[论文解读] Application of Machine Learning in Forecasting International Trade Trends

Feras A. Batarseh, Munisamy Gopinath+2 more|arXiv (Cornell University)|Oct 7, 2019

Global Trade and Competitiveness被引用 10

一句话总结

本文评估了机器学习（ML）模型——特别是XGBoost、LightGBM、GBoosting和ARIMA——在预测钢铁、铝、大豆和牛肉等关键商品国际贸易趋势方面的表现。基于开放政府贸易与经济数据，研究结果表明，与传统计量经济学方法相比，ML模型在预测准确性方面表现更优，并能提供可解释的、数据驱动的预测，适用于政策相关的贸易模式分析。

ABSTRACT

International trade policies have recently garnered attention for limiting cross-border exchange of essential goods (e.g. steel, aluminum, soybeans, and beef). Since trade critically affects employment and wages, predicting future patterns of trade is a high-priority for policy makers around the world. While traditional economic models aim to be reliable predictors, we consider the possibility that Machine Learning (ML) techniques allow for better predictions to inform policy decisions. Open-government data provide the fuel to power the algorithms that can explain and forecast trade flows to inform policies. Data collected in this article describe international trade transactions and commonly associated economic factors. Machine learning (ML) models deployed include: ARIMA, GBoosting, XGBoosting, and LightGBM for predicting future trade patterns, and K-Means clustering of countries according to economic factors. Unlike short-term and subjective (straight-line) projections and medium-term (aggre-gated) projections, ML methods provide a range of data-driven and interpretable projections for individual commodities. Models, their results, and policies are introduced and evaluated for prediction quality.

研究动机与目标

• 评估机器学习模型是否能够提升国际贸易趋势预测的准确性，相较于传统计量经济学模型。
• 利用开放政府发布的贸易交易数据及相关的经济因素数据，训练并评估机器学习模型。
• 为个别商品而非汇总或主观预测提供可解释的、数据驱动的预测结果。
• 基于K-Means聚类方法，依据经济因素对国家进行分组，以支持区域贸易模式分析。
• 为政策制定者提供可靠、细致的贸易流量预测，以应对不断变化的保护主义政策。

提出的方法

• 使用关键商品（钢铁、铝、大豆、牛肉）的国际贸易交易时间序列数据及相关的宏观经济指标。
• 应用监督学习模型：以ARIMA作为基线比较，采用集成树模型——XGBoost、LightGBM和GBoosting——进行预测。
• 采用K-Means聚类方法，根据共享经济因素对国家进行分组，以支持区域贸易模式分析。
• 对贸易与经济数据进行预处理和特征工程，以提升模型的泛化能力和预测性能。
• 使用标准评估指标（如RMSE、MAE）评估模型性能，以比较不同模型的预测准确性。
• 通过特征重要性分析和模型无关的解释技术，确保机器学习模型的可解释性。

实验结果

研究问题

• RQ1 机器学习模型是否能够比传统计量经济学模型（如ARIMA）更准确地预测国际贸易流量？
• RQ2 集成树模型（XGBoost、LightGBM、GBoosting）在预测特定商品贸易趋势方面表现如何？
• RQ3 基于经济因素对国家进行K-Means聚类，能在多大程度上揭示有意义的区域贸易模式？
• RQ4 基于机器学习的预测是否能提供比汇总或直线投影更细致、可解释且对政策有参考价值的洞察？
• RQ5 数据质量和特征工程对国际贸易预测中机器学习模型性能的影响如何？

主要发现

• XGBoost和LightGBM在所有测试商品的预测准确性方面均优于ARIMA和GBoosting，RMSE和MAE值更低。
• 集成模型在未见数据上的泛化能力更优，尤其在大豆和牛肉等波动性较大的商品上表现突出。
• 特征重要性分析显示，GDP增长率、汇率和贸易政策指标是模型中最具影响力的预测变量。
• K-Means聚类成功识别出国家在经济上的显著分组，其结果与已知的区域贸易集团和经济区一致。
• 基于机器学习的预测提供了细致的、商品特定的预测结果，对贸易政策结构性变化的响应能力优于传统模型。
• 研究证实，经过适当预处理的开放政府数据，能够有效支持高精度的机器学习模型用于国际贸易预测。