Le physicien danois Neils Bohr a dit un jour en plaisantant que la prédiction est difficile, surtout quand il s'agit de l'avenir. Mais c'est précisément ce que les régulateurs financiers doivent faire :prévoir l'état probable de l'économie à l'avenir est crucial lorsqu'ils décident des leviers politiques tels que la réduction ou la hausse des taux d'intérêt.

Cependant, alors que le monde continue de devenir de plus en plus imprévisible, la prévision est devenue de plus en plus difficile. Ce défi a été illustré de façon poignante après le début de la crise financière de 2008, lorsque la reine Elizabeth a posé une question apparemment simple mais pointue à une salle de chercheurs et d'économistes de la London School of Economics :pourquoi personne ne l'a vu venir ?

Face à une grande complexité, peut-être que l'économétrie pourrait faire avec plus d'aide. Prenez l'apprentissage automatique par exemple. Grâce à sa capacité à analyser le Big Data, elle pourrait améliorer les méthodes économétriques existantes et conduire à de meilleures prévisions. C'est la recherche que le professeur Yu Jun de la Singapore Management University (SMU) a présentée avec le professeur agrégé Xie Tian de la Shanghai University of Finance and Economics, lors d'un webinaire organisé par SMU et l'Autorité monétaire de Singapour (MAS) le 26 juin 2020.

Dans leur conférence intitulée "Méthodes économétriques et techniques de science des données, " Les professeurs Yu et Xie ont passé en revue les méthodes économétriques et les techniques d'apprentissage automatique existantes avant de discuter d'un hybride des deux méthodes. À l'aide de données réelles et d'exemples, ils ont montré que la méthode hybride peut annoncer une meilleure prévision des variables économiques et financières.

"Nous savons tous que nous sommes à l'ère du big data et des techniques de science des données d'apprentissage automatique, " a déclaré le professeur Yu. " Certaines personnes peuvent penser que l'apprentissage automatique constitue une menace pour les méthodes économétriques conventionnelles. Est-ce vraiment le cas?"

Un mélange de tradition et de changement

Parlant d'abord, Le professeur Yu a présenté une sélection de méthodes économétriques traditionnelles. Mêler économie et statistiques, l'économétrie adopte une approche statistique quantitative structurée des analyses économiques. Avec l'économétrie, Le professeur Yu a expliqué, la méthode consiste à utiliser des données passées pour établir des relations statistiques qui à leur tour peuvent être utilisées pour prévoir des futurs possibles.

"La plupart des méthodes économétriques espèrent faciliter l'interprétation et l'inférence statistique, " il a dit, expliquant que les méthodes économétriques conventionnelles reposent sur des hypothèses et des relations linéaires, comme la fameuse hypothèse de linéarité. "Vous voulez tracer du passé vers l'avenir."

Cette approche fonctionne bien dans certains cas, Le professeur Yu a dit, mais s'avère également être une limitation :la plupart des modèles économétriques conventionnels ne peuvent pas gérer les mégadonnées ou les relations compliquées. « Si vous avez de nombreux prédicteurs ou une relation compliquée, les méthodes économétriques échoueront. Et c'est une limitation sérieuse à l'ère du big data et dans de nombreux cas importants, " il a dit.

D'autre part, Professeur Xie, qui est également professeur adjoint à SMU, a expliqué que les algorithmes d'apprentissage automatique sont axés sur les données. "Au lieu de se fier à des hypothèses, de nombreux algorithmes d'apprentissage automatique laissent les données parler :ils n'imposent pas d'hypothèses ou de restrictions très fortes sur le processus de génération de données, " il a dit.

C'est ce qui rend les techniques d'apprentissage automatique si flexibles, fit remarquer le professeur Xie. Cependant, il a également ajouté que de nombreuses méthodes d'apprentissage automatique ne sont pas vraiment adaptées aux données économiques et financières en premier lieu.

Alors quand il s'agit d'essayer de prédire l'avenir, une approche est-elle meilleure qu'une autre ? Comme beaucoup de choses dans ce monde, ce n'est pas si simple.

Peser ses forces et ses faiblesses

Les professeurs Yu et Xie ont utilisé deux exemples concrets pour illustrer comment les deux approches différentes peuvent se surpasser en précision en fonction des données et du cas en question.

Dans la prévision de l'indice de volatilité, ou VIX, un indice de volatilité des marchés financiers créé par le Chicago Board Options Exchange, ils ont montré qu'une modélisation économétrique linéaire plus traditionnelle produisait une prévision plus précise que des méthodes d'apprentissage automatique plus complexes.

Cependant, dans le second cas de prévision de l'inflation des prix à la consommation de la zone euro, les méthodes d'apprentissage automatique ont surpassé les méthodes économétriques traditionnelles.

"Les méthodes d'apprentissage automatique sont très populaires, mais elles ne surpassent pas toujours les méthodes économétriques conventionnelles. La question est, pouvons-nous modifier les algorithmes d'apprentissage automatique pour adopter des techniques économétriques avancées et mieux utiliser les données économiques ?"

Dans cette veine, Les professeurs Yu et Xie discutent de l'idée que l'application de méthodes d'apprentissage automatique aux approches économétriques existantes, au lieu d'utiliser l'une ou l'autre approche séparément, pourrait améliorer la modélisation économétrique. Ils proposent un algorithme hybride, un arbre de régression de moyenne de modèle (MART), qui a été proposé pour la première fois par le professeur Xie et le professeur Steven F. Lehrer de l'Université Queen's dans un document de travail du NBER de 2018.

Mettre MART à l'épreuve

Pour tester l'efficacité de cette méthode hybride, ils l'ont utilisé pour prévoir des variables économiques et financières réelles en l'appliquant aux mêmes exemples de taux d'inflation VIX et de la zone euro évoqués plus haut.

Les modèles économétriques avaient toujours la meilleure précision de prévision dans la prévision du VIX, performantes que leur approche hybride MART. Les professeurs Yu et Xie suggèrent que cela est dû au fait que les données VIX présentent une très forte linéarité et sont donc mieux adaptées à une approche économétrique.

Mais lorsqu'il s'agissait de prévoir les taux d'inflation de la zone euro, les résultats ont montré que l'approche hybride du duo était la plus performante, générer une précision de prévision supérieure par rapport à l'économétrie ou aux méthodes d'apprentissage automatique seules.

Ainsi, même si un modèle hybride n'est pas toujours le meilleur dans tous les cas, les éléments de l'apprentissage automatique peuvent encore améliorer les prévisions en reprenant les tendances que les modèles économétriques traditionnels pourraient manquer. En ce qui concerne maintenant, ils disent que la clé est de comprendre les principes fondamentaux de chaque méthode et de les appliquer dans les circonstances les plus appropriées.

"La stratégie hybride combine des mesures économétriques avec des stratégies d'apprentissage automatique pour conduire à des gains significatifs dans la précision des prévisions, " dit le professeur Xie. " Bien sûr, ce n'est qu'une idée. Des travaux futurs sont certainement nécessaires pour comprendre les propriétés de cette stratégie hybride proposée afin d'aider à guider les praticiens. »