Résumé
Jusqu’à présent la littérature s’est intéressée au pouvoir explicatif du sentiment des investisseurs sur le prix des actifs, mais pas de sa capacité à prévoir les prix. Cet article s’appuie sur l’intelligence artificielle, et plus spécifiquement sur quatre méthodes d’apprentissage automatique (machine learning) de pointe, issues de la littérature, pour prévoir le prix du pétrole brut WTI à l’aide d’un indice de sentiment avec une attention particulière sur la crise de Covid-19. En effet, les périodes de crise, en raison des niveaux importants de volatilité des prix, limitent en général les capacités de prévision des modèles économétriques. Les résultats empiriques démontrent les performances en termes de prévisions des quatre algorithmes d’apprentissage automatique utilisés, mais cette fois dans un contexte plus large car nous avons également obtenus de bonnes performances de prévisions du prix du pétrole pour des situations de crise. Ils suggèrent également que l’effet significatif du sentiment basé sur les nouvelles sur la performance prédictive de nos modèles est particulièrement fort pendant cette période de Covid-19, tout comme il l’était pendant l’éclatement de la bulle Internet.
Abstract
The advantage of artificial intelligence and investor sentiment in forecasting oil prices during a crisis
To date, the literature has focused on the explanatory power of investor sentiment on asset prices, but not its ability to forecast prices. This paper uses artificial intelligence, and more specifically four state-of-the-art machine learning methods from the literature, to forecast the price of WTI crude oil using a sentiment index with a particular focus on the Covid-19 crisis. Indeed, crisis periods, due to significant levels of price volatility, generally limit the forecasting capabilities of econometric models. The empirical results demonstrate the forecasting performance of the four machine learning algorithms used, but this time in a broader context as we also obtained good forecasting performance of the oil price for crisis situations. They also suggest that the significant effect of news-based sentiment on the predictive performance of our models is particularly strong during this Covid-19 period, just as it was during the bursting of the dot-com bubble.