De la modélisation multifréquentielle pour la prévision économique

Mixed-Frequency Modeling and Economic Forecasting

• Auteur / Autrice : Clément Marsilli
• Direction : Juan-Pablo Ortega, Laurent Ferrara
• Type : Thèse de doctorat
• Discipline(s) : Mathematiques
• Date : Soutenance le 06/05/2014
• Etablissement(s) : Besançon
• Ecole(s) doctorale(s) : École doctorale Carnot-Pasteur (Besançon ; Dijon ; 2012-....)
• Partenaire(s) de recherche : Equipe de recherche : Laboratoire de Mathématiques de Besançon (Besançon)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Mathématiques de Besançon
• Jury : Président / Présidente : Sébastien Laurent
• Jury : Examinateurs / Examinatrices : Juan-Pablo Ortega, Laurent Ferrara, Sébastien Laurent, Luc Bauwens, Frédérique Bec, Yacouba Boubacar Mainassara
• Jury : Rapporteurs / Rapporteuses : Luc Bauwens, Frédérique Bec

Mots clés

Mots clés contrôlés

Prévision économique

Modèles économétriques

Économétrie

Macroéconomie

Mots clés libres

Econométrie

Séries temporelles

Méthodes de prévision

Macroéconomie internationale

Modélisation multi-fréquentielle

MIDAS

Econometrics

Time Series

Forecasting

International macroeconomics

Mixed-frequency models

MIDAS

Résumé

La prévision macroéconomique à court terme est un exercice aussi complexe qu’essentiel pour la définition de la politique économique et monétaire. Les crises financières récentes ainsi que les récessions qu’ont endurées et qu’endurent aujourd’hui encore, en ce début d’année 2014, nombre de pays parmi les plus riches, témoignent de la difficulté d’anticiper les fluctuations économiques, même à des horizons proches. Les recherches effectuées dans le cadre de la thèse de doctorat qui est présentée dans ce manuscrit se sont attachées à étudier, analyser et développer des modélisations pour la prévision de croissance économique. L’ensemble d’informations à partir duquel construire une méthodologie prédictive est vaste mais également hétérogène. Celle-ci doit en effet concilier le mélange des fréquences d’échantillonnage des données et la parcimonie nécessaire à son estimation. Nous évoquons à cet effet dans un premier chapitre les éléments économétriques fondamentaux de la modélisation multi-fréquentielle. Le deuxième chapitre illustre l’apport prédictif macroéconomique que constitue l’utilisation de la volatilité des variables financières en période de retournement conjoncturel. Le troisième chapitre s’étend ensuite sur l’inférence bayésienne et nous présentons par ce biais un travail empirique issu de l’adjonction d’une volatilité stochastique à notre modèle. Enfin, le quatrième chapitre propose une étude des techniques de sélection de variables à fréquence multiple dans l’optique d’améliorer la capacité prédictive de nos modélisations. Diverses méthodologies sont à cet égard développées, leurs aptitudes empiriques sont comparées, et certains faits stylisés sont esquissés.

Economic downturn and recession that many countries experienced in the wake of the global financial crisis demonstrate how important but difficult it is to forecast macroeconomic fluctuations, especially within a short time horizon. The doctoral dissertation studies, analyses and develops models for economic growth forecasting. The set of information coming from economic activity is vast and disparate. In fact, time series coming from real and financial economy do not have the same characteristics, both in terms of sampling frequency and predictive power. Therefore short-term forecasting models should both allow the use of mixed-frequency data and parsimony. The first chapter is dedicated to time series econometrics within a mixed-frequency framework. The second chapter contains two empirical works that sheds light on macro-financial linkages by assessing the leading role of the daily financial volatility in macroeconomic prediction during the Great Recession. The third chapter extends mixed-frequency model into a Bayesian framework and presents an empirical study using a stochastic volatility augmented mixed data sampling model. The fourth chapter focuses on variable selection techniques in mixed-frequency models for short-term forecasting. We address the selection issue by developing mixed-frequency-based dimension reduction techniques in a cross-validation procedure that allows automatic in-sample selection based on recent forecasting performances. Our model succeeds in constructing an objective variable selection with broad applicability.