[论文解读] Economic Recession Prediction Using Deep Neural Network

Zihao Wang, Kun Li+2 more|arXiv (Cornell University)|Jul 21, 2021

Monetary Policy and Economic Impact参考文献 41被引用 4

一句话总结

本文提出了一种结合自编码器与注意力机制的双向长短期记忆网络（BiLSTM-AA）模型，利用宏观经济与市场指标预测美国经济衰退。该模型在样本外测试中实现了94.8%的准确率，能提前最多6个月预测经济衰退，优于支持向量机（SVM）与逻辑回归等传统方法，在2008年金融危机和新冠疫情衰退期间表现更优。

ABSTRACT

We investigate the effectiveness of different machine learning methodologies in predicting economic cycles. We identify the deep learning methodology of Bi-LSTM with Autoencoder as the most accurate model to forecast the beginning and end of economic recessions in the U.S. We adopt commonly-available macro and market-condition features to compare the ability of different machine learning models to generate good predictions both in-sample and out-of-sample. The proposed model is flexible and dynamic when both predictive variables and model coefficients vary over time. It provided good out-of-sample predictions for the past two recessions and early warning about the COVID-19 recession.

研究动机与目标

• 开发一种深度学习模型，利用常见的宏观经济与市场指标，准确预测美国经济衰退的开始与结束时间。
• 应对经济衰退预测中时间不稳定性、数据不平衡与训练样本有限等挑战。
• 通过仅使用当前周期的数据，使模型能够在官方公布日期之前预测衰退，提升早期预警能力。
• 设计一种动态、灵活的模型，能够适应经济制度的变化，并通过自编码机制缓解数据延迟问题。
• 通过严格的样本外测试评估模型在历史衰退事件（包括2008年金融危机与新冠疫情衰退）中的鲁棒性。

提出的方法

• 模型采用双向长短期记忆网络（Bi-LSTM），以捕捉时间序列宏观经济与金融特征中的时间依赖性。
• 集成自编码器，学习Bi-LSTM隐藏状态的压缩且有意义的表示，实现对未来状态的预测，并缓解数据延迟问题。
• 应用注意力机制，聚焦预测过程中最相关的时序步长与特征，提升可解释性与性能。
• 模型训练目标为使用时间 $ t $ 的数据预测时间 $ t+1 $ 的衰退事件，通过滚动窗口方法模拟实时预测。
• 特征工程包括常见的宏观经济指标，如BAA利差、工业生产指数（INDPRO）与期限利差。
• 模型训练结合监督学习进行分类任务，以及自编码器的无监督预训练，以在数据有限条件下增强表征学习能力。

实验结果

研究问题

• RQ1 具备Bi-LSTM与自编码器结构的深度学习模型，是否能在预测美国经济衰退方面优于SVM与逻辑回归等传统机器学习模型？
• RQ2 该BiLSTM-AA模型在仅使用当前周期数据的前提下，能在多大程度上提供经济衰退的早期预警？
• RQ3 注意力机制与自编码器的引入，如何提升在数据不平衡、样本量低的环境下的预测准确率与鲁棒性？
• RQ4 为平衡经济周期敏感性与数据延迟，输入特征的最佳时间窗口应为多长？
• RQ5 关键宏观经济变量（如BAA利差与工业生产）如何影响模型对经济衰退的预测？

主要发现

• 在样本外测试中，BiLSTM-AA模型实现了94.8%的准确率，显著优于SVM（86.2%）、逻辑回归（86.2%）与DNN（89.6%）在相同测试集上的表现。
• 该模型成功以6个月的领先时间预测了2008年金融危机与新冠疫情衰退，展现出强大的早期预警能力。
• 当采用6个月的输入窗口时，模型性能达到最优，衰退检测的F1得分为81%，非衰退期的F1得分为96%。
• 注意力机制使F1得分相比无注意力机制的模型提升了6.9个百分点，凸显其在特征优先排序中的关键作用。
• 特征敏感性分析显示，BAA利差上升30%会使预测的衰退 onset 提前，而工业生产上升30%则会延迟衰退预测，与经济直觉一致。
• 模型在非衰退期保持了97%的高精确率与96%的F1得分，表明尽管存在类别不平衡，其误报率仍极低。