Prédire les récessions grâce à l'IA
En économie, les efforts visant à prédire le cycle économique et en particulier les récessions sont essentiels. La capacité à réagir rapidement aux turbulences économiques peut faire la différence entre le succès et l’échec des entreprises, des investisseurs et des gouvernements. Ces dernières années, l’intelligence artificielle (IA) a joué un rôle impressionnant dans l’amélioration de notre capacité à prédire les ralentissements économiques. L’IA peut-elle être considérée comme un outil fiable pour identifier les récessions ?
Récession imminente aux États-Unis ?
La question de savoir si les États-Unis seront frappés par une récession en 2024 bat son plein. Goldman Sachs estime la probabilité à 15 %. La Réserve fédérale de New York, quant à elle, prévoit un taux de 69 % en utilisant une courbe des taux, un indicateur populaire pour déterminer les récessions. Des enquêtes auprès des PDG et des consommateurs montrent que 84 % et 69 %, respectivement, pensent qu'une récession est probable au cours des 12 à 18 prochains mois. Les analystes quantitatifs, également appelés « quants », se demandent désormais si l’intelligence artificielle peut être utilisée pour améliorer la précision. Cependant, il a été démontré que l’apprentissage automatique n’est pas aussi utile qu’espéré initialement.
Faiblesses de l'IA
« La modélisation de la récession n'a pas autant évolué que dans d'autres domaines », déclare Max Gokhman, responsable de la stratégie d'investissement MosaiQ chez Franklin Templeton. Cela est dû à deux raisons principales. D’une part, il n’y a tout simplement pas suffisamment de données disponibles pour former efficacement de tels modèles. En revanche, il est difficile d’isoler les signaux économiques pertinents et de les évaluer de manière appropriée. Les données constituent le fondement de l’intelligence artificielle, mais elles sont limitées dans ce contexte. Depuis les années 1990, il n’y a eu que quatre récessions aux États-Unis, d’après les indicateurs du PIB. Par conséquent, la capacité d’apprentissage des modèles est sévèrement limitée, ce qui nuit considérablement à leur complexité. Aric Whitewood, co-fondateur du fonds spéculatif AI macro pour former efficacement un modèle.
Tentative de la BNPPAM
Les quants divisent la prévision de récession en deux domaines principaux : identifier les variables qui indiquent une récession imminente et trouver des techniques statistiques innovantes pour développer de nouvelles sources de données pour les prévisions. Semblables aux économistes, ils s’appuient sur divers indicateurs pour déterminer les récessions, notamment l’inversion de la courbe des rendements du Trésor, les fluctuations du produit intérieur brut (PIB) ou le changement de modèle markovien. En outre, ils utilisent des modèles à facteurs dynamiques, qui supposent que le mouvement commun dans un grand nombre de séries chronologiques peut être expliqué par un nombre limité de facteurs communs non observés. L’un de ces facteurs latents est le cycle économique. La société de gestion d'actifs BNPPAM a développé des modèles basés sur des variables macroéconomiques pour créer un indicateur d'alerte précoce en cas de récession. Malheureusement, les signaux résultants étaient trop faibles et n’ont pas pu être utilisés avec succès dans le trading en temps réel. En raison du manque renouvelé de données suffisantes et de l’énorme complexité des marchés financiers, le projet a été suspendu pour une durée indéterminée.
L'apprentissage en profondeur
Parallèlement, Franklin Templeton a beaucoup travaillé sur l’apprentissage profond pour analyser plus en profondeur le réseau de facteurs qui contribuent aux récessions. Le deep learning représente une branche de l’apprentissage automatique qui vise à imiter le fonctionnement du cerveau humain. Dans cette méthode, le processus d'apprentissage automatique recherche des modèles dans les données historiques en modifiant les coefficients des formules définies par les analystes quantitatifs. La relation avec les résultats prévus évolue avec le temps. Le problème ici est que le modèle a recréé les formules à partir de zéro, ce qui a rendu les données opaques et inutilisables. En conclusion, on peut dire que l’IA ne peut pas (encore) être utilisée comme système d’alerte fiable en cas de récession. Cette situation est sans doute susceptible de changer dans les années à venir, à mesure que les modèles et la technologie en général continueront à être perfectionnés.
Emplois IT
Emplois d'administration
Emplois de beauté
Emplois en éducation
Emplois en finance
Emplois de santé
Emplois en ressources humaines
Emplois en logistique 
Emplois en pharma
Jetzt teilen
Jetzt teilen