Estimation du commerce mondial en temps réel grâce à l’apprentissage automatique
Bulletin n°248, article 5. Un écueil majeur en économie réside dans les longs délais de publication de nombreux indicateurs, ce qui complique l’appréciation du cycle économique en temps réel. Pour y remédier, nous avons construit un « nowcast » (une estimation en temps réel) du commerce international. À partir d’une base de données de 600 variables, nous utilisons un nouvel algorithme d’apprentissage automatique, appelé « forêt aléatoire macroéconomique » (macroeconomic random forest), qui s’est avéré plus performant que d’autres techniques linéaires et non linéaires. Notre approche comporte trois étapes i) présélection des variables,
ii) extraction des facteurs et iii) régression d’apprentissage automatique. Cette approche améliore la précision des prédictions (gain de 15 à 30 % par rapport à la méthode en deux étapes de Stock et Watson (2002), et de 30 à 40 % par rapport à un modèle autorégressif). Nous donnons des exemples de la performance du modèle pendant la pandémie de Covid-19.