Apprentissage automatique et big data pour la prévision de l'inflation — l'évaluation rigoureuse aux résultats mitigés de la Banque de réserve sud-africaine

La Banque de réserve d'Afrique du Sud (SARB) est la banque centrale nationale chargée de la politique monétaire et des prévisions officielles d'inflation du pays. En 2022, cinq économistes de la SARB (Byron Botha, Rulof Burger, Kevin Kotzé, Neil Rankin et Daan Steenkamp) ont testé une série de modèles d'apprentissage automatique face aux prévisions d'inflation publiées par la banque elle-même, en utilisant de vastes ensembles de données désagrégées sur les prix à la consommation. L'étude a été publiée sous la référence SARB Working Paper WP/22/01, puis évaluée par des pairs dans la revue Empirical Economics.

L'étude visait à déterminer si des modèles d'apprentissage automatique linéaires (LASSO, Ridge) et non linéaires (XGBoost, réseau de neurones), entraînés sur des données désagrégées de prix à la consommation, pouvaient produire des prévisions d'inflation globale et sous-jacente sud-africaine plus précises que les propres prévisions officielles publiées par la SARB et qu'un simple modèle de marche aléatoire, sur des horizons de 1 à 24 mois.

Les chercheurs ont construit et entraîné plusieurs familles de modèles d'apprentissage automatique sur des données d'IPC désagrégées et ont généré des prévisions d'inflation globale et sous-jacente sur des horizons de 1 à 24 mois. La précision des prévisions (RMSE) de chaque modèle d'apprentissage automatique a ensuite été comparée directement aux prévisions publiées par la SARB et à un modèle naïf de marche aléatoire, et les écarts ont été testés pour leur significativité statistique à l'aide de tests de Diebold-Mariano.

À court horizon, la prévision officielle de la SARB — qui bénéficie du jugement d'experts hors modèle et de mises à jour de données en cours de mois — s'est révélée nettement plus précise : pour l'inflation sous-jacente à 1 mois, le RMSE de la SARB était de 0,13 contre 0,25–0,27 pour les meilleurs modèles d'apprentissage automatique. Le classement s'est inversé sur des horizons plus longs — à 12 mois, le RMSE de l'inflation sous-jacente d'un modèle random forest (0,71) et d'un réseau de neurones (0,86) étaient tous deux nettement inférieurs à la propre prévision de la SARB (1,19), et à 24 mois un réseau de neurones (1,09) a de nouveau surpassé la prévision de la SARB (1,32). Pour l'inflation globale, XGBoost a dépassé la propre prévision de la SARB à partir de l'horizon de 12 mois (1,28 contre 1,42, et 1,48 contre 1,63 à 24 mois).

Malgré ces gains aux horizons plus longs, la conclusion principale des auteurs eux-mêmes est restée mesurée : les tests de Diebold-Mariano ont montré que les modèles d'apprentissage automatique étaient 'certainement compétitifs', mais pas systématiquement supérieurs à un simple modèle de marche aléatoire, et les repères traditionnels ont souvent surpassé les modèles d'apprentissage statistique. Aucune preuve n'a été trouvée que la SARB ait adopté l'un de ces modèles dans sa prévision d'inflation de production réelle ; l'article reste une évaluation de recherche sur les limites actuelles de l'apprentissage automatique face aux prévisions des banques centrales assistées par des experts.