[논문 리뷰] Recursive deep learning framework for forecasting the decadal world economic outlook

Tianyi Wang, Rodney Beard외 2명|arXiv (Cornell University)|2023. 01. 25.

Market Dynamics and VolatilityEconomics, Econometrics and Finance인용 수 3

한 줄 요약

이 논문은 1980~2019년 기간 동안 13개 국가의 GDP 연간 성장률을 예측하기 위해 ED-LSTM를 사용한 재귀적 딥러닝 프레임워크를 제안한다. 팔머 월드 테이블 데이터를 기반으로 한 ED-LSTM 모델은 ARIMA, VAR, LSTM, BD-LSTM, CNN보다 뛰어난 성능을 보였으며, 향후 10년의 첫 5년 동안 세계 경제 성장 둔화를 예측했고, 중국, 프랑스, 인도만 안정적 또는 증가하는 성장률을 유지할 것으로 예측된다.

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.

연구 동기 및 목표

• 다양한 국가에 걸쳐 장기적인 GDP 성장률 예측을 위한 강력한 딥러닝 프레임워크를 개발하기 위해.
• 기존 선형 시계열 모델(예: ARIMA, VAR)이 비선형 경제 역학과 급격한 충격을 포착하지 못하는 한계를 해결하기 위해.
• 전통적인 경제계량 모델과 비교하여 다양한 딥러닝 아키텍처(LSTM, BD-LSTM, ED-LSTM, CNN)의 성능을 평가하기 위해.
• 장기 예측을 위한 거시경제 시계열에서 복잡한 시간적 의존성을 가장 잘 포착하는 딥러닝 모델을 특정하기 위해.
• 특히 구조적 변화와 패닉, 전쟁과 같은 외부 충격 상황에서 향후 10년간의 세계 경제 추세를 예측하기 위해.

제안 방법

• 1980~2019년 기간 동안 13개 국가의 GDP 및 관련 거시경제 지표를 포함한 팔머 월드 테이블 데이터셋을 활용하였다.
• 예측값을 다음 해의 입력으로 피드백하는 방식으로, 매년의 예측 결과를 다음 연도의 예측에 재사용하는 재귀적 예측 전략을 구현하였다.
• 과적합 방지를 위해 훈련 중 데이터 셔플링을 적용하여 국가 및 시간 주기 간 일반화 능력을 향상시켰다.
• 다양한 딥러닝 모델을 평가: LSTM, 양방향 LSTM(BD-LSTM), 인코더-디코더 LSTM(ED-LSTM), 합성곱 신경망(CNN).
• 기존의 시계열 모델인 ARIMA 및 벡터 자기회귀(VAR)와의 성능 비교를 수행하였다.
• 테스트 세트에서 평균 제곱오차(MSE)가 가장 낮고 예측 정확도가 가장 높은 점을 바탕으로 ED-LSTM을 최적의 모델로 선정하였다.

Figure 1 : The process of using VAR.

실험 결과

연구 질문

• RQ1 LSTM, BD-LSTM, ED-LSTM, CNN 중 어느 딥러닝 아키텍처가 연간 GDP 성장률 예측에서 가장 우수한 성능을 보이는가?
• RQ2 재귀적 딥러닝 프레임워크는 직접적 또는 비재귀적 접근 방식에 비해 장기 예측 정확도를 얼마나 향상시키는가?
• RQ3 딥러닝 모델은 장기 예측에서 구조적 경제적 전환과 외부 충격(예: 패닉, 전쟁)을 어느 정도 잘 포착할 수 있는가?
• RQ4 향후 10년 동안 선진국과 개발도상국 간 예측된 GDP 성장 추세는 어떻게 다른가?
• RQ5 ED-LSTM 모델은 글로벌 경제적 혼란 속에서도 중국, 인도, 프랑스와 같은 국가의 지속적인 성장을 신뢰성 있게 예측할 수 있는가?

주요 결과

• ED-LSTM 모델은 가장 낮은 평균 제곱오차(MSE)를 기록했으며, ARIMA, VAR, LSTM, BD-LSTM, CNN보다 연간 GDP 성장률 예측에서 뛰어난 성능을 보였다.
• 재귀 전략을 통해 예측값을 반복적으로 피드백함으로써 장기 예측의 일관성을 확보할 수 있었다.
• 모델은 향후 10년의 첫 5년 동안 세계 경제 성장 둔화 또는 정체를 예측했으며, 많은 국가가 음성 성장 또는 경기침체에 직면할 것으로 분석되었다.
• 전체 10년 동안 안정적 또는 증가하는 GDP 성장률을 유지할 것으로 예측된 국가는 중국, 프랑스, 인도 뿐이었으며, 중국은 경제 규모가 크더라도 높은 성장을 유지할 것으로 예측되었다.
• 모델의 예측 결과는 인도의 GDP가 2032년까지 11조 달러에 도달할 것으로 예측하는 외부 보고서와 일치한다. 또한 중국은 2020년 이후 고질적 성장으로 전환할 것으로 분석된다.
• 한계점으로는 2020년 이후 데이터(예: 패닉 및 전쟁 영향)가 포함되지 않았고, 경제가 성숙함에 따라 성장 둔화를 모델링하는 데 어려움이 있었다.

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