Nous considérons la détermination de l'horizon après lequel les prévisions provenant des modèles des series chronologiques stationnares n'ajoutent rien à la valeur de la prévision implicite dans la moyenne. Nous appellons cette quantité le content horizon pour prévisions, et nous définissons la fonction de valeur ajoutée aux horizons s = 1, ... S par la réduction proportionnelle dans la moyenne des erreurs de prévisions carrées disponible en utilisant une prévision provenant d'un modèle formel relatif à la moyenne non-conditionelle. Cette quantité dépend de l'incertitude dans les estimés des paramètres du modèle, ainsi que des autocorrélations du processus considéré. Nous donnons une expression approximative - jusqu'à o(T-1) - pour la fonction de valeur ajoutée à s pour les processus autorégressifs généraux, et nous démontrons par simulation que l'expression est bonne même dans les petits échantillons. Enfin nous considérons les estimés paramétriques et non-paramétriques (kernel) pour la fonction de valeur ajoutée empirique, en appliquant les résultats aux horizons de prévision pour le taux de croissance du PNB et le taux d'inflation, au Canada et aux États-Unis.