Faut-il craindre une récession aux USA?

mercredi, 22.01.2020

Conjoncture. L’apprentissage automatique vient au secours des indicateurs de récession. Deux nouvelles méthodes de prévision ont été élaborées.

Isabelle Armanville* Emile Gagna**

Isabelle Armanville et Emile Gagna.

La durée inhabituelle de l’expansion économique américaine a poussé les Cassandre à s’inquiéter de l’imminence d’une récession, des craintes qui ne peuvent qu’être ravivée par l’incertitude actuelle.
Si l’analyse macroéconomique classique permet d’identifier les sources d’instabilité et les chocs susceptibles de faire basculer une économie en récession, elle ne permet pas de mesurer  «objectivement» de ce risque. Pour y remédier, les économistes et les gérants quantitatifs de Candriam ont développé un ensemble d’indicateurs quantitatifs propriétaires.
Sa construction s’appuyait à l’origine sur des modèles de type «probit» qui permettent d’estimer la probabilité de réalisation d’un événement à un horizon donné. A l’usage, ces modèles présentent un défaut important en ce sens que le choix des variables explicatives y joue un rôle déterminant et biaise fortement les prévisions ce qui peut conduire à une mauvaise appréciation du risque de récession.
Pour pallier cette difficulté, des méthodes plus sophistiquées et plus robustes peuvent être utilisées. Elles reposent pour l’essentiel sur les constats suivants. Le premier est que c’est en entraînant les modèles sur des jeux de données différents qu’on les perfectionne et qu’on augmente leur capacité prédictive. Le second constat porte sur la «sagesse des foules». La diversité des opinions, leur indépendance et leur agrégation font qu’une «foule» est collectivement plus intelligente que n’importe lequel des individus qui la composent.
Transposée au cas qui nous intéresse, cette intelligence collective conduit à préférer l’agrégation des informations fournies par une multitude de modèles à l’information issue de n’importe lequel d’entre eux. Autrement dit, il est préférable de combiner une grande diversité de modèles pour en extraire une information «moyenne» plus fiable plutôt que de rechercher le modèle susceptible d’être le meilleur.
A partir de ces constats, nous avons élaboré deux méthodes basées sur un échantillon d’une centaine de variables susceptibles d’expliquer la survenue d’une récession à un horizon d’une année.
La première méthode, intitulée «Bayesan averaging of probit models», repose sur les estimations tirées de plusieurs centaines de milliers de modèles «probit»  parmi lesquels seuls une dizaine de milliers ont été retenus du fait de leur pertinence du point de vue économique. Tel un chirurgien qui, à la veille d’une opération délicate, doit prendre une décision fondée sur l’interprétation qu’il fait d’une radio, les modèles sont évalués en tenant compte de l’incertitude liée à l’apparition de nouvelles circonstances. Grâce à la règle de Bayes, la combinaison des modèles permet d’obtenir une probabilité de récession construite d’après un raisonnement rationnel en présence d’incertitude.
La deuxième méthode est basée sur les forêts aléatoires qui sont des ensembles aléatoires d’arbres de décision.
Contrairement aux modèles «probit», les arbres de décisions  permettent de prendre en compte une plus grande complexité d’interactions entre les variables. Leur utilisation a toutefois longtemps été freinée en raison de leur instabilité: une légère modification des données entraîne la construction d’arbres très différents… et aboutit donc à des prévisions qui sont, elles aussi, très différentes!
L’association de l’idée de «sagesse des foules» à l’apprentissage automatique ou «machine learning» a permis d’élaborer un algorithme qui pallie cet inconvénient.  Cette approche s’appuie sur l’agrégation d’une multitude d’arbres, une forêt aléatoire, afin de réduire la variance et les biais des prévisions.

Forêt aléatoire et «Bayesian averaging»

Ces deux méthodes aboutissent aujourd’hui une probabilité de récession relativement faible à un horizon de 12 mois.
La méthode bayésienne la situe autour de 20%, en légère hausse depuis fin 2017 alors que les forêts aléatoires donnent un résultat plus tranché: après être montée vers 20 % entre fin 2017 et fin 2018, la probabilité de récession est aujourd’hui quasiment nulle. L’analyse quantitative que nous avons développée conforte ainsi notre conviction d’économistes: malgré son ralentissement, l’économie américaine ne devrait pas entrer en récession en 2020.

* Senior Fund Manager, Candriam
** Economiste, Candriam






 
 

AGEFI




...