Comment se construisent des prévisions de matières premières très précises : la méthodologie de Vesper

Les équipes achats qui dimensionnent des contrats à terme sur des matières premières agricoles comme le beurre, la protéine de lactosérum, le sucre ou l’huile végétale posent en général deux questions à propos d’une prévision sur laquelle elles s’apprêtent à engager un budget : comment a-t-elle été construite, et quelle est sa précision sur la matière première que j’achète réellement ?

La plupart des outils de prévision répondent vaguement à la première question et à la seconde par un chiffre unique mis en avant. Vesper répond aux deux. Cet article s’ouvre sur les chiffres de précision que Vesper publie sur l’ensemble de sa couverture de prix, détaille ce qui distingue ces chiffres des solutions que la plupart des équipes achats ont déjà évaluées, et montre comment lire une prévision individuelle à l’écran, avec le beurre américain comme exemple détaillé.

La précision des prévisions de Vesper sur plus de 4 000 séries de prix

Vesper publie la précision de l’ensemble de la plateforme sur plus de 4 000 séries de prix de matières premières, mesurée sur les prévisions des deux dernières années. Sur toutes les catégories couvertes par Vesper, des marchés très liquides comme le fromage CME, le blé MATIF et le lait de classe III jusqu’aux protéines spécialisées peu échangées, aux fractions de palme conformes à l’EUDR et aux benchmarks régionaux du sucre, les chiffres principaux ressortent comme suit.

Performance des prévisions de prix Vesper, mesurée comme 1 − MAPE sur plus de 4 000 séries de prix, sur les deux dernières années.

La métrique derrière ces chiffres est l’erreur absolue moyenne en pourcentage (MAPE), inversée pour donner le chiffre de précision affiché. Le mécanisme est simple : si une prévision à un mois s’écarte de 3 % en janvier, de 4 % en février et de 2 % en mars, l’erreur moyenne est de 3 %, le modèle est donc présenté comme précis à 97 %. La même définition s’applique à chaque série et à chaque horizon, et c’est ce qui rend le chiffre comparable.

Deux points méritent d’être signalés dans ce tableau.

La courbe de précision se dégrade régulièrement à mesure que l’horizon s’allonge. La baisse de 12 points de pourcentage, de 97 % à un mois à 85 % à douze mois, est ce que produit un modèle de prévision honnête. Plus on demande au modèle de regarder loin, plus l’exercice devient difficile.

Et ces chiffres sont des moyennes sur des milliers de séries, pas sur une seule matière première triée sur le volet. Une affirmation de haute précision sur un marché calme pendant quelques mois se fabrique facilement ; un chiffre publié en moyenne sur plus de 4 000 séries et deux ans est une tout autre épreuve.

Trois niveaux de prévision, et la place de Vesper

Prévoir les prix des matières premières n’est pas une discipline nouvelle. Les méthodes que connaissent les équipes achats s’inscrivent dans un continuum sur lequel la prévision par IA vient s’appuyer, plutôt que de le remplacer.

Les trois niveaux de prévision des matières premières. La couche IA de Vesper cumule les méthodes situées en dessous.

Le niveau le plus élémentaire s’en tient aux fondamentaux : bilans offre et demande, taux d’inflation, prix de l’énergie et du pétrole, taux de change, météo. C’est la norme du bureau d’analyse, et une personne rigoureuse peut en tirer beaucoup.

Un niveau plus avancé superpose des indicateurs techniques : RSI, bandes de Bollinger, MACD, moyennes mobiles, oscillateurs stochastiques, empruntés aux marchés financiers et appliqués aux séries de matières premières. Ces deux niveaux restent à la portée d’une personne munie d’un tableur et de méthode.

La prévision par IA commence là où l’approche humaine s’arrête. Elle intègre tout ce qu’apportent les fondamentaux et les indicateurs techniques, puis ajoute trois choses qu’un processus manuel ne peut pas atteindre : des corrélations entre matières premières sur des milliers de séries liées et non liées, des motifs dégagés par la machine à l’intérieur de ces corrélations, et des indicateurs « appris » que le modèle identifie de lui-même, c’est-à-dire des relations entre variables qu’aucun manuel n’aurait signalées. C’est à ce niveau qu’opèrent les prévisions de Vesper.

Les méthodes plus anciennes ne sont pas fausses, elles sont fondatrices. L’IA les cumule, et le gain de précision est celui auquel on s’attend quand chaque couche apporte une information nouvelle.

Ce qui distingue les prévisions de Vesper

Opérer au niveau de l’IA n’est qu’une partie de l’histoire. Les choix qui transforment cette capacité en une précision que les équipes achats peuvent défendre constituent le reste. Les points ci-dessous sont les questions à poser à n’importe quel fournisseur de prévisions, et les réponses que Vesper met noir sur blanc :

•       La précision multi-horizon est publiée, pas agrégée. Le MAPE à un, trois, six, neuf et douze mois est affiché séparément pour chaque série, avec la dégradation visible d’un horizon à l’autre. Un chiffre de précision unique ou cité dynamiquement masque justement l’horizon qui intéresse l’acheteur ; la publication par horizon permet d’y répondre.

•       Les prévisions se mettent à jour automatiquement, 24 h/24 et 7 j/7. Dès qu’une nouvelle donnée arrive, un rapport de l’USDA, un nouveau tick de prix Vesper, un bilan offre et demande actualisé, la courbe est recalculée. Il n’y a pas d’intervention d’analyste à attendre, ni de risque que la prévision prenne du retard sur un événement de marché important.

•       Chaque prévision s’appuie sur ses propres fondamentaux, plus ceux des produits liés. Certaines approches rattachent un produit dérivé à une « matière première mère » et valorisent par exemple la protéine de lactosérum à partir du fromage. Vesper construit la courbe de la protéine à partir des fondamentaux de la protéine et des fondamentaux du fromage qui déterminent la disponibilité du lactosérum. Les deux couches sont pondérées ; aucune ne sert de raccourci à l’autre.

•       Des vérifications ponctuelles dans le produit, à l’horizon qui vous intéresse. Survolez n’importe quel point historique du graphique et lisez le couple prévu/réalisé. Le même panneau de précision bascule entre la précision historique à 1, 3, 6 et 12 mois pour cette matière première précise, de sorte que l’acheteur voit comment le modèle se comporte sur l’échéance qui correspond à sa décision. C’est important parce que la plupart des prévisions modernes (celles de Vesper comprises) sont dynamiques : elles s’ajustent chaque jour à l’arrivée de nouvelles données, et c’est ce qui les garde pertinentes. Un chiffre de précision unique sans horizon associé ne dit rien de l’avance avec laquelle la prévision a été établie ; une prédiction émise la veille du prix réalisé affichera une précision élevée presque indépendamment du savoir-faire. C’est le sélecteur d’horizon qui rend le chiffre significatif.

•       La vue de l’IA et celle de l’analyste sont délibérément séparées. La courbe de prévision est construite uniquement à partir de données. Les analystes de Vesper publient des rapports de marché rédigés en parallèle, mais leurs avis ne se mélangent jamais à la courbe. Là où l’IA et l’analyste s’accordent, la conviction est forte ; là où ils divergent, c’est le signal qu’il faut creuser. Et c’est le plus souvent le sens qui compte le plus : même quand une prévision n’est pas exacte au prix près, viser juste sur le sens, hausse ou baisse, indique à l’acheteur s’il doit différer un achat ou agir maintenant. L’IA et l’analyste s’accordent presque toujours sur le sens, et c’est là que se jouent réellement la plupart des décisions d’achat.

•       Une IA développée en interne, bien avant que ChatGPT ne devienne un nom courant. Les modèles de prévision de Vesper sont développés en interne par une équipe basée à Amsterdam, l’un des pôles européens de l’IA. L’architecture est itérée depuis bien avant l’essor actuel de l’IA, et ce savoir accumulé se voit dans la façon dont les modèles traitent les cas limites propres à chaque matière première et dans la rapidité avec laquelle de nouvelles approches peuvent être testées en production.

Comment lire une prévision Vesper : le beurre américain comme exemple détaillé

Les chiffres à l’échelle de la plateforme sont l’accroche. Pour les rendre concrets, voici à quoi ressemble une prévision individuelle à l’écran, et comment la lire en pratique. L’exemple ci-dessous est le beurre américain, ancré sur le Vesper Price Index (VPI) en base EXW, en USD par livre.

Widget de prévision du beurre américain : prédictions historiques, courbe à terme à six mois et précision historique à un mois de 94 % sur cette série en particulier.

Il y a quatre choses à lire sur le graphique.

La ligne pleine est le prix historique, douze mois en arrière. La ligne pointillée prend le relais là où la série historique s’arrête et projette le prix six mois en avant. La bande ombrée autour de la ligne pointillée est l’intervalle de confiance, la fourchette que le modèle juge plausible en chaque point de la prévision. Plus la bande est étroite, plus le modèle est sûr de lui. À droite du graphique se trouve le panneau de précision par série : 94 % à un mois, 83 % à trois mois, 77 % à six mois pour cette matière première précise, avec un sélecteur d’horizon pour que l’acheteur choisisse l’échéance correspondant à la décision qu’il a devant lui.

La première chose à faire avec toute nouvelle prévision est de la vérifier. Survolez n’importe quel point de la ligne historique et une infobulle fait apparaître deux chiffres côte à côte : le prix réel à cette date, et ce que le modèle avait prévu pour elle un mois plus tôt. Trois exemples sur le beurre américain :

•       18 juin 2025 - réel : 2,54 USD/lb. Prévision à un mois : 2,43 USD/lb. Écart : 4,5 %.

•       29 octobre 2025 - réel : 1,58 USD/lb. Prévision à un mois : 1,59 USD/lb. Écart : 0,8 %.

•       18 mars 2026 - réel : 1,88 USD/lb. Prévision à un mois : 1,73 USD/lb. Écart : 8,1 %.

Les trois ont vu juste sur le sens. Deux se sont situées dans la marge d’erreur moyenne à un mois du modèle ; la troisième s’en est davantage écartée, lors d’un mouvement plus brutal de la série. Ce mélange correspond à ce qu’est la précision dans le monde réel, et les infobulles rendent chaque prédiction passée de la série vérifiable de la même manière. L’intérêt de l’exercice n’est pas de confirmer un chiffre isolé, mais de se faire une idée de la façon dont le modèle a traité la matière première devant vous, avant d’engager le moindre budget sur sa courbe à terme.

Notez également que les chiffres par série (94/83/77 pour le beurre) se situent sous les moyennes de la plateforme (97/94/91/88/85). Le beurre est plus volatil que la matière première moyenne de la couverture Vesper, et le modèle est mis à l’épreuve plus durement ici que sur une série plus stable. L’écart est instructif, ce n’est pas quelque chose à masquer.

Derrière la courbe : les quatre couches de données

Une fois entraîné, le modèle de Vesper utilise quatre catégories de données d’entrée. Pour le beurre américain, ces couches se présentent ainsi.

Schémas de prix. Le point de départ est la série elle-même, plus les produits adjacents qui évoluent avec elle. Pour le beurre américain, cela signifie que le lait de classe III du CME, les prix de la crème américaine, le beurre de l’UE (EEX) et la matière grasse laitière anhydre alimentent la même courbe. Le beurre ne se négocie pas isolément, et le modèle capte ces relations croisées.

Fondamentaux de marché. Les rapports USDA Dairy Products et USDA Cold Storage, USDA NASS Milk Production, les données d’exportation de l’USDA FAS, les chiffres de l’Observatoire du marché du lait de l’UE et les données DCANZ de Nouvelle-Zélande, puisque l’offre mondiale influe sur les prix à l’export américains. Les coûts d’alimentation animale issus du maïs CBOT, du tourteau de soja et des DDGS entrent aussi en jeu, parce qu’ils façonnent la marge de production laitière, qui façonne l’offre de lait, qui façonne en aval la disponibilité du beurre.

Indicateurs techniques. Signaux classiques appliqués à la série du beurre : MACD, moyennes mobiles, RSI, bandes de Bollinger, oscillateurs stochastiques, lisibles directement dans la plateforme et également injectés dans le modèle de prévision.

Indicateurs macroéconomiques. L’indice du dollar américain (compétitivité à l’export des produits laitiers américains), les coûts de l’énergie et du fret (intrants de production et de logistique), et les signaux macroéconomiques de demande liés aux catégories du commerce de détail et de la restauration hors domicile. Là où Vesper dispose de données partenaires, Upply pour le fret, IBISWorld pour les coûts sectoriels, elles entrent ici.

Le modèle pondère les quatre couches ensemble. Aucune donnée d’entrée ne dicte à elle seule la courbe.

Lire la couche technique à côté de la courbe IA

Comme Vesper expose la couche technique directement dans la plateforme, un acheteur peut lire les mêmes signaux que le modèle.

Analyse technique du beurre américain : évolution du prix face aux moyennes mobiles, momentum du MACD et RSI.

Au 29 avril 2026, la couche technique du beurre américain se lit comme suit. Le prix est à 1,70 USD/lb, au-dessus à la fois de la moyenne mobile à 100 jours (1,63 USD) et de celle à 150 jours (1,61 USD), une configuration structurelle haussière. Le MACD est haussier avec un momentum positif : l’histogramme est passé de barres rouges (sept. 2025 à janv. 2026) à des barres bleues qui se construisent depuis février, même si la ligne, le signal et l’histogramme ressortent tous près de zéro. Le RSI est à 47,7, neutre, avec de la marge avant le seuil de surachat de 70. Les variations en pourcentage racontent la même histoire sous un autre angle : sur un an ‒28,31 % (la longue tendance baissière), sur un trimestre +13,13 % (le redressement depuis les points bas du premier trimestre), sur un mois ‒6,39 % et sur une semaine ‒0,88 % (un léger refroidissement ce mois-ci).

Lus ensemble, ces signaux décrivent un marché qui a trouvé son plancher au premier trimestre, s’est nettement redressé jusqu’en mars et consolide désormais au-dessus de sa tendance de moyen terme, ni en difficulté ni tendu. C’est le même tableau que dessine la courbe de prévision de l’IA : une légère dérive à la hausse sur les six prochains mois.

Lire la courbe pour une décision d’achat

Deux parties du graphique comptent le plus quand un acheteur dimensionne un engagement à terme : l’intervalle de confiance autour de la ligne pointillée de prévision, et les infobulles de prédictions historiques sur la ligne passée.

C’est dans l’intervalle de confiance que se joue réellement la décision d’achat. Une bande étroite au début de l’horizon qui s’élargit plus loin est la forme normale : le modèle est plus certain du mois prochain que du troisième trimestre de l’an prochain, et c’est légitime. Quand la bande s’élargit anormalement vite, le modèle signale que les données d’entrée envoient des messages contradictoires et que l’acheteur doit s’attendre à davantage de révisions dans les prévisions à venir. Quand la bande reste anormalement étroite, les données d’entrée sont alignées et la conviction est forte. Un acheteur qui prend un engagement à terme pour le troisième trimestre ne parie pas que le prix tombera exactement sur la ligne médiane pointillée ; il dimensionne sa couverture face à la fourchette que décrit la bande.

Les infobulles de prédictions historiques sont ce qui donne à cette bande sa crédibilité en premier lieu. Choisissez quelques mois parmi les deux dernières années sur la matière première que vous achetez réellement. Survolez la ligne. Lisez le couple prévu/réalisé. Si le modèle a bien suivi la série, la conviction d’agir sur la courbe à terme vient naturellement. Sinon, l’infobulle vous le dira aussi, avant que le moindre budget ne soit engagé.

Ce que tout cela donne

Une prévision de matières premières digne de confiance repose sur plusieurs éléments qui fonctionnent ensemble : une architecture de modèle capable de généraliser sur des milliers de séries, une architecture de données d’entrée transparente qui remonte à des sources connues, des chiffres de précision par horizon vérifiables sur la matière première que vous avez devant vous, et la discipline de garder séparées la vue de l’IA et celle de l’analyste pour que chacune puisse être jugée sur ses propres mérites.

C’est ainsi que sont construites les prévisions de Vesper. La méthodologie est à l’écran, la précision est à l’écran, et les données qui les sous-tendent remontent aux mêmes sources primaires auxquelles les équipes achats font déjà confiance. Choisissez une matière première, survolez la ligne, et jugez par vous-même.

FAQ : la prévision des prix des matières premières avec Vesper

Quelle est la précision des prévisions de Vesper sur la matière première précise que j’achète ? La précision est publiée par matière première et par horizon de prévision dans la plateforme. Vous pouvez consulter la précision historique à un, trois, six et douze mois pour la série exacte que vous achetez, plutôt que de vous en remettre à une moyenne agrégée.

Jusqu’à quelle échéance dois-je me fier à une prévision pour mes décisions d’achat ? Les horizons plus courts sont généralement plus précis, ce que reflètent les données. La plupart des décisions d’achat se situent dans la fenêtre d’un à six mois, où la précision reste la plus élevée et l’intervalle de confiance le plus resserré.

Le modèle s’appuie-t-il davantage sur les fondamentaux ou sur les indicateurs techniques ? Les deux sont intégrés, aux côtés des données macroéconomiques et des relations entre matières premières. Le modèle pondère toutes les données d’entrée de façon dynamique, plutôt que de privilégier une catégorie sur une autre.

À quelle fréquence les prévisions sont-elles mises à jour ? Les prévisions se mettent à jour automatiquement à mesure que de nouvelles données deviennent disponibles. Il n’y a pas de calendrier fixe, le modèle recalcule ses prévisions en continu quand les données d’entrée changent.

Puis-je vérifier moi-même les performances passées des prévisions ? Oui. Les prédictions historiques sont visibles directement sur le graphique. Vous pouvez comparer les prix prévus et réels en tout point pour comprendre comment le modèle s’est comporté avant de vous fier à des projections futures.

Que se passe-t-il sur les marchés très volatils ? La précision diminue généralement à mesure que la volatilité augmente, ce qui se reflète à la fois dans les chiffres de précision historique et dans l’élargissement de l’intervalle de confiance. C’est attendu, et visible pour l’utilisateur.

Les avis des analystes sont-ils intégrés à la prévision ? Non. La prévision est entièrement pilotée par les données. Les rapports des analystes sont publiés à côté du résultat du modèle mais en restent séparés, ce qui vous permet de comparer les deux perspectives.

Le sens compte-t-il plus que le prix exact ? Dans la plupart des décisions d’achat, oui. Même lorsque le niveau de prix exact n’est pas parfaitement prédit, viser juste sur le sens est souvent ce qui détermine s’il faut acheter maintenant ou attendre.