Une Approche d'Apprentissage Automatique pour l'Anticipation du PIB — Le Modèle Hybride ML et Séries Temporelles de la Reserve Bank of India

Les estimations trimestrielles du PIB indien sont publiées avec un retard important, ce qui explique pourquoi le Département de recherche économique et politique (DEPR) de la Reserve Bank of India (RBI) a investi dans l'anticipation (« nowcasting ») : un modèle à facteurs dynamiques antérieur, construit à partir de 6, 9 et 12 indicateurs à haute fréquence (document de travail RBI WPS(DEPR) 03/2020), visait déjà à donner une lecture précoce et en temps réel de la croissance du trimestre en cours.

Sur cette base, les économistes de la RBI Saurabh Ghosh et Abhishek Ranjan ont testé une approche hybride ajoutant des méthodes d'apprentissage automatique, des données de marchés financiers et un indice d'incertitude économique à l'anticipation conventionnelle par séries temporelles (document de travail SSRN, décembre 2021 ; évalué par des pairs dans le Bulletin of Monetary Economics and Banking, 2023).

L'approche combinée apprentissage automatique plus séries temporelles a rapporté une performance d'anticipation améliorée par rapport à la référence en séries temporelles pure, à court horizon, la précision diminuant, comme prévu, à mesure que l'horizon de prévision s'allonge.

Les documents publiés décrivent cette amélioration de manière qualitative plutôt que par un chiffre unique de réduction d'erreur audité de façon indépendante ; les preuves ici doivent donc être lues comme une recherche interne et évaluée par des pairs prometteuse, plutôt que comme un système de production pleinement validé de l'extérieur.