pt, WACC_base + 0,5 pt)

Output : distribution empirique V0 → percentiles bear(p10) / base(p50) / bull(p90)

Z = 1,2 × (WC / TA) + 1,4 × (RE / TA) + 3,3 × (EBIT / TA)
  + 0,6 × (MC / TL) + 1,0 × (Ventes / TA)

WC : Working Capital (actif circulant − passif circulant)
RE : Retained Earnings (réserves + report à nouveau)
TA : Total Assets
TL : Total Liabilities
MC : Market Capitalisation (valeur boursière capitaux propres)

Zones :
- Z > 2,99   : zone saine (safe zone)
- 1,81 < Z < 2,99 : zone grise (ambiguë)
- Z < 1,81   : zone de détresse (distress zone, risque faillite)

F = Σ(i=1..9) 1{critère i vrai}   →  F ∈ {0, 1, ..., 9}

Profitabilité (4 points) :
  1. Net Income > 0
  2. ROA > 0
  3. Operating Cash Flow > 0
  4. OCF > Net Income (qualité des bénéfices)

Levier / liquidité (3 points) :
  5. ND/EBITDA_t < ND/EBITDA_{t−1}    (désendettement)
  6. Current Ratio_t > Current Ratio_{t−1}   (liquidité en hausse)
  7. Pas d'émission nette d'actions

Efficience opérationnelle (2 points) :
  8. Marge brute en hausse vs t−1
  9. Asset Turnover en hausse vs t−1

Interprétation : F ≥ 7 = qualité fondamentale solide ;
                 F ≤ 3 = alerte sur la santé opérationnelle.

M = −4,84 + 0,920·DSRI + 0,528·GMI + 0,404·AQI + 0,892·SGI
    + 0,115·DEPI − 0,172·SGAI + 4,679·TATA − 0,327·LVGI

DSRI : Days Sales Receivables Index
GMI  : Gross Margin Index
AQI  : Asset Quality Index
SGI  : Sales Growth Index
DEPI : Depreciation Index
SGAI : SG&A Index
TATA : Total Accruals to Total Assets
LVGI : Leverage Index

Seuil : M > −1,78 = probabilité élevée de manipulation comptable.

Pondérations internes par dimension

Chaque dimension agrège plusieurs sous-indicateurs. Les pondérations sont fixées empiriquement selon la littérature académique et testées par backtest :

Chaque sous-indicateur est normalisé 0–100 par rank-percentile intra-sectoriel (une société au 75e percentile de son secteur sur un critère obtient 75 points sur ce critère). Cette normalisation neutralise les écarts structurels entre secteurs (ex : une marge de 10 % est excellente dans la distribution mais faible en tech).

Code source : core/finsight_score_v2.py (compute_scores_v2 + recommend_all_profiles).

Backtest walk-forward, benchmark intra-sectoriel.

Toute prétention commerciale sur la performance du Score FinSight s'appuie sur un protocole reproductible et documenté. Les chiffres ci-dessous sont issus du dataset parquet disponible dans outputs/backtest/backtest_latest.json.

Protocole

• Univers : 50 sociétés du top S&P 100 par capitalisation, rebalancé mensuellement sur 131 mois (juin 2015 → mars 2026).
• Observation mensuelle : pour chaque ticker × mois, calcul du Score FinSight v2 sur les quatre dimensions + application des cinq profils.
• Forward return 12 mois : mesure du rendement total 12 mois après la date d'observation (dividendes réinvestis).
• Benchmark : ETF sectoriel SPDR correspondant (XLK, XLV, XLF, XLY, XLC, XLI, XLP, XLE, XLB, XLRE, XLU). Permet un alpha intra-sectoriel, plus juste qu'un benchmark SPY global.
• Walk-forward : les bornes par quartile sectoriel utilisées pour le scoring à la date T sont calibrées uniquement sur les observations antérieures à T (pas de look-ahead bias).
• Test statistique : t-stat de Student sur les excès de rendement des observations filtrées BUY. Significativité à 95 % requiert |t| > 1,96.

Résultats principaux

Métriques de validation — formules

IR = E[r_p − r_b] / σ(r_p − r_b)

r_p : rendement du portefeuille FinSight (obs BUY)
r_b : rendement du benchmark (ETF sectoriel correspondant)
E   : moyenne empirique de l'excès
σ   : écart-type de l'excès

IR > 0,5   : signal robuste
IR ∈ [0,2 ; 0,5] : signal exploitable avec rigueur
IR < 0,2   : bruit

t = x̄ / (s / √n)

x̄ : moyenne empirique de l'excès de rendement
s  : écart-type empirique de l'excès
n  : nombre d'observations BUY

Seuils (n ≥ 30, approx. Normale) :
- |t| > 1,65  → p < 0,10  (significatif à 90 %)
- |t| > 1,96  → p < 0,05  (significatif à 95 %)
- |t| > 2,58  → p < 0,01  (significatif à 99 %)

Exemple Balanced : t = 8,9 / (32 / √57) = +2,10  →  p ≈ 0,036

Ce que ces chiffres ne disent pas.

Un scoring qui refuse l'uniformité.

Appliquer les mêmes ratios (EV/EBITDA, P/E, Marge EBITDA) à une banque et à une foncière cotée est une erreur grossière. Une banque n'a pas d'EBITDA significatif ; une REIT distribue par construction 90 % de son revenu locatif. FinSight détecte automatiquement le profil sectoriel via detect_profile(sector, industry) et adapte ratios, modèle de valorisation et prompts LLM.

Code source : core/sector_profiles.py (fonction detect_profile + dict _CONFIGS).

Infrastructure, langages, dépendances.

Volumétrie du code source

Code source et historique des commits maintenus sur un dépôt Git privé (baptistejeh07-art/finsight-ia). Environ 1 200 commits, rythme de release continu, déploiement automatique sur push vers master.

Pourquoi ces technologies, pas d'autres.

Chaque brique est un arbitrage assumé entre performance, coût, dépendances et maintenabilité. Voici les principales décisions techniques et leur justification.

Garanties opérationnelles.

• Authentification : Supabase Auth avec vérification email. Mots de passe hashés (bcrypt), pas d'accès direct à la base par l'équipe.
• Isolation des données utilisateur : Row Level Security (RLS) Supabase actif sur toutes les tables. Chaque utilisateur ne peut lire que ses propres analyses.
• Chiffrement en transit : TLS 1.3 imposé sur tous les endpoints (front, back, Supabase). HSTS activé sur finsight-ia.com.
• Chiffrement au repos : AES-256 sur Supabase et Vercel (gestion managée).
• Emails authentifiés : SPF + DKIM + DMARC via Resend. Domaine expéditeur vérifié.
• Pas de revente de données : les analyses des utilisateurs ne sont ni partagées ni revendues. Un projet futur (« FinSight Trends ») agrégerait des tendances anonymisées sur des données de type dataset uniquement avec consentement explicite et granulaire.
• Suppression de compte : effacement complet sous 72h sur demande, incluant historique d'analyses et logs applicatifs.
• Hébergement UE : Vercel (Frankfurt), Supabase (Francfort), Resend (Irlande). Aucun transfert hors UE pour les données utilisateur.

Ce qui est prévu pour renforcer la rigueur.