文件名称：机器学习、国债收益率曲线和衰退预测-研究论文
文件大小：6.3MB
文件格式：PDF
更新时间：2024-06-29 12:48:57
论文研究
我们使用机器学习方法来检查国债期限利差和其他金融市场和宏观经济变量相对于概率回归预测美国经济衰退的能力。 特别是，我们提出了一种新策略，用于对用低频宏观/金融面板数据训练的分类器进行交叉验证，并将结果与从标准 k 折交叉验证中获得的结果进行比较。 与现有文献一致，我们发现，在时间序列设置中，来自 k 折的预测准确性估计存在乐观偏差，而消除数据“偷看”的交叉验证策略会产生较低且可能更现实的预测准确性估计. 更引人注目的是，我们还记录了概率的秩反转、随机森林、XGBoost、LightGBM、神经网络和支持向量机分类器在两种交叉验证方法中的预测性能。 也就是说，虽然 k 折交叉验证表明树方法的预测准确性优于神经网络的预测准确性，而神经网络又优于概率回归的预测准确性，但我们提出的更保守的交叉验证策略表明恰恰相反，并且至少在当前问题的背景下，概率回归应该优于机器学习方法。 后一个结果与越来越多的文献形成鲜明对比，这些文献表明机器学习方法优于许多替代分类算法，我们讨论了我们结果的一些可能原因。 我们还讨论了使用 Cochrane 的 Q 和 McNemar 的测试对机器学习分类器进行统计推断的技术； 并使用 SHapley Additive exPlanations (SHAP) 框架分解美国经济衰退预测并分析跨商业周期的特征重要性。