Decision Synthesis in Monetary Policy Document de travail du personnel 2024-30 Tony Chernis, Gary Koop, Emily Tallman, Mike West Nous utilisons la synthèse bayésienne des prévisions et des décisions pour formaliser le processus de prise de décision sur la politique monétaire. Nous développons une étude de cas portant sur la prise des décisions de politique monétaire par une banque centrale qui cible l’inflation, et ce, en utilisant de multiples modèles de manière à prendre en compte les objectifs, les attentes et les résultats relatifs aux décisions. Type(s) de contenu : Travaux de recherche du personnel, Documents de travail du personnel Sujet(s) : Méthodes économétriques et statistiques, Modèles économiques, Politique monétaire Code(s) JEL : C, C1, C11, C3, C32, C5, C53
Forecasting Recessions in Canada: An Autoregressive Probit Model Approach Document de travail du personnel 2024-10 Antoine Poulin-Moore, Kerem Tuzcuoglu Nous prévoyons les récessions au Canada à partir d’un modèle probit autorégressif. Les résultats mettent en relief le pouvoir prédictif à court terme de l’activité économique aux États-Unis, et semblent montrer que les indicateurs financiers peuvent servir à prédire de manière fiable les récessions au Canada. En outre, par rapport à divers autres modèles probit proposés dans la littérature canadienne, le modèle suggéré améliore considérablement la capacité de prévision des récessions au Canada. Type(s) de contenu : Travaux de recherche du personnel, Documents de travail du personnel Sujet(s) : Cycles et fluctuations économiques, Méthodes économétriques et statistiques Code(s) JEL : C, C5, C51, C53, E, E3, E32
Predictive Density Combination Using a Tree-Based Synthesis Function Document de travail du personnel 2023-61 Tony Chernis, Niko Hauzenberger, Florian Huber, Gary Koop, James Mitchell Cette étude s’intéresse aux combinaisons non paramétriques de prévisions par densité de probabilités. Nous présentons une méthode basée sur des arbres de régression qui permet de varier la pondération des combinaisons selon les caractéristiques des densités, les tendances temporelles ou les indicateurs économiques. Dans le cadre de deux exercices empiriques, nous montrons les avantages de cette méthode sur le plan de l’amélioration de l’exactitude et de l’interprétabilité des prévisions. Type(s) de contenu : Travaux de recherche du personnel, Documents de travail du personnel Sujet(s) : Méthodes économétriques et statistiques Code(s) JEL : C, C1, C11, C3, C32, C5, C53
A Blueprint for the Fourth Generation of Bank of Canada Projection and Policy Analysis Models Document d’analyse du personnel 2023-23 Donald Coletti La quatrième génération de modèles utilisés par la Banque du Canada pour effectuer des projections et des analyses est destinée à approfondir notre compréhension de la dynamique de l’inflation, de l’offre au sein de l’économie et des risques sous-jacents auxquels sont confrontés les décideurs publics, causés par l’incertitude qui entoure le fonctionnement de l’économie. Type(s) de contenu : Travaux de recherche du personnel, Documents d'analyse du personnel Sujet(s) : Incertitude et politique monétaire, Inflation et prix, Marchés du travail, Modèles économiques Code(s) JEL : C, C5, C50, C51, C52, C53, C54, C55
Predicting Changes in Canadian Housing Markets with Machine Learning Document d’analyse du personnel 2023-21 Johan Brannlund, Helen Lao, Maureen MacIsaac, Jing Yang Nous utilisons deux algorithmes d’apprentissage automatique pour prévoir la croissance mensuelle des prix des logements et des ventes de logements existants au Canada. Même si ces algorithmes peuvent parfois être plus efficaces qu’un modèle linéaire, l’amélioration de l’exactitude des prévisions n’est pas toujours statistiquement significative. Type(s) de contenu : Travaux de recherche du personnel, Documents d'analyse du personnel Sujet(s) : Logement, Marchés financiers, Méthodes économétriques et statistiques Code(s) JEL : A, C, C4, C45, C5, C53, D, D2, R, R2, R3
Combining Large Numbers of Density Predictions with Bayesian Predictive Synthesis Document de travail du personnel 2023-45 Tony Chernis Je montre comment combiner un grand nombre de prévisions au moyen de différentes approches dans le cadre d’une synthèse de prévisions bayésienne. Je constate que les techniques qui permettent de sélectionner et de combiner quelques prévisions – soit l’utilisation de mesures de rétrécissement a priori basées sur un modèle global-local – sont celles qui donnent les meilleurs résultats. Type(s) de contenu : Travaux de recherche du personnel, Documents de travail du personnel Sujet(s) : Méthodes économétriques et statistiques Code(s) JEL : C, C1, C11, C5, C52, C53, E, E3, E37
Forecasting Banks’ Corporate Loan Losses Under Stress: A New Corporate Default Model Rapport technique n° 122 Gabriel Bruneau, Thibaut Duprey, Ruben Hipp Nous présentons un nouveau modèle de défaillance des entreprises, un des fondements de l’infrastructure de la Banque du Canada permettant de soumettre les banques à des tests de résistance. Le modèle est utilisé pour prévoir les pertes sur prêts aux entreprises que le secteur bancaire canadien est susceptible de subir en période de tension. Type(s) de contenu : Travaux de recherche du personnel, Rapports techniques Sujet(s) : Institutions financières, Modèles économiques, Réglementation et politiques relatives au système financier, Stabilité financière Code(s) JEL : C, C2, C22, C5, C52, C53, G, G1, G17, G2, G21, G28
Calculating Effective Degrees of Freedom for Forecast Combinations and Ensemble Models Document d’analyse du personnel 2022-19 James Younker Dans cette étude, l’auteur s’attache à calculer les degrés de liberté effectifs d’une combinaison de prévisions en fonction d’un ensemble de conditions générales applicables aux modèles linéaires. Le calcul des degrés de liberté effectifs montre que le coût de complexité d’une combinaison de prévisions dépend des paramètres du système de pondération et de la moyenne pondérée des paramètres dans les modèles auxiliaires. Type(s) de contenu : Travaux de recherche du personnel, Documents d'analyse du personnel Sujet(s) : Méthodes économétriques et statistiques Code(s) JEL : C, C0, C01, C02, C1, C13, C5, C50, C51, C52, C53
Nowcasting Canadian GDP with Density Combinations Document d’analyse du personnel 2022-12 Tony Chernis, Taylor Webley Nous présentons un outil permettant d’établir des prévisions par densité de la croissance du PIB réel canadien pour la période en cours. Nous démontrons que les densités combinées sont un outil fiable permettant d’évaluer avec justesse la situation économique et les risques pesant sur les perspectives. Type(s) de contenu : Travaux de recherche du personnel, Documents d'analyse du personnel Sujet(s) : Méthodes économétriques et statistiques Code(s) JEL : C, C5, C52, C53, E, E3, E7
Macroeconomic Predictions Using Payments Data and Machine Learning Document de travail du personnel 2022-10 James Chapman, Ajit Desai Nous démontrons l’utilité des données des systèmes de paiement et des modèles d’apprentissage automatique pour les prévisions macroéconomiques et proposons un ensemble d’outils économétriques pour surmonter les défis qui leur sont associés. Type(s) de contenu : Travaux de recherche du personnel, Documents de travail du personnel Sujet(s) : Cycles et fluctuations économiques, Méthodes économétriques et statistiques, Systèmes de compensation et de règlement des paiements Code(s) JEL : C, C5, C53, C55, E, E3, E37, E4, E42, E5, E52