Macroeconomic Predictions Using Payments Data and Machine Learning

Il est primordial de suivre et de prédire la dynamique à court terme de l’économie pour prendre des décisions économiques. Toutefois, les principaux indicateurs économiques sont publiés avec un long décalage. Par conséquent, les autorités publiques doivent recourir à des modèles sophistiqués pour les estimer avec précision.

Les consommateurs adoptent de plus en plus les modes de paiement électronique, et cette tendance s’est fortement accélérée durant la pandémie de COVID-19. Les gros volumes de données à haute fréquence générées par les paiements électroniques sont accessibles presque en temps réel. Grâce aux récents progrès de l’intelligence artificielle et de l’apprentissage automatique, nous disposons d’outils économétriques perfectionnés pour analyser des données non traditionnelles et des relations non linéaires. Dans cette étude, nous avons comme objectif de montrer que les données de paiement et les modèles d’apprentissage automatique sont utiles pour prédire la dynamique macroéconomique à court terme, y compris les prévisions du produit intérieur brut et du commerce de gros et de détail au Canada pour la période en cours. Nous examinons aussi les défis liés à l’interprétation et au surajustement des modèles d’apprentissage automatique afin d’améliorer leur performance et notre compréhension de leurs prévisions.

Nous constatons que les données de paiement qui couvrent diverses transactions économiques sont efficaces pour estimer la situation économique en temps réel. De plus, les outils économétriques issus de l’apprentissage automatique permettent de rendre compte des effets importants et non linéaires d’une crise. Nous observons aussi que quelques catégories de paiements dans les systèmes de paiement de détail du Canada deviennent beaucoup plus importantes en période de crise, ce qui améliore considérablement la performance de notre modèle durant de telles périodes.