该报告利用印尼支付系统、资本市场和宏观经济数据,评估多种机器学习模型对通胀预测的表现,发现XGB模型优于传统ARIMA基准,能将预测误差降低45.16%,支付系统变量对通胀预测贡献显著,结合SHAP值解析模型解释性,提升了政策分析的直观性和准确性,推荐作为中央银行辅助预测工具 。
| 模型 | 超参数 | 范围 | 优化值 |
|---|---|---|---|
| Ridge | Lambda | 0.001 to 0.9 | 0.001 |
| Lasso | Lambda | 0.001 to 0.9 | 0.001 |
| Elastic net | Lambda Alpha | 0.001 to 0.9, 0.05 to 0.95 | 0.001, 0.05 |
| Random Forest | Max Depth Max Features n_estimator | 2 to 50, 2 to 20, 10 to 1000 | 9, 4, 131 |
| XGB | learning_rate n_estimators max_depth Subsample Colsample_bytree | 0.005 to 0.5, 10 to 1000, 2-10, 0.1 to 0.9 | 0.08, 500, 10, 0.4, 0.7 |
| SVM | C Epsilon Kernel function | 0.1 to 50, 0.0005 to 1 | 50, 0.065, linear |
| 模型 | MAE | RMSE | RMSE减少百分比 | DM检验值 | p值 |
|---|---|---|---|---|---|
| ARIMA (基准) | 0.630 | 0.670 | - | - | - |
| SARIMA | 0.503 | 0.527 | 21.31% | 3.988 | 0.001 |
| OLS | 0.350 | 0.406 | 39.39% | 3.508 | 0.003 |
| Ridge | 0.346 | 0.402 | 40.01% | 3.472 | 0.003 |
| Lasso | 0.298 | 0.340 | 49.30% | 4.695 | 0.000 |
| Elastic net | 0.317 | 0.364 | 45.62% | 4.216 | 0.001 |
| 随机森林 | 0.351 | 0.417 | 37.76% | 4.462 | 0.000 |
| XGB | 0.264 | 0.313 | 53.22% | 4.875 | 0.000 |
| SVR | 0.315 | 0.368 | 45.07% | 4.442 | 0.000 |
文献标题: An Interpretable Machine Learning Approach in Predicting Inflation Using Payments System Data: A Case Study of Indonesia
作者: Wishnu Badrawani
发布机构: Bank Indonesia Institute, Bank Indonesia
发布时间: 未明确具体日期,数据时间跨度至2021年底
研究主题: 利用支付系统数据结合机器学习预测印尼通胀率,重点关注模型解释性
本文旨在评估多种机器学习(ML)算法在预测印尼通胀率方面的表现,主要利用支付系统、资本市场及宏观经济数据。作者通过与传统单变量时间序列模型ARIMA及其季节性变体SARIMA对比,展示机器学习模型(包括收缩回归、集成学习和支持向量回归等)在预测准确性上的较大提升。文章的创新之处在于结合Shapley值方法实现模型结果的解释性,使预测不仅具备较高准确率,还能为中央银行的货币政策提供科学依据。XGBoost(极端梯度提升)模型被发现在多个机器学习模型及传统基准中表现最佳,平均预测误差降低幅度超过45%。,1,11,21]
作者指出传统宏观经济预测模型在危机(如COVID-19)等非常态环境下面临准确性和适应性的挑战,呼吁采用AI/ML技术来捕捉复杂的数据关系。作品强调印尼作为新兴经济体,在通胀控制方面需要更精准及时的预测工具,并且注重模型解释性以辅助政策决策。支付系统数据因其全面记录经济交易的特性,被视为有价值的宏观经济预测变量源。,2]
研究使用2015年1月至2021年12月的月度数据,涵盖支付系统变量(ATM交易、信用卡、电子货币等)、宏观经济指标(消费者价格指数、利率、汇率)及资本市场数据(股票市值、交易量等)。因数据来源权威(印度尼西亚央行及统计局),兼顾覆盖广度和数据质量。,6,26,34]
本报告不涉及传统企业估值,而聚焦机器学习模型的预测评估。采用的主要评估指标包括RMSE、MAE及DM检验,无现金流折现或市盈率等金融估值模型。
本文系统比较了5种类型机器学习模型与传统单变量ARIMA基准在利用支付系统及宏观经济数据预测印尼通胀方面的能力。研究通过细致的交叉验证和超参数优化,证明XGBoost模型具有最佳的预测表现,平均预测误差减小逾53%。特别突出的是,支付系统中的ATM/借记卡及信用卡交易成为通胀预测中的关键驱动力,而传统资本市场指标及宏观经济变量则相对次要,这一点丰富了宏观经济变量选择的视角。作者创新地利用SHAP值方法实现黑箱模型的解读,认证了ML模型预测的经济合理性,并揭示了变量之间复杂的交互作用。尽管ML模型在长期预测阶段表现下降,研究依然高度评价ML技术作为中央银行辅助政策决策的补充工具的潜力。
本研究不仅推动了经济学与计算机科学的交叉领域发展,也为印尼乃至类似新兴经济体的货币政策制定提供了具有现实操作价值的技术支持。作者同时提出模型应用和解释中的注意事项,如异常值处理和模型假设,体现出严谨求实的研究态度。未来研究可扩展至更长时间尺度,更丰富数据类型以及更多经济变量上,以不断提升模型的预测效能和政策参考价值。~21]
该报告是一篇贯彻机器学习预测技术与宏观经济政策应用精髓的学术力作。它不仅证明了机器学习技术在新兴经济体通胀预测方面的卓越性能,更通过精准的模型解释,填补了传统经济学中政策应用和机器学习之间的鸿沟。通过系统的模型分析、指标评估及详尽的图表展示,本文为中央银行和相关政策制定者提供了新的分析工具和决策支持依据。
2506.10369.pdf