L'IA peut-elle prédire le cours de l'euro-dollar ? Ce que disent quarante ans d'études

La promesse revient régulièrement dans les démonstrations commerciales : un modèle d'intelligence artificielle, nourri de données de marché et d'actualité, annoncerait où sera l'euro-dollar dans trois ou six mois. Pour une direction financière, l'enjeu est réel — un bon pronostic permettrait de couvrir au meilleur moment.

La question a fait l'objet de quatre décennies de recherche, bien avant l'IA générative. Les résultats sont assez stables pour qu'on puisse y répondre clairement : la direction du cours ne se prévoit pas de façon exploitable à l'horizon d'une couverture d'entreprise ; son amplitude, si.

Le point de départ : la prévision « le cours ne bougera pas »

En 1983, Richard Meese et Kenneth Rogoff comparent les modèles de change de l'époque — fondés sur la monnaie, les taux, la croissance — à une règle naïve : le meilleur pronostic du cours de demain est le cours d'aujourd'hui. Hors de l'échantillon qui a servi à les construire, aucun de ces modèles ne fait mieux que cette « marche aléatoire ».

Trente ans plus tard, la revue de référence de Barbara Rossi fait le point sur tout ce qui a été tenté depuis. Sa conclusion tient en deux mots : « ça dépend ». Certains indicateurs, à certains horizons, sur certaines périodes, améliorent un peu la prévision ; la marche aléatoire reste la référence la plus difficile à battre, et les gains obtenus ne résistent pas toujours à un changement de période ou de méthode.

Les prévisionnistes professionnels ne font pas mieux

Si les modèles échouent, les économistes de marché réussissent-ils ? Les études qui confrontent leurs prévisions publiées aux cours effectivement observés disent que non, pour l'essentiel.

• Sur le panel d'économistes du Wall Street Journal, la plupart des prévisionnistes ne prévoient pas les cours de change mieux qu'une marche aléatoire (Mitchell et Pearce, 2007).
• Sur une enquête suédoise auprès des acteurs de marché, aucun des participants réguliers ne bat significativement la marche aléatoire sur la couronne contre l'euro et le dollar (Kiss et al., 2023).

Et l'apprentissage automatique ?

C'est la question légitime : des méthodes plus puissantes trouvent-elles ce que les modèles classiques ont manqué ? Une étude publiée en 2018 montre que des méthodes d'apprentissage simples, appliquées aux fondamentaux économiques, battent la prévision « pas de changement » sur les grandes devises entre 1973 et 2014 — à un horizon d'un mois (Amat, Michalski et Stoltz).

Le résultat est sérieux, et il faut le lire pour ce qu'il est : un gain mesuré à un mois, sur des données historiques, en moyenne sur une longue période. Il ne dit pas qu'un modèle peut annoncer l'EUR/USD à six ou douze mois, l'horizon d'une politique de couverture, ni qu'un gain moyen se traduit en décision juste au moment où l'entreprise doit couvrir.

Quant aux assistants conversationnels, ce sont des modèles de langage : ils sont conçus pour produire du texte plausible, pas pour prévoir une série financière. Interrogés sur le cours futur, ils rendent un chiffre qui ressemble à une prévision, sans les données ni la méthode qui permettraient d'en juger la qualité.

Le cours à terme n'est pas une prévision non plus

Une confusion fréquente consiste à lire le cours à terme comme l'anticipation du marché. Ce n'en est pas une : le cours à terme se déduit du cours comptant et de l'écart de taux d'intérêt entre les deux devises, par simple absence d'arbitrage. C'est ce qu'on appelle la parité couverte des taux d'intérêt.

Les études confirment qu'il prévoit mal : dès 1984, Eugene Fama montre que l'écart entre cours à terme et cours comptant n'annonce pas correctement le mouvement qui suit, et qu'il va même souvent dans le sens contraire. C'est l'« énigme de la prime à terme », toujours discutée aujourd'hui.

Ce qui se prévoit : l'amplitude des mouvements

Si la direction échappe aux modèles, l'ampleur des variations se prévoit nettement mieux. La revue de Ser-Huang Poon et Clive Granger, qui compare 93 études, conclut que la volatilité implicite tirée du prix des options prévoit la volatilité future mieux que les modèles statistiques fondés sur l'historique.

C'est une donnée directement utilisable. Sous l'hypothèse usuelle d'une distribution normale, une volatilité annuelle se convertit en fourchette à un horizon donné en la multipliant par la racine carrée de la durée en années.

Cette fourchette ne dit pas où ira le cours ; elle dit jusqu'où il peut raisonnablement aller. C'est exactement ce dont a besoin un directeur financier pour fixer un cours budget, dimensionner un ratio de couverture ou chiffrer un scénario défavorable.

Les questions à poser à un outil qui prétend prévoir

Ce que cela change pour une direction financière

1. 1
   Raisonner en fourchettes

   Remplacer la question « où sera le cours ? » par « jusqu'où peut-il aller, et qu'est-ce que cela coûte à ma marge ? ». La volatilité implicite donne la réponse, échéance par échéance.

2. 2
   Fixer un cours budget qui tient compte de l'amplitude

   Un cours budget égal au cours du jour sera cassé une fois sur deux. Le placer en tenant compte de la fourchette rend l'objectif tenable.

3. 3
   Couvrir par règle, pas par conviction

   Un ratio de couverture par horizon, décidé à l'avance, évite de reporter une couverture sur la foi d'un pronostic — humain ou algorithmique.

4. 4
   Utiliser l'IA là où elle sert

   Lire les documents, consolider l'exposition, préparer les comités : là, elle fait gagner du temps sans prétendre à ce qu'elle ne sait pas faire.

Sources

• Meese, R. et Rogoff, K. (1983), « Empirical exchange rate models of the seventies: Do they fit out of sample? », Journal of International Economics, 14, p. 3-24.
• Rossi, B. (2013), « Exchange Rate Predictability », Journal of Economic Literature, 51(4), p. 1063-1119.
• Mitchell, K. et Pearce, D. (2007), « Professional forecasts of interest rates and exchange rates: Evidence from the Wall Street Journal's panel of economists », Journal of Macroeconomics, 29(4), p. 840-854.
• Kiss, T., Kladivko, K., Silfverberg, O. et Österholm, P. (2023), « Market Participants or the Random Walk – Who Forecasts Better? Evidence from Micro Level Survey Data », Working Paper 2023:2, université d'Örebro.
• Amat, C., Michalski, T. et Stoltz, G. (2018), « Fundamentals and exchange rate forecastability with simple machine learning methods », Journal of International Money and Finance, 88, p. 1-24.
• Fama, E. (1984), « Forward and spot exchange rates », Journal of Monetary Economics, 14(3), p. 319-338.
• Borio, C., McCauley, R., McGuire, P. et Sushko, V. (2016), « Covered interest parity lost: understanding the cross-currency basis », BIS Quarterly Review, septembre 2016.
• Poon, S.-H. et Granger, C. (2003), « Forecasting Volatility in Financial Markets: A Review », Journal of Economic Literature, 41(2), p. 478-539.