Construire un indicateur macro-économique avancé en Python avec la FRED

Sur les marchés financiers, comprendre le cycle économique est un avantage décisif. Pourtant, les indicateurs macro classiques comme l’ISM ou le PMI sont souvent limités : ils ne reposent que sur une seule enquête ou un seul angle d’analyse.

Dans cet article, nous allons construire un indicateur plus robuste : un indice synthétique de santé économique, inspiré de l’ISM (Institute for Supply Management) mais basé sur plusieurs données macro issues de la base FRED (Federal Reserve Bank of St. Louis) qui fournit des data en open data que nous allons exploiter.

Objectif de l'indicateur macro-économique

Obtenir un indicateur capable de détecter :

• les phases d’expansion
• les retournements économiques
• les probabilités de récession

Le tout en Python, avec un pipeline propre, reproductible et exploitable en trading.

Concept d'un "ISM amélioré"

Combiner plusieurs variables macro, les normaliser, les pondérer pour obtenir un score global.

Dans notre cas, l’algorithme repose sur les variables macro-économiques suivantes :

• Production industrielle
• Commandes de biens durables
• Emploi
• Chômage (inversé)
• Ventes au détail
• Immobilier
• Confiance des consommateurs
• Inflation (inversée)

Ces données sont récupérées via l’API FRED.

Du bruit à la structure : construire un signal exploitable

Une fois les données normalisées, elles sont pondérées puis agrégées pour créer un score unique.

Ce score n’est pas seulement une moyenne, c’est une synthèse, il capture :

• la force de l’économie
• son équilibre interne
• et surtout ses déséquilibres naissants

Mais un indicateur brut reste encore trop instable pour être exploité, c’est pourquoi l’algorithme introduit un lissage, un filtre temporel qui transforme les fluctuations en tendances.

Détecter les inflexions, le momentum

Il existe une erreur fréquente en analyse macroéconomique : se focaliser uniquement sur le niveau des indicateurs, un score élevé rassure, un score faible inquiète.

Mais ce n’est pas là que se joue l’essentiel, le véritable signal ne réside pas dans le niveau… mais dans le changement de direction. Une économie ne bascule jamais brutalement, elle ralentit, hésite, se déforme avant de changer de régime.

C’est précisément ce que capte le momentum. En mesurant la variation du score d’un mois à l’autre, l’algorithme ne regarde plus seulement où se situe l’économie, mais où elle est en train d’aller.

Un environnement encore solide, mais dont le momentum devient négatif, signale souvent un affaiblissement en cours invisible pour qui ne regarde que le niveau.

À l’inverse, une économie encore fragile, mais dont le momentum se redresse, peut déjà être entrée dans une phase de stabilisation, voire de reprise.

Le momentum agit comme un indicateur avancé du cycle. Il révèle les tensions internes avant qu’elles ne deviennent évidentes.

Il met en lumière les transitions, ces zones grises où le marché commence à changer de comportement.

Et c’est précisément dans ces phases d’inflexion que se créent les meilleures opportunités :

• ajuster son exposition avant le consensus
• réduire le risque avant la dégradation visible
• capter les débuts de reprise

Car sur les marchés, attendre la confirmation revient souvent à arriver trop tard, détecter les inflexions, c’est prendre une longueur d’avance.

Probabilité de récession

Le modèle repose sur un score composite, exprimé en Z-score, c'est un outil puissant, mais qui reste, par nature, abstrait. Pour le rendre exploitable, l’algorithme applique une transformation mathématique simple : une fonction sigmoïde.

Cette fonction permet de convertir n’importe quelle valeur en une probabilité comprise entre 0 et 1.

Concrètement :

• un score élevé est transformé en une probabilité proche de 0%
• un score très négatif se rapproche de 100%

On obtient ainsi une lecture universelle.

Une lecture asymétrique du cycle, la fonction sigmoïde introduit une dynamique intéressante :

• lorsque l’économie est solide, les variations du score ont peu d’impact
• mais dès que le score se dégrade fortement, la probabilité augmente rapidement

Le modèle devient plus sensible dans les phases critiques, c’est exactement ce que l’on recherche en analyse macro-économique.

Les phases d’expansion sont généralement lentes et progressives, les phases de contraction, elles, peuvent s’accélérer brutalement cet indicateur offre une lecture immédiate.

Code en python de l'indicateur ISM

Retrouver le code en python sur la GitHub de la Solution TradingInPython :

GitHub - SoDevLog - PyTrading - TradingInPython - indice-ism-fred-pro.py

Résultat graphique

Au sein de la plateforme TradingInPython vous avez la possibilité d'exécuter cet algorithme dont voici le résultat graphique :

Calcul de l'indice macro-économique ISM (Institute for Supply Management)

Dans la console s'affiche les valeurs de cet indicateur ISM amélioré :

╔══════════════════════════════════════════════╗
║         MACRO ISM — DERNIER POINT
╠══════════════════════════════════════════════╣
║  Date            : 2026-03
║  Score brut      : +0.441
║  Score lissé     : +0.005
║  Momentum        : +0.111
║  Proba récession : 49.8%
║  Régime          : NEUTRE
╚══════════════════════════════════════════════╝

Construire un indicateur macroéconomique, ce n’est pas simplement agréger des données, c’est chercher à donner du sens à un système complexe, en capturant ses dynamiques profondes plutôt que ses apparences immédiates.

À travers cette approche basée sur les données FRED, on dépasse la simple lecture d’indicateurs isolés pour reconstruire une vision cohérente du cycle économique une vision exploitable, mesurable et surtout actionnable.

Car au fond, l’objectif n’est pas de prévoir parfaitement l’avenir, c’est de mieux comprendre dans quel environnement évoluent les marchés.