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

Livia Paranhos|arXiv (Cornell University)|Apr 8, 2021

Market Dynamics and Volatility被引用数 4

ひとこと要約

この論文は、FRED-MDデータセットを用いて、米国インフレ率の予測に長短記憶（LSTM）再帰的ニューラルネットワークを適用し、長期間予測およびマクロ経済的不安定期において、従来のモデルを上回ることを示している。モデルは非線形次元削減ツールとしても機能し、出力ギャップおよびインフレ率予測要因と相関する経済的に意味のある要因を抽出するが、初期化およびアーキテクチャへの感受性のため、アンサンブル手法の重要性が浮き彫りになる。

ABSTRACT

This paper applies a recurrent neural network, the LSTM, to forecast inflation. This is an appealing model for time series as it processes each time step sequentially and explicitly learns dynamic dependencies. The paper also explores the dimension reduction capability of the model to uncover economically-meaningful factors that can explain the inflation process. Results from an exercise with US data indicate that the estimated neural nets present competitive, but not outstanding, performance against common benchmarks (including other machine learning models). The LSTM in particular is found to perform well at long horizons and during periods of heightened macroeconomic uncertainty. Interestingly, LSTM-implied factors present high correlation with business cycle indicators, informing on the usefulness of such signals as inflation predictors. The paper also sheds light on the impact of network initialization and architecture on forecast performance.

研究の動機と目的

• LSTMネットワークの米国インフレ率予測性能を、従来のモデルおよび機械学習のベンチマークと比較すること。
• LSTMがインフレ動態を説明する非線形的かつ経済的に意味のある要因を抽出できるかどうかを検討すること。
• ネットワークの初期化およびアーキテクチャが予測精度に与える影響を評価すること。
• マクロ経済予測におけるニューラルネットワークの実装に向けた実用的ガイダンスを提供すること。特にアンサンブル手法の重要性を強調する。

提案手法

• 研究では、ゲーテッド記憶ユニットを用いて長期的依存関係を捉えることで、系列的インフレーションデータをモデル化するための長短記憶（LSTM）再帰的ニューラルネットワークを採用している。
• モデルは、米国CPIおよびPCEインフレ率を予測するために、137のマクロ経済的および金融指標を含むFRED-MDデータセット上で訓練されている。
• 非線形的要因はLSTMの隠れ層から抽出され、予測的で監督付きの潜在状態として解釈され、予測文脈におけるPCAの一般化と見なされる。
• 予測性能は、ランダムフォレスト、LASSO、リッジ、エラスティック・ネット、およびフィードフォワードネットワークを含むベンチマークとの比較において、アウトオブサンプルの平均二乗予測誤差（MSPE）およびDiebold-Mariano検定を用いて評価されている。
• 初期化への感受性を軽減し、予測の堅牢性を向上させるために、1,400通りの異なるランダム初期化からの予測を平均化するアンサンブルアプローチが採用されている。
• 経済的コンテンツの解釈には、分散分解および相関分析が用いられ、LSTMから得られる要因が、景気循環指標および既知のインフレ率予測要因と関連していることが示された。

Figure 1: The feed-forward neural network

実験結果

リサーチクエスチョン

• RQ1 LSTMモデルは、異なる予測期間において、従来のモデルおよび機械学習のベンチマークと比較して、米国インフレ率の予測でどの程度優れているか？
• RQ2 LSTMネットワークは、インフレの根本的トレンドおよび景気循環ダイナミクスを捉える非線形的かつ経済的に解釈可能な要因を抽出できるか？
• RQ3 LSTMモデルの予測性能は、ネットワークの初期化およびアーキテクチャにどの程度感受するか？
• RQ4 複数の初期化からのアンサンブル平均化は、予測精度および堅牢性を著しく向上させるか？

主な発見

• LSTMモデルは、特に長期予測（例：24か月先）およびGFC以降のようなマクロ経済的不確実性の高い時期において、競争力ある予測性能を示している。
• LSTMは大多数のベンチマークを上回るが、全体的な精度が優れているランダムフォレストモデルに劣っている。
• LSTMから得られる要因は、出力ギャップおよび他の景気循環指標と高い相関（r > 0.7）を示しており、インフレの主な駆動要因を捉えている可能性がある。
• LSTM要因の分散分解では、住宅着工件数および企業ボンドスプレッドへの顕著な負荷が確認され、インフレ文献で同定された主要な予測要因と一致している。
• ネットワークの初期化は予測に顕著な影響を及ぼしており、個々の実行では大きな変動が見られた。アンサンブル平均は、Diebold-Mariano検定において5%の有意水準で、いかなる単一の初期化よりも一貫して優れた性能を示した。
• より大きなネットワークは初期化に対してより感受性が高く、より大きなアーキテクチャに一貫した性能優位性は確認されなかった。これは、予測を安定化させるためにアンサンブル手法の必要性を強調している。

Figure 2: The LSTM and the flow of information