Cette étude analyse l’efficacité des modèles de facteurs globaux ou régionaux dans la prévision des rendements boursiers, en utilisant une approche innovante basée sur l’apprentissage automatique. En s’éloignant des méthodes traditionnelles qui s’appuient fortement sur des données historiques et des modèles linéaires, les chercheurs adoptent une stratégie de prévision ex-ante avec une variété de techniques d’apprentissage automatique, à la fois linéaires et non linéaires. L’analyse, qui utilise des données provenant de 24 marchés développés entre 1990 et 2021, révèle que bien que les modèles régionaux performent légèrement mieux avec des méthodes linéaires simples, ils manquent de signification statistique. En revanche, les algorithmes complexes d’apprentissage automatique entraînés sur des données globales surpassent systématiquement les autres, offrant des avantages économiques et statistiques. Cela remet en question les conclusions précédentes et offre une nouvelle perspective sur l’intégration des marchés financiers et la prévisibilité des rendements boursiers. Les points forts de l’étude incluent une comparaison exhaustive des performances prédictives entre divers modèles et un design empirique robuste. Cependant, des améliorations pourraient être apportées en ce qui concerne la sélection des modèles, la pertinence économique, l’analyse des marchés émergents, l’interprétabilité et la performance à travers différents régimes de marché. Dans l’ensemble, la recherche fait progresser le domaine en mettant en avant les avantages des modèles globaux utilisant des algorithmes avancés, et suggère des pistes pour de futures explorations visant à améliorer les prévisions financières.
Les modèles globaux ou régionaux sont-ils meilleurs pour prédire les rendements boursiers ?
