Pourquoi les rendements boursiers ne sont prévisibles que pendant de brèves fenêtres

Les rendements boursiers peuvent être prévisibles, mais seulement pendant de brèves fenêtres

Les investisseurs ont passé des décennies à chercher des indicateurs capables de prédire de façon fiable les rendements boursiers. Les ratios d’évaluation, les taux d’intérêt, les écarts de crédit, l’inflation, la volatilité du marché et les mesures de l’activité économique ont tous montré un certain potentiel à un moment ou à un autre. La difficulté réside dans le fait qu’un indicateur peut sembler utile pendant une période et devenir inefficace à la suivante.

Une nouvelle étude publiée dans le Journal of Econometrics¹ soutient que cette instabilité pourrait être une caractéristique déterminante de la prévisibilité du marché plutôt qu’un défaut des données. Les rendements boursiers pourraient être prévisibles, mais uniquement lors d’épisodes temporaires générés par des récessions, des chocs financiers, des changements de politique ou des évolutions dans la manière dont les investisseurs traitent l’information.

Les chercheurs ont mis au point des procédures de suivi statistique destinées à détecter ces épisodes dès leur apparition. Leur travail reformule la question pratique. Au lieu de se demander si une variable prédit les rendements sur l’ensemble d’un échantillon historique, les investisseurs devraient se demander si elle a récemment commencé à contenir des informations utiles.

Pourquoi les signaux de marché permanents sont si difficiles à identifier

La recherche prédictive traditionnelle estime souvent une unique relation sur plusieurs décennies de données. Par exemple, un analyste peut tester si les rendements des dividendes prédisent la prime de risque des actions, c’est‑à‑dire le rendement que les actions génèrent au‑dessus d’un actif sans risque. Cela suppose que la relation demeure suffisamment stable pendant toute la période étudiée.

Les marchés coopèrent rarement. Les changements de politique monétaire, l’évolution des réglementations et la popularisation de stratégies attirent les capitaux. Un signal peut se renforcer pendant une crise et disparaître une fois que les investisseurs l’ont identifié. Un modèle couvrant l’ensemble de la période peut donc diluer un épisode utile avec de nombreuses années où aucune relation n’existait.

Cela aide à expliquer pourquoi des variables financières peuvent sembler statistiquement significatives dans une étude et échouer dans une autre. Le désaccord ne signifie pas nécessairement qu’un résultat était erroné. Les études ont peut‑être examiné des régimes de marché différents.

Le défi se complique davantage parce que de nombreux prédicteurs courants sont très persistants. Les rendements des dividendes, les ratios valeur comptable/valeur de marché et les mesures de taux d’intérêt peuvent rester élevés ou bas pendant de longues périodes. Ils peuvent également évoluer en même temps que les mêmes chocs affectant les rendements. Les tests statistiques classiques peuvent confondre ces caractéristiques avec un pouvoir prédictif.

Comment la surveillance en temps réel modifie le problème

L’article propose de surveiller les données entrantes de façon séquentielle après avoir établi une période d’entraînement initiale sans détecter de prévisibilité. Son approche privilégiée utilise un processus de somme cumulative, ou CUSUM, construit à partir de conditions d’instruments IVX.

En termes plus simples, le système suit si la relation entre un indicateur potentiel et les rendements ultérieurs s’écarte suffisamment de la référence historique pour justifier un signal. Il est conçu pour fonctionner sans que l’utilisateur ait besoin de savoir à l’avance si le prédicteur est faiblement persistant, proche d’une racine unité, ou quelque part entre ces deux cas.

Le cadre de surveillance répond simultanément à plusieurs problèmes :

• Les relations prédictives peuvent commencer et se terminer sans avertissement.
• Des tests répétés peuvent générer de fausses alertes même en l’absence de signal.
• Les variations de volatilité peuvent amener les tests classiques à détecter des relations qui ne sont pas réelles.
• Les prédicteurs peuvent être persistants et corrélés aux rendements de marché inattendus.

L’ajustement de la volatilité est particulièrement important. Un choc majeur du marché crée des observations plus importantes, ce qui peut pousser une statistique de suivi au‑delà d’un seuil même si la relation prédictive sous‑jacente n’a pas changé. Cela est lié au problème plus large selon lequel les indicateurs familiers ne saisissent qu’une partie de l’environnement de risque, comme le souligne l’examen de Securities.io de pourquoi le VIX ne capture pas pleinement le risque du marché boursier.

Ce que les simulations ont révélé

Les auteurs ont testé leurs méthodes sur des marchés simulés présentant différentes persistance des prédicteurs, trajectoires de volatilité, relations d’endogénéité et dates de début des épisodes prédictifs. Plusieurs procédures CUSUM proposées ont maintenu des taux de faux positifs raisonnablement contrôlés dans de nombreuses de ces conditions.

Les méthodes les plus performantes détectaient généralement la prévisibilité plus tôt que les procédures à fenêtre glissante concurrentes, notamment lorsque le prédicteur était extrêmement persistant. Cela est important car un signal de courte durée perd de sa valeur pratique si un modèle ne le repère qu’à la fin de l’épisode.

Cependant, aucune version n’a dominé dans toutes les conditions. Une procédure a réagi particulièrement rapidement mais a généré un excès de faux positifs après une hausse de la volatilité. Une autre était plus prudente et plus lente. L’approche CUSUM ajustée pour la variance, privilégiée par l’article, offrait un meilleur compromis entre rapidité de détection et contrôle des fausses alertes.

Un modèle qui signale trop facilement encourage un roulement coûteux et une surconfiance. Un modèle prudent peut ne reconnaître un régime qu’après que la majeure partie de l’opportunité se soit écoulée. Les systèmes en temps réel ont donc besoin d’une politique explicite pour choisir entre les signaux manqués et les fausses alertes.

Ce qui s’est passé lorsque le modèle a suivi le S&P 500

Les chercheurs ont mené un exercice pseudo‑temps réel en utilisant des données mensuelles du S&P 500 et des prédicteurs candidats couvrant de janvier 1965 à décembre 2024. Les prédicteurs comprenaient des ratios d’évaluation, des mesures de volatilité, des indicateurs techniques, des rendements obligataires, des variables du marché du crédit, l’inflation et l’activité économique.

Les tests sur l’échantillon complet ont trouvé peu de preuves que la plupart des variables prédisent les rendements de façon constante. Pourtant, les procédures de surveillance ont identifié des fenêtres distinctes. Plusieurs indicateurs obligataires et macroéconomiques sont devenus informatifs autour de la perturbation du marché de 1973‑1975. L’écart de taux a montré un contenu prédictif pendant la période précédant le Black Monday. D’autres signaux sont apparus lors de la crise financière mondiale, en 2018 et en 2022.

Ces résultats soutiennent une interprétation basée sur les régimes. Les rendements du crédit, les écarts de rendement, la liquidité, les valorisations et les déséquilibres économiques peuvent être les plus pertinents lorsque le marché revalorise le risque. Ils n’ont pas besoin de prévoir les rendements en conditions normales pour devenir utiles pendant les périodes de tension.

L’insight majeur est la gestion du cycle de vie du signal

La contribution la plus précieuse de l’étude n’est pas une liste d’indicateurs à trader, mais un cadre de gestion du cycle de vie d’un signal d’investissement.

Un modèle de production doit comporter une règle d’activation, une règle de retrait et une méthode de recalibrage après un épisode détecté. Cela diffère de la construction d’un modèle de prévision unique en supposant que ses coefficients restent valides. Il considère la prévisibilité comme un état du système en évolution.

Cette perspective suggère également que la volatilité joue deux rôles. Elle peut contenir des informations sur les rendements attendus, mais elle peut aussi corrompre le test statistique utilisé pour détecter ces informations. Des recherches couvertes par Securities.io ont de même constaté que les rendements quotidiens peuvent rester utiles pour la prévision de la volatilité même lorsque des ensembles de données à fréquence plus élevée sont disponibles. Plus de données ne résout pas automatiquement l’instabilité du modèle si les relations au sein de ces données continuent de changer.

Pour les équipes d’investissement, l’étape logique suivante serait un système à plusieurs niveaux. Un modèle surveillerait si un prédicteur candidat est entré dans un régime actif. Une couche de prévision distincte estimerait la direction et l’amplitude des rendements attendus. La construction du portefeuille tiendrait alors compte des coûts de transaction, des pertes, de la liquidité et des limites de position.

Cette séparation est essentielle car la prévisibilité statistique n’est pas équivalente à une stratégie rentable. L’article ne calcule pas les rendements du portefeuille, les coûts de mise en œuvre, les impôts ou la performance ajustée au risque. Son exercice historique est pseudo‑temps réel plutôt qu’un déploiement en direct. Affirmer que la méthode peut battre le marché dépasserait les preuves disponibles.

Investir dans la couche d’intelligence financière

L’étude indique une demande croissante pour des données financières plus propres, des analyses adaptatives et des outils capables de reconnaître les changements de régime. Une entreprise positionnée au sein de cette infrastructure est S&P Global (SPGI ) .

S&P Global opère dans les domaines des indices, des notations, de l’intelligence sur les matières premières et des données de marché. Sa division Market Intelligence fournit de nombreux ensembles de données et flux de travail analytiques que les institutions utilisent pour étudier les entreprises, les conditions de crédit et le comportement du marché. L’entreprise a également élargi ses capacités d’IA via Kensho, incluant des outils conçus pour relier des dossiers d’entreprise complexes et rendre les ensembles de données financiers plus faciles à interpréter par les machines. En 2026, S&P Global a décrit une version étendue de Kensho Link avec une couverture d’entités plus large et une reconnaissance améliorée des structures d’entreprise complexes.

Cela ne signifie pas que S&P Global possède ou commercialise la méthode de surveillance décrite dans l’étude. Le lien avec l’investissement est plus large : les modèles financiers adaptatifs dépendent de données abondantes, standardisées et actualisées. À mesure que les systèmes quantitatifs deviennent plus réactifs aux régimes de marché, la qualité et l’intégration des données deviennent un avantage concurrentiel.

Le profil récent de Securities.io de MSCI et l’infrastructure derrière les marchés financiers souligne la même tendance sous-jacente. Les fournisseurs d’indices opèrent de plus en plus comme des sociétés de données et d’analytique plutôt que comme de simples éditeurs de listes de référence.

La prévisibilité du marché est une cible mouvante

Le document ne résout pas le débat sur l’efficience des marchés, mais il propose une façon plus réaliste de le cadrer. Les marchés peuvent être globalement difficiles à prévoir tout en produisant de brèves périodes où les indicateurs économiques et financiers deviennent exceptionnellement informatifs.

Pour les investisseurs, l’implication n’est pas de courir après chaque variable nouvellement significative. Il s’agit de traiter les signaux comme conditionnels, de surveiller leur stabilité, et de reconnaître qu’une relation découverte lors d’une crise peut ne pas survivre à la prochaine expansion. L’avantage durable peut résider moins dans la recherche d’une formule de prévision permanente que dans la détection du moment où les règles du marché ont temporairement changé.

Références :

¹ Demetrescu, M., Schmidt, F., & Taylor, A. M. R. (2026). Surveillance en temps réel de la prévisibilité des rendements boursiers dans des environnements de volatilité non stationnaire. Journal of Econometrics, 258, 106341. https://doi.org/10.1016/j.jeconom.2026.106341