Fonton Moffo Ahmadou Mustapha, Fonton Moffo
(2023).
« Essais en macro finance » Thèse.
Montréal (Québec, Canada), Université du Québec à Montréal, Doctorat en économique.
Fichier(s) associé(s) à ce document :
Résumé
Les techniques d’apprentissage automatique sont devenues au fil du temps de puissants outils de prévision, particulièrement utiles dans des domaines tels que la macroéconomie et la finance en raison de leur capacité à améliorer la qualité des prévisions relativement aux méthodes traditionnelles. L’importance des techniques d’apprentissage automatique dans ces domaines a été bien documentée dans des recherches antérieures (Goulet Coulombe et al. 2022, Fraisse and Laporte 2022). Cette recherche doctorale comprend trois chapitres. Chaque chapitre examine dans quelle mesure les modèles d’apprentissage automatique combinés à une richesse d’information peuvent approfondir notre compréhension du rôle du secteur bancaire dans la stabilité macroéconomique et financière. Le chapitre 1, « Le crédit bancaire et le cycle économique suivant la perspective des techniques d’apprentissage automatique », utilise une approche d’apprentissage automatique pour identifier les chocs d’offre de crédit bancaire dans un environnement riche en données. Dans un premier temps, nous réalisons un exercice de prévision hors échantillon afin de déterminer le modèle prévisionnel du ratio capital/actif des banquiers. Par la suite, nous construisons un choc de crédit global comme la moyenne pondérée des erreurs de prévision hors échantillon spécifiques à chaque banque. En introduisant ce choc dans un VAR, nous trouvons qu’une variation négative de notre métrique affecte inversement le volume et les prix du crédit, confirmant qu’elle identifie un choc d’offre de crédit bancaire. Ce choc impacte considérablement les variables macro-économiques clés, induisant une baisse de la croissance du PIB, de l’inflation et une baisse prononcée du volume des crédits commerciaux et industriels. Le chapitre 2, « Une approche d’apprentissage automatique dans les tests de stress des grandes banques américaines », évalue si les modèles d’apprentissage automatique améliorent l’analyse de risque dans les tests de stress bancaire relativement aux modèles linéaires. Les résultats mettent en évidence le double avantage des modèles d’apprentissage automatique. Indirectement, ils affinent la prévision des variables bancaires clés, notamment le revenu net avant provision (PPNR) et les charges nettes (NCO), par rapport aux modèles linéaires. Directement, les modèles d’apprentissage automatique fournissent une meilleure image des risques et de la vulnérabilité des banques en période de ralentissement économique relativement aux modèles linéaires. Le chapitre 3, « Incertitude bancaire et cycle économique : cas de grandes banques américaines », présente une méthode pionnière d’évaluation de l’incertitude au niveau des banques. Cette métrique est dérivée d’erreurs de prévision du rendement sur actif (ROA) d’une banque, obtenues à partir d’un ensemble de modèles d’apprentissage automatique combinés à des ensembles de données bancaires et macro-économiques. L’incertitude bancaire est définie comme l’écart type de ces erreurs de prévision. En utilisant un VAR, il ressort qu’une hausse inattendue de l’incertitude bancaire entraîne un ralentissement économique et une détérioration des conditions de crédit, beaucoup plus importants que suite à une hausse similaire des indicateurs d’incertitude macro-économique et financière traditionnels.
_____________________________________________________________________________
MOTS-CLÉS DE L’AUTEUR : Technique d’apprentissage automatique; données massives; banque; stabilité financière; stabilité macro-économique.
| Type: |
Thèse ou essai doctoral accepté
|
| Informations complémentaires: |
Fichier numérique reçu et enrichi en format PDF/A. |
|
Directeur de thèse: |
Stevanovic, Dalibor |
| Mots-clés ou Sujets: |
Stabilité économique / Banques / Apprentissage automatique / Données volumineuses / Macroéconomie / Modèles prédictifs |
| Unité d'appartenance: |
École des sciences de la gestion |
| Déposé par: |
Service des bibliothèques
|
| Date de dépôt: |
22 mai 2024 08:13 |
| Dernière modification: |
22 mai 2024 08:13 |
| Adresse URL : |
http://archipel.uqam.ca/id/eprint/17714 |
RECHERCHER
PARCOURIR
LIBRE ACCÈS
