[论文解读] Netconomics: Novel Forecasting Techniques from the Combination of Big Data, Network Science and Economics

Andreas Joseph, Irena Vodenska+2 more|arXiv (Cornell University)|Mar 4, 2014

Complex Systems and Time Series Analysis参考文献 5被引用 3

一句话总结

本文提出了一种名为 Netconomics 的新框架，将大数据、网络科学与经济学相结合，以改进宏观经济预测。通过将经济系统建模为网络——使用多元线性回归（MLR）分析国际收支，利用投资组合投资网络进行危机早期预警，通过贸易流量网络预测GDP——研究发现，诸如守门潜力（gate-keeping potential）等拓扑指标在预测GDP变化方面优于传统贸易量指标，从而提供了更准确、更具系统性的经济相互依赖视角。

ABSTRACT

The combination of the network theoretic approach with recently available abundant economic data leads to the development of novel analytic and computational tools for modelling and forecasting key economic indicators. The main idea is to introduce a topological component into the analysis, taking into account consistently all higher-order interactions. We present three basic methodologies to demonstrate different approaches to harness the resulting network gain. First, a multiple linear regression optimisation algorithm is used to generate a relational network between individual components of national balance of payment accounts. This model describes annual statistics with a high accuracy and delivers good forecasts for the majority of indicators. Second, an early-warning mechanism for global financial crises is presented, which combines network measures with standard economic indicators. From the analysis of the cross-border portfolio investment network of long-term debt securities, the proliferation of a wide range of over-the-counter-traded financial derivative products, such as credit default swaps, can be described in terms of gross-market values and notional outstanding amounts, which are associated with increased levels of market interdependence and systemic risk. Third, considering the flow-network of goods traded between G-20 economies, network statistics provide better proxies for key economic measures than conventional indicators. For example, it is shown that a country's gate-keeping potential, as a measure for local power, projects its annual change of GDP generally far better than the volume of its imports or exports.

研究动机与目标

• 解决传统宏观经济模型在预测全球金融危机与经济波动方面的局限性。
• 通过将网络科学与大数据及经济指标相结合，开发数据驱动的预测工具。
• 通过分析全球贸易与金融网络中的拓扑特性，识别更优的经济表现代理指标。
• 结合网络统计与标准经济变量，构建系统性风险的早期预警系统。

提出的方法

• 利用时间滞后回归变量的多元线性回归（MLR）构建国家国际收支指标之间的关系网络，以实现预测。
• 应用网络指标（尤其是边密度与追踪中心性）分析长期债务投资组合网络，以识别系统性风险模式。
• 将G-20经济体的国际贸易网络建模为有向流量网络，节点大小基于GDP，边权重基于贸易量。
• 提出守门潜力（GKP）作为国家在全球贸易网络中局部权力的拓扑度量，其值由其在流量结构中的位置决定。
• 采用非线性现象学建模（NLSMM）描述场外衍生品（如信用违约互换CDS）的传播，基于网络动力学。
• 使用基于Python的工具（IPython、NetworkX）进行经济系统的网络构建、统计分析与可视化。

实验结果

研究问题

• RQ1 与传统贸易量指标相比，基于网络的拓扑指标是否能提升GDP预测的准确性？
• RQ2 投资组合投资网络中的网络统计指标能否作为系统性金融危机的早期预警信号？
• RQ3 国际收支数据中的高阶交互作用与关系结构在提升宏观经济指标预测建模方面发挥何种作用？
• RQ4 一国在全球贸易网络中的守门潜力在多大程度上与其实质GDP增长率相关，而不仅依赖于进出口量？
• RQ5 金融衍生品的扩散能否被建模为网络过程？其扩散是否能预测重大金融冲击？

主要发现

• MLR拟合网络模型能准确描述年度国际收支指标，并对大多数分量提供强预测能力，时间滞后回归变量显著增强了预测性能。
• 追踪中心性识别出‘宏观经济温度计’——即能以高精度跟踪多个大型经济变量的指标，从而实现对跨境经济互动的更优监测。
• 长期债务投资组合网络中的边密度是系统性风险的可靠早期预警信号，在2008年全球金融危机前已持续显示出预警迹象。
• 在G-20贸易网络中，守门潜力（GKP）与大多数国家的年度GDP变化呈正相关，其作为预测指标优于进口与出口总量。
• 澳大利亚是一个显著例外，其GKP与GDP变化呈显著负相关，这可归因于其作为原材料出口国而非贸易枢纽的角色。
• 将网络科学与大数据及传统经济指标相结合，相较于仅依赖传统模型，能提供更稳健、更具系统性的全球经济相互依赖理解。