[论文解读] Predicting Inflation with Neural Networks

Livia Paranhos|arXiv (Cornell University)|Jan 1, 2021

Market Dynamics and Volatility参考文献 35被引用 1

一句话总结

本文提出使用长短期记忆（LSTM）循环神经网络，通过从宏观经济数据中提取共同成分来预测美国通胀。LSTM在长周期预测中优于传统前馈网络和基准模型，通过更少的参数有效利用历史信息，展现出更强的能力来捕捉长期通胀趋势和经济周期动态。

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.

研究动机与目标

• 通过机器学习，特别是循环神经网络，提升通胀预测的准确性。
• 评估LSTM是否能比传统模型更好地捕捉长期通胀趋势。
• 评估大衰退期间及之后宏观经济信息在通胀预测中的作用。
• 检验从宏观数据中提取的共同成分是否能提升预测表现。
• 探究非线性建模在捕捉复杂通胀动态方面的潜力。

提出的方法

• 本研究采用长短期记忆（LSTM）循环神经网络，利用宏观经济指标对通胀进行建模与预测。
• LSTM模型将多个宏观经济变量汇总为共享的共同成分，以捕捉潜在趋势。
• 该模型利用长期时间跨度的历史数据，充分发挥LSTM保留长期依赖关系的能力。
• 预测框架将LSTM的性能与标准前馈神经网络及传统计量经济学基准进行对比。
• 该方法通过在美国通胀数据上的样本外预测表现来评估模型准确性。
• 分析聚焦于提取的共同成分在多大程度上反映了经济周期和价格动态。

实验结果

研究问题

• RQ1 与标准基准相比，基于LSTM的模型是否能提升长期通胀预测表现？
• RQ2 LSTM的循环结构是否增强了对长期通胀趋势的捕捉能力？
• RQ3 整合宏观经济数据的神经网络在大衰退期间及之后的通胀预测中表现如何？
• RQ4 所估计的共同成分在多大程度上反映了经济周期和价格动态？
• RQ5 与线性模型相比，LSTM等非线性模型是否能更好地捕捉通胀的结构性变化？

主要发现

• LSTM模型在长期通胀预测中始终优于标准前馈神经网络。
• 由于其能够有效保留并利用较早的历史信息，LSTM模型在捕捉长期通胀趋势方面表现更优。
• 整合宏观经济数据的神经网络在大衰退期间及之后成功捕捉了通胀动态，表明其中存在非线性特征。
• 模型提取的共同成分反映了经济周期动态和价格信息，表明其在预测中的实用性。
• LSTM模型在减少参数估计数量的同时实现了更高的预测精度，凸显其高效性。
• 结果表明，循环网络特别适合用于建模具有持续趋势的宏观经济时间序列。