Título: Previsión actualizada del comercio mundial con aprendizaje automático: un enfoque en tres pasos
Resumen:En este trabajo se realiza una previsión del comercio mundial mediante aprendizaje automático, distinguiendo entre métodos basados en árboles (random forest, gradient boosting) y sus equivalentes basados en regresión (macroeconomic random forest, linear gradient boosting). Aunque se utilizan mucho menos en la literatura, estos últimos superan no sólo a las técnicas basadas en árboles, sino también a las técnicas lineales y no lineales más "tradicionales" (OLS, Markov-switching, regresión cuantílica). Lo hacen de forma significativa y consistente en diferentes horizontes y conjuntos de datos en tiempo real. Para mejorar aún más el rendimiento de las previsiones con aprendizaje automático, proponemos un enfoque flexible de tres pasos compuesto por (paso 1) preselección, (paso 2) extracción de factores y (paso 3) regresión de aprendizaje automático. Comprobamos que tanto la preselección como la extracción de factores mejoran significativamente la precisión de las predicciones basadas en el aprendizaje automático. Este enfoque en tres pasos también supera los resultados de las pruebas de referencia, como un modelo PCA-OLS, una red elástica o un modelo de factores dinámicos. Por último, además de su gran precisión, el método es flexible y puede ampliarse sin problemas más allá del comercio mundial.
Summary:We nowcast world trade using machine learning, distinguishing between tree-based methods (random forest, gradient boosting) and their regression-based counterparts (macroeconomic random forest, linear gradient boosting). While much less used in the literature, the latter are found to outperform not only the tree-based techniques, but also more “traditional” linear and non-linear techniques (OLS, Markov-switching, quantile regression). They do so significantly and consistently across different horizons and real-time datasets. To further improve performances when forecasting with machine learning, we propose a flexible three-step approach composed of (step 1) pre-selection, (step 2) factor extraction and (step 3) machine learning regression. We find that both pre-selection and factor extraction significantly improve the accuracy of machine-learning-based predictions. This three-step approach also outperforms workhorse benchmarks, such as a PCA-OLS model, an elastic net, or a dynamic factor model. Finally, on top of high accuracy, the approach is flexible and can be extended seamlessly beyond world trade.
Fecha publicación: 2023
Autor: Banco Central Europeo; Chinn, Menzie ; Meunier, Baptiste ; Stumpner, Sebastian
ISBN / ISSN: 978-92-899-6121-9 / 1725-2806
Link: https://acortar.link/i71g2a
Palabras clave: aprendizaje automático , ciclo económico , comercio internacional , econometría , macrodatos , previsión económica
Keywords: machine learning , business cycle , international trade , econometrics , macro data , business cycle , economic forecasting