Tomas Chalaux ir Davidas Turneris
Numatyti, kada prasidės nuosmukis, nėra lengva užduotis, o ekonomistai jau seniai bandė suprasti įvairius finansinius ir verslo ciklo duomenis tiek iš vidaus, tiek iš tarptautinių šaltinių. Iššūkis pasirinkti tinkamus kintamuosius kiekvienai šaliai ir laiko intervalui, kurie gali įgauti skirtingas funkcines formas, daro mašininio mokymosi metodus ypač naudingus.
Naujausi EBPO tyrimai palygino tradicinius mašininio mokymosi modelius, įskaitant populiarųjį LASSO (mažiausio absoliutaus susitraukimo ir atrankos operatorių), su nauju EBPO mokslininkų sukurtu algoritmu „Doombot“. LASSO veikia supaprastindamas modelius, padėdamas pagerinti jų tikslumą, ribodamas nereikalingus kintamuosius. Tačiau „Doombot“ laikosi išsamesnio požiūrio, išbandydamas daugybę kintamųjų ir nustatydamas apribojimus, kad užtikrintų, jog jo prognozės geriau atitiktų bendrą ekonomikos istoriją.
Kokie duomenys buvo naudojami?
EBPO tyrime buvo išbandyti keli algoritmai pagal duomenis iš 20 EBPO šalių, siekiant išsiaiškinti, kaip gerai jos gali numatyti nuosmukį skirtingais laikotarpiais – nuo artimiausio ketvirčio iki dvejų metų į priekį. Dažniausiai renkami finansiniai rodikliai, tokie kaip kreditas, būsto kainos, akcijų kainos ir palūkanų normos (pvz., pajamingumo kreivės nuolydis). Ekonominės veiklos duomenys, tokie kaip BVP ir nedarbas, buvo dažniau naudojami trumpesnio laikotarpio prognozėms. Pažymėtina, kad šios prognozės neapsiribojo kiekvienos šalies vidaus ekonomika; tų pačių kintamųjų tarptautinės agregacijos vaidino svarbų vaidmenį.
„Doombot“ geriausiai veikia nuspėjamuoju tikslumu
Prognozuojant retus įvykius, tokius kaip recesija, svarbu išbandyti modelius su duomenimis, kurių jie anksčiau nematė – tai vadinama „neatrankos“ testavimu. Tai padeda išvengti per didelio pritaikymo, kai modelis gerai atrodo pagal istorinius duomenis, bet prastai veikia numatant realiuoju laiku. „Doombot“ pranoko konkurentus pagal kelis rodiklius, kai buvo išbandytas EBPO šalyse. Visų pirma, jis suteikė aiškesnį išankstinį įspėjimą apie 2008 m. pasaulinę finansų krizę (GFC) nei LASSO ir kiti metodai. Išplėsdamas prognozes ir palygindamas skirtingas šalis ir laikotarpius, „Doombot“ nuolat užėmė aukštesnę vietą nei kiti modeliai.
Doombotas pasakoja geresnę ekonomikos istoriją
Be tikslesnių Doomboto prognozių, jos geriau dera su ekonominiais pasakojimais. Palyginti su LASSO, jis naudoja mažiau kintamųjų (paprastai mažiau nei tris vienoje lygtyje), o jo prognozės yra nuoseklesnės visose šalyse. Kintamųjų ženklai (nurodantys, ar kintamasis turėtų padidinti ar sumažinti recesijos riziką) atitinka ekonominę logiką, o tai ne visada būdinga kitiems algoritmams. Be to, „Doombot“ sukuria sklandesnes recesijos tikimybės prognozes, išvengdamas kai kuriuose kituose modeliuose matomų nepastovių šuolių. Šios funkcijos leidžia ekonomistams lengviau suskaidyti recesijos rizikos veiksnius ir pastebėti tendencijas įvairiose šalyse.
Pavyzdžiui, prieš GFC Doombot numatė nuolatinį JAV nuosmukio rizikos didėjimą, visų pirma nulemtą apverstos pajamingumo kreivės ir mažėjančių akcijų kainų (žr. 1 pav.). Ilgainiui tam įtakos turėjo ir mažėjančios būsto kainos bei kylančios naftos kainos. Panašūs modeliai atsirado ir kitose šalyse, o būsto kainos ir kreditų pokyčiai buvo pagrindiniai veiksniai, lemiantys GFC.
1 pav. Įnašas į numatomas JAV nuosmukio tikimybes prieš GFC
Neatrinktos projekcijos, padarytos remiantis 2007 m. gruodžio pradžioje turimais duomenimis
Pastaba: šioje diagramoje parodytas apytikslis nuosmukio tikimybių išskaidymas į kiekvieno aiškinamojo kintamojo indėlį. Prognozės daromos naudojant Doombot algoritmą, naudojant 2007 m. gruodžio pradžioje turimus duomenis. Jungtinėse Valstijose nuo 2008 m. trečiojo ketvirčio iki 2009 m. antrojo ketvirčio buvo nuosmukis, o tai atitinka tamsesnę fono sritį.
Tikslumo ir pasakojimo derinimo pranašumai
Doombot algoritmui taikomi apribojimai padeda pateikti nuoseklesnį ekonominį pasakojimą ir taip sušvelnina įprastą „juodosios dėžės“ kritiką dėl mašininio mokymosi metodų. Ko gero, įdomiausia ir svarbiausia šio darbo išvada yra ta, kad nėra kompromiso tarp nuspėjamojo našumo ir geresnio pasakojimo, todėl sprendžiant suvaržymus, atitinkančius ekonominius prioritetus, nuspėjamas Doombot veikimas gerėja, o ne trukdo. Tai gali turėti svarbių pasekmių būsimoms mašininio mokymosi programoms ekonomikoje.
Nuorodos
Chalaux, T. ir D. Turner (2024), „Doombot ir kiti mašininio mokymosi metodai vertinant recesijos riziką EBPO šalyse“, EBPO Ekonomikos departamento darbo dokumentaiNr. 1821, EBPO leidyba, https://www.oecd.org/en/publications/doombot-versus-other-machine-learning-methods-for-evaluating-recession-risks-in-oecd-countries_1a8c0a92-en. html
