Le test honnête : qu’est-ce qui était promis, qu’est-ce qui a été livré

InvestingPro vend deux choses : un indicateur de juste valeur (« Fair Value ») propriétaire, et un assistant IA financier (« Warren.ai »). Le tout s’appuie sur des données réelles, du screening sophistiqué, et un habillage UI propre.

La promesse implicite : transformer du DCF académique en signal opérationnel. Acheter quand un titre est « Undervalued », éviter quand il est « Overvalued », piloter ses entrées et sorties avec ce repère composite.

Le constat après un an d’utilisation sur des positions actives : il n’existe pas de corrélation exploitable entre le label InvestingPro et la performance subséquente sur des horizons 1-12 mois. Ni comme signal d’entrée, ni comme signal de sortie, ni comme confort de conviction. À tel point que le service finit par ne plus être ouvert.

Démonstration sur une watchlist semis & energy (mai 2026)

Prenons une watchlist concrète de noms suivis activement : NVDA, AVGO, AMD, ASML, CVX, XOM, OXY, LLY, NVO. Voici ce qu’InvestingPro affichait au moment du screen.

NVDA labellisé « Undervalued » à 215 $

Après un parcours boursier qui a fait de Nvidia l’un des plus grands compounders de la décennie, le moteur InvestingPro le classe « Undervalued » avec 24% d’upside vs Fair Value, et « Excellent » sur le Health Score. Même les analystes consensus, généralement long-only et complaisants, ne tiennent plus ce discours sans nuances sur la durabilité des marges et la concentration client. Pourquoi un DCF normalisé sort-il ce verdict ?

Parce qu’un DCF lissé sur 5-10 ans avec un coût du capital normalisé traite la phase d’expansion comme un état stable. Il extrapole les marges actuelles, applique un taux d’actualisation moyen, et conclut que le titre est sous-évalué. Le modèle ne sait pas qu’on parle d’un cycle de capex AI massif dont la durée et l’intensité font débat. Il ne sait pas que la concentration hyperscalers crée un risque de revenue cliff. Il ne sait rien du contexte. Il fait son arithmétique.

AMD : « Overvalued » mais « Great » health, P/E 154x

Le titre est labellisé « Overvalued » avec 28% de downside vs Fair Value. Simultanément, il est noté « Great » sur le Health Score. Le P/E ratio affiché est de 154x. Quelle décision tire-t-on de ces signaux conjoints ? Aucune. Les composants se contredisent, et le P/E 154x sur un cyclique en phase d’expansion ne dit rigoureusement rien — il peut signifier « bulle » ou « earnings trough avant explosion à venir ».

ASML « Overvalued » sur un monopole EUV

Labellisé « Overvalued » après une consolidation. Sur une entreprise qui détient le monopole de fait de la lithographie EUV, qui n’a pas de concurrent crédible à 5-7 ans, et qui price le capex futur de TSMC, Samsung et Intel. Le DCF ne capture pas le moat. Le modèle traite ASML comme une cyclique d’équipement parmi d’autres.

CVX et XOM en « Fair »

Sur deux super-majors pétrolières aux trajectoires distinctes (CVX positionné permien et capex discipliné, XOM avec Guyana et croissance volumétrique), le label sort identique : « Fair ». C’est le label le plus mou possible, et il ne distingue rien. Or sur des cycliques pétrole, la différenciation entre noms compte plus que le niveau absolu de valorisation. L’outil aplatit cette différenciation.

Le problème de fond : DCF composite vs réalité de marché

Les modèles de Fair Value vendus en mode SaaS (InvestingPro, mais aussi Morningstar, Simply Wall St, Stock Rover, Wisesheets) reposent tous sur la même mécanique : DCF + comparables + dividend discount, pondérés et normalisés.

Cette mécanique a trois faiblesses structurelles qui la rendent inopérante sur les marchés réels.

Première faiblesse : la fenêtre temporelle. Un DCF est juste sur 5-10 ans, inutile sur 12 mois. Or les décisions d’allocation se prennent sur 12 mois (rebalancing, gestion de cycle, prise de profit). L’outil donne la bonne réponse à la mauvaise question.

Deuxième faiblesse : l’aversion structurelle aux cycles. Les modèles normalisent les marges. En phase d’expansion (memory 2024-2026, énergie 2021-2023, uranium 2023-2025), ils sous-estiment systématiquement les pics parce que les marges anormales sont traitées comme du noise statistique. En phase de contraction, ils surestiment parce que les marges effondrées sont aussi normalisées. C’est l’inverse de ce qu’il faudrait pour piloter du cyclique.

Troisième faiblesse : aucune pondération du sentiment, du momentum et des flows. Or les performances sur 12 mois sont dominées par ces trois facteurs, pas par la valorisation absolue. Un titre « Overvalued » peut faire +100% si les flows institutionnels accélèrent. Un titre « Undervalued » peut faire -40% si la rotation sectorielle l’évite.

Le cas Warren.ai : le wrapper LLM qui simule l’expertise

Investing.com a ajouté Warren.ai à sa suite : un « advisor IA » conversationnel censé combiner les données du service avec une intelligence financière. En pratique, c’est un wrapper LLM (probablement GPT ou Claude via API) avec un prompt système et un accès aux données InvestingPro.

Le résultat tient en une phrase : il est qualitativement comparable à un LLM local open-source qu’on ferait tourner sur sa propre machine, avec accès web. Pas mieux. Souvent moins bien, parce que le contexte est limité aux données InvestingPro et que le prompt système bride les réponses.

C’est le problème générique des « AI advisors » du marché : ils empruntent l’autorité de l’IA sans créer de valeur informationnelle. Un utilisateur disposant de Claude direct, ChatGPT Plus ou Mistral en local obtient des analyses de qualité équivalente ou supérieure, gratuitement ou pour bien moins cher, sans le filtre commercial.

La séduction des stratégies backtestées

L’autre brique marketing du service : des « stratégies » pré-construites avec performances historiques. Top Value Stocks : +132% sur 5 ans. Energy Elite : +298% sur 5 ans. Quality Compounders : +156% sur 5 ans.

Comparé au Nasdaq 100 (~+150% sur 5 ans) et au S&P 500 (~+100%), « Energy Elite » surperforme massivement. Sauf que la période 2020-2025 a été un méga-cycle énergie : post-COVID, invasion de l’Ukraine, sous-investissement structurel. N’importe quel panier énergie aurait délivré une performance comparable. La « stratégie » est une exposition sectorielle qui a gagné le coin de table, présentée comme une compétence quantitative.

C’est le piège classique du backtesting : look-back bias, survivorship bias, et confusion entre beta sectoriel et alpha stratégique. Top Value Stocks à +132% sur 5 ans sous-performe QQQ. C’est présenté comme une victoire.

Ce qui marche : substituer des données primaires aux indicateurs composites

La leçon n’est pas « tous les outils financiers sont nuls ». La leçon est : les indicateurs composites propriétaires destinés aux particuliers ne créent pas de valeur informationnelle vs les sources primaires sous-jacentes. Et ces sources sont, pour l’essentiel, accessibles gratuitement ou à coût marginal.

La stack qui produit du signal opérationnel sur des trades réels, dans mon expérience :

Le coût total de cette stack, hors temps d’apprentissage, est inférieur à celui d’un abonnement InvestingPro Premium annuel. Et elle produit du signal réellement utilisé dans les décisions de trade.

Pourquoi continuer à payer pour des indicateurs composites

Si ces outils sont inopérants, pourquoi des dizaines de milliers d’investisseurs les paient-ils ? Trois raisons.

L’illusion de la rigueur quantitative. Un label « Undervalued — 24% upside » donne l’apparence d’un signal précis. C’est psychologiquement rassurant face à l’incertitude permanente du marché. Le fait que ce label n’ait aucune corrélation avec la performance subséquente passe inaperçu parce qu’on ne fait jamais le test empirique sur ses propres trades.

L’externalisation de la décision. Suivre un indicateur dispense de construire sa propre thèse. C’est plus facile, et ça permet de blâmer l’outil en cas d’erreur (« le Fair Value disait Undervalued »).

Le marketing efficace. Les performances de stratégies backtestées en première page, le habillage UI moderne, la « AI Powered », les emails quotidiens — tout est conçu pour entretenir la perception de valeur.

Conclusion

InvestingPro n’est pas un mauvais service en soi. Les données sont réelles, le screening fonctionne, l’UI est correcte. C’est un service correctement construit qui résout le mauvais problème : produire des indicateurs composites destinés à simplifier la décision d’investissement.

Cette simplification est l’erreur de méthode. La décision d’investissement ne peut pas être ramenée à un label « Undervalued / Fair / Overvalued » parce que la valeur d’un titre dépend du cycle, du sentiment, des flows, du positionnement institutionnel et de catalysts qu’aucun modèle DCF ne capture sur une fenêtre 12 mois.

La leçon transférable, pour tous les services équivalents (Morningstar Premium, Simply Wall St, Stock Rover, Seeking Alpha Premium, Wisesheets), est la même : tester empiriquement la corrélation entre signal et performance sur ses propres trades pendant 6-12 mois. Si la corrélation n’existe pas, l’outil ne produit pas de valeur, peu importe sa sophistication apparente.

Une dépense de quelques centaines d’euros pour valider cela par l’expérience plutôt que par la croyance, c’est un investissement, pas une perte.