Kredit:CC0 Public Domain
Den danske fysiker Neils Bohr sagde engang, at forudsigelse er svær, især når det handler om fremtiden. Men det er præcis, hvad de finansielle tilsynsmyndigheder skal gøre - at forudsige den sandsynlige økonomis tilstand i fremtiden er afgørende, når de beslutter sig for politiske løftestænger som om de skal skære ned eller hæve renten.
Imidlertid, efterhånden som verden bliver mere uforudsigelig, prognoser er blevet stadig sværere. Denne udfordring blev gribende illustreret efter starten på finanskrisen i 2008, da dronning Elizabeth stillede et tilsyneladende enkelt, men peget spørgsmål til et rum af forskere og økonomer ved London School of Economics:Hvorfor så ingen det komme?
I lyset af den store kompleksitet, måske kunne økonometri klare sig med mere hjælp. Tag for eksempel machine learning. Med sin evne til at parse big data, det kunne forbedre eksisterende økonometriske metoder og føre til bedre prognoser. Dette er den forskning, som professor Yu Jun fra Singapore Management University (SMU) præsenterede sammen med lektor Xie Tian fra Shanghai University of Finance and Economics, på et webinar arrangeret af SMU og Monetary Authority of Singapore (MAS) den 26. juni 2020.
I deres foredrag med titlen "Økonometriske metoder og datavidenskabelige teknikker, Professorer Yu og Xie gennemgik eksisterende økonometriske metoder og maskinlæringsteknikker, før de diskuterede en hybrid af begge metoder. Ved hjælp af rigtige data og eksempler, de viste, at hybridmetoden kan varsle bedre økonomiske og finansielle variable forudsigelser.
"Vi ved alle, at vi er i æraen med big data og maskinlæringsteknologier inden for datavidenskab, " sagde professor Yu. "Nogle mennesker tror måske, at maskinlæring udgør en trussel mod konventionelle økonometriske metoder. Er det virkelig tilfældet?"
En blanding af tradition og forandring
Taler først, Professor Yu introducerede et udvalg af traditionelle økonometriske metoder. Blander økonomi med statistik, økonometri har en struktureret kvantitativ statistisk tilgang til økonomiske analyser. Med økonometri, Professor Yu forklarede, metoden er at bruge tidligere data til at etablere statistiske sammenhænge, som igen kan bruges til at forudsige mulige fremtider.
"De fleste økonometriske metoder håber at lette fortolkning og statistisk inferens, " han sagde, forklarer, at konventionelle økonometriske metoder er afhængige af antagelser og lineære sammenhænge, ligesom den berømte linearitetsantagelse. "Du ønsker at kortlægge fra fortiden til fremtiden."
Denne tilgang fungerer godt i visse tilfælde, Professor Yu sagde, men viser sig også at være en begrænsning:De fleste konventionelle økonometriske modeller kan ikke håndtere big data eller komplicerede forhold. "Hvis du har mange forudsigere eller et kompliceret forhold, økonometriske metoder vil mislykkes. Og det er en alvorlig begrænsning i big data-æraen og i mange vigtige tilfælde, " han sagde.
På den anden side, Professor Xie, som også er adjungeret professor ved SMU, forklaret, at maskinlæringsalgoritmer er datadrevne. "I stedet for at stole på antagelser, mange maskinlæringsalgoritmer lader bare dataene tale:de pålægger ikke særlig stærke antagelser eller begrænsninger på datagenereringsprocessen, " han sagde.
Det er det, der gør maskinlæringsteknikker så fleksible, Professor Xie påpegede. Imidlertid, han tilføjede også, at mange maskinlæringsmetoder i første omgang ikke er skræddersyet til økonomiske og finansielle data.
Så når det kommer til at forsøge at forudsige fremtiden, er den ene tilgang bedre end den anden? Som mange ting i denne verden, det er ikke så ligetil.
Veje deres styrker og svagheder
Professorerne Yu og Xie brugte to eksempler fra den virkelige verden til at illustrere, hvordan de to forskellige tilgange kan udkonkurrere hinanden i nøjagtighed afhængigt af de aktuelle data og sager.
I prognosen for volatilitetsindekset, eller VIX – et indeks for finansmarkedernes volatilitet skabt af Chicago Board Options Exchange – de viste, at mere traditionel lineær økonometrisk modellering producerede en mere nøjagtig prognose end mere komplekse maskinlæringsmetoder.
Imidlertid, i det andet tilfælde af forudsigelse af forbrugerprisinflationen i euroområdet, maskinlæringsmetoder overgik traditionelle økonometriske metoder.
"Maskinlæringsmetoder er meget populære, men de overgår ikke altid konventionelle økonometriske metoder. Spørgsmålet er, kan vi ændre maskinlæringsalgoritmer for at anvende avancerede økonometriske teknikker og bruge økonomiske data bedre?"
I denne retning, Professorer Yu og Xie diskuterer ideen om, at anvendelse af maskinlæringsmetoder på eksisterende økonometriske tilgange, i stedet for at bruge begge metoder separat, kunne forbedre økonometrisk modellering. De foreslår en hybrid algoritme, et modelgennemsnitsregressionstræ (MART), som først blev foreslået af professor Xie og professor Steven F. Lehrer fra Queen's University i et NBER Working Paper fra 2018.
Sætter MART på prøve
For at teste effektiviteten af denne hybridmetode, de brugte det til at forudsige realøkonomiske og finansielle variabler ved at anvende det på de samme eksempler på VIX- og eurozonens inflationsrater, som blev diskuteret tidligere.
Økonometriske modeller havde stadig den bedste prognosenøjagtighed i prognose VIX, yder bedre end deres hybride MART-tilgang. Professorer Yu og Xie foreslår, at dette skyldes, at VIX-data udviser meget stærk linearitet og derfor er bedst egnet til en økonometrisk tilgang.
Men når det kom til at forudsige inflationsraterne i euroområdet, resultaterne viste, at duoens hybride tilgang klarede sig bedst, genererer overlegen prognosenøjagtighed sammenlignet med enten økonometri eller maskinlæringsmetoder alene.
Så selvom en hybridmodel ikke altid er den bedste i alle tilfælde, elementer af maskinlæring kan stadig forbedre prognoser ved at samle op på tendenser, som de traditionelle økonometriske modeller måske går glip af. For nu, de siger, at nøglen er at forstå de grundlæggende principper for hver metode og anvende dem under de mest passende omstændigheder.
"Hybridstrategien kombinerer økonometriske mål med maskinlæringsstrategier for at føre til betydelige gevinster i prognosenøjagtighed, " sagde professor Xie. "Selvfølgelig, dette er kun en idé. Fremtidigt arbejde er absolut nødvendigt for at forstå egenskaberne ved denne foreslåede hybridstrategi for at hjælpe med at vejlede praktikere."