Canada’s Monetary Policy Report: If Text Could Speak, What Would It Say?

Accès au code : GitHub

Dans cette note, nous analysons comment les explications données dans le Rapport sur la politique monétaire (RPM) de la Banque du Canada ont évolué. Nous présentons des statistiques descriptives sur le texte principal, y compris sa longueur, les mots les plus employés et son niveau de lisibilité. Même si chaque gouverneur se préoccupe avant tout des événements macroéconomiques du jour et du mandat de ciblage de l’inflation, nous constatons que les mots utilisés dans le RPM varient en fonction du gouverneur en poste. Il ressort aussi de notre analyse qu’en moyenne, le degré de complexité du RPM dépasse légèrement la capacité de compréhension du Canadien typique. Cependant, de récents efforts de simplification ont porté leurs fruits. À l’aide de la technique de plongement lexical et d’une mesure bien établie de la distance entre les mots, nous examinons l’évolution du RPM au fil du temps. Les innovations lexicales semblent coïncider avec d’importants événements macroéconomiques. Si les livraisons successives du RPM ont pris en compte les changements importants de la conjoncture économique, la quantification de l’évolution du texte peut nous aider à évaluer le niveau d’incertitude entourant les perspectives économiques que la publication laisse transparaître. Enfin, nous évaluons le degré de confiance manifesté dans le RPM, soit son ton. Nous nous servons ainsi d’un nouvel algorithme d’apprentissage profond pour mesurer le degré de confiance (positif ou négatif) exprimé dans chacune des phrases et, à partir de ces résultats, établir un degré de confiance global pour chaque livraison du RPM. L’impact exceptionnel de certains événements clés, comme les attentats du 11 septembre et la crise financière mondiale, ressort clairement des changements intervenus dans le degré de confiance. La mesure obtenue peut aussi nous aider à évaluer la résultante implicite des risques dans le RPM. Ces mesures (innovations lexicales et degré de confiance) permettraient ensuite d’ajuster les distributions de probabilité autour des perspectives de la Banque en les faisant mieux correspondre à la situation actuelle.