Mô hình Lag-Llama do AI điều khiển vượt trội so với MIDAS truyền thống trong dự báo lạm phát khu vực Euro

Mục lục:

• 1. Dự báo lạm phát: Vai trò của dữ liệu tần số hỗn hợp
• 2. Ưu điểm của mô hình hồi quy MIDAS
• 3. Mô hình Lag-Llama: Một bước tiến trong học máy
• 4. Dữ liệu toàn diện để dự báo chính xác
• 5. Lag-Llama vượt trội MIDAS về các chỉ số chính
• 6. Thách thức và hướng đi trong tương lai của dự báo kinh tế

Dự báo lạm phát: Vai trò của dữ liệu tần số hỗn hợp

Dự báo lạm phát đóng vai trò quan trọng đối với cả các nhà hoạch định chính sách và người tham gia thị trường, bởi nó liên quan đến việc dự đoán tỷ lệ lạm phát hiện tại bằng cách sử dụng dữ liệu gần đây nhất. Một trong những thách thức đáng kể trong quá trình này là xử lý dữ liệu tần số hỗn hợp, nơi lạm phát được đo lường hàng tháng, nhưng các chỉ số liên quan khác, chẳng hạn như dữ liệu thị trường tài chính, lại có sẵn hàng ngày. Các mô hình kinh tế truyền thống như ARIMA và VAR không được thiết kế để xử lý hiệu quả dữ liệu tần số hỗn hợp, thường yêu cầu tổng hợp dữ liệu tần số cao để khớp với tần số thấp hơn của biến mục tiêu. Việc tổng hợp này có thể dẫn đến mất thông tin có giá trị, do đó làm giảm độ chính xác của dự báo.

Ưu điểm của mô hình hồi quy MIDAS

Mô hình hồi quy MIDAS, được phát triển bởi Ghysels và các cộng sự, giải quyết vấn đề này bằng cách cho phép sử dụng dữ liệu tần số cao mà không cần tổng hợp, do đó bảo toàn thông tin có giá trị vốn có trong dữ liệu hàng ngày. Mô hình này đã được áp dụng rộng rãi bởi cả các tổ chức công cộng và tư nhân để cải thiện độ chính xác và tính kịp thời của các dự báo kinh tế.

Mô hình Lag-Llama: Một bước tiến trong học máy

Mặt khác, mô hình Lag-Llama thể hiện một bước tiến gần đây trong lĩnh vực học máy. Mô hình dựa trên LSTM này được đào tạo trên một loạt các bộ dữ liệu chuỗi thời gian rộng lớn và nổi bật ở khả năng dự báo zero-shot, nghĩa là nó có thể đưa ra dự đoán chính xác trên các bộ dữ liệu mà nó chưa được đào tạo rõ ràng. Mặc dù có khả năng mạnh mẽ, mô hình Lag-Llama không hỗ trợ dữ liệu tần số hỗn hợp, điều này có thể hạn chế hiệu quả của nó trong các ứng dụng yêu cầu tích hợp dữ liệu như vậy.

Dữ liệu toàn diện để dự báo chính xác

Để nghiên cứu của họ, các nhà nghiên cứu đã tạo một bộ dữ liệu kéo dài từ tháng 6 năm 2010 đến tháng 6 năm 2022, bao gồm giá dầu thô Brent hàng ngày, chênh lệch lãi suất, lãi suất ngắn hạn và dài hạn, tỷ giá hối đoái và chỉ số Eurostoxx50. Các biến này được lựa chọn dựa trên sự liên quan của chúng đối với kỳ vọng thị trường và lạm phát. Các kỹ thuật tiền xử lý khác nhau đã được áp dụng cho dữ liệu, chẳng hạn như tính toán thay đổi phân đoạn hàng ngày và hạ mẫu biến mục tiêu xuống tần số hàng ngày để sử dụng với mô hình Lag-Llama.

Lag-Llama vượt trội MIDAS về các chỉ số chính

Hiệu suất của cả hai mô hình đã được đánh giá bằng cách sử dụng một số chỉ số, bao gồm Sai số tuyệt đối trung bình (MAE), Sai số tỷ lệ phần trăm tuyệt đối trung bình (MAPE), Sai số bình phương trung bình (MSE), tương quan với mục tiêu, R-squared và R-squared điều chỉnh. Các phát hiện cho thấy mô hình Lag-Llama thể hiện hiệu suất vượt trội trên tất cả các chỉ số này khi so sánh với hồi quy MIDAS. Cụ thể, Lag-Llama đạt được MAE là 0,21 so với 0,23 của MIDAS, MAPE là 0,40% so với 0,50% của MIDAS và MSE là 0,07 so với 0,11 của MIDAS. Ngoài ra, mô hình Lag-Llama thể hiện hệ số tương quan cao hơn là 0,92, cho thấy sự phù hợp mạnh mẽ hơn với dữ liệu lạm phát thực tế so với 0,88 của MIDAS.

Thách thức và hướng đi trong tương lai của dự báo kinh tế

Mặc dù đánh giá hồi quy MIDAS trong điều kiện tối ưu, bao gồm dự đoán trong mẫu và sử dụng dữ liệu tần số hỗn hợp, mô hình Lag-Llama vẫn vượt trội hơn. Điều này cho thấy các kỹ thuật học máy nâng cao được sử dụng bởi Lag-Llama mang lại lợi thế đáng kể về độ chính xác dự đoán. Tuy nhiên, phần thảo luận của nghiên cứu cũng nêu bật những thách thức liên quan đến việc sử dụng các mô hình LSTM trong các ứng dụng thực tế, đặc biệt là trong các tổ chức công cộng. Bản chất hộp đen của các mô hình LSTM, che khuất lý do đằng sau các dự đoán của chúng, có thể gây ra những vấn đề đáng kể trong các ngữ cảnh đòi hỏi sự minh bạch và khả năng giải thích là điều cần thiết cho việc ra quyết định.

Nghiên cứu kết luận rằng mặc dù mô hình Lag-Llama không vượt qua hồi quy MIDAS theo biên độ nghiêm ngặt ban đầu được xác định, nhưng nó vẫn thể hiện hiệu suất tổng thể tốt hơn. Phát hiện này làm nổi bật tiềm năng của việc tích hợp các kỹ thuật học máy nâng cao vào dự báo kinh tế để nâng cao độ chính xác và tính kịp thời của các dự đoán. Hiệu suất của mô hình Lag-Llama nhấn mạnh vai trò đầy hứa hẹn mà các mô hình nền tảng và kiến trúc học máy có thể đóng trong lĩnh vực kinh tế lượng, truyền thống được thống trị bởi các mô hình thông thường hơn. Khi dữ liệu kinh tế và tài chính tiếp tục tăng về khối lượng và độ phức tạp, tầm quan trọng và tiện ích của các mô hình tiên tiến như vậy có khả năng sẽ tăng lên, mang lại cơ hội mới cho dự báo kinh tế chính xác và kịp thời hơn.