Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity
Cette étude conclut que, bien que les modèles d'apprentissage automatique non linéaires offrent des gains de prévision hors échantillon économiquement significatifs pour les rendements des REIT américains à horizon moyen — particulièrement dans le secteur de la santé et sous l'influence de facteurs macroéconomiques —, ils n'atteignent pas de supériorité agrégée statistiquement significative par rapport aux références linéaires après ajustements pour tests multiples, les signaux prédictifs étant concentrés dans les composantes temporelles communes plutôt que dans la sélection transversale.
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
Dans le monde de l'investissement, certains actifs se comportent comme des actions, tandis que d'autres agissent davantage comme des obligations ou des bâtiments physiques. Les FPI (Fonds de placement immobilier), également connus sous le nom de REITs, se situent précisément entre ces deux extrêmes. Ce sont des sociétés qui possèdent des propriétés génératrices de revenus, telles que des centres commerciaux, des complexes d'appartements et des hôpitaux, et qui se négocient en bourse comme n'importe quelle autre entreprise. Comme leur valeur dépend à la fois de la santé du marché boursier et de la réalité physique de l'économie — comme les taux d'intérêt, la croissance de l'emploi et l'inflation — prédire leur performance future est un puzzle complexe. Depuis des décennies, les investisseurs et les économistes tentent de résoudre ce puzzle en utilisant des mathématiques linéaires simples, supposant que si l'économie monte, ces actions montent de manière prévisible. Mais l'économie est rarement une ligne droite ; elle serpente et tourne, et la relation entre une récession, une poussée des taux d'intérêt et la valeur d'une propriété peut changer selon le contexte. C'est ici que l'informatique moderne entre en scène, offrant des outils capables de rechercher des modèles complexes et cachés dans les données que les mathématiques traditionnelles pourraient manquer.
Un chercheur s'est donné pour mission de tester si ces outils informatiques avancés, connus sous le nom d'apprentissage automatique (machine learning), pouvaient réellement prédire les rendements futurs des FPI mieux que les anciennes méthodes standards. Il a rassemblé une quantité massive de données historiques, suivant 383 entreprises immobilières différentes sur plus de deux décennies, de l'année 2000 à 2023. Cette période a couvert certains des changements économiques les plus spectaculaires de l'histoire moderne, notamment la crise financière mondiale, une longue période de taux d'intérêt très bas, le choc soudain de la pandémie et l'inflation rapide qui a suivi. Le chercheur a fourni aux modèles informatiques un ensemble spécifique d'indices : les taux d'intérêt actuels, les chiffres du chômage, les données sur l'inflation, la vitesse de croissance de l'économie et la performance du marché boursier global. Il a ensuite demandé à l'ordinateur de deviner ce qui arriverait aux rendements des FPI au cours des prochains mois. Pour que le test soit équitable, il a entraîné l'ordinateur sur des données passées, puis lui a demandé de prédire le futur sans jamais lui permettre de jeter un coup d'œil aux réponses au préalable.
Les résultats ont révélé une histoire plus nuancée qu'une simple victoire de la nouvelle technologie. Lorsque le chercheur a demandé à l'ordinateur de prédire ce qui se passerait dans le très court terme — un, deux ou trois mois à l'avance — les modèles d'apprentissage automatique n'ont pas été plus performants qu'une simple supposition basée sur la moyenne des performances passées. En fait, pour ces horizons de temps courts, les modèles informatiques étaient légèrement moins bons que les références de base. Cependant, l'histoire a changé lorsque le chercheur a examiné un horizon à moyen terme, demandant spécifiquement à l'ordinateur de prédire les rendements cumulés sur une période de six mois. Ici, les modèles avancés ont commencé à montrer leur force. Les algorithmes les plus sophistiqués, qui fonctionnent en construisant de nombreux petits arbres de décision pour trouver des motifs complexes, ont été capables de réduire considérablement leurs erreurs de prédiction par rapport aux méthodes linéaires traditionnelles. Ils ont capturé environ 9,3 % de la variation des rendements à six mois, une amélioration significative par rapport à l'approche standard, qui était en réalité légèrement moins performante qu'une simple moyenne historique.
Malgré cette amélioration de la précision, le chercheur a pris soin de ne pas déclarer une victoire totale. Lorsqu'il a appliqué des tests statistiques rigoureux pour voir si le succès de l'ordinateur était une véritable percée ou simplement un coup de chance, les résultats étaient moins définitifs. Les améliorations, bien qu'économiquement notables, n'étaient pas statistiquement assez fortes pour prouver avec une certitude absolue que les modèles d'apprentissage automatique étaient supérieurs aux anciennes méthodes sur l'ensemble du spectre. L'étude suggère que les modèles informatiques ne trouvent pas une formule magique qui fonctionne pour chaque propriété ou chaque mois. Au lieu de cela, ils perçoivent un type de signal spécifique : le mouvement large et partagé de l'ensemble du marché immobilier dicté par l'économie globale. Les modèles sont doués pour anticiper le timing général du marché, sentant quand la marée des taux d'intérêt et de l'emploi est susceptible de tourner, mais ils ne sont pas doués pour choisir les gagnants et les perdants individuels parmi les différentes entreprises.
Le chercheur a également découvert que l'utilité de ces outils dépend fortement du type de propriété analysé. Les modèles d'apprentissage automatique ont le mieux fonctionné pour les FPI de santé, où les prédictions étaient non seulement précises mais aussi statistiquement significatives même après des tests rigoureux. Les propriétés commerciales ont également montré des promesses, tandis que les entreprises immobilières résidentielles et diversifiées étaient mieux prédites par les méthodes traditionnelles plus simples. Cette découverte souligne que l'économie affecte différents types de bâtiments de différentes manières, et qu'un modèle informatique universel ne peut pas capturer toutes les nuances. De plus, l'étude a montré que les modèles informatiques ne faisaient pas que mémoriser le passé ; ils apprenaient à pondérer différents facteurs économiques, tels que la façon dont les changements de chômage ou de taux d'intérêt interagissent entre eux, pour former une image plus complète du futur.
En fin de compte, cette recherche offre une perspective claire et ancrée sur le rôle de l'intelligence artificielle dans la finance. Elle démontre que, bien que l'apprentissage automatique puisse découvrir des modèles précieux dans la manière dont l'économie influence l'immobilier, il n'est pas une boule de cristal. La technologie brille lorsqu'elle examine les tendances à moyen terme et des secteurs spécifiques, mais elle ne remplace pas la nécessité d'un examen statistique minutieux ni la compréhension que l'économie est un paysage mouvant. L'étude conclut que la valeur de ces outils avancés est réelle mais conditionnelle ; ils sont des instruments puissants pour comprendre la direction générale du marché, à condition d'être utilisés avec les bonnes attentes et appliqués aux types d'actifs appropriés.
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.