Den danske fysikern Neils Bohr sa en gång att förutsägelser är svåra, speciellt när det handlar om framtiden. Men detta är precis vad finansiella tillsynsmyndigheter behöver göra - att förutsäga det sannolika läget för ekonomin i framtiden är avgörande när man beslutar om politiska hävstänger som om man ska sänka eller höja räntorna.

Dock, när världen fortsätter att bli mer oförutsägbar, prognoser har blivit allt svårare. Denna utmaning illustrerades på ett gripande sätt efter början av finanskrisen 2008, när drottning Elizabeth ställde en till synes enkel men tillspetsad fråga till ett rum av forskare och ekonomer vid London School of Economics:Varför såg ingen det komma?

Inför den stora komplexiteten, kanske ekonometri skulle klara av mer hjälp. Ta maskininlärning till exempel. Med sin förmåga att analysera big data, det skulle kunna förbättra befintliga ekonometriska metoder och leda till bättre prognoser. Det här är forskningen som professor Yu Jun från Singapore Management University (SMU) presenterade tillsammans med docent Xie Tian vid Shanghai University of Finance and Economics, vid ett webbseminarium anordnat av SMU och Monetary Authority of Singapore (MAS) den 26 juni 2020.

I deras föredrag med titeln "Ekonometriska metoder och datavetenskapliga tekniker, " Professorerna Yu och Xie granskade befintliga ekonometriska metoder och maskininlärningstekniker innan de diskuterade en hybrid av båda metoderna. Med hjälp av verkliga data och exempel, de visade att hybridmetoden kan förebåda bättre ekonomiska och finansiella variabelprognoser.

"Vi vet alla att vi befinner oss i en tid präglad av big data och maskininlärning av datavetenskap, ", sa professor Yu. "Vissa människor kanske tror att maskininlärning utgör ett hot mot konventionella ekonometriska metoder. Är det verkligen så?"

En blandning av tradition och förändring

Talar först, Professor Yu introducerade ett urval av traditionella ekonometriska metoder. Blanda ekonomi med statistik, Ekonometri har en strukturerad kvantitativ statistisk syn på ekonomiska analyser. Med ekonometri, Professor Yu förklarade, Metoden är att använda tidigare data för att etablera statistiska samband som i sin tur kan användas för att prognostisera möjliga framtider.

"De flesta ekonometriska metoder hoppas kunna underlätta tolkning och statistisk slutledning, " han sa, förklarar att konventionella ekonometriska metoder bygger på antaganden och linjära samband, som det berömda linjäritetsantagandet. "Du vill kartlägga från det förflutna till framtiden."

Detta tillvägagångssätt fungerar bra i vissa fall, Professor Yu sa, men visar sig också vara en begränsning:de flesta konventionella ekonometriska modeller kan inte hantera big data eller komplicerade relationer. "Om du har många prediktorer eller ett komplicerat förhållande, ekonometriska metoder kommer att misslyckas. Och det är en allvarlig begränsning i big data-eran och i många viktiga fall, " han sa.

Å andra sidan, Professor Xie, som också är adjungerad professor vid SMU, förklarade att maskininlärningsalgoritmer är datadrivna. "Istället för att förlita sig på antaganden, många maskininlärningsalgoritmer låter bara data prata:de lägger inte särskilt starka antaganden eller begränsningar på datagenereringsprocessen, " han sa.

Det är det som gör maskininlärningstekniker så flexibla, Professor Xie påpekade. Dock, han tillade också att många maskininlärningsmetoder inte är riktigt skräddarsydda för ekonomiska och finansiella data i första hand.

Så när det gäller att försöka förutsäga framtiden, är det ena tillvägagångssättet bättre än det andra? Som många saker i denna värld, det är inte så enkelt.

Att väga sina styrkor och svagheter

Professorerna Yu och Xie använde två verkliga exempel för att illustrera hur de två olika tillvägagångssätten kan överträffa varandra i noggrannhet beroende på data och fall.

I prognosen för volatilitetsindex, eller VIX – ett index för finansmarknadens volatilitet skapat av Chicago Board Options Exchange – de visade att mer traditionell linjär ekonometrisk modellering gav en mer exakt prognos än mer komplexa maskininlärningsmetoder.

Dock, i det andra fallet att prognostisera konsumentprisinflationen i euroområdet, maskininlärningsmetoder överträffade traditionella ekonometriska metoder.

"Maskinlärningsmetoder är mycket populära, men de överträffar inte alltid konventionella ekonometriska metoder. Frågan är, kan vi modifiera maskininlärningsalgoritmer för att anta avancerade ekonometriska tekniker och använda ekonomisk data bättre?"

I denna anda, Professorerna Yu och Xie diskuterar idén om att tillämpa maskininlärningsmetoder på existerande ekonometriska metoder, istället för att använda någon av metoderna separat, skulle kunna förbättra ekonometrisk modellering. De föreslår en hybridalgoritm, ett modellmedelvärdesregressionsträd (MART), som först föreslogs av professor Xie och professor Steven F. Lehrer från Queen's University i ett 2018 NBER Working Paper.

Sätter MART på prov

För att testa effektiviteten av denna hybridmetod, de använde den för att prognostisera realekonomiska och finansiella variabler genom att tillämpa den på samma exempel på VIX och euroområdets inflationstakt som diskuterats tidigare.

Ekonometriska modeller hade fortfarande den bästa prognosnoggrannheten vid prognostisering av VIX, presterar bättre än deras hybrid MART-metod. Professorerna Yu och Xie menar att detta beror på att VIX-data uppvisar mycket stark linjäritet och därför lämpar sig bäst för ett ekonometriskt tillvägagångssätt.

Men när det gällde att prognostisera inflationstakten i euroområdet, resultaten visade att duons hybridmetod fungerade bäst, genererar överlägsen prognosnoggrannhet jämfört med antingen ekonometri eller enbart maskininlärningsmetoder.

Så även om en hybridmodell inte alltid är den bästa i alla fall, delar av maskininlärning kan fortfarande förbättras i prognoser genom att ta upp trender som de traditionella ekonometriska modellerna kan missa. För stunden, de säger att nyckeln är att förstå grunderna för varje metod och tillämpa dem under de mest lämpliga omständigheterna.

"Hybridstrategin kombinerar ekonometriska mått med maskininlärningsstrategier för att leda till betydande vinster i prognostiseringsnoggrannhet, " sa professor Xie. "Självklart, det här är bara en idé. Framtida arbete behövs definitivt för att förstå egenskaperna hos denna föreslagna hybridstrategi för att hjälpa utövare att vägleda."