Interpretējama mašīnmācīšanās makroekonomiskajai prognozēšanai: uz kokiem balstīta inflācijas dinamikas izpēte

Abstract

Tradicionālie inflācijas prognozēšanas modeļi saskaras ar problēmām notvert arvien pieaugošos inflācijas dinamikas sarežģītību, lai spētu sniegt aktuālas un precīzas inflācijas prognozes nākotnes periodiem. Šī darba galvenais mērķis ir izstrādāt jaunu variāciju MRF modelim, kas izmantojot Filipsa līkni spētu precīzāk prognozēt inflāciju, kā arī notvert inflācijas virzītājspēkus un to izmaiņas atkarībā no ekonomiskās situācijas. Darba ietvaros tiek izstrādāta MRF modeļa variācija P-MRF, kas piemērota paneļa datu analīzei. Šis modelis apvieno lineārās regresijas interpretējamību ar gadījuma koku modeļa fleksibilitāti. P-MRF modeļa prognozēšanas precizitāte tiek salīdzināta ar tādiem modeļiem kā AR, ARIMA, gadījuma klejošanas, MEAN un gadījuma koku modeli. Izmantojot hibrīdo Filipsa līkni, P-MRF modelis spēj precīzāk prognozēt nākotnes inflāciju pie periodu garumiem 3, 6 un 12 mēneši, vienlaikus saglabājot prognožu stabilitāti neatkarīgi no analizētā perioda. P-MRF modeļa interpretējamība ir iespējama izmantojot tā vienu no galvenajiem rezultātiem - laikā mainīgus koeficientus.

Traditional inflation forecasting models face a problem of accurately capturing the increasing complexity of inflation dynamics, limiting their ability to produce reliable and up to date inflation forecasts. The aim of this study is to develop a new variation of MRF model that, by leveraging the Phillips curve relationship, would be able to accurately forecast inflation and identify its driving forces in different economic situations. The study introduces a new variation of the MRF model - P-MRF - tailored specifically for panel data analysis. This model combines the interpretability of the linear regression with flexibility of Random Forest model. The forecasting accuracy of this new model is compared to AR, ARIMA, RW, MEAN and classic Random Forest model. Using the hybrid Phillips curve, the P-MRF model demonstrated superior inflation forecasting accuracy for 3-, 6- and 12-month horizons while maintaining the stability in its forecasts. The interpretability of P-MRF model stems from one of its main results - generalized time varying coefficients.