🤖 machine learning

Machine Learning and the Random Walk Puzzle: Forecasting the CAD/USD Exchange Rate with Expanding Window Evaluation and SHAP Interpretability

Cette étude évalue cinq modèles d'apprentissage automatique par rapport à une référence de marche aléatoire naïve pour la prévision du taux de change mensuel USD/CAD de 2017 à 2026, concluant que si la régression linéaire surpasse statistiquement la marche aléatoire, la plupart des modèles d'apprentissage automatique n'offrent que des améliorations marginales et reposent fortement sur les retards récents, confirmant la difficulté inhérente à la prédiction des taux de change.

Auteurs originaux : Louis Agyekum, Edmund Fosu Agyemang, Obu-Amoah Ampomah, Kofi Acheampong, Emmanuel Boadi, Priscilla Yaa Amakye, Fafa Shalom Tchorly, Enock Adu Bonsu, Eric Nyarko

Publié 2026-06-16

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Louis Agyekum, Edmund Fosu Agyemang, Obu-Amoah Ampomah, Kofi Acheampong, Emmanuel Boadi, Priscilla Yaa Amakye, Fafa Shalom Tchorly, Enock Adu Bonsu, Eric Nyarko

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de deviner le prix d'une tasse de café demain. Vous pourriez étudier des schémas météorologiques complexes, les chaînes d'approvisionnement mondiales des grains de café ou l'humeur des baristas du monde entier. Ou alors, vous pourriez simplement supposer que le prix de demain sera exactement le même que celui d'aujourd'hui.

Ce document est essentiellement une compétition à enjeux élevés entre ces deux approches, mais au lieu du café, le « prix » est le taux de change entre le dollar canadien (CAD) et le dollar américain (USD). Les chercheurs ont posé une question simple : les programmes informatiques modernes et sophistiqués (Apprentissage Automatique / Machine Learning) peuvent-ils prédire les prix des devises mieux que l'hypothèse simple selon laquelle « demain ressemblera à aujourd'hui » ?

Voici la décomposition de leurs conclusions en utilisant des analogies de la vie quotidienne :

1. Les Contendants : Le « Intelligent » contre le « Simple »

Les chercheurs ont organisé une course avec deux équipes :

L'Équipe « Intelligente » (Machine Learning) : Ce sont des modèles informatiques complexes comme Random Forest, XGBoost et AdaBoost. Voyez-les comme une équipe de détectives super-intelligents capables de repérer de minuscules indices cachés dans une pile massive de preuves. Ils sont conçnés pour trouver des relations non linéaires et compliquées que les humains pourraient manquer.
L'Équipe « Simple » (Les Références) :
- La Marche Aléatoire (Random Walk) : C'est le pari « Naïf ». Il suppose que la meilleure prédiction pour demain est simplement la valeur d'aujourd'hui. C'est comme deviner que la météo de demain sera exactement la même qu'aujourd'hui.
- Le Statisticien Traditionnel (ETS) : Un modèle mathématique classique et traditionnel qui tente de trouver des schémas saisonniers (comme « il fait toujours plus chaud en juillet »).

2. Les Règles du Jeu

Pour s'assurer que l'équipe « Intelligente » ne trichait pas en jetant un coup d'œil au futur, les chercheurs ont utilisé une règle stricète de « Fenêtre Glissante Étendue » (Expanding Window).

L'Analogie : Imaginez passer un examen où vous n'avez le droit d'étudier que les livres d'histoire jusqu'à hier. Vous faites une supposition pour aujourd'hui, puis vous avez le droit de lire le journal d'aujourd'hui, et ensuite vous faites une supposition pour demain. Vous ne pouvez jamais regarder le journal de la semaine prochaine pour vous aider à deviner aujourd'hui. Cela garantit que les modèles sont testés sur la façon dont ils fonctionneraient dans le monde réel, et non sur une simple simulation informatique.

3. Les Résultats : L'Équipe « Simple » Gagne (La plupart du temps)

Après avoir lancé la course sur 18 mois de données, voici ce qui s'est passé :

Le Pari « Simple » (Marche Aléatoire) est un Monstre : Le résultat le plus surprenant est que le pari simple (« demain ressemble à aujourd'hui ») était incroyablement difficile à battre. Il a été le prédicteur le plus précis la majeure partie du temps. Cela confirme un mystère économique célèbre appelé le Puzzle de Meese-Rogoff, qui suggère que les marchés des devises sont si efficaces que les schémas complexes sont difficiles à trouver.
L'Équipe « Intelligente » Trébuche : Les modèles sophistiqués de Machine Learning (les super-détectives) n'ont pas battu le pari simple. En fait, ils étaient légèrement moins performants que le pari simple, bien que de peu. Ils se sont tellement égarés dans la recherche de schémas complexes qu'ils ont commencé à « trop réfléchir » aux données.
L'Exception Unique : Il y a un modèle qui a battu le pari simple : la Régression Linéaire. Voyez cela comme un modèle « Simple-Intelligent ». Ce n'est pas un détective complexe ; c'est juste une ligne droite reliant les points. Il a gagné car, dans ce cas précis, la meilleure façon de prédire le futur est réellement de regarder le passé très récent. Les modèles complexes étaient trop compliqués pour un travail qui exigeait de la simplicité.
Le Modèle de la Vieille École a Perdu : Le modèle statistique traditionnel (ETS) a été le moins performant de tous, échouant même à battre le pari simple.

4. Pourquoi l'Équipe « Intelligente » a-t-elle Échoué ? (Explication de la « Boîte Noire »)

Les chercheurs ont utilisé un outil appelé SHAP pour ouvrir la « boîte noire » du meilleur modèle de Machine Learning (Random Forest) et voir ce qu'il avait réellement en tête.

L'Analogie : Imaginez demander à un super-ordinateur : « Pourquoi as-tu deviné que le prix serait de 1,36 $ ? »
La Réponse : L'ordinateur a répondu : « Eh bien, hier c'était 1,36 $, et avant-hier c'était aussi 1,36 $. »
La Conclusion : Les modèles « Intelligents » ont réalisé que l'indice le plus important était simplement le prix le plus récent. Ils ont ignoré les schémas complexes et à long terme qu'ils étaient censés trouver parce que les données n'en contenaient pas. La devise se comportait comme une « Marche Aléatoire » — elle dérivait simplement de manière aléatoire, et la seule chose qui importait était le dernier pas effectué.

5. Les Ruptures Structurelles (Les « Coups de Théâtre »)

Les chercheurs ont également examiné la chronologie et ont trouvé quatre « coups de théâtre » majeurs où les règles du jeu ont changé :

2018 : Début de la guerre commerciale États-Unis-Chine.
2020 : La pandémie frappe et le monde panique.
2022 : La Banque du Canada augmente ses taux d'intérêt pour lutter contre l'inflation.
2024 : La Banque du Canada commence à baisser ses taux.

Même avec ces événements majeurs, le modèle simple de la « Marche Aléatoire » est resté l'adversaire le plus coriace à battre.

Résumé

Si vous voulez prédire le taux de change USD/CAD pour le mois prochain :

Ne comptez pas sur une IA super complexe qui cherche des secrets cachés dans les données ; elle risque de trop compliquer les choses.
Regardez plutôt ce qui s'est passé hier.
Utilisez peut-être un modèle mathématique linéaire très simple, qui est la seule chose qui a réussi à surpasser légèrement la stratégie consistant à « deviner que c'est la même chose qu'hier » dans cette étude spécifique.

L'article conclut que pour cette paire de devises spécifique, le marché est si efficace que l'approche « simple » reste reine, et que les modèles sophistiqués de Machine Learning n'ont pas trouvé de solution miracle pour prédire l'avenir mieux que le simple fait de regarder le présent.

Résumé Technique : L'apprentissage automatique et l'énigme de la marche aléatoire dans la prévision du USD/CAD

Énoncé du problème
Cette étude aborde l'éternelle « énigme de Meese-Rogoff » en finance internationale : la difficulté empirique de prévoir les taux de change hors échantillon à l'aide de modèles macroéconomiques structurels, qui échouent systématiquement à surpasser un benchmark naïf de marche aléatoire. Plus précisément, l'article examine si les méthodes d'ensemble de l'apprentissage automatique (ML) moderne peuvent surmonter cette limitation dans la prévision du taux de change mensuel USD/CAD. Les auteurs se concentrent sur la paire USD/CAD en raison de son importance économique pour le Canada et de son statut de devise liée aux matières premières, émettant l'hypothèse que ses caractéristiques structurelles (par exemple, la corrélation avec les prix du pétrole) pourraient offrir des dynamiques prévisibles absentes des devises purement financières.

Méthodologie
La recherche emploie un cadre d'évaluation rigoureux et exempt de fuite de données (leakage-free) utilisant des données quotidiennes de la Banque du Canada (janvier 2017 – mai 2026), rééchantillonnées en 113 observations mensuelles.

Prétraitement des données : La série quotidienne a été agrégée en moyennes mensuelles. Le jeu de données a été divisé en une période d'entraînement (janvier 2017 – novembre 2024, $T_0=95$ ) et une période de test stricte hors échantillon (décembre 2024 – mai 2026, $H=18$ ).
Ingénierie des caractéristiques (Feature Engineering) : Pour éviter la fuite de données, tous les prédicteurs des modèles ML ont été construits exclusivement à partir d'informations disponibles avant l'origine de la prévision ( $\mathcal{F}_{t-1}$ $F_{t - 1}$ ). Les caractéristiques comprenaient :
- Des valeurs décalées (lags) ( $y_{t-1}$ à $y_{t-12}$ ).
- Des statistiques mobiles (moyennes et écarts-types) sur des fenêtres de 3, 6 et 12 mois.
- Une moyenne mobile étendue (moyenne historique).
- Des différences premières et des encodages cycliques (sinus/cosinus) pour la saisonnalité.
Modèles évalués :
- Benchmarks : Marche aléatoire (RW) naïve sans dérive et lissage exponentiel avec saisonnalité Holt-Winters (ETS).
- Apprentissage automatique (ML) : Régression linéaire, Forêt aléatoire (RF), Gradient Boosting, XGBoost et AdaBoost.
Protocole d'évaluation :
- Fenêtre extensible (Expanding Window) : Les modèles ont été réestimés à chaque étape en utilisant un ensemble d'entraînement extensible afin de refléter les conditions de prévision en temps réel.
- Métriques : La performance a été évaluée via l'MAE, la RMSE, la MAPE, la SMAPE et la statistique U de Theil.
- Tests statistiques : Le test de Diebold-Mariano (DM) a été utilisé pour déterminer si les erreurs de prévision différaient de manière significative du benchmark de la marche aléatoire.
- Interprétabilité : Les valeurs SHAP (Shapley Additive explanations) ont été appliquées au modèle ML le plus performant pour décomposer les contributions des caractéristiques.
Analyse structurelle : L'algorithme PELT a été utilisé pour détecter les ruptures structurelles, identifiant quatre changements de régime significatifs correspondant à des événements macroéconomiques majeurs (guerre commerciale de 2018, reprise post-pandémie de 2020, hausses de taux de 2022, baisses de taux de 2024).

Résultats clés

Dominance de la marche aléatoire : La marche aléatoire naïve (équivalente à un ARIMA(0,1,0)) est restée le benchmark le plus robuste. Elle a obtenu la RMSE (0,0158) et la MAPE (0,92 %) les plus faibles parmi tous les modèles.
Surperformance limitée du ML :
- La régression linéaire était le seul modèle à surpasser statistiquement la marche aléatoire (statistique DM = 3,0585, $p = 0,0071$ ). Les auteurs attribuent cela à la capacité du modèle à approximer la marche aléatoire avec une faible variance sous des conditions de racine unitaire proche.
- Modèles d'ensemble : Tous les modèles de ML complexes (Forêt aléatoire, Gradient Boosting, XGBoost, AdaBoost) ont produit des statistiques DM négatives, indiquant qu'ils étaient légèrement moins performants que la marche aléatoire, bien que cela ne soit pas toujours statistiquement significatif au seuil de 5 %.
- Performance de l'ETS : Le modèle ETS traditionnel a été le moins performant, étant nettement inférieur à la marche aléatoire, probablement en raison d'ajustements saisonniers spéculatifs dans une série manquant de forte saisonnalité.
Importance des caractéristiques (SHAP) : L'analyse SHAP du modèle de Forêt aléatoire a révélé que les décalages à court terme ( $lag\_1$ , $lag\_2$ ) et les moyennes mobiles récentes dominaient les prédictions. Le $lag\_1$ représentait environ 21 % de l'importance des caractéristiques. Les décalages à long terme et les caractéristiques saisonnières ont contribué de manière minimale, confirmant que la série se comporte largement comme une marche aléatoire avec un momentum à court terme.
Précision des prévisions : Malgré l'échec à battre statistiquement la marche aléatoire, tous les modèles de ML ont atteint une « haute précision » (MAPE < 10 %) et ont surpassé le benchmark ETS. La Forêt aléatoire a obtenu la MAPE la plus faible (1,17 %) parmi les modèles non issus de la marche aléatoire.

Signification et revendications
L'article prétend apporter une réponse directe et statistiquement rigoureuse à l'énigme de Meese-Rogoff pour la paire USD/CAD au sein de la période d'échantillonnage spécifiée. Ses principales contributions sont :

Renforcement de l'énigme : L'étude confirme que même avec des méthodes d'ensemble avancées et des protocoles stricts de fenêtre extensible, les taux de change dans les économies développées restent largement imprévisibles au-delà de la marche aléatoire en utilisant uniquement des données historiques endogènes.
Rigueur méthodologique : En utilisant un cadre de fenêtre extensible et le test de Diebold-Mariano, l'étude évite les pièges courants de fuite de données et de surapprentissage souvent rencontrés dans la littérature de prévision par ML.
Interprétabilité : L'application des valeurs SHAP répond à la critique de la « boîte noire » du ML en économie, démontant que les modèles apprennent des comportements proches de la marche aléatoire économiquement cohérents plutôt que des motifs spéculatifs.
Nuance pratique : Bien que les modèles de ML n'aient pas battu la marche aléatoire, ils ont surpassé les modèles statistiques traditionnels (ETS). Les auteurs suggèrent que pour les praticiens, la régression linéaire et la Forêt aléatoire (sous fenêtres extensibles) peuvent servir d'outils de prévision conditionnelle utiles, particulièrement par rapport aux benchmarks classiques, tout en mettant en garde contre l'interprétation de ces gains comme des règles de trading fiables.

Les auteurs concluent que les bénéfices de l'apprentissage automatique dans la prévision des taux de change sont probablement épisodiques et dépendants du modèle, fortement contraints par la nature quasi-marche aléatoire des données, et que les gains futurs pourraient nécessiter l'intégration de fondamentaux macroéconomiques (par exemple, les différentiels de taux d'intérêt, les prix des matières premières) plutôt que de s'appuyer uniquement sur les données de prix historiques.