Prévision des taux d’intérêt à l’ère de l’intelligence artificielle : anticipations économiques et pratiques des banques centrales

Résumé

Le taux d’intérêt représente le loyer du capital, exprime la préférence pour le présent, et renvoie à une rémunération de la renonciation à la liquidité. Variable réelle et/ou monétaire, le taux d’intérêt intervient dans la prise de décisions par les agents économiques. En particulier, dans les décisions intertemporelles de revenus, c’est le taux réel ex ante qui est retenu et fait l’objet d’anticipation, selon la règle fondamentale de Fisher. De même, les banques centrales font des prévisions de leurs taux directeurs dans le double objectif de stimulation de l’économie et de maitrise de l’inflation. Le présent papier vise à présenter une revue de littérature théorique et documentaire des utilisations de l’intelligence artificielle par ces institutions financières, au travers principalement, de l’analyse de leurs publications en la matière. Gradient Boosting, LSTM, XGBoost, Random Forest, SVR, Block-Additive et Boosted Decision Trees sont des exemples d’algorithmes utilisés la BCE, la Fed et la BoE. C’est un échantillon de trois grandes banques évoluant dans des environnements institutionnels et macrofinanciers différents, tout en pesant lourdement dans la définition et la conduite des conditions financières internationales. Ces modèles d’IA ont certes complété les outils statistiques et économétriques standards, et leurs performances d’affinement des prédictions paraissent plus intéressantes. Néanmoins, ils posent des problèmes éthiques, liés au risque de marginalisation croissante du rôle des humains dans la politique monétaire.