机器学习与国债收益率曲线：衰退预测的新视角

本文是美联储研究与统计部和货币事务部发布的 Finance and Economics Discussion Series 中的一篇论文，由 Michael Puglia 和 Adam Tucker 撰写，标题为“机器学习、国债收益率曲线和衰退预测”（Machine Learning, the Treasury Yield Curve and Recession Forecasting）。论文探讨了使用机器学习技术来预测美国经济衰退的准确性和有效性，特别是在比较不同机器学习模型与传统概率回归方法时的性能差异。 在论文中，作者提出了一个新的策略，针对低频宏观/金融面板数据训练的分类器进行交叉验证。他们发现，传统的 k 折交叉验证可能会导致预测准确性估计过于乐观，而他们提出的方法则能更准确地反映预测能力。通过这种保守的交叉验证策略，作者揭示了一些出乎意料的结论：在预测经济衰退方面，概率回归的表现优于随机森林、XGBoost、LightGBM、神经网络和支持向量机等机器学习方法。这与许多研究文献中的观点相悖，这些文献通常认为机器学习方法在预测任务上优于传统算法。 论文还讨论了使用 Cochrane 的 Q 测试和 McNemar 的测试来对机器学习分类器进行统计推断的技术，这是评估模型性能的重要工具。此外，作者利用 SHapley Additive exPlanations (SHAP) 框架来分解美国经济衰退预测，从而分析在不同商业周期中各特征的重要性。SHAP 是一种解释机器学习模型预测结果的工具，它能够帮助理解哪些特征在预测过程中起到关键作用。 这篇论文对机器学习在经济衰退预测中的应用进行了深入探讨，挑战了普遍认为机器学习方法总是优于传统统计方法的观念。通过严谨的统计分析和新颖的验证策略，作者得出结论，至少在特定情况下，概率回归可能是一个更有效的预测工具。这一研究结果对于政策制定者和研究人员来说具有重要意义，提醒他们在依赖机器学习模型时要谨慎考虑其适用性和局限性。