De Deense natuurkundige Neils Bohr grapte ooit dat voorspelling moeilijk is, zeker als het over de toekomst gaat. Maar dit is precies wat financiële regelgevers moeten doen:het voorspellen van de waarschijnlijke toestand van de economie in de toekomst is van cruciaal belang bij het nemen van beslissingen over beleidshefbomen, zoals het verlagen of verhogen van de rentetarieven.

Echter, naarmate de wereld onvoorspelbaarder wordt, voorspellen wordt steeds moeilijker. Deze uitdaging werd schrijnend geïllustreerd na het begin van de financiële crisis van 2008, toen koningin Elizabeth een schijnbaar eenvoudige maar gerichte vraag stelde aan een kamer van onderzoekers en economen van de London School of Economics:waarom zag niemand het aankomen?

In het licht van grote complexiteit, misschien zou econometrie meer hulp kunnen gebruiken. Neem bijvoorbeeld machine learning. Met de mogelijkheid om big data te ontleden, het zou de bestaande econometrische methoden kunnen verbeteren en tot betere voorspellingen kunnen leiden. Dit is het onderzoek dat professor Yu Jun van de Singapore Management University (SMU) samen met universitair hoofddocent Xie Tian van de Shanghai University of Finance and Economics presenteerde, tijdens een webinar georganiseerd door SMU en de Monetary Authority of Singapore (MAS) op 26 juni 2020.

In hun lezing getiteld "Econometric Methods and Data Science Techniques, " Professoren Yu en Xie beoordeelden bestaande econometrische methoden en machine learning-technieken voordat ze een hybride van beide methoden bespraken. Met behulp van echte gegevens en voorbeelden, ze toonden aan dat de hybride methode een betere voorspelling van economische en financiële variabelen kan inluiden.

"We weten allemaal dat we ons in het tijdperk van big data en machine learning data science-technieken bevinden, " zei professor Yu. "Sommige mensen denken misschien dat machinaal leren een bedreiging vormt voor conventionele econometrische methoden. Is dat echt zo?"

Een mix van traditie en verandering

eerst spreken, Professor Yu introduceerde een selectie van traditionele econometrische methoden. Economie combineren met statistiek, econometrie hanteert een gestructureerde kwantitatieve statistische benadering van economische analyses. Met econometrie, Professor Yu legde uit, de methode is om gegevens uit het verleden te gebruiken om statistische relaties vast te stellen die op hun beurt kunnen worden gebruikt om mogelijke toekomsten te voorspellen.

"De meeste econometrische methoden hopen de interpretatie en statistische gevolgtrekking te vergemakkelijken, " hij zei, uitleggen dat conventionele econometrische methoden afhankelijk zijn van aannames en lineaire relaties, zoals de beroemde lineariteitsaanname. "Je wilt in kaart brengen van het verleden naar de toekomst."

Deze aanpak werkt in bepaalde gevallen goed, Professor Yu zei:maar blijkt ook een beperking te zijn:de meeste conventionele econometrische modellen kunnen niet overweg met big data of ingewikkelde relaties. "Als je veel voorspellers hebt of een gecompliceerde relatie, econometrische methoden zullen mislukken. En dat is een serieuze beperking in het big data-tijdperk en in veel belangrijke gevallen, " hij zei.

Anderzijds, Professor Xi, die ook adjunct-hoogleraar is bij SMU, legde uit dat machine learning-algoritmen gegevensgestuurd zijn. "In plaats van te vertrouwen op aannames, veel algoritmen voor machine learning laten de gegevens gewoon praten:ze leggen geen erg sterke aannames of beperkingen op aan het gegevensgenererende proces, " hij zei.

Dat maakt machine learning-technieken zo flexibel, merkte professor Xie op. Echter, hij voegde er ook aan toe dat veel machine learning-methoden in de eerste plaats niet echt op maat zijn gemaakt voor economische en financiële gegevens.

Dus als het gaat om het proberen om de toekomst te voorspellen, is de ene benadering beter dan de andere? Zoals zoveel dingen in deze wereld, het is niet zo eenvoudig.

Hun sterke en zwakke punten afwegen

Professoren Yu en Xie gebruikten twee praktijkvoorbeelden om te illustreren hoe de twee verschillende benaderingen elkaar kunnen overtreffen in nauwkeurigheid, afhankelijk van de gegevens en het geval dat voorhanden is.

In de prognose van de volatiliteitsindex, of VIX - een index van de volatiliteit van de financiële markten gecreëerd door de Chicago Board Options Exchange - toonden ze aan dat meer traditionele lineaire econometrische modellering een nauwkeuriger voorspelling opleverde dan complexere methoden voor machinaal leren.

Echter, in het tweede geval van het voorspellen van de consumptieprijsinflatie van de eurozone, machine learning-methoden presteerden beter dan traditionele econometrische methoden.

"Machine leermethoden zijn erg populair, maar ze presteren niet altijd beter dan conventionele econometrische methoden. De vraag is, kunnen we machine learning-algoritmen aanpassen om geavanceerde econometrische technieken toe te passen en economische gegevens beter te gebruiken?"

In deze geest, Hoogleraren Yu en Xie bespreken het idee dat het toepassen van machinale leermethoden op bestaande econometriebenaderingen, in plaats van beide benaderingen afzonderlijk te gebruiken, zou de econometriemodellering kunnen verbeteren. Ze suggereren een hybride algoritme, een modelgemiddelde regressieboom (MART), die voor het eerst werd voorgesteld door professor Xie en professor Steven F. Lehrer van Queen's University in een NBER-werkdocument uit 2018.

MART op de proef stellen

Om de effectiviteit van deze hybride methode te testen, ze gebruikten het om reële economische en financiële variabelen te voorspellen door het toe te passen op dezelfde voorbeelden van VIX- en eurozone-inflatiecijfers die eerder zijn besproken.

Econometrische modellen hadden nog steeds de beste voorspellingsnauwkeurigheid bij het voorspellen van VIX, beter presteren dan hun hybride MART-aanpak. Professoren Yu en Xie suggereren dat dit komt omdat de VIX-gegevens een zeer sterke lineariteit vertonen en daarom het meest geschikt zijn voor een econometrische benadering.

Maar als het ging om het voorspellen van de inflatie in de eurozone, de resultaten toonden aan dat de hybride aanpak van het duo het beste presteerde, het genereren van superieure voorspellingsnauwkeurigheid in vergelijking met alleen econometrie of machine learning-methoden.

Dus hoewel een hybride model niet altijd het beste is, elementen van machine learning kunnen de prognoses nog steeds verbeteren door trends op te pikken die de traditionele econometrische modellen misschien missen. Voor nu, ze zeggen dat de sleutel is om de grondbeginselen van elke methode te begrijpen en deze in de meest geschikte omstandigheden toe te passen.

"De hybride strategie combineert econometrische metingen met machine learning-strategieën om te leiden tot aanzienlijke winst in voorspellingsnauwkeurigheid, " zei professor Xie. "Natuurlijk, dit is maar een idee. Toekomstig werk is absoluut nodig om de eigenschappen van deze voorgestelde hybride strategie te begrijpen om beoefenaars te helpen begeleiden."