Evaluation of Policy-Relevant Forecasting Advantage of Machine and Deep Learning Models over Classical Econometrics: Evidence from Ghanaian Headline Inflation
Cette étude démontre que pour la prévision de l'inflation globale du Ghana durant une période de volatilité structurelle, un modèle ARIMA simple surpasse les approches complexes d'apprentissage automatique et d'apprentissage profond, suggérant qu'exploiter la forte persistance de l'inflation est plus efficace que de s'appuyer sur la flexibilité fonctionnelle face aux changements de régime.
Article original sous licence CC BY 4.0 (https://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 la météo pour la semaine prochaine. Vous avez deux outils dans votre boîte à outils. Le premier est une règle simple et traditionnelle : « S'il a plu hier, il pleuvra probablement aujourd'hui. » C'est la façon « classique » de penser, qui repose sur des modèles que vous avez vus se répéter encore et encore. Le second est un cerveau informatique super complexe et de haute technologie qui a lu tous les livres de météorologie jamais écrits et peut repérer des motifs invisibles et sinueux dans les nuages qu'aucun humain ne pourrait voir. C'est la méthode de l'« apprentissage automatique » (machine learning). Pendant des années, beaucoup de gens ont supposé que le cerveau informatique super complexe et complexe gagnerait toujours parce qu'il est intelligent et flexible. Mais et si la météo changeait d'une manière que l'ordinateur n'a jamais vue auparavant ? Et si une tempête massive frappait et brisait toutes les anciennes règles ? C'est la grande question que cette étude aborde. Elle demande : quand les choses deviennent folles et imprévisibles, le cerveau informatique sophistiqué et complexe fait-il réellement un meilleur travail que la règle simple et constante ? Cela ne concerne pas seulement la météo ; cela concerne la prédiction de quelque chose qui affecte le portefeuille de tout le monde : l'augmentation des prix, connue sous le nom d'inflation.
Ce document de recherche est comme une compétition culinaire à enjeux élevés pour voir qui prédit le mieux le prix des courses au Ghana. Les juges ont mis en place un test très difficile : ils ont demandé à neuf « chefs » différents (qui sont en réalité des modèles informatiques) de prédire le taux d'inflation pour une période de 42 mois qui comprenait un pic massif et choquant des prix. Le but était de voir si les chefs sophistiqués et complexes utilisant l'apprentissage automatique pouvaient surpasser les chefs simples et classiques utilisant les mathématiques traditionnelles.
Les résultats ont été une immense surprise. L'article a révélé que le chef simple et traditionnel avait gagné. Plus précisément, un modèle appelé ARIMA (qui est simplement un nom sophistiqué pour un modèle qui observe comment les prix ont évolué par le passé) a prédit les prix futurs avec l'erreur la plus faible, manquant la cible de seulement 2,41 points de pourcentage en moyenne. Il était juste légèrement meilleur que la supposition la plus simple possible (qui consiste simplement à supposer que le prix du mois prochain sera le même que celui du mois dernier), et il a battu tous les modèles d'apprentissage automatique sophistiqués.
Les modèles sophistiqués, comme XGBoost et les réseaux de neurones, étaient comme des étudiants qui avaient appris le manuel par cœur mais qui ont échoué à l'examen lorsque les questions ont changé. Pendant la phase d'entraînement, ils semblaient incroyables, obtenant des scores presque parfaits. Mais lors du test réel — pendant la poussée d'inflation de 2022-2023 où les prix ont bondi d'environ 10 % à plus de 50 % — ces modèles complexes ont trébuché lourdement. Ils ont essayé de trouver des motifs compliqués qui n'existaient pas, une erreur appelée « surapprentissage » (overfitting), et ont fini par commettre des erreurs beaucoup plus importantes, certaines manquant la cible de 9,04 points de pourcentage ou plus.
Les auteurs expliquent que cela s'est produit parce que l'inflation au Ghana est très « collante » ou persistante ; elle a tendance à continuer de se déplacer dans la même direction qu'elle suivait déjà. Les modèles simples sont conçus pour suivre cet élan, tandis que les modèles complexes ont essayé de trop réfléchir et se sont emmêlé les pinceaux lorsque l'économie a soudainement changé de direction. L'étude suggère que pour une banque centrale qui tente de gérer l'économie, s'en tenir au modèle fiable, transparent et simple est en fait une décision plus intelligente que de courir après la technologie la plus récente et la plus tape-à-l'œil, surtout lorsque les données ne sont pas assez vastes pour apprendre aux modèles complexes comment gérer une crise. Bien que les modèles complexes puissent un jour être utiles si nous avions plus de données ou des outils différents, pour l'instant, l'approche simple et constante est la championne.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.