A mixed-frequency approach for exchange rates predictions

Cet article propose une approche basée sur des modèles à fréquences mixtes pour prédire le taux de change CAD/USD, démontrant ainsi son efficacité pour surmonter les limites de l'agrégation temporelle et résoudre le problème de l'imprévisibilité des taux de change.

L'essentiel

🌊 Le mystère de la prévision des changes : Pourquoi les experts se trompent-ils ?

Imaginez que vous essayez de prédire la météo de demain. Vous avez deux options :

1. L'approche classique : Regarder la température moyenne de la semaine dernière et dire : « Demain, il fera probablement la même chose ». C'est simple, mais souvent imprécis.
2. L'approche détaillée : Analyser chaque goutte de pluie, chaque rafale de vent et chaque nuage qui passe maintenant pour comprendre comment ils vont influencer la météo de demain.

C'est exactement le dilemme que rencontrent les économistes lorsqu'ils essaient de prédire le taux de change entre deux monnaies (par exemple, le Dollar Canadien vs le Dollar Américain).

1. Le « Puzzle » de Meese et Rogoff : La grande énigme

Depuis les années 80, les économistes sont face à un casse-tête célèbre appelé le « Puzzle de Meese et Rogoff ».

• La théorie dit : Les taux d'intérêt, l'inflation et la croissance économique devraient expliquer parfaitement pourquoi une monnaie monte ou descend.
• La réalité dit : Non. En pratique, les modèles complexes échouent souvent. Le moyen le plus fiable pour prédire le taux de change reste de dire : « Demain, ça sera probablement la même chose qu'aujourd'hui » (c'est ce qu'on appelle la marche aléatoire).

C'est comme si, pour prédire la météo, les scientifiques disaient : « Regarder les nuages est inutile, il vaut mieux juste supposer qu'il fera le même temps que ce matin ».

2. Le problème : On regarde le film au ralenti (ou en accéléré)

Pourquoi les modèles échouent-ils ? Les auteurs de cet article (Mattera, Misuraca, et al.) ont une hypothèse brillante : c'est une question de fréquence.

Imaginez que vous essayez de comprendre une conversation rapide en regardant un film projeté très lentement, image par image. Vous allez rater les nuances, les intonations et le sens des phrases.

• Les données économiques (comme les taux d'intérêt ou l'inflation) sont disponibles chaque mois (c'est du "HD", haute définition).
• Les taux de change sont souvent étudiés tous les trimestres (3 mois) dans les études classiques.

En passant de données mensuelles à trimestrielles, les chercheurs font une opération appelée agrégation temporelle. C'est comme si on prenait 3 photos d'une course de chevaux et qu'on ne gardait que la photo finale pour deviner qui a gagné. On perd énormément d'informations cruciales sur le déroulement de la course. C'est ce qu'on appelle le biais d'agrégation.

3. La solution : La recette "MIDAS" (Le mélange parfait)

Pour résoudre ce problème, les auteurs proposent d'utiliser une technique appelée MIDAS (Mixed Data Sampling).

Imaginez que vous êtes un chef cuisinier.

• L'ancienne méthode : Vous prenez des ingrédients (les données économiques) qui sont frais chaque semaine, mais vous ne les cuisinez que tous les 3 mois. Le résultat est fade et imprécis.
• La méthode MIDAS : Vous gardez tous les ingrédients frais chaque semaine, vous les mélangez intelligemment, et vous les utilisez pour préparer votre plat trimestriel. Vous ne jetez aucune information !

En termes simples, le modèle MIDAS permet de prendre les données mensuelles (haute fréquence) et de les utiliser directement pour prédire les résultats trimestriels (basse fréquence) sans perdre la moindre goutte d'information. C'est comme utiliser un microscope pour voir les détails que l'œil nu (la méthode classique) ne voit pas.

4. L'expérience : Le duel CAD/USD

Les auteurs ont testé cette idée sur le taux de change entre le Dollar Canadien (CAD) et le Dollar Américain (USD).

• Ils ont pris les modèles classiques (qui regardent les données trimestrielles).
• Ils ont pris leurs nouveaux modèles "MIDAS" (qui utilisent toutes les données mensuelles).

Le résultat ?
Les nouveaux modèles ont gagné haut la main !

• Là où les anciens modèles disaient « On ne peut pas prédire », les nouveaux modèles ont trouvé des motifs cachés.
• En particulier, pour les modèles basés sur les règles de la banque centrale (les taux d'intérêt), l'amélioration a été spectaculaire. Le modèle MIDAS a été jusqu'à 53% plus précis que l'ancien modèle pour certaines prévisions.

5. La conclusion : Ce n'est pas la faute de la théorie, c'est la faute de la méthode

L'article conclut que ce n'est pas que les théories économiques sont fausses. C'est simplement que les économistes utilisaient une "loupe" trop grossière pour les observer.

En utilisant la bonne loupe (la méthode MIDAS), on découvre que les données mensuelles contiennent en réalité beaucoup d'informations utiles pour prédire l'avenir, même sur le long terme.

En résumé :
Si vous voulez prédire le futur d'une monnaie, ne vous contentez pas de regarder le résumé trimestriel. Regardez chaque épisode mensuel. C'est dans les détails que se cache la vérité, et c'est ce que cette nouvelle méthode permet enfin de faire.

Résumé technique

Voici un résumé technique détaillé de l'article « A mixed-frequency approach for exchange rates predictions » de Mattera et al. (2021), structuré selon les points demandés.

1. Problématique : Le « Puzzle » de Meese et Rogoff et le Biais d'Agrégation Temporelle

L'article aborde un problème central en économétrie financière : la difficulté de prévoir les taux de change. Selon le célèbre « puzzle » de Meese et Rogoff (1983, 1988), les modèles économiques fondamentaux (basés sur les taux d'intérêt, les prix, la masse monétaire, etc.) ne parviennent pas à surpasser un simple modèle de marche aléatoire (Random Walk) pour prédire les fluctuations des taux de change, contrairement à ce que prédit la théorie économique.

Les auteurs identifient une cause potentielle de cet échec : le biais d'agrégation temporelle.

• Le constat : Les données de taux de change sont disponibles quotidiennement, tandis que les variables macroéconomiques fondamentales (taux d'intérêt, PIB, inflation) sont souvent disponibles mensuellement.
• Le problème méthodologique : La littérature traditionnelle agrège souvent les données de taux de change (quotidiennes/hebdomadaires) en données mensuelles ou trimestrielles pour les aligner avec les prédicteurs. Cette opération entraîne une perte d'information significative.
• L'hypothèse : Les auteurs suggèrent que le puzzle de Meese et Rogoff pourrait être partiellement résolu en évitant cette perte d'information grâce à l'utilisation de modèles exploitant directement la fréquence mixte des données, plutôt que de les forcer à une fréquence unique (trimestrielle).

2. Méthodologie : Régression MIDAS et Alignement Temporel

Pour surmonter les limitations des modèles à équation unique classiques (OLS) qui imposent une fréquence uniforme, les auteurs proposent une approche basée sur la régression MIDAS (Mixed Data Sampling).

• Approche MIDAS (Foroni et al., 2015) : Cette technique permet d'estimer des relations entre une variable dépendante de basse fréquence (ex: taux de change trimestriel) et des variables explicatives de haute fréquence (ex: taux d'intérêt mensuels).
• Alignement Temporel (Frequency Alignment) : Au lieu d'agréger les données mensuelles en moyennes trimestrielles (ce qui perd l'information intra-trimestrielle), la méthode MIDAS transforme le vecteur de haute fréquence en une matrice de variables « empilées » (stacked vectors).
  • Exemple : Pour un trimestre $t$, le modèle utilise non seulement la valeur du mois $t$, mais aussi les mois $t-1$ et $t-2$ de la même période trimestrielle comme prédicteurs distincts.
• Extension des Modèles Classiques : Les auteurs réestiment les modèles théoriques standards (Parité des Taux d'Intérêt Non Couverts - UIRP, Parité de Pouvoir d'Achat - PPP, Modèles Monétaires, Règles de Taylor) en version « fréquence mixte ».
  • Par exemple, le modèle UIRP classique utilise la différence de taux d'intérêt trimestrielle. La version MIDAS utilise les différences de taux d'intérêt des trois mois constituant le trimestre.
• Données et Évaluation :
  • Étude de cas : Taux de change CAD/USD (Dollar Canadien / Dollar Américain) de 1985 à 2019.
  • Variables : Taux d'intérêt, CPI (inflation), M3 (masse monétaire), PIB, Output Gap.
  • Protocole : Analyse hors échantillon (out-of-sample) avec deux schémas : approche récursive (taille croissante) et fenêtre roulante (taille fixe).
  • Métriques : Erreur Quadratique Moyenne de Prévision (MSFE) et tests de précision prédictive de Diebold-Mariano (DM) et Clark-West (CW).

3. Contributions Clés

1. Innovation Méthodologique : Application inédite (selon les auteurs) de la régression MIDAS pour prévoir des taux de change trimestriels en utilisant des prédicteurs mensuels, sans passer par une étape d'agrégation préjudiciable.
2. Explication du Puzzle : Fournir une explication technique au puzzle de Meese et Rogoff, suggérant que l'échec des modèles fondamentaux provient souvent d'une spécification erronée due à l'agrégation temporelle, et non d'une absence de relation fondamentale.
3. Comparaison Systématique : Évaluation comparative rigoureuse entre les versions classiques (agrégées) et les versions fréquence mixte de plusieurs modèles théoriques (UIRP, PPP, Monétaires, Taylor).

4. Résultats Empiriques

Les résultats montrent une amélioration significative de la précision prédictive avec l'approche MIDAS, bien que les performances varient selon le schéma d'échantillonnage :

• Approche Récursive :

  • Les modèles à fréquence mixte surpassent systématiquement leurs homologues classiques.
  • Le modèle MF-TYLR2 (Règle de Taylor avec lissage en fréquence mixte) offre les prévisions les plus précises parmi les modèles mixtes.
  • Gain de précision notable : Le modèle monétaire à prix collants en fréquence mixte (MF-MM2) est 53,6 % plus précis que le modèle classique MM2. Le MF-UIRP est 2,3 % plus précis que l'UIRP classique.
  • Les modèles basés sur la Règle de Taylor (TYLR1 et TYLR2) surperforment généralement les autres modèles fondamentaux.

• Approche Fenêtre Roulante :

  • Le puzzle de Meese et Rogoff réapparaît plus fortement : les modèles classiques (UIRP, Monétaires) échouent à battre la marche aléatoire.
  • Cependant, les versions fréquence mixte (MIDAS) continuent de surperformer les modèles classiques.
  • MF-UIRP : Surpasse la marche aléatoire avec un gain de précision de 10 % par rapport au UIRP classique (qui échoue ici).
  • MF-PPP : Gain de précision de 7,2 % par rapport au PPP classique.
  • Cela démontre que l'incapacité du modèle UIRP classique à prévoir est due à l'agrégation temporelle, et que l'approche MIDAS restaure la capacité prédictive.

5. Signification et Conclusion

L'article conclut que l'agrégation temporelle est une source majeure de mauvaise spécification dans la prévision des taux de change. En préservant l'information de haute fréquence via la régression MIDAS, il est possible de :

1. Améliorer la précision des prévisions par rapport aux modèles standards.
2. Réconcilier la théorie économique (qui postule une prévisibilité basée sur les fondamentaux) avec la réalité empirique (le puzzle de Meese et Rogoff), en montrant que le puzzle est en partie un artefact statistique dû à la perte d'information.

Cette approche offre une nouvelle voie pour les banquiers centraux et les décideurs politiques, suggérant que l'utilisation de données à haute fréquence dans les modèles de prévision peut révéler des signaux prédictifs qui restent invisibles dans les données agrégées trimestrielles ou mensuelles.