Combining Canadian Interest-Rate Forecasts

Le risque de modèle présente un écueil constant pour les économistes financiers qui appuient leurs analyses de la politique monétaire, leurs choix de portefeuille ou leur gestion du risque sur des prévisions de taux d'intérêt. Le recours à de multiples modèles de prévision ne résout pas nécessairement le problème puisqu'il alourdit grandement les calculs et ne nous dit pas quelle prévision retenir. En un mot, les changements structurels ou de régime (sans oublier les erreurs de spécification possibles) font qu'il est difficile de représenter toutes les tendances qui se dégagent des données à l'aide d'un modèle unique, susceptible de dominer tous les autres. Pour y voir plus clair, les auteurs examinent diverses méthodes qui consistent à combiner, en les pondérant, les prévisions qu'ils obtiennent au sujet de la structure des taux d'intérêt canadiens à partir de différents modèles estimés au moyen de données relatives aux rendements et aux variables macroéconomiques. Conformément à l'approche de Bolder et Liu (2007), les auteurs étudient plusieurs façons de combiner quatre modèles empiriques de la structure des taux, soit le modèle de Diebold et Li (2003) et trois généralisations associées. Leur analyse met à contribution plus de 400 observations mensuelles allant de janvier 1973 à juillet 2007. Un certain nombre des combinaisons examinées relèvent des cadres fréquentiste et bayésien et s'inspirent de la littérature dans ce domaine (p. ex., Pooter, Ravazzolo et van Dijk, 2007), et d'autres sont nouvelles. Les prévisions tirées des modèles pris isolément et des combinaisons de modèles sont évaluées de différentes façons. Les résultats préliminaires montrent que le fait de combiner plusieurs modèles contribue en règle générale à réduire le risque de modèle, et que les schémas les plus simples tendent à donner de meilleures prévisions que les plus complexes. Ces résultats ont des conséquences intéressantes du point de vue des banques centrales : une approche unifiée de prise en compte de l'incertitude des modèles pourrait aboutir à des prévisions améliorées et, partant, à des décisions plus éclairées.