Generating density nowcasts for U.S. GDP growth with deep learning: Bayes by Backprop and Monte Carlo dropout

要約

最近の文献結果では、人工ニューラル ネットワーク (ANN) が GDP ナウキャストの精度の点で動的因子モデル (DFM) よりも優れていることが示されています。
DFM と比較すると、これらの柔軟性の高い非線形推定器のパフォーマンス上の利点は、不況や構造的破綻の時期に特に顕著です。
しかし、政策立案者の観点から見ると、ナウキャストは不確実性を伴って伝えられる場合に最も役立ちます。
DFM および他の古典的な時系列アプローチは GDP 成長の予測 (条件付き) 分布を分析的に導き出しますが、ANN はデフォルトのトレーニング手順 (バックプロパゲーション) に基づいてポイント ナウキャストを生成することしかできません。
このギャップを埋めるために、まず文献で、ANN が米国の GDP 成長の密度ナウキャストを生成できるようにする 2 つの異なる深層学習アルゴリズム、Backprop によるベイズとモンテカルロ ドロップアウトを採用しました。
経験的予測分布の平均として定義されるポイント ナウキャストの精度は、GDP の単純な一定成長モデルおよびベンチマーク DFM 仕様と比較して評価されます。
基盤となる ANN アーキテクチャとして 1D CNN を使用すると、どちらのアルゴリズムも評価期間中 (2012:Q1 ～ 2022:Q4) にこれらのベンチマークを上回りました。
さらに、両方のアルゴリズムは、経験的予測分布の位置 (平均)、スケール (分散)、および形状 (歪み) を動的に調整できます。
この結果は、Backprop によるベイズとモンテカルロ ドロップアウトの両方が ANN の範囲と機能を効果的に拡張し、古典的な時系列アプローチと完全に互換性があり、競争力のある代替手段となることを示しています。

要約(オリジナル)

Recent results in the literature indicate that artificial neural networks (ANNs) can outperform the dynamic factor model (DFM) in terms of the accuracy of GDP nowcasts. Compared to the DFM, the performance advantage of these highly flexible, nonlinear estimators is particularly evident in periods of recessions and structural breaks. From the perspective of policy-makers, however, nowcasts are the most useful when they are conveyed with uncertainty attached to them. While the DFM and other classical time series approaches analytically derive the predictive (conditional) distribution for GDP growth, ANNs can only produce point nowcasts based on their default training procedure (backpropagation). To fill this gap, first in the literature, we adapt two different deep learning algorithms that enable ANNs to generate density nowcasts for U.S. GDP growth: Bayes by Backprop and Monte Carlo dropout. The accuracy of point nowcasts, defined as the mean of the empirical predictive distribution, is evaluated relative to a naive constant growth model for GDP and a benchmark DFM specification. Using a 1D CNN as the underlying ANN architecture, both algorithms outperform those benchmarks during the evaluation period (2012:Q1 — 2022:Q4). Furthermore, both algorithms are able to dynamically adjust the location (mean), scale (variance), and shape (skew) of the empirical predictive distribution. The results indicate that both Bayes by Backprop and Monte Carlo dropout can effectively augment the scope and functionality of ANNs, rendering them a fully compatible and competitive alternative for classical time series approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google