ED 396 - Soutenance de M DE ROUX Nicolas

M. Nicolas DE ROUX, présente ses travaux en soutenance en vue de l'obtention du diplôme Doctorat Sciences Economiques

Section CNU : 05 - Sciences économique

Unité de Recherche : EconomiX

Directeur : M Laurent FERRARA, Professeur des universités

Membres du jury

M. Hamza  BENNANI , Professeur des Universités, Université Nantes
M. Thomas  RENAULT, Professeur de Universités, Université Paris-Saclay 
M. Juri MARCUCCI, Economiste
Mme Anna SIMONI, Professeur des Universités, ENSAE Toulouse 
Mme Valérie MIGNON, Professeur des Universités, Université Paris Nanterre
M. Laurent FERRARA, Professeur, Skema Business School Paris Campus  

Résumé :

Cette thèse s’inscrit dans le champ général de l'analyse et de la prévision macroéconomiques empiriques, et plus spécifiquement de la prévision basée sur les données massives (Big Data). Elle explore comment les sources de données alternatives peuvent améliorer les méthodes de prévision traditionnelles. En exploitant les caractéristiques uniques des Big Data (vélocité, granularité et disponibilité en temps réel), cette recherche démontre des améliorations significatives dans le nowcast de variables économiques, la prévision des marchés financiers et la compréhension des décisions de politique monétaire. Les trois chapitres illustrent que lorsqu'elles sont intégrées aux approches conventionnelles, les sources de données alternatives peuvent répondre aux limitations clés de l'analyse économique traditionnelle. Le premier chapitre se concentre sur le nowcast de la consommation des ménages en utilisant les données Google Trends. L'étude développe des méthodes de prétraitement robustes pour gérer les instabilités temporelles et introduit une approche efficace pour récupérer des Séries Quotidiennes Longues. Les modèles d'équation de pont (Bridge Equations) incorporant des données Google Trends traitées surpassent les modèles traditionnels pour le nowcast de la consommation des ménages américains, établissant que les données de recherche peuvent fournir des signaux économiques fiables et opportuns lorsqu'elles sont correctement traitées. Le deuxième chapitre étend cette approche Big Data à la prévision des marchés financiers en incorporant des nowcasts quotidiens d'agrégats économiques dans la modélisation de la courbe des taux. Utilisant le nowcast du PIB et un indicateur d'inflation, l'étude augmente le modèle Nelson-Siegel Dynamique pour analyser les interactions macro-financières à fréquence quotidienne. Le modèle Nelson-Siegel Augmenté atteint une performance supérieure pour les obligations à plus long terme, particulièrement hors Borne Inférieure Zéro, démontrant comment le monitoring macroéconomique haute fréquence peut améliorer l'analyse des marchés financiers et fournir des insights pour l'implémentation de la politique monétaire. Le troisième chapitre emploie des données textuelles pour investiguer les déterminants non observés des décisions de politique monétaire de la Réserve Fédérale par Traitement du Langage Naturel des comptes-rendus du FOMC. L'étude développe plusieurs indices d'attention utilisant diverses techniques, trouvant que les approches plus simples performent de manière comparable aux méthodes sophistiquées. L'intégration de ces mesures dans les spécifications de règle de Taylor révèle qu'une attention accrue de la Fed aux développements internationaux mène systématiquement à une politique monétaire plus accommodante que ne le prédiraient les modèles standards. Ensemble, ces trois études établissent que les sources de données alternatives, lorsqu'elles sont systématiquement intégrées aux méthodologies traditionnelles, peuvent significativement faire progresser la prévision économique à travers le nowcast de consommation, la prédiction des marchés financiers et l'analyse des politiques. La thèse contribue des innovations méthodologiques et des principes pour l'intégration responsable des Big Data dans la recherche économique.

Mots clés: Macroéconomie, Prévision, Nowcasting, Données alternatives,