The Illusion of Accuracy: Machine-Learning and GARCH Forecasts of UK Equity Index Prices
Cette étude conclut que, bien que les modèles d'apprentissage automatique avancés et les modèles GARCH prédisent avec précision les prix des indices boursiers britanniques, ils ne parviennent pas à surpasser les références simples en matière de prévision des rendements, ce qui suggère que leur véritable valeur réside dans la mesure du risque plutôt que dans la prévision des rendements.
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 la finance, il existe un espoir persistant qu'un algorithme ingénieux puisse observer le passé pour voir l'avenir. Cet espoir repose sur l'idée que les cours boursiers, bien qu'apparemment chaotiques, pourraient cacher des motifs qu'un ordinateur peut apprendre à exploiter. Le concept central ici est la « marche aléatoire », un point de référence simple qui suggère que la meilleure estimation du prix de demain est simplement le prix d'aujourd'hui, car toute l'information connue est déjà intégrée dans le chiffre actuel. Si un modèle informatique sophistiqué ne peut pas prédire les changements de prix de manière plus constante que cette simple supposition, alors le marché se comporte de manière efficiente, et la promesse de profits faciles grâce à la prédiction est une illusion. Cette question importe profondément à quiconque possède des économies ou une pension, car si l'intelligence artificielle peut véritablement prévoir le marché, elle pourrait remodeler la gestion de la richesse ; si elle ne le peut pas, alors s'appuyer sur ces outils pourrait égarer les investisseurs.
Une étude récente s'est donné pour mission de tester directement cette promesse, en se concentrant sur les deux principaux indices boursiers du Royaume-Uni. Les chercheurs ont recueilli des données hebdomadaires de janvier 2015 à octobre 2026, une période ayant inclus des turbulences économiques significatives telles que des chocs de taux d'intérêt et des ventes massives dues aux tarifs douaniers. Ils ont opposé huit méthodes de prévision différentes les unes aux autres. D'un côté se trouvaient les références simples : un modèle qui répète simplement le prix de la semaine dernière, et un autre qui utilise le rendement moyen de toutes les semaines passées. De l'autre côté se trouvaient les poids lourds de la finance moderne : des modèles statistiques traditionnels conçus pour suivre la volatilité, et trois types distincts d'intelligence artificielle, incluant une forêt aléatoire (random forest), qui construit de nombreux arbres de décision pour trouver des motifs, et un réseau de neurones, qui imite la façon dont un cerveau traite l'information. L'objectif n'était pas seulement de voir quel modèle présentait le meilleur aspect sur un graphique, mais de déterminer si l'un d'entre eux pouvait réellement prédire la direction du marché mieux que le hasard, et si ces prédictions pouvaient se transformer en argent réel après déduction des frais de transaction.
Les résultats ont révélé un décalage frappant entre la précision apparente des modèles et leur utilité réelle. Lorsque les chercheurs ont comparé les niveaux de prix prédits aux prix réels, chaque modèle semblait hautement précis. L'erreur moyenne était infime, variant de 1,3 à 1,6 pour cent. Sur un graphique, les lignes prédites se situaient presque parfaitement sur les lignes réelles, créant une impression visuelle de maîtrise. Cependant, cette précision était une illusion créée par la nature des prix boursiers, qui ont tendance à rester proches de là où ils étaient la semaine précédente. Parce que les prix étaient si persistants, même le modèle le plus simple, qui supposait simplement que rien ne changerait, atteignait une précision presque aussi élevée que les systèmes d'intelligence artificielle complexes. Lorsque les chercheurs ont supprimé le niveau de prix pour examiner strictement les variations hebdomadaires de valeur, le tableau a complètement changé. Aucun des huit modèles, y compris les systèmes d'apprentissage automatique avancés, n'a réussi à battre la simple marche aléatoire de manière statistiquement significative. En fait, pour l'indice le plus important, la forêt aléatoire et une régression prédictive standard ont performé de manière nettement moins bonne que de simplement supposer que le marché resterait stable.
L'étude a également examiné si ces modèles pouvaient aider un investisseur à gagner plus d'argent. Les chercheurs ont simulé une stratégie de trading où un investisseur achèterait l'indice si le modèle prédisait une hausse et détiendrait des liquidités s'il prédisait une baisse, en tenant compte du coût de chaque transaction. Dans le marché ascendant de l'indice le plus important, la stratégie « acheter et conserver » (buy and hold), qui consiste à ne rien faire et à simplement conserver l'investissement, a surpassé toutes les stratégies basées sur les prévisions après déduction des coûts. Le modèle d'apprentissage automatique le plus sophistiqué a en réalité perdu de l'argent par rapport au simple fait de détenir l'action. Pour le plus petit indice, certains modèles ont légèrement mieux performé que l'achat et la conservation, mais cela était principalement dû au fait qu'ils ont réussi à rester hors du marché lors d'un déclin marqué, une forme de réduction du risque plutôt qu'un signe de compétence prédictive. Les chercheurs ont conclu que le succès apparent de ces modèles dans la prédiction des niveaux de prix était trompeur ; ils ne prévoyaient pas le futur, ils ne faisaient que suivre le passé.
Bien que les modèles aient échoué à prédire où le marché allait, ils ont réussi remarquablement bien à prédire l'ampleur de ses oscillations. L'étude a révélé qu'un type spécifique de modèle statistique, connu sous le nom de modèle GARCH asymétrique, était bien supérieur pour prévoir la volatilité, c'est-à-dire l'amplitude des variations de prix, plutôt que la direction. Ce modèle a anticipé correctement que les mauvaises nouvelles provoqueraient des secousses plus importantes sur le marché que les bonnes nouvelles, un phénomène connu sous le nom d'effet de levier. Il a fourni les estimations de risque les plus précises et a produit des chiffres de « Value-at-Risk » fiables, qui indiquent aux investisseurs ce qu'ils pourraient potentiellement perdre lors d'une mauvaise semaine. Cette distinction est cruciale : les outils étaient excellents pour mesurer le danger du marché, mais inutiles pour prédire sa destination.
Les auteurs soutiennent que cette conclusion expose un piège courant dans les rapports financiers. De nombreuses études et outils commerciaux présentent des graphiques où les prix prédits correspondent étroitement aux prix réels comme preuve de leur puissance. Ce document démontre que de tels graphiques sont trompeurs car ils ne tiennent pas compte du fait que les prix sont naturellement liés. Le véritable test d'un outil de prévision est de savoir s'il peut prédire le changement de prix mieux qu'une simple supposition, et dans ce test rigoureux, les modèles d'intelligence artificielle ont échoué. La valeur de ces outils quantitatifs ne réside pas dans la capacité à dire aux investisseurs quand acheter ou vendre pour battre le marché, mais dans la capacité à les aider à comprendre et à gérer le risque de leurs investissements. Pour l'investisseur curieux, la leçon est claire : la capacité à tracer une ligne qui suit le marché n'est pas la même chose que la capacité à voir où le marché se dirigera ensuite.
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.