Core Concepts
ヘミスフィアニューラルネットワークを用いて、マクロ経済変数の条件付き平均と条件付きボラティリティを同時に推定し、予測精度と予測の不確実性を向上させる。
Abstract
本論文は、マクロ経済変数の予測において、条件付き平均と条件付きボラティリティを同時に推定するヘミスフィアニューラルネットワーク(HNN)を提案している。HNNは以下の特徴を持つ:
平均と分散のためのヘミスフィアを持ち、共通のコアレイヤーを持つことで、平均と分散の相互作用をモデル化する。
分散重視の制約を導入することで、過剰適合を防ぐ。
ブロックされたアウトオブバッグ法を用いて、過剰適合を抑制する。
条件付き分散の事後的な再調整を行うことで、適切な不確実性推定を実現する。
HNNは、GDP成長率、失業率変化、インフレ率などのマクロ経済指標の1期先および4期先の点予測と密度予測において、既存の線形モデル、GARCH/SV、BART、DeepARなどの手法と比較して優れた性能を示す。特に、HNNは予測誤差の大きな変動に先行してボラティリティが上昇する「先行的」な性質を持つことが確認された。また、HNNは他の手法と比べて予測の信頼性が高く、大幅な過小カバレッジを起こすことがない。
Stats
予測誤差の絶対値の分散の90%以上を説明できる。
2008年の金融危機時には、SV modelよりも早期にボラティリティの上昇を捉えている。
2020年のパンデミック時にも、他のモデルよりも早期にボラティリティの上昇を示している。
Quotes
"HNNは、予測誤差の大きな変動に先行してボラティリティが上昇する「先行的」な性質を持つ。"
"HNNは他の手法と比べて予測の信頼性が高く、大幅な過小カバレッジを起こすことがない。"