[論文レビュー] Predicting Inflation with Neural Networks

Livia Paranhos|arXiv (Cornell University)|Jan 1, 2021

Market Dynamics and Volatility参考文献 35被引用数 1

ひとこと要約

本稿では、マクロ経済データから共通成分を抽出することで、米国インフレーションを予測するために長短記憶（LSTM）再帰ニューラルネットワークを提案する。LSTMは長期間の予測において、従来のフィードフォワードネットワークやベンチマークを上回り、少ないパラメータで歴史的情報を効果的に活用することで、長期的なインフレーショントレンドおよびビジネスサイクルダイナミクスをより優れた能力で捉えることを示している。

ABSTRACT

This paper applies neural network models to forecast inflation. The use of a particular recurrent neural network, the long-short term memory model, or LSTM, that summarizes macroeconomic information into common components is a major contribution of the paper. Results from an exercise with US data indicate that the estimated neural nets usually present better forecasting performance than standard benchmarks, especially at long horizons. The LSTM in particular is found to outperform the traditional feed-forward network at long horizons, suggesting an advantage of the recurrent model in capturing the long-term trend of inflation. This finding can be rationalized by the so called long memory of the LSTM that incorporates relatively old information in the forecast as long as accuracy is improved, while economizing in the number of estimated parameters. Interestingly, the neural nets containing macroeconomic information capture well the features of inflation during and after the Great Recession, possibly indicating a role for nonlinearities and macro information in this episode. The estimated common components used in the forecast seem able to capture the business cycle dynamics, as well as information on prices.

研究の動機と目的

• 機械学習、特に再帰ニューラルネットワークを用いてインフレーション予測の精度を向上させること。
• LSTMが従来モデルよりも長期的なインフレーショントレンドをより効果的に捉えられるかどうかを評価すること。
• グレートレセッション期およびその直後に、マクロ経済情報がインフレーション予測に果たす役割を評価すること。
• マクロデータから抽出された共通成分が予測性能を向上させるかどうかを検討すること。
• 非線形モデリングが複雑なインフレーションダイナミクスを捉える可能性を調査すること。

提案手法

• 本研究では、マクロ経済指標を用いてインフレーションをモデル化・予測するために、長短記憶（LSTM）再帰ニューラルネットワークを採用する。
• LSTMモデルは、複数のマクロ経済変数を、潜在的なトレンドを捉える共通成分に要約する。
• モデルは、LSTMが長期依存性を保持できる能力を活用して、長期間にわたる歴史的データを統合する。
• 予測フレームワークでは、LSTMのパフォーマンスを標準的なフィードフォワードニューラルネットワークおよび従来の計量経済ベンチマークと比較する。
• モデルの精度は、米国インフレーションデータにおけるアウトオブサンプル予測性能を用いて評価される。
• 分析は、抽出された共通成分がビジネスサイクルおよび価格ダイナミクスをどれほど的確に反映しているかに焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのモデルは、標準的なベンチマークと比較して、長期予測の精度を向上させることができるか？
• RQ2 LSTMの再帰的構造が、長期的なインフレーショントレンドの捉えを強化するか？
• RQ3 マクロ経済データを組み込んだニューラルネットワークは、グレートレセッション期およびその直後にインフレーションをどれほど正確に予測できるか？
• RQ4 推定された共通成分が、ビジネスサイクルおよび価格ダイナミクスをどの程度反映しているか？
• RQ5 非線形モデル、たとえばLSTMは、線形モデルと比較してインフレーションの構造的シフトをより効果的に捉えることができるか？

主な発見

• LSTMモデルは、長期予測におけるインフレーション予測において、標準的なフィードフォワードニューラルネットワークを一貫して上回る性能を示している。
• LSTMモデルは、過去の情報を効果的に保持・活用できる能力のおかげで、長期的なインフレーショントレンドをより優れた性能で捉えている。
• マクロ経済データを組み込んだニューラルネットワークは、グレートレセッション期およびその直後のインフレーションダイナミクスを的確に捉えられており、非線形性の存在を示唆している。
• モデルが抽出した共通成分は、ビジネスサイクルダイナミクスおよび価格情報と一致しており、予測に有用であることが示された。
• LSTMモデルは、推定パラメータ数を削減しつつも、より高い精度を達成しており、その効率性が顕著に表れている。
• 結果から、再帰的ネットワークは、持続的なトレンドを示すマクロ経済時系列のモデリングに特に適していることが示唆される。