Autorégressif
Que signifie autorégressif?
Un modèle statistique est autorégressif s’il prédit des valeurs futures basées sur des valeurs passées. Par exemple, un modèle autorégressif peut chercher à prédire les prix futurs d’une action en fonction de ses performances passées.
Points clés à retenir
- 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 des crises financières ou des périodes de changement technologique rapide.
Comprendre les modèles autorégressifs
Les modèles autorégressifs partent du principe que les valeurs passées ont un effet sur les valeurs actuelles, ce qui rend la 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 de 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 méthode des moindres carrés.
Ces concepts et techniques sont utilisés par les analystes techniques pour prévoir les prix des titres. Cependant, comme les modèles autorégressifs fondent leurs prédictions uniquement sur des informations passées, ils supposent implicitement que les forces fondamentales qui ont influencé les prix passés ne changeront pas avec le temps. Cela peut conduire à des prévisions 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 commerçants continuent d’affiner l’utilisation de modèles autorégressifs à des fins de prévision. Un bon 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 avec d’autres approches d’investissement. Par exemple, les investisseurs peuvent utiliser l’analyse fondamentale pour identifier une opportunité convaincante, puis utiliser l’analyse technique pour identifier les points d’entrée et de sortie.
Exemple 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 cours des actions devrait supposer que les nouveaux acheteurs et vendeurs de cette action sont influencés par les récentes transactions du marché au moment de décider du montant à offrir ou à accepter pour le titre.
Bien que cette hypothèse soit valable dans la plupart des cas, ce n’est pas toujours le cas. Par exemple, dans les années précédant la 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 à la stabilité ou à la hausse des cours des actions dans ce secteur.
Cependant, une fois qu’il est devenu public que de nombreuses institutions financières risquaient un effondrement imminent, les investisseurs sont soudainement devenus moins préoccupés par les cours récents de ces actions et beaucoup plus préoccupés par leur exposition au risque sous-jacent. Par conséquent, le marché a rapidement réévalué les valeurs financières à un niveau beaucoup plus bas, une décision 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 à l’infini dans le futur. Par conséquent, l’héritage de la crise financière perdure dans les modèles autorégressifs d’aujourd’hui.