[論文レビュー] Recursive deep learning framework for forecasting the decadal world economic outlook

Tianyi Wang, Rodney Beard+2 more|arXiv (Cornell University)|Jan 25, 2023

Market Dynamics and VolatilityEconomics, Econometrics and Finance被引用数 3

ひとこと要約

本稿では、1980年から2019年までのペン・ワールド・テーブルデータを用いて、13カ国におけるデケイドGDP成長率を予測するための再帰的ディープラーニングフレームワークを提案する。ED-LSTMモデルは、ARIMA、VAR、LSTM、BD-LSTM、CNNを上回る性能を示し、次期10年間の最初の5年間に世界的な経済の減速が予測されるが、中国、フランス、インドを除く国々は安定的または増加的成長を維持すると予測される。

ABSTRACT

The gross domestic product (GDP) is the most widely used indicator in macroeconomics and the main tool for measuring a country's economic output. Due to the diversity and complexity of the world economy, a wide range of models have been used, but there are challenges in making decadal GDP forecasts given unexpected changes such as emergence of catastrophic world events including pandemics and wars. Deep learning models are well suited for modelling temporal sequences and time series forecasting. In this paper, we develop a deep learning framework to forecast the GDP growth rate of the world economy over a decade. We use the Penn World Table as the data source featuring 13 countries prior to the COVID-19 pandemic, such as Australia, China, India, and the United States. We present a recursive deep learning framework to predict the GDP growth rate in the next ten years. We test prominent deep learning models and compare their results with traditional econometric models for selected developed and developing countries. Our decadal forecasts reveal that that most of the developed countries would experience economic growth slowdown, stagnation and even recession within five years (2020-2024). Furthermore, our model forecasts show that only China, France, and India would experience stable GDP growth.

研究の動機と目的

• 複数の国にわたる長期GDP成長率予測のための強固なディープラーニングフレームワークの開発。
• 従来の線形時系列モデル（例：ARIMA、VAR）が非線形経済ダイナミクスや急激なショックを捉えきれないという限界の解消。
• 古典的経済計量モデルと比較して、多様なディープラーニングアーキテクチャ（LSTM、BD-LSTM、ED-LSTM、CNN）の性能評価。
• マクロ経済時系列における複雑な時間的依存関係を最もよく捉えるディープラーニングモデルの同定。
• 構造的変化やパンデミックや戦争などの外部ショックの下で、次期10年間の世界的経済動向の予測。

提案手法

• 1980年から2019年までの13カ国分のGDPおよび関連マクロ経済指標をカバーするペン・ワールド・テーブルデータセットを活用。
• 各年度の予測値を次の年度の入力としてフィードバックすることで、再帰的予測戦略を実装。
• 過学習を防ぎ、国や時間帯にわたる一般化性能を向上させるために、学習中にデータのシャッフルを実施。
• 複数のディープラーニングモデルを評価：LSTM、双方向LSTM（BD-LSTM）、エンコーダ・デコーダLSTM（ED-LSTM）、畳み込みニューラルネットワーク（CNN）。
• 従来の時系列モデル（ARIMAおよびベクトル自己回帰（VAR））とモデル性能を比較。
• テストセット全体で最小の平均二乗誤差（MSE）と最高の予測精度を示したため、ED-LSTMを最適モデルとして選定。

Figure 1 : The process of using VAR.

実験結果

リサーチクエスチョン

• RQ1 LSTM、BD-LSTM、ED-LSTM、CNNの中から、どのディープラーニングアーキテクチャがデケイドGDP成長率予測において最も優れた性能を示すか？
• RQ2 再帰的ディープラーニングフレームワークは、直接的または非再帰的アプローチと比較して、長期予測精度をどのように向上させるか？
• RQ3 ディープラーニングモデルは、長期予測において構造的経済的転換や外部ショック（例：パンデミック、戦争）をどの程度捉えることができるか？
• RQ4 次期10年間において、先進国と発展途上国との間で予測されたGDP成長トレンドにどのような差が生じるか？
• RQ5 ED-LSTMモデルは、世界的な経済的混乱の中でも、中国、インド、フランスのような国々の持続的成長を信頼性を持って予測できるか？

主な発見

• ED-LSTMモデルは最小の平均二乗誤差（MSE）を達成し、ARIMA、VAR、LSTM、BD-LSTM、CNNをすべて上回る性能を示した。
• 再帰的戦略により、予測値を繰り返しモデルにフィードバックすることで、一貫した長期予測が可能になった。
• モデルは、次期10年間の最初の5年間に世界的な経済の減速または停滞が予測された。多くの国がマイナス成長またはリセッションに直面すると予測された。
• 唯一、中国、フランス、インドが全10年間を通じて安定的または増加的GDP成長率を維持すると予測された。中国は経済規模が大きくても高い成長を維持すると予測された。
• モデルの予測結果は、インドのGDPが2032年に11兆ドルに達すると予測する外部レポートと整合的である。中国は2020年以降、高品質成長への移行が予測された。
• 制限事項として、2020年以降のデータ（例：パンデミックや戦争の影響）が除外されており、経済が成熟するに従い成長が鈍る状況のモデル化に課題がある。

Figure 2 : RNN structure showing information from input $x$ to output $y$ via the state and hidden layers $h$ .