Apprentissage Automatique Interprétable pour la Prévision des Taux de Change avec les Fondamentaux Macroéconomiques

Table des matières

1. Introduction

La prévision des taux de change est notoirement difficile en raison de la complexité, de la non-linéarité et des ruptures structurelles fréquentes des systèmes financiers. Les modèles économétriques traditionnels peinent souvent à capturer ces dynamiques et à fournir des explications transparentes de leurs prédictions. Cette étude comble cette lacune en développant un modèle fondé sur les fondamentaux pour le taux de change dollar canadien/dollar américain (CAD/USD) dans un cadre d'apprentissage automatique interprétable (AAI). L'objectif principal n'est pas seulement de prédire le taux de change avec précision, mais aussi d'« ouvrir la boîte noire » et d'expliquer les relations entre les variables macroéconomiques et la prévision, augmentant ainsi la confiance et les informations exploitables pour les économistes et les décideurs politiques.

Cette recherche est motivée par le statut du Canada en tant que grand exportateur de matières premières, le pétrole brut constituant 14,1 % de ses exportations totales en 2019 et étant le principal fournisseur des États-Unis. Cela crée un lien supposé fort entre les prix des matières premières (notamment le pétrole) et le taux CAD/USD, que l'étude vise à quantifier et à expliquer.

2. Méthodologie & Cadre

2.1 Approche d'Apprentissage Automatique Interprétable

La méthodologie centrale implique l'utilisation de modèles d'apprentissage automatique avancés (par exemple, les machines à gradient boosting, les forêts aléatoires) capables de modéliser des relations complexes et non linéaires. Pour interpréter ces modèles, l'étude emploie des techniques d'interprétabilité post-hoc, notamment les valeurs SHAP (SHapley Additive exPlanations). Les valeurs SHAP, issues de la théorie des jeux coopératifs, quantifient la contribution de chaque caractéristique (variable macroéconomique) à une prédiction spécifique, offrant à la fois une interprétabilité globale et locale.

2.2 Architecture du Modèle & Sélection des Variables

Le modèle intègre un large éventail de fondamentaux macroéconomiques supposés influencer le taux CAD/USD. Les variables clés incluent :

• Prix des Matières Premières : Prix du pétrole brut (WTI/Brent), prix de l'or.
• Indicateurs Financiers : Indice composé S&P/TSX (marché boursier canadien), différentiels de taux d'intérêt (Canada vs. États-Unis).
• Fondamentaux Économiques : Différentiels de croissance du PIB, balance commerciale, taux d'inflation.

L'étude aborde explicitement les défis de la non-linéarité et de la multicolinéarité entre ces variables, souvent négligés dans les analyses univariées traditionnelles.

3. Analyse Empirique & Résultats

3.1 Importance des Variables Clés

L'analyse d'interprétabilité révèle une hiérarchie claire de l'importance des caractéristiques :

1. Prix du Pétrole Brut : Le déterminant le plus significatif de la dynamique CAD/USD. Sa contribution est variable dans le temps, changeant de signe et d'amplitude en réponse aux événements majeurs des marchés mondiaux de l'énergie et à l'évolution du secteur pétrolier canadien.
2. Prix de l'Or : La deuxième variable la plus importante, reflétant le statut du Canada en tant que grand producteur d'or et le rôle de l'or en tant qu'actif refuge.
3. Indice Boursier TSX : Le troisième moteur clé, représentant le sentiment des investisseurs et les flux de capitaux liés à l'économie canadienne.

3.2 Étude d'Ablation pour l'Amélioration du Modèle

Un aspect innovant de cette recherche est l'utilisation d'une étude d'ablation guidée par les résultats d'interprétabilité. Après avoir identifié les caractéristiques les plus importantes via SHAP, les auteurs réentraînent systématiquement les modèles en supprimant ou en ajoutant des caractéristiques en fonction de leurs contributions interprétées. Ce processus affine le modèle, conduisant à une meilleure précision prédictive en se concentrant sur les signaux les plus pertinents et en réduisant le bruit des variables moins importantes ou redondantes.

3.3 Effets Variables dans le Temps & Analyse Événementielle

L'analyse SHAP permet de visualiser l'évolution des contributions des caractéristiques dans le temps. Par exemple, l'impact des prix du pétrole brut sur le taux CAD/USD s'est avéré s'intensifier pendant les périodes de forte volatilité des prix du pétrole (par exemple, l'effondrement des prix du pétrole de 2014-2015, les tensions géopolitiques). Cela correspond à la théorie économique et fournit des preuves empiriques, étayées par le modèle, de ruptures structurelles dans la relation.

4. Implémentation Technique

4.1 Formulation Mathématique

Le modèle de prédiction peut être représenté par : $\hat{y} = f(X)$, où $\hat{y}$ est le rendement du taux de change prévu, $X$ est le vecteur des caractéristiques macroéconomiques, et $f(\cdot)$ est le modèle d'AA complexe. Les valeurs SHAP $\phi_i$ pour chaque caractéristique $i$ expliquent l'écart de la prédiction $f(x)$ par rapport à la valeur attendue de référence $E[f(X)]$ :

$f(x) = E[f(X)] + \sum_{i=1}^{M} \phi_i$

Où $\sum_{i=1}^{M} \phi_i = f(x) - E[f(X)]$. La valeur SHAP $\phi_i$ est calculée comme suit :

$\phi_i(f, x) = \sum_{S \subseteq M \setminus \{i\}} \frac{|S|! (M - |S| - 1)!}{M!} [f_x(S \cup \{i\}) - f_x(S)]$

Cela garantit une attribution équitable de la différence de prédiction à chaque caractéristique sur la base de toutes les combinaisons possibles.

4.2 Exemple de Cadre d'Analyse

Scénario : Analyse de la prévision CAD/USD pour le T4 2022.

Étapes du Cadre :

1. Ingestion des Données : Collecter les données chronologiques pour toutes les caractéristiques sélectionnées (pétrole, or, TSX, taux, etc.).
2. Prédiction du Modèle : Saisir le vecteur de caractéristiques dans le modèle d'AA entraîné pour obtenir la prévision $\hat{y}$.
3. Explication SHAP : Calculer les valeurs SHAP pour cette instance de prédiction.
4. Interprétation : Le résultat montre : Pétrole : +0,015 (forte contribution positive), Or : -0,005 (légèrement négative), TSX : +0,002 (positive). Cela indique que la prédiction du modèle d'un CAD plus fort est principalement tirée par les prix élevés du pétrole, légèrement atténuée par les prix plus bas de l'or.
5. Vérification par Ablation : Un modèle réentraîné sans l'or pourrait montrer une perte de précision minimale, confirmant son rôle secondaire, tandis que supprimer le pétrole dégraderait sévèrement les performances.

5. Discussion & Implications

5.1 Principaux Enseignements pour les Décideurs Politiques

L'étude fournit des renseignements exploitables : La politique monétaire et fiscale au Canada doit être particulièrement attentive à la dynamique des prix du pétrole brut. Les efforts pour diversifier la base d'exportation pourraient réduire la volatilité du taux de change. Le modèle lui-même peut servir d'outil de surveillance, où des changements brusques des valeurs SHAP pour les matières premières clés signalent une pression potentielle sur le marché des changes.

5.2 Forces & Limites

Forces : Intègre avec succès une forte puissance prédictive avec l'explicabilité ; valide l'intuition économique avec des preuves fondées sur les données ; introduit une boucle de rétroaction utile via l'ablation guidée par l'interprétation.

Limites : Les méthodes d'interprétabilité comme SHAP sont des approximations ; la performance du modèle dépend de la qualité et de la pertinence des fondamentaux choisis ; peut ne pas capturer pleinement les événements « cygne noir » ou les changements de régime soudains absents des données historiques.

6. Applications Futures & Orientations

Le cadre est hautement généralisable :

• Autres Paires de Devises : Appliquer la même approche d'AAI aux devises liées aux matières premières comme l'AUD, le NOK ou le RUB.
• Tableau de Bord Politique en Temps Réel : Développer un tableau de bord visualisant les valeurs SHAP en temps réel pour les analystes des banques centrales.
• Intégration de Données Alternatives : Incorporer le sentiment des actualités, les données de transport maritime ou l'imagerie satellite des infrastructures pétrolières pour améliorer les prévisions.
• Découverte Causale : Utiliser les résultats d'interprétabilité comme point de départ pour une analyse d'inférence causale plus formelle, pour aller au-delà de la corrélation.
• Normes d'IA Explicable (XAI) : Contribuer au développement de bonnes pratiques pour l'utilisation de l'AAI dans la prise de décision économique sensible, à l'instar des normes discutées dans les recherches d'institutions comme la Banque des Règlements Internationaux (BRI).

7. Références

1. Lundberg, S. M., & Lee, S. I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems 30 (NIPS 2017).
2. Molnar, C. (2022). Interpretable Machine Learning: A Guide for Making Black Box Models Explainable. (2e éd.).
3. Banque des Règlements Internationaux (BRI). (2020). The rise of AI in finance: a survey. BIS Papers.
4. Chen, S. S., & Chen, H. C. (2007). Oil prices and real exchange rates. Energy Economics, 29(3), 390-404.
5. Ferraro, D., Rogoff, K., & Rossi, B. (2015). Can oil prices forecast exchange rates? An empirical analysis of the relationship between commodity prices and exchange rates. Journal of International Money and Finance, 54, 116-141.

8. Analyse Originale & Commentaire d'Expert