Professional Documents
Culture Documents
ABSTRACT
The neural approach drew the interest of many researchers for time series analysis and
forecasting in diverse domains. In this paper, we study the ability of artificial neural
networks (ANN) such as "multilayer perceptrons" to predict the Tunisian inflation rate. We
try to find a better technical of inflation forecasting by comparing the results obtained using
ANN to those provided by linear autoregressive models (AR) and the "naive"
forecasting model. The comparison is based on the root-mean-square error (RMSE) criterion
and the improvement rate of the latter (measured against the random walk). The results
found showed the superiority of the RNA to trace the series evolution and to offer a better
performance in terms of predictive power for inflation rate in Tunisia.
Keywords: Inflation rate, forecasting time series, artificial neural networks.
RSUM
Lapproche neuronale a occup lintrt dun grand nombre de chercheurs pour lanalyse et
la prvision des sries temporelles dans divers domaines. Dans ce papier, nous tudions la
capacit des rseaux de neurones artificiels (RNA) de type perceptrons multicouches
pour prvoir le taux dinflation en Tunisie. Nous essayons de trouver une meilleure
technique de prvision de linflation en comparant les rsultats obtenus par les RNA par
rapport ceux fournis par les modles autorgressifs linaires (AR) et par le modle de
prvision nave . La comparaison est effectue sur la base du critre de la racine carre de
lerreur quadratique moyenne (root-mean-square error : RMSE) et sur le taux
damlioration de ce dernier (valu par rapport la marche alatoire). Les rsultats trouvs
ont montr la supriorit des RNA qui permettent de mieux retracer lvolution de la srie et
offrent une meilleure performance en termes de pouvoir prdictif du taux dinflation en
Tunisie.
Mots cls : Taux dinflation, prvision des sries temporelles, rseaux de neurones
artificiels.
JEL classification : E31, C32, C45.
INTRODUCTION
Linflation se dfinit comme la hausse gnralise et durable des prix. Elle se traduit par une
baisse du pouvoir d'achat de la monnaie attribue lexcs de liquidit, entranant un
dsquilibre entre loffre et la demande des quantits de production. Les inconvnients de
l'inflation sont nombreux : l'inflation modifie la structure des revenus entre prteurs et
emprunteurs, fausse le processus de dcision des agents, provoque de l'auto-inflation1,
accrot le chmage, entrane la dprciation de la monnaie nationale sur le march des
changes et rduit la croissance conomique. Ainsi, les effets de linflation sur les conomies
expliquent le recentrage des politiques montaires dans quasiment tous les pays dvelopps,
sur le seul objectif de stabilit des prix depuis les annes 1980.
De plus, la prvision de linflation constitue une proccupation principale pour les dcideurs
et a fait lobjet de nombreux travaux qui utilisent diffrentes techniques de prvision dont
lobjectif est de proposer une meilleure visibilit sur lvolution future. En Tunisie et partir
du mois de mai de lanne 2006, la banque centrale a reu pour mission principale la
prservation de la stabilit des prix. Et depuis, elle na pas arrt de dployer des efforts pour
mettre en place un dispositif de prvision de linflation et daide la prise de dcision.
Depuis le dbut des annes quatre vingt dix, les Rseaux de Neurones Artificiels (RNA) ont
fait leur entre dans les sciences conomiques en tant que mthode quantitative de prvision.
Lavantage des RNA par rapport aux techniques statistiques traditionnelles rside dans le fait
quils permettent de modliser des problmes complexes dans lesquels une relation
mathmatique explicite entre les variables en question nest pas vidente. En plus, lorsquon
travaille avec les RNA, aucune hypothse a priori sur les variables nest ncessaire. Dans ce
papier, nous utilisons les RNA pour prvoir le taux dinflation en Tunisie et comparer les
rsultats avec ceux obtenus par deux techniques traditionnelles : le modle de prvision
nave et les modles autorgressifs linaires.
Ce travail est organis comme suit : la section 2 est consacre lexposition des
techniques de prvision de linflation les plus utilises dans la littrature. La section 3
prsente un aperu sur les RNA, leur mode de fonctionnement et leur utilisation dans la
prvision des sries temporelles. La section 4 est rserve une application de cette
technique sur la srie de linflation observe en Tunisie. Les conclusions de ce travail sont
prsentes dans la dernire section.
LA PRVISION DE LINFLATION
Stock et Watson (1999) sont les premiers prsenter une fonction de raction qui permet la
prvision de linflation en se basant sur linflation antrieure et sur plusieurs indicateurs
conomiques. Ils ont effectu des recherches sur la capacit prvisionnelle de la courbe de
Phillips qui prsente une relation inverse entre chmage et inflation et ce, pour le cas des
Etats-Unis. Toutefois, les travaux bass sur un modle bivari, ont t critiqus du fait
que d'autres indicateurs, qui peuvent tre importants dans le modle, sont ignors. Pour faire
1
Les entreprises versent une prime de risque lie l'volution du prix. Le cot de cette prime de risque est
report sur le prix de vente final, ce qui entretient l'inflation, cest le phnomne d'auto inflation .
face ce problme, deux approches ont t proposes dans la littrature. La premire utilise
des indices de diffusion ou de facteurs communs qui peuvent rsumer les contenus en
information d'un groupe d'indicateurs des fins de prvision. La deuxime se base sur des
mthodes qui combinent des prvisions produites par les modles dindicateurs simples.
Cependant, plusieurs auteurs prfrent lutilisation de la mthodologie des sries temporelles
en expliquant linflation par ses valeurs passes. Ils considrent que linflation antrieure
dpend des autres facteurs conomiques de la mme priode et de ce fait, elle renferme toute
linformation ncessaire la prvision. Atkenson et Ohanian (2001) ont utilis le modle
nave pour prvoir l'inflation aux Etats-Unis. Dans ce type de modle, on suppose que la
meilleure prvision du taux de linflation correspond au dernier taux d'inflation observe.
Alors que dautres auteurs ont appliqu les modles autorgressifs et moyenne-mobile
(autoregressive moving average : ARMA), pour trouver une prvision de linflation
europennes. Ils ont montr que cette mthode produit des erreurs de prvision minimales
par rapport aux autres techniques de prvision.
Dautres travaux ont montr lutilit de la mthode de prvision base sur les RNA dans la
prvision de linflation. Lavantage majeur des RNA rside dans leur capacit
dapprentissage des dpendances entre les variables en se basant sur un nombre fini
dobservations. Cette caractristique les rend suffisamment flexibles pour modliser les
relations complexes sans avoir besoin daucune hypothse a priori sur la distribution des
variables.
Les RNA constituent une mthodologie de plus en plus utilise dans de nombreux domaines
tels que la robotique, la reconnaissance des formes et des signaux, lanalyse du signal, les
diagnostics mdicaux, etc. Depuis quelques annes, les RNA ont suscit une attention
croissante de la part des conomistes et des financiers en raison de leur potentiel de dtection
et de reproduction des relations linaires et non linaires ; diagnostics conomiques et
financiers, prvision et modlisation du march, slection dinvestissement, etc.
rseau. Entre ces deux couches, on trouve les couches intermdiaires, appeles aussi couches
caches, dont les neurones nont aucun contact avec lextrieur. Il existe plusieurs types de
modles neuronaux, chaque modle prsente une faon particulire de connecter les
neurones lintrieur de chaque couche et de connecter les couches entre elles. Selon Kate et
Jatinder (2000), environ 95% des applications effectues dans le domaine des sciences de
gestion utilisent un type particulier des rseaux de neurones : les perceptrons multicouches
(multilayered feed-forward neural networks). Il sagit de rseaux dans lesquels chaque
neurone appartenant nimporte quelle couche, sauf celle de sortie, est connect seulement
tous les neurones de la couche suivante (aucune communication entre les cellules dune
mme couche nest autorise). Lappellation feed-forward vient du fait que
linformation se propage de la couche dentre vers la couche de sortie, en passant par les
couches intermdiaires, sans retour en arrire.
Les cellules de la couche dentre reoivent les vecteurs lentre, puis les transmettent aux
cellules de la couche suivante. Une cellule sur la premire couche intermdiaire sera active
en valuant lintensit des informations qui lui sont transmises, puis calcule sa sortie.
Santin et al. (2004) ont utilis la technique des RNA pour estimer une fonction de production
et ils ont compar ses performances avec les techniques traditionnelles. Ces auteurs
suggrent que la mthode des RNA est une alternative prometteuse aux approches
traditionnelles. Dans une tude plus rcente Feki (2007), a compar une spcification base
sur les RNA, la forme fonctionnelle Translog et celle de Fourier, pour l'approximation de la
fonction de cot lorsque diffrentes technologies sont utilises. Il a montr la supriorit de
la mthode RNA en termes de performance.
Dautres tudes ont appliqu lapproche neuronale pour prvoir linflation amricaine. On
cite entre autres les travaux de Nakamura (2005) qui a compar les RNA et la mthode de
prvision base sur un modle autorgressif linaire et qui a montr qu court terme (1 2
trimestres) la mthode fonde sur les RNA fournit les meilleurs rsultats. Dans le mme
objectif, Binner et al. (2010) ont utilis deux techniques dintelligence artificielle pour
prvoir linflation aux Etats-Unis savoir, la mthode des rseaux de neurones rcurrents et
les modles autorgressifs non linaires fonds sur la mthode du noyau (kernel method). Ils
ont trouv que cette dernire fournit des rsultats plus proches de celles du modle de
prvision nave. Dans un rapport du Fond Montaire International (2007), le modle naf a
prsent de mauvais rsultats dans le cas de la Tunisie parce que linflation a t
relativement volatile (voluant de 1 % 5 %) sur la priode 20002006. Cependant, le
modle naf propose des rsultats robustes lorsque linflation fluctue modrment.
MTHODOLOGIE
Notre tude porte sur des donnes mensuelles relatives lindice des prix la consommation
(Consumer Price Indexes : CPI) en Tunisie pour la priode qui stale entre janvier 1985 et
dcembre 20102. Le taux dinflation y est calcul comme suit :
y t = 100 * log (CPI t CPI t 12 )
En supposant que le taux dinflation la date t est une fonction des valeurs passes, on peut
crire :
y t +1 = f ( y t , y t 1 ,..., y t n +1 )
Nous adoptons la technique du RNA non rcurrents avec un perceptron multicouche
(Multilayer Perceptron : MLP). Un MLP permet deffectuer la prdiction d'une seule
variable dpendante ou la prdiction simultane de plusieurs variables dpendantes soit
partir de leurs ralisations dcales ou partir dautres variables explicatives. La prvision
des sries temporelles avec un MLP est gnralement fonde sur la modlisation du RNA
par analogie avec un modle autoregressif non-linaire AR (p) o p est le nombre de retards
pris en considration (Lapedes et Farber, 1987, Zhang, Patuwo et Hu, 1998).
La prvision de y effectue la date t pour lhorizon h=1 ( ) est calcule en utilisant les
valeurs passes . Ces valeurs seront considres comme units
d'entre ou dinput du MLP. En ce qui concerne le nombre de couches caches utilises dans
le rseau, plusieurs auteurs tels que (Zhang, Patuwo et Hu, 1998 et Palmer, Montano et Ses,
2006) ont montr le Succs du rseau une seule couche cache pour la prvision des sries
avec nimporte quelle fonction et dans divers domaines dapplication.
2
Nous utilisons la base de donnes de lInstitut National de la Statistique Tunisie.
(http://www.ins.nat.tn/indexfr.php)
yt
yt 1
yt 2 yt +1
. .
.
. .
.
.
.
yt n+1
Le nombre des neurones dentre correspond au nombre des observations retardes prises en
compte et qui peuvent tre slectionnes en reprant les autocorrlations partielles
significatives.
Pour cela, nous tudions dabord la stationnarit et la saisonnalit de la srie (figure 3 et
figure 4), afin de dterminer la fonction dautocorrlation approprie.
y t +1 = f ( y t , y t 11 , y t 12 )
p
y t +1 = + i y t +1i
i =1
(y t y t ) 2
RMSE = t =1
RSULTATS
En se qui concerne le modle bas sur les RNA, nous avons procd lapprentissage dun
grand nombre de rseaux en faisant varier le nombre de cellules sur la couche cache. A la
convergence, nous avons valu le RMSE au niveau de lchantillon dapprentissage et au
niveau de lchantillon test. Les rsultats relatifs aux trois meilleurs rseaux obtenus (5, 8 et
13 neurones cachs) sont prsents dans le tableau 1 ci-dessous:
Premirement, les rsultats montrent que les diffrents rseaux retenus prsentent une
performance nettement meilleure quun modle fond sur une prvision nave.
Deuximement, on remarque une bonne performance prdictive et une nette amlioration de
cette performance par rapport une marche alatoire des trois rseaux avec un minimum de
RMSE de 0,1964 et un maximum de IORW de 41,66% observs au niveau du premier (avec
5 neurones sur la couche cache).
Une illustration de la meilleure prdiction obtenue par la mthode RNA est prsente dans la
figure 6.
Les rsultats destimation par la mthode autorgressive linaire sont reprsents dans le
tableau 2 en considrant les 3 modles dordre de retards 1, 11 et 12 respectivement.
Daprs les rsultats du tableau 2, le meilleur modle autorgressif est celui que lon obtient
en considrant un retard dordre 12. La valeur de RMSE est de 0,3368 et de 0,2002 au
niveau de lchantillon estimation et lchantillon test respectivement. Ce modle est
galement plus performant que la marche alatoire sur lchantillon estimation
(IORW=58,95%) et sur lchantillon test (IORW=38,97%). Par ailleurs, nous remarquons
quaussi bien au niveau de lchantillon estimation quau niveau de lchantillon test, le
modle autorgressif produit des rsultats nettement moins performants que ceux obtenu
avec les RNA.
Si on compare le meilleur modle obtenu avec les RNA (avec 5 cellules sur la couche
cache) et celui obtenu en considrant un processus autorgressif (p=12), on remarque que le
premier fournit le RMSE le plus faible sur les deux chantillons (estimation et test) de
0,3117 et 0,1964 respectivement, contre 0,3368 et 0,2 dans le cas du modle AR(12). Le
critre IORW montre une plus grande amlioration de performance des rsultats du premier
modle par rapport RW sur les deux chantillons (estimation et test) respectivement de
(71,75% et 41,66%) contre (58,95 % et 38,97%) pour le second modle. Ainsi, les RNA ont
permis dobtenir un modle qui semble tre mieux adapte au problme de prvision de
linflation en Tunisie.
CONCLUSION
Dans cet article, une prsentation des RNA, de leur mode de fonctionnement ainsi que leur
application au problme de prvision dune srie temporelle a t effectue. Laccent est mis
essentiellement sur des rseaux du type perceptrons multicouches pour prvoir le taux
dinflation en Tunisie. Les rsultats obtenus sur la base dune srie dobservations
mensuelles qui couvre la priode 1985:1-2010:12 montrent que cette technique semble bien
adapte au problme de la prvision du taux dinflation en Tunisie. Cette technique a permis
de dtecter un modle qui possde une grande capacit retracer lvolution du taux
dinflation et fournit une meilleure performance en termes de pouvoir prdictif par rapport au
modle autorgressif linaire.
Cependant, un bon ajustement du taux dinflation par la mthode des RNA a t obtenu
quand seulement le pass de la srie a t considr. Les spcifications simples des RNA (
une seule variable) ne sont pas envisageables quand le nombre dobservations est limit. Ce
problme peut tre rsolu dans le cas des modles plusieurs variables explicatives. Les
rsultats obtenus peuvent tre amliors en prenant en considration dautres indicateurs
conomiques qui sont ajouts dans le modle et en exprimentant une autre classe des
techniques dintelligences artificielles non linaires, savoir la mthode des rseaux
rcurrents.
RFRENCES
Atkeson, A. et Ohanian, L. (2001). Are Phillips curves useful for forecasting inflation?,
Federal Reserve Bank of Minneapolis Quarterly Review, 25 (1): 2-11.
Binner, J.M., Tino, P., Tepper, J., Anderson, R., Jones, B. et Kendall, G. (2010). Does
money matter in inflation forecasting?, Physica A, 389 : 4793-4808.
Dreyfus, G. (1998). Les rseaux de neurones, Mcanique Industrielle et matriaux, 51.
Feki, R. (2007). Comparison of the performances of neural networks specification, The
Translog and the Fourier flexible forms when different production technologies are used,
International Journal of industrial Engineering, 3 (5): 53-60.
Kate, A. S. et Jatinder, N. D. (2000). Gupta: Neural networks in business: techniques and
applications for the operations researcher, Computers & OR, 27(11-12): 1023-1044.
Lapedes, A., Farber, R. (1987). Nonlinear signal processing using neural network prediction
and system modeling, Technical report LA-UR-87-2662, Los Alamos National Laboratory.
Nakamura, E. (2005). Forecasting inflation using a neural network, Economics Letters, 86:
373-378.
Palmer, A., Montano, J. et Ses, A. (2006). Designing an artificial neural network for
forecasting tourism time series, Tourism Management, 27(5): 781-790.
Santin, D., Delgado, F.J. et Valio, A. (2004). The measurement of technical efficiency: a
neural network approach, Applied Economics, 36 (6): 627-635.
Stock, J. et Watson, M. (1999). Forecasting inflation, Journal of Monetary Economics, 44:
293-335.
Zhang, G., Patuwo, B. E., et Hu, M. Y. (1998). Forecasting with artificial neural networks:
The state of the art, International Journal of Forecasting, 14 (1): 35-62.