Forecasting business cycles and financial crises with machine learning

Abstract

Doktoritöö uurib masinõppe meetodite rakendamist makromajanduslike näitajate prognoosimises, keskendudes äristsüklite ja süsteemsete finantskriiside ennustamisele. Uuring ühendab kaks perspektiivi – andmepõhise meetodi, mis kasutab suurt hulka muutujaid mittelineaarsete mustrite tabamiseks majandusnäitajates, ning teooriapõhise lähenemise, mis valib muutujaid mudelitesse makroökonoomika teoreetiliste põhimõtete alusel, – kombineerides teooriapõhist muutujate valikut puhtalt andmetest tuvastatud ulatusliku ennustajate (nt kriisieelsete märkide) kogumiga. Uurimus rõhutab tasakaalustamata andmete käsitlemise, asjakohaste tunnuste valiku ja mittelineaarsuste arvessevõtmise tähtsust masinõppe mudelite rakendamisel. Tulemused viitavad sellele, et võimendamis-meetodid võivad suurte andmekogumite puhul olla tõhusad, kuid need nõuavad hoolikat ettevalmistust, eriti kui andmete maht on piiratud. Doktoritöö toob esile ka ajalooliste andmete põhjal kriiside ennustamise keerukuse ning rõhutab vajadust edasiste uuringute järele mudelite optimeerimise vallas. Doktoritöö demonstreerib, kuidas masinõpe saab täiustada makromajanduslike näitajate prognoosimist, ühendades kaasaegseid masinõppetehnikaid traditsiooniliste ökonomeetriliste lähenemistega. Samuti rõhutatakse töös andmete ja kasutatavate meetodite kriitiliselt hindamise tähtsust tagamaks, et masinõppemudelid täiendaksid, mitte ei asendaks traditsioonilisi ökonomeetrilisi meetodeid. Kuigi suurandmete valdkonna areng on suurendanud masinõppe atraktiivsust, ei ole mõistlik sellele pimesi toetuda ega traditsioonilisi meetodeid kõrvale heita. Selle asemel annavad masinõppemudelid parimaid tulemusi traditsiooniliste ökonomeetriliste tehnikatega kombineerituna. Mõlemal on ühised statistilised alused, mistõttu on paljud uued meetodid traditsioonilistega lähemalt seotud kui esialgu tunduda võib. This thesis explores the application of machine learning methods in macroeconomic forecasting, focusing on business cycles and the prediction of systemic financial crises. It investigates two key approaches: The study integrates a data-driven method that leverages a large set of variables to capture economic nonlinearities and a theory-based approach that selects variables based on macroeconomic principles by combining theory-driven variable selection with a broad range of predictors. The research underscores the significance of addressing imbalanced data, selecting relevant features, and accounting for nonlinearities in machine learning models. It suggests that boosting methods can be effective when dealing with large datasets, although they require careful preparation, especially when the number of data is limited. The thesis also highlights the difficulties of crisis prediction using historical data and emphasizes the need for further research on model optimization. Overall, the thesis demonstrates how machine learning can enhance macroeconomic forecasting by merging modern machine learning techniques with traditional econometric approaches. It stresses the importance of critically evaluating data and methodologies to ensure that machine learning models complement rather than replace conventional methods. While the rise of Big Data has increased the appeal of machine learning, relying on it blindly or discarding traditional approaches is not advisable. Instead, machine learning models tend to perform best when combined with econometric techniques, as they share common statistical foundations, making many new methods more closely linked to traditional ones than they initially appear.