Day 3: Michael Wolf - Forecasting Inflation With The Hedged Random Forest | ADIA Lab Symposium 2025

Day 3: Michael Wolf - Forecasting Inflation With The Hedged Random Forest | ADIA Lab Symposium 2025

par Michael Wolf

Sciences formelles & physiques Économie & Finance KCEconomieKCJPrévisions économiques
🎙 Michael Wolf 👥 824 📅 5 novembre 2025 ⏱ 24 min 👁 109 📄 étude originale 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

inflationrandom forestprévisionmachine learningpondération optimale

Résumé

Dans cette présentation donnée lors du symposium ADIA Lab 2025, le professeur Michael Wolf de l’Université de Zurich expose une méthode novatrice pour améliorer la prévision de l’inflation à l’aide d’une variante du random forest, appelée ‘hedged random forest’. Il commence par rappeler l’importance de la prévision de l’inflation pour la politique économique et les marchés financiers, puis explique les limites des méthodes univariées traditionnelles et l’avènement des méthodes de machine learning, notamment le random forest, qui a montré sa supériorité. Le cœur de l’exposé réside dans l’idée d’utiliser des techniques de sélection de portefeuille pour optimiser la pondération des arbres dans le random forest, au lieu de la simple moyenne égale. Wolf détaille la méthodologie : estimation des erreurs de chaque arbre, calcul d’une matrice de covariance, et résolution d’un problème d’optimisation sous contrainte de somme des poids et de contrainte d’exposition brute (gross exposure). Il applique cette méthode à des données mensuelles américaines et suisses sur l’inflation, avec un historique de 30 ans pour l’entraînement, et compare les performances sur des horizons de 1 à 12 mois. Les résultats montrent une amélioration systématique par rapport au random forest standard, avec une réduction de l’erreur absolue moyenne allant jusqu’à près de 10 % pour les mesures core. Il souligne que la méthode est particulièrement performante en période de crise, comme lors de la crise financière de 2008. En conclusion, Wolf présente cette approche comme un exemple de fertilisation croisée entre la finance et le machine learning, où les outils de sélection de portefeuille améliorent les performances d’un algorithme d’apprentissage automatique.

261 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : la présentation s’appuie sur une recherche originale, méthodologiquement solide, et les résultats sont présentés de manière transparente. L’argumentation est bien structurée : après avoir établi le contexte et la motivation, Wolf explique clairement le fonctionnement du random forest, puis introduit l’idée d’optimiser les poids, en s’appuyant sur une analogie avec la sélection de portefeuille. Il détaille les étapes de l’estimation et les contraintes, puis présente les résultats empiriques de manière convaincante, avec des comparaisons systématiques et une analyse de la performance dans le temps. La démonstration est rigoureuse, bien que certains aspects techniques soient simplifiés pour un public de symposium.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est manifeste : l’auteur est un professeur d’économétrie reconnu, et la méthode s’appuie sur des concepts éprouvés (random forest, sélection de portefeuille, shrinkage). Les sources citées incluent des travaux fondateurs comme celui de Medeiros et al. (2021) sur la prévision de l’inflation par machine learning, ainsi que des références en finance pour les techniques d’estimation de covariance. Le titre est en adéquation avec le contenu, bien qu’il soit technique et destiné à un public averti. La présentation est claire et bien organisée, avec des supports visuels efficaces.

212 mots

Adéquation titre / contenu

Le titre décrit précisément le contenu : présentation d'une méthode de prévision de l'inflation basée sur un random forest modifié.

Qualité & fiabilité

8/10

Présentation académique par un professeur d'économétrie, s'appuyant sur une étude originale publiée dans des revues à comité de lecture. La méthodologie est détaillée et les résultats sont présentés de manière transparente, avec des comparaisons sur plusieurs horizons et mesures d'inflation.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

  • Medeiros et al. (2021) - Inflation forecasting with machine learning — Article fondateur montrant que le machine learning peut surpasser les méthodes univariées pour la prévision de l'inflation.
  • Ledoit & Wolf (2004) - Honey, I Shrunk the Sample Covariance Matrix — Référence pour la technique de shrinkage utilisée pour stabiliser les estimateurs de covariance.
  • DeMiguel et al. (2009) - A Generalized Approach to Portfolio Optimization — Référence pour les contraintes de gross exposure dans la sélection de portefeuille.

Sources concordantes

  • Medeiros et al. (2021) - Inflation forecasting with machine learning — Confirme que le random forest est une méthode de référence pour la prévision de l'inflation.
  • Ledoit & Wolf (2004) - Honey, I Shrunk the Sample Covariance Matrix — Confirme l'efficacité du shrinkage pour améliorer les estimateurs de covariance.

Apport & nouveautés

L’apport original de cette présentation est l’application de techniques de sélection de portefeuille pour optimiser la pondération des arbres dans un random forest, améliorant ainsi sa précision pour la prévision de l’inflation. Cette approche, appelée ‘hedged random forest’, démontre une amélioration systématique par rapport au random forest standard, avec des réductions d’erreur allant jusqu’à près de 10 %. Elle illustre un transfert de concepts entre la finance et le machine learning, ouvrant la voie à d’autres applications.

Pour aller plus loin :

  • Random forest — Article Wikipédia détaillant le fonctionnement du random forest.
  • Sélection de portefeuille — Article Wikipédia sur la théorie moderne du portefeuille, dont les concepts sont utilisés ici.
  • Prévision de l’inflation — Article Wikipédia sur la prévision économique, contexte général de l’application.

125 mots

Profil radar

Le profil radar montre une performance équilibrée, avec des scores élevés en quantité et qualité d'information, ainsi qu'en fiabilité. Le niveau technique est également bon, reflétant la rigueur de la présentation.

Fiabilité 8/10