Évaluation et validation de prévisions en loi

Evaluation and validation of predictive densities

• Auteur / Autrice : Michael Richard
• Direction : Jérôme Collet, Christophe Hurlin
• Type : Thèse de doctorat
• Discipline(s) : Économie
• Date : Soutenance le 09/05/2019
• Etablissement(s) : Orléans
• Ecole(s) doctorale(s) : École doctorale Sciences de la Société : Territoires, Économie et Droit (Centre-Val de Loire)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Economie d'Orléans (Orléans ; 2018-....)
• Jury : Président / Présidente : Christophe Rault
• Jury : Examinateurs / Examinatrices : Jérôme Collet, Christophe Hurlin, Christophe Rault, Peter Tankov, Olivier Darné, Yannig Goude
• Jury : Rapporteurs / Rapporteuses : Peter Tankov

Mots clés

Mots clés contrôlés

Estimation, Théorie de l'

Apprentissage automatique

Économétrie

Mots clés libres

Prévision en loi

Prévision de quantile

Machine learning

Tests de validité

Calibration

Correction de biais

Transformation de Rosenblatt

Pinball-Loss

CRPS

Density forecasting

Quantile forecasting

Machine learning

Validity tests

Calibration

Bias correction

PIT series

Pinball-Loss

CRPS

Résumé

Cette thèse porte sur l’évaluation et la validation de prévisions en loi. Dans la première partie, nous nous intéressons à l’apport du machine learning vis à vis des prévisions quantile et des prévisions en loi. Pour cela, nous avons testé différents algorithmes de machine learning dans un cadre de prévisions de quantiles sur données réelles. Nous tentons ainsi de mettre en évidence l’intérêt de certaines méthodes selon le type de données auxquelles nous sommes confrontés. Dans la seconde partie, nous exposons quelques tests de validation de prévisions en loi présents dans la littérature. Certains de ces tests sont ensuite appliqués sur données réelles relatives aux log-rendements d’indices boursiers. Dans la troisième, nous proposons une méthode de recalibration permettant de simplifier le choix d’une prévision de densité en particulier par rapport à d’autres. Cette recalibration permet d’obtenir des prévisions valides à partir d’un modèle mal spécifié. Nous mettons également en évidence des conditions sous lesquelles la qualité des prévisions recalibrées, évaluée à l’aide du CRPS, est systématiquement améliorée, ou très légèrement dégradée. Ces résultats sont illustrés par le biais d’applications sur des scénarios de températures et de prix.

In this thesis, we study the evaluation and validation of predictive densities. In a first part, we are interested in the contribution of machine learning in the field of quantile and densityforecasting. We use some machine learning algorithms in quantile forecasting framework with real data, inorder to highlight the efficiency of particular method varying with nature of the data.In a second part, we expose some validation tests of predictive densities present in the literature. Asillustration, we use two of the mentionned tests on real data concerned about stock indexes log-returns.In the third part, we address the calibration constraint of probability forecasting. We propose a generic methodfor recalibration, which allows us to enforce this constraint. Thus, it permits to simplify the choice betweensome density forecasts. It remains to be known the impact on forecast quality, measured by predictivedistributions sharpness, or specific scores. We show that the impact on the Continuous Ranked ProbabilityScore (CRPS) is weak under some hypotheses and that it is positive under more restrictive ones. We use ourmethod on weather and electricity price ensemble forecasts.Keywords : Density forecasting, quantile forecasting, machine learning, validity tests, calibration, bias correction,PIT series , Pinball-Loss, CRPS.