[논문 리뷰] Predicting Inflation with Neural Networks

Livia Paranhos|arXiv (Cornell University)|2021. 01. 01.

Market Dynamics and Volatility참고 문헌 35인용 수 1

한 줄 요약

이 논문은 거시경제 데이터에서 공통 성분을 추출하여 미국의 인플레이션을 예측하기 위해 장기 기억(long short-term memory, LSTM) 순환 신경망을 사용하는 것을 제안한다. LSTMs는 장기 예측 수준에서 전통적인 피드포워드 네트워크와 기준 모델보다 뛰어난 성능을 보이며, 더 적은 파라미터로도 과거 정보를 효과적으로 활용하여 장기 인플레이션 추세와 경기 순환 역학을 뛰어나게 포착할 수 있음을 입증한다.

ABSTRACT

This paper applies neural network models to forecast inflation. The use of a particular recurrent neural network, the long-short term memory model, or LSTM, that summarizes macroeconomic information into common components is a major contribution of the paper. Results from an exercise with US data indicate that the estimated neural nets usually present better forecasting performance than standard benchmarks, especially at long horizons. The LSTM in particular is found to outperform the traditional feed-forward network at long horizons, suggesting an advantage of the recurrent model in capturing the long-term trend of inflation. This finding can be rationalized by the so called long memory of the LSTM that incorporates relatively old information in the forecast as long as accuracy is improved, while economizing in the number of estimated parameters. Interestingly, the neural nets containing macroeconomic information capture well the features of inflation during and after the Great Recession, possibly indicating a role for nonlinearities and macro information in this episode. The estimated common components used in the forecast seem able to capture the business cycle dynamics, as well as information on prices.

연구 동기 및 목표

• 기계 학습, 특히 순환 신경망을 활용하여 인플레이션 예측 정확도를 향상시키는 것.
• LSTMs가 기존 모델보다 장기 인플레이션 추세를 더 잘 포착할 수 있는지 평가하는 것.
• 대침체 기간 동안과 이후에 거시경제 정보가 인플레이션 예측에 어떤 역할을 하는지 평가하는 것.
• 거시경제 데이터에서 추출한 공통 성분이 예측 성능 향상에 기여하는지 검토하는 것.
• 비선형 모델링이 복잡한 인플레이션 역학을 포착하는 데 잠재력을 지니는지 조사하는 것.

제안 방법

• 연구는 거시경제 지표를 사용하여 인플레이션을 모델링하고 예측하기 위해 장기 기억(LSTM) 순환 신경망을 활용한다.
• LSTM 모델은 여러 거시경제 변수를 공통된 성분으로 요약하여 잠재적 추세를 포착한다.
• 모델은 장기 예측 수준에서 과거 데이터를 활용하며, LSTM의 장기 의존성 유지 능력을 활용한다.
• 예측 프레임워크는 LSTM의 성능을 표준 피드포워드 신경망과 전통적인 경제계량 기준 모델과 비교한다.
• 모델 정확도 평가에는 미국 인플레이션 데이터에 대한 샘플 외 예측 성능이 사용된다.
• 분석은 추출된 공통 성분이 경기 순환 및 가격 동적 변화를 얼마나 잘 반영하는지에 중점을 둔다.

실험 결과

연구 질문

• RQ1 LSTM 기반 모델이 표준 기준 모델 대비 장기 예측 수준에서 인플레이션 예측 성능을 향상시킬 수 있는가?
• RQ2 LSTMs의 순환 구조가 장기 인플레이션 추세를 향상시켜 포착하는 데 기여하는가?
• RQ3 거시경제 데이터를 통합한 신경망은 대침체 기간 동안과 이후에 인플레이션을 얼마나 잘 예측하는가?
• RQ4 추정된 공통 성분이 경기 순환 및 가격 동적 변화를 어느 정도 반영하는가?
• RQ5 비선형 모델인 LSTMs가 선형 모델보다 인플레이션의 구조적 변화를 더 잘 포착할 수 있는가?

주요 결과

• LSTM 모델은 장기 예측 수준에서 표준 피드포워드 신경망보다 일관되게 뛰어난 성능을 보였다.
• LSTM 모델은 오래된 정보를 효과적으로 유지하고 활용할 수 있는 능력 덕분에 장기 인플레이션 추세를 더 잘 포착하는 데 뛰어난 성능을 보였다.
• 거시경제 데이터를 통합한 신경망은 대침체 기간 동안과 이후의 인플레이션 역학을 성공적으로 포착하였으며, 이는 비선형성이 존재함을 시사한다.
• 모델이 추정한 공통 성분은 경기 순환 역학과 가격 정보를 반영하여 예측에 유용함을 나타낸다.
• LSTM 모델은 추정 파라미터 수를 줄이며 더 높은 정확도를 달성하여 효율성을 입증하였다.
• 결과는 순환 네트워크가 지속적인 추세를 보이는 거시경제 시계열 모델링에 특히 적합함을 시사한다.