L'évolution de la probabilité en économie

La théorie de la probabilité est devenue la pierre angulaire de l'économie moderne, fournissant le cadre mathématique pour modéliser l'incertitude et le risque. L'intégration de la probabilité dans la pensée économique remonte au 17ème siècle avec des pionniers comme Blaise Pascal et Pierre de Fermat, dont les travaux sur les jeux de hasard ont jeté les bases de la théorie d'utilité attendue.Au 20ème siècle, des économistes comme John von Neumann, Oskar Morgenstern et Leonard J. Savage ont officialisé la probabilité subjective et la théorie de la décision bayésienne, permettant aux économistes de traiter les attentes et les croyances comme des intrants quantifiables.

Fondations de la modélisation probabiliste en économie

Utilité prévue et théorie des décisions

Au cœur de la prise de décision économique dans le cadre de l'incertitude se trouve la théorie de l'utilité attendue. Les agents attribuent les probabilités à des résultats possibles et choisissent des actions qui maximisent la somme pondérée des services publics. Critiques ont souligné des anomalies comportementales, telles que l'aversion de perte et la pondération de probabilité, conduisant au développement de la théorie de la perspective par Kahneman et Tversky. Néanmoins, l'utilité attendue reste un point de repère pour l'analyse rationnelle des choix.

Processus stochastiques et séries chronologiques

La prévision macroéconomique repose fortement sur des processus stochastiques. L'hypothèse de marche aléatoire, par exemple, modélise les prix des actifs comme séries imprévisibles, tandis que les modèles de moyenne mobile autorégressive (ARMA) captent les chocs persistants.Les banques centrales modernes utilisent des autorégression vectorielle structurelle (VAR) avec des réponses probabilistes pour simuler les effets de la politique monétaire.

Méthodes bayésiennes en économie moderne

L'économétrie bayésienne a acquis une traction pour intégrer des informations antérieures et mettre à jour les croyances à mesure que de nouvelles données arrivent. L'approche bayésienne est particulièrement utile lorsque la taille des échantillons est petite ou lorsque les modèles sont surparamétrés. Par exemple, les modèles DSGE (Equilibrium général stochastique dynamique) de la Réserve fédérale utilisent souvent l'estimation bayésienne pour correspondre aux données observées tout en respectant les contraintes théoriques.

Applications de la probabilité dans les prévisions économiques

Inflation et politique monétaire

Les banques centrales publient régulièrement des diagrammes de fans montrant la répartition probable de l'inflation future. Le rapport de la Banque d'Angleterre sur la politique monétaire, par exemple, utilise des simulations stochastiques pour illustrer la balance des risques autour de la projection centrale. Lien externe: Rapport de politique monétaire de la Banque d'Angleterre – novembre 2023

Prévisions de croissance du PIB

Les organisations internationales comme le Fonds monétaire international (FMI) produisent des prévisions probabilistes pour la croissance du PIB mondial en utilisant des méthodes d'ensemble. En combinant plusieurs modèles et en tenant compte des erreurs de prévision historiques, ils génèrent des intervalles de probabilité qui révèlent des risques à la baisse.

Volatilité des marchés financiers

Les modèles de probabilité sont essentiels en économie financière pour les options de tarification et de gestion du risque. Le modèle Black-Scholes utilise la distribution log-normale pour estimer les primes d'option, tandis que les mesures de la valeur à risque (VaR) utilisent des simulations historiques ou Monte Carlo pour quantifier la probabilité de pertes de portefeuille.

Techniques probabilistes : Monte Carlo et Bootstraping

Simulations de Monte Carlo dans l'analyse des politiques

Les méthodes de Monte Carlo permettent aux économistes de simuler des milliers de scénarios futurs possibles en tirant des chocs aléatoires sur les distributions supposées. Par exemple, pour évaluer l'impact d'une taxe sur le carbone sur la croissance du PIB, un économiste pourrait simuler des trajectoires stochastiques pour les prix de l'énergie, le comportement des consommateurs et les changements technologiques. Lien externe: Document de travail du NBER – Méthodes Monte Carlo pour l'évaluation des politiques

Démarrage pour intervalles de confiance

En rééchantillonnageant les données historiques avec remplacement, les économistes peuvent estimer la distribution par échantillonnage d'une statistique (par exemple, un coefficient d'élasticité) sans se fier à des approximations asymptotiques. Cette technique est de plus en plus utilisée dans les microéconométriques appliquées, surtout lors de l'évaluation de la robustesse des effets du traitement dans les expériences naturelles.

Défis de la modélisation économique probabiliste

Limites des données et erreur de mesure

Les modèles de probabilité ne sont que aussi bons que les données qu'ils ingèrent. Les données économiques sont souvent révisées, sujettes à des erreurs de mesure et disponibles uniquement à de faibles fréquences. Par exemple, les estimations de croissance du PIB sont fréquemment révisées mois après la publication initiale, ce qui complique les évaluations des probabilités en temps réel. Modèles de facteurs dynamiques tenter de remédier à cette situation en extrayant des signaux latents de plusieurs indicateurs bruyants, mais ils créent une incertitude supplémentaire sur la structure des facteurs.

Incertitude et robustesse du modèle

Les économistes font face à l'incertitude du modèle : quelle distribution de probabilité représente le mieux le processus sous-jacent ? Choisir la mauvaise distribution peut conduire à des prévisions systématiquement biaisées. Des techniques comme le modèle bayésien permettent de calculer l'aide en pondérant les prévisions de plusieurs modèles selon leur probabilité postérieure, réduisant ainsi le risque de se fier à un modèle unique mal spécifié.

Changements de régime économique

Les modèles de probabilité estimés sur les données historiques peuvent échouer lorsque le régime économique change. L'environnement à faible taux d'intérêt pour l'après-2008, par exemple, a rompu de nombreuses relations empiriques supposées dans les modèles précédents. Les modèles de commutation Markov permettent de changer les paramètres entre les régimes, mais il est difficile de déterminer le nombre et le moment des régimes.

Études de cas : Probabilité d'action

Prévision de la crise financière 2008

Avant la crise de 2008, la plupart des modèles traditionnels ont attribué une probabilité négligeable à un effondrement bancaire systémique. L'échec des modèles probabilistes à anticiper la crise a mis en évidence les dangers de s'appuyer sur de courtes séries chronologiques et d'ignorer les résidus de graisse.

Changement climatique et risques économiques

Les modèles d'évaluation intégrée combinent la dynamique climatique et les projections de croissance économique, en utilisant les distributions de probabilités pour des paramètres clés comme la sensibilité au climat. Les prévisions qui en résultent aident les gouvernements à fixer les prix du carbone et à planifier les investissements d'adaptation. Cependant, la profonde incertitude entourant les points de basculement climatique a amené certains économistes à préconiser des approches de prise de décision robustes plutôt que de se fonder uniquement sur les valeurs prévues probabilistes. Lien externe: Nature – Risques économiques du changement climatique : une approche probabiliste

Nouvelles orientations : apprentissage automatique et données en temps réel

Probabilistic Machine Learning

Les techniques d'apprentissage automatique, comme les forêts aléatoires et les réseaux neuronaux profonds, peuvent capter les relations non linéaires que les modèles économétriques traditionnels ne connaissent pas, mais elles produisent souvent des prédictions ponctuelles sans quantification par incertitude inhérente.Les chercheurs ont développé des extensions probabilistes, y compris des réseaux neuronaux bayésiens et des prédictions conformes, pour générer des intervalles de prédiction.

Intégration des données en temps réel

La disponibilité de flux de données à grande échelle en temps réel (par exemple, à partir de systèmes de paiement, de postes en ligne) crée des possibilités de mise à jour continue des prévisions de probabilité. Par exemple, le modèle GDPNow de la Federal Reserve Bank d'Atlanta utilise un modèle de facteur de fréquence mixte pour produire une nouvelle diffusion de la croissance du PIB, en mettant à jour quotidiennement les nouvelles données.

Perspectives d'avenir : des prévisions ponctuelles aux distributions complètes

Les prévisions économiques s'éloignent des prévisions à un seul nombre pour se tourner vers les distributions de probabilités complètes. Les banques centrales, comme la Réserve fédérale américaine, publient maintenant le « diagramme de point » des projections de taux d'intérêt, mais les critiques demandent de les remplacer par des distributions de probabilité explicites. Les progrès en matière de pouvoir de calcul et d'inférence bayésienne permettront d'estimer des modèles d'équilibre général stochastiques et massifs qui intègrent des centaines de variables et de paramètres.

Conclusion

La probabilité n'est pas seulement un accessoire technique dans la modélisation économique; c'est le langage par lequel les économistes articulent l'incertitude et le risque.De la théorie du choix microéconomique à la simulation de politiques macroéconomiques, la probabilité permet une analyse rigoureuse de ce qui pourrait se passer, pas seulement de ce qui se passera.Malgré les défis persistants — qualité des données, erreur de spécification du modèle et changements de régime — l'innovation continue dans les méthodes bayésiennes, l'apprentissage automatique et les données en temps réel promettent d'affiner la trousse probabiliste. Lien externe: Perspectives économiques mondiales du FMI – octobre 2023