Category Archives: Uncategorized

2014-08-09-cfd2

Modern Approaches of Financial Data Analysis

By Insu Song, Bryan Anselme, Purnedu Mandal and John Vong 

Abstract— Short and medium term predictions of stock prices have been important problems in financial analysis. In the past, various different approaches have been used including statistical analysis, fundamental analysis, and more recently advanced approaches that use machine learning and data mining techniques. However, most of existing algorithms do not incorporate all available information of the market. By using more informative and relevant data, prediction results will better reflect market reality. This would benefit in reducing the inaccuracy of predicting due to randomness in stock prices, by using trend rather than a single stock price variation. For instance some stock prices are correlated and/or dependent with/on each other and market mood. In this paper, we review the existing techniques of stock prices and time series predictions, and the classification and clustering methods. Based on the literature analysis, we propose a method for incorporating related stock trend information: clustering related companies using machine learning approaches. We report on a preliminary analysis results using monthly adjusted closing prices of 100 companies collected over a 15-month period.

Keywords – Clustering, financial analyses, stock price prediction, prediction, classification

 

1.0  Introduction

Today most of the global monetary mass is invested in financial places, on coupons, debt financing, raw materials, features or stocks. Optimizing investment strategies in these markets has become one of today’s most important research topics. The most common methodologies are: portfolio management that aim to reduce the risk taken in investment by diversifying the range of investment [1], arbitrage by detecting anomaly in prices and so take a free lunch, pricing by calculating the real value of stocks, and finally standard trading with two majors types, which are the fundamental [2] and the technical/quantitative [3] analysis approaches. The Technical/quantitative analysis approaches include using mathematical tools in order to predict trends, discovering patterns for machine-based trading, and predicting medium/short term trends. The Fundamental analysis approaches include using micro and macroeconomics indicators, news and financial data of companies in order to predict trend for the concerned stocks for medium and long term views.

Recent advancement in data mining technologies, such as Clustering [4], ANN (Artificial Neural Network) [5], SVM (Support Vector Machines) [6], Decision Tree [7, 8], and Rough set theory [9], opened up new approaches that allow analysts to incorporate more relevant information [10]. These new technologies allow analysts consider much larger amounts of data and build prediction models automatically using computers with less training [10].

In this paper we will review existing techniques of financial analysis and machine learning approaches in order to identify new opportunities. In addition, we propose a new method for predicting stock prices in a more accurate way using clustering approaches. This proposal is based on the fact that many stock prices are correlated, and the awareness of those correlations can allow us to improve the previous models. This allows us to take into account more data and to diversify their sources in order to reduce the inaccuracy of predictions. In fact to use only the historical data of only one stock price is sometimes very risky and although lead to bad forecasting.

The rest of the paper is organized as follows. In the next section, we review existing techniques of financial analysis and machine learning approaches. We then report on identified opportunities for researchers. In Section 3, we propose a new clustering method that determines the optimal number of clusters of related companies. In Section 4, we report on the analysis result and conclude the paper with remarks in Section 5.

2.0 Review of Existing Financial Analysis Methods

2.1  Data Analysis for Market Prediction

2.1.1 Financial Analyses

Fundamental analyses try to use a company’s financial and operational information in order to predict future financial states of the company. This includes R&D resources allocations, growth margin, and other financial statements [2]. Analysts often compare this information with other companies in the same sector to assess the relative values of companies in the sector. This information is also used to assess the future financial trends of the sector as a whole. This will have impact on medium to long term predictions, but not on short term predictions. This is because fundamental analysis dose not really take in to account of historical stock prices. Today, this type of analysis is very common. However, this type of analysis requires good economic and accounting knowledge and expensive acquire trained analysts.

2.1.1 Technical and quantitative analyses

The technical and quantitative financial analysis use historical market prices and indexes to predict future financial prices of stocks. These methods often used for short term prediction to decide on buying, holding, or selling of stocks [3]. Technical analysis employs the tools of geometry and pattern recognition. On the other hand, quantitative finance employs the tools of mathematical analysis, such as probability and statistics. These techniques are still popular, because quantitative finance can be easily done by computer and most of the time done by computers, and pattern recognition is still an area where human can still compete with machines. This methods are mostly done using time series analysis.

2.1.1 Time series model

One of the popular methods of predicting short-time future financial values of stocks and companies is time series analysis of historical financial data. Moving Average (MA) of the financial data (e.g., stock prices) is commonly used with time series modeling [3]. Auto Regression (AR) modeling is widely used as the basic tool [6] [11] for building prediction models. AR is a model that represents dependencies of terms from previous terms in time series data. The random noise term in AR models represents the randomness in stocks price movement [6]. AR is often combined with other models to create new models, such as AutoRegressive–Moving-Average (ARMA) [6]. ARMA model was later extended [12] [13] to create more complex models, such as ARIMA (Autoregressive integrated moving average) and ARFIMA (Autoregressive fractionally integrated moving average), which shown to provide good prediction results. Recently, ANN (Artificial Neural Network) is also used to automatically generate predication models without relying on mathematical likes AR [14]. The advantage of these latest methods is that it requires less historical data and the prediction model can be improved incrementally.

2.2  Clustering Approaches

We review modern data mining approaches starting with clustering. Clustering as it suggests is grouping similar objects based on some similarity measure. Its objective is to discover hidden patterns automatically from abundant data. This is a unsupervised learning approach as it does not require training datasets unlike classification or predication approaches. Clustering is often used to detect interesting outliers, remove noise, and explore data as well. One popular algorithm is K-means algorithm, which was developed in late 70s [15]. It takes K (the number of clusters) to be discovered and partition the data into K similar groups. Its computation complexity is linear to the size of the data, but it can only discover convex shaped clusters, and affected by outliers and noise, and can only deal with numerical data types. To overcome the limitation various different clustering algorithms were proposed. K-prototype extends [16] K-means algorithm so it can handle different types of data. Density-based spatial clustering of applications with noise (DBSCAN) [4] can determine the number of clusters automatically and arbitrary shaped clusters, but it takes two other parameters (neighborhood distance and minimum number of neighbors), which must be given by analysts. Agglomerative hierarchical clustering (AGNES) and DIvisive ANAlysis Clustering (DIANA) [17] output a hierarchy of clusters, where individual objects are clusters of their own at the bottom of the hierarchy and forms one group at the top. Analysts then can later determine the number of clusters. All these approaches suffer from one drawback. They are query dependent. STatistical INformation Grid (STING) [18] overcomes this limitation summarizing the entire dataset using a grid. Each cell in the grid contains statistical summary of objects falling in the grid cell. However, it can only detect rectangular shaped clusters.

2.3  Problems of Existing Approaches and Opportunities

As we can see from the literature described above, there are many approaches in financial-analysis. They use a wide range of tools like ANN, Clustering, Decision trees, and Rough Sets, and deal with many different types of data. We list here some of the main problems of existing financial-prediction approaches:

  • Staggering amount of different approaches and algorithms: whether the algorithm applies to a wide range of companies, sectors, or financial places: the number of variables taken as inputs; the time laps we want to predict from the few second ahead to months; pretreatment on data.
  • A perfect and perfectly accurate prediction is impossible to realize due to inherent randomness in stock prices.
  • Most of the existing methods rely on a small subset of available information and focus on optimizing the models for the select few attributes. We can classify the approaches to two approaches: fundamental analysis approaches [2] focusing on account reviews and macro/micro-economic figures; and technical/quantitative [3] analysis approaches focusing stocks prices. For example, well known prediction approaches mostly rely on moving average of stock prices, such as AR (auto regressive) model [6] [11], ARMA [6], ARIMA and ARFIMA [12] [13], time series analysis methods using ANN (Artificial Neural Network) [14].
  • New approaches based on data mining techniques automate some of the tasks of analysts with much more parameters and processing power [8], but few use big amount of data in order to establish prediction model.

Given that a single stock price is subject to a lot of randomness, this can be considered as using bad quality data or not having sufficient amount of data for prediction tasks. What we can see from the limitations of existing approaches listed above, we see a great opportunity for researchers to develop better prediction models by using clustering approaches. Clustering can help analysts use vast amount of information available on the Internet to group stocks that are highly correlated and predict groups of related stocks or spread information across related stocks filling information gaps of individual stocks.

This clustering-based approach will result in three improvements. The first is improving the portfolio elaboration methodology used in [1]. The second is improving current prediction tool by comparing the stock price that is forecasted with the average evolution of stock price in the clustered to which it belongs. Lastly, it builds a model automatically to do prediction by studying the relation and influence between the different clusters of companies in order to build a classifier to predict whether a stock price will go up or down.

3.0  Methodology

In this section, we present a method of determining an optimal number of clusters of related companies. One of the challenges of clustering is determining the ideal number of groups companies. AGNES outputs a hierarchy of clusters for analyst to investigate, but does not provide a good measure to determine the optimal number of clusters. Therefore, we calculate clustering criterion on each level of the hierarchy of clusters and analysis dynamics of cluster configuration changes. This is measured by taking the first derivative of the clustering criterion. We use SSE (sum of squared errors) for the clustering criterion. Given SSE contains quadratic components of attributes of the companies that are being analyzed, SSE will decrease exponentially and gradually as the number of clusters increase and the size of the clusters shrink. However, when optimal configuration is found in the process, SSE will have change more dramatically. These dramatic changes will be observed in the first derivative of SSE curve.

To test the proposed method, we collected monthly adjusted closing prices of 100 companies over a 15-month period. First, we downloaded all company symbol data from the NASDAQ website. We then downloaded financial data of 3,000 companies from the Yahoo finance web service. Among the 3000 companies, we selected 165 companies as most of companies had various missing attribute values. The obtained result is a set of historic monthly adjusting closing prices of the companies over the 15 month period (from Feb, 2014 to Apr, 2015). The data set is then preprocessed as follows. First we computed the monthly return rates. We then normalized the monthly return rate so all variables will have the same importance for the clustering task. The proposed method was applied on this data.

4.0  Experimental Results

For the clustering process, we used AGNES with the average linkage. We choose this algorithm because AGNES outputs a hierarchy of clusters (multiple levels of clusters). In each level of the clusters, we calculate the SSE of the step. Figure 1 shows the plot of SSE over the number of clusters. In the figure, we see that the SSE increases exponentially and gradually as the number of clusters decreases. This is because the clusters are growing bigger with more points in them and they are further and further away from the center of the clusters. That explains the exponential growth of the SSE.

Then, we calculate the first derivative of the SSE values. We then use the plot of the first derivative of SSE to identify optimal K (cluster numbers). Figure 2 shows the plot of the first derivative. In Figure 2, we see several high spikes indicating sudden changes in cluster configuration meaning greater information gains at those levels. We use these spikes to identify optimal Ks. Table 1 shows the clustering configurations of optimal Ks.

Screen Shot 2016-03-23 at 17.21.40

Figure 1.    SSE (Sum of the squared errors) over K/100, where K is the number of clusters starting from 100 to 1 as AGNES is a bottom up hierachical clustering appraoch.

Screen Shot 2016-03-23 at 17.21.46

Figure 2.    First derivative of SSE over K/100. The sharp peaks are used to identify optimum Ks.

Table 1:   Configuration of optimum number of clusters

Optimal k (number of clusters) Number of points in each cluster
39 4 1 2 2 4 1 1 1 1 3 1 4 1 3 1 1 1 1 2 1 1 1 2 1 10 1 5 6 7 2 5 2 6 4 1 1 2 1 6
35 1 1 2 1 5 4 1 5 1 2 1 1 1 3 9 2 5 1 1 2 6 8 1 1 3 2 1 6 3 1 5 8 3 1 2
27 1 3 5 5 1 1 9 1 12 1 1 1 1 2 18 1 4 1 3 9 1 2 2 1 3 2 9
17 1 1 25 2 2 5 21 3 8 1 1 10 12 1 4 1 2
6 36 9 9 1 1 44
5 1 1 1 78 19
3 81 3 16

 

5.0  Conclusion

By reviewing traditional and modern approaches of financial predictions, we have identified problems of existing approaches and opportunities. Instead of focusing on small well known pieces of information and trying to optimize existing models, we could start to find methods of incorporating ever available data on the Internet with help of automated data processing and data mining approaches. We proposed a method of grouping similar companies using clustering approaches. We should note that the clustering is done using all relevant information available on the Internet, not just select few well-known parameters, such as industry sectors. The immediate benefits of this approach are two folds: (a) information of some companies in a group can be applied to other companies in the same group removing the need to collect information for all companies; (b) predications results of companies on a group can be applied to other companies in the group. In the end, we proposed a novel method of determining optimal number of clusters for AGNES clustering algorithm and company monthly rate returns.

References

[1]        P. Paranjape-Voditel and U. Deshpande, “A stock market portfolio recommender system based on association rule mining,” Applied Soft Computing, vol. 13, pp. 1055-1063, 2013.

[2]        B. Lev and S. R. Thiagarajan, “Fundamental information analysis,” Journal of Accounting research, pp. 190-215, 1993.

[3]        A. W. Lo, H. Mamaysky, and J. Wang, “Foundations of technical analysis: Computational algorithms, statistical inference, and empirical implementation,” National bureau of economic research2000.

[4]        M. Ester, H.-P. Kriegel, J. Sander, and X. Xu, “A density-based algorithm for discovering clusters in large spatial databases with noise,” in Kdd, 1996, pp. 226-231.

[5]        L. Xi, H. Muzhou, M. H. Lee, J. Li, D. Wei, H. Hai, et al., “A new constructive neural network method for noise processing and its application on stock market prediction,” Applied Soft Computing, vol. 15, pp. 57-66, 2014.

[6]        Z. ZHANG, M. LI, and R. BAI, “AN INTEGRATED MODEL FOR STOCK PRICE PREDICTION BASED ON SVM AND ARMA,” Journal of Theoretical & Applied Information Technology, vol. 44, 2012.

[7]        T.-S. Chang, “A comparative study of artificial neural networks, and decision trees for digital game content stocks price prediction,” Expert Systems with Applications, vol. 38, pp. 14846-14851, 2011.

[8]        J. Patel, S. Shah, P. Thakkar, and K. Kotecha, “Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques,” Expert Systems with Applications, vol. 42, pp. 259-268, 2015.

[9]        C.-H. Cheng, T.-L. Chen, and L.-Y. Wei, “A hybrid model based on rough sets theory and genetic algorithms for stock price forecasting,” Information Sciences, vol. 180, pp. 1610-1629, 2010.

[10]       R. Dass, “Data mining in banking and finance: a note for bankers,” Indian Institute of, 2006.

[11]       G. S. Atsalakis and K. P. Valavanis, “Surveying stock market forecasting techniques–Part II: Soft computing methods,” Expert Systems with Applications, vol. 36, pp. 5932-5941, 2009.

[12]       A. A. Karia, I. Bujang, and I. Ahmad, “Fractionally integrated ARMA for crude palm oil prices prediction: case of potentially overdifference,” Journal of Applied Statistics, vol. 40, pp. 2735-2748, 2013.

[13]       G. C. Aye, M. Balcilar, R. Gupta, N. Kilimani, A. Nakumuryango, and S. Redford, “Predicting BRICS Stock Returns Using ARFIMA Models,” 2012.

[14]       M. Khashei and M. Bijari, “An artificial neural network (p, d, q) model for timeseries forecasting,” Expert Systems with applications, vol. 37, pp. 479-489, 2010.

[15]       J. A. Hartigan and M. A. Wong, “Algorithm AS 136: A k-means clustering algorithm,” Applied statistics, pp. 100-108, 1979.

[16]       D.-T. Pham, M. M. Suarez-Alvarez, and Y. I. Prostov, “Random search with k-prototypes algorithm for clustering mixed datasets,” in Proceedings of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, 2011, pp. 2387-2403.

[17]       A. T. Y. Musetti, “Clustering methods for financial time series,” Swiss Federal Institute of Technology, 2012.

[18]       W. Wang, J. Yang, and R. Muntz, “STING: A statistical information grid approach to spatial data mining,” in VLDB, 1997, pp. 186-195.

1233343_193128247531507_357917665_n

DuBonPain innove dans la valorisation de la boulangerie artisanale

DuBonPain est une jeune start-up lancée en février 2014 (mais dont l’idée germe depuis quelques années). Ses fondateurs ambitionnent d’offrir un guide participatif des boulangeries artisanales et de proximité.

Aujourd’hui, nous nous entretenons avec Hugo Rivière, directeur marketing de la toute jeune start-up DuBonPain. Hugo, comme les autres fondateurs, Maxime, Simon et Mario est toujours étudiant. Respectivement à l’ENSTA Paristech, Centrale Paris, Polytechnique (X) et L’université Paris VI.

Logo de DuBonPain

Comment est venue l’idée de départ de la fondation de DuBonPain ?

L’idée de départ est venue de Maxime. Qui est l’initiateur de DuBonPain. Au cours d’une virée estivale dans le village médiéval de Castelnau-de-Montmiral, en 2011, il s’est mis à la recherche d’une boulangerie à l’heure du goûter.  Après plusieurs minutes de recherche, il finit par trouver. Une fois sur place, et après avoir attendu son tour, il se rend compte qu’il n’a pas de monnaie sur lui. Il ne pouvait donc pas avoir son encas après toute cette attente.

Cette mésaventure fonda les prémices d’une longue réflexion. Son smartphone, pourtant si sophistiqué, ne lui avait été d’aucun secours. Ni pour trouver une boulangerie digne de ce nom, ni pour savoir quelle spécialité il trouverait dans la région. Alors que la boulangerie fait partie du quotidien de la majorité des français, aucun site internet, fonctionnalité ou application de smartphone n’est utile à l’heure d’aller chercher son pain.

En poussant sa réflexion, il se rendit compte que les artisans-boulangers, malgré leur passion, souffrent aujourd’hui de la concurrence industrielle, alors qu’ils sont un fleuron de la culture française.

L'équipe DuBonPain
L’équipe DuBonPain

Quel est le projet de DuBonPain à court et moyen terme ?

Pour l’heure, pas de dématérialisation de paiement bien que nous pensons que c’est un élément important. La mission court terme est de proposer un outil de communication et marketing aux boulangers en les amenant simplement et gratuitement sur internet. Aujourd’hui, un artisan a rarement une page sur un réseau social, et quand c’est le cas, le plus souvent c’est une communication non professionnelle. Nous accompagnons les artisans dans une démarche de communication plus maitrisée et plus axée sur la création de valeur en utilisant un outil simple qui amène de la clientèle.
Quelle est la cible de DuBonPain ?
Les 32 000 (certainement plus important car elles ne sont pas toutes référencées) boulangeries artisanales de France dans un premier temps.
Quels sont vos concurrents potentiels ?
Aujourd’hui, il y a des outils “macro” et “généralistes” qui ne focalisent pas sur la boulangerie et qui, du coup, ne permettent pas d’avoir les détails auxquels peut s’attacher un client précisément intéressé par les subtilités qui font la différence entre un produit de boulangerie et un autre. Bien que ces outils soient généralistes, les utilisateurs peuvent être plus naturellement orientés vers eux étant donné leur popularité. On peut citer : les Guides en ligne qui mettent à disposition la possibilité d’appeler (appels surtaxés), Yelp, Google Places, Guides de commerce de proximité… Leur aspect universel et exhaustif ne permet pas d’aller dans le détail d’une catégorie précise.
Quel est le Business Model de DBP ?

Plusieurs canaux de revenus sont envisagés, ils devront être affinés au fur et à mesure du déploiement du produit. On envisage un service de base gratuit (Freemium) avec une mise en avant sur le site et les réseaux sociaux qui serait payante (à un tarif raisonnable). Parallèlement, en utilisant les fonctionnalités offertes par une application mobile, on souhaite ajouter la possibilité de proposer des promotions chez nos partenaires grâce à des géo-notifications en fonction de l’emplacement de l’utilisateur. Potentiellement, on peut aussi proposer un service permettant d’améliorer sa position sur le moteur de recherche du site et de l’application. Enfin, nous n’excluons pas un service de coaching personnalisé pour la communication de l’artisan boulanger avec sa cible.

Quels sont les prochains axes de développement ?
Pour l’instant, nous souhaitons nous concentrer sur le marché français et expérimenter des sets de fonctionnalités qui soient réellement porteurs de valeur pour nos clients. La base de données est enrichissable et actualisable par les utilisateurs. Nous proposons déjà les horaires d’ouvertures entre autres informations. D’autres arrivent très bientôt. L’application arrivera également assez vite puisque nous travaillons déjà dessus.
Avez-vous besoin de lever des fonds ?
Aujourd’hui, nous faisons encore tout nous mêmes mais nous envisageons la création d’une structure d’ici quelques semaines. Nous avons des besoins de l’ordre de 30 K à 50K €. Notamment pour des stagiaires et pour la communication.
Parallèlement, nous participons à des concours d’entrepreneurs pour faciliter cette phase de lancement grand public. Nous mettons également des fonds personnels dans le projet.
Vous pouvez soutenir DuBonPain dans le concours 100 jours pour entreprendre et leur permettre d’augmenter leur trésorerie en allant sur : http://www.100jourspourentreprendre.fr/?concours=maxime-renault
Un prototype du dispositif LiveBraille pour les malvoyants

PhenixNova accompagne l’innovation pour les malvoyants

Fondée par l’ingénieur Ahbinav Varma, la société LiveBraille fabrique un dispositif d’aide au déplacement destiné aux non-voyants et malvoyants.

PhenixNova a accompagné LiveBraille durant 1 mois de conseil en stratégie de levée de fonds et c’est avec une grande satisfaction que nous annonçons la levée de 100 000 $ de LiveBraille  auprès de Business Angels. Ce n’est qu’une étape.

Un prototype du dispositif LiveBraille pour les malvoyants
Prototype du dispositif LiveBraille pour les malvoyants

A cette occasion, nous partageons une interview avec le fondateur de LiveBraille. L’interview est entièrement en anglais.

 

PhenixNova : Can you take us back before LiveBraille started ?

A.V : Live braille started from an asia pacific competition held by IMechE UK where it wont the first award, second best all over Asia pacific. The project for me being a mechanical engineer was dead by the end of the competition but the plans totally changed when live braille was tested in a blind institute in Chandigarh before NDTV media. The test not only surprised the media people but also me the developer. The blind was actually able to navigate with stunning speeds with not even an hour of practice! Since then it became a mission of my life to get live braille into the market and get the blinds ‘blowing past you!’

 

PhenixNova : could you explain us what does LiveBraille do ?
A.V : It’s simple live braille measures the distance of any obstacle in the direction of our fingers, categorizes the distance into 3 categories and then every category is represented by one dedicated vibrator on the finger. So the distance of an obstacle in the direction of every finger is represented by one of the 3 vibrators on the finger.

 

PhenixNova : The idea seems revolutionary and simple at the same time, how did you get the first idea ? 
A.V : This is very well explained in the TEDx video.

 

PhenixNova : The demonstrations are amazing, how long did it take to build the prototype ?
A.V : Developing the first prototype took us 2 months due to the constant test we did ‘ Live Braille was born our of less of research and more of tests’. The simplicity renders Live Braille to be extremely reliable, robust and scale-able !

 

PhenixNova : Until now, you won a lot of prizes, which one are you most proud of ?
A.V : Most proud of, well the first award at Hong Kong, awarded by IMechE UK.

 

PhenixNova : What is your ambition for 2014 ?
A.V : 2014: targeting 11000 units sold while projecting a revenue close to $1Mn. Also looking for more technical developments adding more and more tech features like maybe just switching on your lights by pressing as button on the Live Braille glove.
Un patient participant aux tests de LiveBraille
Un patient participant aux tests de LiveBraille

 

PhenixNova : And how do you see yourself in 5 years ?
A.V : Next 5 years ? BIG! financially we look at Live Braille by then a billion dollar company becoming the standard for blind navigation. We look forward to do what the White Cane did maybe a few hundred years ago! it’s surprising to see there has been no major invention in the field since then that provided the reliability of the white cane!

PhenixNova : Any word for potential investors ?

A.V : Due to the extraordinary scale-ability, market  and capability of the device the domain of investors is huge, starting from the companies providing insurance to the blind,major blind organisations right to military(Live Braille with a few changes has serious military application which we plan to explore in 2015).

Merci à Abhinav de nous avoir accordé cette interview et lui souhaitons la plus grande réussite. Restez à l’écoute pour la suite de l’aventure !

entomophagie

L’innovation dans l’alimentaire révolutionnera nos habitudes

Pour PhenixNova, l’équipe de Khepri, une jeune start-up qui ambitionne d’impacter le monde de l’agro-alimentaire, partage sa vision de l’innovation dans l’alimentation. En particulier, l’entomophagie dont ils ambitionnent de faire un business. Et ils ont des arguments de poids !

entomophagie

Lorsque l’on évoque le futur de ce que peut devenir l’industrie agro-alimentaire sous la pression d’une démographie en augmentation ou les recherches dans le domaine des biotechnologies, le grand public n’y associe que rarement les insectes, présentés comme d’utiles recycleurs ou des nuisibles, selon les cas. Pourtant, plusieurs pistes de  réflexion sont déjà engagées par des acteurs importants au niveau international. La FAO dans son rapport de 2010 Edible forest insects – Human bites back mettait l’accent sur les potentialités des insectes étant donné leurs intéressantes caractéristiques nutritionnelles. 2 milliards et demi d’êtres humains en mangent déjà régulièrement, notamment dans les pays émergents, et constituent une source non négligeable de nutriments. Les articles dans les journaux à ce sujet sont en règle générale lus et commentés car vont à l’encontre de notre culture gastronomique, et ce bien que le français s’enorgueillisse de la production locale de « fruits de mer » et puisse gober, au choix, huitres vivantes, moules, bigorneaux ou encore des escargots et des grenouilles, mets à peine plus appétants que les insectes. Il convient de noter la quantité non négligeable d’articles récemment publiés sur l’entomophagie et les offres à destination des hommes, et l’absence quasi-totale d’articles concernant l’élevage d’insectes à destination de l’alimentation animale, signe que le sensationnalisme n’a pas encore laissé place au rationalisme sur ce sujet très spécifique.

L’insecte, un potentiel inexploité

Les propriétés nutritives ne sont néanmoins pas les seules que l’homme pourrait exploiter. Dioscoride, médecin, botaniste et pharmacologue grec de l’antiquité est l’auteur du célèbre ouvrage Materia medica, qui pendant plus de 1500 ans a été considéré comme une référence médicale. Une part importante de son œuvre est consacrée aux propriétés de différents animaux sur le traitement des maladies et blessures. Nombre des animaux étudiés sont des insectes, et les propriétés décrites sont similaires à celles utilisées dans la médecine chinoise traditionnelle. L’état actuel de la recherche permet d’envisager de nouvelles utilisations pointues des biomatériaux issus d’insectes, mais aussi de la façon dont ils peuvent servir à des fins utiles à l’homme.

C’est l’objet de cette courte présentation que de porter à votre attention ces faits méconnus mais qui ont le potentiel de révolutionner plusieurs industries sur le long terme.

Comment valoriser les propriétés nutritionnelles des insectes ?

Peu d’études ont été réalisées sur les propriétés nutritionnelles des insectes. Une espèce néanmoins fait figure d’exception : le grillon domestique (Acheta domestica). Si cette espèce est étudiée et fait l’objet de nombreux travaux de recherche, c’est principalement car elle est à la fois facile à élever et est présente sur tous les continents. Le grillon domestique est idéal pour commencer un élevage, il demande peu d’entretien, d’espace et de matériel. Son cycle de vie est également très rapide, ce qui permet aux entomoculteurs (ou éleveurs d’insectes) de faire très vite rentrer de l’argent suite à leur investissement. Cette caractéristique est importante à avoir à l’esprit, puisque les entomoculteurs sont dans 99% des cas des fermiers dont le revenu est inférieur à la moyenne.

boeuf_grillon

 

Si d’autres insectes sont plus protéinés que le grillon domestique, celui-ci est plus équilibré en nutriments, ce qui est un avantage indéniable pour des consommateurs qui souffrent de malnutrition (et non de sous-nutrition) et dont l’alimentation repose principalement sur des féculents et des légumes. A noter : Ces chiffres concernent le grillon entier, et non uniquement la chair de celui-ci. Il est évident qu’une analyse portant exclusivement sur la partie non carapacée obtiendrait des résultats plus élevés sur le taux de protéines pour 100g et un taux de calcium moins important.

La valorisation d’un tel produit a plusieurs débouchés.

Le premier est celui de l’alimentation humaine, le produit dans ce cas reste entier et n’est pas transformé. C’est le marché de 2,5 milliards d’individus dont il est fait mention dans l’introduction. La transformation de la chair en farine pour servir d’additif protéiné dans les produits type plats préparés n’est pas envisagé à l’heure actuelle, notamment après les divers scandales qui ont secoué les filières agro-alimentaires (vache folle, farines animales et lasagnes de cheval, entre autres) et les ont voué à la vindicte populaire.

Le second, plus prometteur est celui du marché des aliments pour animaux, qui se compose lui-même en 2 catégories :

-       Le marché feed, c’est-à-dire le marché des aliments pour animaux d’élevage

-       Le marché pet food, qui concerne les aliments pour animaux de compagnie

Les acteurs de ces filières commencent doucement à prospecter du côté des insectes car les prix des matières premières pèsent de plus en plus lourds sur les coûts et rognent les marges des éleveurs et des fabricants. Les filières les plus intéressées sont les piscicultures, suinicultures et avicultures. Les insectes ont également la caractéristique d’être un aliment naturellement consommé par ces espèces, ce qui en renforce le côté éthique. Les producteurs d’aliments pour animaux de compagnie sont eux aussi en recherche de nouvelles sources d’approvisionnement. Les cibles principales sont ici principalement les poissons et oiseaux d’ornement.

emballage_worms

Un autre point sur lequel peut s’axer la recherche est la transformation complète du produit. Des saucisses ressemblant à des Knackis, ou du tofu d’insectes peuvent être créés en en extrayant les protéines et en transformant le tout par un procédé de gélification.

Comment valoriser les co-produits d’insectes ?

Souvent ramenés à leur unique dimension nutritionnelle, les insectes disposent toutefois d’un fort potentiel dans des domaines divers et très éloignés de ceux présentés par les médias. Les espèces comme le grillon domestiques sont intéressantes car, en plus de servir dans l’alimentation, il est possible d’extraire de la carapace un biomatériau, la chitine, qui est utilisée dans de multiples industries, dont l’énumération longue et fastidieuse ne vous sera pas épargnée :  traitement des eaux usées, pâtes et papiers, agriculture, bioplastiques, bioplastiques agro-alimentaires, alimentation et nutraceutique, cosmétique, et autres applications plus pointues de l’oligosaccharide de chitosan, le dérivé de la chitine obtenu par désacétylation de cette dernière.

Le potentiel actuel et futur de la chitine et du chitosan (la forme désacétylée de la chitine) extraits de carapaces de crustacées dans les domaines de biomédecine, nutrition et agroalimentaire est vaste et enthousiasmant. Les matériaux sont utilisés dans des applications allant des antibiotiques et fils de suture aux compléments pour régime, aliments, etc. et sont importants dans la recherche grâce à leurs propriétés d’absorption de gras et de réducteur de taux de cholestérol. L’étude Chitin & Chitosan : A Global Strategic Business Report prévoit que le marché global de la chitine atteindra 63 milliards de dollars et celui du chitosan 21 milliards de dollars en l’an 2015. Le rapport précise que le chitosan est plus utile pour des utilisations biomédicales et la déshydratation de solutions aqueuses que la chitine, puisqu’il possède à la fois de l’hydroxyle et des groupes aminés, qui peuvent être facilement modifiés. Le biopolymère naturel chitosan est incorporé dans une large variété de produits et se classe parmi les additifs naturels dans les aliments pour leur conservation comme un des plus populaires. Par exemple, ajouter du chitosan dans la dinde ou du bœuf haché réduit significativement la germination et le développement de spores Clostridium Perfringens durant le processus de réfrigération. Le chitosan est également stable à de hautes températures, et à ce titre prévient l’oxydation des produits alimentaires.

Dans un autre domaine, le biopolymère naturel est un excellent capteur de graisse. Pris avant le repas, il peut réduire remarquablement l’absorption de graisses par le corps et est souvent recommandé en complément d’un programme de perte de poids bien équilibré. Le chitosan est également utilisé dans le traitement du syndrome du côlon irritable, grâce à ses propriétés nettoyantes qui facilitent la digestion. En tant que complément de régime, le chitosan facilite la gestion de la tension artérielle. De nombreuses applications de la chitine et du chitosan ont été récemment découvertes ces dernières années, et les acteurs du marché attendent le feu vert de la FDA pour commencer à les commercialiser. Si l’autorisation est obtenue, le marché se développerait fortement, en particulier dans les applications ayant trait au domaine de la santé. Le Japon représente un marché très bien identifié pour les produits à base de chitine et chitosan. Les pénuries d’eaux pures au Japon ont provoqué une forte augmentation de la demande de biopolymères.

Les obstacles majeurs impactant le marché du chitosan sont, selon l’étude, les coûts de production élevés, la faible qualité du chitosan sur le marché, la faible production par rapport à la demande, et la pollution générée pendant son processus de production. Le traitement des eaux usées est la principale industrie consommatrice de chitosan. Cependant, les projections indiquent que l’industrie agrochimique enregistrera la plus forte croissance de consommation de chitosan entre 2007 et 2015. Sur la période d’analyse du rapport, la consommation de chitosan par les industries agrochimiques a augmenté de 12%. La chitine extraite d’insectes peut donc tout à fait répondre aux besoins du marché, puisque son extraction devrait à priori être moins couteuse que celle des carapaces de crevettes, et devrait également permettre d’accroitre la qualité et l’approvisionnement des industriels qui sont à la recherche de nouvelles sources.

coproduit_insecte

Pour conclure

Nous n’avons ici fait qu’effleurer la surface des potentialités qu’offrent les insectes. Pour aller plus loin, nous aurions pu aborder le cas de la mouche soldat noire (Hermetia illucens), qui en plus d’être un excellent bioconvertisseur de déchets organiques, possède la particularité d’être très grasse à l’état larvaire, ce qui permet d’en extraire de l’huile pouvant in fine servir de biocarburant. Les recherches scientifiques sur le sujet sont elles aussi loin d’être suffisantes, étant donné que l’exploitation de cette ressource est encore confidentielle.

L’approche humaine et la dimension sociale que souhaite développer Khepri, par l’installation de fermes d’élevage avec Handicap International directement au cœur des populations qui en consomment régulièrement et qui peuvent multiplier leur revenu par 2 grâce aux insectes, nécessitent un travail de longue haleine. Si vous souhaitez nous poser des questions pour approfondir vos connaissances entomologiques ou connaître plus en détail les débouchés que nous avons évoqués, merci de nous contacter ou de poser vos questions en commentaires. Dans le but de financer des cages d’élevage à des personnes handicapées au Laos, Khepri a lancé une campagne de crowdfunding – http://www.indiegogo.com/projects/the-cricket-village/x/5229284. Les dons débutent à partir de 1$, et ce sont les petits ruisseaux qui forment les grandes rivières. Tout partage sur les réseaux sociaux sera grandement apprécié !

Valeur précise d'une startup

Snapchat à 3 Milliards, PrimeSense à 360 millions, le monde tourne-t-il rond ?

Ces dernières semaines, les noms de deux entreprises innovantes étaient sur toutes les lèvres : PrimeSense et Snapchat. La première est spécialisée dans la reconnaissance de gestes et la vision par ordinateur, et est connue notamment pour la Kinect utilisée par Microsoft Xbox. Snapchat est une application de partage de photos via mobile. L’originalité de snapchat consiste à associer un délai de visualisation de quelques secondes. On envoie une photo pour la montrer mais sans qu’elle ne soit enregistrée ou consultée ultérieurement.

Primesense_Snapchat

Si le rachat de PrimeSense par Apple pour 360 millions de dollars a donné lieu à quelques articles et réactions diverses, c’est surtout l’offre à 3 milliards pour le rachat de Snapchat par Facebook qui a fait le buzz. Et pour cause, Snapchat ne génère quasiment pas de revenus et apparait comme techniquement accessible à n’importe quel développeur, sans aucune technologie révolutionnaire.

Avant de creuser un peu plus ces deux cas, et de tenter de retracer les raisons qui ont donné lieu à ces estimations de valeur, il convient de faire un profil rapides des deux entreprises.

 
PrimeSense
Snapchat
Fondation20052011
Employés15030
Chiffre d'affaires annuel> 200 M$< 100 K$
Offre de rachat365 M$> 3 B$

Sur le papier, il n’y a pas snapshot (hihi). D’un côté, une technologie avec des barrières à l’entrée et un marché en croissance constante qui a prouvé qu’il était prêt à payer. De l’autre, une très jeune startup qui ne génère pas de revenus et qui techniquement n’a pas de réelle avance ou de barrières à l’entrée. Cependant, dans les deux cas, on imagine difficilement Apple acquérir PrimeSense ou Facebook acquérir Snapchat en vue de revendre et en tirer une plus value lors d’un “exit” éventuel. Ce ne sont pas des investissements financiers mais des investissements stratégiques. Et c’est pour ce type d’investissements que la valeur est la plus imprévisible car fortement lié à l’acquéreur.

 

B2C VS B2B

Dans le cadre d’Apple, on peut imaginer que l’acquisition de PrimeSense ouvre tout de suite de nouveaux marchés et offre un avantage concurrentiels sur les marchés déjà adressés. La valeur de PrimeSense recouvre donc beaucoup plus de valeur pour une entreprise comme Apple que pour un investisseur qui envisagerait une sortie purement liée au revenus intrinsèques de PrimeSense. La valeur créée par PrimeSense étant bien plus importante si la technologie de ses capteurs est déployée dans des smartphones et autres produits Apple. Les clients de PrimeSense étant d’autres entreprises, bien plus grosses, la plus grande part de la valeur créée est capturée par le dernier maillon de la chaine.

Dans le cas de Snapchat, le lien est direct avec l’utilisateur final. On peut imaginer que toute la valeur créée soit capturée sans intermédiaires. En dehors de ces cas particuliers, les records de valorisations sont plus souvent signés par des entreprises B2C que B2B.

Acquisition agressive VS acquisition défensive

Bien que la valeur de PrimeSense soit plus importante en étant intégrée au sein d’Apple, la meilleure alternative pour apple est simplement de fournir un effort de Recherche et Développement lui permettant d’obtenir un résultat comparable à celui de PrimeSense. Le risque encouru par une non-acquisition n’est pas démesurément important étant donné que PrimeSense ne menace pas Apple sur ses marchés actuels. C’est une arme en plus pour Apple contre ses concurrents. Loin d’être le first-mover sur les technologies de reconnaissance de gestes, cette acquisition leur permet d’être plus agressifs envers leur concurrents (Microsoft et Google) en ayant acquis la référence mondiale en la matière.

Valeur précise d'une startup

Parallèlement, Snapchat s’adresse aux mêmes utilisateurs que Facebook. En offrant un moyen de communication social, mobile et éphémère. Snapchat crée une nouvelle façon de communiquer qui, potentiellement, pourrait vampiriser les utilisateurs de Facebook.

Les photos sont le carburant du social networking, Mark Zuckerberg l’a compris bien avant Facebook en créant son site de notation de photos de camarades d’université. Plus récemment, le rachat d’Instagram par Facebook à 1 milliard de dollars prouve encore cette volonté d’éviter de voir grossir des concurrents centrés sur le partage de photos. Hors, une photo partagée via Snapchat c’est  une photo de moins partagée via Facebook. Aujourd’hui, bien que snapchat soit encore à ses balbutiements, chaque jour, il y a autant de photos partagées sur snapchat que sur Facebook (400 millions de photos par jour). On peut aisément imaginer la menace que cela représente pour Facebook. C’est donc une question de survie et de transition à une forme de réseaux sociaux plus innovants.