Pourquoi la qualité des données de marché compte dans le négoce de matières premières

Une part surprenante des problèmes ETRM signalés comme des bugs applicatifs - P&L faux, chiffres de risque peu fiables, valorisations incohérentes - remonte en réalité à des problèmes de qualité des données de marché, et non à la logique applicative. L'ETRM n'est souvent que le messager qui rapporte les conséquences de données déjà fausses avant leur arrivée.

Ce que recouvre réellement la qualité des données de marché

La qualité des données n'est pas une propriété unique. Dans un contexte de trading, elle se décompose généralement ainsi :

• Complétude - tous les prix attendus sont-ils bien présents, sans trous silencieux
• Exactitude - le prix correspond-il à ce qui s'est réellement traité ou coté sur le marché
• Fraîcheur - la donnée est-elle arrivée à temps pour servir la décision qu'elle est censée éclairer
• Cohérence - les instruments liés (par exemple les points individuels d'une courbe) évoluent-ils les uns par rapport aux autres de façon économiquement sensée
• Traçabilité - savez-vous exactement quelle source, et le cas échéant quelle logique de repli, a produit une valeur donnée

Pourquoi une mauvaise donnée coûte cher

Un seul prix erroné alimentant une valorisation peut fausser le P&L, déformer un rapport de risque ou - dans le pire des cas - influencer une décision de trading prise sur la foi d'un chiffre qui n'a jamais existé. Comme les données de marché alimentent presque tous les calculs aval, un problème de qualité ne reste pas confiné à un seul rapport : il se propage au P&L, au risque et souvent au règlement.

Où naissent généralement les problèmes de qualité

D'après notre expérience de l'investigation de ces incidents, la cause racine est rarement une défaillance spectaculaire. Il s'agit le plus souvent de l'une de ces quelques lacunes structurelles et discrètes :

• Une saisie manuelle ou des chargements de fichiers sans étape de validation automatisée
• Une logique de repli ou de valeur par défaut (utiliser un prix périmé lorsqu'un flux est en retard) que personne n'a documentée, voire dont personne ne soupçonne l'existence
• Des incohérences de données de référence - le même instrument nommé légèrement différemment dans deux systèmes
• Aucune supervision permettant de détecter qu'un flux cesse silencieusement de se mettre à jour, au lieu d'échouer bruyamment

À quoi ressemble un processus de qualité mature

Les entreprises qui ne se font pas piéger par les problèmes de qualité de données intègrent généralement la validation dans le pipeline lui-même, plutôt que de l'ajouter après coup en manuel : contrôles de bornes et de plages, seuils de variation d'un jour sur l'autre, comparaison entre sources lorsque plusieurs fournisseurs cotent le même instrument, et signalement clair et visible dès qu'une valeur de repli ou par défaut est utilisée à la place d'une véritable observation de marché.