Autorégressive

Que signifie autorégressif?

Un modèle statistique est autorégressif s'il prédit des valeurs futures basées sur des valeurs passées. Par exemple, un modèle autorégressif pourrait 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 les analyses techniques pour prévoir les prix futurs de la sécurité.
• Les modèles autorégressifs supposent implicitement que l'avenir ressemblera au passé. Par conséquent, ils peuvent se révéler inexacts dans certaines conditions de marché, telles que des crises financières ou des périodes de changements technologiques rapides.

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 à l'aide d'une combinaison linéaire de prédicteurs, tandis que les modèles autorégressifs utilisent une combinaison de valeurs antérieures 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 le bruit blanc et ne dépend pas des termes. Outre ces variations, il existe également de nombreuses façons différentes de calculer les coefficients utilisés dans ces calculs, telles que la méthode des moindres carrés.

Les analystes techniques utilisent ces concepts et ces techniques pour prévoir les prix de la sécurité. Cependant, comme les modèles autorégressifs ne fondent leurs prédictions que 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 donner lieu à des prédictions surprenantes et inexactes si les forces sous-jacentes en question changent, par exemple si une industrie subit une transformation technologique rapide et sans précédent.

Néanmoins, les traders 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 la prévision.

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 une analyse technique pour identifier les points d'entrée et de sortie.

Exemple concret de 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 ces actions sont influencés par les transactions récentes du marché lorsqu’ils décident 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, au cours des années qui ont précédé la crise financière de 2008, la plupart des investisseurs n'étaient pas au courant des risques posés par les vastes portefeuilles de titres adossés à des créances hypothécaires détenus par de nombreuses sociétés financières. Au cours de ces périodes, 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 rendu public le fait que de nombreuses institutions financières risquaient un effondrement imminent, les investisseurs sont soudainement devenus moins préoccupés par les prix 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, ce qui aurait totalement confondu un modèle autorégressif.

Il est important de noter que, dans un modèle autorégressif, un choc ponctuel aura une incidence infiniment future sur les valeurs des variables calculées. Par conséquent, l'héritage de la crise financière perdure dans les modèles autorégressifs actuels.

Comparaison des comptes d'investissement Nom du fournisseur Description Divulgation par l'annonceur × Les offres figurant dans ce tableau proviennent de partenariats avec lesquels Investopedia reçoit une rémunération.

Termes connexes

Moyenne mobile intégrée autorégressive (ARIMA) Une moyenne mobile intégrée autorégressive est un modèle d'analyse statistique qui exploite les données de séries chronologiques pour prévoir les tendances futures. plus Définition du modèle Box-Jenkins Le modèle Box-Jenkins est un modèle mathématique conçu pour prévoir les données d'une série temporelle spécifiée. plus Fonctionnement du lissage des données Le lissage des données est effectué à l'aide d'un algorithme permettant de supprimer le bruit d'un ensemble de données. Cela permet de dégager des motifs importants. Le lissage des données peut être utilisé pour aider à prévoir les tendances, telles que celles trouvées dans les prix des titres. more Fonctionnement de la méthode du critère des moindres carrés Le critère des moindres carrés est une méthode permettant de mesurer la précision d'une ligne en décrivant les données qui ont été utilisées pour la générer. C'est-à-dire que la formule détermine la ligne de meilleur ajustement. plus R au carré Le R au carré est une mesure statistique qui représente la proportion de la variance pour une variable dépendante expliquée par une variable indépendante. more Fonctionnement de la régression linéaire multiple La régression linéaire multiple (MLR) est une technique statistique qui utilise plusieurs variables explicatives pour prédire l’issue d’une variable de réponse. plus de liens partenaires