Rechercher

Comment les données de l’enquête américaine Survey of Professional Forecasters peuvent-elles être utilisées pour améliorer les prévisions d’inflation? En nous servant des données trimestrielles historiques de cette enquête, nous arrivons à mieux comprendre comment nous pouvons utiliser la divergence des prévisions pour améliorer nos propres prévisions.

Nous proposons des estimateurs simples et efficaces pour les modèles SV avec des distributions d’erreurs à queues épaisses conditionnelles, en particulier les distributions t de Student et les distributions exponentielles généralisées. À l’exception du paramètre de degrés de liberté, des expressions en forme fermée sont disponibles pour tous les autres paramètres, ce qui élimine le besoin d’optimisation numérique.

Nous présentons une description technique de l’outil d’évaluation de la solvabilité selon une approche descendante (modèle TDSA). Permettant de tester la résistance au risque d’insolvabilité, cet outil est utilisé pour évaluer la résilience des fonds propres du secteur bancaire dans des scénarios de risque hypothétiques et prospectifs.

Dans cette étude, nous examinons comment les chocs financiers influent sur la distribution de la croissance de la production. Nous introduisons un modèle vectoriel autorégressif semi quantile qui intègre des régressions quantiles à un cadre vectoriel autorégressif structurel. Ce modèle conserve l’identification conventionnelle des chocs tout en permettant de produire des prévisions flexibles et non paramétriques des moments conditionnels ainsi que des mesures de risque extrême pour le produit intérieur brut.

Cette étude présente une évaluation exhaustive de la qualité des prévisions des risques macroéconomiques produites par un modèle vectoriel autorégressif quantile (QVAR). En général, celui-ci donne de meilleurs résultats que les modèles de référence standards. Des résultats de qualité équivalente sont également obtenus lorsqu’il est enrichi de facteurs. Nous concluons donc que le modèle QVAR et ses versions enrichies constituent tous des outils adéquats pour modéliser les risques macroéconomiques.

Nous utilisons la synthèse bayésienne des prévisions et des décisions pour formaliser le processus de prise de décision sur la politique monétaire. Nous développons une étude de cas portant sur la prise des décisions de politique monétaire par une banque centrale qui cible l’inflation, et ce, en utilisant de multiples modèles de manière à prendre en compte les objectifs, les attentes et les résultats relatifs aux décisions.

Nous prévoyons les récessions au Canada à partir d’un modèle probit autorégressif. Les résultats mettent en relief le pouvoir prédictif à court terme de l’activité économique aux États-Unis, et semblent montrer que les indicateurs financiers peuvent servir à prédire de manière fiable les récessions au Canada. En outre, par rapport à divers autres modèles probit proposés dans la littérature canadienne, le modèle suggéré améliore considérablement la capacité de prévision des récessions au Canada.

Cette étude s’intéresse aux combinaisons non paramétriques de prévisions par densité de probabilités. Nous présentons une méthode basée sur des arbres de régression qui permet de varier la pondération des combinaisons selon les caractéristiques des densités, les tendances temporelles ou les indicateurs économiques. Dans le cadre de deux exercices empiriques, nous montrons les avantages de cette méthode sur le plan de l’amélioration de l’exactitude et de l’interprétabilité des prévisions.

La quatrième génération de modèles utilisés par la Banque du Canada pour effectuer des projections et des analyses est destinée à approfondir notre compréhension de la dynamique de l’inflation, de l’offre au sein de l’économie et des risques sous-jacents auxquels sont confrontés les décideurs publics, causés par l’incertitude qui entoure le fonctionnement de l’économie.

Nous utilisons deux algorithmes d’apprentissage automatique pour prévoir la croissance mensuelle des prix des logements et des ventes de logements existants au Canada. Même si ces algorithmes peuvent parfois être plus efficaces qu’un modèle linéaire, l’amélioration de l’exactitude des prévisions n’est pas toujours statistiquement significative.