[논문 리뷰] Machine Learning for Economic Forecasting: An Application to China's GDP Growth

Yanqing Yang, Xingcheng Xu외 2명|arXiv (Cornell University)|2024. 07. 04.

Grey System Theory Applications인용 수 8

한 줄 요약

이 논문은 광범위한 기계 학습 모델을 단독으로와 계량경제학 방법과의 조합으로 평가하여 중국의 분기별 GDP 성장률을 예측하고, 병목점(inflexion points) 포함한 기간에서 해석 가능성과 강건성을 분석한다.

ABSTRACT

This paper aims to explore the application of machine learning in forecasting Chinese macroeconomic variables. Specifically, it employs various machine learning models to predict the quarterly real GDP growth of China, and analyzes the factors contributing to the performance differences among these models. Our findings indicate that the average forecast errors of machine learning models are generally lower than those of traditional econometric models or expert forecasts, particularly in periods of economic stability. However, during certain inflection points, although machine learning models still outperform traditional econometric models, expert forecasts may exhibit greater accuracy in some instances due to experts' more comprehensive understanding of the macroeconomic environment and real-time economic variables. In addition to macroeconomic forecasting, this paper employs interpretable machine learning methods to identify the key attributive variables from different machine learning models, aiming to enhance the understanding and evaluation of their contributions to macroeconomic fluctuations.

연구 동기 및 목표

• 중국의 분기별 GDP 성장률에 대한 기계 학습 모델의 예측 성능을 전통적 계량경제 모델 및 전문가 예측과 비교하여 평가한다.
• ML과 계량경제학의 강점을 활용하기 위한 결합 및 혼합 모형 접근법을 평가한다.
• 중국의 GDP 변동의 주요 요인을 식별하기 위해 해석 가능한 ML 방법을 적용한다.
• 안정기와 변곡점(위기, COVID-19) 기간에 걸친 모델 성능을 검토한다.
• 예측 정확도에 대한 강건성 점검 및 시간적 분석을 제공한다.

제안 방법

• 모델을 다섯 그룹으로 분류한다: 계량경제학적(AR, FM), 기계 학습(LASSO, Ridge, KRR, RF, GBDT, XGBoost), 결합(FM+ML), 혼합(그룹 모델의 평균/중앙값), 가중 앙상블.
• 주로 중국 통계 및 국제 동료로부터 얻은 약 20개의 거시 변수로 확장 윈도우 방법(EWM)으로 예측한다.
• 예측을 y_{t+h}=f(Z_t)+ε_{t+h로 형식화하고 Z_t에는 시차된 y 및 고차원 X를 포함; 최소화 L(y,f(Z))+R(f,ρ)를 통해 최적화한다.
• X_t에서의 잠재 요인 F_t를 사용한 ML의 y_t+h 예측; X_t = ΛF_t + η_t.
• 해석 가능성을 위해 SHAP를 사용하여 전역적 및 지역적 변수 중요도를 평가한다.
• 1996Q1~2023Q4의 샘플 밖 예측에서 RMSE와 MAE로 평가하고, 확장 윈도우 및 강건성 분석을 사용한다.

Figure 1: Model Training and Forecasting Periods

실험 결과

연구 질문

• RQ1 단독 또는 결합된 ML 모델이 중국의 GDP 성장률에 대해 전통적 계량경제 모델 및 전문가 예측보다 예측 오차를 낮추는가?
• RQ2 안정기와 경제적 변곡점(위기, COVID-19) 기간에 따라 모델 성능은 어떻게 차이가 나는가?
• RQ3 SHAP 설명에 따라 전 세계적 및 국지적으로 ML 기반 GDP 예측에 가장 크게 기여하는 변수는 무엇인가?
• RQ4 다양한 시간 horizons에서 결합 및 가중 ML/계량경제 모델은 단일 모델 예측보다 더 강건한가?
• RQ5 2014년 이후 기간에서 ML 앙상블의 상대적 예측 성능은 전문가 컨센서스 예측(Longrun 및 Yicai)과 어떻게 비교되는가?

주요 결과

• ML 모델과 ML 기반 하이브리드가 일반적으로 샘플 외 GDP 성장 예측에서 전통적 계량경제 모델을 능가한다.
• 안정적인 기간에는 ML 모델과 조합이 계량경제학 및 전문가 예측보다 정확도가 더 높다.
• 변곡점에서 ML 모델은 종종 변화 방향을 예측하지만 거시경제 맥락 이해의 이유로 일부 경우 전문가 예측에 뒤처질 수 있다.
• 해석 가능한 ML(SHAP)은 시간에 걸친 GDP 변동의 전역적 및 지역적 요인 중요성을 드러낸다.
• Longrun Expert Forecasts 및 다른 벤치마크와 비교했을 때 일부 ML 모델(예: RF, XGBoost)은 2005–2015 구간에서 더 낮은 RMSE를 달성; 결합 모델은 경쟁력을 보이지만 때때로 전문가 예측에 뒤처진다.

Figure 2: Machine Learning Model Forecasts Median, Upper- and Lower-bounds: Quarterly Real GDP Growth