Détecteur de risque financier

Alerte précoce sur les sociétés cotées américaines, construite uniquement à partir de leurs dépôts publics (SEC EDGAR) et de leurs cours de bourse : 12 signaux financiers + un modèle d'apprentissage profond, fusionnés en un niveau de risque par exercice (faible → modéré → élevé → critique), chaque score remontant au dépôt exact qui l'a produit.

En ligne : https://risk-detector-two.vercel.app · résultats et méthode : https://risk-detector-two.vercel.app/methodology

Avertissement — outil informatif à vocation pédagogique. Il ne constitue ni un conseil en investissement, ni une recommandation d'achat ou de vente. Les scores sont des indicateurs de qualité d'information, pas des prévisions de faillite.

Signaux

Signal	Ce qu'il mesure	Seuil d'alerte
altman	Score Z d'Altman (solvabilité globale)	< 2,99 vigilance · < 1,81 défaillance
piotroski	Score F sur 9 critères de amélioration comptable	F < 3 défaillance · F < 7 vigilance
beneish	Score M de manipulation de résultats	M > −2,27 vigilance · M > −1,78 défaillance
divergence	Bénéfice net en hausse + cash-flow en baisse, 2 années de suite	streak ≥ 2 défaillance
runway	Trésorerie / brûlage mensuel de trésorerie	< 24 mois vigilance · < 12 mois défaillance
late_filing	Rapports annuels déposés en retard (NT 10-K/10-Q)	1 NT vigilance · ≥ 2 défaillance
critical_8k	8-K urgences : faillite (1.03), défaut (2.04), non-fiabilité (4.02)…	selon l'item, vigilance ou défaillance
insider_sales	Ventes de dirigeants ouvertes (Form 4) rapportées à la capitalisation	≥ 0,25 % vigilance · ≥ 1 % défaillance
net_debt_ebitda	Dette nette / EBITDA	> 4× et en hausse défaillance
dilution	Croissance annuelle des actions en circulation	> 5 % vigilance · > 10 % défaillance
composite	Fusion pondérée des signaux disponibles	paliers 0,5 / 1,0 / 1,5
lstm	Probabilité de détresse sur séries d'indicateurs (PyTorch)	affiché à côté du score classique

Deux principes guident l'implémentation : « donnée manquante » vaut mieux qu'un faux score (un signal non calculable est absent, jamais noté 0), et chaque score pointe son dépôt source (filings.url).

Résultats du backtest

Cohorte de 547 faillites (premier 8-K « Item 1.03 » entre 2015 et 2025, collecté par recherche EDGAR) contre 328 témoins sains (S&P 500 jamais concernés), toujours en ne regardant que l'information disponible au moment de l'alerte :

Règle d'alerte	Détection à 6 mois	à 12 mois	Faux positifs / an
Niveau ≥ modéré (règle retenue)	64,9 %	56,7 %	9,3 %
Niveau ≥ modéré + une composante en défaillance	63,8 %	55,2 %	8,5 %

Cible de la feuille de route : 60–70 % de détection à 6 mois — atteinte. Les poids des signaux ont été calibrés sur cette cohorte (scripts/tune_weights.py), les métriques du modèle de deep learning sont mesurées séparément (scripts/train_lstm.py) : sur ces données, les deux approches se complètent, le classique garde la meilleure détection à 6 mois.

Le site publie ces résultats sur la page /methodology, avec des exemples de faillites signalées à temps, signalées tard et manquées. Ses chiffres sont figés dans frontend/app/methodology/page.tsx : les régénérer après tout retune du composite.

Contrôle hors échantillon (uv run python -m scripts.validate_oos) : des poids réglés uniquement sur les faillites 2015-2020, puis mesurés sur les 199 faillites 2021-2025, obtiennent le même écart détection − fausses alertes que les poids de production (68,0 contre 68,0 ; 80,9 % / 12,9 % contre 74,9 % / 6,9 %). Le réglage ne montre pas de surapprentissage ; les poids individuels, eux, sont instables d'une période à l'autre et ne mesurent pas l'« importance » d'un indicateur.

Architecture

• Backend — Python 3.14, FastAPI, PostgreSQL 17 (SQL brut via psycopg, pas d'ORM). Les routes publiques lisent les signaux précalculés chaque nuit (app/jobs/nightly.py) ; les routes privées de liste de suivi ne modifient que les données utilisateur et exigent une session Clerk vérifiée côté Next.
• Frontend — Next.js 16 (App Router, Tailwind v4, React 19), rendu côté serveur, sitemap + robots dynamiques pour l'indexation.
• Données — SEC EDGAR respecte la limite de 10 requêtes/s (User-Agent obligatoire, cache fichier), cours via l'API publique Yahoo Finance.
• Deep learning — LSTM PyTorch entraîné sur le même backtest, explicable par SHAP ; les signaux DL n'entrent jamais dans le composite, ils restent des informations à côté du score classique.

Démarrage rapide

Prérequis : Docker, uv, Node ≥ 20 avec pnpm (corepack enable pnpm).

# 1. Configuration — SEC_USER_AGENT exige un nom + e-mail réels (règle SEC)
cp .env.example .env          # PowerShell : Copy-Item .env.example .env

# 2. Base de données (PostgreSQL 17, port 5435)
docker compose up -d --wait

# 3. Dépendances Python
uv sync

# 4. Données de démonstration : le trio Apple / AMC / Bed Bath & Beyond
#    (~10 min, réseau : premier accès SEC + Yahoo, ensuite mis en cache)
uv run python -m scripts.fetch_phase0
uv run python -m scripts.fetch_prices
uv run python -m scripts.fetch_submissions
uv run python -m scripts.load_postgres
uv run python -m app.jobs.nightly --no-refresh

# 5. API + site
uv run uvicorn app.api.main:app --reload --port 8011 # → http://localhost:8011/health
pnpm --dir frontend install
pnpm --dir frontend dev                       # → http://localhost:3000

La recherche et les fiches publiques fonctionnent sans compte. Pour activer les comptes et la liste de suivi en local, copier frontend/.env.example vers frontend/.env.local, configurer les clés Clerk et partager la même valeur de WATCHLIST_API_SECRET entre ce fichier et le .env racine.

Tests : uv run pytest (209 tests collectés).

Mise en production (GitHub Actions + Render + Vercel + Neon + Clerk) : voir docs/DEPLOY.md.

Pour charger la cohorte complète du backtest (875 entreprises, ~1 h, réseau) :

uv run python -m scripts.build_cohort
uv run python -m scripts.fetch_phase0   --manifest data/backtest/companies.json
uv run python -m scripts.fetch_prices   --manifest data/backtest/companies.json
uv run python -m scripts.fetch_submissions --manifest data/backtest/companies.json
uv run python -m scripts.load_postgres  --manifest data/backtest/companies.json
uv run python -m app.jobs.nightly       # ~1 h la première fois (cache EDGAR)
uv run python -m scripts.backtest       # rejoue les métriques ci-dessus

Structure du dépôt

app/          API FastAPI + moteurs (normalize, signals, edgar, dl, ingest,
              backtest, jobs) — signaux purs et testables
scripts/      commandes batch : collecte SEC, ingestion, backtest, entraînement
tests/        suite pytest (209)
frontend/     application Next.js 16
data/         manifest de cohorte (versionné) + caches (gitignorés)
docker-compose.yml

Contribuer et licence

Code sous licence MIT — voir CONTRIBUTING.md pour les conventions (identifiants et commits en anglais, commentaires et textes en français).