Forecasting accuracy to portfolio value: Model risk and regime dependence in an emerging equity market
Cette étude analyse les actions de la Bourse de Moscou pour démontrer que, bien que CatBoost offre la meilleure précision de prévision statistique, PatchTST délivre une performance de portefeuille supérieure, et qu'aucune stratégie de sélection de modèle ou de changement de régime ne peut surmonter de manière fiable le décalage fondamental entre la précision de la prévision et la capacité de classement transversale dans les marchés émergents.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les investisseurs qui gèrent de vastes fonds font face à un dilemme constant et silencieux : ils doivent deviner quelles actions vont monter et lesquelles vont baisser, mais ils ne peuvent jamais être certains que leur méthode de devinette est la bonne. Il ne s'agit pas seulement d'une question de malchance ; c'est un problème fondamental d'incertitude. À un niveau, un investisseur craint que son estimation du rendement futur d'une action soit erronée. À un niveau plus profond, il craint que le cadre mathématique entier qu'il utilise pour établir cette estimation ne soit potentiellement défectueux. En période de stabilité, des règles simples fonctionnent souvent bien, mais lorsque l'environnement économique change — quand l'inflation grimpe, que les marchés deviennent volatils ou que les prix s'effondrent — ces mêmes règles peuvent échouer. La question est de savoir si une méthode plus complexe et flexible peut mieux s'adapter à ces conditions changeantes qu'une méthode directe, et si une méthode statistiquement précise pour prédire des chiffres conduit réellement à de meilleurs résultats d'investissement.
Une équipe de chercheurs s'est donné pour mission de tester ces questions sur le marché boursier russe, un lieu où les conditions économiques ont radicalement changé au cours de la dernière décée. Ils ont recueilli des données sur près de trois cents entreprises cotées à la Bourse de Moscou, couvrant une période allant de fin 2016 à 2025. Cette période comprenait des années d'inflation constante, le choc mondial de la pandémie, ainsi qu'une période de tensions géopolitiques intenses et de resserrement monétaire. Les chercheurs voulaient voir si la relation entre les caractéristiques d'une entreprise et ses rendements futurs changeait selon que le marché était calme ou sous tension. Pour ce faire, ils ont construit une expérience contrôlée où huit différentes méthodes de prévision se sont affrontées. Ces méthodes allaient d'équations linéaires simples, qui supposent une relation constante entre les facteurs et les rendements, à des algorithmes d'apprentissage automatique sophistiqués capables de détecter des modèles non linéaires complexes et de s'adapter à de nouvelles données.
Les chercheurs ont fourni aux huit modèles exactement la même information : des données sur la taille, la valeur, le momentum et la liquidité des entreprises, combinées à des indicateurs de stress du marché comme une inflation élevée et des chutes brutales de prix. Ils ont ensuite demandé à chaque modèle de prédire les rendements des actions sur les trois mois suivants. Crucialement, ils n'ont pas laissé les modèles s'affronter dans un combat libre ; au contraire, ils ont forcé chaque modèle à utiliser les mêmes règles pour construire un portefeuille. Ils ont sélectionné les vingt-cinq meilleures actions présentant les rendements prédits les plus élevés, ont plafonné le montant investi dans une seule action et ont géré le risque de manière identique. Cela garantissait que toute différence dans les résultats finaux provienne purement de la qualité des prévisions, et non de la manière dont l'argent était alloué.
Les résultats ont révélé un décalage surprenant entre la précision statistique et la valeur réelle. L'un des modèles d'apprentissage automatique les plus avancés, connu sous le nom de CatBoost, a produit les erreurs moyennes les plus faibles lors de la prédiction des rendements. Il était le plus précis pour deviner les chiffres. Cependant, lorsque les chercheurs ont examiné si les modèles pouvaient correctement classer les meilleures actions par rapport aux moins bonnes, les huit méthodes ont été peu performantes. Aucune d'entre elles ne pouvait identifier les meilleurs éléments de manière constante mieux que le hasard. Cette conclusion suggère que même les algorithmes les plus sophistiqués peinent à trouver un signal fiable dans le bruit d'un marché émergent, surtout lorsqu'un tel marché subit des changements structurels rapides.
Plus important encore, l'étude a révélé que le modèle ayant la meilleure précision statistique ne produisait pas le meilleur portefeuille d'investissement. Un autre modèle, basé sur une architecture d'apprentissage séquentiel appelée PatchTST, présentait une précision globale relativement faible dans ses prédictions. Pourtant, lorsque ses prévisions ont été utilisées pour construire un portefeuille, il a délivré des rendements ajustés au risque compétitifs par rapport aux meilleures stratégies et a subi des pertes plus faibles lors des baisses du marché. Ce résultat met en lumière une leçon critique : un modèle n'a pas besoin d'être parfait pour prédire chaque chiffre pour être utile à l'investissement. Il doit seulement être assez bon pour identifier les actions spécifiques qui performeront bien, même s'il se trompe sur le reste du marché.
Les chercheurs ont également testé s'il était possible de basculer entre les modèles en fonction des conditions actuelles du marché, comme utiliser un modèle pendant une inflation élevée et un autre pendant des krachs boursiers. Ils ont créé une règle qui sélectionnerait automatiquement le modèle le plus performant en fonction des résultats récents ou de l'état actuel de l'économie. Bien que cette règle de basculement ait produit les rendements nominaux les plus élevés lors de leur test rétrospectif (backtest), l'avantage n'était pas statistiquement fiable. Les résultats étaient si proches de ceux des stratégies fixes que la différence pourrait facilement être due au hasard. De plus, parce que la règle a été conçue après avoir examiné les données, elle ne peut être considérée comme une stratégie prouvée pour l'avenir. L'étude suggère que, bien que savoir si le marché est sous tension soit utile pour comprendre quand les prévisions pourraient être peu fiables, cela ne fournit pas un signal clair et automatique sur l'outil mathématique à utiliser.
En fin de compte, l'article conclut qu'il n'existe pas de « meilleur » modèle unique pour prédire les rendements boursiers dans un marché émergent. Les modèles les plus flexibles et complexes ne surpassent pas automatiquement les plus simples, et le modèle qui gagne un concours statistique n'est pas nécessairement celui qui construit le portefeuille le plus rentable. L'incertitude à laquelle les investisseurs font face est double : ils doivent composer avec la difficulté inhérente à la prédiction de l'avenir, et ils doivent également accepter qu'ils ne peuvent pas savoir avec certitude quelle méthode de prédiction est la bonne pour l'instant. Dans cet environnement, l'approche la plus robuste ne consiste peut-être pas à chercher une machine de prévision parfaite, mais à reconnaître que tous les modèles comportent un risque et que la valeur d'un modèle ne réside pas dans sa précision moyenne, mais dans sa capacité à guider des décisions d'investissement judicieuses sous pression.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.