新加坡管理大学吴亦迪教授 信用:CC0公共领域 丹麦物理学家奈尔斯·波尔曾打趣说，预测很难，尤其是当它是关于未来的时候
但这正是金融监管机构需要做的——在决定是否大幅降息或加息等政策手段时，预测未来可能的经济状况至关重要
然而，随着世界变得越来越不可预测，预测变得越来越困难
2008年金融危机爆发后，这一挑战得到了深刻的诠释。当时，伊丽莎白女王向伦敦经济学院的一群研究人员和经济学家提出了一个看似简单但却尖锐的问题:为什么没有人预见到它的到来？ 面对巨大的复杂性，也许计量经济学可以提供更多的帮助
以机器学习为例
凭借其分析大数据的能力，它可以改进现有的计量经济学方法，并带来更好的预测
这是新加坡管理大学(SMU)的于君教授和上海财经大学的谢天副教授于2020年6月26日在SMU和新加坡货币管理局组织的网络研讨会上共同提交的研究报告
在他们题为“计量经济学方法和数据科学技术”的演讲中，于和谢教授回顾了现有的计量经济学方法和机器学习技术，然后讨论了两种方法的混合
使用真实数据和例子，他们表明，混合方法可能预示着更好的经济和金融变量预测
于教授说:“我们都知道我们正处于大数据和机器学习数据科学技术的时代。”
“有些人可能认为机器学习对传统的计量经济学方法构成了威胁
真的是这样吗？" 传统与变革的结合 首先，于教授介绍了一些传统的计量经济学方法
计量经济学融合了经济学和统计学，采用结构化的定量统计方法进行经济分析
俞教授解释说，计量经济学的方法是利用过去的数据建立统计关系，进而可以用来预测可能的未来
“大多数计量经济学方法希望促进解释和统计推断，”他说，并解释说传统的计量经济学方法依赖于假设和线性关系，如著名的线性假设
“你要绘制出从过去到未来的地图
" 于教授说，这种方法在某些情况下效果很好，但也存在局限性:大多数传统的计量经济模型无法处理大数据或复杂关系
“如果你有许多预测指标或复杂的关系，计量经济学方法将会失败
在大数据时代和许多重要的情况下，这是一个严重的限制，”他说
另一方面，大学兼职教授谢教授解释说，机器学习算法是数据驱动的
“许多机器学习算法不依赖假设，而是让数据说话:它们不会对数据生成过程施加非常强的假设或限制，”他说
谢教授指出，这就是机器学习技术如此灵活的原因
然而，他还补充说，许多机器学习方法最初并不是真正为经济和金融数据量身定制的
因此，当谈到试图预测未来时，一种方法是否比另一种更好？像这个世界上的许多事情一样，它并不那么简单
权衡他们的优缺点 于教授和谢教授用了两个真实世界的例子来说明这两种不同的方法是如何根据手头的数据和案例在准确性上相互超越的
在对波动率指数或VIX(芝加哥期权交易所创建的金融市场波动率指数)的预测中，他们表明，与更复杂的机器学习方法相比，更传统的线性计量经济学模式产生了更准确的预测
然而，在预测欧元区消费价格通胀的第二个案例中，机器学习方法的表现优于传统的计量经济学方法
“机器学习方法非常流行，但它们并不总是优于传统的计量经济学方法
问题是，能否修改机器学习算法，采用先进的计量经济学技术，更好地利用经济数据？" 在这种情况下，于教授和谢教授讨论了将机器学习方法应用于现有的计量经济学方法，而不是分别使用这两种方法，可以改进计量经济学建模
他们提出了一种混合算法，即模型平均回归树(MART)，这是由谢教授和史蒂文·F教授首先提出的
女王大学的莱勒在2018年NBER工作文件中写道
对MART进行测试 为了测试这种混合方法的有效性，他们用它来预测实际经济和金融变量，方法是将它应用到前面讨论的VIX和欧元区通胀率的相同例子中
计量经济学模型在预测VIX时仍然具有最好的预测精度，比它们的混合MART方法表现更好
于教授和谢教授认为，这是因为数据表现出很强的线性，因此最适合采用计量经济学方法
但在预测欧元区通胀率时，结果显示，两人的混合方法表现最佳，与计量经济学或机器学习方法相比，预测精度更高
因此，虽然混合模型并不总是在所有情况下都是最好的，但机器学习的元素仍然可以通过捕捉传统计量经济学模型可能错过的趋势来改进预测
至于现在，他们说关键是理解每种方法的基本原理，并在最合适的情况下应用它们
谢教授说:“混合策略将计量经济学方法与机器学习策略相结合，从而显著提高了预测精度。”
“当然，这只是一个想法
为了帮助指导实践者，未来的工作肯定需要理解这个建议的混合策略的属性
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
