L'exploration de nouvelles méthodes pour renforcer les modèles macroéconomiques

31/05/2017

En examinant les modèles macroéconomiques classiques, utilisés entre les années 1700 et 1990, on constate qu'ils présupposent une totale rationalité, à savoir que les consommateurs cherchent toujours à optimiser l’utilisation d’un produit ou d’un service, et les entreprises à maximiser leurs profits. Ces modèles ont tendance à être strictement positivistes en utilisant des approches déductives qui appliquent généralement des méthodologies simples à l’aide d’échantillons très larges. Cela n'est toutefois pas recevable car le comportement humain n'est pas toujours rationnel. Nous avons tous des préjugés et des explications diverses pour nos comportements.

Arianna ArzeniNous faisons tous des erreurs de temps en temps et nous nous comportons parfois de façon irrationnelle. Ces modèles macroéconomiques classiques sont remis en cause lorsque l’on observe les cycles de croissance et de récession qui s’expliquent uniquement par un choc exogène. Les chocs externes sont en effet  notoirement difficiles à intégrer dans les modèles macroéconomiques. Leur rareté, leur impact extrême, et leur imprévisibilité totale sont les trois caractéristiques des événements communément appelés « Black Swan » ou « cygnes noirs ». Ces événements façonnent pourtant notre monde. L'idée selon laquelle nous vivons dans des temps imprévisibles devient beaucoup plus évidente quand nous constatons que de tels événements peuvent se manifester de façon inattendue, sans aucun moyen de les prévoir. 

Un exemple de Black Swan est l'éclatement de la bulle internet. Cette crise a eu un impact immense (certains estiment son coût approximatif à 1 750 milliards de dollars). Les Black Swan ne se limitent pas à un secteur spécifique, et peuvent se produire dans de nombreux domaines tels que la météo, l’économie, la politique, la fraude, les technologies et bien d'autres encore. En raison de leur imprévisibilité, il est presque impossible de les intégrer dans des modèles macroéconomiques efficients.

UN MODÈLE MACROÉCONOMIQUE COMPORTEMENTAL

Néanmoins, constatant que les fluctuations économiques se réalisent finalement avec une certaine régularité, nous pouvons en déduire que les cycles macroéconomiques sont le résultat du comportement humain avec ses propres limites. Ils conduisent à une forte régularité empirique, c'est-à-dire que les écarts de production ne sont pas normalement distribués.

Les modèles macroéconomiques anciens ont tenté d'expliquer ce phénomène uniquement en invoquant des chocs externes tels que les Black Swan, qui ne sont pas normalement distribués. Cependant, les modèles proposés plus récemment avancent une explication basée sur un modèle macroéconomique comportemental, dans lequel les individus sont supposés avoir des capacités cognitives limitées et développer ainsi différentes convictions. De tels modèles produisent des ondes d'optimisme et de pessimisme de manière endogène et fournissent une meilleure explication de la non-normalité observée des mouvements.

Récemment, dans le but de réduire les risques et la volatilité des cycles de récession et de prospérité, les banques centrales et les institutions financières ont commencé à utiliser des modèles plus souples utilisant des hypothèses sur les comportements et les pratiques. Par exemple, l'OCDE, la BCE et la BoE utilisent des logiciels qui établissent des corrélations entre des explications prospectives et rationnelles et des apprentissages adaptatifs pour les consommateurs, les entreprises, le marché du travail et les marchés financiers. Ces modèles ont pour avantage de prévoir des chocs stochastiques, ce qui signifie que différents scénarios peuvent être analysés en fonction des effets d'un choc donné dans des domaines tels que les échanges commerciaux, les investissements directs étrangers, etc.

LES MODÈLES D’ANALYSE DES MÉDIA SOCIAUX

Les récents progrès réalisés dans les études économiques comportementales permettent d’aider à mieux comprendre comment les acteurs se comportent et comment il est possible d’anticiper leurs réactions. L’expansion des médias sociaux et d’internet représente une opportunité pour les nouveaux modèles de prévision. 

D'un point de vue purement statistique, les modèles d'analyse des médias sociaux sont plus robustes que ceux basés sur les sondages, car les échantillons sont de plus grande taille et les individus concernés sont moins exposés au risque de partialité. En d'autres termes, les comportements ne sont pas influencés par le processus de collecte de données.

Par exemple, Facebook aux États-Unis compte plus de 200 millions d'utilisateurs, ce qui représente approximativement la moitié de la population totale américaine. Aucun sondage ne pourrait jamais utiliser un tel échantillon. La question est de savoir comment intégrer ces données dans les modèles macroéconomiques à des fins prévisionnelles. Les progrès majeurs dans la technologie, tels que les traitements du langage naturel, peuvent fournir une réponse, car ceux-ci ont la capacité de traiter de vastes séries de données significatives en utilisant des techniques d'analyse de sentiments. Ces données peuvent ensuite être incorporées dans des modèles macroéconomiques et permettre une amélioration significative de la prévision.

LES BÉNÉFICES POUR L’INDUSTRIE DE LA GESTION D’ACTIFS

Quels sont les avantages de ces nouvelles méthodologies pour les gérants d'actifs ? Ils peuvent être répartis en trois domaines : les investissements, la conformité et la réglementation, et les opérations et clients. 

En premier lieu, l’opinion des investisseurs relevée sur les réseaux sociaux peut être analysée afin de prendre de meilleures décisions et d’améliorer la performance du produit d’investissement. L'utilisation de l’apprentissage automatique (ou Machine Learning) peut également aider à générer des idées de stratégie commerciale. À ce titre, le nouveau service Data Analytics de CACEIS intègre déjà les données des médias sociaux.

Par ailleurs, les progrès dans le traitement du langage naturel vont permettre de mieux définir le profil des investisseurs et ainsi être en conformité avec la nouvelle réglementation MiFID II. Les modèles aideront également les gérants d'actifs à mieux anticiper le rendement des fonds en cas de nouvelle crise financière, ceci étant rendu nécessaire avec les réglementations européennes visant à renforcer la protection des investisseurs.

Enfin, ces modèles permettront une meilleure analyse des données des clients, aidant les gérants à améliorer leur expérience de la relation client et à conserver/attirer de nouveaux actifs. Parallèlement, les Machine Learning et le Big Data vont contribuer à augmenter l'efficacité interne et à réduire les coûts.