[論文レビュー] Predicting Economic Recessions Using Machine Learning Algorithms

Rickard Nyman, Paul Ormerod|arXiv (Cornell University)|Jan 3, 2017

Monetary Policy and Economic Impact参考文献 3被引用数 23

ひとこと要約

この論文では、予測時におけるリアルタイムの金融市場指標を用いてトレーニングすることで、米国および英国における経済的リセッションを予測するため、ランダムフォレスト機械学習アルゴリズムの使用を提案している。モデルが2008–2009年のリセッションを最大6四半期も前もって統計的に有意な相関を示して予測でき、長期予測においては従来のアンケートベースの予測を上回ることを示している。

ABSTRACT

Even at the beginning of 2008, the economic recession of 2008/09 was not being predicted. The failure to predict recessions is a persistent theme in economic forecasting. The Survey of Professional Forecasters (SPF) provides data on predictions made for the growth of total output, GDP, in the United States for one, two, three and four quarters ahead since the end of the 1960s. Over a three quarters ahead horizon, the mean prediction made for GDP growth has never been negative over this period. The correlation between the mean SPF three quarters ahead forecast and the data is very low, and over the most recent 25 years is not significantly different from zero. Here, we show that the machine learning technique of random forests has the potential to give early warning of recessions. We use a small set of explanatory variables from financial markets which would have been available to a forecaster at the time of making the forecast. We train the algorithm over the 1970Q2-1990Q1 period, and make predictions one, three and six quarters ahead. We then re-train over 1970Q2-1990Q2 and make a further set of predictions, and so on. We did not attempt any optimisation of predictions, using only the default input parameters to the algorithm we downloaded in the package R. We compare the predictions made from 1990 to the present with the actual data. One quarter ahead, the algorithm is not able to improve on the SPF predictions. Three and six quarters ahead, the correlations between actual and predicted are low, but they are very significantly different from zero. Although the timing is slightly wrong, a serious downturn in the first half of 2009 could have been predicted six quarters ahead in late 2007. The algorithm never predicts a recession when one did not occur. We obtain even stronger results with random forest machine learning techniques in the case of the United Kingdom.

研究の動機と目的

• 2008–2009年の世界的な危機のような主要なリセッションを予測できない、従来の経済予測の持続的失敗に対処すること。
• 機械学習、特にランダムフォレストが、タイムリーに入手可能な金融指標のみを用いて、経済的ダウンターンの早期警戒信号を改善できるかどうかを評価すること。
• 長期予測（3四半期および6四半期先）において、機械学習の予測結果と、プロフェッショナル予測者アンケート（SPF）の結果を比較すること。
• 1970年から2017年までのローリングタイムウインドウを用いて繰り返し再トレーニングすることで、モデルの頑健性と信頼性を評価すること。
• 実際にリセッションが発生しなかった場合に、モデルが誤った陽性予測（誤ったリセッション予測）を出さないかどうかを確認すること。

提案手法

• 研究では、各予測時における利用可能な少数の金融市場変数を用いてトレーニングされたランダムフォレスト分類器を採用している。
• トレーニングはローリングウインドウを用いて実施：1970Q2から1990Q1まで、その後1990Q2、1990Q3、……と段階的に延長し、2017年まで到達する。
• モデルは1四半期先、3四半期先、6四半期先の予測を実施し、Rパッケージのデフォルトのハイパーパrameterを用い、調整なしで実行している。
• 予測結果は、同じ期間における実際のGDP成長率とSPFの平均予測と比較されている。
• 予測値と実際のリセッションの間の相関の統計的有意性は、仮説検定を用いて評価されている。
• 米国および英国の両方について、予測の正確性とタイミングに注目して、モデルのパフォーマンスを別々に評価している。

実験結果

リサーチクエスチョン

• RQ1 リアルタイムの金融指標を用いてトレーニングされたランダムフォレストモデルは、従来の予測手法よりも、主要な経済的リセッションを早期に予測できるか？
• RQ2 3四半期および6四半期先の予測において、機械学習モデルの予測精度は、プロフェッショナル予測者アンケート（SPF）と比べてどの程度高いか？
• RQ3 実際にリセッションが発生しなかった場合に、モデルが誤った陽性予測（誤ったリセッション予測）を出さないのか、信頼性を持って予測できるか？
• RQ4 モデルは2008–2009年の世界的なリセッションをどの程度の期間、前もって予測できるか？また、その予測はどのくらいの前もって可能か？
• RQ5 ローリングタイムウインドウを用いて繰り返し再トレーニングした場合、モデルのパフォーマンスは有意かつ安定しているか？

主な発見

• ランダムフォレストモデルは、2008–2009年の米国リセッションを6四半期も前もって予測でき、予測値と実際の結果との間に統計的に有意な相関が確認された。
• 3四半期先および6四半期先の予測において、モデルの予測と実際のGDP成長率の間の相関は、絶対値が低くても非常に有意に0とは異なることが判明した。
• モデルは、実際にリセッションが発生しなかった場合に、一度も誤った陽性のリセッションシグナルを発出しなかった。
• 1四半期先の予測においては、モデルがSPFを上回らなかったが、長期予測においては、SPFの予測を著しく上回った。
• 英国の事例では、モデルの予測力がさらに強く、国際的適用可能性の可能性を示している。
• 結果として、ランダムフォレストのような機械学習手法が、タイムリーに入手可能な金融データのみを用いて、リセッションの早期警戒信号を提供できることを示している。