Evaluating Machine Learning and Econometric Models for Inflation Forecasting: Evidence from a Sub-Saharan African Panel

La Grande Course aux Prédictions : Pourquoi la Guess la Plus Simple Gagne Souvent

Imaginez que vous essayiez de deviner la météo pour mardi prochain. Vous pourriez sortir un superordinateur, analyser des images satellites, mesurer la vitesse du vent et lancer des modèles climatiques complexes. Ou bien, vous pourriez simplement regarder par la fenêtre et dire : « Ce sera à peu près la même chose qu'aujourd'hui. » Dans le monde de l'économie, c'est le duel ultime entre la complexité de haute technologie et le bon sens élémentaire. Les économistes ont passé des décades à construire des modèles massifs et complexes pour prédire l'inflation — le taux auquel les prix de choses comme le pain, le carburant ou le loyer augmentent. Ils utilisent des mathématiques sophistiquées et l'apprentissage automatique, espérant trouver des motifs cachés qui aideront les gouvernements à fixer les taux d'intérêt et à empêcher les familles de perdre leurs économies. Mais il existe un rival obstiné et de la vieille école dans cette course : la « marche aléatoire » (random walk). C'est l'idée que la meilleure estimation du prix de demain est simplement le prix d'aujourd'hui. Cela semble idiot, comme deviner le résultat d'un lancer de pièce, mais l'histoire montre que ce tour de passe-passe simple est incroyablement difficile à battre, surtout dans les régions où l'économie est sauvage et imprévisible.

Ce document plonge précisément dans cette bataille, mais avec une nuance : il teste ces idées en Afrique subsaharienne, une région où l'inflation peut osciller violemment comme un pendule. Les chercheurs ont rassemblé des données provenant de huit pays différents sur plus de 50 ans, créant un immense terrain de jeu numérique pour voir si les ordinateurs « intelligents » modernes (Machine Learning et Deep Learning) pourraient enfin surpasser la simple méthode du « regardez hier ». Ils ne se sont pas contentés de regarder qui avait le chiffre d'erreur le plus bas ; ils ont utilisé des tests statistiques rigoureux pour voir si un modèle sophistiqué était réellement meilleur, ou s'il avait simplement eu de la chance.

La Course : Haute Technologie contre la Stratégie du « Hier »

Les auteurs ont mis en place une grande expérience impliquant huit économies d'Afrique subsaharienne : le Ghana, le Nigeria, le Kenya, la Côte d'Ivoire, l'Afrique du Sud, le Sénégal, la Tanzanie et l'Ouganda. Ils ont construit un ensemble de données comprenant 424 instantanés de la vie économique, s'étendant de 1972 à 2024. Considérez cela comme un immense camp d'entraînement où ils ont enseigné à huit « entraîneurs » différents comment prédire l'inflation.

Les entraîneurs étaient un mélange de vieille école et de nouvelle école :

1. L'Entraîneur Naïf (Marche Aléatoire) : Cet entraîneur n'a pas de cerveau. Il dit simplement : « L'inflation de l'année prochaine sera exactement celle de cette année. »
2. Les Entraîneurs Économétriques : Ce sont les experts traditionnels qui utilisent des équations linéaires et des règles fixes basées sur la théorie économique.
3. Les Entraîneurs de Machine Learning : Ce sont les sorciers de la haute technologie. Ils incluent la Forêt Aléatoire (une équipe d'arbres de décision), XGBoost (un booster d'arbres super optimisé) et l'Elastic Net (un filtre intelligent qui sélectionne les meilleurs indices).
4. L'Entraîneur de Deep Learning (LSTM) : C'est le plus complexe, un type d'intelligence artificielle conçu pour se souvenir de longues séquences d'événements, comme un humain se souvenant d'une histoire.

Les chercheurs ont divisé leurs données en trois parties : un ensemble d'entraînement (pour enseigner aux entraîneurs), un ensemble de validation (pour les ajuster) et un ensemble de test (l'examen final de 2018 à 2024). Ils voulaient voir si l'IA sophistiquée pouvait battre l'entraîneur simple du « regardez hier ».

Le Résultat Choc : L'Entraîneur Simple Tient la Ligne

Lorsque les résultats de l'examen final sont tombés, l'issue fut un choc massif pour l'idée que « plus grand et plus intelligent est toujours meilleur ».

L'Entraîneur Naïf (Marche Aléatoire) était statistiquement invaincu. Il a obtenu le taux d'erreur le plus bas de tous les modèles, avec une RMSE de test (une mesure de l'écart par rapport à la prédiction) de 4,435. Plus important encore, lorsque les chercheurs ont effectué des tests statistiques stricts (appelés tests de Diebold-Mariano) pour voir si un autre modèle était réellement meilleur, la réponse fut un non retentissant. Aucun des modèles complexes ne pouvait prouver qu'il était statistiquement supérieur à la simple supposition du « regardez hier ».

Voici comment les autres entraîneurs s'en sont sortis :

• Les Sorciers du Machine Learning (Random Forest et XGBoost) : Ils étaient les meilleurs du groupe complexe. La Forêt Aléatoire arrive avec une RMSE de test de 4,849, et XGBoost avec 5,825. Bien qu'ils soient proches, les tests statistiques ont montré qu'ils étaient essentiellement à égalité avec l'Entraîneur Naïf. Ils n'ont pas perdu, mais ils n'ont pas gagné non plus ; ils ont atteint la parité statistique. La Forêt Aléatoire était le seul modèle capable de revendiquer une égalité statistique avec la base simple, mais elle n'a pas réussi à la surpasser.
• Les Experts Traditionnels (Pooled OLS et Panel Fixed Effects) : Ces modèles linéaires de la vieille école ont mal performé. Ils ont été nettement battus par l'Entraîneur Naïf, avec des erreurs respectives de 6,781 et 6,612. Le document suggère que tenter d'imposer une relation linéaire sur une économie volatile et désordonnée ne fonctionne tout simplement pas.
• La Star du Deep Learning (LSTM) : C'est l'histoire la plus dramatique. Lorsque l'IA a été entraînée trop longtemps (350 époques) sans frein de sécurité, elle a souffert de « surapprentissage » (overfitting). Elle a mémorisé les données d'entraînement si parfaitement qu'elle a échoué au test, affichant un score terrible de 7,741. Cependant, lorsque les chercheurs ont ajouté l'« arrêt précoce » (une technique pour arrêter l'entraînement avant que l'IA ne devienne confuse), son score s'est amélioré pour atteindre 6,162. C'était une amélioration majeure, mais cela n'a toujours pas battu l'Entraîneur Naïf. Il est simplement devenu « statistiquement indiscernable » de celui-ci — ce qui signifie qu'il était assez bon pour faire match nul, mais pas assez pour gagner.

Pourquoi les Modèles Intelligents Ont-ils Échoué ?

Les auteurs proposent quelques raisons pour lesquelles les modèles de haute technologie n'ont pas pu percer le code dans cette région spécifique.

Premièrement, les données sont trop petites et trop bruyantes. L'ensemble d'entraînement ne comportait que 304 observations. Pour une IA super complexe comme le LSTM, c'est comme essayer d'apprendre une langue en lisant seulement quelques pages d'un dictionnaire. Les modèles se confondent et commencent à mémoriser le bruit plutôt qu'à apprendre les règles.

Deuxièmement, l'économie change constamment les règles. La période de test (2018–2024) a inclus des chocs massifs comme la pandémie de COVID-19 et les pics mondiaux des prix des matières premières. Le modèle « simple » regarde simplement le chiffre le plus récent, ce qui lui permet de s'adapter instantanément à ces chocs. Les modèles complexes, quant à eux, tentent de trouver un motif basé sur le passé (données pré-2009), ce qui ne s'applique plus lorsque le monde change soudainement. C'est comme essayer de naviguer dans une tempête en utilisant une carte d'une journée ensoleillée ; la carte est trop détaillée, mais c'est la mauvaise carte.

Troisièmement, les « indices » pourraient ne pas être très utiles. Les modèles ont été alimentés par des données telles que les taux d'intérêt, les dépenses publiques et les prix du pétrole. Mais dans ces économies, l'inflation semble être principalement pilotée par sa propre inertie et les taux de change, rendant les autres indices moins utiles. Le modèle simple ignore tous ces indices supplémentaires et se contente de suivre l'élan, ce qui s'avère être la stratégie gagnante.

Ce que cela signifie pour l'avenir

Le document conclut que pour les décideurs politiques en Afrique subsaharienne, le message est clair : ne jetez pas les outils simples au seul motif que vous possédez de nouveaux outils sophistiqués.

Bien que les modèles complexes (comme la Forêt Aléatoire et le LSTM corrigé) soient impressionnants et puissent égaler la performance du modèle simple, ils n'ont pas prouvé qu'ils pouvaient le battre. En fait, le modèle de « persistance » simple est si robuste qu'il devrait rester la « référence » ou la « base » que tous les nouveaux modèles doivent battre avant d'être dignes de confiance.

Les auteurs suggèrent que si les banques centrales veulent utiliser ces outils d'IA sophistiqués, elles doivent le faire avec prudence. Ils recommandent de garder le modèle simple en arrière-plan comme un test de réalité. Si un modèle complexe ne peut pas prouver statistiquement qu'il est meilleur que de simplement deviner que « demain sera comme aujourd'hui », alors il n'en vaut probablement pas le coût et la complexité supplémentaires.

En fin de compte, cette étude ajoute un chapitre à un mystère de longue date en économie : dans un monde plein de chaos et de changements soudains, parfois, la chose la plus intelligente à faire est de simplement regarder ce qui s'est passé hier et de supposer que cela se reproduira. Le « simple » n'est pas toujours le meilleur, mais dans les marchés volatils de l'Afrique subsaharienne, il est actuellement le champion.