Prévision en temps réel du PIB par apprentissage automatique — le test comparatif de la Banque nationale suisse face à plus de 1 100 indicateurs

La Banque nationale suisse (BNS) publie des prévisions du PIB en temps réel (« nowcasts ») pour éclairer ses décisions trimestrielles de politique monétaire, en s'appuyant traditionnellement sur des modèles de séries temporelles tels que les modèles autorégressifs et factoriels.

Dans le document de travail 2024-06, « Nowcasting GDP: What Are the Gains From Machine Learning Algorithms? », les économistes de la BNS Milen Arro-Cannarsa et Rolf Scheufele ont testé systématiquement si les nouvelles méthodes d'apprentissage automatique donnent de meilleurs résultats que les modèles de référence traditionnels.

L'étude a constitué un vaste ensemble de données à fréquence mixte comptant plus de 1 100 séries temporelles, en appliquant des ajustements de décalage de publication et un regroupement (« blocking ») pour aligner les indicateurs mensuels sur le PIB trimestriel. Elle a comparé huit approches d'apprentissage automatique — LASSO, régression ridge et elastic-net, bagging, forêts aléatoires, gradient boosting et régression à vecteurs de support (SVR) — à trois modèles de référence standard : un modèle univarié, un algorithme de sélection progressive et une régression sur composantes principales (PCR).

Pour l'échantillon exigeant de l'après-Grande Récession, chaque technique d'apprentissage automatique testée a surpassé le modèle de référence univarié, avec des gains allant jusqu'à 28 % sur l'erreur quadratique moyenne (RMSE) hors échantillon. La régression ridge, l'elastic net et la SVR ont été les méthodes les plus performantes, surpassant nettement la PCR, le modèle de référence le plus couramment utilisé dans le « nowcasting » des banques centrales.

Le document constitue un backtest rigoureux et publié, et non un déploiement opérationnel en conditions réelles : la BNS n'a pas déclaré que ces modèles spécifiques pilotent désormais ses prévisions officielles, et les auteurs présentent les résultats comme des éléments en faveur d'une adoption méthodologique future plutôt que comme un système de production achevé.