[論文レビュー] Can Machine Learning Catch Economic Recessions Using Economic and Market Sentiments?

Kian Tehranian|arXiv (Cornell University)|Aug 28, 2023

Stock Market Forecasting Methods被引用数 4

ひとこと要約

本稿では、1986年から2022年までの75の経済および市場センチメント指標を用いて、米国経済の不況を予測する機械学習モデルの評価を行う。ARIMA補完、Boruta特徴選択、交差検証を施したモデル（勾配ブースティングおよびニューラルネットワークを含む）を適用することで、アンサンブル手法が高い精度とF1スコアを達成することが示され、勾配ブースティングがロジスティック回帰やプロビット回帰といった従来のモデルを上回ることが確認された。

ABSTRACT

Quantitative models are an important decision-making factor for policy makers and investors. Predicting an economic recession with high accuracy and reliability would be very beneficial for the society. This paper assesses machine learning technics to predict economic recessions in United States using market sentiment and economic indicators (seventy-five explanatory variables) from Jan 1986 - June 2022 on a monthly basis frequency. In order to solve the issue of missing time-series data points, Autoregressive Integrated Moving Average (ARIMA) method used to backcast explanatory variables. Analysis started with reduction in high dimensional dataset to only most important characters using Boruta algorithm, correlation matrix and solving multicollinearity issue. Afterwards, built various cross-validated models, both probability regression methods and machine learning technics, to predict recession binary outcome. The methods considered are Probit, Logit, Elastic Net, Random Forest, Gradient Boosting, and Neural Network. Lastly, discussed different models performance based on confusion matrix, accuracy and F1 score with potential reasons for their weakness and robustness.

研究の動機と目的

• 豊富な経済および市場センチメント指標を用いて米国経済不況を予測する機械学習モデルの開発および評価を行う。
• 高次元の経済データセットにおける時系列欠損値をARIMAバックキャスト法を用いて処理する。
• Borutaアルゴリズムおよび相関分析を用いて次元削減と多重共線性の緩和を図る。
• 従来の統計モデル（ロジスティック回帰、プロビット回帰）と高度な機械学習手法（ランダムフォレスト、勾配ブースティング、ニューラルネットワーク）の不況予測におけるパフォーマンスを比較する。
• 交差検証を複数回実施し、混同行列、精度、F1スコアを用いてモデルの頑健性を評価する。

提案手法

• 1986年1月から2022年6月までの75の経済およびセンチメント指標における欠損値をARIMAモデルを用いてバックキャストした。
• Borutaアルゴリズムを用いて、最も関連性の高い説明変数のみを特定・保持し、データセットの次元削減を実施した。
• 相関行列分析を実施し、多重共線性を軽減することで、モデルの安定性と解釈可能性を向上させた。
• プロビット回帰、ロジスティック回帰、エラスティックネット、ランダムフォレスト、勾配ブースティング、ニューラルネットワークを用いて、二値の不況予測用に複数のモデルを訓練および交差検証した。
• 混同行列、精度、F1スコアを用いてモデルのパフォーマンスを評価し、頑健性と予測力の差を比較した。
• 時系列の整合性と予測子の関連性を確保するため、月次頻度の時系列フレームワークを採用した。

実験結果

リサーチクエスチョン

• RQ1 経済指標と市場センチメントの組み合わせを用いた機械学習モデルは、米国経済不況を効果的に予測できるか？
• RQ2 アンサンブル手法（勾配ブースティング、ランダムフォレスト）は、従来のモデル（ロジスティック回帰、プロビット回帰）と比較して、不況予測の精度で優れているか？
• RQ3 Borutaによる特徴選択および多重共線性の低減は、モデルパフォーマンスにどの程度の効果をもたらすか？
• RQ4 ARIMA補完は、機械学習モデリングにおける経済時系列データの欠損値処理にどのような影響を及えるか？
• RQ5 どのモデルが不況発生の検出において最高のF1スコアと全体的な頑健性を達成しているか？

主な発見

• 勾配ブースティングが、評価されたすべてのモデルの中で最高のF1スコアを記録し、不況検出における適合率と再現率のバランスが優れていることが示された。
• Borutaアルゴリズムは、情報量の多い特徴を的確に同定・保持し、より管理しやすく関連性の高いサブセットにデータセットを縮小できた。
• ARIMA補完により、時系列における欠損値が効果的に処理され、1986年～2022年までの全期間にわたる一貫性のあるモデル学習が可能になった。
• ニューラルネットワークおよびランダムフォレストモデルも高いパフォーマンスを示したが、F1スコアおよび安定性の観点で勾配ブースティングに及ばなかった。
• ロジスティック回帰やプロビット回帰といった従来のモデルは、アンサンブル手法に比べてF1スコアと精度が低く、非線形な複雑な関係を捉える能力に限界があることが示された。
• 最終的なモデル選定プロセスから、特徴選択および多重共線性の対処が、モデルの頑健性と予測精度を顕著に向上させたことが明らかになった。