Que signifie auto-régressif ?
Un modèle statistique est autorégressif s’il prédit les valeurs futures en fonction des valeurs passées. Par exemple, un modèle autorégressif pourrait chercher à prédire les prix futurs d’une action en fonction de ses performances passées.
Principaux enseignements
- Les modèles autorégressifs prédisent les valeurs futures en fonction des valeurs passées.
- Ils sont largement utilisés dans l’analyse technique pour prévoir les prix futurs des titres.
- Les modèles autorégressifs supposent implicitement que l’avenir ressemblera au passé. Par conséquent, ils peuvent s’avérer inexacts dans certaines conditions de marché, telles que les crises financières ou les périodes de changement technologique rapide.
Comprendre les modèles autorégressifs
Les modèles autorégressifs fonctionnent selon le principe que les valeurs passées ont un effet sur les valeurs actuelles, ce qui rend cette technique statistique populaire pour analyser la nature, l’économie et d’autres processus qui varient dans le temps. Les modèles de régression multiple prévoient une variable en utilisant une combinaison linéaire de prédicteurs, tandis que les modèles autorégressifs utilisent une combinaison des valeurs passées de la variable.
Un processus autorégressif AR(1) est un processus dans lequel la valeur actuelle est basée sur la valeur immédiatement précédente, tandis qu’un processus AR(2) est un processus dans lequel la valeur actuelle est basée sur les deux valeurs précédentes. Un processus AR(0) est utilisé pour le bruit blanc et ne présente aucune dépendance entre les termes. En plus de ces variations, il existe également de nombreuses façons différentes de calculer les coefficients utilisés dans ces calculs, comme la méthode des moindres carrés.
Ces concepts et techniques sont utilisés par les analystes techniques pour prévoir les prix des titres. Cependant, étant donné que les modèles autorégressifs fondent leurs prévisions uniquement sur des informations passées, ils supposent implicitement que les forces fondamentales qui ont influencé les prix passés ne changeront pas au fil du temps. Cela peut conduire à des prédictions surprenantes et inexactes si les forces sous-jacentes en question changent en fait, par exemple si une industrie subit une transformation technologique rapide et sans précédent.
Néanmoins, les traders continuent d’affiner l’utilisation des modèles autorégressifs à des fins de prévision. Un excellent exemple est la moyenne mobile intégrée autorégressive (ARIMA), un modèle autorégressif sophistiqué qui peut prendre en compte les tendances, les cycles, la saisonnalité, les erreurs et d’autres types de données non statiques lors de l’établissement de prévisions.
Approches analytiques
Bien que les modèles autorégressifs soient associés à l’analyse technique, ils peuvent également être combinés à d’autres approches d’investissement. Par exemple, les investisseurs peuvent utiliser l’analyse fondamentale pour identifier une opportunité intéressante, puis utiliser l’analyse technique pour identifier les points d’entrée et de sortie.
Exemple du monde réel d’un modèle autorégressif
Les modèles autorégressifs sont basés sur l’hypothèse que les valeurs passées ont un effet sur les valeurs actuelles. Par exemple, un investisseur utilisant un modèle autorégressif pour prévoir les prix des actions devrait supposer que les nouveaux acheteurs et vendeurs de cette action sont influencés par les transactions récentes du marché lorsqu’ils décident du montant à offrir ou à accepter pour le titre.
Bien que cette hypothèse se vérifie dans la plupart des circonstances, ce n’est pas toujours le cas. Par exemple, dans les années qui ont précédé la crise financière de 2008, la plupart des investisseurs n’étaient pas conscients des risques posés par les importants portefeuilles de titres adossés à des créances hypothécaires détenus par de nombreuses sociétés financières. À cette époque, un investisseur utilisant un modèle autorégressif pour prédire la performance des actions financières américaines aurait eu de bonnes raisons de prédire une tendance continue de stabilité ou de hausse des prix des actions dans ce secteur.
Cependant, une fois qu’il a été de notoriété publique que de nombreuses institutions financières risquaient un effondrement imminent, les investisseurs se sont soudainement moins préoccupés des prix récents de ces actions et beaucoup plus de leur exposition au risque sous-jacent. Par conséquent, le marché a rapidement réévalué les actions financières à un niveau beaucoup plus bas, un mouvement qui aurait complètement confondu un modèle autorégressif.
Il est important de noter que, dans un modèle autorégressif, un choc ponctuel affectera les valeurs des variables calculées infiniment dans le futur. Par conséquent, l’héritage de la crise financière perdure dans les modèles autorégressifs d’aujourd’hui.