IMF-修补水晶球：用机器学习增强通胀预测（英）-2024.9-23页_1019kb

压碎水晶球：结合机器学习的增强型通胀预测

作者：刘洋、Pan Ran、徐瑞；机构：国际货币基金组织；日期：2024年9月

自2020年以来，由于疫情后的供应链中断和经济不确定性，中央银行在通胀预测方面面临重大挑战。机器学习模型能通过整合更广泛变量、适应非线性关系以及聚焦于样本外预测性能来改进预测效果。本文应用四种机器学习模型（LASSO、弹性网络、随机森林和XGBoost）对日本疫情后的近期核心通胀进行预测，并将其与随机游走和自回归基准模型进行对比。

研究基于2012年至2023年月度数据，采用时间序列分割的K折交叉验证进行超参数调优，并通过回测评估模型性能。结果显示LASSO模型在所有预测期限（1个月、3个月、6个月）中表现最优，其预测平均均方根误差（RMSE）分别为0.1、0.2和0.3个百分点。特别是在2022-2023年，LASSO对实际通胀的预测最接近，表现显著优于其他模型。

核心结论：

1. LASSO模型在预测日本核心通胀方面表现最佳，误差明显小于专业预测者。
2. 影响通胀的主要因子包括：家庭通胀预期、入境旅游激增、日元贬值传导至消费端、逐渐收窄的产出缺口。
3. 树基模型（如随机森林和XGBoost）表现不及线性模型，原因在于训练数据期通胀稳定，复杂模型容易过拟合。

方法优势：机器学习模型相比传统方法具有三大优势：可纳入更广变量捕捉非线性、专注预测性能而非结构估计，以及适应数据模式变化的能力。LASSO模型兼具优异预测性能与可解释性，特征选择结果稳健，关键预测因子在不同训练期内保持一致。

研究启示：建议在通胀预测中融合领域知识，纳入非标准变量（如入境旅游）提升预测准确性。ML方法在疫情后经济转型期的适用性验证了其价值，未来应评估其在其他国家的适用性。