Les méthodes traditionnelles de prévision économique, fondées sur la minimisation des erreurs comme l'erreur quadratique moyenne, atteignent aujourd'hui leurs limites. Dans un contexte marqué par des bouleversements géopolitiques et des politiques monétaires complexes, ces indicateurs ne parviennent plus à distinguer efficacement les performances des modèles optimisés. Pour affiner les prévisions, notamment celles liées à l'inflation, les analystes doivent explorer de nouvelles approches métriques et des combinaisons de modèles. Une analyse des dynamiques inflationnistes confirme des théories économiques établies : les variations des taux d'épargne influencent la demande, tandis que les coûts de production des entreprises alimentent l'inflation par l'offre. Cependant, ces modèles fournissent des tendances directionnelles plutôt que des précisions chiffrées indispensables aux décisions politiques, telles que le calibrage exact des taux directeurs des banques centrales. Face à cette indifférenciation des performances, la création d'ensembles de modèles, qui combine les sorties de plusieurs algorithmes, s'impose comme une solution. Le défi réside désormais dans la détermination optimale des poids attribués à chaque modèle. Pour résoudre cette problématique, une approche reposant sur la théorie de l'information et l'entropie de Shannon est développée. Contrairement aux mesures de distance classiques, cette métrique évalue la densité spectrale des données dans le domaine fréquentiel. Elle quantifie la quantité d'information retenue par les résidus d'un modèle. Un modèle performant laisse des résidus proches du bruit blanc, atteignant ainsi un niveau d'entropie élevé. Cette propriété non paramétrique et stable permet de différencier clairement les modèles et de calculer des poids d'ensemble plus pertinents. Appliquée à des données inflationnistes avec trois modèles de prévision distincts, cette méthode produit des résultats comparables en précision aux ensembles basés sur les distances. Toutefois, le niveau d'entropie des résidus reste inférieur, indiquant que l'information n'est pas encore totalement exploitée. Plusieurs facteurs expliquent cet écart : un seuil d'entropie lors de l'entraînement, la nature bornée de la métrique et le nombre limité de modèles testés. Ces contraintes n'en font pas un outil inopérant, mais soulignent la nécessité d'optimisations futures et d'une extension à un plus grand nombre d'algorithmes. Cette perspective marque un changement de paradigme dans l'économétrie appliquée. En remplaçant ou en complétant les mesures géométriques par des indicateurs informationnels, les chercheurs et les analystes peuvent mieux cerner les dynamiques sous-jacentes des séries temporelles. Bien que ce cadre reste en développement, il ouvre la voie à des méthodes d'agrégation de modèles plus robustes, capables de s'adapter à la complexité croissante des données économiques et de fournir des prévisions plus fiables pour l'ensemble des décideurs.