MATLAB utilisé pour prédire les crises financières sur les marchés émergents

« Comme MATLAB est à la fois puissant et facile à utiliser, j’étais convaincu que la Bank of Indonesia serait en mesure d’implémenter les programmes MATLAB et de les utiliser comme système d’alerte précoce en cas de difficultés financières. »

Challenge

Développer un modèle économétrique qui pourrait aider à prédire et à éviter les crises financières dans les économies émergentes

Solution

Utiliser les outils MathWorks pour développer un modèle qui applique à la fois des méthodes linéaires et des réseaux de neurones pour analyser les tendances de la demande de devises sur une période donnée

Résultats

  • Des modèles avec de meilleures capacités de prédiction
  • Un programme pour éviter les catastrophes financières
  • De nouveaux outils de recherche pour la prochaine génération
georgetown

Suite à la crise financière qui avait débuté dans les économies des Tigres asiatiques avant de s’étendre au reste du monde, l’économiste Paul McNelis a souhaité voir si les outils modernes et les techniques de recherche pouvaient prédire de telles crises et ainsi réduire leur impact.

Il s’est concentré en particulier sur l’Indonésie qui, durant l’automne 1997, a connu une dépréciation forte et soudaine de la valeur de sa monnaie, la roupie indonésienne. En conséquence, la demande intérieure pour le dollar avait atteint des sommets même après que le gouvernement ait reçu un prêt d’un montant de 23 milliards de dollars, de la part du FMI.

Paul McNelis a effectué ses recherches à la Bank of Indonesia grâce à une subvention d’assistance technique accordée par l’Agence des États-Unis pour le développement international en Indonésie. Tout au long de ce projet ambitieux, il s’est appuyé sur MATLAB® et sur son répertoire de fichiers MATLAB personnels, en combinaison avec Spreadsheet Link™, Statistics and Machine Learning Toolbox™, Optimization Toolbox™ et Deep Learning Toolbox™.

Challenge

Paul McNelis a entrepris d’analyser la demande mensuelle en Indonésie, à la fois pour les devises et pour les monnaies au sens large (ou quasi-monnaies), sur une période de 13 ans jusqu’à la crise comprise. Il avait besoin de déterminer la manière la plus efficace d’analyser de grandes quantités de données cumulées au fur et à mesure. Il avait également besoin de réduire les risques d’erreurs de prévision qui auraient pu être engendrées par de grandes fluctuations des données (par exemple, des pics de la demande de dollars au point culminant de la crise). Il savait que les modèles linéaires ou à correction d’erreurs utilisés traditionnellement par les économistes ne conviendraient à ce travail.

Solution

Paul McNelis a choisi de travailler avec MATLAB en raison de ses fonctionnalités de programmation, de sa facilité d’utilisation, ainsi que de ses capacités de gestion de grands jeux de données. Par ailleurs, il a mis au point une méthodologie pour obtenir des résultats plus précis en combinant des modèles linéaires et des analyses de réseaux de neurones. Selon lui, un des avantages de l’utilisation des réseaux de neurones est que « l’estimation n’implique pas seulement un traitement séquentiel des données en utilisant des entrées x pour prévoir la sortie y, mais elle implique également un traitement parallèle en simultané puisque les entrées sont traitées par plusieurs neurones dans la couche cachée. »

L’élément central de son analyse était l’algorithme génétique développé conjointement avec le Professeur John Duffy de l’Université de Pittsburgh. Lors du développement de l’algorithme, Paul McNelis et John Duffy ont pleinement exploité le potentiel de Statistics and Machine Learning Toolbox. Pour accélérer le traitement, ils ont également utilisé les fonctions de vectorisation incluses dans MATLAB. « Les coefficients obtenus par l’algorithme peuvent servir de valeurs de départ dans les méthodes de recherches locales les plus courantes », explique Paul McNelis. Dans le cadre de sa méthode, il a utilisé la fonction de minimisation non-linéaire disponible dans Optimization Toolbox.

Une fois les données collectées, Paul McNelis a voulu obtenir les meilleurs résultats possibles avec un modèle linéaire traditionnel. Il a ensuite utilisé les données de ce modèle pour créer le réseau de neurones.

Lors de l’élaboration du réseau de neurones, Paul McNelis déclare qu’il préfère « commencer avec un réseau simple, par exemple avec trois ou quatre neurones dans une couche cachée. J’entraîne le modèle avec une méthode hybride : j’utilise d’abord l’algorithme génétique pour trouver un ensemble de coefficients pour le réseau de neurones, puis, à l’aide de ces coefficients, je passe à une méthode de descente de gradient non-linéaire. »

Pour relier les entrées aux sorties, Paul McNelis a utilisé l’architecture à propagation avant de Deep Learning Toolbox. « J’ai fait des tests avec différentes architectures de réseaux de neurones dans diverses applications économiques et, selon moi, la meilleure architecture est celle du modèle à propagation avant avec une couche cachée », affirme-t-il. Pour la couche cachée de chaque neurone, il a utilisé la fonction d’activation sigmoïde du log de la toolbox. L’entrée a été transmise à la couche cachée et compressée par la fonction sigmoïde du log. Enfin, les neurones ont été transmis à la couche de sortie en tant que combinaisons linéaires.

Il a réussi à augmenter encore davantage la puissance de prévision des réseaux de neurones en utilisant un modèle GARCH variable dans le temps pour représenter le risque de change lors des dépréciations considérables de la monnaie indonésienne de novembre et décembre 1997.

Il a utilisé Spreadsheet Link pour obtenir des performances dans et hors échantillon. Spreadsheet Link lui a permis d’importer des prédictions hors échantillon dans Microsoft® Excel® et de calculer les erreurs dans ces prédictions. Il était ensuite facile de transférer les résultats de MATLAB dans une présentation sous forme de feuille de calcul.

Résultats

  • Des modèles avec de meilleures capacités de prédiction. Globalement, les modèles de réseau de neurones développés par Paul McNelis présentent une bien meilleure précision que les modèles linéaires. De plus, le modèle GARCH a permis d’améliorer encore plus les prévisions.

  • Un programme pour éviter les catastrophes financières. La Bank of Indonesia utilise désormais largement les modèles de Paul McNelis pour prévoir les demandes de monnaie et prédire le taux d’inflation sous-jacente. Ainsi, la banque est mieux préparée pour faire face aux principales pressions inflationnistes. Pour Paul McNelis, la surveillance étroite des fluctuations des taux de change « pourrait être un système d’alerte précoce efficace face aux difficultés financières » que d’autres banques pourraient utiliser pour prédire une crise.

  • De nouveaux outils de recherche pour la prochaine génération. Paul McNelis est professeur à l’Université de Georgetown. Grâce à lui, les communautés financières et les banques centrales d’Asie et d’Amérique du Sud ont accès à des technologies économiques de pointe élaborées à partir de MATLAB. De plus, il enseigne ses méthodes basées sur MATLAB afin d’aider ses étudiants à mieux appréhender les difficultés que l’instabilité fiscale peut entraîner pour les populations en transition économique.

Remerciements

L’Université de Georgetown fait partie d’un réseau mondial de 1 300 universités qui fournissent un accès à MATLAB et à Simulink sur leur campus. Grâce à la licence Campus-Wide, les chercheurs, les enseignants et les étudiants ont accès à une configuration commune de produits, dans leur dernière version, et ils peuvent les utiliser n’importe où : en classe, à la maison, dans un laboratoire ou sur le terrain.