Rechercher

L’intelligence artificielle (IA) peut-elle penser et agir comme un gestionnaire de liquidités? Dans cet article, nous explorons comment les agents d’IA générative peuvent aider à gérer des liquidités, à établir des priorités de paiement et à optimiser l’efficience dans des systèmes à règlement brut en temps réel.

Nous construisons un jeu de formation de réseaux d’entreprises ayant des flux commerciaux pour étudier l’adoption et l’utilisation d’une nouvelle monnaie numérique comme solution de rechange à la correspondance bancaire.

À l’aide de l’algorithme quantique de Monte-Carlo, nous cherchons à savoir si l’informatique quantique peut réduire le temps d’exécution des applications économiques. Nous appliquons l’algorithme à deux modèles : un test de résistance bancaire et un modèle DSGE résolu en recourant à l’apprentissage profond. Nous présentons aussi quelques innovations de notre cru, au sein même de l’algorithme et dans la méthode employée pour le comparer à sa version classique.

Le brouillage des prix est-il toujours une mauvaise chose pour le consommateur? En fait, tout dépend de la structure du marché et du pouvoir de négociation des fabricants et des détaillants.

Notre outil de simulation de crise tient compte du fait que les banques qui subissent des tensions peuvent gérer leur bilan de façon stratégique. Nous utilisons des données canadiennes confidentielles issues de la surveillance pour examiner si les comportements qu’elles adoptent afin de maximiser la valeur pour leurs actionnaires peuvent amplifier un scénario de crise hypothétique.

Nous montrons que les techniques d’apprentissage par renforcement permettent d’estimer les fonctions de réaction optimale des banques qui participent aux systèmes de paiement de grande valeur – un jeu stratégique du monde réel caractérisé par des informations incomplètes.

Mobiliser des liquidités lorsqu’il y a des difficultés de financement exerce des pressions sur le marché financier. Liquider de grandes quantités d’actifs fait baisser leur prix et peut amplifier les chocs de financement. Comment les mesures prises par les banques pour surmonter une crise de financement accroissent-elles le risque de contagion?

Lorsque des joueurs jouent à répétition au même jeu ou à des jeux semblables (jeux de coordination, jeux d’adoption de nouvelles technologies, jeux de choix de produits), ils peuvent apprendre de leurs expériences et améliorer leur stratégie dans l’avenir. Ce comportement d’apprentissage a d’importantes conséquences économiques.

La demande de liquidité dans les systèmes de paiement à règlement brut en temps réel peut être considérable. C’est pourquoi les banques centrales de par le monde ont mis en place des mécanismes d’économie de liquidité.

Les modèles d’évaluation des risques occupent une place importante parmi les outils d’analyse dont la Banque du Canada se sert pour jauger la résilience du système financier. Dans cette étude, nous décrivons le Cadre d’identification et d’évaluation des risques, une série de modèles conçus à la Banque pour quantifier l’incidence des risques liés à la stabilité financière sur l’économie dans son ensemble et sur divers participants au système financier en particulier (ménages, entreprises et banques).