Rechercher

Les auteurs évaluent si la combinaison de prévisions du PIB réel issues de différents modèles permet d’améliorer le pouvoir prédictif et examinent quelles méthodes de combinaison donnent les meilleurs résultats. Conformément aux travaux antérieurs, ils concluent que les prévisions combinées sont habituellement plus précises que celles tirées de divers modèles de référence pris individuellement. À l’encontre des données de plusieurs études, ils constatent néanmoins que l’attribution aux modèles de pondérations non uniformes, déterminées en fonction de la qualité des prévisions passées de ceux-ci, a en général pour effet d’accroître le pouvoir prédictif lorsque les prévisions diffèrent sensiblement d’un modèle à l’autre.

Pour formuler la politique monétaire, la Banque du Canada s’appuie sur l’analyse d’un vaste ensemble de données économiques. Disposer plus facilement d’une information à jour et détaillée améliorerait la prise de décisions économiques en temps réel. Les progrès de la technologie ont rendu possible l’exploitation de quantités massives de données, les « mégadonnées », obtenues à partir des transactions commerciales, des médias sociaux et des ordinateurs en réseau. Les mégadonnées pourraient complémenter les sources traditionnelles d’informations, et fournir ainsi un nouvel éclairage aux fins du suivi de l’activité économique et de l’inflation.

Les organismes internationaux et les banques centrales du monde entier se fondent couramment sur les prévisions du prix trimestriel réel du pétrole pour évaluer les perspectives économiques mondiales et nationales. Or, on ne sait pas quels modèles permettent le mieux de prévoir ce prix.

Les études consacrées au travail de prévision ont fait ressortir depuis longtemps que la moyenne des projections de plusieurs modèles a souvent un degré de précision plus élevé que les projections tirées d’un seul modèle, et qu’à ce titre, la technique qui consiste à établir une moyenne en pondérant les prévisions avec les mêmes coefficients donne de très bons résultats.

Bien que l’utilité des modèles factoriels soit maintenant reconnue, leur pouvoir de prévision à l’égard de l’économie japonaise a été très peu étudié. Les auteurs se proposent de comparer la qualité des prévisions produites par divers modèles factoriels sur différentes périodes, dont l’une inclut la récente crise financière.

On note un intérêt accru, ces derniers temps, pour la prévision en temps réel du prix réel du pétrole brut. Les prévisions usuelles de ce prix, obtenues avec des équations de forme réduite ou fondées sur les cours à terme de l’or noir, ne permettent pas d’explorer l’incidence de scénarios différents au sujet de l’évolution future de la demande et de l’offre de pétrole sur la prévision de référence.

Les auteurs élaborent un modèle discret affine à volatilité stochastique et asymétrie conditionnelle variable (modèle SVS). Leur approche a ceci d’intéressant qu’elle dissocie de façon cohérente la dynamique de la volatilité conditionnelle de celle de l’asymétrie conditionnelle.

Les auteurs définissent la contribution d’une institution financière au risque systémique financier comme la hausse que connaîtrait ce risque si l’institution s’effondrait. Plus l’établissement en question contribue au risque systémique, plus il revêt de l’importance du point de vue du système.

Les auteurs construisent un ensemble de données mensuelles en temps réel qui regroupe les cuvées relatives à la période allant de janvier 1991 à décembre 2010 et qui se prête à la génération de prévisions du prix réel du pétrole à partir de divers types de modèles.

Les auteurs analysent quelques-unes des grandes questions qui se posent dans la prévision du prix du pétrole brut. Que doivent savoir les prévisionnistes quant au choix de la période d’observation et aux choix entre différentes séries de prix et spécifications de modèle?