Evaluation of Policy-Relevant Forecasting Advantage of Machine and Deep Learning Models over Classical Econometrics: Evidence from Ghanaian Headline Inflation
Diese Studie zeigt, dass für die Prognose der ghanaischen Headline-Inflation während einer Phase struktureller Volatilität ein einfaches ARIMA-Modell komplexen Machine-Learning- und Deep-Learning-Ansätzen überlegen ist, was darauf hindeutet, dass die Ausnutzung der hohen Persistenz der Inflation effektiver ist, als sich bei Regimewechseln auf funktionale Flexibilität zu verlassen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, das Wetter für die nächste Woche zu erraten. Sie haben zwei Werkzeuge in Ihrem Werkzeugkasten. Das erste ist eine einfache, altmodische Regel: „Wenn es gestern geregnet hat, wird es heute wahrscheinlich auch regnen.“ Dies ist die „klassische“ Art des Denkens, die sich auf Muster verlässt, die sich immer wiederholt haben. Das zweite Werkzeug ist ein superkomplexes, hochtechnologisches Computergehirn, das jedes jemals geschriebene Wetterbuch gelesen hat und unsichtbare, wackelige Muster in den Wolken erkennen kann, die kein Mensch sehen könnte. Dies ist die „Machine-Learning“-Art. Jahrelang nahmen viele Menschen an, dass das superkomplexe Computergehirn immer gewinnen würde, weil es so klug und flexibel ist. Aber was, wenn sich das Wetter auf eine Weise ändert, die das Computergehirn noch nie gesehen hat? Was, wenn ein massiver Sturm aufzieht, der alle alten Regeln bricht? Das ist die große Frage, die diese Studie untersucht. Sie fragt: Wenn die Dinge verrückt und unvorhersehbar werden, macht das schicke neue Computergehirn dann tatsächlich einen besseren Job als die einfache, beständige Regel? Dies handelt nicht nur von Wetter; es geht um die Vorhersage von etwas, das die Geldbörsen aller Menschen beeinflusst: wie stark die Preise steigen, bekannt als Inflation.
Diese Forschungsarbeit ist wie ein Kochwettbewerb mit hohem Einsatz, um zu sehen, wer die Lebensmittelpreise in Ghana am besten vorhersagen kann. Die Preisrichter stellten einen sehr schwierigen Test auf: Sie baten neun verschiedene „Köche“ (das sind eigentlich Computermodelle), die Inflationsrate für einen Zeitraum von 42 Monaten vorherzusagen, der einen massiven, schockierenden Preissprung beinhaltete. Das Ziel war es zu sehen, ob die schicken, komplexen Köche, die Machine Learning nutzen, die einfachen, klassischen Köche, die mit traditioneller Mathematik arbeiten, überlisten können.
Die Ergebnisse waren eine riesige Überraschung. Die Arbeit fand heraus, dass der einfache, altmodische Koch gewonnen hat. Speziell ein Modell namens ARIMA (was nur ein schicker Name für ein Modell ist, das betrachtet, wie sich die Preise in der Vergangenheit bewegt haben) sagte die zukünftigen Preise mit dem geringsten Fehler voraus und lag im Durchschnitt um 2,41 Prozentpunkte daneben. Es war nur ein klein wenig besser als die einfachste mögliche Vermutung (bei der man einfach davon ausgeht, dass der Preis des nächsten Monats derselbe wie der des letzten Monats sein wird) und es schlug jedes einzelne der schicken Machine-Learning-Modelle.
Die schicken Modelle, wie XGBoost und Neuronale Netze, waren wie Schüler, die das Lehrbuch perfekt auswendig gelernt haben, aber bei der Prüfung versagten, als sich die Fragen änderten. Während der Trainingsphase sahen sie fantastisch aus und erzielten fast perfekte Punktzahlen. Aber als die echte Prüfung kam – während des Inflationsschubs 2022–2023, bei dem die Preise von etwa 10 Prozent auf über 50 Prozent sprangen – stolperten diese komplexen Modelle schwer. Sie versuchten, komplizierte Muster zu finden, die nicht existierten, ein Fehler namens „Overfitting“, und landeten am Ende mit viel größeren Fehlern, wobei einige die Marke um 9,04 Prozentpunkte oder mehr verfehlten.
Die Autoren erklären, dass dies geschah, weil die Inflation in Ghana sehr „zäh“ oder persistent ist; sie neigt dazu, in die Richtung weiterzugehen, in die sie bereits ging. Die einfachen Modelle sind darauf ausgelegt, diesen Schwung mitzufahren, während die komplexen Modelle versuchten, es zu überdenken, und verwirrt waren, als sich die Wirtschaft plötzlich in eine andere Richtung bewegte. Die Studie legt nahe, dass es für eine Zentralbank, die die Wirtschaft steuern will, tatsächlich der klügere Schachzug ist, beim zuverlässigen, transparenten und einfachen Modell zu bleiben, anstatt der neuesten, glanzvollsten Technologie nachzujagen, besonders wenn die Daten nicht groß genug sind, um die komplexen Modelle zu lehren, wie man mit einer Krise umgeht. Während die komplexen Modelle eines Tages nützlich sein könnten, wenn wir mehr Daten oder andere Werkzeuge hätten, ist im Moment der einfache, beständige Ansatz der Champion.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.