20240307-IMF-Predicting_IMF-Supported_Programs_A_Machine_Learning_Approach_48页_3mb

预测IMF支持计划：机器学习方法

机器学习（ML）技术被应用于预测国际货币基金组织（IMF）支持计划的启用。研究使用了包含35年数据（1982-2021）的710项安排，涵盖了189个国家。数据预处理包括特征选择、缺失值填补和不平衡采样。预测模型包括逻辑回归、随机森林、K近邻、支持向量机、梯度提升树和循环神经网络（RNN）。

ML模型在预测方面显著优于传统方法，特别是随机森林和RNN。特征重要性分析显示，经济、财政、外部、金融和机构因素（如区域融资安排）是关键预测指标。模型对特征选择、缺失值填补和采样策略非常敏感，需要采用灵活、适应特定算法的数据处理方法。

预测性能随时间变化，危机事件（如金融危机）难以预测，可能导致模型准确性下降。研究建议在实际应用中结合机器学习与人类判断，并定期更新模型。未来研究可探索预测贷款规模和货币深度的模型。

虽然机器学习展示了强大的预测能力，但数据时间延迟和模型对经济基本面而非非经济因素的依赖也限制了其应用。研究强调预處理和模型鲁棒性的重要性，并对现有文献进行了补充。