Prévision de l’activité économique au Québec et au Canada à l’aide des méthodes Machine Learning

Dans ce rapport nous appliquons de nombreuses techniques d’apprentissage automatique (Machine Learning) au probleme de prevision de l’activite economique au Quebec et au Canada. Six groupes de modeles sont consideres : les modeles a facteurs, regressions penalisees, regressions regularisees par sous-ensembles complets, regressions a vecteurs de support, forets d’arbres aleatoires et les reseaux de neurones. Tous ces modeles apportent differentes facons de gerer les grands ensembles de donnees et de generer les formes fonc-tionnelles hautement complexes. La prediction de 16 variables macroeconomiques quebecoises et canadiennes est evaluee dans un exercice de prevision hors echantillon. Les grands ensembles de donnees canadiennes et americaines sont consideres. Les resultats indiquent que les methodes machine learning, combinees avec les grands ensembles de donnees, ont un bon pouvoir predictif pour plusieurs variables d’activite reelle comme le PIB, la formation brute de capital fixe et la production industrielle. Les forets d’arbres aleatoires sont particulierement resiliantes, suivies des reseaux de neurones. La prevision des variables du marche d’emploi est amelioree par l’utilisation des regressions penalisees, simples ou par sous-ensembles complets. Les taux d’inflation sont previsibles avec les forets aleatoires et les regressions penalisees. Quant aux mises en chantier et le taux de change USD/CAD, les methodes machine learning n’arrivent pas a ameliorer la prevision ponctuelle, mais affichent des resultats interessants au niveau de la prevision de la direction future de ces variables.