Prévision du marché Kalshi publie son premier rapport de recherche, révélant que lors de la prévision des données CPI, l’erreur absolue moyenne est inférieure de 40 % à celle des prévisions consensuelles traditionnelles, avec une précision encore meilleure jusqu’à 60 % lors de périodes de chocs majeurs, démontrant l’avantage de « l’intelligence collective » dans le domaine des prévisions économiques.
(Précédent : Marché de prévision en partenariat avec CNBC, cotes en temps réel, lancement complet en 2026, émissions télévisées, reportages)
(Contexte supplémentaire : De ballerine à la plus jeune femme milliardaire : comment Luana a construit le marché de prévision de plusieurs milliards Kalshi)

Table des matières

• Aperçu
  • Points clés
• Contexte
• Méthodologie
  • Données
  • Classification des chocs
  • Indicateurs de performance
• Résultats : Performance de la prévision CPI
  • Précision globale supérieure
  • « Shock Alpha » existe réellement
• Discussions dérivées
  • Hétérogénéité des participants au marché et « sagesse des foules »
  • Différences dans la structure d’incitation des participants
  • Efficacité de l’agrégation de l’information
• Limites et précautions
• Conclusion

Note de l’éditeur :

La plateforme de prévision de premier plan Kalshi a annoncé hier le lancement d’une nouvelle rubrique de rapport de recherche, Kalshi Research, destinée à fournir aux chercheurs et aux universitaires intéressés par les sujets liés aux marchés de prévision des données internes de Kalshi. Le premier rapport de recherche de cette rubrique est désormais publié. Voici le contenu original du rapport, traduit par Odaily Planet Daily :

Aperçu

Généralement, la semaine précédant la publication d’importantes statistiques économiques, les analystes et économistes seniors des grandes institutions financières publient leurs estimations des valeurs attendues. Ces prévisions, une fois agrégées, sont appelées « consensus anticipé » et sont largement considérées comme une référence essentielle pour comprendre les changements de marché et ajuster les positions.

Dans ce rapport, nous comparons la performance des prévisions implicites du marché Kalshi (ci-après « prévisions du marché ») avec celles du consensus traditionnel lors de la prévision d’un même indicateur macroéconomique clé — le taux d’inflation global annuel (YOY CPI) — par rapport à la valeur réelle.

Points clés

· Précision globale supérieure : dans tous les environnements de marché (normaux et en période de choc), l’erreur absolue moyenne (MAE) des prévisions Kalshi est inférieure de 40,1 % à celle du consensus.

· « Shock Alpha » : lors de chocs importants (supérieurs à 0,2 %), dans une fenêtre de prévision d’une semaine à l’avance, la MAE des prévisions Kalshi est inférieure de 50 % à celle du consensus ; si la prévision est faite la veille de la publication, cet avantage s’étend à 60 %. Lors de chocs modérés (entre 0,1 et 0,2 %), dans la même fenêtre, la MAE des prévisions Kalshi est également inférieure de 50 %, et la veille, elle atteint 56,2 %.

· Signal prédictif : lorsque l’écart entre la prévision du marché et le consensus dépasse 0,1 %, la probabilité qu’un choc se produise est d’environ 81,2 %, et la veille, elle monte à environ 82,4 %. En cas de divergence entre la prévision du marché et le consensus, la prévision du marché est plus précise dans 75 % des cas.

Contexte

Les prévisionnistes macroéconomiques font face à un défi intrinsèque : les moments les plus critiques pour la prévision — lorsque le marché se désorganise, que la politique change ou que des ruptures structurelles surviennent — sont précisément ceux où les modèles historiques échouent le plus facilement. Les acteurs des marchés financiers publient généralement des prévisions consensuelles quelques jours avant la publication des données économiques clés, synthétisant l’opinion d’experts en attentes du marché. Cependant, ces points de vue consensuels, bien qu’utiles, partagent souvent des méthodologies et des sources d’information similaires.

Pour les investisseurs institutionnels, gestionnaires de risques et décideurs politiques, la valeur de la précision des prévisions est asymétrique. En période calme, une prévision légèrement meilleure offre peu de valeur ; mais en période de chaos de marché — lorsque la volatilité explose, que la corrélation s’effondre ou que les relations historiques se délitent — une meilleure précision peut générer un Alpha significatif et limiter les pertes.

Il est donc crucial de comprendre le comportement des paramètres en période de volatilité. Nous nous concentrons sur un indicateur macroéconomique clé — le taux d’inflation global annuel (YOY CPI) — qui constitue la référence centrale pour les décisions de taux d’intérêt futures et un signal important de la santé économique.

Nous comparons et évaluons la précision des prévisions dans plusieurs fenêtres temporelles avant la publication officielle. Notre constat principal est que le « Shock Alpha » existe bel et bien — c’est-à-dire qu’en période de queue de distribution, les prévisions du marché peuvent offrir une précision supplémentaire par rapport à la référence consensuelle. Ce surcroît de performance n’est pas seulement académique ; il est crucial lorsque l’erreur de prévision a le plus haut coût économique, car il permet d’améliorer la qualité du signal. Dans ce contexte, la question essentielle n’est pas de savoir si le marché de prévision « a toujours raison », mais s’il fournit un signal différencié, digne d’être intégré dans les cadres décisionnels traditionnels.

Méthodologie

Données

Nous analysons les prévisions implicites quotidiennes des traders sur la plateforme Kalshi, couvrant trois moments : une semaine avant la publication (correspondant au moment du consensus), la veille, et le matin de la publication. Chaque marché utilisé est (ou a été) un marché réellement négociable, reflétant des positions en capital réel à différents niveaux de liquidité. Pour le consensus, nous collectons les prévisions institutionnelles de YoY CPI, généralement publiées environ une semaine avant la publication officielle par le Bureau of Labor Statistics américain.

L’échantillon couvre la période de février 2023 à mi-2025, comprenant plus de 25 cycles de publication mensuelle du CPI, dans divers environnements macroéconomiques.

Classification des chocs

Nous classons les événements en trois catégories selon leur « amplitude inattendue » par rapport au niveau historique. La « surprise » est définie par la différence absolue entre la prévision consensuelle et la donnée réelle publiée :

· Événement normal : erreur de prévision du YOY CPI inférieure à 0,1 % ;

· Choc modéré : erreur comprise entre 0,1 % et 0,2 % ;

· Choc majeur : erreur supérieure à 0,2 %.

Cette classification permet d’examiner si l’avantage prédictif varie systématiquement avec la difficulté de la prévision.

Indicateurs de performance

Pour évaluer la performance, nous utilisons :

· MAE (erreur absolue moyenne) : principal indicateur de précision, calculé comme la moyenne des valeurs absolues des écarts entre prévisions et valeurs réelles.

· Taux de réussite : lorsque l’écart entre consensus et prévision du marché atteint ou dépasse 0,1 %, nous enregistrons laquelle des deux est la plus proche du résultat final.

· Analyse de la fenêtre temporelle de la prévision : nous suivons comment la précision évolue de la semaine précédant la publication jusqu’au jour même, pour révéler la valeur de l’intégration continue d’informations.

Résultats : Performance de la prévision CPI

Précision globale supérieure

Dans tous les environnements de marché, la prévision du marché Kalshi pour le CPI a une MAE inférieure de 40,1 % à celle du consensus. Sur toutes les fenêtres temporelles, la MAE des prévisions du marché est de 40,1 % (une semaine à l’avance) à 42,3 % (la veille) inférieure à celle du consensus.

De plus, lorsque le consensus et la valeur implicite du marché divergent, Kalshi montre un taux de réussite statistiquement significatif, allant de 75,0 % une semaine à l’avance à 81,2 % le jour de la publication. En incluant les cas où la prévision est alignée avec le consensus (arrondi à une décimale), la prévision du marché est au moins aussi précise ou meilleure dans 85 % des cas une semaine à l’avance.

Ce taux élevé de précision directionnelle indique que : lorsque le marché et le consensus divergent, cette divergence elle-même fournit une information précieuse sur la probabilité d’un choc.

« Shock Alpha » existe réellement

La différence de précision est particulièrement marquée lors des périodes de choc. Lors de chocs modérés, lorsque la publication est simultanée, la MAE des prévisions du marché est inférieure de 50 % à celle du consensus ; la veille, cet avantage s’étend à 56,2 % ou plus. Lors de chocs majeurs, avec publication simultanée, la MAE du marché est également inférieure de 50 %, et la veille, elle peut atteindre 60 % ou plus. En environnement normal sans choc, la performance des prévisions du marché et du consensus est comparable.

Bien que le nombre d’échantillons de chocs soit plus faible (ce qui est raisonnable dans un monde où les chocs sont par définition difficiles à prévoir), le schéma global est clair : lorsque la prévision est la plus difficile, la capacité d’agrégation d’informations du marché est la plus précieuse.

Mais ce qui est encore plus important, c’est que non seulement la performance du marché Kalshi est meilleure en période de choc, mais aussi que la divergence entre la prévision du marché et le consensus peut elle-même être un signal annonciateur de choc. En cas de divergence, la probabilité qu’un choc se produise, selon la prévision du marché, atteint 75 % dans la fenêtre temporelle concernée. De plus, l’analyse par seuil montre que lorsque l’écart dépasse 0,1 %, la probabilité d’un choc est d’environ 81,2 %, et la veille, elle monte à environ 84,2 %.

Cette différence, d’un intérêt pratique évident, indique que : le marché de prévision peut non seulement concurrencer le consensus, mais aussi servir de « méta-signal » sur l’incertitude, transformant la divergence en un indicateur précoce de résultats inattendus.

Discussions dérivées

Une question évidente : pourquoi, en période de choc, les prévisions du marché surpassent-elles celles du consensus ? Nous proposons trois mécanismes complémentaires pour expliquer ce phénomène.

Hétérogénéité des participants et « sagesse des foules »

Bien que le consensus intègre les points de vue de plusieurs institutions, il partage souvent des hypothèses méthodologiques et des sources d’information similaires. Modèles économétriques, rapports de recherche de Wall Street, données gouvernementales — tout cela constitue une base de connaissances fortement chevauchante.

En revanche, le marché de prévision rassemble des participants disposant de bases d’informations variées : modèles propriétaires, insights sectoriels, sources de données alternatives, intuition empirique. Cette diversité s’appuie sur la théorie de la « sagesse des foules » : lorsque les participants détiennent des informations pertinentes et que leurs erreurs ne sont pas parfaitement corrélées, la synthèse de prévisions indépendantes issues de sources diverses tend à produire une estimation plus précise.

En période de « changement d’état » macroéconomique, cette valeur de la diversité informationnelle devient encore plus cruciale — des individus avec des fragments d’informations locales ou sectorielles, en interaction, peuvent combiner leurs données pour former un signal collectif.

Différences dans la structure d’incitation

Les prévisionnistes institutionnels, souvent soumis à des systèmes de réputation complexes, ont une incitation à éviter la déviation du consensus, car une erreur importante peut nuire à leur crédibilité. La récompense ou la sanction repose sur la précision relative, ce qui peut encourager le « suivisme » ou le conformisme.

Ce biais de « suivisme » pousse à aligner ses prévisions sur le consensus, même si des informations privées ou des modèles alternatifs suggèrent autre chose. La raison : dans un système où l’erreur coûte cher, il vaut mieux suivre la majorité pour préserver sa réputation, plutôt que de prendre un risque indépendant.

À l’inverse, les participants au marché de prévision ont une incitation directe à la précision : une prévision correcte leur permet de réaliser un profit, une erreur leur coûte de l’argent. La réputation n’est pas le principal moteur, et la divergence par rapport au consensus n’est pas pénalisée, sauf si elle s’avère incorrecte. La seule conséquence est la perte financière, dépendant de la justesse de la prévision. Ce système aligne directement la précision avec le résultat économique : ceux qui identifient systématiquement les erreurs du consensus peuvent accumuler du capital et influencer le marché, tandis que ceux qui suivent aveuglément le consensus risquent des pertes.

En période d’incertitude accrue, lorsque le coût de dévier du consensus est maximal, cette différenciation d’incitation devient particulièrement marquante, et d’un point de vue économique, essentielle.

Efficacité de l’agrégation de l’information

Une observation notable : même une semaine avant la publication — à un moment où le consensus est généralement publié — le marché de prévision affiche une supériorité significative en précision. Cela indique que l’avantage du marché ne provient pas simplement de sa rapidité à accéder à l’information publique.

Au contraire, le marché de prévision semble agréger plus efficacement les fragments d’informations dispersés, sectoriels ou ambigus, difficiles à formaliser dans des modèles économétriques classiques. La supériorité du marché ne réside pas dans une anticipation plus précoce de l’information publique, mais dans sa capacité à synthétiser, dans le même laps de temps, des données hétérogènes et fragmentées. La difficulté pour les méthodes traditionnelles, même avec le même horizon temporel, est de traiter cette diversité efficacement.

Limites et précautions

Nos résultats doivent être interprétés avec prudence. La période d’échantillonnage est relativement courte, d’environ 30 mois, et les événements de choc majeurs sont rares par définition. Cela limite la puissance statistique pour analyser les queues de distribution. Des périodes plus longues permettraient de renforcer la robustesse des conclusions, mais les résultats actuels indiquent déjà une supériorité claire du marché et une différenciation informative significative.

Conclusion

Nous avons documenté que le marché de prévision, par rapport au consensus d’experts, présente une performance systématiquement supérieure, notamment lors des événements de choc où la précision est la plus critique. La prévision du CPI par le marché est en moyenne inférieure d’environ 40 % à l’erreur du consensus, et lors de périodes de ruptures structurelles, cette réduction peut atteindre 60 %.

Ces résultats ouvrent plusieurs pistes pour de futures recherches : d’une part, étendre l’analyse à d’autres indicateurs macroéconomiques et à des échantillons plus larges pour tester si l’« alpha de choc » peut être anticipé via la volatilité ou la divergence ; d’autre part, déterminer à quel seuil de liquidité le marché peut systématiquement surpasser les méthodes traditionnelles ; enfin, explorer la relation entre les prévisions du marché et celles implicites dans des instruments financiers à haute fréquence.

Dans un environnement où les prévisions consensuelles reposent fortement sur des modèles corrélés et des sources communes, le marché de prévision offre une alternative d’agrégation d’informations, capable de capter plus tôt les changements d’état et de traiter plus efficacement l’hétérogénéité. Pour ceux qui doivent prendre des décisions dans un contexte d’incertitude structurelle croissante et d’événements extrêmes fréquents, « Shock Alpha » ne représente pas seulement une amélioration progressive, mais pourrait devenir une composante essentielle de leur infrastructure de gestion des risques.