Modèle multivarié
Qu’est-ce que le modèle multivarié?
Le modèle multivarié est un outil statistique populaire qui utilise plusieurs variables pour prévoir les résultats possibles. Les analystes de recherche utilisent des modèles multivariés pour prévoir les résultats des investissements dans différents scénarios afin de comprendre l’exposition d’un portefeuille à des risques particuliers. Cela permet aux gestionnaires de portefeuille de mieux atténuer les risques identifiés grâce à l’analyse de modélisation multivariée.
Points clés à retenir
- Un modèle multivarié est un outil statistique qui utilise plusieurs variables pour prévoir les résultats.
- Un exemple est une simulation de Monte Carlo qui présente une gamme de résultats possibles en utilisant une distribution de probabilité.
- Les événements du cygne noir rendent le modèle dénué de sens même si les ensembles de données et les variables utilisés sont bons.
- Les compagnies d’assurance utilisent souvent des modèles multivariés pour déterminer la probabilité de devoir payer des sinistres.
Comprendre le modèle multivarié
Les modèles multivariés aident à la prise de décision en permettant à l’utilisateur de tester les différents scénarios et leur impact probable. La simulation de Monte Carlo est un modèle multivarié largement utilisé qui crée une distribution de probabilité qui aide à définir une gamme de résultats d’investissement possibles. Les modèles multivariés sont utilisés dans de nombreux domaines de la finance.
Par exemple, un investissement particulier peut être exécuté par le biais d’une analyse de scénario dans un modèle multivarié pour voir comment il affectera le rendement global du portefeuille dans différentes situations de marché, comme une période d’inflation élevée ou de taux d’intérêt bas. Cette même approche peut être utilisée pour évaluer les performances probables d’une entreprise, valoriser les options d’achat d’actions et même évaluer de nouvelles idées de produits. Au fur et à mesure que des points de données fermes sont ajoutés au modèle, comme les données sur les ventes des magasins comparables publiées avant les bénéfices, la confiance dans le modèle et ses fourchettes prévues augmente.
Considérations particulières
Les compagnies d’assurance utilisent des modèles multivariés. La tarification d’une police d’assurance est basée sur la probabilité d’avoir à payer une réclamation. Étant donné seulement quelques points de données, tels que l’âge du demandeur et l’adresse du domicile, les assureurs peuvent ajouter cela dans un modèle multivarié qui s’appuie sur des bases de données supplémentaires qui peuvent se concentrer sur la stratégie de tarification appropriée. Le modèle lui-même sera peuplé de points de données confirmés (âge, sexe, état de santé actuel, autres politiques détenues, etc.) et de variables raffinées (revenu régional moyen, durée de vie régionale moyenne, etc.) pour attribuer les résultats prévus qui seront utilisés pour prix de la politique.
Avantages et inconvénients de la modélisation multivariée
L’avantage de la modélisation multivariée est qu’elle fournit des scénarios «et si» plus détaillés que les décideurs peuvent prendre en compte. Par exemple, l’investissement A est susceptible d’avoir un prix futur dans cette fourchette, compte tenu de ces variables. Au fur et à mesure que des données plus solides sont introduites dans le modèle, la plage prédictive se resserre et la confiance dans les prédictions augmente. Cependant, comme pour tout modèle, les données qui sortent ne sont aussi bonnes que les données entrantes.
Il existe également un risque que les événements du cygne noir rendent le modèle dénué de sens même si les ensembles de données et les variables utilisés sont bons. C’est bien sûr la raison pour laquelle les modèles eux-mêmes ne sont pas chargés du trading. Les prédictions des modèles multivariés sont simplement une autre source d’information sur laquelle les décideurs ultimes doivent réfléchir.