Ce article analyse l’influence de la persistance des séries temporelles sur la performance prédictive des algorithmes de Machine Learning. À travers des simulations de Monte Carlo, nous étudions l’impact de différents niveaux de persistance, en variant la dimension de l’ensemble des prédicteurs, le nombre de variables cointégrées et la taille de l’échantillon. Nos résultats démontrent une dégradation générale des performances (R² ↓, MSE ↑) avec l’augmentation de la persistance. Les modèles de régularisation linéaire se révèlent performants pour les processus stationnaires à mémoire longue, mais leur efficacité diminue en présence de non-stationnarité. Les modèles non linéaires (Random Forests, Gradient Boosting) affichent des performances prédictives globalement médiocres, qui se détériorent davantage avec la persistance. L’analyse de la sélection de variables révèle que les modèles linéaires identifient correctement les variables cointégrées. Cependant, la probabilité de sélection de variables fallacieuses augmente avec la persistance, notamment pour Lasso et Elastic Net en présence de non-stationnarité. Nos résultats montrent que la contribution des variables fallacieuses aux prédictions est accentuée par la persistance, mais atténuée par l’augmentation du nombre de variables cointégrées, de la taille de l’échantillon et du nombre de prédicteurs potentiels. Enfin, l’analyse SHAP indique une contribution quasi uniforme des variables non cointégrées aux prédictions. Cette étude souligne l’importance de considérer la persistance des séries temporelles lors du choix et de l’évaluation des modèles prédictifs.