Prévision immédiate à partir des données de paiement — le système d'apprentissage automatique de la Banque du Canada pour l'analyse macroéconomique des politiques en temps réel

Les données officielles du PIB canadien accusent un décalage d'environ huit semaines et celles de l'IPC d'environ deux semaines — une contrainte sérieuse lorsque la COVID-19 a frappé et que les décideurs politiques avaient besoin d'une lecture quasi en temps réel de l'économie.

Les chercheurs de la Banque du Canada James Chapman et Ajit Desai visaient à établir des prévisions immédiates (nowcasting) du PIB, du commerce de détail et du commerce de gros à l'aide de données de paiement et d'apprentissage automatique, afin de combler ce décalage dans les données.

Ils ont combiné 18 séries de valeurs et de volumes issues des systèmes de règlement des paiements de grande valeur (Lynx) et de détail (ACSS) du Canada, couvrant la période de mars 2004 à décembre 2020, avec cinq méthodes d'apprentissage automatique (elastic net, machines à vecteurs de support, forêt aléatoire, régression par gradient boosting et réseaux de neurones), en entraînant les modèles sur des données de mars 2005 à décembre 2018 et en les testant sur la période de janvier 2019 à décembre 2020, une fenêtre couvrant le début de la pandémie.

Un modèle factoriel utilisant des données de paiement a réduit l'erreur quadratique moyenne (RMSE) de prévision immédiate de 20 à 25 % par rapport à un modèle de référence basé sur des indicateurs traditionnels, à un horizon d'une période ; l'ajout d'une régression par gradient boosting a porté cette réduction à 35-40 %. Les gains ont été plus importants pendant la période de crise de la COVID-19 (jusqu'à 35 %) qu'en période normale (15-25 %). Le document de travail original du personnel de 2021 résumait la conclusion principale comme une réduction de 15 à 45 % de l'erreur de prévision par rapport à un modèle linéaire de référence.

Un document d'analyse du personnel de la Banque du Canada de mai 2026 décrit cette ligne de travail comme évoluant vers une pratique institutionnelle continue utilisant l'apprentissage automatique, le TAL (traitement automatique du langage naturel) et l'IA générative sur des données non traditionnelles pour l'analyse des politiques, accompagnée d'un cadre de gouvernance portant sur la confiance, la transparence, la reproductibilité et le risque de modèle. Aucune source ne confirme que ces prévisions immédiates ont directement modifié une décision précise en matière de taux d'intérêt ou de programme, plutôt que de constituer un indicateur de suivi parmi d'autres.