[論文レビュー] Economic Recession Prediction Using Deep Neural Network

Zihao Wang, Kun Li+2 more|arXiv (Cornell University)|Jul 21, 2021

Monetary Policy and Economic Impact参考文献 41被引用数 4

ひとこと要約

本稿では、マクロ経済指標および市場指標を用いて米国の景気後退を予測するため、自己符号化器およびアテンション層を備えたBi-LSTM（BiLSTM-AA）モデルを提案する。このモデルは94.8%の正確性を達成し、2008年の金融危機およびCOVID-19による景気後退のOut-of-sampleテストにおいて、SVM やロジスティック回帰といった従来手法を上回る性能を示し、最大6か月先まで後退を予測できる。

ABSTRACT

We investigate the effectiveness of different machine learning methodologies in predicting economic cycles. We identify the deep learning methodology of Bi-LSTM with Autoencoder as the most accurate model to forecast the beginning and end of economic recessions in the U.S. We adopt commonly-available macro and market-condition features to compare the ability of different machine learning models to generate good predictions both in-sample and out-of-sample. The proposed model is flexible and dynamic when both predictive variables and model coefficients vary over time. It provided good out-of-sample predictions for the past two recessions and early warning about the COVID-19 recession.

研究の動機と目的

• 一般的に入手可能なマクロおよび市場指標を用いて、米国の景気後退の発生および終焉を正確に予測できる深層学習モデルの開発を目的とする。
• 景気後退予測における時間的不安定性、データの不均衡、および限られたトレーニングサンプルといった課題に対処することを目的とする。
• 現在期間のデータのみを用いて、公式の日付よりも前もって後退を予測できるように、早期警告能力を向上させることを目的とする。
• 経済制度の変化に適応できる動的で柔軟なモデルを設計し、自己符号化を通じてデータ遅延問題を軽減することを目的とする。
• 歴史的後退、特に2008年の金融危機およびCOVID-19後の景気後退を対象とした厳密なOut-of-sampleテストを通じて、モデルの頑健性を評価することを目的とする。

提案手法

• モデルは、時系列のマクロ経済的および金融的特徴量における時間的依存性を捉えるために、双方向LSTM（Bi-LSTM）ネットワークを採用する。
• 自己符号化器を統合し、Bi-LSTMの隠れ状態の圧縮され意味のある表現を学習することで、将来の状態予測が可能となり、データ遅延問題の緩和が図られる。
• アテンション機構を適用し、予測の際、最も関連性の高い時系列ステップおよび特徴量に焦点を当てる。これにより、解釈可能性と性能が向上する。
• モデルは、時刻 $ t $ のデータを用いて時刻 $ t+1 $ の後退イベントを予測するように学習され、ローリングウィンドウアプローチによりリアルタイム予測をシミュレートする。
• 特徴量エンジニアリングには、BAA利回りスプレッド、工業生産（INDPRO）、およびリターンスプレッドといった標準的なマクロ経済指標が含まれる。
• モデルトレーニングは、分類のための教師あり学習と、限られたデータで表現学習を強化するための自己符号化器における教師なし事前学習を組み合わせて実施される。

実験結果

リサーチクエスチョン

• RQ1 Bi-LSTMおよび自己符号化器アーキテクチャを備えた深層学習モデルは、SVM やロジスティック回帰といった従来の機械学習手法を上回り、米国の景気後退を予測できるか？
• RQ2 BiLSTM-AAモデルは、現在期間のデータのみを用いて、どの程度の早期警戒を可能にするか？
• RQ3 アテンション機構および自己符号化器の導入が、不均衡でサンプル数が少ない状況下での予測精度および頑健性をどの程度向上させるか？
• RQ4 経済サイクルの感度とデータ遅延の両立を考慮した場合、入力特徴量の最適な時間ウィンドウは何か？
• RQ5 BAA利回りや工業生産といった主要なマクロ経済変数が、モデルの景気後退予測にどのように影響を与えるか？

主な発見

• BiLSTM-AAモデルはOut-of-sampleテストで94.8%の正確性を達成し、同じテストセットにおいてSVM（86.2%）、ロジスティック回帰（86.2%）、DNN（89.6%）を顕著に上回った。
• モデルは2008年の金融危機およびCOVID-19後の景気後退を、6か月のリードタイムで予測し、強力な早期警戒能力を示した。
• 6か月の入力ウィンドウを採用した場合、モデルは最高の性能を発揮し、後退検出のF1スコアが81%、非後退期間のF1スコアが96%を記録した。
• アテンション機構の導入により、アテンションなしのモデルと比較してF1スコアが6.9ポイント向上し、特徴量の優先順位付けにおけるその役割が明確に示された。
• 特徴量感受性分析の結果、BAA利回りが30%上昇すると予測される後退発生時期が前倒しになるのに対し、工業生産が30%上昇すると後退発生時期が遅れることが確認され、経済的直感と整合的であった。
• 非後退期間では、精度（97%）およびF1スコア（96%）が高く維持されたことから、クラス不均衡の影響にもかかわらず、誤検出率が低いことが示された。