[论文解读] Recursive deep learning framework for forecasting the decadal world economic outlook

Tianyi Wang, Rodney Beard+2 more|arXiv (Cornell University)|Jan 25, 2023

Market Dynamics and VolatilityEconomics, Econometrics and Finance被引用 3

一句话总结

本文提出一种基于ED-LSTM的递归深度学习框架，利用Penn World Table数据对1980年至2019年期间13个国家的十年期GDP增长率进行预测。ED-LSTM模型在ARIMA、VAR、LSTM、BD-LSTM和CNN模型中表现最优，预测未来十年的前五年将出现全球经济放缓，仅中国、法国和印度有望维持稳定或增长的GDP增长率。

ABSTRACT

The gross domestic product (GDP) is the most widely used indicator in macroeconomics and the main tool for measuring a country's economic output. Due to the diversity and complexity of the world economy, a wide range of models have been used, but there are challenges in making decadal GDP forecasts given unexpected changes such as emergence of catastrophic world events including pandemics and wars. Deep learning models are well suited for modelling temporal sequences and time series forecasting. In this paper, we develop a deep learning framework to forecast the GDP growth rate of the world economy over a decade. We use the Penn World Table as the data source featuring 13 countries prior to the COVID-19 pandemic, such as Australia, China, India, and the United States. We present a recursive deep learning framework to predict the GDP growth rate in the next ten years. We test prominent deep learning models and compare their results with traditional econometric models for selected developed and developing countries. Our decadal forecasts reveal that that most of the developed countries would experience economic growth slowdown, stagnation and even recession within five years (2020-2024). Furthermore, our model forecasts show that only China, France, and India would experience stable GDP growth.

研究动机与目标

• 开发一种稳健的深度学习框架，用于多国长期GDP增长率预测。
• 解决传统线性时间序列模型（如ARIMA、VAR）在捕捉非线性经济动态和突发冲击方面的局限性。
• 评估多种深度学习架构（LSTM、BD-LSTM、ED-LSTM和CNN）与经典计量经济学模型的性能表现。
• 识别哪种深度学习模型最能捕捉宏观时间序列中的复杂时间依赖性，以实现十年期预测。
• 预测未来十年的全球经济趋势，特别是在结构性变革和外部冲击（如大流行病和战争）背景下的表现。

提出的方法

• 使用涵盖1980年至2019年期间13个国家的Penn World Table数据集，获取GDP及相关宏观经济指标。
• 实施递归预测策略，将每年的预测结果作为下一年预测的输入进行反馈。
• 在训练过程中对数据进行打乱，以防止过拟合并提升在不同国家和时间段上的泛化能力。
• 评估多种深度学习模型：LSTM、双向LSTM（BD-LSTM）、编码器-解码器LSTM（ED-LSTM）以及卷积神经网络（CNN）。
• 将模型性能与传统时间序列模型（ARIMA和向量自回归VAR）进行对比。
• 基于测试集上最低的均方误差（MSE）和最佳预测精度，选择ED-LSTM作为最优模型。

Figure 1 : The process of using VAR.

实验结果

研究问题

• RQ1 在LSTM、BD-LSTM、ED-LSTM和CNN中，哪种深度学习架构在预测十年期GDP增长率方面表现最佳？
• RQ2 与直接法或非递归方法相比，递归深度学习框架在多大程度上提升了长期预测的准确性？
• RQ3 深度学习模型在长期GDP预测中，能在多大程度上捕捉结构性经济转变和外部冲击（如大流行病、战争）的影响？
• RQ4 在接下来的十年中，发达经济体与发展中国家的GDP增长率预测趋势有何差异？
• RQ5 ED-LSTM模型能否在世界经济动荡背景下，可靠预测中国、印度和法国等国家的持续增长？

主要发现

• ED-LSTM模型在十年期GDP增长率预测中实现了最低的均方误差（MSE），并优于ARIMA、VAR、LSTM、BD-LSTM和CNN模型。
• 递归策略通过将预测值逐轮反馈至模型，实现了对长期时间序列的一致性预测。
• 模型预测未来十年的前五年将出现全球经济放缓或停滞，许多国家面临负增长或经济衰退。
• 仅中国、法国和印度被预测在整个十年间维持稳定或增长的GDP增长率，其中中国即使在经济规模庞大的背景下，也预计将持续高增长。
• 模型的预测结果与外部报告一致，即印度GDP预计在2032年达到11万亿美元，中国自2020年后正转向高质量增长。
• 局限性包括未纳入2020年以后的数据（如大流行病和战争影响），以及在经济成熟后增长放缓的建模挑战。

Figure 2 : RNN structure showing information from input $x$ to output $y$ via the state and hidden layers $h$ .