Beating the “pros” with a semi-structural model of their own inflation forecasts

Les prévisions d’inflation professionnelles contiennent des informations précieuses, mais présentent des frictions informationnelles. Nous extrayons des prévisions améliorées en modélisant explicitement ces frictions à l’aide des données de l’enquête américaine Survey of Professional Forecasters, et constatons que la rigidité des prévisions augmente systématiquement avec l’horizon, passant de près de zéro pour les prévisions rétrospectives à 0,81 au-delà de deux trimestres. Dans des tests en temps quasi réel, nos prévisions actualisées réduisent l’erreur quadratique moyenne de 50 % par rapport aux moyennes de l’enquête. Nous dérivons un nouveau critère théorique montrant que les prévisions améliorées dominent lorsque la divergence se situe dans un intervalle optimal déterminé par des statistiques suffisantes simples, facilement calculables à partir de n’importe quelles microdonnées d’enquête. Ce critère détermine à l’avance les horizons où les prévisions améliorées devraient dominer, sans estimer les paramètres de friction. Il se généralise facilement à d’autres enquêtes et variables, proposant une méthode pratique pour déterminer les horizons de prévision qui offrent le plus grand potentiel d’amélioration.