机器学习方法拟合宏观经济变量优于传统统计方法吗——基于经济政策不确定指数的拟合

作者：袁靖; 刘响; 董雅菁; 马腾

来源：统计理论与实践, 2021, (12): 9-14.

• 经济政策不确定指数
• 机器学习
• LSTM长短期记忆神经网络
• 随机分位数回归

采用机器学习技术(BP神经模型、随机森林分位数回归、长短期记忆神经网网络LSTM)和传统统计方法(ARIMA模型)相结合对美国、英国经济政策不确定指数(EPU)历史数据进行拟合,结果发现四种方法中,长短期记忆神经网络LSTM的拟合效果最优,其次是随机森林分位数回归方法和BP神经网络技术,ARIMA模型拟合效果最差。美国EPU历史数据时间维度比英国EPU历史数据时间维度长,因而LSTM神经网络技术的拟合效果优越度非常显著,ARIMA模型的拟合均方根误差几乎是LSTM神经网络技术拟合均方根误差的3倍。机器学习技术对宏观经济变量的非线性长期预测,尤其是在大数据背景下具有较强适用性。

• 单位
  山东工商学院