📈 economics

Evaluation of Policy-Relevant Forecasting Advantage of Machine and Deep Learning Models over Classical Econometrics: Evidence from Ghanaian Headline Inflation

Deze studie toont aan dat voor het voorspellen van de Ghanaanse headline-inflatie tijdens een periode van structurele volatiliteit, een eenvoudig ARIMA-model complexe machine learning- en deep learning-benaderingen overtreft, wat suggereert dat het exploiteren van de hoge persistentie van inflatie effectiever is dan het vertrouwen op functionele flexibiliteit bij het te maken krijgen met regimeverschuivingen.

Oorspronkelijke auteurs: Isaac Nyame, Baffour Osei, Abigail Boatemaa, Gabriel Osei Forkuo

Gepubliceerd 2026-07-28

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Isaac Nyame, Baffour Osei, Abigail Boatemaa, Gabriel Osei Forkuo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je het weer voor volgende week probeert te raden. Je hebt twee gereedschappen in je gereedschapskist. Het eerste is een eenvoudige, ouderwetse regel: "Als het gisteren regende, regent het vandaag waarschijnlijk ook." Dit is de "klassieke" manier van denken, die vertrouwt op patronen die je keer op keer hebt zien herhalen. Het tweede is een supercomplexe, hoogtechnologische computerhersenen die elk weerboek ooit geschreven heeft en onzichtbare, golvende patronen in de wolken kan zien die geen mens zou kunnen zien. Dit is de "machine learning"-manier. Jarenlang namen veel mensen aan dat de supercomplexe computerhersenen altijd zouden winnen omdat ze zo slim en flexibel zijn. Maar wat als het weer verandert op een manier die de computer nog nooit eerder heeft gezien? Wat als er een enorme storm toeslaat die alle oude regels breekt? Dat is de grote vraag die deze studie aanpakt. Het vraagt: wanneer dingen gek en onvoorspelbaar worden, doet de chique nieuwe computerhersenen dan echt een betere job dan de eenvoudige, stabiele regel? Dit gaat niet alleen over het weer; het gaat over het voorspellen van iets dat ieders portemonnee beïnvloedt: hoeveel prijzen stijgen, ook wel bekend als inflatie.

Dit onderzoekspaper is als een kookwedstrijd met hoge inzet om te zien wie de prijzen van boodschappen in Ghana het beste kan voorspellen. De jury zette een zeer lastige test op: ze vroegen negen verschillende "chefs" (wat eigenlijk computermodellen zijn) om het inflatiepercentage te voorspellen voor een periode van 42 maanden, die een enorme, schokkende prijsstijging bevatte. Het doel was om te zien of de chique, complexe chefs die gebruikmaken van machine learning de eenvoudige, klassieke chefs die traditionele wiskunde gebruiken, konden slim af zijn.

De resultaten waren een enorme verrassing. Het paper vond dat de eenvoudige, ouderwetse chef won. Specifiek voorspelde een model genaamd ARIMA (wat gewoon een chique naam is voor een model dat kijkt naar hoe prijzen zich in het verleden bewogen) de toekomstige prijzen met de laagste fout, waarbij het de plank gemiddeld met 2,41 procentpunt miste. Het was slechts iets beter dan de simpelste mogelijke gok (die er simpelweg van uitgaat dat de prijs van volgende maand hetzelfde zal zijn als die van vorige maand) en het versloeg elk enkel van de chique machine learning-modellen.

De chique modellen, zoals XGBoost en Neural Networks, waren als studenten die het tekstboek perfect hadden uit het hoofd geleerd, maar de toets faalden toen de vragen veranderden. Tijdens de trainingsfase zagen ze er geweldig uit en haalden ze bijna perfecte scores. Maar toen de echte test kwam — tijdens de inflatiepiek van 2022–2023 waarbij de prijzen sprongen van ongeveer 10 procent naar meer dan 50 procent — struikelden deze complexe modellen hardhandig. Ze probeerden ingewikkelde patronen te vinden die niet bestonden, een fout die "overfitting" wordt genoemd, en eindigden met veel grotere fouten, waarbij sommigen de plank met maar liefst 9,04 procentpunt of meer misten.

De auteurs leggen uit dat dit gebeurde omdat inflatie in Ghana erg "plakkerig" of persistent is; het heeft de neiging om in dezelfde richting te blijven bewegen als waar het al naartoe ging. De eenvoudige modellen zijn gebouwd om die momentum te volgen, terwijl de complexe modellen probeerden er te veel over na te denken en in de war raakten toen de economie plotseling van richting veranderde. De studie suggereert dat voor een centrale bank die de economie probeert te beheren, het vasthouden aan het betrouwbare, transparante en eenvoudige model eigenlijk de slimme zet is, in plaats van het najagen van de nieuwste, flitsende technologie, vooral wanneer de data niet groot genoeg is om de complexe modellen te leren hoe ze met een crisis moeten omgaan. Hoewel de complexe modellen op een dag nuttig kunnen zijn als we meer data of andere tools hadden, is de eenvoudige, stabiele aanpak op dit moment de kampioen.

Technische Samenvatting: Evaluatie van Beleidsrelevante Voorspellingen in Ghana

Probleemstelling
Deze studie behandelt een cruciale vraag voor centrale banken die opereren onder inflatiestargeting-regimes in kleine, open, door grondstoffen blootgestelde economieën: bieden moderne machine learning (ML) en deep learning (DL) modellen een werkelijk voordeel in voorspellende nauwkeurigheid ten opzien van klassieke econometrische benchmarks voor de headline inflatie? Hoewel de literatuur vaak veronderstelt dat een grotere modelflexibiliteit vertaalt naar superieure voorspellende nauwkeurigheid, is deze aanname niet rigoureus getest voor de Ghanese headline inflatie onder strikte, lek-vrije condities die een echte structurele breuk omspannen. De specifieke context is de Ghanese inflatiepiek van 2022–2023, waarbij de jaar-op-jaar inflatie steeg van ongeveer 10% naar een piek van meer dan 50%, gedreven door valuta-depreciatie, fiscale druk en wereldwijde grondstoffenschokken. De uitdaging ligt in het voorspellen tijdens dergelijke extreme volatiliteit, een scenario waarin nauwkeurige voorspellingen het meest essentieel zijn voor het monetair beleid, maar waar modellen ook het zwaarst worden getest.

Methodologie
De auteurs hebben een strikt one-step-ahead voorspellingsmatrix geconstrueerd met behulp van 280 maanden aan gegevens (januari 2000–april 2023) van de Bank of Ghana, dekkend over 24 kern macro-monetaire variabelen waaronder rentetarieven, monetaire aggregaten en internationale grondstofprijzen.

Gegevensintegriteit en Controle op Data Leakage: Er is een rigoureus protocol voor feature-engineering toegepast om te garanderen dat er geen sprake is van data leakage. Elke voorspeller in de feature-matrix reflecteert informatie die strikt één maand voorafgaand aan de doelvoorspelling ( $t-1$ ) beschikbaar was. Dit omvat gelagde niveaus/log-niveaus van variabelen, voortschrijdende gemiddelden van de doelvariabele berekend over $t-3$ tot $t-1$ , en kalendermonden. Er zijn geen gelijktijdige regressoren of informatie met een vooruitblik gebruikt.
Chronologische Splitsing: De gegevens zijn chronologisch gesplitst zonder te husselen in drie niet-overlappende vensters:
- Training (200 maanden): Februari 2001–september 2017. Gebruikt voor modelfitting en hyperparameter-tuning via vijf-voudige walk-forward cross-validatie.
- Validatie (24 maanden): Oktober 2017–september 2019. Uitsluitend gebruikt om getunede kandidaten te vergelijken op ongeziene data.
- Test (42 maanden): Oktober 2019–april 2023. Deze werd exact één keer geraakt na de modelselectie. Dit venster is bewust gekozen om de inflatiepiek van 2022–2023 te bevatten, wat dient als een "stresstest" in plaats van een rustige holdout-periode.
Kandidaat-modellen: Negen modellen werden geëvalueerd:
1. Baselines: Random Walk en Seasonal Naive.
2. Klassieke Benchmark: ARIMA(3,1,0), geselecteerd via de Akaike Information Criterion (AIC) en een stap voor stap opnieuw geschat.
3. Geregulariseerde Lineaire Modellen: Ridge en Lasso regressie.
4. Tree Ensembles: Random Forest en XGBoost.
5. Kernel Methode: Support Vector Regression (SVR) met een radial basis function kernel.
6. Deep Learning: Een ondiep feed-forward neuraal netwerk (MLP) met één verborgen laag. (Opmerking: Complexere architecturen zoals LSTM's werden bewust uitgesloten vanwege de bescheiden steekproefomvang van 200 trainingsmaanden, wat waarschijnlijk tot overfitting zou leiden).
Evaluatiemetrieken: Prestaties werden primair gerangschikt op basis van de Root-Mean-Squared Error (RMSE) op de testset, aangevuld met Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE) en $R^2$ . Statistische significantie van verschillen werd beoordeeld met Diebold–Mariano tests.

Belangrijkste Resultaten
In tegen tegenstelling tot de veronderstelling dat flexibele modellen domineren, toonde de studie aan dat de klassieke ARIMA(3,1,0) benchmark de laagste test-set RMSE (2,41 procentpunt) behaalde, waarmee de Random Walk (2,65) en Lasso (3,41) net versloeg.

Prestatiehiërarchie: Elk niet-lineair machine learning model (Ridge, Random Forest, XGBoost, SVR en het neurale netwerk) presteerde out-of-sample slechter dan de eenvoudige baselines. De Seasonal Naive baseline presteerde het slechtst (RMSE 15,08), wat de afwezigheid van eenvoudige 12-maands seizoensgebondenheid tijdens de stijging reflecteert.
Statistische Significantie: Diebold–Mariano tests toonden aan dat het voordeel van ARIMA ten opzichte van de Random Walk en Lasso niet statistisch significant was ( $p > 0,05$ ). Echter, het voordeel van ARIMA ten opzichte van alle andere niet-lineaire modellen was wel statistisch significant.
Overfitting Diagnostiek: Er werd een scherp contrast waargenomen tussen de training- en testprestaties voor flexibele modellen. Zo behaalde XGBoost een bijna perfecte training RMSE (0,03) maar degradeerde naar een test RMSE van 9,04. Evenzo vertoonde Random Forest een grote kloof (0,83 tot 7,58). Dit geeft aan dat deze modellen de idiosyncrasieën van de trainingsperiode hebben gememoriseerd in plaats van generaliseerbare structuren te leren.
Omgang met Structurele Breuken: Tijdens de inflatiepiek van 2022–2023 volgden de ARIMA en Random Walk modellen het werkelijke inflatiepad het nauwst, waarbij ze slechts licht achterliepen op de scherpe stijging. In contrast hiermee weken machine learning modellen verder af en onderschatten ze vaak de piek (bijv. Lasso voorspelde 45,7% tegenover de werkelijke 54,1% in december 2022).

Belangrijkste Bijdragen

Methodologische Rigor: De studie vestigt een lek-vrije, one-step-ahead voorspellingsontwerp voor de Ghanese inflatie die strikt geen gelijktijdige informatie gebruikt en walk-forward validatie hanteert, waarmee een gat in de eerdere literatuur wordt gedicht die vaak vertrouwde op in-sample decompositie of gunstige holdout-perioden.
Adversarial Stress Testing: Door modellen specifiek te evalueren tijdens de inflatiepiek van 2022–2023, levert de studie bewijs over hoe modellen presteren tijdens een echte structurele breuk, in plaats van tijdens kalme economische perioden.
Empirisch Bewijs over Modelcomplexiteit: Het artikel levert robuust bewijs dat voor zeer persistente reeksen zoals headline inflatie in een context met een kleine steekproef (200 trainingsmaanden), eenvoudigere, beperkte modellen (ARIMA, Random Walk) minder sterk degraderen onder stress dan high-capacity, flexibele modellen die gevoelig zijn voor overfitting.

Betekenis en Claims
De auteurs beweren dat dit een werkelijk beleidsrelevant bevinding is en geen fout in de specificatie. Zij stellen dat headline inflatie zeer persistent is, en dat modellen die de beste exploitatie van deze persistentie bieden (ARIMA, Random Walk) beter presteren dan modellen met de grootste functionele flexibiliteit wanneer zij geconfronteerd worden met een structurele breuk.

Beleidsimplicatie: Voor de Bank of Ghana en soortgelijke instellingen suggereert de studie dat operationele voorspellingen niet standaard moeten uitgaan van de meest geavanceerde beschikbare methode. Een goed gespecificeerd, transparant en goedkoop ARIMA-model blijft een superieure primaire keuze voor one-step-ahead headline inflatievoorspelling vergeleken met de geteste ML-alternatieven.
Rol van Machine Learning: De auteurs beweren niet dat ML geen rol heeft, maar suggereren dat het gebruikt moet worden als een aanvullende cross-check of ensemble-input in plaats van een primaire voorspeller. Zij stellen dat ML waarde kan toevoegen als het wordt toegepast op rijkere, hogere frequentie feature-sets, regime-bewuste architecturen, of hybride modellen die klassieke trendcomponenten combineren met ML-residuen.
Beperkingen: De auteurs nuanceren hun conclusies bescheiden door te merken dat de steekproefomvang bescheiden is voor deep learning, de feature-set beperkt is tot gepubliceerde statistieken (exclusief verwachtingen uit enquêtes of tekstuele data), en de evaluatie zich richtte op puntvoorspellingen in plaats van dichtheids- of intervalkalibratie. Zij erkennen dat hun bevindingen specifief gelden voor het geteste ondiepe neurale netwerk en mogelijk niet generaliseren naar alle deep architectures of andere inflatiecomponenten (zoals voedsel- of kerninflatie).

Technische Samenvatting: Evaluatie van Beleidsrelevante Voorspellingen in Ghana

Meer zoals dit