修补水晶球：用机器学习增强通胀预测

杨刘、潘然、徐瑞WP/24/206 国际货币基金组织工作论文描述研究内容作者（们）的进步并已发表至引发评论并鼓励辩论。所表达的看法均属于国际货币基金组织工作论文的内容。那些属作者所有，不一定必须是。代表国际货币基金组织（IMF）、其执行董事会的观点或国际货币基金组织管理层。 2024九月份 国际货币基金组织工作报告 货币与资本市场部门 修复水晶球：利用机器学习提高通货膨胀预测——杨柳、潘然、徐瑞* 经Naomi Nakaguchi Griffin和Ranil Salgado授权分发，2024年9月 国际货币基金组织工作论文描述作者（们）正在进行的研究，并公开发表以引起评论和促进辩论。国际货币基金组织（IMF）工作论文中表达的观点是作者（们）的个人观点，并不一定代表IMF、其执行董事会或IMF管理层的观点。 摘要：预测通货膨胀自2020年以来已成为中央银行的一大挑战，原因在于疫情后供应链中断和经济不确定性。机器学习模型可以通过整合更广泛范围的变量，允许非线性关系，并关注样本外的性能，从而提高预测性能。在这篇论文中，我们应用机器学习（ML）模型来预测疫情后日本的短期核心通货膨胀。日本是一个具有挑战性的案例，因为通货膨胀在过去直到2022年都较为温和，而现在已经上升到了四十年来未见的水平。四种机器学习模型与两种基准模型一起应用于大量预测指标。对于2023年，两种惩罚性回归模型系统地优于基准模型，其中LASSO模型提供了最准确的预测。2022年之后通货膨胀的有用预测指标包括家庭通货膨胀预期、入境旅游业、汇率和产出缺口。 建议引用：刘阳、潘然、徐瑞（2024），“修补水晶球：利用机器学习增强通货膨胀预测”，国际货币基金组织工作论文 24/206。 工作论文 修复水晶球： 增强型机器学习下的通胀预测 由杨柳、潘然和徐瑞编撰1 内容 参考文献.........................................................................................................................................................19附录I. 机器学习模型 .................................................................................................................14引言 .........................................................................................................................................................3方法学........................................................................................................................................................5潜在通货膨胀预测指标（特征）......................................................................................................7模型性能.............................................................................................................................................9结论与未来工作...........................................................................................................................13附录II. 使用Python实现机器学习方法 .......................................................17 数字 1. 日本通货膨胀：专业预测者的预测误差......................................................................42. 时间序列分割K折与K折交叉验证..........................................................................................53. 日本：通货膨胀与产出缺口.......................................................................................................................84. 日本：预测与实际核心通货膨胀......................................................................................................105. 预测性能检验.........................................................................................................................116. 日本：核心通货膨胀驱动因素.........................................................................................................................122 表格 引言 自2022年以来，预测日本的通货膨胀变得具有挑战性。自2022年4月以来，通货膨胀率首次在三十年内连续两年超过2%的目标。尽管最初是由成本推动因素驱动的，但日本的通货膨胀越来越由需求侧因素驱动，服务业通货膨胀率超过2%。核心通货膨胀率水平和持续性的持久性都出乎日本银行（BOJ）的意料，其季度经济展望中的通货膨胀预测已被反复上调。 挑战并非仅限于日本银行。许多央行在2021年和2022年的通货膨胀方面感到惊讶，对产出缺口的规模不确定，在财政刺激规模庞大和菲利普斯曲线陡峭化的情况下不知情。世界经济展望预测也一直低估了发达经济体的通货膨胀，存在较大误差（参见Koch和Noureldin，2023）。 大流行导致价格动态发生结构性变化，而这些变化并未被现有的经济模型所捕捉。例如，供应链约束的持续并未被预期，因此也未纳入典型的通货膨胀模型。Hobijin等人（2023）还记录了自2021年以来许多工业化国家菲利普斯曲线的加剧。由于大流行前的十年间其趋势持续平缓，许多经济学家认为这条曲线“已死亡”。在日本，三十年的通缩进一步复杂化了预测者的任务。 大多数传统经济变量预测模型依赖于将数据拟合到输入变量与输出变量（即预测目标）之间预先指定的关系。因此，这些模型假定在所讨论变量的真实关系背后存在一个随机过程（Breiman, 2001）。在这种情况下，因此，模型的优劣仅取决于其规范，而不管数据可能表明什么。 机器学习（ML）模型可以通过使用严格的训练和测试算法找到一个最佳表示输入和输出数据之间关系的函数，从而帮助提高预测性能。但是，一些经济学家批评许多ML模型具有有限的可解释性，无法解释是什么因素驱动预测。然而，日益增长的数据量和日益复杂的关系使得在经济学中使用机器学习方法变得有据可依（参见Varian，2014）。 机器学习模型相较于经济预测模型具有三大优势。首先，机器学习模型可以通过正则化和/或大量的训练样本纳入更广泛的变量，并允许非线性关系的存在。这有助于在疫情期间捕捉到新兴的通货膨胀新动力（参见Kohlscheen, 2021；Medeiros, 2021）。其次，机器学习模型专注于预测，并采用严格的程序来选择表现最佳模型。这与关注估计且通常忽视样本外预测表现的经济模型形成对比（参见Mullainathan and Spiess, 2017）。第三，与结构型或半结构型经济模型相比，机器学习模型可以轻松使用最新数据进行再训练，因此更能适应底层数据模式的变化。 作为日本通货膨胀预测中首次应用机器学习的论文，本研究为使用机器学习模型进行宏观经济预测的文献库做出了贡献。预测目标是核心排除新鲜食品和能源的通货膨胀，以消除波动性和全球决定的物价的影响。1鉴于过去三十年中通货膨胀在日本相对罕见，我们选择了一个月、三个月和六个月的预测时间范围，以最大化具有通货膨胀压力的训练样本期。我们 考虑线性机器学习模型（LASSO、弹性网络）和基于树的机器学习模型（Xgboost和随机森林模型）。模型性能与简单的单变量预测模型（随机游走模型和自回归模型）进行了基准比较，这些模型的预测结果难以系统性地改进（Faust和Wright，2013）。 在考虑的六个模型中，基于回溯测试，LASSO在2022年之后的核心通胀预测方面表现最佳。LASSO预测的平均均方根误差（RMSE）分别为1个月、3个月和6个月前的通胀预测分别约为0.1、0.2和0.3个百分点。对预测性能的正式测试表明，Lasso的性能显著优于基准模型。 LASSO预测误差也似乎小于2022-23年间专业预报员的误差（图1）。一致预期的通货膨胀预测存在一致的向下偏差，3个月前的通货膨胀预测误差平均为-0.6个百分点，6个月前的通货膨胀预测误差平均为-1.2个百分点。日本央行对平均核心通货膨胀的预测也存在一致的向下偏差，2022年和2023年的通货膨胀大多被央行使用的半结构模型所漏报。由于日本在2022年之前三十年没有通货膨胀，传统的结构模型和针对大流行前数据进行校准的计量经济模型无法捕捉到大流行后的通货膨胀动态。 LASSO回归的结果易于理解，并突出了五个预测变量的重要作用。家庭通货膨胀预期的上升，通过日本银行舆论调查中的简单平均值和推断的定性回应来衡量，在LASSO选出的特征（除滞后通胀外）中具有最高的预测能力。自2022年10月边境重开以来入境旅游的激增推动了需求，并有助于核心通胀。自2022年初以来的日元急剧贬值已逐渐传导给消费者，推高了通胀。随着经济逐渐从大流行中恢复，产出缺口缩小也正在给价格带来上行压力。 本文结构如下。第二节描述了用于预测的方法和模型。第三节讨论了日本最近的通货膨胀趋势和通货膨胀的潜在预测因子（这些因子被用作模型特征）。第四节展示了模型性能，并比较了LASSO与基线模型。第五节得出结论。 方法论 考虑以下模型： 在哪里，휋是第푝+ℎ个月的扣除新鲜食品和能源的核心通货膨胀率，푙 = (푥 ,…,푥 )′是一个푛-푡+ℎ푡1푼푛푡协变量向量，可能包含$\heta$的滞后项以及大量潜在的预测因子；（ ）F. 映射 在协变量与未来通货膨胀之间；且ξ是一个均值为零的随机误差。目标函数（ ）퐹 풙 can 作为一个单一模型或不同规格的集成，每个预测范围ℎ有不同的映射。考虑三个预测范围，其中ℎ = 1, 3,표푯 6。我们考虑了超过二十个数值特征（即解释变量），包括各种经济活动指标、汇率、进口价格和游客到达量。 预测方程如下： where 퐵基于时间点 푡 − 푅 + 1 到 푡 的数据估计的目标函数，其中 푅 是窗口ℎ,푡−푅 +1:푡ℎℎℎ 大小，这取决于预测范围和模型中滞后变量的数量。我们考虑直接预测，因为我们不预测协变量。